CN113386771A - 道路模型的生成方法及设备 - Google Patents
道路模型的生成方法及设备 Download PDFInfo
- Publication number
- CN113386771A CN113386771A CN202110871523.3A CN202110871523A CN113386771A CN 113386771 A CN113386771 A CN 113386771A CN 202110871523 A CN202110871523 A CN 202110871523A CN 113386771 A CN113386771 A CN 113386771A
- Authority
- CN
- China
- Prior art keywords
- lane line
- lane
- information
- line
- sources
- 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 50
- 230000000007 visual effect Effects 0.000 claims description 60
- 230000008859 change Effects 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 230000009471 action Effects 0.000 description 6
- 230000003044 adaptive effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 239000013589 supplement Substances 0.000 description 3
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 2
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 2
- 230000004297 night vision Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- G01C21/38—Electronic maps specially adapted for navigation; Updating thereof
- G01C21/3804—Creation or updating of map data
- G01C21/3807—Creation or updating of map data characterised by the type of data
- G01C21/3815—Road data
- G01C21/3819—Road shape data, e.g. outline of a route
-
- 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
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2420/00—Indexing codes relating to the type of sensors based on the principle of their operation
- B60W2420/40—Photo, light or radio wave sensitive means, e.g. infrared sensors
- B60W2420/403—Image sensing, e.g. optical camera
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/40—High definition maps
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Data Mining & Analysis (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明涉及一种道路模型的生成方法,该方法包括接收来自多个来源的车道线信息;确定基准车道线;以及从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。本发明还涉及一种道路模型的生成设备、计算机存储介质、自主驾驶***和车辆。
Description
技术领域
本发明涉及自主/辅助驾驶控制领域,更具体地,涉及一种道路模型的生成方法及设备、计算机存储介质、自主驾驶***以及车辆。
背景技术
在辅助驾驶功能中,构建道路模型是众多辅助功能的基础。在道路模型中,本车所在车道的左右车道线的位置信息,车道线类型(是否可跨越)以及旁边车道的具体信息又十分重要,特别是能够在多帧内稳定追踪与更新,且在复杂场景中(雨天,强光)可以持续输出可靠信息,是道路模型构建的基础。
