CN113227831B - 基于多传感器数据融合的护栏估计方法和车载设备 - Google Patents
基于多传感器数据融合的护栏估计方法和车载设备 Download PDFInfo
- Publication number
- CN113227831B CN113227831B CN201980002607.4A CN201980002607A CN113227831B CN 113227831 B CN113227831 B CN 113227831B CN 201980002607 A CN201980002607 A CN 201980002607A CN 113227831 B CN113227831 B CN 113227831B
- Authority
- CN
- China
- Prior art keywords
- guardrail
- vehicle
- sample points
- determining
- information
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/862—Combination of radar systems with sonar systems
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9318—Controlling the steering
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/93185—Controlling the brakes
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/932—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles using own vehicle data, e.g. ground speed, steering wheel direction
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9323—Alternative operation using light waves
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
- G01S2013/9324—Alternative operation using ultrasonic waves
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
一种基于多传感器数据融合的护栏估计方法、车载设备和存储介质,该方法包括:获取多传感器数据和整车信息(501);基于整车信息,确定车辆的行驶轨迹(502);基于多传感器数据和行驶轨迹,确定多个护栏样本点(503);基于多个护栏样本点,估计护栏信息(504)。当横向控制车辆时,护栏信息对质量较差的车道线进行修正;车道线无法检测时,护栏信息用于横向控制降级处理,同时护栏信息有利于辅助实现快速准确的高速公路车道级定位,实现更高等级的辅助驾驶功能。
Description
技术领域
本公开实施例涉及智能驾驶技术领域,具体涉及一种基于多传感器数据融合的护栏估计方法、车载设备和存储介质。
背景技术
随着智能驾驶技术的发展,最先实现高级辅助驾驶和半自动驾驶的场景为高速公路,高速公路工况相对简单,车道线质量较好,较易实现。
在辅助驾驶控制领域大致分为横向控制和纵向控制,横向控制主要依据为车道线,将被控车辆保持在车道中心。当今量产的具备辅助驾驶功能的车型中,摄像头和毫米波雷达作为主要感知传感器,而车道线的感知正是依赖于摄像头,单一的依赖摄像头感知车道线作为横向控制依据会导致系统性能和稳定性变差。
为此,亟需提供一种护栏估计方案,得到护栏信息,进而作为车道线的补充,从不同的数据源提高横向控制的性能。
上述对问题的发现过程的描述,仅用于辅助理解本公开的技术方案,并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题,本公开的至少一个实施例提供了一种基于多传感器数据融合的护栏估计方法、车载设备和存储介质。
第一方面,本公开实施例提出一种基于多传感器数据融合的护栏估计方法,所述方法包括:
获取多传感器数据和整车信息;
基于所述整车信息,确定车辆的行驶轨迹;
基于所述多传感器数据和所述行驶轨迹,确定多个护栏样本点;
基于所述多个护栏样本点,估计护栏信息。
第二方面,本公开实施例还提出一种车载设备,包括:处理器和存储器;所述处理器通过调用所述存储器存储的程序或指令,用于执行如第一方面所述方法的步骤。
第三方面,本公开实施例还提出一种非暂态计算机可读存储介质,用于存储程序或指令,所述程序或指令使计算机执行如第一方面所述方法的步骤。
可见,本公开实施例的至少一个实施例中,横向控制车辆时,护栏信息对质量较差的车道线进行修正;车道线无法检测时,护栏信息用于横向控制降级处理,同时护栏信息有利于辅助实现快速准确的高速公路车道级定位,实现更高等级的辅助驾驶功能。
附图说明
为了更清楚地说明本公开实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本公开的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种智能驾驶车辆的整体架构图;
图2是本公开实施例提供的一种智能驾驶系统的框图;
图3是本公开实施例提供的一种护栏估计模块的框图;
图4是本公开实施例提供的一种车载设备的框图;
图5是本公开实施例提供的一种基于多传感器数据融合的护栏估计方法流程图;
图6是本公开实施例提供的一种多传感器布置示意图;
图7是本公开实施例提供的一种行驶轨迹和道路边界形状不一致的场景。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,所描述的实施例是本公开的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本公开,而非对本公开的限定。基于所描述的本公开的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本公开保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
针对现有技术中车道线的感知依赖于摄像头,单一的依赖摄像头感知车道线作为横向控制依据会导致系统性能和稳定性变差的问题,本公开实施例提供一种基于多传感器数据融合的护栏估计方案,可以在高速公路具有护栏的情况下,较稳定地输出护栏是否存在并对护栏的形状进行估计,实现横向控制车辆时,护栏信息对质量较差的车道线进行修正;车道线无法检测时,护栏信息用于横向控制降级处理,同时护栏信息有利于辅助实现快速准确的高速公路车道级定位,实现更高等级的辅助驾驶功能。
在一些实施例中,本公开实施例提供的基于多传感器数据融合的护栏估计方案,可应用于智能驾驶车辆。图1为本公开实施例提供的一种智能驾驶车辆的整体架构图。
如图1所示,智能驾驶车辆包括:传感器组、智能驾驶系统100、车辆底层执行系统以及其他可用于驱动车辆和控制车辆运行的部件。
