CN118235180A - 预测可行驶车道的方法和装置 - Google Patents
预测可行驶车道的方法和装置 Download PDFInfo
- Publication number
- CN118235180A CN118235180A CN202180104362.3A CN202180104362A CN118235180A CN 118235180 A CN118235180 A CN 118235180A CN 202180104362 A CN202180104362 A CN 202180104362A CN 118235180 A CN118235180 A CN 118235180A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- drivable
- model
- travelable
- 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 117
- 238000012545 processing Methods 0.000 claims description 42
- 230000003068 static effect Effects 0.000 claims description 17
- 238000011049 filling Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 29
- 230000008569 process Effects 0.000 description 18
- 230000033001 locomotion Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 230000008447 perception Effects 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000006399 behavior Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
一种预测可行驶车道的方法和装置，涉及人工智能、自动驾驶领域。预测可行驶车道的方法包括：获取自车前向车道线信息和自车后向车道线信息(S410)；根据自车前向车道线信息构建第一车道模型(S420)；根据自车后向车道线信息构建第二车道模型(S430)；根据第一车道模型和第二车道模型预测第一可行驶车道(S440)。预测可行驶车道的方法和装置能够提高交通拥堵场景下车道预测的准确性和可靠性。
Description
本申请涉及人工智能领域，并且更具体地，涉及一种预测可行驶车道的方法和装置。
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。
可行驶车道的预测对于车辆尤其是自动驾驶车辆在交通拥堵场景下的车道保持具有重要的意义，准确的车道预测能够保证在高纵向动态(前车切入/前车切出)的条件下，自车不会由于跟随前车，与周边车辆发生碰撞。
因而，如何提高交通拥堵场景下车道预测的准确性和可靠性是亟需解决的技术问题。
发明内容
本申请提供一种预测可行驶车道的方法和装置，能够提高交通拥堵场景下车道预测的准确性和可靠性。
第一方面，提供了一种预测可行驶车道的方法，该方法包括：获取自车前向车道线信息和自车后向车道线信息；根据该自车前向车道线信息构建第一车道模型；根据该自车后向车道线信息构建第二车道模型；根据该第一车道模型和该第二车道模型预测第一可行驶车道。
可选地，上述车道线信息(也即车道线的特征信息)包括长度、位置、角度、曲率、颜色、宽度、平行度、类型，以及置信度等中的至少一项。
目前，可行驶车道的预测通常是基于前向传感器所检测到的车道线来实现的，然而，在交通拥堵场景下，前向车道线很有可能被部分或全部遮挡，导致可行驶车道预测的准确性和可靠性大大降低。
本申请实施例通过融合自车前向和自车后向的车道线信息来预测可行驶车道，具体通过融合根据自车前向车道线信息所构建的第一车道模型和根据自车后向车道线信息所构建的第二车道模型来预测可行驶车道，从而能够提高交通拥堵场景下可行驶车道预测的准确性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该自车前向车道线可以通过激光雷达检测。
应理解，通常车道线可以通过摄像头、激光雷达等传感器检测。但对于摄像头而言，在车道线被汽车、雨雪或其他障碍物遮挡；或者车道线标记不明显、不完整等；或者在行驶环境为低照度、强光或其他雨雪环境等，均会导致无法检测到可靠的车道线。对于高级辅助驾驶或者自动驾驶***，可靠且稳定的可行驶车道是非常重要的。因此，通过激光雷达提供的更加准确的道路边界以及障碍物3d信息，包括坐标以及深度信息等，可以有效解决上述问题。
因而，在本申请实施例中，前向车道线可以由激光雷达检测，从而能够提高可行驶车道预测的准确性和可靠性。
应理解，作为一种优先方案，前向车道线可以通过激光雷达检测，但应理解，实际操作中前向车道线也可以通过摄像头或其他传感器检测，不做限定。
同样地，后向车道线也可以通过激光雷达、摄像头或其他传感器检测，不做限定。
结合第一方面，在第一方面的某些实现方式中，该根据该第一车道模型和该第二车道模型预测第一可行驶车道包括：分别将该第一车道模型和该第二车道模型中的各个车道线与车道线序号相关联；确定该第一车道模型和该第二车道模型中与同一车道线序号相关联的车道线是否匹配；将该第一车道模型和该第二车道模型中所匹配的车道线补齐；根据补齐后的车道线预测该第一可行驶车道。
可选地，车道线序号可以包括自车车道(H)的左车道线(H
左)和右车道线(H
右)和、左一车道(L1)的左车道线(L1
左)和右车道线(L1
右)、左二车道(L2)的左车道线(L2
左)和右车道线(L2
右)、右一车道(R1)的左车道线(R1
左)和右车道线(R1
右)、右二车道(R2)的左车道线(R2
左)和右车道线(R2
右)等中的至少一项。
可选地，确定该第一车道模型和该第二车道模型中与同一车道线序号相关联的车道线是否匹配可以包括：根据第一车道模型和第二车道模型中车道线的特征信息确定第一车道模型和第二车道模型中与同一车道线序号相关联的车道线是否匹配。
在本申请实施例中，通过分别将第一车道模型和第二车道模型中的各个车道线与车道线序号相关联；再确定第一车道模型和第二车道模型中与同一车道线序号相关联的车道线是否匹配；然后将第一车道模型和第二车道模型中所匹配的车道线补齐；最后根据补齐后的车道线预测该第一可行驶车道，从而能够提高可行驶车道预测的准确性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：获取该自车目标方向的可行驶区域的边界，该目标方向包括前向和/或后向，该可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界中的至少一项确定；根据该自车目标方向的可行驶区域的边界预测第二可行驶车道；根据该第二可行驶车道对该第一可行驶车道进行修正。
在本申请实施例中，还可以获取自车目标方向的可行驶区域的边界，并根据自车目标方向的可行驶区域的边界预测第二可行驶车道，再根据第二可行驶车道对根据车道线所预测的第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性。
结合第一方面，在第一方面的某些实现方式中，根据该自车目标方向的可行驶区域的边界预测第二可行驶车道包括：根据该自车目标方向的可行驶区域的边界的特征信息构建边界模型，该特征信息包括边界位置、角度、类型、置信度中的至少一项；根据该边界模 型、自车位置(或者自车轨迹)以及预设车道宽度预测该第二可行驶车道。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：获取该自车目标方向的车辆行驶轨迹，该目标方向包括前向和/或后向；根据该自车目标方向的车辆行驶轨迹预测第三可行驶车道；根据该第三可行驶车道对该第一可行驶车道进行修正。
在本申请实施例中，还可以获取自车目标方向的车辆行驶轨迹，再根据第三可行驶车道对根据车道线所预测的第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性；另外在复杂城市道路环境下，还能够保证可行驶车道预测的连续性，例如，在车道线检测不到或者检测不清的情况下，也可通过自车目标方向的车辆行驶轨迹实现可行驶车道的预测。
结合第一方面，在第一方面的某些实现方式中，该根据该自车目标方向的车辆行驶轨迹预测第三可行驶车道包括：根据该自车目标方向的车辆行驶轨迹构建轨迹模型；根据该轨迹模型和预设横向偏差预测该第三可行驶车道。
可选地，根据该自车目标方向的车辆行驶轨迹预测第三可行驶车道还可以包括：根据该自车目标方向的车辆行驶轨迹构建历史轨迹模型与预测轨迹模型；根据该历史轨迹模型、预测轨迹模型、自车运动轨迹模型和预设横向偏差预测该第三可行驶车道。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据该第一可行驶车道和该自车的航向角，计算该第一可行驶车道的第一曲率；根据该第一曲率对该第一可行驶车道进行修正。
应理解，在低速拥堵的场景下，由于车道线的检测范围有限，难以提供准确的道路曲率参数。因而，在本申请实施例中，通过根据所预测的第一可行驶车道和自车的航向角，计算第一可行驶车道的第一曲率，从而能够提高道路曲率计算的实时性以及准确性；并根据该第一曲率对第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该根据该第一可行驶车道和该自车的航向角，计算该第一可行驶车道的第一曲率包括：根据该第一可行驶车道计算自车到车道线的横向距离；将该自车航向角与该横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算该第一可行驶车道的第一曲率。
