CN116823958A - 车载相机的偏航角估计方法、装置、设备、车辆及介质 - Google Patents
车载相机的偏航角估计方法、装置、设备、车辆及介质 Download PDFInfo
- Publication number
- CN116823958A CN116823958A CN202310429708.8A CN202310429708A CN116823958A CN 116823958 A CN116823958 A CN 116823958A CN 202310429708 A CN202310429708 A CN 202310429708A CN 116823958 A CN116823958 A CN 116823958A
- Authority
- CN
- China
- Prior art keywords
- lane line
- yaw angle
- vehicle
- lane
- time
- 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 64
- 238000013507 mapping Methods 0.000 claims abstract description 74
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 30
- 238000006073 displacement reaction Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000005452 bending Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供了一种车载相机的偏航角估计的方法、装置、设备、车辆及介质。涉及数据处理领域,尤其涉及智能驾驶,自动驾驶车辆领域。具体实现方案为:车辆行驶过程中,基于车载相机在第一时刻采集第一车道图像,以及基于车载相机在第二时刻采集第二车道图像;获取从第一车道图像中检测到的第一车道线,以及从第二车道图像中检测到的第二车道线;在第一车道线和第二车道线满足标定条件的情况下,基于第一车道线和第二车道线之间的映射关系,确定车载相机的偏航角估计值;该映射关系用于将第一车道线上的检测点映射到第二车道线上。本公开实施例无需人工标定,也无需额外的传感器,在车辆行驶过程中可自动完成对偏航角的估计。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及智能驾驶、自动驾驶车辆等技术领域。
背景技术
随着汽车技术的发展,智能驾驶的应用越来越广泛。车载相机是智能驾驶中最重要的传感器之一,它负责车道线、障碍物等的检测。由于受到外界扰动、车身形变、更换车载相机或车载相机配件等的影响,车载相机的外参会发生相应的变化,即外参出现了偏差。此时若用车载相机进行车道线检测,就会造成自车在行驶过程中偏左或偏右的情况,偏差严重时甚至造成安全事故。因此保证相机外参的准确性非常重要。
发明内容
本公开提供了一种车载相机的偏航角估计的方法、装置、设备、车辆以及存储介质。
根据本公开的一方面,提供了一种车载相机的偏航角估计方法,包括:
车辆行驶过程中,基于车载相机在第一时刻采集第一车道图像,以及基于车载相机在第二时刻采集第二车道图像;
获取从第一车道图像中检测到的第一车道线,以及从第二车道图像中检测到的第二车道线,其中,第一车道线和第二车道线均表示同一目标车道线;
在第一车道线和第二车道线满足标定条件的情况下,基于第一时刻的第一车道线和第二时刻的第二车道线之间的映射关系,确定车载相机的偏航角估计值;映射关系用于将第一车道线上的检测点映射到第二车道线上。
根据本公开的另一方面,提供了一种车载相机的偏航角估计装置,包括:
图像采集模块,用于车辆行驶过程中,基于车载相机在第一时刻采集第一车道图像,以及基于车载相机在第二时刻采集第二车道图像;
车道线获取模块,用于获取从第一车道图像中检测到的第一车道线,以及从第二车道图像中检测到的第二车道线,其中,第一车道线和第二车道线均表示同一目标车道线;
估计模块,用于在第一车道线和第二车道线满足标定条件的情况下,基于第一时刻的第一车道线和第二时刻的第二车道线之间的映射关系,确定车载相机的偏航角估计值;映射关系用于将第一车道线上的检测点映射到第二车道线上。
根据本公开的另一方面,提供了一种电子设备,包括:
至少一个处理器;以及
与该至少一个处理器通信连接的存储器;其中,
该存储器存储有可被该至少一个处理器执行的指令,该指令被该至少一个处理器执行,以使该至少一个处理器能够执行本公开实施例中任一的方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,其中,该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
根据本公开的另一方面,提供了一种车辆,该车辆包括前述的电子设备。
本公开实施例无需人工标定,也无需额外的传感器,在车辆行驶过程中可自动完成对偏航角的估计。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开一实施例的车载相机的偏航角估计方法的流程示意图;
图2是根据本公开一实施例的车道线检测结果的示意图;
图3是根据本公开一实施例的基于方案1估计yaw角示意图;
图4是根据本公开一实施例的车载相机的偏航角估计方法的另一流程示意图;
图5是根据本公开一实施例的基于方案2估计yaw角示意图;
图6是根据本公开一实施例的估计yaw角的框架图;
图7是根据本公开一实施例的车载相机的偏航角估计方法的另一流程示意图;
图8是用来实现本公开实施例的车载相机的偏航角估计装置的框图;
图9是用来实现本公开实施例的车载相机的偏航角估计方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在车载相机中,相机外参的偏航角(yaw角)对车道线的检测尤为重要。在yaw角出现偏差的情况下,车辆会偏左或偏右行驶,yaw角偏差较大会影响驾驶安全。