传感器组,用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、超声波雷达、GPS(Global PositioningSystem,全球定位系统)和IMU(Inertial Measurement Unit,惯性测量单元)中的至少一个。
在一些实施例中,传感器组,还用于采集车辆的动力学数据,传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。
智能驾驶系统100,用于获取传感器组的数据,传感器组中所有传感器在智能驾驶车辆行驶过程中都以较高的频率传送数据。
智能驾驶系统100,还用于基于传感器组的数据进行环境感知和车辆定位,并基于环境感知信息和车辆定位信息进行路径规划和决策,以及基于规划的路径生成车辆控制指令,从而控制车辆按照规划路径行驶。
在一些实施例中,智能驾驶系统100,还用于基于多传感器数据融合进行护栏估计,得到护栏信息。在一些实施例中,智能驾驶系统100获取多传感器数据和整车信息;进而基于整车信息,确定车辆的行驶轨迹;从而基于多传感器数据和行驶轨迹,确定多个护栏样本点;基于多个护栏样本点,估计护栏信息。
在一些实施例中,智能驾驶系统100可以为软件系统、硬件系统或者软硬件结合的系统。例如,智能驾驶系统100是运行在操作系统上的软件系统,车载硬件系统是支持操作系统运行的硬件系统。
在一些实施例中,智能驾驶系统100,还用于与云端服务器无线通信,交互各种信息。在一些实施例中,智能驾驶系统100与云端服务器通过无线通讯网络(例如包括但不限于GPRS网络、Zigbee网络、Wifi网络、3G网络、4G网络、5G网络等无线通讯网络)进行无线通信。
在一些实施例中,云端服务器用于统筹协调管理智能驾驶车辆。在一些实施例中,云端服务器可以用于与一个或多个智能驾驶车辆进行交互,统筹协调管理多个智能驾驶车辆的调度等。
在一些实施例中,云端服务器是由车辆服务商所建立的云端服务器,提供云存储和云计算的功能。在一些实施例中,云端服务器中建立车辆端档案。在一些实施例中,车辆端档案中储存智能驾驶系统100上传的各种信息。在一些实施例中,云端服务器可以实时同步车辆端产生的驾驶数据。
在一些实施例中,云端服务器可以是一个服务器,也可以是一个服务器群组。服务器群组可以是集中式的,也可以是分布式的。分布式服务器,有利于任务在多个分布式服务器进行分配与优化,克服传统集中式服务器资源紧张与响应瓶颈的缺陷。在一些实施例中,云端服务器可以是本地的或远程的。
在一些实施例中,云端服务器可用于对车辆端进行停车收费、过路收费等。在一些实施例中,云端服务器还用于分析驾驶员的驾驶行为,并且对驾驶员的驾驶行为进行安全等级评估。
在一些实施例中,云端服务器可用于获取道路监测单元(RSU:Road Side Unit)和智能驾驶车辆的信息,以及可以发送信息至智能驾驶车辆。在一些实施例中,云端服务器可以根据智能驾驶车辆的信息将道路监测单元中的与智能驾驶车辆相对应的检测信息发送给智能驾驶车辆。
在一些实施例中,道路监测单元可以用于收集道路监测信息。在一些实施例中,道路监测单元可以是环境感知传感器,例如,摄像头、激光雷达等,也可以是道路设备,例如V2X设备,路边红绿灯装置等。在一些实施例中,道路监测单元可以监控隶属于相应道路监测单元的道路情况,例如,通过车辆的类型、速度、优先级别等。道路监测单元在收集到道路监测信息后,可将所述道路监测信息发送给云端服务器,也可以发送给通过道路的智能驾驶车辆。
车辆底层执行系统,用于接收车辆控制指令,实现对车辆行驶的控制。在一些实施例中,车辆底层执行系统包括但不限于:转向系统、制动系统和驱动系统。转向系统、制动系统和驱动系统属于车辆领域成熟系统,在此不再赘述。
在一些实施例中,智能驾驶车辆还可包括图1中未示出的车辆CAN总线,车辆CAN总线连接车辆底层执行系统。智能驾驶系统100与车辆底层执行系统之间的信息交互通过车辆CAN总线进行传递。
在一些实施例中,智能驾驶车辆既可以通过驾驶员又可以通过智能驾驶系统100控制车辆行驶。在人工驾驶模式下,驾驶员通过操作控制车辆行驶的装置驾驶车辆,控制车辆行驶的装置例如包括但不限于制动踏板、方向盘和油门踏板等。控制车辆行驶的装置可直接操作车辆底层执行系统控制车辆行驶。
在一些实施例中,智能驾驶车辆也可以为无人车,车辆的驾驶控制由智能驾驶系统100来执行。
图2为本公开实施例提供的一种智能驾驶系统200的框图。在一些实施例中,智能驾驶系统200可以实现为图1中的智能驾驶系统100或者智能驾驶系统100的一部分,用于控制车辆行驶。
如图2所示,智能驾驶系统200可划分为多个模块,例如可包括:感知模块201、规划模块202、控制模块203、护栏估计模块204以及其他一些可用于智能驾驶的模块。
感知模块201用于进行环境感知与定位。在一些实施例中,感知模块201用于获取传感器数据、V2X(Vehicle to X,车用无线通信)数据、高精度地图等数据。在一些实施例中,感知模块201用于基于获取的传感器数据、V2X(Vehicle to X,车用无线通信)数据、高精度地图等数据中的至少一种,进行环境感知与定位。
在一些实施例中,感知模块201用于生成感知定位信息,实现对障碍物感知、摄像头图像的可行驶区域识别以及车辆的定位等。
环境感知(Environmental Perception)可以理解为对于环境的场景理解能力,例如障碍物的位置,道路标志/标记的检测,行人/车辆的检测等数据的语义分类。在一些实施例中,环境感知可采用融合摄像头、激光雷达、毫米波雷达等多种传感器的数据进行环境感知。
定位(Localization)属于感知的一部分,是确定智能驾驶车辆相对于环境的位置的能力。定位可采用:GPS定位,GPS的定位精度在数十米到厘米级别,定位精度高;定位还可采用融合GPS和惯性导航系统(Inertial Navigation System)的定位方法。定位还可采用SLAM(Simultaneous Localization And Mapping,同步定位与地图构建),SLAM的目标即构建地图的同时使用该地图进行定位,SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。
V2X是智能交通运输系统的关键技术,使得车与车、车与基站、基站与基站之间能够通信,从而获得实时路况、道路信息、行人信息等一系列交通信息,提高智能驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。
高精度地图是智能驾驶领域中使用的地理地图,与传统地图相比,不同之处在于:1)高精度地图包括大量的驾驶辅助信息,例如依托道路网的精确三维表征:包括交叉路口局和路标位置等;2)高精度地图还包括大量的语义信息,例如报告交通灯上不同颜色的含义,又例如指示道路的速度限制,以及左转车道开始的位置;3)高精度地图能达到厘米级的精度,确保智能驾驶车辆的安全行驶。
规划模块202用于基于感知模块201生成的感知定位信息,进行路径规划和决策。
在一些实施例中,规划模块202用于基于感知模块201生成的感知定位信息,并结合V2X数据、高精度地图等数据中的至少一种,进行路径规划和决策。
在一些实施例中,规划模块202用于规划路径,决策:行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等,生成规划决策信息。
