CN111295666A - 一种车道线检测方法、装置、控制设备及存储介质 - Google Patents
一种车道线检测方法、装置、控制设备及存储介质 Download PDFInfo
- Publication number
- CN111295666A CN111295666A CN201980004970.XA CN201980004970A CN111295666A CN 111295666 A CN111295666 A CN 111295666A CN 201980004970 A CN201980004970 A CN 201980004970A CN 111295666 A CN111295666 A CN 111295666A
- Authority
- CN
- China
- Prior art keywords
- lane line
- initial
- lane
- local
- target
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000005457 optimization Methods 0.000 claims description 29
- 238000012545 processing Methods 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 238000010191 image analysis Methods 0.000 claims description 5
- 230000000007 visual effect Effects 0.000 claims description 5
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000007476 Maximum Likelihood Methods 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007620 mathematical function Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供了一种车道线检测方法、装置、控制设备及存储介质，该方法包括：采集的环境图像构造可移动平台所处的局部地图，基于局部地图中车道线位置点确定出初始车道线集合，并对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合，可以不依赖于车道线几何平行假设和路面平行假设，实现车道线检测，有利于更好地适用于多种车道线场景，提高通用性。
Description
技术领域
本发明实施例涉及控制技术领域，尤其涉及一种车道线检测方法、装置、控制设备及存储介质。
背景技术
车道线局部地图主要应用于自动驾驶领域，基于车道线局部地图可以规划当前行驶车辆的行驶计划，而局部地图的建立主要依赖于对车道线的检测。当前采用的车道线检测方法通常需要依赖诸多假设(如地图的平面假设、车道线几何结构的平行假设等)来完成车道线的检测，这样的检测方式，在一些分岔路、城区、起伏路面等场景下无法很好地工作，使得车道线检测结果不够准确，不具有通用性。
发明内容
有鉴于此，本发明实施例提供了一种车道线检测方法、装置、控制设备及存储介质，可适用于多种车道线场景而不过于依赖车道线几何平行假设和路面平行假设等假设条件。
一方面，本发明实施例提供了一种车道线检测方法，所述方法应用于控制设备，所述控制设备与可移动平台之间存在数据连接，该方法包括：
获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
另一方面，本发明实施例提供了一种车道线检测装置，该装置包括：
获取模块，用于获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
处理模块，用于从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
所述处理模块，还用于对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
再一方面，本发明实施例提供了一种控制设备，所述控制设备与可移动平台之间存在数据连接，该控制设备包括：视觉传感器和处理器，所述处理器用于：
通过所述视觉传感器获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
在本发明实施例中，控制设备可以采集的环境图像构造可移动平台所处的局部地图，基于局部地图中车道线位置点确定出初始车道线集合，并对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合，可以不依赖于车道线几何平行假设和路面平行假设，实现车道线检测，有利于更好地适用于多种车道线场景，提高通用性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种车道线检测方法的示意流程图；
图2为本发明实施例提供的一种车道线检测场景图；
图3为本发明另一实施例提供的一种车道线检测方法的示意流程图；
图4为本发明又一实施例提供的一种车道线检测方法的示意流程图；
图5为本发明实施例提供的一种连通域标签的示意图；
图6为本发明又一实施例提供的一种车道线检测方法的示意流程图；
图7为本发明实施例的提供的一种初始车道线集合和历史车道线集合的示意图；
图8为本发明实施例提供的一种车道线检测装置的示意性框图；
图9是本发明实施例提供的一种控制设备的示意性框图。
具体实施方式
为了使得车道线检测适用于更多的场景，提高车道线检测的通用性，本发明实施例提出了一种多车道融合的车道线检测方法，该方法通过视觉传感器实时或者按照预设周期采集可移动平台的环境图像，并基于该环境图像构造可移动平台所处环境的局部地图。进一步地，可以基于局部地图中的车道线位置点进行车道线拟合得到局部车道线集合，并基于车道线的特征信息确定各局部车道线的权重值，进而基于各局部车道线的权重值和预设优化算法从该局部车道线集合中筛选出初始车道线，得到初始车道线集合，筛选得到的初始车道线可以认为是和实际车道线最相符的车道线。进一步地，可以对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合，可以将当前的车道线检测结果与历史车道线检测结果进行时序和空间上的融合，使得车道线检测结果更加准确。