相关技术中,在yaw角出现偏差的情况下,会将车辆送至维修店由人工对相机外参进行标定,以矫正yaw角。但是,该方式由于需要人工操作,自动化程度低。且用户需要等待时间长,yaw角矫正的效率也低。
另一种方案中,需要借助激光雷达等其它传感器与车载相机联合标定,该方案可以检查相机外参是否出现偏差。但,这种方案虽不依赖于人工参与,但需要借助其它传感器,成本较高,并不适用于纯视觉的自动驾驶方案。
有鉴于此,本公开提供了一种车载相机的偏航角估计方法。该方法能够在车辆行驶过程中完成对yaw角的估计,也不需要额外的传感器。如图1所示,为该方法的流程示意图,包括:
S101,车辆行驶过程中,基于车载相机在第一时刻采集第一车道图像,以及基于车载相机在第二时刻采集第二车道图像。
也即,在车辆行驶过程中,可以针对任意一个车载相机,基于该车载相机实时对行驶车道进行图像采集,得到各采集时刻分别对应的车道图像。本公开实施例中,为便于理解方案,以两个时刻分别采集到的第一车道图像和第二车道图像进行说明。
得到车道图像后,可以对每帧车道图像分别进行车道线检测,以便于从每帧车道图像中分别提取出车道线。实施时,可以实时采集车道图像,并实时对车道图像进行车道检测,以针对同一车道线从不同的车道图像中检测出对应的车道线。检测出的车道线可以存储起来供后续处理流程使用。
S102,获取从第一车道图像中检测到的第一车道线,以及从第二车道图像中检测到的第二车道线,其中,第一车道线和第二车道线均表示同一目标车道线。
本公开实施例中,可以从车道线的存储空间中获取出第一车道线和第二车道线,也可以在采集到第一车道图像和第二车道图像后,分别对这两帧车道图像进行检测,以得到第一车道线和第二车道线。需要说明的是,为了保证yaw角估计的准确性,第一车道线和第二车道线是针对同一实际车道线检测出的,该实际车道线即前文的目标车道线。
S103,在第一车道线和第二车道线满足标定条件的情况下,基于第一时刻的第一车道线和第二时刻的第二车道线之间的映射关系,确定车载相机的yaw角估计值;该映射关系用于将第一车道线上的检测点映射到第二车道线上。
在第一时刻早于第二时刻的情况下,即将上一时刻检测到的车道线映射到下一时刻检测到的车道线上。在第一时刻晚于第二时刻的情况下,即将下一时刻检测到的车道线映射到上一时刻检测到的车道线上。
针对同一目标车道线检测出的不同车道线具有映射关系,通过将该映射关系定义为将第一车道线映射到第二车道线上,有利于求解出yaw角。
该映射关系中包含待估计yaw角,由此,通过该映射关系以便于约束第一车道线和第二车道线需要在同一条直线上,从而估计出yaw角。
综上,本公开实施例中,针对目标车道线,提取了不同时刻采集的车道图像中的第一车道线和第二车道线,然后基于第一车道线和第二车道线之间的映射关系,可估计出yaw角。该方法无需人工标定yaw角,也无需借助额外的传感器,在车辆行驶过程中基于视觉信息(即第一车道图像和第二车道图像)即可完成对yaw角的估计。由此本公开实施例在车辆行驶过程中,能够高效的完成对yaw角的估计。
实施时,标定条件用于从图像中检测出的车道线中,筛选出适用估计yaw角的车道线。例如选择视觉效果良好、清晰的车道线。在一些实施例中,为了提高yaw角估计的准确性,标定条件可以包括以下中的至少一种:
条件1)、车道线长度大于预设长度;
通过该条件可以选择检测到的比较完整、清晰的车道线,以便于通过提高基础数据的精度,来提高yaw角估计的准确性。
条件2)、车道线的弯曲程度低于预设弯曲程度;
实施时,通过车道线检测,得到车道线的曲线方程。例如,第一车道线对应第一曲线方程,第二车道线对应第二曲线方程。针对每条车道线,可以获取目标车道线上的多个检测点,基于这多个检测点可以拟合出曲线方程。
获取曲线方程之后,可以采用曲线方程的高次项系数来衡量车道线的弯曲程度。例如,可以查询曲线方程的高次项的系数,如果高次项系数接近0,即高次项系数的绝对值足够小,则可以确定曲线方程接近直线。由此,针对第一车道线和第二车道线中的任一车道线,在该车道线的曲线方程的高于一次项的系数的绝对值小于预设阈值的情况下,确定该车道线的弯曲程度低于预设弯曲程度。
通过该条件,可以帮助筛选出笔直的,即接近直线的车道线。近似直线的车道线与实际情况相符,通过提高基础数据的精度可以提高yaw角估计的准确性。
条件3)、第一车道线和第二车道线具有平行关系;
实施时,可以确定第一车道线的第一直线方程和第二车道线的第二直线方程,若第一直线方程表示的直线与第二直线方程表示的直线平行,则确定第一车道线和第二车道线具有平行关系。
实施时,可以采用第一车道线的曲线方程中的多个检测点,拟合出第一车道线的第一直线方程。同理,可以采用第二车道线的曲线方程中的多个检测点,拟合出第二车道线的第二直线方程。
在另一种实施例中,还可以在第一车道线的多个检测点中,获取第一个观测点(即距离车辆最近的检测点),基于该第一个观测点拟合出第一车道线的第一直线方程。例如确定该第一个观测点在第一车道线的曲线方程中的切线斜率,将该切线斜率作为第一车道线的第一直线方程的斜率,求解过该第一个观测点的直线,得到第一车道线的第一直线方程。
同理,可以在第二车道线的多个检测点中,获取第一个观测点(即距离车辆最近的检测点),基于该第一个观测点拟合出第二车道线的第二直线方程。例如确定该第一个观测点在第二车道线的曲线方程中的切线斜率,将该切线斜率作为第二车道线的第二直线方程的斜率,求解过该第一个观测点的直线,得到第二车道线的第二直线方程。
当然,在第一车道线和第二车道线的曲线方程近似直线的情况下,也可以查看第一车道线和第二车道线的一次项的系数,如果二者相差较小,也可以理解为第一车道线和第二车道线近乎平行。
通过要求第一车道线和第二车道线平行,可以进一步保证检测出的车道线的质量,而且相对于非平行的车道线,平行的车道线之间的映射关系更为简单,可以提高yaw估计的效率和准确性。
条件4)、第一时刻和第二时刻之间的时间间隔大于预设间隔;
也即,第一时刻和第二时刻要求不能太近。由于车辆在行驶过程中基于车载相机实时采集车道图像,当采集的帧率较大时,几乎在同一时间采集了多帧车道图像,使得图像之间的变化较小。为了有充足的变化,以便于估计出yaw角,本公开实施例中要求第一时刻和第二时刻之间的时间间隔大于预设间隔。
条件5)第一时刻和第二时刻之间检测出至少n条第三车道线,n为大于等于1的正整数,且第三车道线为对目标车道线进行车道线检测得到的。
条件5)的设置目的与条件4相同。因此,在实施时,也可以要求条件4)和条件5)择一执行。
本公开实例中,通过设置条件5)使得第一车道线和第二车道线之间有充足的变化,以便于估计出yaw角。
在一些实施例中,车辆可以基于车载相机实时对行驶车道进行图像采集,实时得到车道图像,然后实时对车道图像进行车道线检测,以便于提取出同一目标车道线的检测结果。将针对目标车道线检测出的每条车道线存储起来,实施时可以设置滑动窗口,将从车道图像中检测出的属于同一滑动窗口的车道线,按滑动窗口分组存储。其中,一个滑动窗口属于一组。
然后针对同一滑动窗口内的车道线,按照标定条件选择出第一车道线和第二车道线。
在第一车道线和第二车道线满足标定条件的情况下,基于这两条车道线之间的映射关系,得到yaw角估计值。
如图2所示,黑色实线表示实际的车道线,虚线表示检测到的车道线(本公开实施例中检测到的车道线均为车辆坐标系下的车道线),由于yaw角具有偏差,检测到的车道线可能和实际的车道线具有一定的错位。实施时,可以选择任一条实际的车道线作为目标车道线,建立第一车道线和第二车道线之间的映射关系。
基于图2所示的偏差,由于第一车道线和第二车道线属于同一目标车道线在不同时刻的检测结果,因此,在映射关系中通过待估计yaw角将第一车道线上的检测点转换到第一时刻的目标车道线上得到第一中间点、通过第一时刻和第二时刻之间车辆产生的位移,将第一中间点转换到第二时刻的目标车道线上得到第二中间点,通过待估计yaw角的负值将第二中间点转换到第二时刻的第二车道线上。
该映射关系,采用公式可表示为如式(1)所示:
p’0=Tyaw*Tloc*(Tyaw)-1*p0 (1)
其中,
在式(1)中,p0表示第一车道线上的检测点,Tyaw表示待估计yaw角的表达式,θ表示待估计yaw角,Tloc表示表示第一时刻和第二时刻之间车辆产生的位移变化,p’0表示第一车道线上的检测点在第二车道线上的映射点,ρ表示车辆在第一时刻和第二时刻之间的旋转,tx表示车辆的纵向位移,ty表示车辆的横向位移。tx和ty是基于第一时刻和第二时刻的对车辆的定位数据计算得到的。
基于该映射关系,可实现对不同时刻采集的同一车道线上的点的转换,该映射关系中考虑了待估计yaw角,以及车辆自身的位移变化,能够准确合理的描述第一车道线和第二车道线之间的变换,有利于准确的估计出yaw角。
基于该映射关系,本公开实施例示例性的提供了两种估计出yaw的方案,下面分别针对不同方案进行阐述。
方案1)、基于映射关系推导出yaw角估计公式
实施时,由于映射关系中包含yaw角,以便于将第一车道线映射到第二车道线上,由此可以基于该映射关系推导出yaw角估计公式。
在推导出yaw角估计公式之后,可以保存该yaw角估计公式,在车辆行驶过程中通过采集车道图像,获取第一车道线的第一直线方程以及第二车道线的第二直线方程;将第一直线方程的参数以及第二直线方程的参数作为yaw角估计公式的参数,得到yaw角估计值。
由此,本公开实施例中,车辆行驶过程中获取第一车道线的第一直线方程和第二车道线的第二直线方程的参数,然后通过求解yaw角估计公式,即可确定yaw角估计值。实施流程简洁且高效,在车辆慢速行驶的情况下,能够有充足的时间得到yaw角估计值,且在高速行驶的情况下,也能够及时估计出yaw角,提高智能驾驶的效率。
实施时,基于映射关系和一系列的推理过程可以得到yaw角估计公式,该推理过程中允许采用近似、等价替换等手段得到yaw角估计公式。
示例性的,假设第一时刻在第二时刻之前,第一时刻得到的第一车道线的第一直线方程表示为式(2)所示:
y=c0i+c1ix (2)
第二时刻得到的第二车道线的第二直线方程表示为式(3)所示:
y=c0j+c1jx (3)
相应的,该yaw角估计公式可表示为式(4)所示:
在公式(4)中,θ表示yaw角估计值,tx表示车辆的纵向位移,ty表示车辆的横向位移,coi表示第一直线方程的截距,c1i表示第一直线方程的斜率,ρ表示车辆从第一时刻到第二时刻的旋转,coj表示第二直线方程的截距。
基于该yaw角估计公式,可以简便高效的求解出yaw角估计值,不仅在车辆慢速行驶时,可以估计出yaw角,在车辆高速行驶过程中也能够快速估计出yaw角。从而能够快速对估计出的车道线进行补偿,以提高驾驶的准确性和安全性。
如图3所示,图中矩形框表示车辆,车辆在t时刻(即第一时刻)检测到第一车道线,其对应的第一直线方程为l1,在t+1时刻,即第二时刻检测到第二车道线其对应的第二直线方程为l2,通过l1和l2的参数和yaw角估计公式即可求解出t时刻和t+1时刻对应的yaw角。
方案2)、基于优化目标函数求解yaw角
该实施方式中,可以基于该映射关系,构建目标函数,通过优化目标函数完成对yaw角的估计。可实施为如图4所示的流程,包括:
S401,将第一车道线上的多个检测点分别通过映射关系映射到第二车道线的第二直线方程上,得到多个映射点。
需要强调的是,本公开实施例中将第一时刻的第一车道线映射到第二时刻的第二车道线上,由此得到相应的多个映射点。
依然可以采用公式(4)所示的映射关系得到多个映射点。
S402,建立目标函数,目标函数用于求解多个映射点到第二车道线的第二直线方程上的距离之和。
也即,映射点理论上应该在第二车道线的第二直线方程上,但由于yaw角具有偏差,导致得到的映射点可能不在第二直线方程上。由此,可以求解各映射点到第二直线方程的距离,然后将第一车道线上各映射点到第二直线方程的距离之和作为目标函数。
目标函数的表达式可表示为式(5)所示:
其中,i表示第一车道线上的第i个检测点,di表示第一车道线上的第i个检测点在第二直线方程上的映射点到第二直线方程的距离,n表示第一车道线的检测点总数。
S403,以最小化目标函数为优化目标,调整映射关系中的待估计yaw角。
当第一车道线上的各检测点能够准确映射到第二车道线上时,理论上各映射点到第二车道线的第二直线方程的距离接近0。由此,最小化目标函数,即最小化各映射点到第二直线方程的距离,以完成对待估计yaw角的优化。
S404,获取最小化目标函数的情况下,待估计yaw角的取值作为yaw角估计值。
在优化后,目标函数最小化的情况下,yaw角得以矫正,此时的待估计yaw角的取值,即为所需的yaw角估计值。
通过本公开实施例,能够采用优化最小目标函数的方式,优化yaw角。优化过程中,以最小化距离为约束条件,流程简短易于实现,能够便于在行驶过程中完成对车载相机的yaw角标定,以实现无需人工也无需额外传感器来标定yaw角,增加本公开实施例的适用场景。
如图5所示,图5中相邻两条车道线分别表示第一车道线和第二车道线,将第一车道线映射到第二车道线上,求解目标函数所表示的距离d,即可通过优化目标函数求解出yaw角。
在实施时,可以实时采集车道图像,实时进行车道线检测,得到同一目标车道线在不同帧的车道图像中的检测结果,并存储到同一滑动窗口。由此,可理解为在同一滑动窗口内包括多个第一时刻和多个第二时刻。每两条符合标定条件的车道线均构成车道线对,每对车道线对内包括第一车道线和第二车道线。为了提高yaw角估计的精度,本公开实施例中,在滑动窗口内包括多个时刻对,每个时刻对包括第一时刻和对应的第二时刻,每个时刻对即对应一对车道线对。在此基础上,可以在滑动窗口内,基于每个时刻对分别对应的第一车道线和第二车道线,分别求解车载相机的偏航角估计值,得到多个偏航角估计值;求解该多个偏航角估计值的均值,得到车载相机的偏航角标定值。
例如,同一滑动窗口内包括车道线1、车道线2、车道线3、车道线4和车道线5,假设车道线1和车道线3符合标定条件,车道线1和车道线4符合标定条件,则基于车道线1和车道线3求解出一个yaw角估计值y1,基于车道线1和车道线4求解和另一个yaw角估计值y2,则求解y1和y2的均值得到yaw角标定值。
当然,在其它实施例中,同一滑动窗口内,可以存储不同目标车道线的检测结果。例如包括左车道线的多条第一车道线和多条第二车道线,以及包括右车道线的多条第一车道线和多条第二车道线。基于左车道线的第一车道线和第二车道线估计出yaw角,得到多个yaw角估计值,也可以基于右车道线的第一车道线和第二车道线估计出yaw角,得到多个yaw角估计值。之后,可以采用左车道线的多个yaw角估计值和右车道线的多个yaw角估计值,求均值,得到该滑动窗口内的yaw角标定值。
可以理解的是,本公开实施例中,同一滑动窗口内多个时刻对分别对应的目标车道线可以相同也可以不同。
通过求解多个yaw角估计值的均值来标定车载相机的yaw角,能够减少偶然误差对yaw估计值的影响,提高yaw角估计值的准确性。
类似的,本公开实施例中可以设置多个滑动窗口,每个滑动窗口可以分别估计出一个yaw角标定值,实施时还可以在多个滑动窗口内分别求解车载相机的yaw角标定值,得到多个yaw角标定值;在多个yaw角标定值之间的误差小于误差阈值的情况下,停止求解yaw角标定值,并确定车载相机的yaw角达到稳定状态。
在yaw角达到稳定状态的情况下,停止求解,可以节约计算资源,提高计算资源的使用效率。
实施时,可以在车辆启动时开始执行本公开实施例提供的方案。在yaw角标定值稳定后,可停止求解。当遇到事故,或再次启动时,重新执行本公开实施例提供的方案。
以前述方案1为例,下面结合附图对本公开实施例提供的yaw角估计方法进行说明,如图6所示,为本公开实施例提供的方案的整体框架示意图。在图6中,对车载相机采集的车道图像进行车道线检测,得到从车道图像中检测出的车道线,以及每帧车道图像的定位数据。该定位数据是执行定位操作得到的位置数据。例如,车载相机采集车道图像,同时车辆的定位模块不断的执行定位操作得到定位数据,由此,可以从定位数据中获取与车道图像的采集时刻最近的定位数据作为车道图像的定位数据。由此,得到input(输入)信息。
input数据作为上游数据以供后续处理。实施时,定位数据和从图像中检测出的车道线是对应的,车道线及其对应的定位数据,关联存储到同一滑动窗口内。对同一滑动窗口内的数据执行预处理操作。得到满足标定条件的第一车道线和第二车道线,即可执行yaw角估计操作,从而得到yaw角估计值,而后实现对车道线的矫正。
下面结合图7对图6的框架进一步说明,包括以下步骤:
S701,将基于车载相机对目标车道线进行检测,得到的车道线与对应的定位数据缓存到滑动窗口中。即对应图6中获取input信息。
S702,对应图6中的预处理操作,可根据滑动窗口内车道线的长度和曲线方程系数对数据进行过滤,只保留车道线长度大于预设长度、车道线的弯曲程度低于预设弯曲程度的车道线,过滤后得到观测较好的、接近直线的车道线。并且用车道线的第一个观测点和它的切线斜率来将车道线近似为直线,得到每条车道线分别对应的直线方程。
S703,从滑动窗口中取出前后间隔n条车道线的车道线,得到多个车道线对,每个车道线对内包括第一车道线和第二车道线。即对应图6中通过数据选择,筛选出满足标定条件的车道线。
S704,针对每对车道线对,根据该车道线对内第一车道线的定位数据和第二车道线的定位数据计算出车辆的位移。
实施时,如果检测到车辆变道,那么滑动窗口内的这组数据将不作计算。
S705,基于位移,第一车道线的直线方程和第二车道线的直线方程的参数,采用yaw角估计公式,计算出yaw角估计值。
S704和S705即对应图6中的几何计算过程,实现对yaw角的估计。
S706,遍历完滑动窗口中的所有车道线对,得到一组yaw角估计值,求取该组yaw角估计值的平均值得到最终的yaw角标定值。即对应图6中完成均值滤波。
最后,对应图6中的矫正过程,由得到的yaw标定值对车道线进行矫正,用于辅助驾驶。
综上,本公开实施例中,能够在车辆行驶过程中,对yaw角进行估计,以修正yaw角,实现对车道线的补充,以便于能够正确的辅助驾驶。
基于相同的技术构思,本公开实施例中,如图8所示,还提供一种车载相机的偏航角估计装置800,包括:
图像采集模块801,用于车辆行驶过程中,基于车载相机在第一时刻采集第一车道图像,以及基于车载相机在第二时刻采集第二车道图像;