控制模块203用于基于规划模块202生成的规划决策信息,进行路径跟踪和轨迹跟踪。
在一些实施例中,控制模块203用于生成车辆底层执行系统的控制指令,并下发控制指令,以使车辆底层执行系统控制车辆按照期望路径行驶,例如通过控制方向盘、刹车以及油门对车辆进行横向和纵向控制。
在一些实施例中,控制模块203还用于基于路径跟踪算法计算前轮转角。
在一些实施例中,路径跟踪过程中的期望路径曲线与时间参数无关,跟踪控制时,可以假设智能驾驶车辆以当前速度匀速前进,以一定的代价规则使行驶路径趋近于期望路径;而轨迹跟踪时,期望路径曲线与时间和空间均相关,并要求智能驾驶车辆在规定的时间内到达某一预设好的参考路径点。
路径跟踪不同于轨迹跟踪,不受制于时间约束,只需要在一定误差范围内跟踪期望路径。
护栏估计模块204用于基于多传感器数据融合进行护栏估计,得到护栏信息。在一些实施例中,护栏估计模块204获取多传感器数据和整车信息;进而基于整车信息,确定车辆的行驶轨迹;从而基于多传感器数据和行驶轨迹,确定多个护栏样本点;基于多个护栏样本点,估计护栏信息。
在一些实施例中,护栏估计模块204的功能可集成到感知模块201、规划模块202或控制模块203中,也可配置为与智能驾驶系统200相独立的模块,护栏估计模块204可以为软件模块、硬件模块或者软硬件结合的模块。例如,护栏估计模块204是运行在操作系统上的软件模块,车载硬件系统是支持操作系统运行的硬件系统。
图3为本公开实施例提供的一种护栏估计模块300的框图。在一些实施例中,护栏估计模块300可以实现为图2中的护栏估计模块204或者护栏估计模块204的一部分。
如图3所示,护栏估计模块300可包括但不限于以下单元:获取单元301、第一确定单元302、第二确定单元303和估计单元304。
获取单元301,用于获取多传感器数据和整车信息。在一些实施例中,多传感器布置在车辆上,至少用于实现车辆的前向探测和侧向探测。在一些实施例中,多传感器可包括但不限于:毫米波雷达(Millimeter-Wave Radar)、视觉传感器和超声波雷达(UltrasonicRadar)。其中,视觉传感器例如为摄像头(Camera)。毫米波雷达和视觉传感器实现前向探测,超声波雷达实现车辆侧向探测。
在一些实施例中,多传感器的布置如图6所示,图6中,Millimeter-Wave Radar布置在车辆的前保险杠,Camera布置在车辆的前风挡玻璃的正上方,Ultrasonic Radar布置在车辆的右前侧。本领域技术人员可以理解多传感器的布置不限于图6所示的布置方式,还可以有其他方式,例如在车辆的左前侧也布置Ultrasonic Radar,本实施例不限定多传感器的具体布置方式,也不限定多传感器的具体安装位置,也不限定多传感器的具体类型。
在一些实施例中,毫米波雷达数据至少包括运动物体或静止物体的点迹信息或航迹信息,其中,点迹信息至少包括探测目标的距离、方位、距离变化率及雷达散射截面;航迹信息至少包括距离(Range)、距离变化率(Range Rate)、角度(Angle)、雷达散射截面(RCS)。
在一些实施例中,视觉传感器数据至少用于识别可行驶区域,进而能够确定可行驶区域边界点,从而得到行驶区域边界点的位置信息和类别信息。其中,位置信息包括横向位置和纵向位置。横向可以理解为车辆的横向方向,纵向可以理解为车辆的纵向方向。类别信息包括:护栏、非护栏。
在一些实施例中,超声波雷达数据至少包括探测的最近目标的距离。在相对速度小于等于80公里每小时情况下,可以实现3米之内护栏的探测。
在一些实施例中,整车信息至少用于计算车辆的行驶轨迹和护栏追踪。在一些实施例中,整车信息可包括但不限于:车速、横摆角速度和方向盘转角。
第一确定单元302,用于基于整车信息,确定车辆的行驶轨迹。在一些实施例中,第一确定单元302基于整车信息,确定车辆的转向半径;进而基于转向半径,确定车辆的行驶轨迹。在一些实施例中,第一确定单元302分两种情况计算车辆的转向半径:低速时基于方向盘转角和预先确定的车辆轮距计算;高速时基于车速和横摆角速度计算。在一些实施例中,第一确定单元302确定车速小于预设车速后,基于方向盘转角和车辆轮距,确定车辆的转向半径;确定车速不小于预设车速后,基于车速和横摆角速度,确定车辆的转向半径。
在一些实施例中,第一确定单元302确定车速不小于预设车速后,通过下式计算车辆的转向半径:
第一确定单元302确定车速小于预设车速后,通过下式计算车辆的转向半径:
其中,v x 为车速,也可以理解为车辆的纵向速度,单位为米每秒(m/s);ω为横摆角速度,单位为rad/s;R为车辆的转向半径,也可以理解为车辆的瞬态转向半径;L为车辆轮距;δ f 为前轮转角,且前轮转角基于方向盘转角计算得到;v th 为预设车速,本领域技术人员可根据实际需要设置v th ,本实施例不限定v th 的具体取值。
第二确定单元303,用于基于多传感器数据和行驶轨迹,确定多个护栏样本点。本实施例中,第二确定单元303通过行驶路径筛选多传感器数据中的毫米波雷达数据和视觉传感器数据,可以快速得到护栏样本点,计算消耗少。
在一些实施例中,第二确定单元303基于毫米波雷达数据,确定静止的且处于行驶轨迹预设范围内的毫米波雷达目标为护栏样本点。在一些实施例中,以毫米波雷达可探测64个目标为例,第二确定单元303基于每个毫米波雷达目标对应的毫米波雷达数据,判断每个目标是否满足:静止且处于行驶轨迹预设范围内,若满足,则确定该目标为护栏样本点。在一些实施例中,行驶轨迹预设范围可以是沿行驶轨迹分布的带状区域,本领域技术人员可根据实际需要设置行驶轨迹预设范围。
在一些实施例中,第二确定单元303基于视觉传感器数据,确定类别为护栏且处于行驶轨迹预设范围内的可行驶区域边界点为护栏样本点。在一些实施例中,第二确定单元303对所有毫米波雷达目标均判断是否为护栏样本点后,再对所有可行驶区域边界点进行判断。具体地,第二确定单元303判断每个可行驶区域边界点是否满足:类别为护栏且处于行驶轨迹预设范围内,若满足,则确定该可行驶区域边界点为护栏样本点。
在一些实施例中,第二确定单元303基于超声波雷达数据,确定超声波雷达数据有效且侧向距离处于预设的侧向距离范围内的超声波目标为护栏样本点。在一些实施例中,第二确定单元303基于超声波雷达数据中的接收标志位,首先判断接收标志位是否表明一直有数据被接收,若否,则确定超声波雷达数据无效;其次,基于超声波雷达的探测距离限制,确定侧向距离处于预设的侧向距离范围内的超声波雷达数据有效。其中,本领域技术人员可基于实际需求设置侧向距离范围,本实施例不限定侧向距离范围的具体取值。
在一些实施例中,第二确定单元303对所有可行驶区域边界点均判断是否为护栏样本点后,再对所有超声波雷达目标进行判断。具体地,第二确定单元303基于每个超声波雷达目标对应的超声波雷达数据,判断每个超声波雷达目标是否满足:超声波雷达数据有效且侧向距离处于预设的侧向距离范围内,若满足,则确定该超声波目标为护栏样本点。
在一些实施例中,对于行驶轨迹和道路边界形状不一致的场景,如本车变道或者入弯出弯的场景,通过行驶路径筛选护栏样本点的方式无法有效筛选出合适且足够的护栏样本点。如图7所示,车辆正在进行变道,车辆的行驶轨迹和道路边界形状不一致,图7中,点划线表示上一周期拟合的护栏边界,图7中所示的毫米波雷达目标和可行驶区域边界点均处于为上一周期拟合的护栏边界附近,可以作为护栏样本点,保证护栏追踪的有效性。