在一个实施例中，可参见如图1所示的车道线检测方法的示意流程图，可移动平台可先确定可移动平台所处环境的局部地图，基于局部地图中的车道线位置点进行连通域分析，得到局部地图对应的局部车道线集合，并对局部车道线集合中各局部车道线的特征信息进行分析，以得到各局部车道线的权重值，进而基于带权最大团算法和各局部车道线的权重值，优化确定出至少一条初始车道线，得到初始车道线集合。进一步地，可以对初始车道线集合中的初始车道线进行过滤处理，滤除初始车道线中的错误车道线，并将初始车道线集合中过滤后的初始车道线与历史车道线集合中的历史车道线，进行拟合优化，得到目标车道线集合，以完成对车道线的检测。
在一个实施例中，上述车道线检测方法可以应用于控制设备，该控制设备与可移动平台存在数据连接。其中，该可移动平台可以为一些能够行驶在公共交通道路上的移动装置，例如自动驾驶车辆；该控制设备可以为与可移动平台存在数据连接的辅助驾驶装置，该控制设备可以内置于可移动平台，如可移动平台整合于可移动平台中的***等，也可以为与可移动平台存在外部连接，如连接于可移动平台外部的辅助驾驶装置。
在一个实施例中，所述车道线检测方法可应用在如图2所示的车道线检测场景中，其中，可移动平台S10可以一辆行驶在公共交通道路上的无人驾驶汽车，控制设备S100内置于可移动平台S10，该可移动平台S10上还安置有一个或者多个视觉传感器S101，控制设备S100可以通过视觉传感器S101获取可移动平台10的环境图像。其中，所述视觉传感器S101可安置在可移动平台S10的前方、后方和/或车顶等位置，可移动平台S10中安置的一个或多个视觉传感器S101可以安置在相同位置，也可安置在不同位置，在本发明实施例中不做限定。
通常，可移动平台S10的视觉传感器S101安装在可移动平台的前方，用于获取前方的图像。在获取了前方的图像，或称为前视图后，可基于图像模型识别前视图中的车道线图像点，并结合可移动平台S10的位姿信息和环境图像将该车道线图像点转换到世界坐标系下的局部地图，以得到可移动平台所处环境的局部地图，并确定该车道线图像点在局部地图中对应的车道线位置点。进一步地，可以根据该车道线位置点从局部地图中确定出初始车道线集合，并将初始车道线集合中的初始车道线数据与历史车道线集合中的历史车道线数据，进行拟合优化，得到目标车道线集合，以完成对车道线的检测。
可以看出，本发明实施例提出的车道线检测方法，不依赖于车道线几何平行假设和路面平行假设，例如图2中的分岔路口的车道线存在交叠且方向不一致的情况，此时如果使用传统的车道线检测策略例如利用车道线的平行性进行检测，则无法正确地检测出这种车道线场景。
因此，为了更好地检测一些非常规性的车道线问题，提供一种更通用的车道线检测方法，可以从局部地图中确定出初始车道线集合，并对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合，从而能够更好地适用于多种车道线场景(如分岔路、城区，起伏路面等场景)，提升了车道线检测的通用性。
其中，图2中的可移动平台S10和控制设备S100仅为举例说明，在其他例子中，图2所示的可移动平台还可以为安装在移动装置上的移动控制器等，同时，图2也仅为对本发明实施例所涉及的场景进行举例，主要用于说明本发明实施例的基于控制设备实现车道线检测的原理。
请参见图3，是本发明实施例提出的一种车道线检测方法的流程示意图，该方法应用于控制设备，该控制设备与可移动平台之间存在数据连接，其中，所述方法包括以下步骤：
S301，获取可移动平台的环境图像，并根据环境图像得到可移动平台所处环境的局部地图，其中，在局部地图中记录了车道线位置点。
其中，上述车道线位置点是通过对环境图像进行图像分析确定的。在一个实施例中，控制设备可以基于图像模型识别环境图像中的车道线图像点，并基于可移动平台的位姿信息和环境图像得到所处环境的局部地图，进而根据车道线图像点确定出局部地图中的车道线位置点。
作为一种可行的实施方式，控制设备可先通过设置在可移动平台外的视觉传感器实时或者依照预设周期获取可移动平台所处环境的环境图像，进一步地，可先通过图像模型针对环境图像作关于车道线的初步检测，得到车道线图像点，通过将车道线图像点结合可移动平台当前的位置信息和环境图像转换到世界坐标系的局部地图，并根据坐标转换，确定出车道线图像点在局部地图中的车道线位置点。在一个实施例中，可采用卷积神经网络(Convolutional Neural Networks，CNN)对环境图像作初步的车道线检测。在一个实施例中，可移动平台当前位置的位置信息可以由视觉惯导模型(如VINS)获取。
在得到可移动平台所处环境的局部地图之后，控制设备可以在S302中从局部地图中确定出初始车道线集合，该初始车道线集合包括多个初始车道线数据。
其中，初始车道线集合中包括的初始车道线数据可以是根据局部地图中记录的车道线位置点确定的。在一个实施例中，上述局部地图可以为在世界坐标系下的网格地图，该车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，该语义信息用于表征车道线网格为车道线位置点对应的网格。针对这种情况，控制设备可以对局部地图中的各个车道线网格进行分析处理，得到局部地图对应的局部车道线集合，该局部车道线集合包括至少一个局部车道线，进而从局部车道线集合中确定出初始车道线集合，该初始车道线集合包括至少一个初始车道线数据。
在一个实施例中，控制设备从局部地图中确定出初始车道线集合的实现方式，可基于图4所示的流程示意图。具体地，控制设备可以基于各个车道线网格的语义信息对局部地图中的各个车道线网格进行连通域分析处理，得到局部地图对应的局部车道线集合，并基于预设的优化算法和局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合。其中，该局部车道线的权重值是根据车道线的特征信息确定的。
在一个实施例中，控制设备基于各个车道线网格的语义信息对局部地图中的各个车道线网格进行连通域分析处理时，可以首先根据各个车道线网格的语义信息从局部地图中确定出各个车道线网格，并对各个车道线网格进行连通域提取，根据各个车道线网格的语义信息确定小范围内车道线网格的连通域标签，基于各车道线网格对应的连通域标签可进行车道线拟合，确定出小范围内车道线位置点对应的一条或多条局部车道线，以此类推，可确定出局部地图中的所有局部车道线，从而得到局部地图对应的局部车道线集合。