在本申请实施例中，可以根据第一可行驶车道计算自车到车道线的横向距离；并将自车航向角与横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算第一可行驶车道的第一曲率，从而能够提高道路曲率计算的实时性以及准确性。
结合第一方面，在第一方面的某些实现方式中，该自车的航向角通过全球定位***GPS获得。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据导航地图和GPS确定该第一可行驶车道的第二曲率；根据该第二曲率对该第一可行驶车道进行修正。
应理解，在低速拥堵的场景下，由于车道线的检测范围有限，难以提供准确的道路曲率参数。在本申请实施例中，可以根据导航地图和全球定位***GPS确定第一可行驶车道的第二曲率，从而能够提高道路曲率计算的实时性以及准确性；并根据该第二曲率对第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据该第一可行驶车道进行路径规划。
应理解，根据第一可行驶车道进行路径规划可以理解为将第一可行驶车道作为车道保持的横向参考轨迹即横向约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。也可以理解为，将第一可行驶车道作为车道分配的约束条件，即根据第一可行驶车道将自车附近行驶的其他车辆分配到各自的车道，结合交通规则，规划自车的横纵向轨迹，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据该第一可行驶车道和可行驶区域进行路径规划。
应理解，根据第一可行驶车道和可行驶区域进行路径规划可以理解为将第一可行驶车道和可行驶区域作为横向路径规划的约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：根据该自车目标方向车辆的历史行驶轨迹预测该自车目标方向车辆在未来目标时间段的行驶轨迹，该目标方向包括前向和/或后向；根据该第一可行驶车道和该自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
在本申请实施例中，可以根据预测的第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划，即就是将第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹共同作为横向路径规划的约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
可选地，还可以将障碍物的轮廓作为横向路径规划的约束条件，本申请对此不做限定。
第二方面，提供了一种预测可行驶车道的装置，包括：获取模块和处理模块；其中，该获取模块用于，获取自车前向车道线信息和自车后向车道线信息；该处理模块用于，根据该自车前向车道线信息构建第一车道模型；根据该自车后向车道线信息构建第二车道模型；根据该第一车道模型和该第二车道模型预测第一可行驶车道。
结合第二方面，在第二方面的某些实现方式中，该自车前向车道线通过激光雷达检测。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，分别将该第一车道模型和该第二车道模型中的各个车道线与车道线序号相关联；确定该第一车道模型和该第二车道模型中与同一车道线序号相关联的车道线是否匹配；将该第一车道模型和该第二车道模型中所匹配的车道线补齐；根据补齐后的车道线预测该第一可行驶车道。
结合第二方面，在第二方面的某些实现方式中，该获取模块还用于，获取该自车目标方向的可行驶区域的边界，该目标方向包括前向和/或后向，该可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界中的至少一项确定；该处理模块还用于，根据该自车目标方向的可行驶区域的边界预测第二可行驶车道；或根据该第二可行驶车道对该第一可行驶车道进行修正。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据该自车目标方向的可行驶区域的边界的特征信息构建边界模型，该特征信息包括边界位置、角度、类型、置信度中的至少一项；根据该边界模型、自车位置以及预设车道宽度预测该第二可行 驶车道。
结合第二方面，在第二方面的某些实现方式中，该获取模块还用于，获取该自车目标方向的车辆行驶轨迹，该目标方向包括前向和/或后向；该处理模块还用于，根据该自车目标方向的车辆行驶轨迹预测第三可行驶车道；根据该第三可行驶车道对该第一可行驶车道进行修正。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据该自车目标方向的车辆行驶轨迹构建轨迹模型；根据该轨迹模型和预设横向偏差预测该第三可行驶车道。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据该第一可行驶车道和该自车的航向角，计算该第一可行驶车道的第一曲率；根据该第一曲率对该第一可行驶车道进行修正。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据该第一可行驶车道计算自车到车道线的横向距离；将该自车航向角与该横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算该第一可行驶车道的第一曲率。
结合第二方面，在第二方面的某些实现方式中，该自车的航向角通过全球定位***GPS获得。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据导航地图和全球定位***GPS确定该第一可行驶车道的第二曲率；根据该第二曲率对该第一可行驶车道进行修正。
结合第二方面，在第二方面的某些实现方式中，该处理模块还用于，根据该自车目标方向车辆的历史行驶轨迹预测该自车目标方向车辆在未来目标时间段的行驶轨迹，该目标方向包括前向和/或后向；根据该第一可行驶车道和该自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
第三方面，提供了一种预测可行驶车道的装置，包括输入输出接口、处理器和存储器，所述处理器用于控制输入输出接口收发信号或信息，所述存储器用于存储计算机程序，所述处理器用于从存储器中调用并运行所述计算机程序，使得所述预测可行驶车道的装置执行如第一方面或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
第四方面，提供了一种车辆，包括如第二方面或者第二方面的任一可能的实现方式中的预测可行驶车道的装置。
第五方面，提供了一种计算设备，包括：至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行如第一方面或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
第六方面，提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行上述第一方面或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
第七方面，提供了一种计算机可读介质，所述计算机可读介质存储有程序代码，当所述程序代码在计算机上运行时，使得计算机执行第一方面或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
第八方面，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，执行第一方面或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
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或者第一方面的任一可能的实现方式中的预测可行驶车道的方法。
第九方面，提供了一种芯片***，该芯片***包括至少一个处理器，用于支持实现上述第一方面或第一方面的某些实现中所涉及的功能，例如，例如接收或处理上述方法中所涉及的数据和/或信息。
在一种可能的设计中，所述芯片***还包括存储器，所述存储器，用于保存程序指令和数据，存储器位于处理器之内或处理器之外。该芯片***，可以由芯片构成，也可以包含芯片和其他分立器件。
图1是本申请实施例提供的一种应用场景的示例图。
图2是本申请实施例提供的车辆的一个功能框图示意。
图3是本申请实施例提供的一种***架构示例图。
图4是本申请实施例提供的一种预测可行驶车道的方法示例图。
图5是本申请实施例提供的一种融合前后车道模型的方法示例图。
图6是本申请实施例提供的另一种融合前后车道模型的方法示例图。
图7是本申请实施例提供的一种可行驶区域的边界的示例图。
图8是本申请实施例提供的一种预测第二可行驶车道的方法示例图。
图9是本申请实施例提供的一种边界提取的示例图。
图10是本申请实施例提供的一种自车前向和后向的车辆行驶轨迹示例图。
图11是本申请实施例提供的一种预测第三可行驶车道的方法示例图。
图12是本申请实施例提供的一种目标方向运动车辆的轮廓边界以及未来行驶轨迹的示例图。
图13是本申请实施例提供的一种预测可行驶车道的装置示例图。
图14是本申请实施例提供的一种装置的硬件结构示例性框图。