为此,本实施例中,在通过行驶路径筛选护栏样本点的基础上,第二确定单元303通过上一周期估计的护栏信息再次筛选毫米波雷达数据和视觉传感器数据,需要说明的是,再次筛选针对的是未被筛选为有效样本点的目标(包括毫米波雷达目标和可行驶区域边界点),进而补充更多的护栏样本点。
在一些实施例中,第二确定单元303基于多传感器数据和行驶轨迹,确定多个护栏样本点后,进一步基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点;进而估计单元304基于多个护栏样本点和多个有效样本点,估计护栏信息,也即多个有效样本点也被视为是护栏的样本点,与多个护栏样本点一起共同参与护栏信息的估计。
在一些实施例中,第二确定单元303基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点,包括:基于毫米波雷达数据,确定静止的、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的毫米波雷达目标为有效样本点。在一些实施例中,以毫米波雷达可探测64个目标为例,第二确定单元303基于每个目标对应的毫米波雷达数据,判断每个目标是否满足:静止、处于上一周期估计的护栏边界预设范围内且非护栏样本点;若满足,则确定该目标为有效样本点。例如图7中所示的毫米波雷达目标为第二确定单元303基于上一周期估计的护栏信息筛选的有效样本点。需要说明的是,本领域技术人员可根据实际需要设置护栏边界预设范围,本实施例不限定护栏边界预设范围的具体取值。
在一些实施例中,第二确定单元303基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点,包括:基于视觉传感器数据,确定类别为护栏、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的可行驶区域边界点为有效样本点。
在一些实施例中,第二确定单元303基于上一周期估计的护栏信息,对所有毫米波雷达目标均判断是否为护栏样本点后,再基于上一周期估计的护栏信息,对所有可行驶区域边界点进行判断。具体地,第二确定单元303判断每个可行驶区域边界点是否满足:类别为护栏、处于上一周期估计的护栏边界预设范围内且非护栏样本点;若满足,则确定该可行驶区域边界点为有效样本点。例如图7中所示的可行驶区域边界点为第二确定单元303基于上一周期估计的护栏信息筛选的有效样本点。
估计单元304,用于基于多个护栏样本点,估计护栏信息。在一些实施例中,护栏信息可包括但不限于:护栏函数系数、护栏拟合可信度、标志位和纵向距离分布。其中,标志位用于标志是否存在护栏信息。
在一些实施例中,估计单元304确定多个护栏样本点的数量和纵向距离分布;进而基于多个护栏样本点的数量和纵向距离分布,确定护栏拟合可信度;从而基于护栏拟合可信度,确定护栏函数系数。
在一些实施例中,估计单元304基于多个护栏样本点的数量和纵向距离分布,确定护栏拟合可信度,具体为:若多个护栏样本点的数量大于预设的样本点数量阈值且纵向距离分布大于预设值,认为护栏拟合可信度较高,可增加上一周期的护栏拟合可信度,得到本周期的护栏拟合可信度,增加量可根据实际需要进行设置。需要说明的是,样本点数量阈值和预设值可基于实际情况进行设置,本实施例不限定具体取值。
在一些实施例中,估计单元304基于护栏拟合可信度,确定护栏函数系数,具体为:判断护栏拟合可信度是否大于预设的可信度阈值;进而基于判断结果,确定护栏函数系数。
在一些实施例中,估计单元304基于判断结果为护栏拟合可信度大于预设的可信度阈值,拟合多个护栏样本点,得到拟合系数。在一些实施例中,估计单元304在第二确定单元303确定多个护栏样本点后,进一步确定每个护栏样本点的权重,进而基于判断结果为护栏拟合可信度大于预设的可信度阈值,基于每个护栏样本点的权重,加权拟合多个护栏样本点,得到拟合系数。
在一些实施例中,估计单元304在第二确定单元303筛选多个有效样本点后,进一步确定每个护栏样本点的权重和每个有效样本点的权重;进而基于判断结果为护栏拟合可信度大于预设的可信度阈值,基于每个护栏样本点的权重和每个有效样本点的权重,加权拟合多个护栏样本点和多个有效样本点,得到拟合系数。
在一些实施例中,估计单元304分两种情况拟合多个护栏样本点,得到拟合系数。情况一:估计单元304确定多个护栏样本点的数量小于预设数量或纵向距离分布小于预设值后,将多个护栏样本点进行一阶拟合,得到一阶拟合系数。情况二:估计单元304确定多个护栏样本点的数量不小于预设数量且纵向距离分布不小于预设值后,将多个护栏样本点进行二阶拟合,得到二阶拟合系数。
在一些实施例中,将护栏样本点和有效样本点统称为护栏测量点,采用加权最小二乘法拟合护栏测量点。加权最小二乘法需要定义每个护栏测量点的权重,进而构成权重矩阵W。权重矩阵W可定义为测量点向量构成的协方差矩阵。在一些实施例中,可以将护栏测量点的权重定义为护栏测量点侧向探测距离方差的倒数。
在一些实施例中,一阶拟合的直线表达式为:
y= a + b·x
护栏测量点记为(x 1 , y 1),(x 2 , y 2),……,(x n , y n ),其中,n表示护栏测量点的数量。
设d i 为第i个护栏测量点到拟合的直线之间的距离,则d i 表达式如下:
d i = [y i - (a+b·x i )]
设D为差方加权和,且第i组护栏测量点权重为W i ,则有如下公式:
根据D的偏导为0,则有如下公式:
对上述公式求解,即可得:
求得a,将其带入公式即可得到b。
在一些实施例中,二阶拟合的曲线表达式为:
y= a + b·x + c·x 2
在一些实施例中,估计单元304拟合多个护栏样本点,得到拟合系数后,进一步对拟合系数进行滤波处理,得到护栏函数系数。在一些实施例中,滤波处理为卡尔曼滤波。通过滤波处理可以平滑拟合系数,防止异常跳变,增加护栏追踪的稳定性。
在一些实施例中,估计单元304基于护栏拟合可信度,确定护栏函数系数,具体为:估计单元304基于判断结果为护栏拟合可信度不大于预设的可信度阈值,基于车辆的运动状态信息,进行滤波处理,得到护栏函数系数。在一些实施例中,滤波处理为卡尔曼滤波,由于护栏拟合可信度不大于可信度阈值,说明没有检测到护栏,通过对车辆的运动状态信息进行滤波处理,可得到护栏函数系数,保证一定时间护栏追踪的正确性,直至护栏拟合可信度对于护栏存在性阈值时,认为护栏不存在,停止滤波处理。
在一些实施例中,卡尔曼滤波的状态方程如下:
其中,下标k代表第k个计算周期,代表两次计算的时间间隔,护栏函数系数a对
应斜率,斜率对应航向角的正切,而航向角的变化率在护栏为直线的情况下即横摆角速度,
记为w,参数b对应为截距,截距的变化率在不考虑侧向速度的情况下为纵向速度沿车辆垂
直护栏方向的速度,并认为在很短时间内,车速和横摆角速度不变。
在一些实施例中,护栏估计模块300中各单元的划分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,例如获取单元301、第一确定单元302、第二确定单元303和估计单元304可以实现为一个单元;获取单元301、第一确定单元302、第二确定单元303或估计单元304也可以划分为多个子单元。可以理解的是,各个单元或子单元能够以电子硬件、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。本领域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。