高精地图和视觉识别,作为提供车道线信息的两个最重要的来源,常被用来构建道路模型。高精地图信息不受天气和环境影响,但与定位信息,供应商的信息更新频率以及准确度强相关;视觉识别实时性很强,但是受天气以及周围车辆遮挡物影响较大。在所有场景下均采用单一来源的车道线信息,无法保证所构建道路模型的准确度和稳定性。
发明内容
本发明的一个或多个实施例提供了使用多个来源的车道线(例如高精地图车道线和视觉识别车道线)综合生成道路模型的技术方案。
根据本发明的一方面,提供了一种道路模型的生成方法,所述方法包括:接收来自多个来源的车道线信息;确定基准车道线;以及从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
作为上述方案的补充或替换,在上述方法中,所述多个来源的车道线信息包括高精地图车道线和/或视觉识别车道线。
作为上述方案的补充或替换,在上述方法中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。
作为上述方案的补充或替换,在上述方法中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。
作为上述方案的补充或替换,在上述方法中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及若不匹配,则确定所述第一车道线为所述视觉识别车道线。
作为上述方案的补充或替换,在上述方法中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线还包括:在所述视觉识别车道线与所述高精地图车道线匹配时,将离所述基准车道线最近的车道线确定为所述第一车道线。
作为上述方案的补充或替换,在上述方法中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
作为上述方案的补充或替换,上述方法还包括:在车道线仲裁选择之后,将多条车道线分配到对应车道;以及输出相应的道路模型。
作为上述方案的补充或替换,上述方法还包括:在车道线仲裁选择之前,进行换道判断:以及在判断本车已经换道时,更新本车道信息。
作为上述方案的补充或替换,在上述方法中,接收来自多个来源的车道线信息包括:基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。
根据本发明的另一个方面,提供了一种道路模型的生成设备,所述设备包括:接收装置,用于接收来自多个来源的车道线信息;确定装置,用于确定基准车道线;以及仲裁选取装置,用于从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
作为上述方案的补充或替换,在上述设备中,所述多个来源的车道线信息包括高精地图车道线和/或视觉识别车道线。
作为上述方案的补充或替换,在上述设备中,所述仲裁选取装置配置成在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。
作为上述方案的补充或替换,在上述设备中,所述仲裁选取装置配置成在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。
作为上述方案的补充或替换,在上述设备中,所述仲裁选取装置配置成在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及若不匹配,则确定所述第一车道线为所述视觉识别车道线。
作为上述方案的补充或替换,在上述设备中,所述仲裁选取装置还配置成在所述视觉识别车道线与所述高精地图车道线匹配时,将离所述基准车道线最近的车道线确定为所述第一车道线。
作为上述方案的补充或替换,在上述设备中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
作为上述方案的补充或替换,上述设备还包括:分配装置,用于在车道线仲裁选择之后,将多条车道线分配到对应车道;以及输出装置,用于输出相应的道路模型。
作为上述方案的补充或替换,上述设备还包括:换道判断装置,用于在车道线仲裁选择之前,进行换道判断:以及更新装置,用于在判断本车已经换道时,更新本车道信息。
作为上述方案的补充或替换,在上述设备中,所述接收装置配置成基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。
根据本发明的又一个方面,提供了一种计算机存储介质,所述介质包括指令,所述指令在运行时执行如前所述的方法。
根据本发明的又一个方面,提供了一种自主驾驶***,所述***包括如前所述的设备。
根据本发明的又一个方面,提供了一种车辆,所述车辆包括如前所述的自主驾驶***。
本发明的实施例的道路模型的生成方案通过从多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,从而可获得更准确的车道线信息,避免各不同信号源的缺陷,提高了道路模型中道路信息的稳定性。
附图说明
从结合附图的以下详细说明中,将会使本发明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示出了根据本发明的一个实施例的道路模型的生成方法的流程示意图;
图2示出了根据本发明的一个实施例的道路模型的生成设备的结构示意图;