车道线获取模块802,用于获取从第一车道图像中检测到的第一车道线,以及从第二车道图像中检测到的第二车道线,其中,第一车道线和第二车道线均表示同一目标车道线;
估计模块803,用于在第一车道线和第二车道线满足标定条件的情况下,基于第一时刻的第一车道线和第二时刻的第二车道线之间的映射关系,确定车载相机的偏航角估计值;映射关系用于将第一车道线上的检测点映射到第二车道线上。
在一些实施例中,标定条件,包括以下中的至少一种:
车道线长度大于预设长度;
车道线的弯曲程度低于预设弯曲程度;
第一车道线和第二车道线具有平行关系;
第一时刻和第二时刻之间的时间间隔大于预设间隔;
第一时刻和第二时刻之间检测出至少n条第三车道线,n为大于等于1的正整数,且第三车道线为对目标车道线进行车道线检测得到的。
在一些实施例中,在映射关系中通过待估计偏航角将第一车道线上的检测点转换到第一时刻的目标车道线上得到第一中间点、通过第一时刻和第二时刻之间车辆产生的位移将第一中间点转换到第二时刻的目标车道线上得到第二中间点,通过待估计偏航角的负值将第二中间点转换到第二时刻的第二车道线上。
在一些实施例中,估计模块803,包括:
获取单元,用于获取第一车道线的第一直线方程以及第二车道线的第二直线方程;
估计单元,用于将第一直线方程的参数以及第二直线方程的参数作为偏航角估计公式的参数,得到偏航角估计值;偏航角估计公式是基于映射关系推理得到的。
在一些实施例中,偏航角估计公式为:
θ表示yaw角估计值,tx表示车辆的纵向位移,ty表示车辆的横向位移,coi表示第一直线方程的截距,c1i表示第一直线方程的斜率,ρ表示车辆从第一时刻到第二时刻的旋转,coj表示第二直线方程的截距。
在一些实施例中,估计模块803,包括:
映射单元,用于将第一车道线上的多个检测点分别通过映射关系映射到第二车道线的第二直线方程上,得到多个映射点;
构建单元,用于建立目标函数,目标函数用于求解多个映射点到第二车道线的第二直线方程上的距离之和;
优化单元,用于以最小化目标函数为优化目标,调整映射关系中的待估计偏航角;
确定单元,用于获取最小化目标函数的情况下,待估计偏航角的取值作为偏航角估计值。
在一些实施例中,在滑动窗口内包括多个时刻对,每个时刻对包括第一时刻和对应的第二时刻,还包括:
均值滤波模块,用于在滑动窗口内,基于每个时刻对分别对应的第一车道线和第二车道线,分别求解车载相机的偏航角估计值,得到多个偏航角估计值;求解多个偏航角估计值的均值,得到车载相机的偏航角标定值。
在一些实施例中,还包括:
控制模块,用于在多个滑动窗口内分别求解车载相机的偏航角标定值,得到多个偏航角标定值;在多个偏航角标定值之间的误差小于误差阈值的情况下,停止求解偏航角标定值,并确定车载相机的偏航角达到稳定状态。
本公开实施例的装置的各模块、单元的具体功能和示例的描述,可以参见上述方法实施例中对应步骤的相关描述,在此不再赘述。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,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。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图9所示,设备900包括计算单元901,其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序,来执行各种适当的动作和处理。在RAM 903中,还可存储设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类型的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备900通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元901可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元901的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元901执行上文所描述的各个方法和处理,例如车载相机的偏航角估计方法。例如,在一些实施例中,车载相机的偏航角估计方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到设备900上。当计算机程序加载到RAM 903并由计算单元901执行时,可以执行上文描述的车载相机的偏航角估计方法的一个或多个步骤。备选地,在其他实施例中,计算单元901可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行车载相机的偏航角估计方法。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的***和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入、或者触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式***的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
基于相同的技术构思,本公开实施例还提供一种车辆,该车辆可包括如图9所示的电子设备。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (20)
1.一种车载相机的偏航角估计方法,包括:
车辆行驶过程中,基于所述车载相机在第一时刻采集第一车道图像,以及基于所述车载相机在第二时刻采集第二车道图像;
获取从所述第一车道图像中检测到的第一车道线,以及从所述第二车道图像中检测到的第二车道线,其中,所述第一车道线和所述第二车道线均表示同一目标车道线;
在所述第一车道线和所述第二车道线满足标定条件的情况下,基于所述第一时刻的所述第一车道线和所述第二时刻的所述第二车道线之间的映射关系,确定所述车载相机的偏航角估计值;所述映射关系用于将所述第一车道线上的检测点映射到所述第二车道线上。