下面首先对本申请实施例的应用场景进行示例性介绍。
本申请实施例所提供的预测可行驶车道的方法和/或装置可以应用于车辆等交通工具，该车辆具体可以为内燃机车、智能电动车或者混合动力车，或者，该车辆也可以为其他动力类型的车辆等，本申请实施例对此并不限定。此外，这些方法和/或装置既可以应用于人工驾驶，又可以应用于辅助驾驶，还可以应用于自动驾驶。下面介绍几个可能的应用场景。
应用场景一、路径规划/行驶规划
本申请实施例提供的预测可行驶车道的方法和/或装置可以应用于路径规划/行驶规划 等场景，例如，可以将预测的可行驶车道发送给路径规划模块或装置，使得路径规划模块或装置能够根据预测的可行驶车道规划路径，或对已有的路径规划方案进行调整。又例如，可以将预测的可行驶车道发送给行驶规划模块或装置，使得行驶规划模块或装置能够根据预测的可行驶车道来确定车辆的可行驶区域(freespace)，或者还能够根据预测的可行驶车道来指导接下来的车辆行为，例如可以是生成自动驾驶中的执行动作，也可以是指导驾驶员进行驾驶。
可行驶区域也可以称之为可通行空间，是一种描述车辆周边环境的表述方式。例如，某一车辆的可通行空间一般包含其他车辆，行人和马路边等信息，因此，该车辆的可通行空间主要用于将该车辆附近的可以自由行使的空间描述清楚。
应用场景二、导航***
本申请实施例提供的预测可行驶车道的方法和/或装置还可以应用于导航***，车辆获取预测的可行驶车道后，可以将该可行驶车道上报给导航控制模块或装置，该导航控制模块或装置可以根据接收的可行驶车道以及结合路况等其他信息，来指示驾驶员接下来的驾驶，和/或可以指示自动驾驶车辆生成相应的执行动作，该导航控制模块或装置可以是云端设备、服务器、终端设备等数据处理设备，导航控制模块，还可以是设置在车辆上的车载模块或装置。
进一步举例说明，例如可以结合预测的可行驶车道和交通信息(例如红绿灯信息)，来指导车辆根据交通规则行驶。尤其是当应用于自动驾驶的时候，能够控制自动驾驶车辆根据预测的可行驶车道行驶到正确的车道，以及在正确的时间通过红路灯路口。
又例如，可以结合预测的可行驶车道和路况信息、路径信息等，来为车辆规划车道级的导航信息。
应用场景三、预警策略规划
本申请实施例提供的预测可行驶车道的方法和/或装置还可以用于进行预警策略规划，例如，可以根据预测的可行驶车道和车辆当前位置进行车道偏离预警，当根据预测的可行驶车道和车辆当前位置判定车辆偏离车道时，发出警示信号。进一步举例说明，当车辆靠近实线型车道线或者压到实线型车道线的时候，利用触发指示灯或发出声音等形式进行警示。还可以将报警信号发送给其他决策或控制模块来进一步控制车辆行驶。
又例如，可以根据预测的可行驶车道和车辆周围情况，进行碰撞预警，可以根据预测的可行驶车道和车辆存在的其他车辆、行人、障碍物、路沿、建筑物、隔离带等信息进行碰撞预警的策略规划。
下面结合附图，对本申请实施例的技术方案进行介绍。
图1是本申请实施例提供的一种应用场景示例图。如图1所示，车辆在行驶过程中，车辆驾驶***可以检测车辆周围信息(包括检测车道线、可行驶区域的边界、其他车辆行驶轨迹等信息)，再根据所检测到的车辆周围信息预测可行驶车道，以便能够基于预测的可行驶车道，在车辆偏离自车道或即将偏离自车道前给予提醒，及时地调整车辆在车道中的位置，以保障行车安全，有效地降低或避免交通事故的发生。
图2是本申请实施例提供的车辆100的一个功能框图示意。
车辆100可以包括感知***120和计算平台150，其中，感知***120可以包括感测关于车辆100周边的环境的信息的若干种传感器。例如，感知***120可以包括全球定位 ***121(全球定位***可以是GPS***，也可以是北斗***或者其他定位***)、惯性测量单元(inertial measurement unit，IMU)122、激光雷达123、毫米波雷达124、超声雷达125以及摄像装置126中的一种或者多种。
车辆100的部分或所有功能受计算平台150控制。计算平台150可包括至少一个处理器151，处理器151可以执行存储在例如存储器152这样的非暂态计算机可读介质中的指令153。在一些实施例中，计算平台150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151可以是任何常规的处理器，例如中央处理单元(central process unit，CPU)。替选地，处理器151还可以包括诸如数字信号处理器(digital signal processor，DSP)、图像处理器(graphic process unit，GPU)，现场可编程门阵列(field programmable gate array，FPGA)、片上***(system on chip，SOC)、专用集成芯片(application specific integrated circuit，ASIC)或它们的组合。
车辆100可以包括高级驾驶辅助***(advanced driving assistant system，ADAS)，ADAS利用在车辆上的多种传感器(包括但不限于：激光雷达、毫米波雷达、摄像装置、超声波传感器、全球定位***、惯性测量单元)从车辆周围获取信息，并对获取的信息进行分析和处理，实现例如障碍物感知、目标识别、车辆定位、路径规划、驾驶员监控/提醒等功能，从而提升车辆驾驶的安全性、自动化程度和舒适度。
图3是本申请实施例提供的一种***架构示例图。如图3所示，该***架构300包括感知模块310和预测模块320，下面对这些模块进行简单介绍。
感知模块310(相当于上述感知***120)可以用于感知车辆行驶时路面以及周围环境的信息。可选地，感知模块310可以包括摄像头感知模块、雷达感知模块、定位模块和地图模块等中的一项或多项。其中，摄像头感知模块主要利用摄像头进行图像采集，并根据该采集到的图像得到车道线、行驶车辆、可行驶区域、交通标识、行人等信息，雷达感知模块可以用于检测行人、车道线、车辆、道路边沿及可行驶区域等信息，定位模块可以用于实现车辆的全局定位，地图模块可以用于获取周边道路拓扑。
预测模块320用于从感知模块310获取检测到的信息，并根据该信息预测可行驶车道，该预测可行驶车道的具体实现方式可参见下文方法400。应理解，预测模块320还可以用于动态目标(包括车辆、行人等)的行为预测，本申请对此不做限定。
可选地，***架构300还可以包括规控模块330，用于根据预测模块320输出的可行驶车道生成车辆的控制指令，并通过其输出接口输出给相应的执行器。可选地，规控模块330在根据预测模块320输出的可行驶车道生成车辆的控制指令的同时，还可以结合自车和周边动态目标与车道的相对位置关系以及它们的状态信息、历史运动轨迹、预测的目标轨迹等信息中的一项或多项，本申请对此不做限定。
可选地，***架构300还可以包括执行器340，用于执行规控模块330生成的控制指令，该执行器340可以包括油门、刹车和方向盘等。
还需要说明的是，图3所示的***架构300仅为示例而非限定，本领域的普通技术人员可以理解，***架构300中可以包括更多或更少的模块，本申请实施例中对此并不限定。
图4是本申请实施例提供的一种预测可行驶车道的方法示例图。图4所示的方法400可以包括S410至S440。应理解，本申请实施例对以上步骤的先后顺序不做限定，凡是能 够通过以上各个步骤的任意顺序实现本申请的方案，均落在本申请的保护范围内。下面分别对这几个步骤进行详细的介绍。
S410，获取自车前向车道线信息和自车后向车道线信息。
可选地，在获取自车前向车道线信息和后向车道线信息之前，可以先通过传感器对前向和后向车道线进行检测，然后基于所检测的车道线进行车道线信息的获取。
应理解，车道线信息也可以称为车道线的特征信息，本申请对此不进行区分。
可选地，前向车道线可以通过摄像头、激光雷达等传感器检测。同样可选地，后向车道线也可以通过激光雷达、摄像头或其他传感器检测，本申请对此不做限定。
应理解，前向采用的传感器可以与后向传感器相同也可以不相同，本申请对此不做限定。
应理解，对于摄像头而言，在车道线被汽车、雨雪或其他障碍物遮挡；或者车道线标记不明显、不完整等；或者在行驶环境为低照度、强光或其他雨雪环境等，均会导致无法检测到可靠的车道线。而与摄像头相对应的，激光雷达是一种利用主动光源的传感器件。利用这个特点，激光雷达检测车道线，可以在路面车道线不清晰，某些低照度场景下检测到可靠的车道线。同时，激光雷达具有强大的目标外形轮廓检测能力。因此，能提供更强的可行驶车道的预测能力。
因而为提高车道线检测的可靠性，作为一个优选方案，在交通拥堵的场景下，可以采用前向激光雷达检测前向车道线，采用激光雷达或后向摄像头检测后向车道线，但应理解，实际操作中可以不限于此。
S420，根据自车前向车道线信息构建第一车道模型。其中，包括获得自车前向车道线的类型(例如实线、虚线、白色、黄色等)，建立相关的车道线描述模型，以及车道线序号等。
可选地，该自车前向车道线信息包括长度、位置、角度、曲率、颜色、宽度、平行度、类型，以及置信度等中的至少一项。
S430，根据自车后向车道线信息构建第二车道模型。其中，包括获得自车后向车道线的类型(例如实线、虚线、白色、黄色等)，建立相关的车道线描述模型，以及车道线序号等。
可选地，该自车后向车道线信息包括长度、位置、角度、曲率、颜色、宽度、平行度、类型，以及置信度等中的至少一项。
应理解，车道模型包括车道线模型。可选地，车道线模型中的每条车道线可以是线性多项式、螺旋线的泰勒展开、抛物线等形式中的一种，本申请对此不做限定。可选地，每条车道线可以为直线也可以为曲线，本申请对此不做限定。示例性地，车道线模型中每条车道线的形式可以是如下公式(1)至(3)中的一种：
y＝c
0+c
1x+c
2x
2+c
3x
3 (1)
y＝c
0+c
1x+c
2x
2 (2)
y＝c
0+c
1x (3)
在本申请中，需要根据所检测的前向车道线和后向车道线分别构建第一车道模型和第二车道模型，从而将所获取的车道线转化为模型化或数字化的形式，以便后续应用到预测 算法中。
S440，根据第一车道模型和第二车道模型预测第一可行驶车道。
应理解，根据第一车道模型和第二车道模型预测第一可行驶车道即就是融合前向和后向车道模型得到第一可行驶车道的过程。下面结合图5和图6介绍融合前向和后向车道模型得到第一可行驶车道的过程。
图5是本申请实施例提供的一种融合前后车道模型的方法示例图。图5中的(a)为所构建的车道线模型的示例图；图5中的(b)为对车道线的匹配与融合的示例图；图5中的(c)为通过融合得到可行驶车道的示例图。图6是本申请实施例提供的另一种融合前后车道模型的方法示例图。如图6所示，方法600包括步骤S610至S640，下面结合图5和图6分别对这几个步骤进行详细的介绍。
S610，分别将第一车道模型和第二车道模型中的各个车道线与车道线序号相关联。
可选地，车道线序号可以包括自车车道(H)的左车道线(H
左)和右车道线(H
右)和、左一车道(L1)的左车道线(L1
左)和右车道线(L1
右)、左二车道(L2)的左车道线(L2
左)和右车道线(L2
右)、右一车道(R1)的左车道线(R1
左)和右车道线(R1
右)、右二车道(R2)的左车道线(R2
左)和右车道线(R2
右)等中的至少一项。应理解，以上车道线序号仅作为示例，在实际操作中，车道线序号也可以通过其他方式来表示，本申请对此不做限定。
在实际操作中，可以根据当前检测的车道模型(即上述第一车道模型和第二车道模型)中各个车道线的类型(实线、虚线、颜色等)、位置、角度、曲率以及长度范围等状态特征信息，将各个车道线分别和车道线序号相关联。具体地，可以根据第一车道模型中各个车道线的类型、位置、角度、曲率以及长度范围等状态特征信息，将第一车道模型中各个车道线和车道线序号相关联；根据第二车道模型中各个车道线的类型、位置、角度、曲率以及长度范围等状态特征信息，将第二车道模型中各个车道线和车道线序号相关联。
由于车道线当前的检测值可能是不可靠或者有噪声的，因此，需要对当前的可行驶车道模型进行预测。在车道模型的预测中，引入三个概念，一个是观测车道线，一个是估计车道线，一个是融合车道线。根据卡尔曼滤波的原理，预测当前的状态(未知的真实状态，不是观测值)，需要通过历史状态的变化，估计出当前的状态值。同时，由于状态随时间变化，需要引入当前的观测值与当前的预测状态更新未来的预测车道模型。由此，车道融合通过迭代，通过历史的观测车道线模型，以及历史的预测车道线模型预测当前的车道模型，通过历史和当前的观测车道线模型，以及历史和当前的预测车道线模型预测未来的车道模型。
具体地，在将各个车道线分别和车道线序号相关联时，需要满足如下条件：在长度方向上，各个车道线的观测值与当前的预测车道线的重叠度需要大于第一预设阈值；在车道线模型参数(位置、角度与曲率等)上，各个车道线与当前的预测车道线的参数差异小于第二预设阈值；在车道线参数的协方差(位置、角度与曲率等)上，各个车道线与当前的预测车道线的概率覆盖范围重叠度大于第三预设阈值；在横向方向上，各个车道线与当前的预测车道线的距离统计指标小于第四预设阈值。应理解，在实际操作中，上述各个预设阈值可以随车道线曲率与长度等信息自适应调整，不做限定。应理解，上述当前的预测车道线是指上一拍预测的当前可行驶车道模型对应的车道线，同时也可以结合自身位置、定 位***、预设车道宽度等信息修正此模型。
假如当前检测到的车道线与当前估计的车道模型中的所有车道线都不关联时，则判断此车道线可能是新检测到的车道线或岔道结构。当连续检测出此车道线时，确认此车道线为新检测的车道线或岔道结构。
S620，确定第一车道模型与第二车道模型中与同一车道线序号相关联的车道线是否匹配。具体匹配方式可参见步骤S630的描述。
S630，将第一车道模型和第二车道模型中所匹配的车道线补齐。
在实际操作中，可以根据车道模型中各个车道线的类型、位置、角度、曲率以及长度范围等状态特征信息，判断第一车道模型和第二车道模型中与同一车道线序号相关联的前后车道线是否相匹配。
具体地，可以先判断是否存在与同一车道线序号相关联的前后车道线。若对应同一车道线序号仅存在前车道线或后车道线，则说明不存在与同一车道线序号相关联的前后车道线，则可以直接将存在的车道线作为该车道线序号对应的车道线。
若同时存在与同一车道线序号相关联的前后车道线，判断前后车道线在端点处的斜率平行度是否较为一致。若前后车道线在端点处的斜率平行度相差较大，则基于自车偏航角或者自车的轮廓线作为参考进行延长，补齐前后车道线。
若前后车道线在端点处的斜率平行度较为一致，则继续利用外插车道线，将前后车道线中的一个延长，与另一个车道线相重叠。使得两车道线之间的横向距离小于预设阈值。
S640，根据补齐后的车道线预测第一可行驶车道。
对各个车道线序号对应的补齐的车道线进行融合得到预测车道线，然后根据预测车道线得到第一可行驶车道。
在此，还可以利用检测的前后车道线、自车的偏航角和预测车道线的参数计算第一可行驶车道的车道模型的参数。
利用检测到的前后车道线模型，补齐的车道线模型，与前后车道线相关联的车道线序号，以及该车道线序号对应的上一拍预估的左右车道线模型作为输入参数，融合获得第一可行驶车道。融合方法如下：
(1)利用以上车道线的模型参数(长度、位置、角度与曲率的检测值，以及它们的协方差)作为输入，采用滤波算法获得预测车道线。
或者，采用基于空间坐标中的多个点(x0,y0),(x1,y1),(x2,y2)作为输入，采用滤波算法获得预测车道线。
(2)基于参数阈值判断的一致性，选择以上某些车道检测模型参数，更新融合车道参数。
最后判断以下条件是否满足，判断获得预测可行驶车道的可信度：
1)该车道线序号对应的预测的左右车道线模型是否满足平行条件；
2)预测可行驶车道满足一定宽度条件；
为了保证可行驶车道预测的鲁棒性，在存在与自车道相关联的检测车道线时，始终更新自车车道的预测。对于低于可信概率阈值的预测可行驶车道，感知***需要给***输出警告标志。
在本申请实施例中，通过分别将第一车道模型和第二车道模型中的各个车道线与车道 线序号相关联；再确定第一车道模型和第二车道模型中与同一车道线序号相关联的车道线是否匹配；然后将第一车道模型和第二车道模型中所匹配的车道线补齐；最后根据补齐后的车道线预测该第一可行驶车道，从而能够提高可行驶车道预测的准确性和可靠性。
可选地，方法400还可以包括：获取自车目标方向的可行驶区域的边界；根据自车目标方向的可行驶区域的边界预测第二可行驶车道；根据第二可行驶车道对该第一可行驶车道进行修正。
其中，目标方向包括前向和/或后向，可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界中的至少一项确定，图7是本申请实施例提供的一种可行驶区域的边界的示例图。
可选地，根据自车目标方向的可行驶区域的边界预测第二可行驶车道可以包括：根据自车目标方向的可行驶区域的边界的特征信息构建边界模型，该特征信息包括边界位置、角度、类型、置信度中的至少一项；根据该边界模型、自车位置以及预设车道宽度预测该第二可行驶车道。
图8是本申请实施例提供的一种预测第二可行驶车道的方法示例图。下面结合图8对预测第二可行驶车道的方法800进行详细介绍。如图8所示，方法800包括步骤S810至S840。
S810，检测自车目标方向可行驶区域，并对检测的可行驶区域建模。
在确定目标方向的可行驶区域的边界之前，可以先利用摄像机和激光雷达等传感器对目标方向的可行驶区域进行检测，然后在可行驶区域中区分道路边界、动态障碍物边界和静态障碍物边界，最后基于道路边界、动态障碍物边界和静态障碍物边界确定可行驶区域的边界。
可选地，对于摄像机而言，可以利用语义分割(semantic segmentation)、传统三维重建(structure from motion，SFM)或者占据栅格地图(occupied grid map，OGM)等方式对检测的可行驶区域建模。对于激光雷达而言，可以利用OGM或者路沿分割等方式对检测的可行驶区域建模。
S820，提取可行驶区域的边界，区分道路边界、动态障碍物边界和静态障碍物边界。
具体的，提取可行驶区域边界，需要借用上述检测到的可行驶区域，得到出其边界在真实世界或车体系下的坐标。可选的，可利用检测到的可行驶区域的颜色、雷达(lidar)点云特征，以及目标运动状态等特征组合，通过机器学习、深度学习等分类方式，区分道路边界、动态障碍物边界和静态障碍物边界。
S830，提取可行驶区域的边界特征信息，并建立边界模型。
可选地，可行驶区域的边界模型可以是顶点+连接线形式、多边形形式、多段多项式形式或边界顶点信息集合的形式等，本申请对此不做限定。
可选地，利用可行驶区域边界建立边界模型，可以采用如下方式：
首先可以提取关键顶点坐标并计算置信度。具体的，对于代表上述道路边界、动态障碍物边界和静态障碍物边界的坐标点，采用分类和回归等方式处理，获得多条可用低阶方程拟合(较为平直)的边界线。这些边界线的交点即为可行驶区域边界顶点。对这些顶点进行编号，分别计算它们距以与其左右相邻(1到n)个点为顶点的直线的距离。其中，关键顶点相较其他顶点，到各直线的距离都较远。
关键顶点坐标的置信度通过可行驶区域分类的置信度，以及道路边界、动态障碍物边界和静态障碍物边界分类的置信度获得。
然后根据上述道路边界、动态障碍物边界和静态障碍物边界的顶点坐标，采用顶点+连接线形式、多段多项式形式或边界顶点信息集合的形式对上述3种边界建模。
可选地：
1)多段多项式形式，可以采用上述车道线模型中的线性多项式、螺旋线的泰勒展开、抛物线等形式中的一种，采用关键顶点作为分界点，对上述道路边界、动态障碍物边界和静态障碍物边界进行分段拟合。
2)顶点+连接线形式，顶点即关键顶点，连接线即上述多段多项式。
3)边界顶点信息集合，即关键顶点的集合。
S840，根据边界模型、自车位置(或自车轨迹)以及预设车道宽度预测第二可行驶车道。
具体的，道路边界和静态障碍物边界是自车需要避让的边界。因此，利用道路边界和静态障碍物边界与自车位置(或自车轨迹)的距离关系，提取离自车侧边最近的边界作为可行驶车道的边界，如图9所示。
对于动态障碍物，认为它们的位置符合车道分布。具体地，若自车目标方向为前向，则根据自车前向的可行驶区域的边界构建前向边界模型；根据前向边界模型、自车位置以及预设车道宽度预测第二可行驶车道。若自车目标方向为后向，则根据自车后向的可行驶区域的边界构建后向边界模型；根据后向边界模型、自车位置以及预设车道宽度预测第二可行驶车道。若自车目标方向为前向和后向，则根据自车前向和后向的可行驶区域的边界分别构建前向和后向边界模型；并根据前向和后向的边界模型、自车位置以及预设车道宽度分别构建前向车道模型(即前向可行驶车道)和后向车道模型(即后向可行驶车道)，然后将前向车道模型和后向车道模型进行融合得到第二可行驶车道，该前向车道模型和后向车道模型的融合过程可参见方法600的描述。
可选地，根据第二可行驶车道对第一可行驶车道进行修正，可以理解为融合第一可行驶车道和第二可行驶车道得到一个新的可行驶车道，这个新的可行驶车道即为对第一可行驶车道修正后的可行驶车道。可选地，新的可行驶车道可以是第一可行驶车道和第二可行驶车道的加权求和结果；可选地，新的可行驶车道也可以根据第一可行驶车道和第二可行驶车道各自的置信度确定，本申请对此不做限定。还需要理解的是，特殊地，若存在车道线被遮挡或没有车道线等情况，则可以直接将第二可行驶车道作为第一可行驶车道。
可选地，在实际操作中，还可以通过前向车道线信息构建车道模型以及后向可行驶区域的边界构建车道模型，然后将得到前后两个车道模型通过方法600进行融合预测得到可行驶车道；或者可以通过前向车道线构建车道模型以及前向可行驶区域的边界构建车道模型，然后将二者得到的车道模型通过加权求和或置信度等方式融合预测得到可行驶车道，本申请对组合方式不做限定。
在本申请实施例中，可以获取自车目标方向的可行驶区域的边界，并根据自车目标方向的可行驶区域的边界预测第二可行驶车道，再根据第二可行驶车道对根据车道线所预测的第一可行驶车道进行修正，从而使得在车道线缺失或无车道线的场景下，也可以对可行驶车道进行预测，从而能够进一步提高可行驶车道预测的准确性和可靠性。
可选地，方法400还可以包括：获取自车目标方向的车辆行驶轨迹；根据自车目标方向的车辆行驶轨迹预测第三可行驶车道；根据第三可行驶车道对第一可行驶车道进行修正。其中，目标方向包括前向和/或后向。图10作为一个示例，示出了自车前向和后向的车辆行驶轨迹示例图。
可选地，该根据自车目标方向的车辆行驶轨迹预测第三可行驶车道可以包括：根据自车目标方向的车辆(即运动车辆)行驶轨迹构建轨迹模型(即目标方向的车辆的轨迹模型)；根据轨迹模型和预设横向偏差预测第三可行驶车道。
可选地，该目标方向的车辆的轨迹模型可以包括历史轨迹模型和预测轨迹模型中的至少一项。
可选地，根据轨迹模型和预设横向偏差预测第三可行驶车道可以包括：根据目标方向的运动车辆的轨迹模型、自车运动轨迹模型和预设横向偏差等预测第三可行驶车道。
具体地，若自车目标方向为前向，则根据自车前向的车辆行驶轨迹构建轨迹模型；根据运动车辆轨迹模型、自车运动轨迹模型和预设横向偏差预测第三可行驶车道。若自车目标方向为后向，则根据自车后向的车辆行驶轨迹构建轨迹模型；根据运动车辆轨迹模型、自车运动轨迹模型和预设横向偏差预测第三可行驶车道。若自车目标方向为前向和后向，则根据自车前向和后向的车辆行驶轨迹分别构建轨迹模型，并根据前向和后向的运动车辆和自车运动轨迹模型和预设横向偏差分别构建前向车道模型(即前向可行驶车道)和后向车道模型(即后向可行驶车道)，然后将前向车道模型和后向车道模型进行融合预测第三可行驶车道，该前向车道模型和后向车道模型的融合过程同样可参见上文方法600的描述。
可选地，还可以结合目标方向的车辆等目标的行驶轨迹、车辆等目标的轮廓、上一拍预测的可行驶车道等信息来预测车辆等目标的未来轨迹(并判断其是否换道)。根据对车辆目标行为的判断、车辆目标的历史和预测轨迹以及上一拍预测的可行驶车道的车道线模型，可更新目标方向预测车道线。通过预测车道线与预测沿车道行驶的车辆目标轨迹(以及其轮廓)的横向偏差关系，判断更新的预测车道线是否可靠。最后根据该预测车道线来预测第三可行驶车道。
图11是本申请实施例提供的一种预测第三可行驶车道的方法示例图。下面结合图11对预测第三可行驶车道的方法1100进行详细介绍。如图11所示，方法1100包括步骤S1110至S1150。
S1110，根据目标方向车辆的行驶轨迹，构建其运动轨迹模型。
应理解，该行驶轨迹可以理解为历史行驶轨迹。
可选地，还可以根据目标方向车辆行驶的历史行驶轨迹和当前状态，构建其运动轨迹模型。
具体地，利用目标方向传感器检测并跟踪行驶车辆。若自车目标方向为前向，则根据自车前向的车辆行驶轨迹构建轨迹模型；若自车目标方向为后向，则根据自车后向的车辆行驶轨迹构建轨迹模型；同时，通过传感器检测目标历史轨迹的位置、速度，加速度等状态信息，以及当前的目标状态信息，获得车辆目标的运动轨迹模型，用于描述车辆目标当前的运动状态。
可选地，目标方向的车辆行驶轨迹可以通过激光雷达、毫米波雷达和摄像机等传感器 检测。示例性地，前向车辆行驶轨迹可以通过前向激光雷达检测，后向车辆行驶轨迹可以通过后向摄像机获取，不做限定。
S1120，结合目标方向运动车辆行驶轨迹、运动车辆轮廓和上一拍预测的可行驶车道，预测其未来轨迹并判断其是否换道。
应理解，在根据目标方向车辆行驶轨迹构建轨迹模型，并根据目标方向的轨迹模型和预设横向偏差构建车道模型时，需要利用传感器检测并跟踪行驶车辆，并根据前方跟踪车辆的行驶轨迹、车辆与预测车道的关系、车辆之间的位置关系等判断目标方向车辆是否沿本车道行驶。
具体的，根据上一拍预测的可行驶车道、目标方向运动车辆行驶轨迹以及通过目标方向传感器检测到的运动车辆轮廓，可以获得在同一坐标系下，车辆轨迹(包括轨迹包含的状态变量)、车辆轮廓以及可行驶车道的坐标。利用上述变量状态，可以在鸟瞰图上获得运动车辆目标与所占车道线的相对位置关系。通过车辆在车道上行驶的历史轨迹、运动车辆状态(车辆沿车道的运动速度、加速度，沿车道横向的速度、加速度，车辆的横摆角，以及车辆转动的角速率等)、车辆与车道的位置关系(车辆与车道的横向距离，车辆轮廓与车道线之间的夹角等)以及车辆与前后车辆之间的位置关系(例如车辆同一车道线上前方近距离有车俩慢速行驶时，有较大概率未来变道。)可以预测目标车辆未来的轨迹与变道行为。
S1130，根据沿车道行驶的运动车辆(即预测未来不换道运动车辆)的轨迹，以及上一拍预测的车道线，预测当前拍的目标方向的车道线。
具体的，当判断目标方向运动车辆沿车道行驶时，那么此运动车辆目标的运动轨迹坐标(x,y)可以作为观测值，更新目标方向可行驶车道线。其中，判断是否采用该运动车辆目标的运动轨迹更新目标方向可行驶车道线的条件还包括跟踪质量条件(跟踪时长，可靠度等)是否满足。将运动车辆目标的运动轨迹坐标(x,y)作为观测值，结合运动车辆轮廓与车道线之间的横向偏差距离，更新预测的目标方向可行驶车道线模型。
S1140，在预测的车道线与预测沿车道行驶的运动车辆轨迹横向偏差大于某阈值时，判断该车轨迹不稳定，不能用于预测可行驶车道，删除该车轨迹并重新预测前后车道线。
由于采用跟踪车辆轨迹以及跟踪车辆轮廓预测可行驶车道线是基于运动车辆沿车道行驶的假设，当此假设判断错误时，预测的可行驶车道线会出现错误。为了及时纠正此错误，需要利用预测的可行驶车道线验证假设的条件是否成立。即检查当前预测的车道线与运动车辆沿车道线行驶的假设是否成立，即满足运动车辆轮廓处于预测的左右车道线中间的条件，且该车辆的运动轨迹与车道线的方向角等模型参数小于某阈值。此阈值可随着车道线的曲率自适应调整。
S1150，基于预测车道线来预测第三可行驶车道。
具体地，若自车目标方向为前向，则根据自车前向的预测车道线预测第三可行驶车道。若自车目标方向为后向，则根据自车后向的预测车道线预测第三可行驶车道。若自车目标方向为前向和后向，则根据自车前向和后向的预测车道线分别构建前向车道模型(即前向可行驶车道)和后向车道模型(即后向可行驶车道)，然后将前向车道模型和后向车道模型进行融合预测第三可行驶车道，该前向车道模型和后向车道模型的融合过程同样可参见上文方法600的描述。
可选地，根据第三可行驶车道对第一可行驶车道进行修正，可以理解为根据第一可行驶车道和第三可行驶车道得到一个新的可行驶车道，这个新的可行驶车道即为对第一可行驶车道修正后的可行驶车道。可选地，新的可行驶车道可以是第一可行驶车道和第三可行驶车道的加权求和结果；可选地，新的可行驶车道也可以根据第一可行驶车道和第三可行驶车道各自的置信度确定，本申请对此不做限定。还需要理解的是，特殊地，若存在车道线被遮挡或没有车道线等情况，则可以直接将第三可行驶车道作为第一可行驶车道。
可选地，在实际操作中，还可以通过前向车道线信息构建车道模型以及后向车辆行驶轨迹构建车道模型，然后将得到前后两个车道模型通过方法600进行融合预测得到可行驶车道；或者可以通过前向车道线构建车道模型以及前向车辆行驶轨迹构建车道模型，然后将二者得到的车道模型通过加权求和或置信度等方式融合预测得到可行驶车道，本申请对组合方式不做限定。
在本申请实施例中，可以获取自车目标方向的车辆行驶轨迹，并根据自车目标方向的车辆行驶轨迹预测第三可行驶车道，再根据第三可行驶车道对根据车道线所预测的第一可行驶车道进行修正，从而使得在车道线缺失或无车道线的场景下，也可以对可行驶车道进行预测，从而能够进一步提高可行驶车道预测的准确性和可靠性；另外在复杂城市道路环境下，还能够保证可行驶车道预测的连续性，例如，在车道线检测不到或者检测不清的情况下，也可通过自车目标方向的车辆行驶轨迹实现可行驶车道的预测。