图3示出了根据本发明的一个实施例的道路模型的生成方法的流程示意图;
图4示出了根据本发明的一个实施例的车道线仲裁选择的流程示意图;以及
图5示出了根据本发明的一个实施例、多来源车道线仲裁的流程示意图。
具体实施方式
为了使本发明的目的、技术方案和优点更加清楚,下面结合附图对本发明具体实施例作进一步的详细描述。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。
另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是,一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理,但是其中的许多操作可以被并行地、并发地或者同时实施。此外,各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止,但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
虽然将示例性实施例描述为使用多个单元来执行示例性过程,但是应理解,这些示例性过程也可由一个或多个模块来执行。
而且,本发明的控制逻辑可作为可执行程序指令而包含在计算机可读介质上,该可执行程序指令由处理器等实施。计算机可读介质的实例包括,但不限于,ROM、RAM、光盘、磁带、软盘、闪盘驱动器、智能卡和光学数据存储装置。计算机可读记录介质也可分布在连接有网络的计算机***中,使得例如通过车载远程通信服务或者控制器局域网(CAN)以分布式方式储存并实施计算机可读介质。
除非具体地提到或者从上下文中显而易见,否则如这里使用的,将术语“大约”理解为在本领域中的正常公差的范围内,例如在平均值的2个标准差内。
应理解,这里所使用的术语“车辆”或者其他类似的术语包括一般的机动车辆,例如乘用车(包括运动型多用途车、公共汽车、卡车等)、各种商用车等等,并包括混合动力汽车、电动车等。混合动力汽车是一种具有两个或更多个功率源的车辆,例如汽油动力和电动车辆。
在下文中,将参考附图详细地描述根据本发明的各示例性实施例的道路模型的生成方案。
图1示出了根据本发明的一个实施例的道路模型的生成方法1000的流程示意图。如图1所示,道路模型的生成方法1000包括如下步骤:
在步骤S110中,接收来自多个来源的车道线信息;
在步骤S120中,确定基准车道线;以及
在步骤S130中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
术语“道路模型”,顾名思义,即是对车辆所行驶(或周围的)道路进行建模所得。例如,在辅助驾驶功能中,构建道路模型是众多辅助功能的基础,因为只有非常全面地了解车辆行驶的路面,自主驾驶***或辅助驾驶***才可以识别出任何路况可能对车辆产生的影响,以确保无论在何种情况下都不会让高速行驶的车辆遭遇危险。道路模型包括本车所在车道的左右车道线的位置信息、车道线类型(是否可跨越)以及旁边车道的具体信息。
在本发明的上下文中,“来自多个来源的车道线信息”包括高精地图车道线和/或视觉识别车道线。高精地图和视觉识别,是提供车道线信息的两个最重要的来源。所谓“高精地图车道线”即是指通过高精地图所获得的车道线信息,而“视觉识别车道线”是指通过各种视觉传感器(例如摄像头、超声波雷达等)所识别的车道线信息。高精地图信息不受天气和环境影响,但与定位信息、供应商的信息更新频率以及准确度强相关;视觉识别实时性很强,但是受天气以及周围车辆遮挡物影响较大。
术语“基准车道线”是指作为基准的车道线,该车道线可以是本车道(即当前车辆所行驶车道)的左车道线或右车道线。例如,在基准车道线为本车道的左车道线时,与该基准车道线对应的第一车道线为本车道的右车道线。相反地,若基准车道线为本车道的右车道线时,则与该基准车道线对应的第一车道线为本车道的左车道线。
通过从来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,可获得更准确的车道线信息。此外,从来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线还可解决在某些场景下可能的漏识别与误识别的问题。例如,在正常行驶中由于物理车道线被遮挡或者部分磨损导致视觉漏识别的场景下,通过其他来源的车道线信息的选取可补充视觉识别车道线的缺失,提升道路信息的稳定性。
在一个实施例中,步骤S110包括:基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。例如,将置信度较低的车道线进行过滤。
在一个实施例中,步骤S120包括:基于上一帧的本车道的车道线以及本帧视觉识别到的本车道的车道线来形成基准车道线。
在一个实施例中,步骤S130包括:在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。在另一个实施例中,步骤S130包括:在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。在又一个实施例中,步骤S130包括:在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及若不匹配,则确定所述第一车道线为所述视觉识别车道线,否则将离所述基准车道线最近的车道线确定为所述第一车道线。考虑到视觉识别的车道线信息实时性更高,当用来描述同一位置车道线的两条不同来源车道线存在较大差异时,视觉识别优先级应该更高。上述多个实施例的仲裁选择方案基于视觉识别以及高精地图两种信号源的缺陷和优势特征,有利于获得包含更多信息且准确的道路模型。