图4是本公开实施例提供的一种车载设备的结构示意图。车载设备可支持智能驾驶系统的运行。
如图4所示,车载设备包括:至少一个处理器401、至少一个存储器402和至少一个通信接口403。车载设备中的各个组件通过总线系统404耦合在一起。通信接口403,用于与外部设备之间的信息传输。可理解地,总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外,还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见,在图4中将各种总线都标为总线系统404。
可以理解,本实施例中的存储器402可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。
在一些实施方式中,存储器402存储了如下的元素,可执行单元或者数据结构,或者他们的子集,或者他们的扩展集:操作系统和应用程序。
其中,操作系统,包含各种系统程序,例如框架层、核心库层、驱动层等,用于实现各种基础业务以及处理基于硬件的任务。应用程序,包含各种应用程序,例如媒体播放器(Media Player)、浏览器(Browser)等,用于实现各种应用业务。实现本公开实施例提供的基于多传感器数据融合的护栏估计方法的程序可以包含在应用程序中。
在本公开实施例中,处理器401通过调用存储器402存储的程序或指令,具体的,可以是应用程序中存储的程序或指令,处理器401用于执行本公开实施例提供的基于多传感器数据融合的护栏估计方法各实施例的步骤。
本公开实施例提供的基于多传感器数据融合的护栏估计方法可以应用于处理器401中,或者由处理器401实现。处理器401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,上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,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。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。
本公开实施例提供的基于多传感器数据融合的护栏估计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单元组合执行完成。软件单元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402,处理器401读取存储器402中的信息,结合其硬件完成方法的步骤。
图5为本公开实施例提供的一种基于多传感器数据融合的护栏估计方法流程图。该方法的执行主体为车载设备,在一些实施例中,该方法的执行主体为车载设备所支持的智能驾驶系统。
如图5所示,基于多传感器数据融合的护栏估计方法可包括以下步骤501至504:
501、获取多传感器数据和整车信息。在一些实施例中,多传感器布置在车辆上,至少用于实现车辆的前向探测和侧向探测。
在一些实施例中,多传感器可包括但不限于:毫米波雷达(Millimeter-WaveRadar)、视觉传感器和超声波雷达(Ultrasonic Radar)。其中,视觉传感器例如为摄像头(Camera)。毫米波雷达和视觉传感器实现前向探测,超声波雷达实现车辆侧向探测。
在一些实施例中,多传感器的布置如图6所示,图6中,Millimeter-Wave Radar布置在车辆的前保险杠,Camera布置在车辆的前风挡玻璃的正上方,Ultrasonic Radar布置在车辆的右前侧。本领域技术人员可以理解多传感器的布置不限于图6所示的布置方式,还可以有其他方式,例如在车辆的左前侧也布置Ultrasonic Radar,本实施例不限定多传感器的具体布置方式,也不限定多传感器的具体安装位置,也不限定多传感器的具体类型。
在一些实施例中,毫米波雷达数据至少包括运动物体或静止物体的点迹信息或航迹信息,其中,点迹信息至少包括探测目标的距离、方位、探测距离变化率和雷达散射截面;航迹信息至少包括距离(Range)、距离变化率(Range Rate)、角度(Angle)、雷达散射截面(RCS)。
在一些实施例中,视觉传感器数据至少用于识别可行驶区域,进而能够确定可行驶区域边界点,从而得到行驶区域边界点的位置信息和类别信息。其中,位置信息包括横向位置和纵向位置。横向可以理解为车辆的横向方向,纵向可以理解为车辆的纵向方向。类别信息包括:护栏、非护栏。
在一些实施例中,超声波雷达数据至少包括探测的最近目标的距离。在相对速度小于等于80公里每小时情况下,可以实现3米之内护栏的探测。
在一些实施例中,整车信息至少用于计算车辆的行驶轨迹和护栏追踪。在一些实施例中,整车信息可包括但不限于:车速、横摆角速度和方向盘转角。
502、基于整车信息,确定车辆的行驶轨迹。在一些实施例中,基于整车信息,确定车辆的转向半径;进而基于转向半径,确定车辆的行驶轨迹。在一些实施例中,分两种情况计算车辆的转向半径:低速时基于方向盘转角和预先确定的车辆轮距计算;高速时基于车速和横摆角速度计算。在一些实施例中,确定车速小于预设车速后,基于方向盘转角和车辆轮距,确定车辆的转向半径;确定车速不小于预设车速后,基于车速和横摆角速度,确定车辆的转向半径。
在一些实施例中,确定车速不小于预设车速后,通过下式计算车辆的转向半径:
确定车速小于预设车速后,通过下式计算车辆的转向半径:
其中,v x 为车速,也可以理解为车辆的纵向速度,单位为米每秒(m/s);ω为横摆角速度,单位为rad/s;R为车辆的转向半径,也可以理解为车辆的瞬态转向半径;L为车辆轮距;δ f 为前轮转角,且前轮转角基于方向盘转角计算得到;v th 为预设车速,本领域技术人员可根据实际需要设置v th ,本实施例不限定v th 的具体取值。
503、基于多传感器数据和行驶轨迹,确定多个护栏样本点。本实施例中,通过行驶路径筛选多传感器数据中的毫米波雷达数据和视觉传感器数据,可以快速得到护栏样本点,计算消耗少。
在一些实施例中,基于毫米波雷达数据,确定静止的且处于行驶轨迹预设范围内的毫米波雷达目标为护栏样本点。在一些实施例中,以毫米波雷达可探测64个目标为例,基于每个毫米波雷达目标对应的毫米波雷达数据,判断每个目标是否满足:静止且处于行驶轨迹预设范围内,若满足,则确定该目标为护栏样本点。在一些实施例中,行驶轨迹预设范围可以是沿行驶轨迹分布的带状区域,本领域技术人员可根据实际需要设置行驶轨迹预设范围。
在一些实施例中,基于视觉传感器数据,确定类别为护栏且处于行驶轨迹预设范围内的可行驶区域边界点为护栏样本点。在一些实施例中,对所有毫米波雷达目标均判断是否为护栏样本点后,再对所有可行驶区域边界点进行判断。具体地,判断每个可行驶区域边界点是否满足:类别为护栏且处于行驶轨迹预设范围内,若满足,则确定该可行驶区域边界点为护栏样本点。
在一些实施例中,基于超声波雷达数据,确定超声波雷达数据有效且侧向距离处于预设的侧向距离范围内的超声波目标为护栏样本点。在一些实施例中,基于超声波雷达数据中的接收标志位,首先判断接收标志位是否表明一直有数据被接收,若否,则确定超声波雷达数据无效;其次,基于超声波雷达的探测距离限制,确定侧向探测距离处于预设的侧向距离范围内的超声波雷达数据有效。其中,本领域技术人员可基于实际需求设置侧向距离范围,本实施例不限定侧向距离范围的具体取值。
在一些实施例中,对所有可行驶区域边界点均判断是否为护栏样本点后,再对所有超声波雷达目标进行判断。具体地,基于每个超声波雷达目标对应的超声波雷达数据,判断每个超声波雷达目标是否满足:超声波雷达数据有效且侧向距离处于预设的侧向距离范围内,若满足,则确定该超声波目标为护栏样本点。
在一些实施例中,对于行驶轨迹和道路边界形状不一致的场景,如本车变道或者入弯出弯的场景,通过行驶路径筛选护栏样本点的方式无法有效筛选出合适且足够的护栏样本点。如图7所示,车辆正在进行变道,车辆的行驶轨迹和道路边界形状不一致,图7中,点划线表示上一周期拟合的护栏边界,图7中所示的毫米波雷达目标和可行驶区域边界点均处于为上一周期拟合的护栏边界附近,可以作为护栏样本点,保证护栏追踪的有效性。
为此,本实施例中,在通过行驶路径筛选护栏样本点的基础上,通过上一周期估计的护栏信息再次筛选毫米波雷达数据和视觉传感器数据,需要说明的是,再次筛选针对的是未被筛选为有效样本点的目标(包括毫米波雷达目标和可行驶区域边界点),进而补充更多的护栏样本点。
在一些实施例中,基于多传感器数据和行驶轨迹,确定多个护栏样本点后,进一步基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点;进而基于多个护栏样本点和多个有效样本点,估计护栏信息,也即多个有效样本点也被视为是护栏的样本点,与多个护栏样本点一起共同参与护栏信息的估计。
在一些实施例中,基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点,包括:基于毫米波雷达数据,确定静止的、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的毫米波雷达目标为有效样本点。在一些实施例中,以毫米波雷达可探测64个目标为例,基于每个目标对应的毫米波雷达数据,判断每个目标是否满足:静止、处于上一周期估计的护栏边界预设范围内且非护栏样本点;若满足,则确定该目标为有效样本点。例如图7中所示的毫米波雷达目标为基于上一周期估计的护栏信息筛选的有效样本点。需要说明的是,本领域技术人员可根据实际需要设置护栏边界预设范围,本实施例不限定护栏边界预设范围的具体取值。
在一些实施例中,基于上一周期估计的护栏信息,筛选多传感器数据中多个有效样本点,包括:基于视觉传感器数据,确定类别为护栏、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的可行驶区域边界点为有效样本点。
在一些实施例中,基于上一周期估计的护栏信息,对所有毫米波雷达目标均判断是否为护栏样本点后,再基于上一周期估计的护栏信息,对所有可行驶区域边界点进行判断。具体地,判断每个可行驶区域边界点是否满足:类别为护栏、处于上一周期估计的护栏边界预设范围内且非护栏样本点;若满足,则确定该可行驶区域边界点为有效样本点。例如图7中所示的可行驶区域边界点为基于上一周期估计的护栏信息筛选的有效样本点。
504、基于多个护栏样本点,估计护栏信息。在一些实施例中,护栏信息可包括但不限于:护栏函数系数、护栏拟合可信度、标志位和纵向距离分布。其中,标志位用于标志是否存在护栏信息。
在一些实施例中,确定多个护栏样本点的数量和纵向距离分布;进而基于多个护栏样本点的数量和纵向距离分布,确定护栏拟合可信度;从而基于护栏拟合可信度,确定护栏函数系数。
在一些实施例中,基于多个护栏样本点的数量和纵向距离分布,确定护栏拟合可信度,具体为:若多个护栏样本点的数量大于预设的样本点数量阈值且纵向距离分布大于预设值,认为护栏拟合可信度较高,可增加上一周期的护栏拟合可信度,得到本周期的护栏拟合可信度,增加量可根据实际需要进行设置。需要说明的是,样本点数量阈值和预设值可基于实际情况进行设置,本实施例不限定具体取值。
在一些实施例中,基于护栏拟合可信度,确定护栏函数系数,具体为:判断护栏拟合可信度是否大于预设的可信度阈值;进而基于判断结果,确定护栏函数系数。
在一些实施例中,基于判断结果为护栏拟合可信度大于预设的可信度阈值,拟合多个护栏样本点,得到拟合系数。在一些实施例中,在确定多个护栏样本点后,进一步确定每个护栏样本点的权重,进而基于判断结果为护栏拟合可信度大于预设的可信度阈值,基于每个护栏样本点的权重,加权拟合多个护栏样本点,得到拟合系数。
在一些实施例中,在筛选多个有效样本点后,进一步确定每个护栏样本点的权重和每个有效样本点的权重;进而基于判断结果为护栏拟合可信度大于预设的可信度阈值,基于每个护栏样本点的权重和每个有效样本点的权重,加权拟合多个护栏样本点和多个有效样本点,得到拟合系数。
在一些实施例中,分两种情况拟合多个护栏样本点,得到拟合系数。情况一:确定多个护栏样本点的数量小于预设数量或纵向距离分布小于预设值后,将多个护栏样本点进行一阶拟合,得到一阶拟合系数。情况二:确定多个护栏样本点的数量不小于预设数量且纵向距离分布不小于预设值后,将多个护栏样本点进行二阶拟合,得到二阶拟合系数。
在一些实施例中,将护栏样本点和有效样本点统称为护栏测量点,采用加权最小二乘法拟合护栏测量点。加权最小二乘法需要定义每个护栏测量点的权重,进而构成权重矩阵W。权重矩阵W可定义为测量点向量构成的协方差矩阵。在一些实施例中,可以将护栏测量点的权重定义为护栏测量点侧向探测距离方差的倒数。
在一些实施例中,一阶拟合的直线表达式为:
y= a + b·x
护栏测量点记为(x 1 , y 1),(x 2 , y 2),……,(x n , y n ),其中,n表示护栏测量点的数量。
设d i 为第i个护栏测量点到拟合的直线之间的距离,则d i 表达式如下:
d i = [y i - (a+b·x i )]
设D为差方加权和,且第i组护栏测量点权重为W i ,则有如下公式:
根据D的偏导为0,则有如下公式:
对上述公式求解,即可得:
求得a,将其带入公式即可得到b。
在一些实施例中,二阶拟合的曲线表达式为:
y= a + b·x + c·x 2
在一些实施例中,拟合多个护栏样本点,得到拟合系数后,进一步对拟合系数进行滤波处理,得到护栏函数系数。在一些实施例中,滤波处理为卡尔曼滤波。通过滤波处理可以平滑拟合系数,防止异常跳变,增加护栏追踪的稳定性。
在一些实施例中,基于护栏拟合可信度,确定护栏函数系数,具体为:基于判断结果为护栏拟合可信度不大于预设的可信度阈值,基于车辆的运动状态信息,进行滤波处理,得到护栏函数系数。在一些实施例中,滤波处理为卡尔曼滤波,由于护栏拟合可信度不大于可信度阈值,说明没有检测到护栏,通过对车辆的运动状态信息进行滤波处理,可得到护栏函数系数,保证一定时间护栏追踪的正确性,直至护栏拟合可信度对于护栏存在性阈值时,认为护栏不存在,停止滤波处理。
在一些实施例中,卡尔曼滤波的状态方程如下:
其中,下标k代表第k个计算周期,代表两次计算的时间间隔,护栏函数系数a对
应斜率,斜率对应航向角的正切,而航向角的变化率在护栏为直线的情况下即横摆角速度,
记为w,参数b对应为截距,截距的变化率在不考虑侧向速度的情况下为纵向速度沿车辆垂
