CN108873876A - 无人车行车轨迹规划方法及装置 - Google Patents
无人车行车轨迹规划方法及装置 Download PDFInfo
- Publication number
- CN108873876A CN108873876A CN201710321246.2A CN201710321246A CN108873876A CN 108873876 A CN108873876 A CN 108873876A CN 201710321246 A CN201710321246 A CN 201710321246A CN 108873876 A CN108873876 A CN 108873876A
- Authority
- CN
- China
- Prior art keywords
- grid map
- point
- pixel
- binaryzation
- unmanned vehicle
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012545 processing Methods 0.000 claims description 32
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 230000004888 barrier function Effects 0.000 claims description 11
- 238000012217 deletion Methods 0.000 claims description 11
- 230000037430 deletion Effects 0.000 claims description 11
- 239000012141 concentrate Substances 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及智能交通***技术领域，公开了一种无人车行车轨迹规划方法及装置，解决了现有技术中需要有先验知识才能完成无人车的轨迹规划问题。所述方法包括：获取无人车前方图像对应的网格地图；将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。本发明实施例适用于在没有先验知识的情况下，对无人车进行行车轨迹的规划过程中。
Description
技术领域
本发明涉及智能交通***技术领域，具体地涉及一种无人车行车轨迹规划方法及装置。
背景技术
无人车不但是智能交通***的重要组成部分，也是移动机器人研究领域的研究热点。
无人车要实现高度自动驾驶，需要能够适应各种各样的环境，比如高速环境，城市环境，以及无道路结构的园区或者野外环境，对于最后一种环境，因为环境复杂，没有车道线等信息，规划起来较为复杂。
在现有技术中对于无道路结构的园区或者野外环境，需要首先对环境进行建模，生成全局地图，再由全局地图以及目标点进行全局规划，然后以全局规划的结果作为局部规划的参考值，再根据无人车及传感器感知到的当前环境进行局部规划。现有技术中存在以下缺陷：上述规划方法只适用于一个熟悉的环境，无人车才能自动驾驶，即需要有先验知识，而对于一个新环境则无法完成路径规划。
发明内容
本发明的目的是为了克服现有技术存在的需要有先验知识才能完成无人车的轨迹规划问题，提供一种无人车行车轨迹规划方法及装置，该方法能够在没有先验知识的情况下，且在无车道线及其他交通标示的环境下对无人车进行轨迹规划。
为了实现上述目的，本发明一方面提供一种无人车行车轨迹规划方法，包括：
获取无人车前方图像对应的网格地图；
将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
进一步地，所述将所述网格地图二值化包括：
将所述网格地图灰度化，得到灰度化网格地图；
根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
进一步地，所述将二值化后的网格地图进行图像细化，得到细化后的网格地图包括：
遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
进一步地，所述将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型包括：
获取所述细化后的网格地图对应的点集；
根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
进一步地，所述在所述目标模型对应的曲线上取点，得到无人车的行车轨迹包括：
对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
本发明实施例的第二方面提供一种无人车行车轨迹规划装置，包括：
获取单元，用于获取无人车前方图像对应的网格地图；
图像细化单元，用于将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
曲线拟合单元，用于将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
行车轨迹获取单元，用于在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
进一步地，所述图像细化单元包括：
图像灰度化模块，用于将所述网格地图灰度化，得到灰度化网格地图；
图像二值化模块，用于根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
进一步地，所述图像细化单元还包括：
标记模块，用于遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
处理模块，用于将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
进一步地，所述曲线拟合单元包括：
点集获取模块，用于获取所述细化后的网格地图对应的点集；
目标模型获取模块，用于根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
进一步地，所述行车轨迹获取单元：
离散化模块，用于对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
计算模块，用于在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
通过上述技术方案，获取无人车前方图像对应的网格地图，将所述网格地图进行二值化后，再进行图像细化，得到细化后的网格地图，将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型，并在所述目标模型对应的曲线上取点，从而得到无人车的行车轨迹。本发明实施例解决了现有技术中需要有先验知识才能完成无人车的轨迹规划问题，能够在无车道线及其他交通标示的环境下对无人车进行实时的轨迹规划。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明实施例提供的一种无人车行车轨迹规划方法的流程图；
图2是本发明实施例提供的一种无人车行车轨迹规划方法中二值化网格地图的示意图；
图3是本发明实施例提供的一种无人车行车轨迹规划方法中像素点Pi的8邻域像素点示意图；
图4是本发明实施例提供的一种无人车行车轨迹规划方法中细化后的网格地图的示意图；
图5是本发明实施例提供的一种无人车行车轨迹规划方法中目标模型对应的曲线示意图；
图6是本发明实施例提供的一种无人车行车轨迹规划装置的示意图；
图7是本发明实施例提供的另一种无人车行车轨迹规划装置的示意图；
图8是本发明实施例提供的又一种无人车行车轨迹规划装置的示意图；
图9是本发明实施例提供的再一种无人车行车轨迹规划装置的示意图；
图10是本发明实施例提供的还又一种无人车行车轨迹规划装置的示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
本发明实施例提供一种无人车行车轨迹规划方法，如图1所示，所述方法包括如下步骤：
S101、获取无人车前方图像对应的网格地图；
S102、将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
S103、将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
S104、在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
利用安装在无人车上的传感器获取无人车前方图像，并利用现有技术中的方法将获取的图像转换为网格地图，或者可以利用能够直接获取网格图像的传感器获取无人车前方图像对应的网格地图。
将获取到的网格地图进行二值化后，再进行图像细化，得到细化后的网格地图，将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型，并在所述目标模型对应的曲线上取点，从而得到无人车的行车轨迹。本发明实施例解决了现有技术中需要有先验知识才能完成无人车的轨迹规划问题，能够在无车道线及其他交通标示的环境下对无人车进行实时的轨迹规划。
对于上述步骤S102中将所述网格地图二值化还包括如下步骤：
1)将所述网格地图灰度化，得到灰度化网格地图；
2)根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
其中，如果获取的网格地图为彩色图像，则需要将所述网格地图灰度化。所谓灰度化，是在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中表示灰度颜色的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值(又称强度值、亮度值)，灰度范围为0-255，从而将图像进行灰度化也可以提高处理速度，节约存储空间。
一般有以下四种方法对彩色图像进行灰度化，分别是分量法、最大值法、平均值法和加权平均法。用户可以根据需求来决定使用哪种方法进行灰度化，这里不再赘述。
得到所述灰度化网格地图之后，将所述灰度化网格地图进行二值化。所谓二值化，就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的只有黑和白的视觉效果。一般可以通过以下三种方法进行二值化，分别为全局二值化、局部二值化和局部自适应二值化，利用预设灰度值将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中将所述二值化网格地图中存在障碍物部分的像素点设置为1，其他部分的像素点设置为0，如图2所示，其中黑色部分为存在障碍物部分，其余白色部分为其他不存在障碍物的部分。
对于上述步骤S102中将二值化后的网格地图进行图像细化，得到细化后的网格地图包括如下步骤：
1)遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
2)将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
其中，如图3所示，像素点Pi的8邻域中的像素点为P1至P8，对于上述条件a中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，即8邻域中像素点为1的个数。
对于上述条件b中，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数，例如，当像素点P1为0，P2为0，P3为1，P4为0，P5为1，P6为1，P7为0，P8为1，则按照顺时针方向，从P1到P8，相邻像素点数值按照0-1排序的是P2-P3，P4-P5，P7-P8，则A(Pi)＝3。
对于上述条件c，像素点Pi的4邻域，即为像素点P1，P3，P5，P7，在上述4个像素点中满足至少两个像素点为0。
同时满足上述条件a、b和c的像素点Pi被标记为删除，遍历所有二值化后的网格地图中的每一个像素点，最终得到细化后的网格地图，也就是无障碍物区域的轮廓，例如，与图2所示的二值化后的网格地图对应的如图4所示的细化后的网格地图。
将所述二值化后的网格地图进行图像细化，鲁棒性更强，也就是说提取出的中心线比较稳定。
对于上述步骤S103中将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型包括如下步骤：
a、获取所述细化后的网格地图对应的点集；
b、根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
获取步骤S102得到的细化后的网格地图对应的点集，从所述点集中选取预定个数的基本点，例如选择8个，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型，然后根据得到的所述待定模型，计算所述点集中的所有点到所述曲线的距离值，将得到的所有距离值与第一阈值进行比较，例如所述第一阈值为0.8米，对于大于所述第一阈值的距离值对应的点确定为异常点，将所述异常点排除，计算剩余的其它点到所述曲线的距离值之和。之后再重新随机选取所述预定个数的基本点，同样采用最小二乘法进行曲线拟合，得到曲线对应的待定模型，然后根据得到的所述待定模型，计算所述点集中的所有点到所述曲线的距离值，去除大于第一阈值的距离值对应的点，计算剩余的其它点到所述曲线的距离值之和，重复上述步骤，直到重复次数大于第二阈值为止，例如所述第二阈值为500次，比较上述步骤中得到的所有距离值之和，选取其中最小的距离值之和对应的待定模型确定为目标模型，而对应的曲线即为无人车的行车轨迹的连续曲线。
对于上述步骤S104中在所述目标模型对应的曲线上取点，得到无人车的行车轨迹包括如下步骤：
1)对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
2)在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
其中，所述目标模型对应的曲线如图5所示，对所述目标模型离散化，得到对应于坐标系xy轴的点列，而其中所述无人车的行进方向对应于x轴正向，在所述x轴上等间距选择多个点，所述间距可以为获取的网格地图的分辨率，例如为0.1米或0.5米，将选择的多个点带入所述目标模型中，得到对应的y轴上的值，则由x轴和对应y轴上的值(Px，Py)组成点集作为所述无人车的行车轨迹。
通过本发明实施例的上述执行步骤，解决了现有技术中需要有先验知识才能完成无人车的轨迹规划问题，能够在无车道线及其他交通标示的环境下对无人车进行实时的轨迹规划。
相对应的，本发明实施例还提供了一种无人车行车轨迹规划装置，所述装置可以与无人车上的车载模块集成在一起，也可以单独配置，如图6所示，该装置包括：
获取单元61，用于获取无人车前方图像对应的网格地图；
图像细化单元62，用于将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
曲线拟合单元63，用于将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
行车轨迹获取单元64，用于在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
通过所述装置中的单元，先获取无人车前方图像对应的网格地图，将所述网格地图进行二值化后，再进行图像细化，得到细化后的网格地图，将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型，并在所述目标模型对应的曲线上取点，从而得到无人车的行车轨迹。本发明实施例解决了现有技术中需要有先验知识才能完成无人车的轨迹规划问题，能够在无车道线及其他交通标示的环境下对无人车进行实时的轨迹规划。
进一步地，如图7所示，所述图像细化单元62包括：
图像灰度化模块621，用于将所述网格地图灰度化，得到灰度化网格地图；
图像二值化模块622，用于根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
进一步地，如图8所示，所述图像细化单元62还包括：
标记模块623，用于遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
处理模块624，用于将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
进一步地，如图9所示，所述曲线拟合单元63包括：
点集获取模块631，用于获取所述细化后的网格地图对应的点集；
目标模型获取模块632，用于根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
进一步地，如图10所示，所述行车轨迹获取单元64包括：
离散化模块641，用于对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
计算模块642，用于在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
所述无人车行车轨迹规划装置中的各个单元的具体实现过程，可参加上述无人车行车轨迹规划方法的处理过程。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于此。在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，包括各个具体技术特征以任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。但这些简单变型和组合同样应当视为本发明所公开的内容，均属于本发明的保护范围。
Claims (10)
1.一种无人车行车轨迹规划方法，其特征在于，包括：
获取无人车前方图像对应的网格地图；
将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
2.根据权利要求1所述的方法，其特征在于，所述将所述网格地图二值化包括：
将所述网格地图灰度化，得到灰度化网格地图；
根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
3.根据权利要求1所述的方法，其特征在于，所述将二值化后的网格地图进行图像细化，得到细化后的网格地图包括：
遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
4.根据权利要求1所述的方法，其特征在于，所述将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型包括：
获取所述细化后的网格地图对应的点集；
根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
5.根据权利要求1所述的方法，其特征在于，所述在所述目标模型对应的曲线上取点，得到无人车的行车轨迹包括：
对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
6.一种无人车行车轨迹规划装置，其特征在于，包括：
获取单元，用于获取无人车前方图像对应的网格地图；
图像细化单元，用于将所述网格地图二值化，并将二值化后的网格地图进行图像细化，得到细化后的网格地图；
曲线拟合单元，用于将所述细化后的网格地图采用随机抽样一致性算法进行曲线拟合，得到目标模型；以及
行车轨迹获取单元，用于在所述目标模型对应的曲线上取点，得到无人车的行车轨迹。
7.根据权利要求6所述的装置，其特征在于，所述图像细化单元包括：
图像灰度化模块，用于将所述网格地图灰度化，得到灰度化网格地图；
图像二值化模块，用于根据预设灰度值，将所述灰度化网格地图转换为包括障碍物信息的二值化网格地图，其中所述二值化网格地图中存在障碍物部分的像素点为1，其他部分的像素点为0。
8.根据权利要求6所述的装置，其特征在于，所述图像细化单元还包括：
标记模块，用于遍历所述二值化后的网格地图中的每一个像素点Pi，将同时满足下列三个条件的像素点标记为删除：
a、2≤B(Pi)≤6；
b、A(Pi)＝1；
c、像素点Pi的4邻域中至少两个像素点为0，
其中，所述B(Pi)表示像素点Pi的8邻域中非零邻域的个数，所述A(Pi)表示像素点Pi的8邻域中按照顺时针的方向，以相邻像素点数值为0-1排序的个数；
处理模块，用于将所述二值化后的网格地图中标记为删除的像素点删除后，得到细化后的网格地图。
9.根据权利要求6所述的装置，其特征在于，所述曲线拟合单元包括：
点集获取模块，用于获取所述细化后的网格地图对应的点集；
目标模型获取模块，用于根据所述点集执行下列操作：
1)从所述点集中随机选取预定个数的基本点，采用最小二乘法进行曲线拟合，得到曲线对应的待定模型；
2)根据所述点集和所述待定模型，计算得到所述点集中所有点到所述曲线的距离值；
3)将大于第一阈值的距离值对应的点确定为异常点，计算除所述异常点之外的其它点到所述曲线的距离值之和；
4)重复步骤1)-3)，直到重复次数大于第二阈值时为止，将所述距离值之和中最小的距离值之和对应的待定模型确定为目标模型。
10.根据权利要求6所述的装置，其特征在于，所述行车轨迹获取单元包括：
离散化模块，用于对所述目标模型离散化，得到对应于坐标系xy轴的点列，其中所述无人车的行进方向为所述坐标系xy轴中的x轴正向；
计算模块，用于在所述x轴上等间距选择多个点，并将所述多个点带入所述目标模型中，计算得到的点集作为所述无人车的行车轨迹。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321246.2A CN108873876A (zh) | 2017-05-09 | 2017-05-09 | 无人车行车轨迹规划方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710321246.2A CN108873876A (zh) | 2017-05-09 | 2017-05-09 | 无人车行车轨迹规划方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108873876A true CN108873876A (zh) | 2018-11-23 |
Family
ID=64287879
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710321246.2A Pending CN108873876A (zh) | 2017-05-09 | 2017-05-09 | 无人车行车轨迹规划方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108873876A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110909961A (zh) * | 2019-12-19 | 2020-03-24 | 盈嘉互联（北京）科技有限公司 | 基于bim的室内路径查询方法及装置 |
| CN111504321A (zh) * | 2020-04-10 | 2020-08-07 | 苏州大学 | 一种基于扩展维诺图特征的可复用搜索树方法 |
| CN111854776A (zh) * | 2019-04-30 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 导航的处理方法、装置、设备及存储介质 |
| CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划***及方法 |
| CN113359706A (zh) * | 2021-05-17 | 2021-09-07 | 中国矿业大学 | 一种多体辅助运输***协同转弯轨迹自规划***与方法 |
| CN113359692A (zh) * | 2020-02-20 | 2021-09-07 | 杭州萤石软件有限公司 | 一种障碍物的避让方法、可移动机器人 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
| CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
| CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
-
2017
- 2017-05-09 CN CN201710321246.2A patent/CN108873876A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105261020A (zh) * | 2015-10-16 | 2016-01-20 | 桂林电子科技大学 | 一种快速车道线检测方法 |
| CN105549597A (zh) * | 2016-02-04 | 2016-05-04 | 同济大学 | 一种基于环境不确定性的无人车动态路径规划方法 |
| CN106529505A (zh) * | 2016-12-05 | 2017-03-22 | 惠州华阳通用电子有限公司 | 一种基于图像视觉的车道线检测方法 |
Non-Patent Citations (4)
| Title |
|---|
| 刘国荣: "《基于图像的车道线检测与跟踪算法研究》", 《万方学位论文》 * |
| 武历颖等: "《一种快速准确非结构化道路检测方法研究》", 《计算机仿真》 * |
| 牟少敏等: "《一种改进的快速并行细化算法》", 《微电子学与计算机》 * |
| 韩广飞等: "《无人驾驶汽车视觉导航中车道线检测的研究》", 《火力与指挥控制》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111854776A (zh) * | 2019-04-30 | 2020-10-30 | 北京京东尚科信息技术有限公司 | 导航的处理方法、装置、设备及存储介质 |
| CN111854776B (zh) * | 2019-04-30 | 2024-04-16 | 北京京东乾石科技有限公司 | 导航的处理方法、装置、设备及存储介质 |
| CN110909961A (zh) * | 2019-12-19 | 2020-03-24 | 盈嘉互联（北京）科技有限公司 | 基于bim的室内路径查询方法及装置 |
| CN110909961B (zh) * | 2019-12-19 | 2023-07-25 | 盈嘉互联（北京）科技有限公司 | 基于bim的室内路径查询方法及装置 |
| CN113359692A (zh) * | 2020-02-20 | 2021-09-07 | 杭州萤石软件有限公司 | 一种障碍物的避让方法、可移动机器人 |
| CN111504321A (zh) * | 2020-04-10 | 2020-08-07 | 苏州大学 | 一种基于扩展维诺图特征的可复用搜索树方法 |
| CN111504321B (zh) * | 2020-04-10 | 2022-03-18 | 苏州大学 | 一种基于扩展维诺图特征的可复用搜索树方法 |
| CN112965476A (zh) * | 2021-01-22 | 2021-06-15 | 西安交通大学 | 一种基于多窗口抽样的高速无人车轨迹规划***及方法 |
| CN112965476B (zh) * | 2021-01-22 | 2022-06-07 | 西安交通大学 | 一种基于多窗口模型的高速无人车轨迹规划***及方法 |
| CN113359706A (zh) * | 2021-05-17 | 2021-09-07 | 中国矿业大学 | 一种多体辅助运输***协同转弯轨迹自规划***与方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108873876A (zh) | 无人车行车轨迹规划方法及装置 | |
| Levinson et al. | Traffic light mapping, localization, and state detection for autonomous vehicles | |
| CN104134209B (zh) | 一种视觉导航中的特征提取与匹配方法及*** | |
| Gaikwad et al. | Lane departure identification for advanced driver assistance | |
| CN102646343B (zh) | 车辆检测装置 | |
| CN105551082B (zh) | 一种基于激光点云的路面识别方法及装置 | |
| CN107679520A (zh) | 一种适用于复杂条件下的车道线视觉检测方法 | |
| CN108875603A (zh) | 基于车道线的智能驾驶控制方法和装置、电子设备 | |
| CN109284674A (zh) | 一种确定车道线的方法及装置 | |
| CN108830280A (zh) | 一种基于区域提名的小目标检测方法 | |
| CN110148196A (zh) | 一种图像处理方法、装置以及相关设备 | |
| CN110110682B (zh) | 遥感图像的语义立体重构方法 | |
| CN104700072B (zh) | 基于车道线历史帧的识别方法 | |
| CN109948413B (zh) | 基于高精度地图融合的车道线检测方法 | |
| CN109085823A (zh) | 一种园区场景下基于视觉的低成本自动循迹行驶方法 | |
| CN106295491A (zh) | 车道直线检测方法及装置 | |
| CN107748882A (zh) | 一种车道线检测方法及装置 | |
| CN105069411B (zh) | 道路识别方法和装置 | |
| CN113593035A (zh) | 一种运动控制决策生成方法、装置、电子设备及存储介质 | |
| Umamaheswari et al. | Steering angle estimation for autonomous vehicle navigation using hough and Euclidean transform | |
| CN111476062A (zh) | 车道线检测方法、装置、电子设备及驾驶*** | |
| CN108961353B (zh) | 道路模型的构建 | |
| Takahashi et al. | A robust lane detection using real-time voting processor | |
| CN113658240B (zh) | 一种主要障碍物检测方法、装置与自动驾驶*** | |
| CN113095309B (zh) | 一种基于点云的道路场景地面标识物的提取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20190315 Address after: 100015 Building No. 7, 74, Jiuxianqiao North Road, Chaoyang District, Beijing, 001 Applicant after: FAFA Automobile (China) Co., Ltd. Address before: 511458 9, Nansha District Beach Road, Guangzhou, Guangdong, 9 Applicant before: Hengda Faraday future intelligent vehicle (Guangdong) Co., Ltd. |
|
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181123 |