在一个实施例中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
尽管图1中未示处,上述道路模型的生成方法1000还包括:在车道线仲裁选择之后,将多条车道线分配到对应车道;以及输出相应的道路模型。在一个实施例中,高精地图的车道线信息相对于视觉识别更完善,即可以提供更多车道线,因此在将车道线分配到车道时,采取更加通用的逻辑来应对车道线数目不确定的情况。
在一个实施例中,道路模型的生成方法1000还包括:在车道线仲裁选择之前,进行换道判断:以及在判断本车已经换道时,更新本车道信息。换道判断可基于两个方面判断是否存在换道动作:(1)视觉识别的车道线的角色是否存在跳变(若某条前后追踪上的车道线的角色从左车道线变为右车道线,则判断本车可能存在向左换道);(2)本车有较高程度的压线动作。在一个实施例中,在满足以上两个方面之一时,进一步利用本车压线情况进行双重验证,从而判断是否存在换道动作,这样可避免由于视觉误识别角色信息错误导致的误换道状态。在一个实施例中,通过判断本车车道id是否存在变化来进一步验证是否存在换道,这样可避免误换道动作。而且,在一个实施例中,在换道过程中,通过追踪本车与左右车道线的相对位置变化来判断本车是否已经换道。
在一个实施例中,由于地图定位存在误差,当处在上下匝道等复杂场景中,起始位置较远的车道线的位置误差较大,如果直接将某条高精地图车道线加到道路模型中,在后数帧中,此条高精地图车道线可能存在较大的跳变,影响性能。因此,限制高精地图补充的车道线只取起始点在预定范围(例如10米)内的线。
另外,本领域技术人员容易理解,本发明的上述一个或多个实施例提供的道路模型的生成方法1000可通过计算机程序来实现。例如,当存有该计算机程序的计算机存储介质(例如U盘)与计算机相连时,运行该计算机程序即可执行本发明的一个或多个实施例的道路模型的生成方法。
参考图2,图2示出了根据本发明的一个实施例的道路模型的生成设备2000的结构示意图。如图2所示,道路模型的生成设备2000包括:接收装置210、确定装置220以及仲裁选取装置230。其中,接收装置210用于接收来自多个来源的车道线信息;确定装置220用于确定基准车道线;以及仲裁选取装置230用于从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
术语“道路模型”,顾名思义,即是对车辆所行驶(或周围的)道路进行建模所得。例如,在辅助驾驶功能中,构建道路模型是众多辅助功能的基础,因为只有非常全面地了解车辆行驶的路面,自主驾驶***或辅助驾驶***才可以识别出任何路况可能对车辆产生的影响,以确保无论在何种情况下都不会让高速行驶的车辆遭遇危险。道路模型包括本车所在车道的左右车道线的位置信息、车道线类型(是否可跨越)以及旁边车道的具体信息。
在本发明的上下文中,“来自多个来源的车道线信息”包括高精地图车道线和/或视觉识别车道线。高精地图和视觉识别,是提供车道线信息的两个最重要的来源。所谓“高精地图车道线”即是指通过高精地图所获得的车道线信息,而“视觉识别车道线”是指通过各种视觉传感器(例如摄像头、超声波雷达等)所识别的车道线信息。高精地图信息不受天气和环境影响,但与定位信息、供应商的信息更新频率以及准确度强相关;视觉识别实时性很强,但是受天气以及周围车辆遮挡物影响较大。
术语“基准车道线”是指作为基准的车道线,该车道线可以是本车道(即当前车辆所行驶车道)的左车道线或右车道线。例如,在基准车道线为本车道的左车道线时,与该基准车道线对应的第一车道线为本车道的右车道线。相反地,若基准车道线为本车道的右车道线时,则与该基准车道线对应的第一车道线为本车道的左车道线。
道路模型的生成设备2000通过从来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,可获得更准确的车道线信息。此外,该设备2000从来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线还可解决在某些场景下可能的漏识别与误识别的问题。例如,在正常行驶中由于物理车道线被遮挡或者部分磨损导致视觉漏识别的场景下,该设备2000通过其他来源的车道线信息的选取可补充视觉识别车道线的缺失,提升道路信息的稳定性。
在一个实施例中,接收装置210配置成基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。例如,接收装置210配置成将多个来源的车道线中置信度低于某一阈值的车道线进行过滤。1由于车道和车道线在多帧间一定是连续的,且车道线在多帧间存在唯一的id,因此在本帧得到数个新增的车道线时,接收装置210可参考上一帧的车道信息,判断新增车道线的置信程度和取舍情况。
在一个实施例中,确定装置220配置成基于上一帧的本车道的车道线以及本帧视觉识别到的本车道的车道线来确定基准车道线。
在一个实施例中,仲裁选取装置230配置成在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。在另一个实施例中,仲裁选取装置230配置成在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。在又一个实施例中,仲裁选取装置230配置成在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及若不匹配,则确定所述第一车道线为所述视觉识别车道线。可见,当用来描述同一位置车道线的两条不同来源车道线存在较大差异时,视觉识别优先级更高,这充分考虑了视觉识别的车道线信息实时性更高的特质。在该实施例中,在所述视觉识别车道线与所述高精地图车道线匹配时,该仲裁选取装置230还配置成将离所述基准车道线最近的车道线确定为所述第一车道线。
在一个实施例中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
在一个实施例中,尽管图2未示出,上述设备2000还可包括:分配装置,用于在车道线仲裁选择之后,将多条车道线分配到对应车道;以及输出装置,用于输出相应的道路模型。在一个实施例中,该设备2000还可包括:换道判断装置,用于在车道线仲裁选择之前,进行换道判断:以及更新装置,用于在判断本车已经换道时,更新本车道信息。
在一个或多个实施例中,上述道路模型的生成设备2000可集成在自主驾驶***或辅助驾驶***中。在一个实施例中,辅助驾驶***为ADAS***,即高级驾驶辅助***或先进驾驶辅助***。该ADAS***利用安装在车上的各式各样传感器(例如,毫米波雷达、激光雷达、单\双目摄像头以及卫星导航),在汽车行驶过程中随时来感应周围的环境,收集数据,进行静态、动态物体的辨识、侦测与追踪,并结合导航地图数据,进行***的运算与分析,从而预先让驾驶者察觉到可能发生的危险,有效增加汽车驾驶的舒适性和安全性。在一个实施例中,高级驾驶辅助***包括导航与实时交通***TMC、电子警察***ISA (Intelligentspeed adaptation或intelligent speed advice)、车联网(Vehicular communicationsystems)、自适应巡航ACC(Adaptive cruise control)、车道偏移报警***LDWS( Lanedeparture warning system)、车道保持***(Lane keep assistance)、碰撞避免或预碰撞***(Collision avoidance system或Precrash system)、夜视***(Night Visionsystem)、自适应灯光控制(Adaptive light control)、行人保护***(Pedestrianprotection system)、自动泊车***(Automatic parking)、交通标志识别(Traffic signrecognition)、盲点探测( Blind spot detection) ,驾驶员疲劳探测(Driverdrowsiness detection)、下坡控制***(Hill descent control)和电动汽车报警(Electric vehicle warning sounds)***。
图3示出了根据本发明的一个实施例的道路模型的生成方法3000的流程示意图。如图3所示,方法3000包括如下步骤:
在步骤310中,上一帧的车道线根据VPE(Vehicle Position Estimate,本车位置估计)来进行更新。例如,上一帧的车道线根据车辆在横/纵向上的转角偏差来进行适应性地更新。在对上一帧的车道线根据本车位移作更新后,可以作为本帧车道线更新的参考。在步骤315中,获得本帧视觉识别车道线。在步骤320中,视觉车道线会与上一帧车道线作匹配。在步骤325中,获得本帧高精地图车道线。在步骤330中,步骤320中经过与上一帧车道线匹配后的视觉车道线与高精地图车道线信息一同实现融合。例如,融合完成后每条视觉车道线会新增是否有地图车道线与之匹配上的信息,并且高精地图新增的车道线也会加到车道线列表里。接着,在步骤340中,对车道线列表中的车道线做相关检查和过滤,其中策略之一是:由于地图定位存在误差,当处在上下匝道等复杂场景中,起始位置较远的车道线的位置误差较大,如果直接将该条地图车道线加到道路模型中,在后数帧中,此条地图车道线可能存在较大的跳变,影响性能,因此限制地图补充的车道线只取起始点在预设范围内(例如5米)的线。
在步骤350中,进行换道状态判断以及本车道更新。换道判断步骤主要基于两个方面判断是否存在换道动作,即(1)视觉识别的车道线的角色是否存在跳变(某条前后追踪上的车道线的角色从左车道线变为右车道线,即本车可能存在向左换道);(2)本车是否有较高程度的压线动作。在满足以上两个条件之一时,也可用本车压线情况进行双重验证,避免由于视觉误识别角色信息错误导致的误换道状态。
在判断换道并更新本车道后,在步骤360中,进行车道线仲裁选择。例如,可基于上一帧车道信息,对本帧新增的车道线的准确度作判断。在众多车道线中选择本车道的左右车道线,其他车道线的分配基于上述两条车道线进行。因此在此步骤中,通过仲裁来在多条车道线中选择正确的车道线作为本车道的左右车道线。
在选择本车道左右车道线后,在步骤370中,将车道线分配到对应车道,例如其他车道线的分配基于其位置关系来依次更新到各条车道上。
最后,在步骤380中,输出道路模型。
图4示出了根据本发明的一个实施例的车道线仲裁选择的流程示意图4000。首先,在步骤410中,车道线根据位置进行排序;接着,在步骤420中,根据上一帧车道信息设定最大以及最小车道宽度;在步骤430中,基于上一帧的本车道的车道线以及本帧视觉识别到的本车道的车道线来形成基准车道线。在步骤440中,基于此基准车道线,寻找缺失的本车道的左车道线或右车道线。
参考图4,在一个实施例中,步骤440进一步包括:步骤442,按位置找到距离大于最小车道宽且最近的潜在视觉识别以及高精地图车道线;步骤444,判断该车道线是否符合最大车道宽条件;步骤446,根据仲裁规则来选择视觉识别车道线或高精地图车道线;以及步骤448,基于历史的本车道信息进行反向修正。
图5示出了根据本发明的一个实施例、多来源车道线仲裁的流程示意图5000。如图5所示,在步骤510中,判断是否存在视觉识别车道线;若否,则直接进行步骤540,即选择高精地图车道线;若存在视觉识别车道线,则在步骤520中进一步判断是否存在地图车道线;若否,则直接进行步骤560,即选择视觉识别车道线;而若同时存在视觉识别车道线以及高精地图车道线,则在步骤530中判断两者是否能匹配上。若不能,则视觉识别地图线具有较高优先级,否则进行步骤550,即选取最近的车道线,即距离基准车道线最近的车道线。
通过结合高精地图的车道线信息,且通过一定的评判标准来判断高精地图车道线的置信程度,来补充视觉识别车道线在某些场景下存在的漏识别与误识别问题。多源车道线信息的综合运用能完善道路信息并提高道路信息的稳定性,提高自动换道成功率,以及提升目标识别和引导相关的性能。
综上,本发明的实施例的道路模型的生成方案通过从多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,从而可获得更准确的车道线信息,避免各不同信号源的缺陷,提高了道路模型中道路信息的稳定性。
本发明的实施例的道路模型的生成方案特别适用于视觉识别车道线缺失或错误等场景,包括但不限于:在换道过程中由于视觉车道线的置信度过低导致换道失败;在正常行驶中由于物理车道线被遮挡或者部分磨损导致视觉漏识别或者误识别;在上下匝道和旁边车道车辆较多时,视觉识别车道线缺失。
尽管以上说明书只对其中一些本发明的实施方式进行了描述,但是本领域普通技术人员应当了解,本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此,所展示的例子与实施方式被视为示意性的而非限制性的,在不脱离如所附各权利要求所定义的本发明精神及范围的情况下,本发明可能涵盖各种的修改与替换。
Claims (23)
1.一种道路模型的生成方法,其特征在于,所述方法包括:
接收来自多个来源的车道线信息;
确定基准车道线;以及
从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
2.如权利要求1所述的方法,其中,所述多个来源的车道线信息包括高精地图车道线和/或视觉识别车道线。
3.如权利要求2所述的方法,其中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:
在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。
4.如权利要求2所述的方法,其中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:
在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。
5. 如权利要求2所述的方法,其中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线包括:
在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及
若不匹配,则确定所述第一车道线为所述视觉识别车道线。
6.如权利要求5所述的方法,其中,从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线还包括:
在所述视觉识别车道线与所述高精地图车道线匹配时,将离所述基准车道线最近的车道线确定为所述第一车道线。
7.如权利要求1所述的方法,其中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
8. 如权利要求1所述的方法,还包括:
在车道线仲裁选择之后,将多条车道线分配到对应车道;以及
输出相应的道路模型。
9. 如权利要求1所述的方法,还包括:
在车道线仲裁选择之前,进行换道判断:以及
在判断本车已经换道时,更新本车道信息。
10.如权利要求1所述的方法,其中,接收来自多个来源的车道线信息包括:
基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。
11.一种道路模型的生成设备,其特征在于,所述设备包括:
接收装置,用于接收来自多个来源的车道线信息;
确定装置,用于确定基准车道线;以及
仲裁选取装置,用于从所述来自多个来源的车道线信息中仲裁选取与基准车道线对应的第一车道线,其中所述第一车道线和所述基准车道线共同构成本车道的左右车道线。
12.如权利要求11所述的设备,其中,所述多个来源的车道线信息包括高精地图车道线和/或视觉识别车道线。
13.如权利要求12所述的设备,其中,所述仲裁选取装置配置成在不存在视觉识别车道线时,确定所述第一车道线为高精地图车道线。
14.如权利要求12所述的设备,其中,所述仲裁选取装置配置成在存在视觉识别车道线但不存在高精地图车道线时,确定所述第一车道线为视觉识别车道线。
15.如权利要求12所述的设备,其中,所述仲裁选取装置配置成在同时存在视觉识别车道线以及高精地图车道线时,确定所述视觉识别车道线与所述高精地图车道线是否匹配;以及若不匹配,则确定所述第一车道线为所述视觉识别车道线。
16.如权利要求15所述的设备,其中,所述仲裁选取装置还配置成在所述视觉识别车道线与所述高精地图车道线匹配时,将离所述基准车道线最近的车道线确定为所述第一车道线。
17.如权利要求11所述的设备,其中,所述第一车道线与所述基准车道线之间的距离同时满足最大以及最小车道宽条件,其中所述最大以及最小车道宽条件基于上一帧车道信息来进行设定。
18. 如权利要求11所述的设备,还包括:
分配装置,用于在车道线仲裁选择之后,将多条车道线分配到对应车道;以及
输出装置,用于输出相应的道路模型。
19. 如权利要求11所述的设备,还包括:
换道判断装置,用于在车道线仲裁选择之前,进行换道判断:以及
更新装置,用于在判断本车已经换道时,更新本车道信息。
20.如权利要求11所述的设备,其中,所述接收装置配置成基于所述多个来源的车道线的置信度,过滤所述多个来源的车道线的一部分。
21.一种计算机存储介质,其特征在于,所述介质包括指令,所述指令在运行时执行如权利要求1至10中任一项所述的方法。
22.一种自主驾驶***,其特征在于,所述***包括如权利要求11至20中任一项所述的设备。
23.一种车辆,其特征在于,所述车辆包括如权利要求22所述的自主驾驶***。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871523.3A CN113386771A (zh) | 2021-07-30 | 2021-07-30 | 道路模型的生成方法及设备 |
EP22165366.0A EP4125061A1 (en) | 2021-07-30 | 2022-03-30 | Road model generation method and device |
US17/872,557 US20230032741A1 (en) | 2021-07-30 | 2022-07-25 | Road model generation method and device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110871523.3A CN113386771A (zh) | 2021-07-30 | 2021-07-30 | 道路模型的生成方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113386771A true CN113386771A (zh) | 2021-09-14 |
Family
ID=77622385
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110871523.3A Pending CN113386771A (zh) | 2021-07-30 | 2021-07-30 | 道路模型的生成方法及设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230032741A1 (zh) |
EP (1) | EP4125061A1 (zh) |
CN (1) | CN113386771A (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113506470A (zh) * | 2020-03-24 | 2021-10-15 | 深圳市超捷通讯有限公司 | 超车辅助方法、车载装置及可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4392389B2 (ja) * | 2005-06-27 | 2009-12-24 | 本田技研工業株式会社 | 車両及び車線認識装置 |
CN105698812B (zh) * | 2016-01-15 | 2019-04-30 | 武汉光庭科技有限公司 | 一种自动驾驶中基于安全驾驶地图和两侧摄像头的车道线检测***及其方法 |
CN105676253B (zh) * | 2016-01-15 | 2019-01-01 | 武汉光庭科技有限公司 | 一种自动驾驶中基于城市道路标线地图的纵向定位***及其方法 |
CN108303103B (zh) * | 2017-02-07 | 2020-02-07 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
WO2020004817A1 (ko) * | 2018-06-26 | 2020-01-02 | 에스케이텔레콤 주식회사 | 차선 정보 검출 장치, 방법 및 이러한 방법을 수행하도록 프로그램된 컴퓨 프로그램을 저장하는 컴퓨터 판독가능한 기록매체 |
CN111522003B (zh) * | 2019-01-31 | 2022-11-11 | 广州汽车集团股份有限公司 | 车辆定位方法及***、计算机设备、车辆、存储介质 |
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 |
-
2021
- 2021-07-30 CN CN202110871523.3A patent/CN113386771A/zh active Pending
-
2022
- 2022-03-30 EP EP22165366.0A patent/EP4125061A1/en active Pending
- 2022-07-25 US US17/872,557 patent/US20230032741A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4125061A1 (en) | 2023-02-01 |
US20230032741A1 (en) | 2023-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10583839B2 (en) | Method of lane change decision-making and path planning | |
CN107848534B (zh) | 车辆控制装置、车辆控制方法及存储车辆控制程序的介质 | |
US9360332B2 (en) | Method for determining a course of a traffic lane for a vehicle | |
JP2018197964A (ja) | 車両の制御方法及び装置 | |
US20210221355A1 (en) | Apparatus and method for generating u-turn path of autonomous vehicle | |
CN110675656A (zh) | 一种基于瞬时风险识别的智能车辆换道预警方法 | |
CN111324120A (zh) | 一种自动驾驶前车切入切出场景提取方法 | |
WO2019030916A1 (ja) | 車線情報管理方法、走行制御方法及び車線情報管理装置 | |
EP4074565A1 (en) | Automated lane changing device and method for vehicle | |
US11661061B2 (en) | Method and device for assisting a driver in a vehicle | |
CN113460086B (zh) | 自动驾驶进入匝道的控制***、方法、车辆及存储介质 | |
US20150211879A1 (en) | Vehicular navigation system | |
CN112781600A (zh) | 一种车辆导航方法、装置及存储介质 | |
US20230032741A1 (en) | Road model generation method and device | |
CN113147766A (zh) | 目标车辆的换道预测方法及设备 | |
CN115447600B (zh) | 基于深度学习的车辆防拥堵方法、控制器和存储介质 | |
US20230034979A1 (en) | Method and device for determining reliability of visual detection | |
CN113753038B (zh) | 一种轨迹预测方法、装置、电子设备和存储介质 | |
CN113581196B (zh) | 一种车辆行驶预警的方法、装置、计算机设备及存储介质 | |
CN112677976B (zh) | 车辆行驶方法、装置、车辆和存储介质 | |
CN114735021A (zh) | 自动驾驶***以及异常判定方法 | |
CN109017789B (zh) | 车辆控制方法 | |
CN114771568B (zh) | 基于摄像头和地图信息的限速融合方法、***及车辆 | |
CN115230692B (zh) | 车辆控制方法、装置、车辆及可读存储介质 | |
CN114132317B (zh) | 智能弯道靠边行驶控制方法、***、车辆及存储介质 |
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 |