可选地，还可以同时融合车道线、车辆行驶轨迹以及可行驶区域的边界预测可行驶车道，从而能够进一步提高可行驶车道预测的准确性和可靠性。
可选地，方法400还可以包括：根据第一可行驶车道和自车的航向角，计算第一可行驶车道的第一曲率；并根据第一曲率对第一可行驶车道进行修正。可选地，其中，自车的航向角可以通过全球定位***(global positioning system，GPS)获得。
应理解，在低速拥堵的场景下，由于车道线的检测范围有限，难以提供准确的道路曲率参数。因而，在本申请实施例中，通过根据所预测的第一可行驶车道和自车的航向角，计算第一可行驶车道的第一曲率，从而能够提高道路曲率计算的实时性以及准确性；并根据该第一曲率对第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性。
具体地，可以根据第一可行驶车道计算自车到车道线的横向距离；再将自车航向角与该横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算第一可行驶车道中自车车道的第一曲率。
下面结合公式(4)至(9)对第一曲率的计算过程进行介绍。
具体的，根据车辆动力学方程建立车辆运动状态变化模型，其中，车辆运动状态包括β，即车辆速度方向与车辆朝向之间的夹角(侧滑角)，
r为车辆的转动角速率，phi是自车航向角，d是自车到车道线的横向距离。控制量δ
f为方向盘转角。对车辆运动产生影响的是外部干扰输入ρ
ref，为需要计算的第一道路曲率。
首先，车辆动力学方程如下公式(5)所示：
其中，ρ
ref为需要计算的第一曲率；phi为自车航向角；d为自车到车道线的横向距离；δ
f为方向盘转角；β为车辆速度方向与车辆朝向之间的夹角(侧滑角)；
r为车辆的转动角速率；ι
s为车辆重心到车头的距离；ν为车辆速度。
道路曲率(即第一曲率)与方向盘转角公式：
ρ
ref＝α+γδ
f (5)
其中，ρ
ref为需要计算的第一曲率；δ
f为方向盘转角；α和γ为一常数，即道路曲率和方向盘转角成线性比例关系；这两个参数可以通过产品参数手册或者测量统计获得。
从上述(4)和(5)，可以由状态变化方程得到状态观测方程，即通过观测输出y得到隐藏状态X的值，如下所示：
基于计算道路曲率，即第一曲率：
其中，C＝[0 0 1 1 0 0]，B＝[0 0 v 0 0 0]
T；L为观测器参数，通过设计观测器参数L，使得观测器能通过车辆车头的距离和车辆的航向角，结合车方向盘与行驶道路曲率之间的线性关系，估计出车辆行驶的道路曲率。
可选地，方法400还可以包括：根据导航地图和GPS来确定第一可行驶车道的第二曲率；根据该第二曲率对第一可行驶车道进行修正。
应理解，在低速拥堵的场景下，由于车道线的检测范围有限，难以提供准确的道路曲率参数。在本申请实施例中，可以根据导航地图和GPS确定第一可行驶车道的第二曲率，从而能够提高道路曲率计算的实时性以及准确性；并根据该第二曲率对第一可行驶车道进行修正，从而能够进一步提高可行驶车道预测的准确性和可靠性。
可选地，方法400还可以包括：根据第一可行驶车道进行路径规划。
可选地，根据第一可行驶车道进行路径规划可以理解为将第一可行驶车道作为车道保 持的横向参考轨迹即横向约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。也可以理解为，将第一可行驶车道作为车道分配的约束条件，即根据第一可行驶车道将自车附近行驶的其他车辆分配到各自的车道，结合交通规则，规划自车的横纵向轨迹，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
可选地，方法400还可以包括：根据第一可行驶车道和可行驶区域进行路径规划。
应理解，根据第一可行驶车道和可行驶区域进行路径规划可以理解为将第一可行驶车道和可行驶区域作为横向路径规划的约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
可选地，方法400还可以包括：根据自车目标方向车辆的历史行驶轨迹预测该自车目标方向车辆在未来目标时间段的行驶轨迹，该目标方向包括前向和/或后向；根据第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
在本申请实施例中，可以根据预测的第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划，即就是将第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹共同作为横向路径规划的约束条件，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
可选地，还可以根据第一可行驶车道、自车目标方向车辆的轮廓边界以及在未来目标时间段的行驶轨迹(如图12所示)进行路径规划，使得自车在路径规划时可以避开目标方向的车辆，以免发生碰撞，从而能够提升车辆行驶过程中的车道保持性能，同时提升路径规划的安全性和可靠性。
图13是本申请实施例提供的一种预测可行驶车道的装置示例图。如图13所示，该装置1300包括获取模块1310和处理模块1320。
其中，获取模块1310用于获取自车前向车道线信息和自车后向车道线信息。
处理模块1320用于，根据自车前向车道线信息构建第一车道模型；根据自车后向车道线信息构建第二车道模型；根据第一车道模型和第二车道模型预测第一可行驶车道。
可选地，自车前向车道线可以通过激光雷达检测。
可选地，处理模块1320还可以用于，分别将第一车道模型和第二车道模型中的各个车道线与车道线序号相关联；确定第一车道模型和第二车道模型中与同一车道线序号相关联的车道线是否匹配；将第一车道模型和第二车道模型中所匹配的车道线补齐；根据补齐后的车道线预测第一可行驶车道。
可选地，获取模块1310还可以用于，获取自车目标方向的可行驶区域的边界，该目标方向包括前向和/或后向，该可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界等中的至少一项确定；处理模块1320还可以用于，根据自车目标方向的可行驶区域的边界预测第二可行驶车道；根据第二可行驶车道对第一可行驶车道进行修正。
可选地，处理模块1320还可以用于，根据自车目标方向的可行驶区域的边界的特征信息构建边界模型，该特征信息包括边界位置、角度、类型、置信度等中的至少一项；根据边界模型、自车位置以及预设车道宽度预测第二可行驶车道。
可选地，获取模块1310还可以用于，获取自车目标方向的车辆行驶轨迹，该目标方向包括前向和/或后向；处理模块1320还可以用于，根据自车目标方向的车辆行驶轨迹预 测第三可行驶车道；根据第三可行驶车道对第一可行驶车道进行修正。
可选地，处理模块1320还可以用于，根据自车目标方向的车辆行驶轨迹构建轨迹模型；根据轨迹模型和预设横向偏差预测第三可行驶车道。
可选地，处理模块1320还可以用于，根据第一可行驶车道和自车的航向角，计算第一可行驶车道的第一曲率；根据第一曲率对第一可行驶车道进行修正。
可选地，处理模块1320还可以用于，根据第一可行驶车道计算自车到车道线的横向距离；将自车航向角与横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算第一可行驶车道的第一曲率。
可选地，自车的航向角可以通过全球定位***GPS获得。
可选地，处理模块1320还可以用于，根据导航地图和GPS确定第一可行驶车道的第二曲率；根据第二曲率对第一可行驶车道进行修正。
可选地，处理模块1320还可以用于，根据自车目标方向车辆的历史行驶轨迹预测自车目标方向车辆在未来目标时间段的行驶轨迹，目标方向包括前向和/或后向；根据第一可行驶车道和自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
图14是本申请实施例提供的一种装置的硬件结构示例性框图。可选地，该装置1400具体可以是一种计算机设备。该装置1400包括存储器1410、处理器1420、通信接口1430以及总线1440。其中，存储器1410、处理器1420、通信接口1430通过总线1440实现彼此之间的通信连接。
存储器1410可以是只读存储器(read only memory，ROM)，静态存储设备，动态存储设备或者随机存取存储器(random access memory，RAM)。存储器1410可以存储程序，当存储器1410中存储的程序被处理器1420执行时，处理器1420用于执行本申请实施例的预测可行驶车道的方法中的各个步骤。
处理器1420可以采用通用的中央处理器(central processing unit，CPU)，微处理器，应用专用集成电路(application specific integrated circuit，ASIC)，图形处理器(graphics processing unit，GPU)或者一个或多个集成电路，用于执行相关程序，以实现本申请方法实施例的预测可行驶车道的方法。
处理器1420还可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，本申请的预测可行驶车道的方法可以通过处理器1420中的硬件的集成逻辑电路或者软件形式的指令完成。
上述处理器1420还可以是通用处理器、数字信号处理器(digital signal processing，DSP)、专用集成电路(ASIC)、现成可编程门阵列(field programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1410，处理器1420读取存储器1410中的信息，结合其硬件完成本申请实施例的装置中包括的模块所需执行的功能，或者执行本申请方法实施例的预测可行驶车道的方法。
通信接口1430使用例如但不限于收发器一类的收发装置，来实现装置1400与其他设备或通信网络之间的通信。
总线1440可包括在装置1400各个部件(例如，存储器1410、处理器1420、通信接口1430)之间传送信息的通路。
本申请实施例还提供了一种车辆，包括本申请装置实施例的预测可行驶车道的装置。
本申请实施例还提供了一种计算设备，包括：至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行本申请方法实施例的预测可行驶车道的方法。
本申请实施例还提供了一种包含指令的计算机程序产品，当该计算机程序产品在计算机上运行时，使得计算机执行本申请方法实施例的预测可行驶车道的方法。
本申请实施例还提供了一种计算机可读介质，所述计算机可读介质存储有程序代码，当所述程序代码在计算机上运行时，使得计算机执行本申请方法实施例的预测可行驶车道的方法。
本申请实施例还提供了一种芯片，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，执行本申请方法实施例的预测可行驶车道的方法。
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本申请方法实施例的预测可行驶车道的方法。
在本说明书中使用的术语“部件”、“模块”、“***”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如，部件可以是但不限于，在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示，在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中，部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外，这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地***、分布式***和/或网络间的另一部件交互的二个部件的数据，例如通过信号与其它***交互的互联网)的信号通过本地和/或远程进程来通信。
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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (28)
- 一种预测可行驶车道的方法，其特征在于，包括：获取自车前向车道线信息和自车后向车道线信息；根据所述自车前向车道线信息构建第一车道模型；根据所述自车后向车道线信息构建第二车道模型；根据所述第一车道模型和所述第二车道模型预测第一可行驶车道。
- 如权利要求1所述的方法，其特征在于，所述自车前向车道线通过激光雷达检测。
- 如权利要求1或2所述的方法，其特征在于，所述根据所述第一车道模型和所述第二车道模型预测第一可行驶车道包括：分别将所述第一车道模型和所述第二车道模型中的各个车道线与车道线序号相关联；确定所述第一车道模型和所述第二车道模型中与同一车道线序号相关联的车道线是否匹配；将所述第一车道模型和所述第二车道模型中所匹配的车道线补齐；根据补齐后的车道线预测所述第一可行驶车道。
- 如权利要求1至3中任一项所述的方法，其特征在于，所述方法还包括：获取所述自车目标方向的可行驶区域的边界，所述目标方向包括前向和/或后向，所述可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界中的至少一项确定；根据所述自车目标方向的可行驶区域的边界预测第二可行驶车道；根据所述第二可行驶车道对所述第一可行驶车道进行修正。
- 如权利要求4所述的方法，其特征在于，所述根据所述自车目标方向的可行驶区域的边界预测第二可行驶车道包括：根据所述自车目标方向的可行驶区域的边界的特征信息构建边界模型，所述特征信息包括边界位置、角度、类型、置信度中的至少一项；根据所述边界模型、自车位置以及预设车道宽度预测所述第二可行驶车道。
- 如权利要求1至5中任一项所述的方法，其特征在于，所述方法还包括：获取所述自车目标方向的车辆行驶轨迹，所述目标方向包括前向和/或后向；根据所述自车目标方向的车辆行驶轨迹预测第三可行驶车道；根据所述第三可行驶车道对所述第一可行驶车道进行修正。
- 如权利要求6所述的方法，其特征在于，所述根据所述自车目标方向的车辆行驶轨迹预测第三可行驶车道包括：根据所述自车目标方向的车辆行驶轨迹构建轨迹模型；根据所述轨迹模型和预设横向偏差预测所述第三可行驶车道。
- 如权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：根据所述第一可行驶车道和所述自车的航向角，计算所述第一可行驶车道的第一曲率；根据所述第一曲率对所述第一可行驶车道进行修正。
- 如权利要求8所述的方法，其特征在于，所述根据所述第一可行驶车道和所述自车的航向角，计算所述第一可行驶车道的第一曲率包括：根据所述第一可行驶车道计算自车到车道线的横向距离；将所述自车航向角与所述横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算所述第一可行驶车道的第一曲率。
- 如权利要求8所述的方法，其特征在于，所述自车的航向角通过全球定位***GPS获得。
- 如权利要求1至7中任一项所述的方法，其特征在于，所述方法还包括：根据导航地图和全球定位***GPS确定所述第一可行驶车道的第二曲率；根据所述第二曲率对所述第一可行驶车道进行修正。
- 如权利要求1至11中任一项所述的方法，其特征在于，所述方法还包括：根据所述自车目标方向车辆的历史行驶轨迹预测所述自车目标方向车辆在未来目标时间段的行驶轨迹，所述目标方向包括前向和/或后向；根据所述第一可行驶车道和所述自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
- 一种预测可行驶车道的装置，其特征在于，包括：获取模块和处理模块；其中，所述获取模块用于，获取自车前向车道线信息和自车后向车道线信息；所述处理模块用于，根据所述自车前向车道线信息构建第一车道模型；根据所述自车后向车道线信息构建第二车道模型；根据所述第一车道模型和所述第二车道模型预测第一可行驶车道。
- 如权利要求13所述的装置，其特征在于，所述自车前向车道线通过激光雷达检测。
- 如权利要求13或14所述的装置，其特征在于，所述处理模块还用于，分别将所述第一车道模型和所述第二车道模型中的各个车道线与车道线序号相关联；确定所述第一车道模型和所述第二车道模型中与同一车道线序号相关联的车道线是否匹配；将所述第一车道模型和所述第二车道模型中所匹配的车道线补齐；根据补齐后的车道线预测所述第一可行驶车道。
- 如权利要求13至15中任一项所述的装置，其特征在于，所述获取模块还用于，获取所述自车目标方向的可行驶区域的边界，所述目标方向包括前向和/或后向，所述可行驶区域的边界根据道路边界、动态障碍物边界和静态障碍物边界中的至少一项确定；所述处理模块还用于，根据所述自车目标方向的可行驶区域的边界预测第二可行驶车道；根据所述第二可行驶车道对所述第一可行驶车道进行修正。
- 如权利要求16所述的装置，其特征在于，所述处理模块还用于，根据所述自车目标方向的可行驶区域的边界的特征信息构建边界模型，所述特征信息包括边界位置、角度、类型、置信度中的至少一项；根据所述边界模型、自车位置以及预设车道宽度预测所述第二可行驶车道。
- 如权利要求13至17中任一项所述的装置，其特征在于，所述获取模块还用于，获取所述自车目标方向的车辆行驶轨迹，所述目标方向包括前向和/或后向；所述处理模块还用于，根据所述自车目标方向的车辆行驶轨迹预测第三可行驶车道；根据所述第三可行驶车道对所述第一可行驶车道进行修正。
- 如权利要求18所述的装置，其特征在于，所述处理模块还用于，根据所述自车目标方向的车辆行驶轨迹构建轨迹模型；根据所述轨迹模型和预设横向偏差预测所述第三可行驶车道。
- 如权利要求13至19中任一项所述的装置，其特征在于，所述处理模块还用于，根据所述第一可行驶车道和所述自车的航向角，计算所述第一可行驶车道的第一曲率；根据所述第一曲率对所述第一可行驶车道进行修正。
- 如权利要求20所述的装置，其特征在于，所述处理模块还用于，根据所述第一可行驶车道计算自车到车道线的横向距离；将所述自车航向角与所述横向距离作为输入变量，利用车辆的动力学模型以及道路曲率与方向盘转角的相关性，计算所述第一可行驶车道的第一曲率。
- 如权利要求20所述的装置，其特征在于，所述自车的航向角通过全球定位***GPS获得。
- 如权利要求13至19中任一项所述的装置，其特征在于，所述处理模块还用于，根据导航地图和全球定位***GPS确定所述第一可行驶车道的第二曲率；根据所述第二曲率对所述第一可行驶车道进行修正。
- 如权利要求13至23中任一项所述的装置，其特征在于，所述处理模块还用于，根据所述自车目标方向车辆的历史行驶轨迹预测所述自车目标方向车辆在未来目标时间段的行驶轨迹，所述目标方向包括前向和/或后向；根据所述第一可行驶车道和所述自车目标方向车辆在未来目标时间段的行驶轨迹进行路径规划。
- 一种预测可行驶车道的装置，其特征在于，包括输入输出接口、处理器和存储器，所述处理器用于控制输入输出接口收发信号或信息，所述存储器用于存储计算机程序，所述处理器用于从存储器中调用并运行所述计算机程序，使得所述预测可行驶车道的装置执行如权利要求1至12中任一项所述的方法。
- 一种车辆，其特征在于，包括如权利要求13至25中任一项所述的预测可行驶车道的装置。
- 一种计算机可读存储介质，其特征在于，所述计算机可读介质存储用于设备执行的程序代码，所述程序代码包括用于执行如权利要求1至12中任一项所述的方法的指令。
- 一种计算设备，其特征在于，包括：至少一个处理器和存储器，所述至少一个处理器与所述存储器耦合，用于读取并执行所述存储器中的指令，以执行如权利要求1至12中任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/CN2021/133478 WO2023092451A1 (zh) | 2021-11-26 | 2021-11-26 | 预测可行驶车道的方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118235180A true CN118235180A (zh) | 2024-06-21 |
Family
ID=86538599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202180104362.3A Pending CN118235180A (zh) | 2021-11-26 | 2021-11-26 | 预测可行驶车道的方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN118235180A (zh) |
| WO (1) | WO2023092451A1 (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116499477B (zh) * | 2023-06-21 | 2023-09-26 | 小米汽车科技有限公司 | 地图的融合方法、装置、介质及车辆 |
| CN116524450B (zh) * | 2023-06-29 | 2023-09-22 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间确定方法及装置 |
| CN117150247B (zh) * | 2023-10-30 | 2023-12-26 | 中国标准化研究院 | 一种智能产品质量风险控制方法 |
| CN117268424B (zh) * | 2023-11-21 | 2024-02-09 | 湖南仕博测试技术有限公司 | 一种多传感器融合的自动驾驶寻线方法及装置 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9090263B2 (en) * | 2010-07-20 | 2015-07-28 | GM Global Technology Operations LLC | Lane fusion system using forward-view and rear-view cameras |
| CN103940434B (zh) * | 2014-04-01 | 2017-12-15 | 西安交通大学 | 基于单目视觉和惯性导航单元的实时车道线检测*** |
| CN108162867A (zh) * | 2017-12-21 | 2018-06-15 | 宁波吉利汽车研究开发有限公司 | 一种车道识别***及车道识别方法 |
| US20200377087A1 (en) * | 2019-05-28 | 2020-12-03 | Sf Motors, Inc. | Lane keep control of autonomous vehicle |
| CN112885074B (zh) * | 2019-11-30 | 2023-01-13 | 华为技术有限公司 | 道路信息检测方法以及装置 |
| CN112706785B (zh) * | 2021-01-29 | 2023-03-28 | 重庆长安汽车股份有限公司 | 一种自动驾驶车辆行驶环境认知目标选择方法、装置及存储介质 |
| CN113165670A (zh) * | 2021-03-01 | 2021-07-23 | 华为技术有限公司 | 一种智能驾驶方法、装置、存储介质及计算机程序 |
-
2021
- 2021-11-26 WO PCT/CN2021/133478 patent/WO2023092451A1/zh active Application Filing
- 2021-11-26 CN CN202180104362.3A patent/CN118235180A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023092451A1 (zh) | 2023-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11561542B2 (en) | Safety and comfort constraints for navigation | |
| US11126186B2 (en) | Systems and methods for predicting the trajectory of a road agent external to a vehicle | |
| US10782703B2 (en) | Constraint relaxation in a navigational system | |
| US11313976B2 (en) | Host vehicle position estimation device | |
| US9708004B2 (en) | Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system | |
| CN118235180A (zh) | 预测可行驶车道的方法和装置 | |
| CN111750886A (zh) | 局部路径规划方法及装置 | |
| CN112639849A (zh) | 路径选择方法和路径选择装置 | |
| WO2020178639A1 (en) | Aligning road information for navigation | |
| WO2023097874A1 (zh) | 用于行驶轨迹规划的方法和装置 | |
| US20210300419A1 (en) | Mobile object control method, mobile object control device, and storage medium | |
| CN112394725A (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
| CN115900738A (zh) | 路径规划方法、装置、车辆以及存储介质 | |
| Kuhnt et al. | Lane-precise localization of intelligent vehicles using the surrounding object constellation | |
| EP4141482A1 (en) | Systems and methods for validating camera calibration in real-time | |
| Chipka et al. | Estimation and navigation methods with limited information for autonomous urban driving | |
| US20230202470A1 (en) | Integrated trajectory forecasting, error estimation, and vehicle handling when detecting an observed scenario | |
| Delp et al. | Classifying and passing 3d obstacles for autonomous driving | |
| Yoon et al. | High-definition map based motion planning, and control for urban autonomous driving | |
| JP2022146256A (ja) | 走路推定方法及び走路推定装置 | |
| US12043290B2 (en) | State identification for road actors with uncertain measurements based on compliant priors | |
| US20230399026A1 (en) | State Identification For Road Actors With Uncertain Measurements Based On Compliant Priors | |
| Jarnea et al. | Advanced driver assistance system for overtaking maneuver on a highway | |
| US20240151817A1 (en) | Systems and methods for static detection based amodalization placement | |
| US20240208492A1 (en) | Collision aware path planning systems and methods |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination |