CN113885045A - 车道线的检测方法和装置 - Google Patents

车道线的检测方法和装置 Download PDF

Info

Publication number
CN113885045A
CN113885045A CN202010632014.0A CN202010632014A CN113885045A CN 113885045 A CN113885045 A CN 113885045A CN 202010632014 A CN202010632014 A CN 202010632014A CN 113885045 A CN113885045 A CN 113885045A
Authority
CN
China
Prior art keywords
lane line
road edge
reflection points
points
coordinate system
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
CN202010632014.0A
Other languages
English (en)
Inventor
曹彤彤
刘冰冰
李向旭
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010632014.0A priority Critical patent/CN113885045A/zh
Priority to PCT/CN2021/092310 priority patent/WO2022001366A1/zh
Priority to EP21832411.9A priority patent/EP4170544A4/en
Priority to JP2022581628A priority patent/JP2023534406A/ja
Priority to KR1020237003090A priority patent/KR20230031316A/ko
Priority to BR112023000012A priority patent/BR112023000012A2/pt
Publication of CN113885045A publication Critical patent/CN113885045A/zh
Priority to US18/148,703 priority patent/US20230136798A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • 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
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • B60W2420/408—Radar; Laser, e.g. lidar
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/48—Extraction of image or video features by mapping characteristic values of the pattern into a parameter space, e.g. Hough transformation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Theoretical Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本申请提供一种人工智能领域中的车道线的检测方法和装置。该方法包括：利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息；基于道路边缘信息建立道路边缘坐标系；基于车道线候选反射点在道路边缘坐标系中的坐标，从车道线候选反射点中提取车道线反射点；以及基于车道线反射点，得到车道线。该技术方案根据道路边缘信息建立道路边缘坐标系，并在道路边缘坐标系中提取车道线反射点，能够改进车道线的检测精度和稳定性。

Description

车道线的检测方法和装置
技术领域
本申请涉及自动驾驶领域，并且更具体地，涉及一种车道线的检测方法和装置。
背景技术
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人、自然语言处理、计算机视觉、决策与推理、人机交互、推荐与搜索、AI基础理论等。
自动驾驶是人工智能领域的一种主流应用。自动驾驶技术依靠计算机视觉、雷达、监控装置和全球定位***等协同合作，让机动车辆可以在不需要人类主动操作下，实现自动驾驶。自动驾驶的车辆使用各种计算***来帮助将乘客从一个位置运输到另一位置。一些自动驾驶车辆可能要求来自操作者(诸如，领航员、驾驶员、或者乘客)的一些初始输入或者连续输入。自动驾驶车辆准许操作者从手动模操作式切换到自东驾驶模式或者介于两者之间的模式。由于自动驾驶技术无需人类来驾驶机动车辆，所以理论上能够有效避免人类的驾驶失误，减少交通事故的发生，且能够提高公路的运输效率。因此，自动驾驶技术越来越受到重视。
在自动驾驶领域中，需要对车辆进行定位，以保证车辆不会偏离道路。在道路的各类标识中，车道线对于保证车辆定位的精度起到重要的参考作用。因此，对车道线的检测精度会直接影响车辆能否准确定位。
发明内容
本申请提供一种车道线的检测方法和装置，能够改进车道线的检测精度和稳定性，从而实现车辆的精准定位。
第一方面，提供一种车道线的检测方法，包括：利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息；基于所述道路边缘信息建立道路边缘坐标系；基于所述车道线候选反射点在道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点；以及基于所述车道线反射点，得到车道线。
由于道路边缘和车道线存在一定的关联关系，因此，利用道路边缘信息作为先验信息，可以有效滤除车道线候选反射点中的噪点，提高检测车道线的精度和稳定性。此外，无论车道线的实际形状是否规则，车道线反射点在道路边缘坐标系中的排布会比较规律，因此，在道路边缘坐标系中提取车道线反射点也更加简单。
结合第一方面，在第一方面的某些实现方式中，在所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点之前，所述方法还包括：根据所述道路边缘信息，从所述车道线候选反射点中滤除与道路边缘之间的距离大于阈值的反射点。
道路边缘处的反射点与车道线反射点具有类似的特征，即均具有较强的反射强度，因此，道路边缘处的反射点经常作为噪点被包含在车道线候选反射点中。在利用道路边缘坐标系对车道线候选反射点进行处理之前，根据道路边缘与候选反射点之间的距离关系，可以预先滤除因道路边缘引入的噪点，从而提高后续处理的效率。
结合第一方面，在第一方面的某些实现方式中，所述道路边缘信息包括两条道路边缘线的信息，所述基于道路边缘信息建立道路边缘坐标系包括：以所述两条道路边缘线中较长的一条边缘线作为参考线，建立所述道路边缘坐标系。
较长的边缘线更加可靠，以较长的边缘线作为参考线建立道路边缘坐标系，也会使得车道线的检测结果更加可靠。
结合第一方面，在第一方面的某些实现方式中，所述道路边缘信息包括两条道路边缘线的信息，所述两条道路边缘线存在差异，所述道路边缘坐标系包括分别以所述两条道路边缘线作为参考线建立的两个坐标系。
在两条道路边缘线差异较大的情况下，利用两个坐标系分别对车道线候选反射点进行筛选，不容易遗漏车道线反射点，车道线的检测结果也会更准确。
结合第一方面，在第一方面的某些实现方式中，所述基于车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点，包括：基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，确定所述车道线候选反射点的特征；基于所述车道线候选反射点的特征，从所述车道线候选反射点中提取所述车道线反射点。
车道线候选反射点的特征可以包括车道线候选反射点的朝向、车道线候选反射点与道路边缘的距离、车道线候选反射点彼此之间的间距、车道线候选反射点之间是否能够构成直线等特征中的一个或多个。
结合第一方面，在第一方面的某些实现方式中，所述道路边缘信息包括两条道路边缘线的信息，所述基于道路边缘信息建立道路边缘坐标系包括：以所述两条道路边缘线的中心线作为参考线，建立所述道路边缘坐标系。
结合第一方面，在第一方面的某些实现方式中，所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，确定所述车道线候选反射点的特征，包括：基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，通过霍夫变换进行特征检测，得到一条直线；所述基于所述车道线候选反射点的特征，从所述车道线候选反射点中提取所述车道线反射点，包括：从所述车道线候选反射点中提取与所述直线之间的距离小于第一阈值的反射点，作为所述车道线反射点。
结合第一方面，在第一方面的某些实现方式中，所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点，包括：基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，对所述车道线候选反射点进行聚类；根据所述聚类的结果，确定所述车道线反射点。
第二方面，提供一种车道线的检测装置，包括用于执行第一方面所述的检测方法的模块。
第三方面，提供一种车道线的检测装置，包括：至少一个处理器；以及存储器，与所述至少一个处理器信号连接。所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行第一方面所述的检测方法。
第四方面，提供一种芯片，所述芯片包括处理器与数据接口，所述处理器通过所述数据接口读取存储器上存储的指令，执行第一方面所述的检测方法。
可选地，作为一种实现方式，所述芯片还可以包括存储器，所述存储器中存储有指令，所述处理器用于执行所述存储器上存储的指令，当所述指令被执行时，所述处理器用于执行第一方面所述的检测方法。
第五方面，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，当其在计算机上运行时，使得计算机执行第一方面所述的检测方法。
第六方面，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，使得计算机执行第一方面所述的检测方法。
第七方面，提供一种车辆，该车辆包括第二方面或第三方面所述的检测装置。
附图说明
图1为本申请一实施例提供的车辆的功能框图。
图2为本申请一实施例提供的车辆的自动驾驶***的结构示意图。
图3为图2中的环境感知模块220的具体结构示意图。
图4为本申请实施例提供的车道线的检测方法的流程示意图。
图5为图4中的步骤S410的一种可能的实现方式的流程示意图。
图6为车道线候选反射点在自车坐标系中的分布示意图。
图7为车道线候选反射点在道路边缘坐标系中的分布示意图。
图8为图4中的步骤S430的一种可能的实现方式的流程示意图。
图9为图4中的步骤S430的另一种可能的实现方式的流程示意图。
图10为图4中的步骤S430的又一种可能的实现方式的流程示意图。
图11为本申请一实施例提供的车道线的检测装置的结构示意图。
图12为本申请另一实施例提供的车道线的检测装置的结构示意图。
具体实施方式
本申请提供的车道线的检测方法可应用于具有自动驾驶功能的车辆。下面结合图1对具有自动驾驶功能的车辆的具体结构进行详细的说明。
图1是本申请实施例提供的车辆100的功能框图。在一个实施例中，将车辆100配置为完全或部分地自动驾驶模式。例如，车辆100可以在处于自动驾驶模式中的同时控制自身，并且可通过人为操作来确定车辆及其周边环境的当前状态，确定周边环境中的至少一个其它车辆的可能行为，并确定该其它车辆执行可能行为的可能性相对应的置信水平，基于所确定的信息来控制车辆100。在车辆100处于自动驾驶模式中时，可以将车辆100置为在没有和人交互的情况下操作。
车辆100可包括各种子***，例如行进***102、传感***104、控制***106、一个或多个***设备108以及电源110、计算机***112和用户接口116。可选地，车辆100可包括更多或更少的子***，并且每个子***可包括多个元件。另外，车辆100的每个子***和元件可以通过有线或者无线互连。
行进***102可包括为车辆100提供动力运动的组件。在一个实施例中，行进***102可包括引擎118、能量源119、传动装置120和车轮(或轮胎)121。引擎118可以是内燃引擎、电动机、空气压缩引擎或其它类型的引擎组合，例如汽油发动机和电动机组成的混动引擎，内燃引擎和空气压缩引擎组成的混动引擎。引擎118将能量源119转换成机械能量。
能量源119的示例包括汽油、柴油、其它基于石油的燃料、丙烷、其它基于压缩气体的燃料、乙醇、太阳能电池板、电池和其它电力来源。能量源119也可以为车辆100的其它***提供能量。
传动装置120可以将来自引擎118的机械动力传送到车轮121。传动装置120可包括变速箱、差速器和驱动轴。在一个实施例中，传动装置120还可以包括其它器件，比如离合器。其中，驱动轴可包括可耦合到一个或多个车轮121的一个或多个轴。
传感***104可包括感测关于车辆100周边的环境的信息的若干个传感器。例如，传感***104可包括全球定位***122(全球定位***可以是GPS***，也可以是北斗***或者其它定位***)、惯性测量单元(inertialmeasurementunit，IMU)124、雷达126、激光测距仪128以及相机130。传感***104还可包括被监视车辆100的内部***的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。该检测对象包括道路结构以及位于道路上的其它目标物的检测和识别，这种检测和识别是自主车辆100的安全操作的关键功能。
定位***122可用于估计车辆100的地理位置。IMU124用于基于惯性加速度来感测车辆100的位置和朝向变化。在一个实施例中，IMU124可以是加速度计和陀螺仪的组合。
雷达126可利用无线电信号来感测车辆100的周边环境内的物体。在一些实施例中，除了感测物体以外，雷达126还可用于感测物体的速度和/或前进方向。
激光测距仪128可利用激光来感测车辆100所位于的环境中的物体。在一些实施例中，激光测距仪128可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其它***组件。
相机130可用于捕捉车辆100的周边环境的多个图像。相机130可以是静态相机或视频相机。
控制***106可以设置为控制车辆100及其组件的操作。控制***106可包括各种元件，例如包括转向***132、油门134、制动单元136、传感器融合算法138、计算机视觉***140、路线控制***142以及障碍规避***144等。
转向***132可以用于调整车辆100的前进方向。例如在一个实施例中，转向***132可以为方向盘***。
油门134可以用于控制引擎118的操作速度并进而控制车辆100的速度。
制动单元136可以用于控制车辆100减速。制动单元136可使用摩擦力来减慢车轮121。在其它实施例中，制动单元136可将车轮121的动能转换为电流。制动单元136也可采取其它形式来减慢车轮121转速从而控制车辆100的速度。
计算机视觉***140可以用于处理和分析由相机130捕捉的图像、传感***提供的道路信息反射点等信息，以便识别车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边缘和障碍物。计算机视觉***140可使用物体识别算法、运动中恢复结构(structurefrommotion，SFM)算法、视频跟踪和其它计算机视觉技术。在一些实施例中，计算机视觉***140可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。
路线控制***142用于确定车辆100的行驶路线。在一些实施例中，路线控制***142可结合来自传感器融合算法138、全球定位***122和一个或多个预定地图的数据为车辆100确定行驶路线。
障碍规避***144用于识别、评估和避免或者以其它方式越过车辆100的环境中的潜在障碍物。
当然，在一个实施例中，控制***106可以增加或替换地包括除了图1所示出和描述的那些以外的组件，或者也可以减少一部分图1所示出的组件。
车辆100通过***设备108与外部传感器、其它车辆、其它计算机***或用户之间进行交互。***设备108可包括无线通信***146、车载电脑148、麦克风150和/或扬声器152。
在一些实施例中，***设备108提供车辆100的用户与用户接口116交互的手段。例如，车载电脑148可向车辆100的用户提供信息。用户接口116还可操作车载电脑148来接收用户的输入。车载电脑148可以通过触摸屏进行操作。在其它情况中，***设备108可提供用于车辆100与位于车内的其它设备通信的手段。例如，麦克风150可从车辆100的用户接收音频(例如，语音命令或其它音频输入)。类似地，扬声器152可向车辆100的用户输出音频。
无线通信***146可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信***146可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE，或者5G蜂窝通信。无线通信***146可利用WiFi与无线局域网(wirelesslocalareanetwork，WLAN)通信。在一些实施例中，无线通信***146可利用红外链路、蓝牙或ZigBee与设备直接通信。其它无线协议，例如各种车辆通信***，例如，无线通信***146可包括一个或多个专用短程通信(dedicatedshortrangecommunications，DSRC)设备，这些设备可包括车辆和/或路边台站之间的公共和/或私有数据通信。
电源110可向车辆100的各种组件提供电力。在一个实施例中，电源110可以为可再充电锂离子或铅酸电池。这种电池的一个或多个电池组可被配置为电源为车辆100的各种组件提供电力。在一些实施例中，电源110和能量源119可一起实现，例如一些全电动车中那样。
车辆100的部分或所有功能受计算机***112控制。计算机***112可包括至少一个处理器113，处理器113执行存储在例如存储器114这样的非暂态计算机可读介质中的指令115。计算机***112还可以是采用分布式方式控制车辆100的个体组件或子***的多个计算设备。
处理器113可以是任何常规的处理器，诸如商业可获得的CPU。可选地，该处理器可以是诸如ASIC或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同块中的计算机***112中的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机、或存储器实际上可以包括可以或者可以不存储在相同的物理外壳内的多个处理器、计算机、或存储器。例如，存储器可以是硬盘驱动器或位于不同于的计算机***112的外壳内的其它存储介质。因此，对处理器或计算机的引用将被理解为包括对可以或者可以不并行操作的处理器或计算机或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中，处理器可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
在一些实施例中，存储器114可包含指令115(例如，程序逻辑)，指令115可被处理器113执行来执行车辆100的各种功能，包括以上描述的那些功能。存储器114也可包含额外的指令，包括向行进***102、传感***104、控制***106和***设备108中的一个或多个发送数据、从其接收数据、与其交互和/或对其进行控制的指令。
除了指令115以外，存储器114还可存储数据，例如道路地图、路线信息，车辆的位置、方向、速度以及其它这样的车辆数据，以及其它信息。这种信息可在车辆100在自主、半自主和/或手动模式中操作期间被车辆100和计算机***112使用。
例如，在采用雷达126扫描车辆的周围环境之后，存储器114中可以存储反射点形成的点云数据。车辆100或计算机***112可以从点云中找出车道线反射点，从而确定车道线的位置。接着，车辆100或计算机***112可以基于车道线对车辆100进行定位或控制。
用户接口116，用于向车辆100的用户提供信息或从其接收信息。可选地，用户接口116可包括在***设备108的集合内的一个或多个输入/输出设备，例如无线通信***146、车载电脑148、麦克风150和扬声器152。
计算机***112可基于从各种子***(例如，行进***102、传感***104和控制***106)以及从用户接口116接收的输入来控制车辆100的功能。例如，计算机***112可利用来自控制***106的输入以便控制转向***132来避免由传感***104和障碍规避***144检测到的障碍物。在一些实施例中，计算机***112可操作来对车辆100及其子***的许多方面提供控制。
可选地，上述这些组件中的一个或多个可与车辆100分开安装或关联。例如，存储器114可以部分或完全地与车辆100分开存在。上述组件可以按有线和/或无线方式来通信地耦合在一起。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图1不应理解为对本申请实施例的限制。
在道路行进的自动驾驶车辆，如上面的车辆100，可以识别其周围环境内的物体以确定对当前速度的调整。所述物体可以是其它车辆、交通控制设备、或者其它类型的物体。在一些示例中，可以独立地考虑每个识别的物体，并且基于物体的各自的特性，诸如它的当前速度、加速度、与车辆的间距等，可以用来确定自动驾驶车辆所要调整的速度。
可选地，自动驾驶车辆100或者与自动驾驶车辆100相关联的计算设备(如图1的计算机***112、计算机视觉***140、存储器114)可以基于所识别的物体的特性和周围环境的状态(例如，交通、雨、道路上的冰、等等)来预测所述识别的物体的行为。可选地，每一个所识别的物体都依赖于彼此的行为，因此还可以将所识别的所有物体全部一起考虑来预测单个识别的物体的行为。车辆100能够基于预测的所述识别的物体的行为来调整它的速度。换句话说，自动驾驶车辆能够基于所预测的物体的行为来确定车辆将需要调整到(例如，加速、减速、或者停止)什么程度的稳定状态。在这个过程中，也可以考虑其它因素来确定车辆100的速度，诸如，车辆100在行驶的道路中的横向位置(沿与道路延伸方向垂直的方向)、道路的曲率、静态和动态物体的接近度等等。
除了提供调整自动驾驶车辆的速度的指令之外，计算设备还可以提供修改车辆100的转向角的指令，以使得自动驾驶车辆遵循给定的轨迹和/或维持与自动驾驶车辆附近的物体(例如，道路上的相邻车道中的车辆)的安全横向和纵向距离。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。
本申请提供的车道线的检测方法可以应用于车辆的自动驾驶***中，下面结合图2和图3对自动驾驶***进行详细的说明。需要说明的是，图2和图3中的激光雷达210可以属于图1中的传感***104的一部分，例如可以是图1中的雷达126的一种具体形式。图2中的环境感知模块220、定位模块230、规划和控制模块240可以由图1中的控制***106实现，也可以由图1中的计算机***112实现，或者也可以由二者共同实现。图2中的加减速/转向装置250可以属于行进***102的一部分。
参见图2，激光雷达210(或称激光雷达传感器)可用于对车辆周围的环境进行扫描。例如，激光雷达可以对车辆行驶的路面进行扫描。然后，激光雷达210可以将接收到的扫描信息传输至环境感知模块220和定位模块230。该扫描信息例如可以包括车辆周围的障碍物(如路面或其它车辆等)对激光雷达发出的激光进行反射所形成的反射点的信息。
定位模块230可以对扫描信息进行处理，以感知车辆在道路中的位置、朝向等。
参见图3，环境感知模块220可以包括目标物感知模块221、可行驶区域感知模块222以及道路结构信息感知模块223。
目标物感知模块221可以根据激光雷达210输入的扫描信息检测道路上的其它车辆的信息。例如，可以检测能够反映车辆之间的间距的信息。
行驶区域感知模块222可以根据激光雷达210输入的扫描信息检测道路的通行状态、车辆的可行驶区域等信息。
道路结构信息感知模块223可以根据激光雷达210输入的扫描信息检测道路的结构。道路结构信息感知模块223可以包括车道线感知模块224。该车道线感知模块224可以对扫描信息进行处理，以提取出关于车道线的信息，从而实现对车道线的感知。
规划和控制模块240可以接收环境感知模块220和定位模块240的处理结果，并对处理结果进行分析，从而对加减速和转向装置250进行控制。例如，规划和控制模块240可以根据车道线感知模块224感知到的车道线的信息作出精准的路径规划，并通过加速和转向装置250对车辆的行驶状态进行控制。
通过以上描述可以看出，车道线的准确检测对于车辆的自动驾驶具有重要意义。为了检测车道线，相关技术首先利用激光雷达扫描车辆周围环境，并根据激光反射点的强度信息提取车道线候选反射点。由于车道线候选反射点中包含大量噪点，在得到车道线候选反射点之后，相关技术会采取一定的方式滤除车道线候选反射点中的噪点，从而得到车道线反射点。然后，根据车道线反射点即可确定车道线的位置。
但是，相关技术从车道线候选反射点中提取车道线反射点时，并未充分利用道路边缘信息，而且相关技术主要是在自车坐标系中提取车道线反射点，这些均导致提取出的车道线反射点不够准确和可靠。
下面结合图4，对本申请实施例提供的车道线的检测方法进行详细地说明。图4提供的车道线的检测方法可以应用在车辆的自动驾驶***中，例如，可以应用在图2所示的自动驾驶***的环境感知模块220中。如图4所示，该方法包括步骤S410-S440，下面对各个步骤进行详细描述。
在步骤S410，利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息。例如，首先利用激光雷达对车辆周围环境扫描并获取发射点，然后，可以根据反射点的强度信息、反射点及相邻反射点的特征获取车道线候选反射点和道路边缘信息。步骤S410的具体实现方式参见图5。
在步骤S420，基于道路边缘信息建立道路边缘坐标系。道路边缘信息可以是道路边缘线的信息，如道路边缘线的位置、长度、两条道路边缘线的差异等信息。道路边缘坐标系可以是以道路边缘线为参考线建立的二维直角坐标系，也可以是Frenet坐标系。例如，道路边缘坐标系可以是以道路边缘线作为二维直角坐标系的一条轴线建立的坐标系。
在步骤S430，基于车道线候选反射点在道路边缘坐标系中的坐标，从车道线候选反射点中提取车道线反射点。在执行步骤S430之前，可以先将车道线候选反射点从当前坐标系(如自车坐标系)投影至道路边缘坐标系中，然后在道路边缘坐标系中对车道线候选反射点进行处理。
步骤S430的实现方式有多种。例如，可以先基于车道线候选反射点在道路边缘坐标系中的坐标，确定车道线候选反射点的特征；然后，基于车道线候选反射点的特征，从车道候选反射点中提取车道线反射点。车道线候选反射点的特征包括以下特征中的一种或多种：车道线候选反射点的特征可以包括车道线候选反射点的朝向、车道线候选反射点与道路边缘线的距离、车道线候选反射点彼此之间的间距、车道线候选反射点之间是否能够构成直线等特征中的一个或多个。或者，也可以在道路边缘坐标系下对车道线候选反射点进行聚类，然后根据聚类结果从车道候选反射点中提取车道线反射点。后文中的图8至图10给出了步骤S430的几种可能的实现方式。
在步骤S440，基于车道线反射点，得到车道线。例如，可以将车道线反射点变换至自车坐标系，然后，在自车坐标系拟合车道线。在得到车道线之后，可以将车道线直接输出，或者，可以对车道线进行跟踪之后再输出。步骤S440得到的车道线的信息可以输出给如图2所示的规划和控制模块240，供规划和控制模块240进行车辆的路径规划和/或转向控制。
由于道路边缘和车道线存在一定的关联关系，因此，利用道路边缘信息作为先验信息，可以有效滤除车道线候选反射点中的噪点，提高检测车道线的精度和稳定性。此外，无论车道线的实际形状是否规则，车道线反射点在道路边缘坐标系中的排布会比较规律，因此，在道路边缘坐标系中提取车道线反射点也更加简单。
下面结合图5，给出步骤S410的一种可能的实现方式。图5包括步骤S510至步骤S530，下面对这些步骤进行详细描述。
在步骤S510，点云获取及预处理。
点云的获取及预处理方式可以有多种。例如，在一些实施例中，可以利用激光雷达对周围环境进行一层或多层扫描，获取反射点形成的点云。然后，根据点云建立地面模型，并根据地面模型，滤除一些明显的噪点。
作为一个示例，可以将点云中的反射点投影至二维栅格中，并计算投影到每个栅格中的反射点相对地面的最低高度和最高高度。如果最高高度和最低高度的高度差小于一定阈值(例如0.1m)，则可以将该栅格相对地面的最低高度视为该栅格的地面高度。所有栅格的地面高度确定之后，就建立了地面模型。然后，可以根据地面模型，计算各反射点相对地面的高度，并滤除相对地面的高度超过一定阈值(例如2m)的反射点。
在步骤S520，提取道路边缘信息。例如，在一些实施例中，可以根据点云中的各反射点及相邻点的特征提取道路边缘候选反射点；然后，可以去除道路边缘候选反射点中的噪点，得到道路边缘线反射点；接着，可以根据道路边缘线反射点，对道路边缘线进行检测，从而得到道路边缘信息。
作为一个示例，可以采用如下步骤提取道路边缘信息。
步骤a：从点云中提取道路边缘候选反射点。例如，可以根据反射点及相邻反射点的特征提取道路边缘候选反射点。反射点及相邻反射点的特征可以包括以下特征中的一种或多种：反射点之间的高度变化、角度变化、距离差值等。
步骤b：对道路边缘候选反射点进行聚类，并滤除反射点数量小于一定阈值的聚类簇。
步骤c：对每个聚类簇进行最小二乘拟合，以形成拟合线。然后，可以计算聚类簇中的每个反射点与该拟合线的距离，将距离最大的或者较大的一个或多个反射点从聚类簇中去除，这样可以提高拟合线的精度，从而提高后续提取出的道路边缘信息的可靠性。
步骤d：重复步骤c，直至道路边缘候选反射点中的所有反射点与对应拟合线的距离都小于某个阈值。
步骤e：将拟合线作为道路边缘线进行输出。
在步骤S530，提取车道线候选反射点。例如，在一些实施例中，可以根据点云中的各反射点及相邻反射点的特征提取车道线候选反射点。
作为一个示例，可以采用如下步骤提取车道线候选反射点。
步骤a：针对一反射点，根据步骤S510建立的地面模型判断该反射点的对地高度，如果对地高度满足某一阈值(如0.1m)，则进入步骤b，否则取下一个反射点。
步骤b：取该反射点在一定范围内的相邻反射点，计算该一定范围内的反射点中的最大反射强度
Figure BDA0002569334850000101
与最小反射强度
Figure BDA0002569334850000102
例如，可以取该反射点及其左右各5个反射点，共计11个反射点，并计算11个反射点中的最大反射强度
Figure BDA0002569334850000103
与最小反射强度
Figure BDA0002569334850000104
步骤c：判断该反射点的反射强度
Figure BDA0002569334850000105
是否满足
Figure BDA0002569334850000106
其中β为一预设阈值，例如可以取0.9。如果上述条件满足，则该反射点归属于车道线候选反射点，如果不满足则取下一个反射点，重复执行步骤a-c，直到遍历完点云中的所有反射点。
重新参见图4。步骤S420提及的道路边缘坐标系的建立方式可以有多种。下面结合图6和图7，进行详细描述。
图6是以车辆本身的位置和行进方向为基础建立的自车坐标系，其中，x轴的正方向为车辆的前进方向，y轴与车辆的前进方向垂直。在图6所示的自车坐标系下，两条道路边缘线分别为道路边缘线a、b，且道路边缘线a、b均为曲线。
在一些实施例中，可以以图6的道路边缘线b为参考线建立道路边缘坐标系，建立出的道路边缘坐标系如图7所示。在图7中，x’轴即为道路边缘线b，从图7可以看出，原本按照曲线排布的车道线候选反射点在图7中的按照直线排布。因此，在该道路边缘坐标系下提取车道线反射点，实现起来更加简单。
图7是以两条道路边缘线中的某条作为参考线建立道路边缘坐标系的。当两条道路边缘线的长短存在差异时，作为参考线的道路边缘线可以两条道路边缘线中较长的一条道路边缘线。真实的道路边缘线通常较长，因此较长的道路边缘线为真实的道路边缘线的概率也更高，以该较长的边缘线作为参考线建立出的道路边缘坐标系也就更加可靠。
此外，在某些实施例中，还可以以两条道路边缘线的中心线为参考线，建立道路边缘坐标系。或者，在某些实施例中，如果两条道路边缘线差异较大，还可以分别以两条道路边缘线作为参考线建立的两个坐标系，并将两个坐标系下筛选出的车道线反射点进行融合。在两条道路边缘线差异较大的情况下，利用两个坐标系分别对车道线候选反射点进行筛选，不容易遗漏车道线反射点，车道线的检测结果也会更准确。
重新参见图4。步骤S430提及的提取车道线反射点的方式可以有多种。下面结合图8-图10，给出步骤S430的几种可能的实现方式。
图8为图4中的步骤S430的一种可能的实现方式的流程示意图。图8的步骤包括步骤S810和步骤S820。
在步骤S810，基于车道线候选反射点在道路边缘坐标系中的坐标，通过霍夫变换进行特征检测，得到一条直线。
在道路边缘坐标系中，车道线的形状会呈现比较规则的状态，如直线状态。因此，可以利用霍夫变换，找出车道线候选反射点的直线特征。
在步骤S820，从车道线候选反射点中提取与直线之间的距离小于阈值的反射点，作为车道线反射点。车道线候选反射点与直线之间的距离可以为车道线候选反射点的横坐标和/或纵坐标与直线之间的距离。
下面结合图6和图7，给出图8实施例的一种具体实现方式。
如图6所示，道路边缘线a、b在实际环境中为曲线。该曲线可以通过二次或者多次方程式来表示。例如，道路边缘线a的表达式为y＝10+0.1x+0.01x2，另一条道路边缘线b的表达式为y＝-10+0.1x+0.01x2。
假设自车坐标系(坐标值的单位可以为m)下，车道线候选反射点的坐标为(x，y)，则在如图7所示的道路边缘坐标系下，该车道线候选反射点的坐标转换为(x’，y’)，(x’，y’)与(x，y)的数值关系满足：
x’＝x
y’＝y-(-10+0.1x+0.01x2)
假设图6坐标系中的车道线候选反射点的坐标如下：
(x＝0，y＝0)
(x＝10，y＝2)
(x＝20，y＝6)
(x＝30，y＝12)
(x＝40，y＝20)
(x＝40，y＝23)
(x＝50，y＝30)
将这些车道线候选反射点投影至图7的道路边缘坐标系之后，坐标如下：
(x’＝0，y’＝10)
(x’＝10，y’＝10)
(x’＝20，y’＝10)
(x’＝30，y’＝10)
(x’＝40，y’＝10)
(x’＝40，y’＝13)
(x’＝50，y’＝10)
如图7所示，在道路边缘坐标系中，首先利用霍夫变换找到一条直线c。该直线c的端点分别为(0，10)和(50，10)。
然后，计算各个车道线候选反射点到该直线c的距离。对于距离小于一定预设阈值(例如0.1m)的点，将其标记为车道线反射点，去除距离该直线较远的反射点，如图7中的点(x’＝40，y’＝13)。最终，从车道线候选反射点中提取出的车道线反射点为：
(x’＝0，y’＝10)
(x’＝10，y’＝10)
(x’＝20，y’＝10)
(x’＝30，y’＝10)
(x’＝40，y’＝10)
(x’＝50，y’＝10)
上文结合图8，详细描述了如何在道路边缘坐标系下利用霍夫变换提取车道线反射点。下文结合图9和图10，详细描述如何在道路边缘坐标系下利用聚类的方式提取车道线反射点。
图9为图4中的步骤S430的另一可能的实现方式的流程示意图。图9包括步骤S910-S940，具体描述如下。
在步骤S910，选择一车道线候选反射点作为种子点A，新建聚类簇M1。A属于M1。
在步骤S920，遍历其余车道线候选反射点。例如从车道线候选反射点B开始，判断该候选反射点与聚类簇M1中的车道线候选反射点A的相对横向距离和/或相对纵向距离。如果满足预先设定的横向距离阈值和/或纵向距离阈值，则将车道线候选反射点B归为聚类簇M1。继续判断下一车道线候选反射点，例如车道线候选反射点C。依次类推。
在步骤S930，从未归属到任何聚类簇的车道线候选反射点中选择一个车道线候选反射点，新建聚类簇M2，重复步骤S920。
在步骤S940，重复步骤S930，直至遍历所有车道线候选反射点为止。
最终得到的每个聚类簇中的反射点即为车道线反射点。
可选地，在某些实施例中，可以对聚类簇中的候选反射点进行二次或者三次曲线拟合，以滤除聚类簇中距离拟合曲线横向距离较大的候选反射点。
可选地，在某些实施例中，可以候选反射点数量较少的聚类簇，或者滤除在道路在边缘坐标系的x方向分布距离较短的聚类簇。
可选地，在某些实施例中，可以根据聚类簇的横向间距，对聚类簇进行滤除或者合并。
图10为图4中的步骤S430的又一可能的实现方式的流程示意图。图10包括步骤S1010-S1040，具体描述如下。
在步骤S1010，设定初始参数，利用霍夫变换提取满足近似直线关系的反射点集。初始参数可以包括反射点集中的点的数量，或反射点集中的相邻点之间的距离。
在步骤S1020，滤除车道线候选反射点中的朝向与道路边缘线的朝向相差较大的反射点集。可选地，在某些实施例中，可以根据反射点集的横向间距，删除与其它反射点集间距较大的反射点集，或者对某些间距较近的反射点集进行合并。
在步骤S1030，将剩余的满足近似直线关系的多个反射点集分别作为初始聚类簇，遍历不在任何聚类簇中的车道线候选反射点。
例如，对于车道线候选反射点C，判断该车道线候选反射点C与所有初始聚类簇中的反射点的相对横向距离和/或相对纵向距离(或者，也可以采用相对法向距离和相对切向距离代替相对横向距离和/或相对纵向距离)；如果车道线候选反射点C与初始聚类簇中的聚类簇M1中的反射点的相对横向距离和/或相对纵向距离满足设定横向距离阈值和/或纵向距离阈值，则进一步计算聚类簇M1中的满足设定横向距离阈值和/或纵向距离阈值的点的数量，如果聚类簇M1中的反射点的数量满足设定阈值，则可以将点C归为聚类簇M1。依次类推。
可选地，在某些实施例中，除了遍历车道线候选反射点之外，还可以遍历最初得到的点云中的其它的一些反射点，如与初始类簇距离较近的反射点。
经过上述后，最终得到的每个聚类簇中的反射点即为车道线反射点。
重新参见图4。在某些实施例中，在得到道路边缘信息之后，可以首先判断道路边缘信息的可靠性，如道路边缘信息可靠，则可以采用本申请实施例提供的方案，在道路边缘坐标系中提取车道线反射点；否则，可以在自车坐标系下提取车道线反射点。道路边缘信息是否可靠的度量方式有多种。例如，可以判断两条道路边缘线是否足够长、两条道路边缘线之间的差异性是否足够小等方式判断道路边缘信息的可靠性。
需要说明的是，步骤S410中的利用激光雷达进行扫描可以是单帧扫描，也可以是多帧扫描。利用激光雷达的多帧扫描结果提取道路边缘信息或车道线信息，可以提升提取结果的准确性。
下面对本申请的装置实施例进行描述，由于装置实施例与方法实施例相互对应，因此未详细描述的部分可以参见前面各方法实施例。
图11是本申请实施例提供的车道线的检测装置的结构示意图。如图11所示，检测装置1100包括扫描模块1110、建立模块1120、提取模块1130以及确定模块1140。扫描模块1110用于利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息。建立模块1120用于基于道路边缘信息建立道路边缘坐标系。提取模块1130用于基于车道线候选反射点在道路边缘坐标系中的坐标，从车道线候选反射点中提取车道线反射点。确定模块1140用于基于车道线反射点，得到车道线。
可选地，在某些实施例中，提取模块1120可用于基于车道线候选反射点在道路边缘坐标系中的坐标，确定车道线候选反射点的特征；以及基于车道线候选反射点的特征，从车道线候选反射点中提取车道线反射点。
可选地，在某些实施例中，提取模块1120可用于基于车道线候选反射点在道路边缘坐标系中的坐标，通过霍夫变换进行特征检测，得到一条直线；从车道线候选反射点中提取与直线之间的距离小于第一阈值的反射点，作为车道线反射点。
可选地，在某些实施例中，提取模块1120可用于基于车道线候选反射点在道路边缘坐标系中的坐标，对车道线候选反射点进行聚类；根据聚类的结果，确定车道线反射点。
可选地，在某些实施例中，检测装置1100还可包括：过滤模块，用于在基于车道线候选反射点在道路边缘坐标系中的坐标，从车道线候选反射点中提取车道线反射点之前，根据道路边缘信息，从车道线候选反射点中滤除与道路边缘之间的距离大于第二阈值的反射点。
可选地，在某些实施例中，道路边缘信息包括两条道路边缘线的信息，建立模块1120可用于以两条道路边缘线中较长的一条边缘线或两条边缘线的中心线作为参考线，建立道路边缘坐标系。
可选地，在某些实施例中，道路边缘信息包括两条道路边缘线的信息，两条道路边缘线存在差异，道路边缘坐标系包括分别以两条道路边缘线作为参考线建立的两个坐标系。
本申请的实施例提供的检测装置包括存储器和至少一个处理器。如图12所示，检测设备1200可以包括如图1所示的存储器114与至少一个处理器113，存储器114与至少一个处理器113信号连接。存储器114存储有被至少一个处理器113执行的指令115，指令115被至少一个处理器113执行，以使至少一个处理器113执行上文描述的车道线的检测方法。例如，处理器可以和存储器连接至一条总线上，也可以通过总线与其它外部设备信号连接。
例如，本申请的实施例提供的检测设备可以包括至少一个激光雷达以及处理器。激光雷达用于获取车辆的周围环境的点云数据，处理器用于运行软件程序，包括激光雷达驱动、激光雷达车道线感知模块、车道线接收模块。激光雷达驱动用于将激光雷达发送到处理器的数据转换成三维点云数据。激光雷达车道线感知模块包括提取模块，提取模块用于基于道路边缘信息(道路边缘坐标系)提取车道线。车道线接收模块可以是融合、规控等模块，用于接收车道线结果。如果需要进行多帧累加或者跟踪，还需要利用自车运动信息获取模块提供自车运动信息，自车运动信息可以来自于定位模块或者利用车辆轮速计、方向盘转角等。
例如，在某些实施例中，检测设备还可以包括用于连接各部件的接口，该接口可以包括高速接口和低速接口。各个部件之间可以利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器113可以对在检测设备1300内执行的指令115进行处理，包括存储在存储器114中或者存储器114上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示的图形信息的指令。
例如，在某些实施例中，检测设备可以为各种形式的数字计算机，其可以固定在车辆中，例如膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。检测设备还可以为各种形式的移动装置，其可以通过无线的方式与车辆信号连接，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置、设备、存储介质和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，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，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (15)

1.一种车道线的检测方法，其特征在于，包括：
利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息；
基于所述道路边缘信息建立道路边缘坐标系；
基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点；以及
基于所述车道线反射点，得到车道线。
2.根据权利要求1所述的检测方法，其特征在于，所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点，包括：
基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，确定所述车道线候选反射点的特征；以及
基于所述车道线候选反射点的特征，从所述车道线候选反射点中提取所述车道线反射点。
3.根据权利要求2所述的检测方法，其特征在于，所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，确定所述车道线候选反射点的特征，包括：
基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，通过霍夫变换进行特征检测，得到一条直线；
所述基于所述车道线候选反射点的特征，从所述车道线候选反射点中提取所述车道线反射点，包括：
从所述车道线候选反射点中提取与所述直线之间的距离小于第一阈值的反射点，作为所述车道线反射点。
4.根据权利要求1所述的检测方法，其特征在于，所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点，包括：
基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，对所述车道线候选反射点进行聚类；
根据所述聚类的结果，确定所述车道线反射点。
5.根据权利要求1-4中任一项所述的检测方法，其特征在于，在所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点之前，所述方法还包括：
根据所述道路边缘信息，从所述车道线候选反射点中滤除与道路边缘之间的距离大于第二阈值的反射点。
6.根据权利要求1-5中任一项所述的检测方法，其特征在于，所述道路边缘信息包括两条道路边缘线的信息，
所述基于道路边缘信息建立道路边缘坐标系包括：
以所述两条道路边缘线中较长的一条边缘线或所述两条道路边缘线的中心线作为参考线，建立所述道路边缘坐标系。
7.根据权利要求1-5中任一项所述的检测方法，其特征在于，所述道路边缘信息包括两条道路边缘线的信息，所述两条道路边缘线存在差异，所述道路边缘坐标系包括分别以所述两条道路边缘线作为参考线建立的两个坐标系。
8.一种车道线的检测装置，其特征在于，包括：
扫描模块，用于利用激光雷达对车辆的周围环境进行扫描，得到车道线候选反射点和道路边缘信息；
建立模块，用于基于所述道路边缘信息建立道路边缘坐标系；
提取模块，用于基于所述车道线候选反射点在道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点；以及
确定模块，用于基于所述车道线反射点，得到车道线。
9.根据权利要求8所述的检测装置，其特征在于，所述提取模块用于基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，确定所述车道线候选反射点的特征；以及基于所述车道线候选反射点的特征，从所述车道线候选反射点中提取所述车道线反射点。
10.根据权利要求9所述的检测装置，其特征在于，所述提取模块用于基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，通过霍夫变换进行特征检测，得到一条直线；从所述车道线候选反射点中提取与所述直线之间的距离小于第一阈值的反射点，作为所述车道线反射点。
11.根据权利要求8所述的检测装置，其特征在于，所述提取模块用于基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，对所述车道线候选反射点进行聚类；根据所述聚类的结果，确定所述车道线反射点。
12.根据权利要求8-11中任一项所述的检测装置，其特征在于，所述检测装置还包括：
过滤模块，用于在所述基于所述车道线候选反射点在所述道路边缘坐标系中的坐标，从所述车道线候选反射点中提取车道线反射点之前，根据所述道路边缘信息，从所述车道线候选反射点中滤除与道路边缘之间的距离大于第二阈值的反射点。
13.根据权利要求8-12中任一项所述的检测装置，其特征在于，所述道路边缘信息包括两条道路边缘线的信息，所述建立模块用于以所述两条道路边缘线中较长的一条边缘线或所述两条道路边缘线的中心线作为参考线，建立所述道路边缘坐标系。
14.根据权利要求8-12中任一项所述的检测装置，其特征在于，所述道路边缘信息包括两条道路边缘线的信息，所述两条道路边缘线存在差异，所述道路边缘坐标系包括分别以所述两条道路边缘线作为参考线建立的两个坐标系。
15.一种车道线的检测装置，其特征在于，包括：
至少一个处理器；以及
存储器，与所述至少一个处理器信号连接；
其中，所述存储器存储有被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-7中任一项所述的车道线的检测方法。
CN202010632014.0A 2020-07-03 2020-07-03 车道线的检测方法和装置 Pending CN113885045A (zh)

Priority Applications (7)

Application Number Priority Date Filing Date Title
CN202010632014.0A CN113885045A (zh) 2020-07-03 2020-07-03 车道线的检测方法和装置
PCT/CN2021/092310 WO2022001366A1 (zh) 2020-07-03 2021-05-08 车道线的检测方法和装置
EP21832411.9A EP4170544A4 (en) 2020-07-03 2021-05-08 LANE DETECTION METHOD AND APPARATUS
JP2022581628A JP2023534406A (ja) 2020-07-03 2021-05-08 車線境界線を検出するための方法および装置
KR1020237003090A KR20230031316A (ko) 2020-07-03 2021-05-08 차선 검출 방법 및 장치
BR112023000012A BR112023000012A2 (pt) 2020-07-03 2021-05-08 Método e aparelho para detectar linha de faixa
US18/148,703 US20230136798A1 (en) 2020-07-03 2022-12-30 Method and apparatus for detecting lane line

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010632014.0A CN113885045A (zh) 2020-07-03 2020-07-03 车道线的检测方法和装置

Publications (1)

Publication Number Publication Date
CN113885045A true CN113885045A (zh) 2022-01-04

Family

ID=79012513

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010632014.0A Pending CN113885045A (zh) 2020-07-03 2020-07-03 车道线的检测方法和装置

Country Status (7)

Country Link
US (1) US20230136798A1 (zh)
EP (1) EP4170544A4 (zh)
JP (1) JP2023534406A (zh)
KR (1) KR20230031316A (zh)
CN (1) CN113885045A (zh)
BR (1) BR112023000012A2 (zh)
WO (1) WO2022001366A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708576A (zh) * 2022-06-06 2022-07-05 天津所托瑞安汽车科技有限公司 一种车道线确定方法、装置、设备及存储介质
CN116385397A (zh) * 2023-04-04 2023-07-04 北京中科东信科技有限公司 一种基于摄像头的道路信息识别方法及***

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114622469A (zh) * 2022-01-28 2022-06-14 南通威而多专用汽车制造有限公司 一种自动敷旧线控制***及其控制方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6819779B1 (en) * 2000-11-22 2004-11-16 Cognex Corporation Lane detection system and apparatus
DE10327695A1 (de) * 2003-06-20 2005-01-05 Robert Bosch Gmbh Verfahren und Vorrichtung zur Bestimmung des Schwimmwinkels mittels Fahrzeugspurerkennung
US8781644B2 (en) * 2011-03-21 2014-07-15 Denso Corporation Method and apparatus for recognizing shape of road for vehicles
CN102184535B (zh) * 2011-04-14 2013-08-14 西北工业大学 一种车辆所在车道边界检测方法
JP5989701B2 (ja) * 2014-03-24 2016-09-07 トヨタ自動車株式会社 境界検出装置および境界検出方法
JP6323473B2 (ja) * 2016-02-25 2018-05-16 トヨタ自動車株式会社 走行制御装置
CN109583280A (zh) * 2017-09-29 2019-04-05 比亚迪股份有限公司 车道线识别方法、装置、设备及存储介质
CN109946708B (zh) * 2017-12-21 2021-07-02 北京万集科技股份有限公司 一种基于激光雷达扫描的车道线检测方法及装置
CN110361020B (zh) * 2018-09-30 2021-03-23 长城汽车股份有限公司 用于确定车道线坐标的方法及***
CN111291603B (zh) * 2018-12-07 2023-09-29 长沙智能驾驶研究院有限公司 车道线检测方法、装置、***及存储介质
CN110287779B (zh) * 2019-05-17 2021-10-15 百度在线网络技术（北京）有限公司 车道线的检测方法、装置及设备
CN110503009B (zh) * 2019-07-31 2023-06-06 华为技术有限公司 车道线跟踪方法及相关产品

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114708576A (zh) * 2022-06-06 2022-07-05 天津所托瑞安汽车科技有限公司 一种车道线确定方法、装置、设备及存储介质
CN114708576B (zh) * 2022-06-06 2022-10-25 天津所托瑞安汽车科技有限公司 一种车道线确定方法、装置、设备及存储介质
CN116385397A (zh) * 2023-04-04 2023-07-04 北京中科东信科技有限公司 一种基于摄像头的道路信息识别方法及***
CN116385397B (zh) * 2023-04-04 2023-10-03 北京中科东信科技有限公司 一种基于摄像头的道路信息识别方法及***

Also Published As

Publication number Publication date
KR20230031316A (ko) 2023-03-07
WO2022001366A1 (zh) 2022-01-06
EP4170544A1 (en) 2023-04-26
BR112023000012A2 (pt) 2023-03-14
JP2023534406A (ja) 2023-08-09
EP4170544A4 (en) 2023-11-15
US20230136798A1 (en) 2023-05-04

Similar Documents

Publication Publication Date Title
US20210262808A1 (en) Obstacle avoidance method and apparatus
CN111123952B (zh) 一种轨迹规划方法及装置
WO2022027304A1 (zh) 一种自动驾驶车辆的测试方法及装置
CN113792566B (zh) 一种激光点云的处理方法及相关设备
WO2021103511A1 (zh) 一种设计运行区域odd判断方法、装置及相关设备
CN113128303A (zh) 一种自动驾驶方法、相关设备及计算机可读存储介质
EP4170544A1 (en) Lane line detection method and apparatus
WO2021189210A1 (zh) 一种车辆换道方法及相关设备
CN112543877B (zh) 定位方法和定位装置
WO2022142839A1 (zh) 一种图像处理方法、装置以及智能汽车
WO2022051951A1 (zh) 车道线检测方法、相关设备及计算机可读存储介质
US20230048680A1 (en) Method and apparatus for passing through barrier gate crossbar by vehicle
EP4307251A1 (en) Mapping method, vehicle, computer readable storage medium, and chip
WO2021110166A1 (zh) 道路结构检测方法及装置
CN114255275A (zh) 一种构建地图的方法及计算设备
CN115398272A (zh) 检测车辆可通行区域的方法及装置
CN112829762A (zh) 一种车辆行驶速度生成方法以及相关设备
WO2022022284A1 (zh) 目标物的感知方法及装置
CN114764980B (zh) 一种车辆转弯路线规划方法及装置
WO2021159397A1 (zh) 车辆可行驶区域的检测方法以及检测装置
CN115508841A (zh) 一种路沿检测的方法和装置
CN114078246A (zh) 确定检测对象的三维信息的方法及装置
CN114556251B (zh) 用于确定车辆可通行空间的方法和装置
WO2022061725A1 (zh) 交通元素的观测方法和装置
WO2022001432A1 (zh) 推理车道的方法、训练车道推理模型的方法及装置

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