2.根据权利要求1所述的方法,其中,所述标定条件,包括以下中的至少一种:
车道线长度大于预设长度;
车道线的弯曲程度低于预设弯曲程度;
所述第一车道线和所述第二车道线具有平行关系;
所述第一时刻和所述第二时刻之间的时间间隔大于预设间隔;
所述第一时刻和所述第二时刻之间检测出至少n条第三车道线,n为大于等于1的正整数,且所述第三车道线为对所述目标车道线进行车道线检测得到的。
3.根据权利要求1或2所述的方法,在所述映射关系中通过待估计偏航角将所述第一车道线上的检测点转换到第一时刻的所述目标车道线上得到第一中间点、通过所述第一时刻和所述第二时刻之间所述车辆产生的位移将所述第一中间点转换到第二时刻的所述目标车道线上得到第二中间点,通过所述待估计偏航角的负值将所述第二中间点转换到所述第二时刻的所述第二车道线上。
4.根据权利要求1或3所述的方法,其中,所述基于所述第一时刻的所述第一车道线和所述第二时刻的所述第二车道线之间的映射关系,确定所述车载相机的偏航角估计值,包括:
获取所述第一车道线的第一直线方程以及所述第二车道线的第二直线方程;
将所述第一直线方程的参数以及所述第二直线方程的参数作为偏航角估计公式的参数,得到所述偏航角估计值;所述偏航角估计公式是基于所述映射关系推理得到的。
5.根据权利要求4所述的方法,其中,所述偏航角估计公式为:
其中,θ表示偏航角估计值,tx表示所述车辆的纵向位移,ty表示所述车辆的横向位移,coi表示所述第一直线方程的截距,c1i表示所述第一直线方程的斜率,ρ表示所述车辆从第一时刻到第二时刻的旋转,coj表示所述第二直线方程的截距。
6.根据权利要求1或3所述的方法,其中,所述基于所述第一时刻的所述第一车道线和所述第二时刻的所述第二车道线之间的映射关系,确定所述车载相机的偏航角估计值,包括:
将所述第一车道线上的多个检测点分别通过所述映射关系映射到所述第二车道线的第二直线方程上,得到多个映射点;
建立目标函数,所述目标函数用于求解所述多个映射点到所述第二车道线的第二直线方程上的距离之和;
以最小化所述目标函数为优化目标,调整所述映射关系中的待估计偏航角;
获取最小化所述目标函数的情况下,所述待估计偏航角的取值作为所述偏航角估计值。
7.根据权利要求1-6中任一项所述的方法,在滑动窗口内包括多个时刻对,每个时刻对包括第一时刻和对应的第二时刻,还包括:
在所述滑动窗口内,基于每个时刻对分别对应的第一车道线和第二车道线,分别求解所述车载相机的偏航角估计值,得到多个偏航角估计值;
求解所述多个偏航角估计值的均值,得到所述车载相机的偏航角标定值。
8.根据权利要求7所述的方法,还包括:
在多个滑动窗口内分别求解所述车载相机的所述偏航角标定值,得到多个偏航角标定值;
在所述多个偏航角标定值之间的误差小于误差阈值的情况下,停止求解所述偏航角标定值,并确定所述车载相机的偏航角达到稳定状态。
9.一种车载相机的偏航角估计装置,包括:
图像采集模块,用于车辆行驶过程中,基于所述车载相机在第一时刻采集第一车道图像,以及基于所述车载相机在第二时刻采集第二车道图像;
车道线获取模块,用于获取从所述第一车道图像中检测到的第一车道线,以及从所述第二车道图像中检测到的第二车道线,其中,所述第一车道线和所述第二车道线均表示同一目标车道线;
估计模块,用于在所述第一车道线和所述第二车道线满足标定条件的情况下,基于所述第一时刻的所述第一车道线和所述第二时刻的所述第二车道线之间的映射关系,确定所述车载相机的偏航角估计值;所述映射关系用于将所述第一车道线上的检测点映射到所述第二车道线上。
10.根据权利要求9所述的装置,其中,所述标定条件,包括以下中的至少一种:
车道线长度大于预设长度;
车道线的弯曲程度低于预设弯曲程度;
所述第一车道线和所述第二车道线具有平行关系;
所述第一时刻和所述第二时刻之间的时间间隔大于预设间隔;
所述第一时刻和所述第二时刻之间检测出至少n条第三车道线,n为大于等于1的正整数,且所述第三车道线为对所述目标车道线进行车道线检测得到的。
11.根据权利要求9或10所述的装置,在所述映射关系中通过待估计偏航角将所述第一车道线上的检测点转换到第一时刻的所述目标车道线上得到第一中间点、通过所述第一时刻和所述第二时刻之间所述车辆产生的位移将所述第一中间点转换到第二时刻的所述目标车道线上得到第二中间点,通过所述待估计偏航角的负值将所述第二中间点转换到所述第二时刻的所述第二车道线上。
12.根据权利要求9或11所述的装置,其中,所述估计模块,包括:
获取单元,用于获取所述第一车道线的第一直线方程以及所述第二车道线的第二直线方程;
估计单元,用于将所述第一直线方程的参数以及所述第二直线方程的参数作为偏航角估计公式的参数,得到所述偏航角估计值;所述偏航角估计公式是基于所述映射关系推理得到的。
13.根据权利要求12所述的装置,其中,所述偏航角估计公式为:
其中,θ表示偏航角估计值,tx表示所述车辆的纵向位移,ty表示所述车辆的横向位移,coi表示所述第一直线方程的截距,c1i表示所述第一直线方程的斜率,ρ表示所述车辆从第一时刻到第二时刻的旋转,coj表示所述第二直线方程的截距。
14.根据权利要求9或11所述的装置,其中,所述估计模块,包括:
映射单元,用于将所述第一车道线上的多个检测点分别通过所述映射关系映射到所述第二车道线的第二直线方程上,得到多个映射点;
构建单元,用于建立目标函数,所述目标函数用于求解所述多个映射点到所述第二车道线的第二直线方程上的距离之和;
优化单元,用于以最小化所述目标函数为优化目标,调整所述映射关系中的待估计偏航角;
确定单元,用于获取最小化所述目标函数的情况下,所述待估计偏航角的取值作为所述偏航角估计值。
15.根据权利要求9-14中任一项所述的装置,在滑动窗口内包括多个时刻对,每个时刻对包括第一时刻和对应的第二时刻,还包括:
均值滤波模块,用于在所述滑动窗口内,基于每个时刻对分别对应的第一车道线和第二车道线,分别求解所述车载相机的偏航角估计值,得到多个偏航角估计值;求解所述多个偏航角估计值的均值,得到所述车载相机的偏航角标定值。
16.根据权利要求15所述的装置,还包括:
控制模块,用于在多个滑动窗口内分别求解所述车载相机的所述偏航角标定值,得到多个偏航角标定值;在所述多个偏航角标定值之间的误差小于误差阈值的情况下,停止求解所述偏航角标定值,并确定所述车载相机的偏航角达到稳定状态。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可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能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
20.一种车辆,包括如权利要求17所述的电子设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429708.8A CN116823958A (zh) | 2023-04-20 | 2023-04-20 | 车载相机的偏航角估计方法、装置、设备、车辆及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310429708.8A CN116823958A (zh) | 2023-04-20 | 2023-04-20 | 车载相机的偏航角估计方法、装置、设备、车辆及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116823958A true CN116823958A (zh) | 2023-09-29 |
Family
ID=88121163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310429708.8A Pending CN116823958A (zh) | 2023-04-20 | 2023-04-20 | 车载相机的偏航角估计方法、装置、设备、车辆及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116823958A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180001876A1 (en) * | 2016-06-30 | 2018-01-04 | Toyota Jidosha Kabushiki Kaisha | Lane departure prevention device |
CN110320908A (zh) * | 2019-06-06 | 2019-10-11 | 华南农业大学 | 一种agv实时仿真*** |
WO2020038091A1 (zh) * | 2018-08-22 | 2020-02-27 | 北京市商汤科技开发有限公司 | 智能驾驶控制方法与装置、电子设备、程序和介质 |
US20200105017A1 (en) * | 2018-09-30 | 2020-04-02 | Boe Technology Group Co., Ltd. | Calibration method and calibration device of vehicle-mounted camera, vehicle and storage medium |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
CN112837352A (zh) * | 2021-04-20 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 基于图像的数据处理方法、装置及设备、汽车、存储介质 |
US20210300469A1 (en) * | 2020-03-26 | 2021-09-30 | Honda Motor Co., Ltd. | Travel control system |
CN114067001A (zh) * | 2022-01-14 | 2022-02-18 | 天津所托瑞安汽车科技有限公司 | 车载相机角度标定方法、终端及存储介质 |
CN114399748A (zh) * | 2022-01-19 | 2022-04-26 | 东南大学 | 一种基于视觉车道检测的农机实时路径校正方法 |
CN114812575A (zh) * | 2022-03-15 | 2022-07-29 | 中汽创智科技有限公司 | 一种修正参数的确定方法、装置、电子设备及存储介质 |
CN115511974A (zh) * | 2022-09-29 | 2022-12-23 | 浙江工业大学 | 一种车载双目相机的快速外参标定方法 |
CN115619875A (zh) * | 2022-10-21 | 2023-01-17 | 广州汽车集团股份有限公司 | 车载摄像头标定方法、装置、电子设备及存储介质 |
CN115704688A (zh) * | 2021-08-05 | 2023-02-17 | 上海博泰悦臻网络技术服务有限公司 | 高精地图数据相对位置精度评估方法、***、介质及终端 |
-
2023
- 2023-04-20 CN CN202310429708.8A patent/CN116823958A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180001876A1 (en) * | 2016-06-30 | 2018-01-04 | Toyota Jidosha Kabushiki Kaisha | Lane departure prevention device |
WO2020038091A1 (zh) * | 2018-08-22 | 2020-02-27 | 北京市商汤科技开发有限公司 | 智能驾驶控制方法与装置、电子设备、程序和介质 |
US20200105017A1 (en) * | 2018-09-30 | 2020-04-02 | Boe Technology Group Co., Ltd. | Calibration method and calibration device of vehicle-mounted camera, vehicle and storage medium |
CN110320908A (zh) * | 2019-06-06 | 2019-10-11 | 华南农业大学 | 一种agv实时仿真*** |
US20210300469A1 (en) * | 2020-03-26 | 2021-09-30 | Honda Motor Co., Ltd. | Travel control system |
CN112560680A (zh) * | 2020-12-16 | 2021-03-26 | 北京百度网讯科技有限公司 | 车道线处理方法、装置、电子设备及存储介质 |
CN112837352A (zh) * | 2021-04-20 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 基于图像的数据处理方法、装置及设备、汽车、存储介质 |
CN115704688A (zh) * | 2021-08-05 | 2023-02-17 | 上海博泰悦臻网络技术服务有限公司 | 高精地图数据相对位置精度评估方法、***、介质及终端 |
CN114067001A (zh) * | 2022-01-14 | 2022-02-18 | 天津所托瑞安汽车科技有限公司 | 车载相机角度标定方法、终端及存储介质 |
CN114399748A (zh) * | 2022-01-19 | 2022-04-26 | 东南大学 | 一种基于视觉车道检测的农机实时路径校正方法 |
CN114812575A (zh) * | 2022-03-15 | 2022-07-29 | 中汽创智科技有限公司 | 一种修正参数的确定方法、装置、电子设备及存储介质 |
CN115511974A (zh) * | 2022-09-29 | 2022-12-23 | 浙江工业大学 | 一种车载双目相机的快速外参标定方法 |
CN115619875A (zh) * | 2022-10-21 | 2023-01-17 | 广州汽车集团股份有限公司 | 车载摄像头标定方法、装置、电子设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
JO, KICHUN等: "Precise Localization of an Autonomous Car Based on Probabilistic Noise Models of Road Surface Marker Features Using Multiple Cameras", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
袁望方;张昭;马保宁;曹树星;: "基于机器视觉的车道偏离预警技术研究", 中国安全生产科学技术, no. 1 * |
陈本智;: "基于双曲线模型的车道识别与偏离预警", 计算机应用, no. 09 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111649739B (zh) | 定位方法和装置、自动驾驶车辆、电子设备和存储介质 | |
CN112560680A (zh) | 车道线处理方法、装置、电子设备及存储介质 | |
CN115690739B (zh) | 多传感器融合障碍物存在性检测方法和自动驾驶车辆 | |
CN110717141B (zh) | 一种车道线优化方法、装置及存储介质 | |
CN114419165A (zh) | 相机外参校正方法、装置、电子设备和存储介质 | |
CN114140759A (zh) | 高精地图车道线位置确定方法、装置及自动驾驶车辆 | |
CN113183975A (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
CN115900695A (zh) | 一种应用于车辆的智能泊车车辆定位的方法 | |
CN114743178A (zh) | 道路边缘线生成方法、装置、设备及存储介质 | |
CN116543032B (zh) | 冲击物测距方法、装置、测距设备及存储介质 | |
CN117745845A (zh) | 一种外参信息确定方法、装置、设备和存储介质 | |
CN116823958A (zh) | 车载相机的偏航角估计方法、装置、设备、车辆及介质 | |
CN116520338A (zh) | 目标车辆距离的确定方法、装置、电子设备和存储介质 | |
CN116772858A (zh) | 车辆定位方法、装置、定位设备及存储介质 | |
CN113587940A (zh) | 一种基于车辆转弯半径的车道线校验方法、***及车辆 | |
CN114049615B (zh) | 行驶环境中交通对象融合关联方法、装置及边缘计算设备 | |
CN112180382A (zh) | 基于恒速模型的自适应3d-lslam定位方法、装置和*** | |
CN112683216B (zh) | 用于生成车辆长度信息的方法、装置、路侧设备和云控平台 | |
CN117289686B (zh) | 一种参数标定方法、装置、电子设备及存储介质 | |
CN115187957A (zh) | 地面元素检测方法、装置、设备、介质及产品 | |
CN116468801A (zh) | 车载环视相机的外参标定方法、装置、车辆及存储介质 | |
CN117360548A (zh) | 一种车辆横向控制方法、装置、设备及存储介质 | |
CN116164777A (zh) | 传感器标定方法、装置、设备及自动驾驶车辆 | |
CN117557535A (zh) | 地图要素检测方法、装置、电子设备、存储介质 | |
CN116788276A (zh) | 一种车辆控制方法、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 |