其中，属于同一车道线的车道线网格对应相同的连通域标签，该连通域标签与车道线网格的语义信息关联。例如，车道线网格G1的语义信息用于指示该车道线网格G1对应的图像点属于车道线A，车道线网格G2的语义信息用于指示该车道线网格G2对应的图像点也属于车道线A，那么该车道线网格G1和车道线网格G2对应相同的连通域标签。
如图5所示，为局部地图中添加的连通域标签的示意图，如图所示，每一个网格表示一个图像点，网格中的数字表示各网格对应的连通域标签，其中，连通域标签为0的网格可能为局部车道线中不属于车道线的网格，连通域标签不为0的为可能属于车道线的车道线网格。连通域标签为1的网格为局部地图中属于A车道线的图像点；连通域标签为2的图像点为局部地图中属于B车道线对应的图像点，其中，该A车道线和该B车道线为不相同的两条车道线。
在一个实施例中，控制设备在对局部地图中进行连通域分析处理时，可按照预设尺寸的图像检测窗口从局部地图中选取小范围的网格，并基于各个网格的语义信息确定出处于该图像检测窗口内的各网格的连通域标签，其中，非车道线网格对应的连通域标签为0，车道线网格的连通域标签由对应的语义信息确定。由于处于相同连通域的网格对应有相同的连通域标签，所以基于连通域标签是否相同的特性可确定出图像检测窗口的各连通域，即确定每个连通域包括的网格，其中，所述图像检测窗口的预设尺寸例如可以是3*3或者5*5。
在确定每个连通域包括的各网格后，可对各连通域对应的网格按照最优解算法进行拟合，得到各连通域对应的局部车道线，以此类推，可确定出图像检测窗口在局部地图中位于不同位置时包括的车道线对应的局部车道线，从而可确定出局部地图中的所有局部车道线，以得到局部车道线集合。
举例来说，如果从局部车道线中选取的位于图像检测窗口中的网格对应的连通域标签如图5所示，可将连通域标签为1的所有车道线网格按照最优解算法拟合出一条局部车道线，如图中的501，将连通域标签为2的所有车道线网格按照最优解算法拟合出一条局部车道线，如图中的502，以此类推，可将处于该图像检测窗口中的所有车道线网格拟合成多条局部车道线，从而可确定出局部地图中的所有局部车道线。
进一步地，在控制设备确定出局部地图对应的局部车道线集合之后，可以基于带权最大团算法和局部车道线集合中各局部车道线的权重值，优化确定出至少一条初始车道线，并对至少一条初始车道线进行过滤处理，得到初始车道线集合。
其中，局部车道线的权重值是根据车道线的特征信息确定的，在一个实施例中，车道线的特征信息包括：车道线的几何特征和/或颜色特征，几何特征包括长度特征、宽度特征以及车道线之间的平行特征中的任意一种或多种。
作为一种可行的实施例方式，可以预先建立车道线的几何特征、颜色特征与假设分值的对应关系，一个车道线对应的假设分值总和越高，那么该车道线为实际车道线的可能性越大。示例性地，该车道线的几何特征、颜色特征与假设分值的对应关系可以如表1所示。可以看出，每一个局部车道线均可以通过该表1所示的对应关系，确定出自身对应的假设分值总和，该假设分值总和即为该局部车道线对应的权重值。
表1
其中，表1中各个特征维度对应的假设分值仅为一种示例，主要用于说明通过车道线的特征信息确定局部车道线权重值的原理，不能成为对本发明实施例的限定。
在一个实施例中，控制设备可以解析各个局部车道线的特征信息，并根据预先建立的车道线的几何特征、颜色特征与假设分值的对应关系，确定出各个局部车道线的权重值。进一步地，基于带权最大团算法，解出局部车道线中权重值最高的至少一条局部车道线，即至少一条初始车道线。
进一步地，控制设备可以对至少一条初始车道线进行过滤处理，得到初始车道线集合。在一个实施例中，可基于预设的针对初始车道线的先验信息进行后处理，以实现对上述至少一条初始车道线的所有初始车道线进行过滤，将该所有初始车道线中的错误车道线滤除，得到初始车道线集合。
其中，所述预设的针对初始车道线的先验信息是基于车道线的国家标准设定的一个预设范围或者预设值，所述先验信息具体包括长度信息以及宽度信息等，假设国家标准的车道线长度为1.5米，则该针对初始车道线的先验信息包括的长度信息可以设定为小于标准车道线长度的部分长度，例如10厘米～15厘米的范围等等；假设国家标准的车道线宽度为15厘米，则该先验信息包括的宽度信息可以设定为13厘米～17厘米的范围等。对应的，该错误车道线为不满足该预设的先验信息的车道线。
控制设备在从局部地图中确定出初始车道线集合之后，控制设备可以在S303中对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。可以将当前的车道线检测结果与历史车道线检测结果进行时序和空间上的融合，有利于提高车道线检测结果的准确度。
在一个实施例中，控制设备在从局部地图中确定出初始车道线集合之后，可以查询存储区域中是否存在历史车道线集合，若不存在该历史车道线集合，则可以确定本次车道线检测为首次车道线检测，并将本次获得的初始车道线集合作为历史车道线集合存储在存储区域中，以便于后续与新的初始车道线集合进行拟合优化。若存在历史车道线集合，则可以对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
相对于直接根据环境图像中所有车道线图像点拟合得到完整车道线的方法，采用本发明实施例的从可移动平台所处环境的局部地图出发，构造整体车道线的方法，一方面可在一定程度上提高车道线的拟合精度，提高车道线识别的准确度，另一方面，由于局部地图所占区域比较小，还可在一定程度上节省可移动平台在进行车道线拟合时运算速度。
本发明实施例中，控制设备可以获取可移动平台的环境图像，并根据环境图像得到可移动平台所处环境的局部地图，从局部地图中确定出初始车道线集合，并对历史车道线集合中的历史车道线数据和初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。可以不依赖于车道线几何平行假设和路面平行假设，实现对车道线的检测，有利于更好地适用于多种车道线场景，提高通用性。
请参见图6，是本发明实施例提出的另一种车道线检测方法的流程示意图，该方法应用于控制设备，该控制设备与可移动平台之间存在数据连接，其中，所述方法包括以下步骤：
S601，获取可移动平台的环境图像，并根据环境图像得到可移动平台所处环境的局部地图，其中，在局部地图中记录了车道线位置点。进一步地，控制设备可以在S602中从局部地图中确定出初始车道线集合，该初始车道线集合包括多个初始车道线数据。进一步地，控制设备在从局部地图中确定出初始车道线集合之后，可以在S603中从初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与目标初始车道线匹配的目标历史车道线，该目标初始车道线为所述初始车道线集合中的任一个。
其中，目标初始车道线与目标历史车道线对应的索引信息相匹配。在一个实施例中，局部地图可以为在世界坐标系下的网格地图，该车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，该语义信息用于表征车道线网格为车道线位置点对应的网格。针对这种情况下，控制设备从局部地图中确定出初始车道线集合之后，由于初始车道线集合中的各个初始车道线由至少一个车道线网格进行曲线拟合而成，因此，可以基于组成初始车道线的车道线网格的语音信息确定各个初始车道线所属的车道，进而对各个初始车道线添加索引信息，每个索引信息指示了初始车道线所属的车道。
进一步地，可以从初始车道线集合中选取任一个初始车道线作为目标车道线，并将该目标车道线的索引信息与历史车道线集合中各个历史车道线对应的索引信息进行对比，若对比得到该目标车道线的索引信息与历史车道线集合中任一历史车道线对应的索引信息相同，则可以确定该目标车道线的索引信息与历史车道线集合中任一历史车道线对应的索引信息匹配，并将该任一历史车道线确定为目标历史车道线。
进一步地，依次类推，控制设备可以从初始车道线集合中选取下一个目标车道线，并再次检测历史车道线集合中是否存在与该下一个目标车道线匹配的目标历史车道线，依次类推，直到将初始车道线集合中的所有初始车道线检测完毕，则结束。
示例性地，参见图7，假设控制设备从局部地图中确定出的初始车道线集合如图中的60所示，该初始车道线集合60包括初始车道线1和初始车道线2，初始车道线1的索引信息指示该初始车道线1属于车道线A，初始车道线2的索引信息指示该初始车道线2属于车道线B；历史车道线集合如图中的61所示，该历史车道线集合包括历史车道线1和历史车道线2，历史车道线1的索引信息指示该历史车道线1属于车道线A，历史车道线2的索引信息指示该历史车道线2属于车道线B。针对这种情况下，控制设备可以将初始车道线1和初始车道线2各自对应的索引信息，与历史车道线1和历史车道线2各自对应的索引信息进行对比，由于初始车道线1和历史车道线1的索引信息均指示属于车道线A，可以确定该初始车道线1与历史车道线1匹配，也即历史车道线1为初始车道线1对应的目标历史车道线；由于初始车道线2和历史车道线2的索引信息均指示属于车道线B，可以确定该初始车道线2与历史车道线2匹配，也即历史车道线2为初始车道线2对应的目标历史车道线。
在控制设备从历史车道线集合中确定出与目标初始车道线匹配的目标历史车道线之后，可以在步骤S604中根据过拟合约束条件和平行约束条件，对目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线，并由至少一个目标车道线组成目标车道线集合。
在一个实施例中，可以根据过拟合约束条件和平行约束条件创建的车道模型对目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线。其中，每条车道线可以采用独立的车道模型，该车道模型主要用于对目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线。其中，车道模型生成目标车道线的过程，其实质就是一个不断压缩新的目标初始车道线到目标历史车道线的过程，从而实现目标初始车道线与目标历史车道线的融合。
示例性地，该车道模型对应的数学函数可以由三部分组成，第一部分为基础的最小二乘模型，用于求解目标初始车道线对应的车道线观测点云与目标历史车道线为对应的曲线方程之间的最小误差；第二部分为曲线的平滑项(对应过拟合预设条件)，可以使用对曲线方程的三阶导数平方进行积分作为平滑约束，主要用于防止过拟合；第三部分为弱平行约束项(对应平行约束条件)，主要用于对相邻两车道线间的平行状态进行约束。
进一步地，参见图7，假设控制设备从局部地图中确定出的初始车道线集合如图中的60所示，历史车道线集合如图中的61所示，控制设备确定出历史车道线1为初始车道线1对应的目标历史车道线，历史车道线2为初始车道线2对应的目标历史车道线。这种情况下，控制设备可以基于该车道模型将初始车道线1和历史车道线1对齐，融合初始车道线1和历史车道线1，得到目标车道线621；基于该车道模型将初始车道线2和历史车道线2对齐，融合初始车道线2和历史车道线2，得到目标车道线622。进一步地，所有的目标车道线(即目标车道线621和目标车道线622)组成目标车道线集合62。
其中，由于每条车道线采用独立的车道模型进行目标初始车道线和目标历史车道线的拟合，且在相邻两车道线间增加了平行状态的约束。因此，对于复杂的车道检测场景(如分岔路场景、城区场景等)，均可以保证车道线检测的准确性，从而能够更好地适用于多种车道线场景，提升了通用性。
在一个实施例中，控制设备得到目标车道线集合之后，由于得到的目标车道线均为车道边界线，进一步地，控制设备可以基于车道的属性信息对目标车道线集合中的目标车道线进行组合，得到至少一个车道，并生成车道的车道中心线，以便于辅助可移动平台驾驶。该属性信息包括车道的几何特征和/或颜色特征，该几何特征包括长度特征、宽度特征以及车道之间的平行特征中的任意一种或多种。
在本发明实施例中，控制设备可以获取可移动平台的环境图像，并根据环境图像得到所述可移动平台所处环境的局部地图，从局部地图中确定出初始车道线集合。进一步地，从初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与目标初始车道线匹配的目标历史车道线，进而根据过拟合约束条件和平行约束条件，对目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线。通过增加相邻两车道间的平行约束条件，有利于更好地适用于多种车道线场景，提升通用性。
本发明实施例提供了一种车道线检测装置，所述车道线检测装置用于执行前述任一项所述的方法的模块，具体地，参见图8，是本发明实施例提供的一种车道线检测装置的示意框图，本实施例的车道线检测装置可配置于控制设备，该控制设备可以与例如自动驾驶汽车等类型的可移动平台存在数据连接，车道线检测装置包括：获取模块80和处理模块81。
其中，获取模块80，用于获取所述可移动平台的环境图像。
处理模块81，用于根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
在一个实施例中，所述车道线位置点是通过对所述环境图像进行图像分析确定的。
在一个实施例中，所述初始车道线集合中包括的初始车道线数据是根据所述局部地图中记录的车道线位置点确定的。
在一个实施例中，处理模块81，具体用于基于图像模型识别所述环境图像中的车道线图像点；
基于所述可移动平台的位姿信息和所述环境图像得到所处环境的局部地图；
根据所述车道线图像点确定出所述局部地图中的车道线位置点。
在一个实施例中，所述局部地图为在世界坐标系下的网格地图，所述车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，所述语义信息用于表征所述车道线网格为所述车道线位置点对应的网格。
在一个实施例中，处理模块81，具体用于对所述局部地图中的各个车道线网格进行分析处理，得到所述局部地图对应的局部车道线集合，所述局部车道线集合包括至少一个局部车道线；从所述局部车道线集合中确定出初始车道线集合。
在一个实施例中，处理模块81，具体用于基于各个车道线网格的语义信息对所述局部地图中的各个车道线网格进行连通域分析处理，得到所述局部地图对应的局部车道线集合。
在一个实施例中，处理模块81，具体用于基于预设的优化算法和所述局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合；其中，所述局部车道线的权重值是根据车道线的特征信息确定的。
在一个实施例中，处理模块81，具体用于基于带权最大团算法和所述局部车道线集合中各局部车道线的权重值，优化确定出至少一条初始车道线；对所述至少一条初始车道线进行过滤处理，得到初始车道线集合。
在一个实施例中，所述车道线的特征信息包括：所述车道线的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道线之间的平行特征中的任意一种或多种。
在一个实施例中，处理模块81，具体用于从所述初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与所述目标初始车道线匹配的目标历史车道线，所述目标初始车道线为所述初始车道线集合中的任一个；
根据过拟合约束条件和平行约束条件，对所述目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线；由至少一个所述目标车道线组成目标车道线集合。
在一个实施例中，所述目标初始车道线与目标历史车道线对应的索引信息相匹配。
在一个实施例中，处理模块81，还用于基于车道的属性信息对所述目标车道线集合中的目标车道线进行组合，得到至少一个车道，并生成所述车道的车道中心线；所述属性信息包括所述车道的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道之间的平行特征中的任意一种或多种。
在一个实施例中，本实施例提供的车道线检测装置能执行前述实施例提供的如图3和图6所示的车道线检测方法，且执行方式和有益效果类似，在这里不再赘述。
本发明实施例提供了一种控制设备，所述控制设备可配置于上述实施例提及的可移动平台，其中，图9是本发明实施例提供的一种控制设备的结构图，如图9所示，所述控制设备90包括存储器901、处理器902和视觉传感器903。
其中，所述处理器902可以是中央处理器(central processing unit，CPU)。所述处理器902可以是硬件芯片。所述硬件芯片可以是专用集成电路(application-specificintegrated circuit，ASIC)，可编程逻辑器件(programmable logic device，PLD)或其组合。所述PLD可以是复杂可编程逻辑器件(complex programmable logic device，CPLD)，现场可编程逻辑门阵列(field-programmable gate array，FPGA)，通用阵列逻辑(genericarray logic，GAL)或其任意组合。
存储器901中存储有程序代码，处理器902调用存储器中的程序代码，当程序代码被执行时，处理器902执行如下操作：通过视觉传感器903获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
在一个实施例中，所述车道线位置点是通过对所述环境图像进行图像分析确定的。
在一个实施例中，所述初始车道线集合中包括的初始车道线数据是根据所述局部地图中记录的车道线位置点确定的。
在一个实施例中，处理器902，具体用于基于图像模型识别所述环境图像中的车道线图像点；
基于所述可移动平台的位姿信息和所述环境图像得到所处环境的局部地图；
根据所述车道线图像点确定出所述局部地图中的车道线位置点。
在一个实施例中，所述局部地图为在世界坐标系下的网格地图，所述车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，所述语义信息用于表征所述车道线网格为所述车道线位置点对应的网格。
在一个实施例中，处理器902，具体用于对所述局部地图中的各个车道线网格进行分析处理，得到所述局部地图对应的局部车道线集合，所述局部车道线集合包括至少一个局部车道线；从所述局部车道线集合中确定出初始车道线集合。
在一个实施例中，处理器902，具体用于基于各个车道线网格的语义信息对所述局部地图中的各个车道线网格进行连通域分析处理，得到所述局部地图对应的局部车道线集合。
在一个实施例中，处理器902，具体用于基于预设的优化算法和所述局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合；其中，所述局部车道线的权重值是根据车道线的特征信息确定的。
在一个实施例中，处理器902，具体用于基于带权最大团算法和所述局部车道线集合中各局部车道线的权重值，优化确定出至少一条初始车道线；对所述至少一条初始车道线进行过滤处理，得到初始车道线集合。
在一个实施例中，所述车道线的特征信息包括：所述车道线的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道线之间的平行特征中的任意一种或多种。
在一个实施例中，处理器902，具体用于从所述初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与所述目标初始车道线匹配的目标历史车道线，所述目标初始车道线为所述初始车道线集合中的任一个；
根据过拟合约束条件和平行约束条件，对所述目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线；由至少一个所述目标车道线组成目标车道线集合。
在一个实施例中，所述目标初始车道线与目标历史车道线对应的索引信息相匹配。
在一个实施例中，处理器902，还用于基于车道的属性信息对所述目标车道线集合中的目标车道线进行组合，得到至少一个车道，并生成所述车道的车道中心线；所述属性信息包括所述车道的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道之间的平行特征中的任意一种或多种。
本实施例提供的可移动平台能执行前述实施例提供的如图3和图6所示的车道线检测方法，且执行方式和有益效果类似，在这里不再赘述。
本发明实施例还提供一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述方法实施例所述的车道线检测方法的相关步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
以上所揭露的仅为本发明部分实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (28)
1.一种车道线检测方法，其特征在于，所述方法应用于控制设备，所述控制设备与可移动平台之间存在数据连接，该方法包括：
获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
2.根据权利要求1所述的方法，其特征在于，所述车道线位置点是通过对所述环境图像进行图像分析确定的。
3.根据权利要求1所述的方法，其特征在于，所述初始车道线集合中包括的初始车道线数据是根据所述局部地图中记录的车道线位置点确定的。
4.根据权利要求1所述的方法，其特征在于，所述根据所述环境图像得到所述可移动平台所处环境的局部地图，包括：
基于图像模型识别所述环境图像中的车道线图像点；
基于所述可移动平台的位姿信息和所述环境图像得到所处环境的局部地图；
根据所述车道线图像点确定出所述局部地图中的车道线位置点。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述局部地图为在世界坐标系下的网格地图，所述车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，所述语义信息用于表征所述车道线网格为所述车道线位置点对应的网格。
6.根据权利要求5所述的方法，其特征在于，所述从所述局部地图中确定出初始车道线集合，包括：
对所述局部地图中的各个车道线网格进行分析处理，得到所述局部地图对应的局部车道线集合，所述局部车道线集合包括至少一个局部车道线；
从所述局部车道线集合中确定出初始车道线集合。
7.根据权利要求6所述的方法，其特征在于，所述对所述局部地图中的各个车道线网格进行分析处理，得到所述局部地图对应的局部车道线集合，包括：
基于各个车道线网格的语义信息对所述局部地图中的各个车道线网格进行连通域分析处理，得到所述局部地图对应的局部车道线集合。
8.根据权利要求6所述的方法，其特征在于，所述从所述局部车道线集合中确定出初始车道线集合，包括：
基于预设的优化算法和所述局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合；
其中，所述局部车道线的权重值是根据车道线的特征信息确定的。
9.根据权利要求8所述的方法，其特征在于，所述基于预设的优化算法和所述局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合，包括：
基于带权最大团算法和所述局部车道线集合中各局部车道线的权重值，优化确定出至少一条初始车道线；
对所述至少一条初始车道线进行过滤处理，得到初始车道线集合。
10.根据权利要求8所述的方法，其特征在于，所述车道线的特征信息包括：所述车道线的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道线之间的平行特征中的任意一种或多种。
11.根据权利要求1-10任一项所述的方法，其特征在于，所述对历史车道线集合中历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合，包括：
从所述初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与所述目标初始车道线匹配的目标历史车道线，所述目标初始车道线为所述初始车道线集合中的任一个；
根据过拟合约束条件和平行约束条件，对所述目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线；
由至少一个所述目标车道线组成目标车道线集合。
12.根据权利要求11所述的方法，其特征在于，所述目标初始车道线与目标历史车道线对应的索引信息相匹配。
13.根据权利要求1-12任一项所述的方法，其特征在于，所述得到目标车道线集合之后，所述方法还包括：
基于车道的属性信息对所述目标车道线集合中的目标车道线进行组合，得到至少一个车道，并生成所述车道的车道中心线；
所述属性信息包括所述车道的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道之间的平行特征中的任意一种或多种。
14.一种车道线检测装置，其特征在于，所述装置配置于控制设备，该控制设备与可移动平台之间存在数据连接，该装置包括：
获取模块，用于获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
处理模块，用于从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
所述处理模块，还用于对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
15.一种控制设备，其特征在于，所述控制设备与可移动平台之间存在数据连接，该控制设备包括：视觉传感器和处理器，所述处理器用于：
通过所述视觉传感器获取所述可移动平台的环境图像，并根据所述环境图像得到所述可移动平台所处环境的局部地图，其中，在所述局部地图中记录了车道线位置点；
从所述局部地图中确定出初始车道线集合，所述初始车道线集合包括多个初始车道线数据；
对历史车道线集合中的历史车道线数据和所述初始车道线集合中的初始车道线数据进行拟合优化，得到目标车道线集合。
16.根据权利要求15所述的控制设备，其特征在于，所述车道线位置点是通过对所述环境图像进行图像分析确定的。
17.根据权利要求15所述的控制设备，其特征在于，所述初始车道线集合中包括的初始车道线数据是根据所述局部地图中记录的车道线位置点确定的。
18.根据权利要求15所述的控制设备，其特征在于，所述处理器，具体用于基于图像模型识别所述环境图像中的车道线图像点；基于所述可移动平台的位姿信息和所述环境图像得到所处环境的局部地图；根据所述车道线图像点确定出所述局部地图中的车道线位置点。
19.根据权利要求15-18任一项所述的控制设备，其特征在于，所述局部地图为在世界坐标系下的网格地图，所述车道线位置点对应的网格为车道线网格，每个车道线网格包括一个语义信息，所述语义信息用于表征所述车道线网格为所述车道线位置点对应的网格。
20.根据权利要求19所述的控制设备，其特征在于，所述处理器，具体用于对所述局部地图中的各个车道线网格进行分析处理，得到所述局部地图对应的局部车道线集合，所述局部车道线集合包括至少一个局部车道线；从所述局部车道线集合中确定出初始车道线集合。
21.根据权利要求20所述的控制设备，其特征在于，所述处理器，具体用于基于各个车道线网格的语义信息对所述局部地图中的各个车道线网格进行连通域分析处理，得到所述局部地图对应的局部车道线集合。
22.根据权利要求20所述的控制设备，其特征在于，所述处理器，具体用于基于预设的优化算法和所述局部车道线集合中各局部车道线的权重值，优化确定出初始车道线，得到初始车道线集合；其中，所述局部车道线的权重值是根据车道线的特征信息确定的。
23.根据权利要求22所述的控制设备，其特征在于，所述处理器，具体用于基于带权最大团算法和所述局部车道线集合中各局部车道线的权重值，优化确定出至少一条初始车道线；对所述至少一条初始车道线进行过滤处理，得到初始车道线集合。
24.根据权利要求22所述的控制设备，其特征在于，所述车道线的特征信息包括：所述车道线的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道线之间的平行特征中的任意一种或多种。
25.根据权利要求15-24任一项所述的控制设备，其特征在于，所述处理器，还具体用于从所述初始车道线集合中确定出目标初始车道线，并从历史车道线集合中确定出与所述目标初始车道线匹配的目标历史车道线，所述目标初始车道线为所述初始车道线集合中的任一个；根据过拟合约束条件和平行约束条件，对所述目标初始车道线对应的初始车道线数据和目标历史车道线对应的历史车道线数据进行拟合优化，得到目标车道线；由至少一个所述目标车道线组成目标车道线集合。
26.根据权利要求25所述的控制设备，其特征在于，所述目标初始车道线与目标历史车道线对应的索引信息相匹配。
27.根据权利要求15-26任一项所述的控制设备，其特征在于，所述处理器，还用于基于车道的属性信息对所述目标车道线集合中的目标车道线进行组合，得到至少一个车道，并生成所述车道的车道中心线；所述属性信息包括所述车道的几何特征和/或颜色特征，所述几何特征包括长度特征、宽度特征以及车道之间的平行特征中的任意一种或多种。
28.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有程序指令，当所述程序指令在处理器上运行时，实现权利要求1-13任一项所述的车道线检测方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2019/084934 WO2020220182A1 (zh) | 2019-04-29 | 2019-04-29 | 一种车道线检测方法、装置、控制设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111295666A true CN111295666A (zh) | 2020-06-16 |
Family
ID=71027421
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201980004970.XA Pending CN111295666A (zh) | 2019-04-29 | 2019-04-29 | 一种车道线检测方法、装置、控制设备及存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN111295666A (zh) |
| WO (1) | WO2020220182A1 (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215144A (zh) * | 2020-10-12 | 2021-01-12 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
| CN114691659A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 一种地图数据的优化方法、装置、设备以及存储介质 |
| CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
| WO2023124221A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国第一汽车股份有限公司 | 车辆可行驶区域的区域边缘检测方法、装置和存储介质 |
| CN116499477A (zh) * | 2023-06-21 | 2023-07-28 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112461257A (zh) * | 2019-09-09 | 2021-03-09 | 华为技术有限公司 | 一种车道线信息的确定方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100002911A1 (en) * | 2008-07-06 | 2010-01-07 | Jui-Hung Wu | Method for detecting lane departure and apparatus thereof |
| CN109426800A (zh) * | 2017-08-22 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线检测方法和装置 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6819779B1 (en) * | 2000-11-22 | 2004-11-16 | Cognex Corporation | Lane detection system and apparatus |
| CN107330376B (zh) * | 2017-06-06 | 2020-01-21 | 广州汽车集团股份有限公司 | 一种车道线识别方法及*** |
-
2019
- 2019-04-29 WO PCT/CN2019/084934 patent/WO2020220182A1/zh active Application Filing
- 2019-04-29 CN CN201980004970.XA patent/CN111295666A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100002911A1 (en) * | 2008-07-06 | 2010-01-07 | Jui-Hung Wu | Method for detecting lane departure and apparatus thereof |
| CN109426800A (zh) * | 2017-08-22 | 2019-03-05 | 北京图森未来科技有限公司 | 一种车道线检测方法和装置 |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112215144A (zh) * | 2020-10-12 | 2021-01-12 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
| CN112215144B (zh) * | 2020-10-12 | 2024-05-14 | 北京四维智联科技有限公司 | 一种处理车道线的方法及*** |
| WO2023124221A1 (zh) * | 2021-12-31 | 2023-07-06 | 中国第一汽车股份有限公司 | 车辆可行驶区域的区域边缘检测方法、装置和存储介质 |
| CN114691659A (zh) * | 2022-03-30 | 2022-07-01 | 阿波罗智联(北京)科技有限公司 | 一种地图数据的优化方法、装置、设备以及存储介质 |
| CN115240435A (zh) * | 2022-09-21 | 2022-10-25 | 广州市德赛西威智慧交通技术有限公司 | 一种基于ai技术的车辆违章行驶检测方法、装置 |
| CN116499477A (zh) * | 2023-06-21 | 2023-07-28 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
| CN116499477B (zh) * | 2023-06-21 | 2023-09-26 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020220182A1 (zh) | 2020-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11709058B2 (en) | Path planning method and device and mobile device | |
| Chen et al. | Pointlanenet: Efficient end-to-end cnns for accurate real-time lane detection | |
| CN110148196B (zh) | 一种图像处理方法、装置以及相关设备 | |
| CN111295666A (zh) | 一种车道线检测方法、装置、控制设备及存储介质 | |
| US10074020B2 (en) | Vehicular lane line data processing method, apparatus, storage medium, and device | |
| WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
| CN109579856A (zh) | 高精度地图生成方法、装置、设备及计算机可读存储介质 | |
| CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
| WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
| CN111209780A (zh) | 车道线属性检测方法、装置、电子设备及可读存储介质 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| WO2020181426A1 (zh) | 一种车道线检测方法、设备、移动平台及存储介质 | |
| KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
| CN112883820A (zh) | 基于激光雷达点云的道路目标3d检测方法及*** | |
| CN114454875A (zh) | 一种基于强化学习的城市道路自动泊车方法及*** | |
| CN112418081A (zh) | 一种空地联合快速勘察交通事故的方法及*** | |
| CN110909656B (zh) | 一种雷达与摄像机融合的行人检测方法和*** | |
| CN114898322A (zh) | 行车环境识别方法、装置、车辆及存储介质 | |
| CN113989744A (zh) | 一种基于超大尺寸高分辨图像的行人目标检测方法及*** | |
| CN114926791A (zh) | 一种路口车辆异常变道检测方法、装置、存储介质及电子设备 | |
| CN115599119A (zh) | 一种无人机的避障*** | |
| CN111222522A (zh) | 神经网络训练、路面检测、智能驾驶控制方法和装置 | |
| CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
| CN116721396A (zh) | 车道线检测方法、设备及存储介质 | |
| CN115995075A (zh) | 一种车辆自适应导航方法、装置、电子设备及存储介质 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200616 |
|
| WD01 | Invention patent application deemed withdrawn after publication |