CN111797701A - 用于车辆多传感器融合***的道路障碍物感知方法及*** - Google Patents

用于车辆多传感器融合***的道路障碍物感知方法及*** Download PDF

Info

Publication number
CN111797701A
CN111797701A CN202010526359.8A CN202010526359A CN111797701A CN 111797701 A CN111797701 A CN 111797701A CN 202010526359 A CN202010526359 A CN 202010526359A CN 111797701 A CN111797701 A CN 111797701A
Authority
CN
China
Prior art keywords
lane
vehicle
bypass
area
module
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.)
Granted
Application number
CN202010526359.8A
Other languages
English (en)
Other versions
CN111797701B (zh
Inventor
顾一新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Dongguan Zhengyang Electronic Mechanical Co ltd
Original Assignee
Dongguan Zhengyang Electronic Mechanical Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Dongguan Zhengyang Electronic Mechanical Co ltd filed Critical Dongguan Zhengyang Electronic Mechanical Co ltd
Priority to CN202010526359.8A priority Critical patent/CN111797701B/zh
Publication of CN111797701A publication Critical patent/CN111797701A/zh
Application granted granted Critical
Publication of CN111797701B publication Critical patent/CN111797701B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/867—Combination of radar systems with cameras
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Data Mining & Analysis (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种用于车辆多传感器融合***的道路障碍物感知方法及***，其中该方法包括：采集或按照设定车道宽度计算车辆左右两侧的四道车道线；根据四道车道线划分出车辆自身所在的自车车道和两旁路车道；判断旁路车道是否位于可行驶道路区域内，如果是，则将当前的旁路车道所在区域定义为感兴趣区域，如果否，则将当前的旁路车道所在区域定义为观察区域；多传感器融合***工作时，仅对观察区域内有进入感兴趣区域风险的目标物进行检测，对感兴趣区域内的所有目标物皆进行检测；多传感器融合***通过上述方法进行障碍物检测时，可过滤掉很大一部分不影响行驶路径规划的目标物，从而可大幅度降低多传感器融合***的负载，提升其工作效率。

Description

用于车辆多传感器融合***的道路障碍物感知方法及***
技术领域
本发明涉及智能驾驶障碍物检测技术领域，尤其涉及一种用于车辆多传感器融合***的道路障碍物感知方法及***。
背景技术
随着通信和传感器技术的不断发展，车辆智能驾驶技术逐渐完善。现阶段，智能驾驶车辆的感知功能多采用多传感器融合***实现，而多传感器融合***采用的传感器又大多为摄像头和雷达，而这两种传感器在探测目标物时存在着大量的干扰目标数据，原因有：
1.雷达可以探测到车辆行驶道路上所有属于传感器检测范围的障碍物，而车辆行驶环境中的障碍物来源复杂多样，包括车辆、行人、非机动车辆以及其他障碍物(栅栏、交通指示牌等)，所以会返回大量无效的目标数据(实际对驾驶行为无影响的目标物)；
2.由于雷达的自身的工作特点，还有可能会出现虚假目标；
3.在车辆行驶过程中，车辆的稳定性不同的路况下会有所不同，因此车辆可能出现颠簸或者晃动的情况，此时雷达的检测信号可能会出现丢失的现象，这会导致目标信息出现大的波动。
这些无效目标数据及虚假目标数据的输入会引起多传感器融合***ECU计算量负荷变大，处理效率变低。因此，需要对传感器检测信息进行处理，对车辆行驶区域进行ROI划分，为多传感器融合***提供有效的过滤条件。
发明内容
本发明的目的是为解决上述技术问题的不足而提供一种用于车辆多传感器融合***的道路障碍物感知方法，为多传感器融合***提供有效的过滤条件，提高多传感器融合***的处理效率。
本发明的另一目的是提供一种用于车辆多传感器融合***的道路障碍物感知***，为多传感器融合***提供有效的过滤条件，提高多传感器融合***的处理效率。
为了实现上述目的，本发明公开了一种用于车辆多传感器融合***的道路障碍物感知方法，其包括：
采集或按照设定车道宽度计算车辆左右两侧的四道车道线；
根据四道所述车道线划分出所述车辆自身所在的自车车道和分别位于所述自车车道左右两侧的旁路车道；
判断所述旁路车道是否位于可行驶道路区域内，如果是，则将当前的旁路车道所在区域定义为感兴趣区域，如果否，则将当前的旁路车道所在区域定义为观察区域；
两所述旁路车道向外延伸的区域为与所述多传感器融合***无关的无关区域；
所述多传感器融合***工作时，仅对所述观察区域内有进入所述感兴趣区域风险的目标物进行检测，对所述感兴趣区域内的所有目标物皆进行检测。
与现有技术相比，本发明用于车辆多传感器融合***的道路障碍物感知方法，通过采集或计算车道线的方式找出车辆行驶区域的并排的三个车道区，即自车车道和位于自车车道两侧的旁路车道，并根据旁路车道是否位于可行驶道路区域，将旁路车道定义为观察区域或感兴趣区域，而对于旁路车道之外的区域直接定位为无关区域，多传感器融合***工作时，对无关区域内的目标物无须处理，对于观察区域内的目标物，仅对有进入感兴趣区域风险的目标物进行检测，只有对感兴趣区域内的目标物才进行全面检测，这样，可过滤掉很大一部分不影响行驶路径规划的目标物，从而可大幅度降低多传感器融合***的负载，提升其工作效率。
较佳地，以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测出所述车辆左右两侧的虚拟的所述车道线，以得出虚拟的所述旁路车道；判断虚拟的所述旁路车道是否位于可行驶道路区域的方法包括：
检测所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值，如果否，则当前检测的旁路车道位于所述可行驶道路区域内，如果是，则当前检测的旁路车道位于所述可行驶道路区域之外。
较佳地，通过安装在车辆上的视觉传感器获取车辆左右两侧路面上实际存在的所述车道线，以识别出实际存在的所述旁路车道，通过所述视觉传感器获取到的车道线直接识别所述旁路车道是否位于可行驶道路区域内。
较佳地，当所述视觉传感器返回的所述车道线信息为空或所述车道线清晰度不够时，以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线，以得出虚拟的所述旁路车道；判断虚拟的所述旁路车道是否位于可行驶道路区域的方法包括：
检测所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值，如果否，则当前检测的旁路车道位于所述可行驶道路区域内，如果是，则当前检测的旁路车道位于所述可行驶道路区域之外。
本发明还公开一种用于车辆多传感器融合***的道路障碍物感知***，其特包括：车道线采集模块、车道划分模块、判断模块和区域设置模块；
所述车道线采集模块，用于采集或按照设定车道宽度计算车辆左右两侧的四道车道线；
所述车道划分模块，用于根据所述车道线采集模块输出的四道所述车道线划分车道，以形成所述车辆自身所在的自车车道和分别位于所述自车车道左右两侧的旁路车道；
所述判断模块，用于判断所述旁路车道是否位于可行驶道路区域内；
所述区域设置模块，用于将两所述旁路车道向外延伸的区域设置为与所述多传感器融合***无关的无关区域，并根据所述判断模块的输出结果将所述旁路车道设置为观察区域或感兴趣区域；
所述多传感器融合***，仅对所述观察区域内有进入所述感兴趣区域风险的目标物进行检测，对所述感兴趣区域内的所有目标物皆进行检测。
较佳地，所述车道线采集模块包括第一采集模块，所述第一采集模块以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线；所述车道划分模块通过所述第一采集模块输出的虚拟的所述车道线划分出相应的虚拟的旁路车道；所述判断模块包括第一判断模块，所述第一判断模块通过检测虚拟的所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值来判断所述旁路车道是否位于可行驶道路区域内。
较佳地，所述车道线采集模块还包括第二采集模块，所述第二采集模块通过视觉传感器获取路面上所述车道线，所述车道划分模块通过所述视觉传感器返回的所述车道线信息识别出相应的路面上实际存在的旁路车道；所述判断模块包括第二判断模块，所述第二判断模块通过所述视觉传感器获取到的车道线信息直接识别路面上实际存在的所述旁路车道是否位于可行驶道路区域内。
较佳地，当所述视觉传感器返回的所述车道线信息为空或车道线清晰度不够时，通过第一采集模块采集所述车道线，通过第一判断模块判断所述旁路车道是否位于可行驶道路区域内；所述第一采集模块以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线，所述车道划分模块通过所述第一采集模块输出的虚拟的所述车道线划分出相应的虚拟的旁路车道；所述第一判断模块通过检测虚拟的所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值来判断所述旁路车道是否位于可行驶道路区域内。
另外，本发明还公开一种用于车辆多传感器融合***的道路障碍物感知***，其包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的用于车辆多传感器融合***的道路障碍物感知方法的指令。
本发明还公开一种计算机可读存储介质，其包括测试用计算机程序，所述计算机程序可被处理器执行以完成如上所述的用于车辆多传感器融合***的道路障碍物感知方法。
附图说明
图1为本发明其中一实施例用于车辆多传感器融合***的道路障碍物感知方法流程图。
图2为本发明实施例中车道划分示意图。
图3为发明另一实施例用于车辆多传感器融合***的道路障碍物感知方法流程图。
图4为发明实施例用于车辆多传感器融合***的道路障碍物感知***结构示意图。
具体实施方式
为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。
如图1所示，本发明公开了一种用于车辆多传感器融合***的道路障碍物感知方法，具体如下：
首先，采集或按照设定车道宽度计算车辆左右两侧的四道车道线；
然后，根据四道车道线构成车辆自身所在的自车车道和分别位于自车车道左右两侧的旁路车道；
接着，判断旁路车道是否位于可行驶道路区域内，如果是，则将当前的旁路车道所在区域定义为感兴趣区域，如果否，则将当前的旁路车道所在区域定义为观察区域；两旁路车道向外延伸的区域为与多传感器融合***无关的无关区域；
多传感器融合***工作时，仅对观察区域内有进入感兴趣区域风险的目标物进行检测，对感兴趣区域内的所有目标物皆进行检测。本实施例中，对风险的判断条件是：目标物存在进入感兴趣区域的水平速度，且该水平速度朝向感兴趣区域方向。为避免因雷达探测特性造成的水平速度浮动，还可根据雷达特性设置水平速度的检测阈值。
对于上述实施例中的两个旁路车道的划分，本发明公开下述两种具体的实施例：
旁路车道划分实施例一，如图2，以车辆所在位置为中轴线L0，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测车辆左右两侧的虚拟的车道线，以得出虚拟的旁路车道。如，当设定车道宽度为标准的3.75m时，通过基于几何关系的车辆轨迹预测算法预测对于车辆中轴线L0左侧距离1.875m和5.625m的车道线L1、L2，以及右侧距离1.875m和5.625m的车道线L3、L4，车道线L1、L3构成自车车道C0，车道线L1、L2和L3、L4构成两虚拟的旁路车道C1、C2。另外需要说明的是，本实施例中的基于几何关系的车辆轨迹预测算法为本领域的公知常识，在此不再赘述。
对于虚拟的旁路车道C1、C2，通过边缘道路判别法判断其是否位于可行驶道路区域，具体包括：以旁路车道C1为例，通过雷达(或其他探测器)检测旁路车道C1内的静止目标物个数是否大于单车道最大障碍物阈值，如果否，则当前检测的旁路车道C1位于可行驶道路区域内，如果是，则当前检测的旁路车道C1位于可行驶道路区域之外。本实施例中需要说明的是，对于单车道最大障碍物阈值，针对不同道路环境(高速路、二级公路等)，具体的最大障碍物阈值不同，该最大障碍物阈值可通过采集道路大数据进行数据分析获取，且可根据车辆所行驶的道路环境自动识别并调节到与之所对应的最大障碍物阈值。
旁路车道划分实施例二，通过安装在车辆上的视觉传感器(可优选为摄像头)获取车辆左右两侧路面上实际存在的车道线，以识别出实际存在的旁路车道。对于通过视觉传感器识别到的实际存在的旁路车道来说，由于车道线是真实存在的，因此可通过视觉传感器获取到的车道线直接判断旁路车道是否位于可行驶道路区域内。具体地，当视觉传感器返回包含车道线的图片数据后，通过对图片的处理识别出路面上的车道线。
具体地，当多传感器融合感知***为雷达组网***(简称为RR***)时，以上述旁路车道划分实施例一的划分方式对车道进行划分，通过边缘道路判别法判断旁路车道是否位于可行驶道路区域内。
当多传感器融合感知***为视觉传感器和雷达混合的异质传感器***(简称为RC***)时，以旁路车道划分实施例二的划分方式对车道进行划分。另外需要说明的是，对于RC***，当视觉传感器返回的车道线信息为空或车道线清晰度不够时，可自动以旁路车道划分实施例一的划分方式对车道进行划分以及相应的可行驶道路区域的判断工作。
综上，如图3，本发明用于车辆多传感器融合***的道路障碍物感知方法的具体执行流程为：
S1、判断多传感器融合***的类型，若为RR***，则进入S2，若为RC***时，则进入S3；
S2：
S20、通过基于几何关系的车辆轨迹预测算法计算出四条车道线，从而得到虚拟的自车车道和两个旁路车道；
S21、对旁路车道1执行边缘道路判别法，如果旁路车道1内的静止目标物个数大于单车道最大障碍物阈值，旁路车道1被定义为观察区域，如果旁路车道1内的静止目标物个数不大于单车道最大障碍物阈值，旁路车道1被定义为感兴趣区域；
S22、对旁路车道2执行边缘道路判别法，如果旁路车道2内的静止目标物个数大于单车道最大障碍物阈值，旁路车道2被定义为观察区域，如果旁路车道2内的静止目标物个数不大于单车道最大障碍物阈值，旁路车道2被定义为感兴趣区域；
S3：
S30、视觉传感器是否返回车辆两侧清晰的车道线信息，如果是，则进入S31，如图否，则进入S32；
S31、根据视觉传感器返回的车道线信息直接识别出自车车道和旁路车道，并完成对两个旁路车道的定义；
S32、视觉传感器是否返回车辆一侧清晰的车道线信息，如果否，根据步骤S2对两个旁路车道进行划分和定义，如果是，则进入S33；
S33、根据视觉传感器返回的车道线信息直接得到其中一侧的旁路车道1，并完成对该旁路车道1的定义，通过基于几何关系的车辆轨迹预测算法计算出另一侧的两条车道线，从而得到虚拟的旁路车道2，然后通过边缘道路判别法对旁路车道2进行定义；
S4、多传感器融合***根据对旁路车道的定义进行目标物检测，即对定义为感兴趣区域的旁路车道内的所有目标物进行检测，对于定义为观察区域的旁路车道内的有进入感兴趣区域风险的目标物进行检测，对感兴趣区域内的所有目标物皆进行检测。
如图4所示，本发明还公开了一种用于车辆多传感器融合***的道路障碍物感知***，其包括：车道线采集模块、车道划分模块、判断模块和区域设置模块；车道线采集模块用于采集或按照设定车道宽度计算车辆左右两侧的四道车道线；车道划分模块用于根据车道线采集模块输出的四道车道线划分车道，以形成车辆自身所在的自车车道和分别位于自车车道左右两侧的旁路车道；判断模块用于判断旁路车道是否位于可行驶道路区域内；区域设置模块用于将两旁路车道向外延伸的区域设置为与多传感器融合***无关的无关区域，并根据判断模块的输出结果将旁路车道设置为观察区域或感兴趣区域；多传感器融合***仅对观察区域内有进入感兴趣区域风险的目标物进行检测，对感兴趣区域内的所有目标物皆进行检测。较佳地，车道线采集模块包括第一采集模块，第一采集模块以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测车辆左右两侧的虚拟的车道线；车道划分模块通过第一采集模块输出的虚拟的车道线划分出相应的虚拟的旁路车道；判断模块包括第一判断模块，第一判断模块通过检测虚拟的旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值来判断旁路车道是否位于可行驶道路区域内。车道线采集模块还包括第二采集模块，第二采集模块通过视觉传感器获取路面上车道线，车道划分模块通过视觉传感器返回的车道线信息划分出相应的路面上实际存在的旁路车道；判断模块包括第二判断模块，第二判断模块通过视觉传感器获取到的车道线信息直接识别路面上实际存在的旁路车道是否位于可行驶道路区域内。另外，当视觉传感器返回的车道线信息为空或车道线清晰度不够时，通过第一采集模块采集车道线，通过第一判断模块判断旁路车道是否位于可行驶道路区域内。关于本实施例中用于车辆多传感器融合***的道路障碍物感知***的工作流程详见上述用于车辆多传感器融合***的道路障碍物感知方法，在此不再赘述。
另外，本发明还公开一种用于车辆多传感器融合***的道路障碍物感知***，其包括一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如上所述的用于车辆多传感器融合***的道路障碍物感知方法的指令。
本发明还公开一种计算机可读存储介质，其包括测试用计算机程序，所述计算机程序可被处理器执行以完成如上所述的用于车辆多传感器融合***的道路障碍物感知方法。
以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种用于车辆多传感器融合***的道路障碍物感知方法，其特征在于，包括：
采集或按照设定车道宽度计算车辆左右两侧的四道车道线；
根据四道所述车道线划分出所述车辆自身所在的自车车道和分别位于所述自车车道左右两侧的旁路车道；
判断所述旁路车道是否位于可行驶道路区域内，如果是，则将当前的旁路车道所在区域定义为感兴趣区域，如果否，则将当前的旁路车道所在区域定义为观察区域；
两所述旁路车道向外延伸的区域为与所述多传感器融合***无关的无关区域；
所述多传感器融合***工作时，仅对所述观察区域内有进入所述感兴趣区域风险的目标物进行检测，对所述感兴趣区域内的所有目标物皆进行检测。
2.根据权利要求1所述的用于车辆多传感器融合***的道路障碍物感知方法，其特征在于，以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测出所述车辆左右两侧的虚拟的所述车道线，以得出虚拟的所述旁路车道；判断虚拟的所述旁路车道是否位于可行驶道路区域的方法包括：
检测所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值，如果否，则当前检测的旁路车道位于所述可行驶道路区域内，如果是，则当前检测的旁路车道位于所述可行驶道路区域之外。
3.根据权利要求1所述的用于车辆多传感器融合***的道路障碍物感知方法，其特征在于，通过安装在车辆上的视觉传感器获取车辆左右两侧路面上实际存在的所述车道线，以识别出实际存在的所述旁路车道，通过所述视觉传感器获取到的车道线直接识别所述旁路车道是否位于可行驶道路区域内。
4.根据权利要求3所述的用于车辆多传感器融合***的道路障碍物感知方法，其特征在于，当所述视觉传感器返回的所述车道线信息为空或所述车道线清晰度不够时，以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线，以得出虚拟的所述旁路车道；判断虚拟的所述旁路车道是否位于可行驶道路区域的方法包括：
检测所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值，如果否，则当前检测的旁路车道位于所述可行驶道路区域内，如果是，则当前检测的旁路车道位于所述可行驶道路区域之外。
5.一种用于车辆多传感器融合***的道路障碍物感知***，其特征在于，包括：车道线采集模块、车道划分模块、判断模块和区域设置模块；
所述车道线采集模块，用于采集或按照设定车道宽度计算车辆左右两侧的四道车道线；
所述车道划分模块，用于根据所述车道线采集模块输出的四道所述车道线划分车道，以形成所述车辆自身所在的自车车道和分别位于所述自车车道左右两侧的旁路车道；
所述判断模块，用于判断所述旁路车道是否位于可行驶道路区域内；
所述区域设置模块，用于将两所述旁路车道向外延伸的区域设置为与所述多传感器融合***无关的无关区域，并根据所述判断模块的输出结果将所述旁路车道设置为观察区域或感兴趣区域；
所述多传感器融合***，仅对所述观察区域内有进入所述感兴趣区域风险的目标物进行检测，对所述感兴趣区域内的所有目标物皆进行检测。
6.根据权利要求5所述的用于车辆多传感器融合***的道路障碍物感知***，其特征在于，所述车道线采集模块包括第一采集模块，所述第一采集模块以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线；所述车道划分模块通过所述第一采集模块输出的虚拟的所述车道线划分出相应的虚拟的旁路车道；所述判断模块包括第一判断模块，所述第一判断模块通过检测虚拟的所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值来判断所述旁路车道是否位于可行驶道路区域内。
7.根据权利要求5所述的用于车辆多传感器融合***的道路障碍物感知***，其特征在于，所述车道线采集模块还包括第二采集模块，所述第二采集模块通过视觉传感器获取路面上所述车道线，所述车道划分模块通过所述视觉传感器返回的所述车道线信息识别出相应的路面上实际存在的旁路车道；所述判断模块包括第二判断模块，所述第二判断模块通过所述视觉传感器获取到的车道线信息直接识别路面上实际存在的所述旁路车道是否位于可行驶道路区域内。
8.根据权利要求7所述的用于车辆多传感器融合***的道路障碍物感知***，其特征在于，当所述视觉传感器返回的所述车道线信息为空或车道线清晰度不够时，通过第一采集模块采集所述车道线，通过第一判断模块判断所述旁路车道是否位于可行驶道路区域内；所述第一采集模块以车辆所在位置为中轴线，通过基于几何关系的车辆轨迹预测算法，以设定的车道宽度预测所述车辆左右两侧的虚拟的所述车道线，所述车道划分模块通过所述第一采集模块输出的虚拟的所述车道线划分出相应的虚拟的旁路车道；所述第一判断模块通过检测虚拟的所述旁路车道内的静止目标物个数是否大于单车道最大障碍物阈值来判断所述旁路车道是否位于可行驶道路区域内。
9.一种用于车辆多传感器融合***的道路障碍物感知***，其特征在于，包括：
一个或多个处理器；
存储器；
以及一个或多个程序，其中一个或多个程序被存储在所述存储器中，并且被配置成由所述一个或多个处理器执行，所述程序包括用于执行如权利要求1至4任一项所述的用于车辆多传感器融合***的道路障碍物感知方法的指令。
10.一种计算机可读存储介质，其特征在于，包括测试用计算机程序，所述计算机程序可被处理器执行以完成如权利要求1至4任一项所述的用于车辆多传感器融合***的道路障碍物感知方法。
CN202010526359.8A 2020-06-10 2020-06-10 用于车辆多传感器融合***的道路障碍物感知方法及*** Active CN111797701B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010526359.8A CN111797701B (zh) 2020-06-10 2020-06-10 用于车辆多传感器融合***的道路障碍物感知方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010526359.8A CN111797701B (zh) 2020-06-10 2020-06-10 用于车辆多传感器融合***的道路障碍物感知方法及***

Publications (2)

Publication Number Publication Date
CN111797701A true CN111797701A (zh) 2020-10-20
CN111797701B CN111797701B (zh) 2024-05-24

Family

ID=72804271

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010526359.8A Active CN111797701B (zh) 2020-06-10 2020-06-10 用于车辆多传感器融合***的道路障碍物感知方法及***

Country Status (1)

Country Link
CN (1) CN111797701B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112706785A (zh) * 2021-01-29 2021-04-27 重庆长安汽车股份有限公司 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质
CN114084129A (zh) * 2021-10-13 2022-02-25 武汉光庭信息技术股份有限公司 一种基于融合的车辆自动驾驶控制方法及***
CN116933218A (zh) * 2023-07-13 2023-10-24 广州汽车集团股份有限公司 一种感知数据融合方法、***、存储介质及车辆

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050165550A1 (en) * 2004-01-23 2005-07-28 Ryuzo Okada Obstacle detection apparatus and a method therefor
JP2006133956A (ja) * 2004-11-04 2006-05-25 Honda Motor Co Ltd 車両用制御対象判定装置
US20100131153A1 (en) * 2007-05-11 2010-05-27 Toyota Jidosha Kabushiki Kaisha Object detecting device, and object detecting method
KR20130128162A (ko) * 2012-05-16 2013-11-26 (주)베라시스 관심영역 분할을 통한 곡선차선 검출장치 및 그 방법
CN103455820A (zh) * 2013-07-09 2013-12-18 河海大学 基于机器视觉技术的车辆检测和跟踪方法及***
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN105620489A (zh) * 2015-12-23 2016-06-01 深圳佑驾创新科技有限公司 驾驶辅助***及车辆实时预警提醒方法
CN107300916A (zh) * 2016-04-14 2017-10-27 沃尔沃汽车公司 用于监控和调节自主车辆的融合***的性能的方法和设备
CN108960183A (zh) * 2018-07-19 2018-12-07 北京航空航天大学 一种基于多传感器融合的弯道目标识别***及方法
CN109271857A (zh) * 2018-08-10 2019-01-25 广州小鹏汽车科技有限公司 一种伪车道线剔除方法及装置
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
CN109583416A (zh) * 2018-12-11 2019-04-05 广州小鹏汽车科技有限公司 伪车道线识别方法及***
CN109849910A (zh) * 2018-12-21 2019-06-07 重庆长安汽车股份有限公司 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质
CN110319846A (zh) * 2018-03-30 2019-10-11 郑州宇通客车股份有限公司 一种用于车辆的可行驶区域提取方法及***
CN110647801A (zh) * 2019-08-06 2020-01-03 北京汽车集团有限公司 设置感兴趣区域的方法、装置、存储介质及电子设备

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050165550A1 (en) * 2004-01-23 2005-07-28 Ryuzo Okada Obstacle detection apparatus and a method therefor
JP2006133956A (ja) * 2004-11-04 2006-05-25 Honda Motor Co Ltd 車両用制御対象判定装置
US20100131153A1 (en) * 2007-05-11 2010-05-27 Toyota Jidosha Kabushiki Kaisha Object detecting device, and object detecting method
KR20130128162A (ko) * 2012-05-16 2013-11-26 (주)베라시스 관심영역 분할을 통한 곡선차선 검출장치 및 그 방법
CN103455820A (zh) * 2013-07-09 2013-12-18 河海大学 基于机器视觉技术的车辆检测和跟踪方法及***
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN105620489A (zh) * 2015-12-23 2016-06-01 深圳佑驾创新科技有限公司 驾驶辅助***及车辆实时预警提醒方法
CN107300916A (zh) * 2016-04-14 2017-10-27 沃尔沃汽车公司 用于监控和调节自主车辆的融合***的性能的方法和设备
CN110319846A (zh) * 2018-03-30 2019-10-11 郑州宇通客车股份有限公司 一种用于车辆的可行驶区域提取方法及***
CN108960183A (zh) * 2018-07-19 2018-12-07 北京航空航天大学 一种基于多传感器融合的弯道目标识别***及方法
CN109271857A (zh) * 2018-08-10 2019-01-25 广州小鹏汽车科技有限公司 一种伪车道线剔除方法及装置
CN109556615A (zh) * 2018-10-10 2019-04-02 吉林大学 基于自动驾驶的多传感器融合认知的驾驶地图生成方法
CN109583416A (zh) * 2018-12-11 2019-04-05 广州小鹏汽车科技有限公司 伪车道线识别方法及***
CN109849910A (zh) * 2018-12-21 2019-06-07 重庆长安汽车股份有限公司 无人驾驶车辆多目标决策控制方法、装置及计算机可读存储介质
CN110647801A (zh) * 2019-08-06 2020-01-03 北京汽车集团有限公司 设置感兴趣区域的方法、装置、存储介质及电子设备

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112706785A (zh) * 2021-01-29 2021-04-27 重庆长安汽车股份有限公司 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质
CN114084129A (zh) * 2021-10-13 2022-02-25 武汉光庭信息技术股份有限公司 一种基于融合的车辆自动驾驶控制方法及***
CN116933218A (zh) * 2023-07-13 2023-10-24 广州汽车集团股份有限公司 一种感知数据融合方法、***、存储介质及车辆

Also Published As

Publication number Publication date
CN111797701B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN111797701B (zh) 用于车辆多传感器融合***的道路障碍物感知方法及***
US8428305B2 (en) Method for detecting a clear path through topographical variation analysis
EP2118818B1 (en) Video-based road departure warning
US7327855B1 (en) Vision-based highway overhead structure detection system
US8605947B2 (en) Method for detecting a clear path of travel for a vehicle enhanced by object detection
CN111932901B (zh) 道路车辆跟踪检测设备、方法及存储介质
CN111382768A (zh) 多传感器数据融合方法和装置
CN109634282A (zh) 自动驾驶车辆、方法和装置
CN110356339B (zh) 一种变道盲区监测方法、***及车辆
WO2021259260A1 (zh) 一种制动等级的评估方法、装置、车辆和存储介质
CN108960083B (zh) 基于多传感器信息融合的自动驾驶目标分类方法及***
CN111222441B (zh) 基于车路协同的点云目标检测和盲区目标检测方法及***
CN112101316B (zh) 一种目标检测方法及***
Musleh et al. Uv disparity analysis in urban environments
US11423661B2 (en) Object recognition apparatus
CN114296095A (zh) 自动驾驶车辆的有效目标提取方法、装置、车辆及介质
CN114675295A (zh) 一种障碍物判定的方法、装置、设备及存储介质
US20200257910A1 (en) Method for automatically identifying parking areas and/or non-parking areas
CN112415532B (zh) 灰尘检测方法、距离检测装置以及电子设备
US20210303875A1 (en) Detecting debris in a vehicle path
CN111959515A (zh) 一种基于视觉检测的前向目标选择方法、装置及***
CN105730330B (zh) 行车安全***及其障碍物筛选方法
Morales Rosales et al. On-road obstacle detection video system for traffic accident prevention
CN114675272A (zh) 一种雷达监测优化方法、装置和车辆
CN111091148B (zh) 一种基于目标先验信息的车载雷达目标跟踪方法及装置

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
CB02 Change of applicant information

Address after: Room 101, No. 1, East Ring 3rd Street, Jitiagang, Huangjiang Town, Dongguan City, Guangdong Province, 523000

Applicant after: Guangdong Zhengyang Sensor Technology Co.,Ltd.

Address before: 523000 Jitigang Village, Huangjiang Town, Dongguan City, Guangdong Province

Applicant before: DONGGUAN ZHENGYANG ELECTRONIC MECHANICAL Co.,Ltd.

CB02 Change of applicant information
GR01 Patent grant
GR01 Patent grant