直护栏方向的速度,并认为在很短时间内,车速和横摆角速度不变。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员能够理解,本公开实施例并不受所描述的动作顺序的限制,因为依据本公开实施例,某些步骤可以采用其他顺序或者同时进行。另外,本领域技术人员能够理解,说明书中所描述的实施例均属于可选实施例。
本公开实施例还提出一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如基于多传感器数据融合的护栏估计方法各实施例的步骤,为避免重复描述,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本公开的范围之内并且形成不同的实施例。
本领域的技术人员能够理解,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
虽然结合附图描述了本公开的实施方式,但是本领域技术人员可以在不脱离本公开的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
工业实用性
本公开实施例中,横向控制车辆时,护栏信息对质量较差的车道线进行修正;车道线无法检测时,护栏信息用于横向控制降级处理,同时护栏信息有利于辅助实现快速准确的高速公路车道级定位,实现更高等级的辅助驾驶功能,具有工业实用性。
Claims (11)
1.一种基于多传感器数据融合的护栏估计方法,其特征在于,所述方法包括:
获取多传感器数据和整车信息,所述多传感器数据包括:毫米波雷达数据、视觉传感器数据和超声波雷达数据,所述整车信息用于计算车辆的行驶轨迹;
基于所述整车信息,确定车辆的行驶轨迹;
基于所述多传感器数据和所述行驶轨迹,确定多个护栏样本点;
所述基于所述多传感器数据和所述行驶轨迹,确定多个护栏样本点包括:基于毫米波雷达数据,确定静止的且处于所述行驶轨迹预设范围内的毫米波雷达目标为护栏样本点;基于视觉传感器数据,确定类别为护栏且处于所述行驶轨迹预设范围内的可行驶区域边界点为护栏样本点;基于超声波雷达数据,确定超声波雷达数据有效且侧向距离处于预设的侧向距离范围内的超声波目标为护栏样本点;
基于所述多个护栏样本点,估计护栏信息,包括:确定所述多个护栏样本点的数量和纵向距离分布;基于所述数量和纵向距离分布,确定护栏拟合可信度;判断所述护栏拟合可信度是否大于预设的可信度阈值;基于所述判断结果为所述护栏拟合可信度大于预设的可信度阈值,拟合所述多个护栏样本点,得到拟合系数,并对所述拟合系数进行滤波处理,得到护栏函数系数;
确定多个护栏样本点后,所述方法还包括:确定每个护栏样本点的权重;基于所述每个护栏样本点的权重,加权拟合所述多个护栏样本点,得到拟合系数。
2.根据权利要求1所述的方法,其特征在于,所述整车信息包括:车速、横摆角速度和方向盘转角;
所述护栏信息包括:护栏函数系数、护栏拟合可信度、标志位和纵向距离分布。
3.根据权利要求1所述的方法,其特征在于,基于所述整车信息,确定车辆的行驶轨迹,包括:
基于所述整车信息,确定车辆的转向半径;
基于所述转向半径,确定车辆的行驶轨迹。
4.根据权利要求3所述的方法,其特征在于,基于所述整车信息,确定车辆的转向半径,包括:
确定车速小于预设车速后,基于方向盘转角和车辆轮距,确定车辆的转向半径;确定车速不小于预设车速后,基于车速和横摆角速度,确定车辆的转向半径。
5.根据权利要求1所述的方法,其特征在于,判断所述护栏拟合可信度是否大于预设的可信度阈值之后,所述方法还包括:
基于判断结果为护栏拟合可信度不大于预设的可信度阈值,基于车辆的运动状态信息,进行滤波处理,得到护栏函数系数。
6.根据权利要求1所述的方法,其特征在于,拟合所述多个护栏样本点,得到拟合系数,包括:
确定所述数量小于预设数量或所述纵向距离分布小于预设值后,将所述多个护栏样本点进行一阶拟合,得到一阶拟合系数;
确定所述数量不小于预设数量且所述纵向距离分布不小于预设值后,将所述多个护栏样本点进行二阶拟合,得到二阶拟合系数。
7.根据权利要求1所述的方法,其特征在于,基于所述多传感器数据和所述行驶轨迹,确定多个护栏样本点后,所述方法还包括:
基于上一周期估计的护栏信息,筛选所述多传感器数据中多个有效样本点;
相应地,基于所述多个护栏样本点和所述多个有效样本点,估计护栏信息。
8.根据权利要求7所述的方法,其特征在于,基于上一周期估计的护栏信息,筛选所述多传感器数据中多个有效样本点,包括:
基于毫米波雷达数据,确定静止的、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的毫米波雷达目标为有效样本点;
基于视觉传感器数据,确定类别为护栏、处于上一周期估计的护栏边界预设范围内的、非护栏样本点的可行驶区域边界点为有效样本点。
9.根据权利要求7所述的方法,其特征在于,所述方法还包括:
确定每个护栏样本点的权重和每个有效样本点的权重;
基于每个护栏样本点的权重和每个有效样本点的权重,加权拟合所述多个护栏样本点和所述多个有效样本点,得到拟合系数。
10.一种车载设备,其特征在于,包括:处理器和存储器;
所述处理器通过调用所述存储器存储的程序或指令,用于执行如权利要求1至9任一项所述方法的步骤。
11.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储程序或指令,所述程序或指令使计算机执行如权利要求1至9任一项所述方法的步骤。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2019/120407 WO2021097844A1 (zh) | 2019-11-22 | 2019-11-22 | 基于多传感器数据融合的护栏估计方法和车载设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113227831A CN113227831A (zh) | 2021-08-06 |
CN113227831B true CN113227831B (zh) | 2023-01-20 |
Family
ID=75981162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980002607.4A Active CN113227831B (zh) | 2019-11-22 | 2019-11-22 | 基于多传感器数据融合的护栏估计方法和车载设备 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230168368A1 (zh) |
CN (1) | CN113227831B (zh) |
WO (1) | WO2021097844A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114353817B (zh) * | 2021-12-28 | 2023-08-15 | 重庆长安汽车股份有限公司 | 多源传感器车道线确定方法、系统、车辆及计算机可读存储介质 |
CN115184891B (zh) * | 2022-06-14 | 2024-04-19 | 北京理工大学重庆创新中心 | 一种毫米波雷达道路栅栏检测识别方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344997A (zh) * | 2018-01-16 | 2018-07-31 | 华域汽车系统股份有限公司 | 一种基于点迹特征的道路护栏快速检测方法 |
CN109254289A (zh) * | 2018-11-01 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 道路护栏的检测方法和检测设备 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101405193B1 (ko) * | 2012-10-26 | 2014-06-27 | 현대자동차 주식회사 | 차로 인식 방법 및 시스템 |
US9834207B2 (en) * | 2014-04-15 | 2017-12-05 | GM Global Technology Operations LLC | Method and system for detecting, tracking and estimating stationary roadside objects |
DE102015001386A1 (de) * | 2015-02-04 | 2016-08-04 | Audi Ag | Verfahren zur Ermittlung einer Querpositionsinformantion eines Kraftfahrzeugs auf einer Fahrbahn und Kraftfahrzeug |
DE102015108759A1 (de) * | 2015-06-03 | 2016-12-08 | Valeo Schalter Und Sensoren Gmbh | Verfahren zum Klassifizieren eines länglich ausgedehnten stationären Objektes in einem seitlichen Umgebungsbereich eines Kraftfahrzeugs, Fahrerassistenzsystem sowie Kraftfahrzeug |
US10222803B2 (en) * | 2017-06-02 | 2019-03-05 | Aptiv Technologies Limited | Determining objects of interest for active cruise control |
KR102355671B1 (ko) * | 2017-07-13 | 2022-01-26 | 현대자동차주식회사 | 차량 및 그 제어방법 |
CN108297795A (zh) * | 2018-01-31 | 2018-07-20 | 成都华远科技有限公司 | 一种电动车的车道识别系统 |
-
2019
- 2019-11-22 CN CN201980002607.4A patent/CN113227831B/zh active Active
- 2019-11-22 US US17/916,038 patent/US20230168368A1/en active Pending
- 2019-11-22 WO PCT/CN2019/120407 patent/WO2021097844A1/zh active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108344997A (zh) * | 2018-01-16 | 2018-07-31 | 华域汽车系统股份有限公司 | 一种基于点迹特征的道路护栏快速检测方法 |
CN109254289A (zh) * | 2018-11-01 | 2019-01-22 | 百度在线网络技术(北京)有限公司 | 道路护栏的检测方法和检测设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113227831A (zh) | 2021-08-06 |
US20230168368A1 (en) | 2023-06-01 |
WO2021097844A1 (zh) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101901024B1 (ko) | 지도 갱신 판정 시스템 | |
RU2737874C1 (ru) | Способ хранения информации транспортного средства, способ управления движением транспортного средства и устройство хранения информации транспортного средства | |
CN110861650B (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
US10239539B2 (en) | Vehicle travel control method and vehicle travel control device | |
US11124163B2 (en) | Method for controlling travel of vehicle, and device for controlling travel of vehicle | |
CN107705554B (zh) | 发送必要性判定装置以及路径规划系统 | |
CN112829753B (zh) | 基于毫米波雷达的护栏估计方法、车载设备和存储介质 | |
JP7466396B2 (ja) | 車両制御装置 | |
CN113677581A (zh) | 一种车道保持方法、车载设备和存储介质 | |
CN110562222B (zh) | 用于弯道场景的紧急制动控制方法、车载设备和存储介质 | |
CN110807412B (zh) | 一种车辆激光定位的方法、车载设备和存储介质 | |
CN104925053A (zh) | 增加自主驾驶安全和/或舒适性的车辆、车辆系统和方法 | |
CN104925064A (zh) | 增加自主驾驶安全和/或舒适性的车辆、车辆系统和方法 | |
US10705530B2 (en) | Vehicle travel control method and vehicle travel control device | |
CN112567439B (zh) | 一种交通流信息的确定方法、装置、电子设备和存储介质 | |
CN110562269A (zh) | 一种智能驾驶车辆故障处理的方法、车载设备和存储介质 | |
CN113227831B (zh) | 基于多传感器数据融合的护栏估计方法和车载设备 | |
CN110375786B (zh) | 一种传感器外参的标定方法、车载设备及存储介质 | |
US11531349B2 (en) | Corner case detection and collection for a path planning system | |
CN110599790B (zh) | 一种智能驾驶车辆进站停靠的方法、车载设备和存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |