CN113298026A - 车道线确定方法和***、车辆以及存储介质 - Google Patents

车道线确定方法和***、车辆以及存储介质 Download PDF

Info

Publication number
CN113298026A
CN113298026A CN202110659852.1A CN202110659852A CN113298026A CN 113298026 A CN113298026 A CN 113298026A CN 202110659852 A CN202110659852 A CN 202110659852A CN 113298026 A CN113298026 A CN 113298026A
Authority
CN
China
Prior art keywords
lane line
point cloud
lane
registered
registration
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
Application number
CN202110659852.1A
Other languages
English (en)
Inventor
孙思忱
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.)
Weilai Automobile Technology Anhui Co Ltd
NIO Technology Anhui Co Ltd
Original Assignee
Weilai Automobile Technology Anhui 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 Weilai Automobile Technology Anhui Co Ltd filed Critical Weilai Automobile Technology Anhui Co Ltd
Priority to CN202110659852.1A priority Critical patent/CN113298026A/zh
Publication of CN113298026A publication Critical patent/CN113298026A/zh
Priority to EP22165389.2A priority patent/EP4105829A1/en
Priority to US17/839,692 priority patent/US20220398854A1/en
Pending legal-status Critical Current

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
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/38—Registration of image sequences
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • G06T2207/30256—Lane; Road marking

Landscapes

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

Abstract

本申请涉及车道线确定方法、车道线确定方法***、车辆以及存储介质，所述车道线确定方法包括：在车辆坐标系下捕捉当前地点的道路图像；识别所述道路图像并生成关于所述当前地点的基础车道线；提取关于所述当前地点的地图车道线；将所述地图车道线映射至所述车辆坐标系从而得到辅助车道线；配准所述基础车道线与所述辅助车道线，所述配准基于所述基础车道线的置信度执行；以及根据配准后的所述辅助车道线和所述基础车道线生成目标车道线。所述车道线确定方法可以根据条件利用地图车道线对视觉捕捉的车道线进行修正等操作，从而提高车道线识别的准确率。

Description

车道线确定方法和***、车辆以及存储介质
技术领域
本申请涉及车道识别领域，具体而言，涉及车道线确定方法、车道线确定方法***、车辆以及存储介质。
背景技术
在辅助驾驶功能中，对本车所在（当前）车道及相邻车道的准确稳定识别是众多控制功能的基础，而对车道的识别与构建则十分依赖对车道线的探测能力。目前具备辅助驾驶功能的车辆多使用摄像头对车辆前方一定范围内车道线进行探测，并以此探测结果进行车道构建。由于摄像头探测受实际场景、天气光照等环境因素以及周围其他车辆影响，其探测结果相比真实物理世界相比可能会存在缺失、错误，进而造成车辆无法构建正确的车道信息，最终导致辅助驾驶功能退出。这有可能甚至危及行车安全。
发明内容
本申请的实施例提供了一种车道线确定方法、车道线确定方法***、车辆以及存储介质，其可以根据条件利用地图车道线对视觉捕捉的车道线进行修正。
根据本申请的一方面，提供一种车道线确定方法，包括：在车辆坐标系下捕捉当前地点的道路图像；识别所述道路图像并生成关于所述当前地点的基础车道线；提取关于所述当前地点的地图车道线；将所述地图车道线映射至所述车辆坐标系从而得到辅助车道线；配准所述基础车道线与所述辅助车道线，所述配准基于所述基础车道线的置信度执行；以及根据配准后的所述辅助车道线和所述基础车道线生成目标车道线。
在本申请的一些实施例中，可选地，配准所述基础车道线与所述辅助车道线包括：将所述基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及根据所述待配准车道线中的至少部分来配准所述基础车道线与所述辅助车道线。
在本申请的一些实施例中，可选地，配准所述基础车道线与所述辅助车道线包括：根据所述辅助车道线中的点云生成待配准点云组；针对所述待配准车道线中的每一条：计算所述待配准点云组与当前待配准车道线的相对距离；以及将相对距离最低并且小于第二阈值的待配准点云组作为所述当前待配准车道线的配准点云组。
在本申请的一些实施例中，可选地，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：针对所述待配准车道线，若其中不存在所述配准点云组的比例超过第三阈值，则以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，配准所述基础车道线与所述辅助车道线包括：针对存在所述配准点云组的所述待配准车道线，执行其与对应的所述配准点云组的点云配准，所述点云配准包括：将对应于所述道路图像的预定视场的各所述待配准车道线离散化，并作为所述点云配准的目标点云，其中离散化的密度大于所述配准点云组的点云密度；将对应于所述预定视场的所述配准点云组作为所述点云配准的起始点云；以及通过迭代方式确定所述起始点云到所述目标点云的平移/旋转参数。
在本申请的一些实施例中，可选地，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：若所述平移/旋转参数超过既定的阈值，则以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：在所述点云配准过程中，若根据所述平移/旋转参数对所述起始点云进行变换得到的点云与所述目标点云之间的剩余误差超过第四阈值，则以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，配准所述基础车道线与所述辅助车道线包括：根据所述平移/旋转参数将所述辅助车道线与所述基础车道线配准；以及根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：针对所述基础车道线中的每一条：计算所述配准后的所述辅助车道线中的点云组与当前基础车道线的相对距离；将相对距离最低的点云组作为所述当前基础车道线的标定点云组；以及以所述标定点云组对所述当前基础车道线进行修正。
在本申请的一些实施例中，可选地，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：对于所述基础车道线中长度小于第五阈值的车道线，若其存在所述标定点云组，则使用所述标定点云组拟合出第一车道曲线，并以所述第一车道曲线对其进行补充。
在本申请的一些实施例中，可选地，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：对于所述基础车道线中置信度小于第六阈值的第一车道线，若所述第一车道线存在所述标定点云组，则以所述标定点云组拟合出第二车道曲线，并以所述第二车道曲线的拟合参数作为所述第一车道线的参数；和/或对于所述基础车道线中不存在所述标定点云组的第二车道线，若：所述第二车道线与配准后的所述辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；且所述基础车道线与配准后的所述辅助车道线的相对距离小于第八阈值；则：以所述重叠部分中的点云组拟合出第三车道曲线，并以所述第三车道曲线的拟合参数作为所述第二车道线的参数。
根据本申请的另一方面，提供一种车道线确定***，包括：捕捉单元，其配置成在车辆坐标系下捕捉当前地点的道路图像；识别单元，其配置成对所述道路图像进行识别并生成关于所述当前地点的基础车道线；提取单元，其配置成提取关于所述当前地点的地图车道线；映射单元，其配置成将所述地图车道线映射至所述车辆坐标系从而得到辅助车道线；配准单元，其配置成配准所述基础车道线与所述辅助车道线，所述配准基于所述基础车道线的置信度执行；以及确定单元，其配置成根据配准后的所述辅助车道线和所述基础车道线生成目标车道线。
在本申请的一些实施例中，可选地，所述配准单元进一步配置成：将所述基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及根据所述待配准车道线中的至少部分来配准所述基础车道线与所述辅助车道线。
在本申请的一些实施例中，可选地，所述配准单元进一步配置成：根据所述辅助车道线中的点云生成待配准点云组；针对所述待配准车道线中的每一条：计算所述待配准点云组与当前待配准车道线的相对距离；以及将相对距离最低并且小于第二阈值的待配准点云组作为所述当前待配准车道线的配准点云组。
在本申请的一些实施例中，可选地，所述确定单元进一步配置成：针对所述待配准车道线，若其中不存在所述配准点云组的比例超过第三阈值，则指示所述确定单元以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，所述配准单元进一步配置成：针对存在所述配准点云组的所述待配准车道线，执行其与对应的所述配准点云组的点云配准，所述点云配准包括：将对应于所述道路图像的预定视场的各所述待配准车道线离散化，并作为所述点云配准的目标点云，其中离散化的密度大于所述配准点云组的点云密度；将对应于所述预定视场的所述配准点云组作为所述点云配准的起始点云；以及通过迭代方式确定所述起始点云到所述目标点云的平移/旋转参数。
在本申请的一些实施例中，可选地，所述确定单元进一步配置成在所述平移/旋转参数超过既定的阈值的情况下，以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，所述确定单元进一步配置成在所述配准单元根据所述平移/旋转参数对所述起始点云进行变换得到的点云与所述目标点云之间的剩余误差超过第四阈值的情况下，以所述基础车道线作为所述目标车道线输出。
在本申请的一些实施例中，可选地，所述配准单元进一步配置成：根据所述平移/旋转参数将所述辅助车道线与所述基础车道线配准；以及所述确定单元进一步配置成针对所述基础车道线中的每一条：计算所述配准后的所述辅助车道线中的点云组与当前基础车道线的相对距离；将相对距离最低的点云组作为所述当前基础车道线的标定点云组；以及以所述标定点云组对所述当前基础车道线进行修正。
在本申请的一些实施例中，可选地，所述确定单元进一步配置成：对于所述基础车道线中长度小于第五阈值的车道线，若其存在所述标定点云组，则使用所述标定点云组拟合出第一车道曲线，并以所述第一车道曲线对其进行补充。
在本申请的一些实施例中，可选地，所述确定单元进一步配置成：对于所述基础车道线中置信度小于第六阈值的第一车道线，若所述第一车道线存在所述标定点云组，则以所述标定点云组拟合出第二车道曲线，并以所述第二车道曲线的拟合参数作为所述第一车道线的参数；和/或对于所述基础车道线中不存在所述标定点云组的第二车道线，若：
所述第二车道线与配准后的所述辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；且所述基础车道线与配准后的所述辅助车道线的相对距离小于第八阈值；则：以所述重叠部分中的点云组拟合出第三车道曲线，并以所述第三车道曲线的拟合参数作为所述第二车道线的参数。
根据本申请的另一方面，提供一种车辆，包括如上文所述的任意一种车道线确定***。
根据本申请的另一方面，提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种车道线确定方法。
附图说明
从结合附图的以下详细说明中，将会使本申请的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。
图1示出了根据本申请的一个实施例的车道线确定方法。
图2示出了根据本申请的一个实施例的车道线确定***。
具体实施方式
出于简洁和说明性目的，本文主要参考其示范实施例来描述本申请的原理。但是，本领域技术人员将容易地认识到相同的原理可等效地应用于所有类型的车道线确定方法、车道线确定方法***、车辆以及存储介质，并且可以在其中实施这些相同或相似的原理，任何此类变化不背离本申请的真实精神和范围。
以下具体实施方式中记载了各种阈值，尽管这些阈值可能具有不同的名称，但是在其量纲/单位相同的情况下，不同名称的阈值可能也具有相同的大小。
根据本申请的一方面，提供一种车道线确定方法。在以下一些示例中，车道线确定方法通过使用高精地图中车道线坐标点云，并且将其与摄像头感知到的车道线进行配准，将定位结果中的地图车道线统一进摄像头坐标系。并通过比对两套车道线，找到摄像头漏识别/误识别/置信度低的车道线，使用高精地图中的对应车道线坐标点拟合成曲线进行修正。
如图1所示，车道线确定方法10包括如下步骤。车道线确定方法10在步骤S102中在车辆坐标系下捕捉当前地点的道路图像；在步骤S104中识别道路图像并生成关于当前地点的基础车道线；在步骤S106中提取关于当前地点的地图车道线；在步骤S108中将地图车道线映射至车辆坐标系从而得到辅助车道线；在步骤S110中配准基础车道线与辅助车道线，并且，所述配准是基于基础车道线的置信度执行的；在步骤S112中根据配准后的辅助车道线和基础车道线生成目标车道线。
车道线确定方法10在步骤S102中在车辆坐标系下捕捉当前地点的道路图像，并且在步骤S104中识别道路图像并生成关于当前地点的基础车道线。在以下示例中，由于可以利用摄像头来捕捉图像并由此生成基础车道线，因而基础车道线也称为摄像头车道线。利用摄像头等图像捕捉设备获取并识别得到的车道线可以作为自动驾驶/辅助驾驶的依据。由于摄像头等设备与车辆本体是相对固定的，因而在车辆坐标系下进行图像捕捉、处理、识别更为便捷。本发明中的车辆坐标系是指以车辆本体上某一位置（例如，摄像头所在位置）为原点的坐标系。在一些示例中，若以摄像头所在位置为原点，车辆坐标系亦称为摄像头坐标系。
另一方面，由于车辆可能处于不断运动的状态，并且诸如摄像头等的拍摄对象也限于一定的范围内，因而识别到的车道线是与地理位置相关的。换言之，每个（当前）地点得到的基础车道线可能是不同的。
车道线确定方法10在步骤S106中提取关于当前地点的地图车道线。例如，可以通过本车GPS传感器以及本车速度传感器、转角等运动传感器，再进一步利用本车定位模块计算得到本车的经纬度坐标。然后，可以根据此坐标从高精地图引擎中得到以点云（组）形式存储的前方一定范围内的车道线经纬度坐标，并以此作为（高精）地图车道线。
车道线确定方法10在步骤S108中将地图车道线映射至车辆坐标系从而得到辅助车道线。例如，可以利用本车定位模块计算的本车经纬度坐标以及朝向，将高精度地图车道线点云转换到本车坐标系下。由于高精度地图车道线是预先采集并制作的，高精度地图车道线一般以大地为参考系形成。因此，为了将高精度地图车道线在运动的车辆上可用，可以将其转换至车辆坐标系下。
车道线确定方法10在步骤S110中配准基础车道线与辅助车道线，并且所述配准基于基础车道线的置信度执行。考虑到定位模块存在一定误差，且定位模块下本车坐标系原点/朝向与车辆坐标系（例如，摄像头坐标系）的原点/朝向并不一致，所以需要通过配准纠正二者坐标系间的偏差。需要说明的是，配准是修正等一些列后续操作的前提，因而必须提高配准的准确性。因此，步骤S110中的配准是基于基础车道线的置信度执行的，如此才能保证配准的可靠性。
车道线确定方法10在步骤S112中根据配准后的辅助车道线和基础车道线生成目标车道线。例如，可以对摄像头漏识别/误识别/识别到的置信度低的车道线使用高精地图中的对应车道线坐标点拟合成曲线进行修正。在一些示例中，若下文将详细描述的条件得不到满足，也可以在生成目标车道线时不考虑配准后的辅助车道线，仅根据基础车道线生成目标车道线，这可以视为“根据配准后的辅助车道线和基础车道线生成目标车道线”的一种特例。
在本申请的一些实施例中，在步骤S110中具体通过如下方式实现基础车道线与辅助车道线的配准：将基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及根据待配准车道线中的至少部分（例如，全部待配准车道线或者部分待配准车道线）来配准基础车道线与辅助车道线。如此，以下配准过程将排除基础车道线中置信度较低的那些车道线，避免这些车道线影响配准效果，进而影响后续的修正等操作。
在本申请的一些实施例中，在步骤S110中配准基础车道线与辅助车道线的过程具体包括了：根据辅助车道线中的点云生成待配准点云组，并且针对待配准车道线中的每一条执行以下操作，直至对所有待配准车道线完成该操作。其中，若针对第i条执行该操作，则第i条又被称为当前待配准车道线。具体操作包括：计算待配准点云组与当前待配准车道线的相对距离；以及将相对距离最低并且小于第二阈值的待配准点云组作为当前待配准车道线的配准点云组。若所有相对距离最低的待配准点云组的相对距离都小于第二阈值，此时将根据全部待配准车道线来配准基础车道线与辅助车道线。若部分相对距离最低的待配准点云组的相对距离都小于第二阈值，此时将根据这部分待配准车道线来配准基础车道线与辅助车道线。
在一些示例中，例如可以根据高精地图给出的各车道线点云组间连接关系，合并其中可连接的点云组，生成所有可能的高精地图待配对点云组。然后，对于每条待配对车道线，与地图车道线各待配对点云组计算相对距离，选择相对距离最小且相对距离小于第二阈值的一组点云作为该条待配对车道线（又称为摄像头车道线）的配对点云组。
在本申请的一些实施例中，车道线确定方法10的步骤S112具体包括：针对待配准车道线，若其中不存在配准点云组的比例超过第三阈值，则认为当前摄像头测量结果与地图不匹配，此时可以以基础车道线作为目标车道线输出。并且，还可以停止其他计算步骤，使得车辆回归至单摄像头感知状态。
在本申请的一些实施例中，若其中不存在配准点云组的比例没有超过第三阈值，在步骤S110中还针对存在配准点云组的待配准车道线，执行其与对应的配准点云组的点云配准。更具体地，其中点云配准可以包括以下过程：将对应于道路图像的预定视场的各待配准车道线离散化，并作为点云配准的目标点云，其中离散化的密度大于配准点云组的点云密度；将对应于预定视场的配准点云组作为点云配准的起始点云；以及通过迭代方式确定起始点云到目标点云的平移/旋转参数。
继续上面的示例，可以取存在配对点云组的摄像头车道线以及它们对应的配对点云组进行配准。首先，可以将摄像头车道线进行离散，使得其从连续的线条变成若干点云，并且离散密度应大于配对点云组的密度。离散化处理得到的结果称为配准目标点云，考虑到摄像头对远处车道线识别能力降低，可以仅选择一定范围内的车道线进行离散。例如，可以仅对一定视场范围内的车道线进行离散化处理。
其次，配对点云组中只选择与对应摄像头车道线离散范围内的点，形成配准起始点云。换言之，可以将对应于上文所述的预定视场的配准点云组作为点云配准的起始点云。
最后，可以使用迭代优化方法计算起始点云与目标点云间的相对平移/旋转参数。在该过程中，需要选出起始点云中各点在目标点云内距离最近的点。由于已经得到高精地图车道线点云组与摄像头车道线点云组的配对关系，各点在选择最近点时可以缩小范围。又考虑到车道线点云中各点存在前后相对关系，所以在选择最近点时可以根据前序点的选择结果进一步缩小选择范围。从而降低配准计算对***的算力负担。
在本申请的一些实施例中，若平移/旋转参数超过既定的阈值，车道线确定方法10的步骤S112中具体还可以以基础车道线作为目标车道线输出。在一些示例中，若迭代得到的平移/旋转参数较大，则认为摄像头与高精地图存在较大的起始偏差，认为存在一方传感器失效。此时可以停止其他计算步骤并回归至单摄像头感知状态，仅以基础车道线作为目标车道线输出。
在本申请的一些实施例中，车道线确定方法10的步骤S112具体包括：在点云配准过程中，若根据平移/旋转参数对起始点云进行变换得到的点云与目标点云之间的剩余误差超过第四阈值，则以基础车道线作为目标车道线输出。在一些示例中，用迭代得到的平移/旋转参数变换起始点云，计算变换后点云与目标点云间的剩余误差。若误差过大，则认为配准失败。此时可以停止其他计算步骤并回归至单摄像头感知状态，仅以基础车道线作为目标车道线输出。
在本申请的一些实施例中，在步骤S110中配准基础车道线与辅助车道线的过程具体包括：根据平移/旋转参数将辅助车道线与基础车道线配准。在步骤S112中根据配准后的辅助车道线和基础车道线生成目标车道线的过程具体包括以下步骤。其中，针对基础车道线中的每一条：计算配准后的辅助车道线中的点云组与当前基础车道线的相对距离；将相对距离最低的点云组作为当前基础车道线的标定点云组；以及以标定点云组对当前基础车道线进行修正（例如，补充、更正等）。
例如，据配准结果，可以将所有地图车道线点的坐标变换至摄像头坐标系内。此时地图车道线与摄像头车道线为最相似状态。此时，可以比较摄像头感知的每条车道线与地图车道线各点云组的相对距离，选择相对距离最小的点云组作为纠正后的配对。
在本申请的一些实施例中，根据配准后的辅助车道线和基础车道线生成目标车道线包括：对于基础车道线中长度小于第五阈值的车道线，若其存在标定点云组，则使用标定点云组拟合出第一车道曲线，并以第一车道曲线对其进行补充。
在一些示例中，可以利用地图车道线信息对摄像头感知结果进行补充。例如，可以选出未配对的地图车道线点云组，根据连接关系进行合并，并拟合成三次曲线形式，补充入车道线池供后续车道生成使用。还可以对于摄像头感知到长度较短的车道线，且存在地图车道线点云组配对的，可以使用配对的点云组拟合成三次曲线，对摄像头车道线进行延长。
在本申请的一些实施例中，根据配准后的辅助车道线和基础车道线生成目标车道线包括：对于基础车道线中置信度小于第六阈值的第一车道线，若第一车道线存在标定点云组，则以标定点云组拟合出第二车道曲线，并以第二车道曲线的拟合参数作为第一车道线的参数；和/或对于基础车道线中不存在标定点云组的第二车道线，如果同时满足条件（1）第二车道线与配准后的辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；（2）基础车道线与配准后的辅助车道线的相对距离小于第八阈值；那么可以以重叠部分中的点云组拟合出第三车道曲线，并以第三车道曲线的拟合参数作为第二车道线的参数。
在一些示例中，可以利用地图车道线信息，对摄像头感知结果进行更正。例如，对于摄像头感知置信度低的车道线，若存在配对的地图车道线点云组，可由地图点云组拟合成三次曲线，并将拟合参数替换对应摄像头车道线参数。再如，对于摄像头感知车道线无配对地图车道线点云组，且与地图车道线点云组存在部分重叠但相对距离较大，且当前其他多数摄像头车道线与地图其余车道线点云组配对良好时。可以认为该摄像头车道线为误识别，将其参数替换为部分重叠的地图车道线点云组拟合曲线。
根据本申请的另一方面，提供一种车道线确定***。如图2所示，车道线确定***20包括捕捉单元202、识别单元204、提取单元206、映射单元208、配准单元210以及确定单元212。
车道线确定***20的捕捉单元202被配置成在车辆坐标系下捕捉当前地点的道路图像，识别单元204被配置成对道路图像进行识别并生成关于当前地点的基础车道线。在以下示例中，由于可以利用摄像头来捕捉图像并由此生成基础车道线，因而基础车道线也称为摄像头车道线。利用摄像头等图像捕捉设备获取并识别得到的车道线可以作为自动驾驶/辅助驾驶的依据。由于摄像头等设备与车辆本体是相对固定的，因而在车辆坐标系下进行图像捕捉、处理、识别更为便捷。本发明中的车辆坐标系是指以车辆本体上某一位置（例如，摄像头所在位置）为原点的坐标系。在一些示例中，若以摄像头所在位置为原点，车辆坐标系亦称为摄像头坐标系。
另一方面，由于车辆可能处于不断运动的状态，并且诸如摄像头等的拍摄对象也限于一定的范围内，因而识别到的车道线是与地理位置相关的。换言之，每个（当前）地点得到的基础车道线可能是不同的。
车道线确定***20的提取单元206被配置成提取关于当前地点的地图车道线。例如，可以通过本车GPS传感器以及本车速度传感器、转角等运动传感器，再进一步利用本车定位模块计算得到本车的经纬度坐标。然后，提取单元206可以根据此坐标从高精地图引擎中得到以点云（组）形式存储的前方一定范围内的车道线经纬度坐标，并以此作为（高精）地图车道线。
车道线确定***20的映射单元208被配置成将地图车道线映射至车辆坐标系从而得到辅助车道线。例如，映射单元208可以利用本车定位模块计算的本车经纬度坐标以及朝向，将高精度地图车道线点云转换到本车坐标系下。由于高精度地图车道线是预先采集并制作的，高精度地图车道线一般以大地为参考系形成。因此，为了将高精度地图车道线在运动的车辆上可用，可以将其转换至车辆坐标系下。
车道线确定***20的配准单元210被配置成配准基础车道线与辅助车道线，配准基于基础车道线的置信度执行。考虑到定位模块存在一定误差，且定位模块下本车坐标系原点/朝向与车辆坐标系（例如，摄像头坐标系）的原点/朝向并不一致，所以需要通过配准纠正二者坐标系间的偏差。需要说明的是，配准是修正等一些列后续操作的前提，因而必须提高配准的准确性。因此，配准单元210的配准操作是基于基础车道线的置信度执行的，如此才能保证配准的可靠性。
车道线确定***20的确定单元212被配置成根据配准后的辅助车道线和基础车道线生成目标车道线。例如，可以对摄像头漏识别/误识别/识别到的置信度低的车道线使用高精地图中的对应车道线坐标点拟合成曲线进行修正。在一些示例中，若下文将详细描述的条件得不到满足，确定单元212也可以在生成目标车道线时不考虑配准后的辅助车道线，仅根据基础车道线生成目标车道线，这可以视为“根据配准后的辅助车道线和基础车道线生成目标车道线”的一种特例。
在本申请的一些实施例中，配准单元210进一步配置成：将基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及根据待配准车道线中的至少部分（例如，全部待配准车道线或者部分待配准车道线）来配准基础车道线与辅助车道线。如此，以下配准过程将排除基础车道线中置信度较低的那些车道线，避免这些车道线影响配准效果，进而影响后续的修正等操作。
在本申请的一些实施例中，配准单元210进一步配置成：根据辅助车道线中的点云生成待配准点云组并且针对待配准车道线中的每一条执行以下操作，直至对所有待配准车道线完成该操作。其中，若针对第i条执行该操作，则第i条又被称为当前待配准车道线。具体操作包括：计算待配准点云组与当前待配准车道线的相对距离；以及将相对距离最低并且小于第二阈值的待配准点云组作为当前待配准车道线的配准点云组。若所有相对距离最低的待配准点云组的相对距离都小于第二阈值，此时配准单元210将根据全部待配准车道线来配准基础车道线与辅助车道线。若部分相对距离最低的待配准点云组的相对距离都小于第二阈值，此时配准单元210将根据这部分待配准车道线来配准基础车道线与辅助车道线。
在一些示例中，例如可以根据高精地图给出的各车道线点云组间连接关系，合并其中可连接的点云组，生成所有可能的高精地图待配对点云组。然后，对于每条待配对车道线，与地图车道线各待配对点云组计算相对距离，选择相对距离最小且相对距离小于第二阈值的一组点云作为该条待配对车道线（又称为摄像头车道线）的配对点云组。
在本申请的一些实施例中，确定单元212进一步配置成：针对待配准车道线，若其中不存在配准点云组的比例超过第三阈值，则指示确定单元212以基础车道线作为目标车道线输出。并且，还可以停止其他计算步骤，使得车辆回归至单摄像头感知状态。
在本申请的一些实施例中，若其中不存在配准点云组的比例没有超过第三阈值，配准单元210进一步配置成针对存在配准点云组的待配准车道线，执行其与对应的配准点云组的点云配准。更具体地，其中点云配准可以包括以下过程：将对应于道路图像的预定视场的各待配准车道线离散化，并作为点云配准的目标点云，其中离散化的密度大于配准点云组的点云密度；将对应于预定视场的配准点云组作为点云配准的起始点云；以及通过迭代方式确定起始点云到目标点云的平移/旋转参数。
继续上面的示例，可以取存在配对点云组的摄像头车道线以及它们对应的配对点云组进行配准。首先，可以将摄像头车道线进行离散，使得其从连续的线条变成若干点云，并且离散密度应大于配对点云组的密度。离散化处理得到的结果称为配准目标点云，考虑到摄像头对远处车道线识别能力降低，可以仅选择一定范围内的车道线进行离散。例如，可以仅对一定视场范围内的车道线进行离散化处理。
其次，配对点云组中只选择与对应摄像头车道线离散范围内的点，形成配准起始点云。换言之，可以将对应于上文所述的预定视场的配准点云组作为点云配准的起始点云。
最后，可以使用迭代优化方法计算起始点云与目标点云间的相对平移/旋转参数。在该过程中，需要选出起始点云中各点在目标点云内距离最近的点。由于已经得到高精地图车道线点云组与摄像头车道线点云组的配对关系，各点在选择最近点时可以缩小范围。又考虑到车道线点云中各点存在前后相对关系，所以在选择最近点时可以根据前序点的选择结果进一步缩小选择范围。从而降低配准计算对***的算力负担。
在本申请的一些实施例中，确定单元212进一步配置成在平移/旋转参数超过既定的阈值的情况下，以基础车道线作为目标车道线输出。在一些示例中，若迭代得到的平移/旋转参数较大，则认为摄像头与高精地图存在较大的起始偏差，认为存在一方传感器失效。此时可以停止其他计算步骤并回归至单摄像头感知状态，仅以基础车道线作为目标车道线输出。
在本申请的一些实施例中，确定单元212进一步配置成在配准单元210根据平移/旋转参数对起始点云进行变换得到的点云与目标点云之间的剩余误差超过第四阈值的情况下，以基础车道线作为目标车道线输出。在一些示例中，用迭代得到的平移/旋转参数变换起始点云，计算变换后点云与目标点云间的剩余误差。若误差过大，则认为配准失败。此时可以停止其他计算步骤并回归至单摄像头感知状态，仅以基础车道线作为目标车道线输出。
在本申请的一些实施例中，配准单元210进一步配置成根据平移/旋转参数将辅助车道线与基础车道线配准，并且，确定单元212进一步配置成针对基础车道线中的每一条：计算配准后的辅助车道线中的点云组与当前基础车道线的相对距离；将相对距离最低的点云组作为当前基础车道线的标定点云组；以及以标定点云组对当前基础车道线进行修正（例如，补充、更正等）。
例如，据配准结果，可以将所有地图车道线点的坐标变换至摄像头坐标系内。此时地图车道线与摄像头车道线为最相似状态。此时，可以比较摄像头感知的每条车道线与地图车道线各点云组的相对距离，选择相对距离最小的点云组作为纠正后的配对。
在本申请的一些实施例中，确定单元212进一步配置成：对于基础车道线中长度小于第五阈值的车道线，若其存在标定点云组，则使用标定点云组拟合出第一车道曲线，并以第一车道曲线对其进行补充。
在一些示例中，可以利用地图车道线信息对摄像头感知结果进行补充。例如，可以选出未配对的地图车道线点云组，根据连接关系进行合并，并拟合成三次曲线形式，补充入车道线池供后续车道生成使用。还可以对于摄像头感知到长度较短的车道线，且存在地图车道线点云组配对的，可以使用配对的点云组拟合成三次曲线，对摄像头车道线进行延长。
在本申请的一些实施例中，确定单元212进一步配置成：对于基础车道线中置信度小于第六阈值的第一车道线，若第一车道线存在标定点云组，则以标定点云组拟合出第二车道曲线，并以第二车道曲线的拟合参数作为第一车道线的参数；和/或对于基础车道线中不存在标定点云组的第二车道线，如果同时满足条件（1）第二车道线与配准后的辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；（2）基础车道线与配准后的辅助车道线的相对距离小于第八阈值；那么可以以重叠部分中的点云组拟合出第三车道曲线，并以第三车道曲线的拟合参数作为第二车道线的参数。
在一些示例中，可以利用地图车道线信息，对摄像头感知结果进行更正。例如，对于摄像头感知置信度低的车道线，若存在配对的地图车道线点云组，可由地图点云组拟合成三次曲线，并将拟合参数替换对应摄像头车道线参数。再如，对于摄像头感知车道线无配对地图车道线点云组，且与地图车道线点云组存在部分重叠但相对距离较大，且当前其他多数摄像头车道线与地图其余车道线点云组配对良好时。可以认为该摄像头车道线为误识别，将其参数替换为部分重叠的地图车道线点云组拟合曲线。
根据本申请的另一方面，提供一种车辆，包括如上文所述的任意一种车道线确定***。配置了车道线确定***的车辆可以根据条件利用地图车道线对视觉捕捉的车道线进行修正等操作，从而提高车道线识别的准确率。
根据本申请的另一方面，提供一种计算机可读存储介质，其中存储有指令，当所述指令由处理器执行时，使得所述处理器执行如上文所述的任意一种车道线确定方法。本申请中所称的计算机可读介质包括各种类型的计算机存储介质，可以是通用或专用计算机能够存取的任何可用介质。举例而言，计算机可读介质可以包括RAM、ROM、EPROM、E2PROM、寄存器、硬盘、可移动盘、CD-ROM或其他光盘存储器、磁盘存储器或其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码单元并能够由通用或特定用途计算机、或者通用或特定用途处理器进行存取的任何其他临时性或者非临时性介质。如本文所使用的盘通常磁性地复制数据，而碟则用激光来光学地复制数据。上述的组合也应当包括在计算机可读介质的保护范围之内。示例性存储介质耦合到处理器以使得该处理器能从/向该存储介质读写信息。在替换方案中，存储介质可以被整合到处理器。处理器和存储介质可驻留在ASIC中。ASIC可驻留在用户终端中。在替换方案中，处理器和存储介质可作为分立组件驻留在用户终端中。
以上仅为本申请的具体实施方式，但本申请的保护范围并不局限于此。本领域的技术人员可以根据本申请所披露的技术范围想到其他可行的变化或替换，此等变化或替换皆涵盖于本申请的保护范围之中。在不冲突的情况下，本申请的实施方式及实施方式中的特征还可以相互组合。本申请的保护范围以权利要求的记载为准。

Claims (22)

1.一种车道线确定方法，包括：
在车辆坐标系下捕捉当前地点的道路图像；
识别所述道路图像并生成关于所述当前地点的基础车道线；
提取关于所述当前地点的地图车道线；
将所述地图车道线映射至所述车辆坐标系从而得到辅助车道线；
配准所述基础车道线与所述辅助车道线，所述配准基于所述基础车道线的置信度执行；以及
根据配准后的所述辅助车道线和所述基础车道线生成目标车道线。
2. 根据权利要求1所述的方法，其中，配准所述基础车道线与所述辅助车道线包括：
将所述基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及
根据所述待配准车道线中的至少部分来配准所述基础车道线与所述辅助车道线。
3.根据权利要求2所述的方法，其中，配准所述基础车道线与所述辅助车道线包括：
根据所述辅助车道线中的点云生成待配准点云组；
针对所述待配准车道线中的每一条：
计算所述待配准点云组与当前待配准车道线的相对距离；以及
将相对距离最低并且小于第二阈值的待配准点云组作为所述当前待配准车道线的配准点云组。
4.根据权利要求3所述的方法，其中，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：针对所述待配准车道线，若其中不存在所述配准点云组的比例超过第三阈值，则以所述基础车道线作为所述目标车道线输出。
5.根据权利要求4所述的方法，其中，配准所述基础车道线与所述辅助车道线包括：针对存在所述配准点云组的所述待配准车道线，执行其与对应的所述配准点云组的点云配准，所述点云配准包括：
将对应于所述道路图像的预定视场的各所述待配准车道线离散化，并作为所述点云配准的目标点云，其中离散化的密度大于所述配准点云组的点云密度；
将对应于所述预定视场的所述配准点云组作为所述点云配准的起始点云；以及
通过迭代方式确定所述起始点云到所述目标点云的平移/旋转参数。
6.根据权利要求5所述的方法，其中，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：若所述平移/旋转参数超过既定的阈值，则以所述基础车道线作为所述目标车道线输出。
7.根据权利要求5所述的方法，其中，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线：在所述点云配准过程中，若根据所述平移/旋转参数对所述起始点云进行变换得到的点云与所述目标点云之间的剩余误差超过第四阈值，则以所述基础车道线作为所述目标车道线输出。
8.根据权利要求5所述的方法，其中，
配准所述基础车道线与所述辅助车道线包括：
根据所述平移/旋转参数将所述辅助车道线与所述基础车道线配准；以及
根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：
针对所述基础车道线中的每一条：
计算所述配准后的所述辅助车道线中的点云组与当前基础车道线的相对距离；
将相对距离最低的点云组作为所述当前基础车道线的标定点云组；以及
以所述标定点云组对所述当前基础车道线进行修正。
9.根据权利要求8所述的方法，其中，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：
对于所述基础车道线中长度小于第五阈值的车道线，若其存在所述标定点云组，则使用所述标定点云组拟合出第一车道曲线，并以所述第一车道曲线对其进行补充。
10. 根据权利要求8所述的方法，其中，根据配准后的所述辅助车道线和所述基础车道线生成目标车道线包括：
对于所述基础车道线中置信度小于第六阈值的第一车道线，若所述第一车道线存在所述标定点云组，则以所述标定点云组拟合出第二车道曲线，并以所述第二车道曲线的拟合参数作为所述第一车道线的参数；和/或
对于所述基础车道线中不存在所述标定点云组的第二车道线，若：
所述第二车道线与配准后的所述辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；且
所述基础车道线与配准后的所述辅助车道线的相对距离小于第八阈值；
则：
以所述重叠部分中的点云组拟合出第三车道曲线，并以所述第三车道曲线的拟合参数作为所述第二车道线的参数。
11.一种车道线确定***，包括：
捕捉单元，其配置成在车辆坐标系下捕捉当前地点的道路图像；
识别单元，其配置成对所述道路图像进行识别并生成关于所述当前地点的基础车道线；
提取单元，其配置成提取关于所述当前地点的地图车道线；
映射单元，其配置成将所述地图车道线映射至所述车辆坐标系从而得到辅助车道线；
配准单元，其配置成配准所述基础车道线与所述辅助车道线，所述配准基于所述基础车道线的置信度执行；以及
确定单元，其配置成根据配准后的所述辅助车道线和所述基础车道线生成目标车道线。
12. 根据权利要求11所述的***，其中，所述配准单元进一步配置成：
将所述基础车道线中置信度超过第一阈值的车道线作为待配准车道线；以及
根据所述待配准车道线中的至少部分来配准所述基础车道线与所述辅助车道线。
13.根据权利要求12所述的***，其中，所述配准单元进一步配置成：
根据所述辅助车道线中的点云生成待配准点云组；
针对所述待配准车道线中的每一条：
计算所述待配准点云组与当前待配准车道线的相对距离；以及
将相对距离最低并且小于第二阈值的待配准点云组作为所述当前待配准车道线的配准点云组。
14.根据权利要求13所述的***，其中，所述确定单元进一步配置成：针对所述待配准车道线，若其中不存在所述配准点云组的比例超过第三阈值，则指示所述确定单元以所述基础车道线作为所述目标车道线输出。
15.根据权利要求14所述的***，其中，所述配准单元进一步配置成：针对存在所述配准点云组的所述待配准车道线，执行其与对应的所述配准点云组的点云配准，所述点云配准包括：
将对应于所述道路图像的预定视场的各所述待配准车道线离散化，并作为所述点云配准的目标点云，其中离散化的密度大于所述配准点云组的点云密度；
将对应于所述预定视场的所述配准点云组作为所述点云配准的起始点云；以及
通过迭代方式确定所述起始点云到所述目标点云的平移/旋转参数。
16.根据权利要求15所述的***，其中，所述确定单元进一步配置成在所述平移/旋转参数超过既定的阈值的情况下，以所述基础车道线作为所述目标车道线输出。
17.根据权利要求15所述的***，其中，所述确定单元进一步配置成在所述配准单元根据所述平移/旋转参数对所述起始点云进行变换得到的点云与所述目标点云之间的剩余误差超过第四阈值的情况下，以所述基础车道线作为所述目标车道线输出。
18. 根据权利要求15所述的***，其中，所述配准单元进一步配置成：
根据所述平移/旋转参数将所述辅助车道线与所述基础车道线配准；以及
所述确定单元进一步配置成针对所述基础车道线中的每一条：
计算所述配准后的所述辅助车道线中的点云组与当前基础车道线的相对距离；
将相对距离最低的点云组作为所述当前基础车道线的标定点云组；以及
以所述标定点云组对所述当前基础车道线进行修正。
19.根据权利要求18所述的***，其中，所述确定单元进一步配置成：对于所述基础车道线中长度小于第五阈值的车道线，若其存在所述标定点云组，则使用所述标定点云组拟合出第一车道曲线，并以所述第一车道曲线对其进行补充。
20. 根据权利要求19所述的***，其中，所述确定单元进一步配置成：
对于所述基础车道线中置信度小于第六阈值的第一车道线，若所述第一车道线存在所述标定点云组，则以所述标定点云组拟合出第二车道曲线，并以所述第二车道曲线的拟合参数作为所述第一车道线的参数；和/或
对于所述基础车道线中不存在所述标定点云组的第二车道线，若：
所述第二车道线与配准后的所述辅助车道线中的任意点云组存在重叠，但是重叠部分的相对距离超过第七阈值；且
所述基础车道线与配准后的所述辅助车道线的相对距离小于第八阈值；
则：
以所述重叠部分中的点云组拟合出第三车道曲线，并以所述第三车道曲线的拟合参数作为所述第二车道线的参数。
21.一种车辆，包括如权利要求11-20所述的任意一种车道线确定***。
22.一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，其特征在于，当所述指令由处理器执行时，使得所述处理器执行如权利要求1-10中任一项所述的方法。
CN202110659852.1A 2021-06-15 2021-06-15 车道线确定方法和***、车辆以及存储介质 Pending CN113298026A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110659852.1A CN113298026A (zh) 2021-06-15 2021-06-15 车道线确定方法和***、车辆以及存储介质
EP22165389.2A EP4105829A1 (en) 2021-06-15 2022-03-30 Lane line determination method and system, vehicle, and storage medium
US17/839,692 US20220398854A1 (en) 2021-06-15 2022-06-14 Lane line determination method and system, vehicle, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110659852.1A CN113298026A (zh) 2021-06-15 2021-06-15 车道线确定方法和***、车辆以及存储介质

Publications (1)

Publication Number Publication Date
CN113298026A true CN113298026A (zh) 2021-08-24

Family

ID=77328242

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110659852.1A Pending CN113298026A (zh) 2021-06-15 2021-06-15 车道线确定方法和***、车辆以及存储介质

Country Status (3)

Country Link
US (1) US20220398854A1 (zh)
EP (1) EP4105829A1 (zh)
CN (1) CN113298026A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114228741A (zh) * 2021-11-16 2022-03-25 智道网联科技(北京)有限公司 用于自动驾驶车辆的车道保持方法及装置

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230051155A1 (en) * 2021-08-13 2023-02-16 Here Global B.V. System and method for generating linear feature data associated with road lanes
CN117490728B (zh) * 2023-12-28 2024-04-02 合众新能源汽车股份有限公司 车道线定位故障诊断方法和***

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11321950B2 (en) * 2018-06-26 2022-05-03 Sk Telecom Co., Ltd. Apparatus and method for detecting lane information, and computer-readable recording medium storing computer program programmed to execute same method
US20200218905A1 (en) * 2019-01-08 2020-07-09 Qualcomm Incorporated Lateral and longitudinal offset tracking in vehicle position estimation
US11227168B2 (en) * 2019-01-08 2022-01-18 Qualcomm Incorporated Robust lane association by projecting 2-D image into 3-D world using map information
WO2020154967A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. Map partition system for autonomous vehicles
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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114228741A (zh) * 2021-11-16 2022-03-25 智道网联科技(北京)有限公司 用于自动驾驶车辆的车道保持方法及装置

Also Published As

Publication number Publication date
US20220398854A1 (en) 2022-12-15
EP4105829A1 (en) 2022-12-21

Similar Documents

Publication Publication Date Title
US11308322B2 (en) Locating a client device using ground truth image rendering
CN113298026A (zh) 车道线确定方法和***、车辆以及存储介质
CN110530372B (zh) 定位方法、路径确定方法、装置、机器人及存储介质
JP6760114B2 (ja) 情報処理装置、データ管理装置、データ管理システム、方法、及びプログラム
US20180267172A1 (en) System and method for recognizing position of vehicle
CN110954112B (zh) 一种导航地图与感知图像匹配关系的更新方法和装置
JP5747787B2 (ja) 車線認識装置
US10876842B2 (en) Method for determining, with the aid of landmarks, an attitude of a vehicle moving in an environment in an at least partially automated manner
KR102145557B1 (ko) 이종 센서 간의 데이터 융합 장치 및 방법
KR101553898B1 (ko) 지형지물의 위치정보를 이용한 자율이동차량의 위치추정시스템 및 방법
CN107044853B (zh) 用于确定地标的方法和装置以及用于定位的方法和装置
CN114088114B (zh) 车辆位姿校准方法、装置和电子设备
US20220113139A1 (en) Object recognition device, object recognition method and program
JP2018116014A (ja) 自車位置推定装置、制御方法、プログラム及び記憶媒体
CN113701781B (zh) 一种基于高精地图和视觉车道线的匹配车道搜索方法
KR20170083662A (ko) 센서 오차에 강건한 지도 작성 장치
KR20200065875A (ko) 랜드마크를 활용한 주행차로 인식 방법 및 시스템
CN112083718A (zh) 视觉导航机器人的控制方法、装置及计算机可读存储介质
JP2011112556A (ja) 捜索目標位置特定装置及び捜索目標位置特定方法並びにコンピュータプログラム
CN113566817B (zh) 一种车辆定位方法及装置
JP2018084960A (ja) 自己位置推定方法及び自己位置推定装置
CN109945890B (zh) 多定位***切换与融合校正方法及其装置
JP6965325B2 (ja) 自動検出システムおよび自動検出プログラム
CN114090905A (zh) 警戒线位置识别方法、装置、计算机设备及存储介质
CN108981700B (zh) 一种定位定姿方法及装置

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