CN103577682A - 在道路改变情境中使用导航输入的锚车道选择方法 - Google Patents

在道路改变情境中使用导航输入的锚车道选择方法 Download PDF

Info

Publication number
CN103577682A
CN103577682A CN201310324983.XA CN201310324983A CN103577682A CN 103577682 A CN103577682 A CN 103577682A CN 201310324983 A CN201310324983 A CN 201310324983A CN 103577682 A CN103577682 A CN 103577682A
Authority
CN
China
Prior art keywords
data
lane
track
derived
curvature
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.)
Granted
Application number
CN201310324983.XA
Other languages
English (en)
Other versions
CN103577682B (zh
Inventor
S.曾
B.B.利特库希
X.陈
J.N.尼科劳乌
D.甘地
J.帕扎亚姆帕利尔
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of CN103577682A publication Critical patent/CN103577682A/zh
Application granted granted Critical
Publication of CN103577682B publication Critical patent/CN103577682B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/10—Path keeping
    • B60W30/12—Lane keeping
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4041—Position
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/60—Traffic rules, e.g. speed limits or right of way
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2556/00—Input parameters relating to data
    • B60W2556/45—External transmission of data to or from the vehicle
    • B60W2556/50—External transmission of data to or from the vehicle of positioning data, e.g. GPS [Global Positioning System] data

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及用于在车辆车道跟踪系统中选择用于跟踪的锚车道的方法。数字地图数据和前方车辆轨迹数据用来预测在车辆前面的车道信息。在可用的情况下，也使用视觉系统检测左右车道边界标记。在车道曲率融合计算中，源自视觉系统的车道标记数据与源自数字地图数据和前方车辆轨迹数据的车道信息组合。也为例如平行和在偏移中的突然跳跃的情况评估源自视觉系统的左右车道标记数据，同时考虑由地图数据指示的入口或出口车道的存在。视情况使用融合的曲率计算或数字地图和前方车辆轨迹数据，基于视觉系统数据的评估选择用于跟踪的锚车道。

Description

在道路改变情境中使用导航输入的锚车道选择方法
技术领域
本发明总体涉及机动车的增强车道跟踪能力，并且更特别涉及用于使用导航和数字地图信息、前方车辆轨迹和其他数据选择锚车道（anchor lane），从而在车道汇合与分开位置改善车道跟踪性能的方法。
背景技术
车辆车道跟踪系统通常采用摄像头和图像处理技术以便识别在道路上标记的车道边界线。车道跟踪系统也可以使用其他技术，例如源自嵌入在特制道路中的磁性车道边界标记的数据。无关于用来检测车道边界的数据类型，典型车道跟踪系统被设计成将车辆定位在假设具有平行的左右边界的车道的中心。
在其中车道的左右边界不平行，例如其中入口坡道与通过车道汇合，或其中出口车道从通过车道分开的状况中，典型车道跟踪系统可能不展现希望的行为。例如，其中出口车道从通过车道分开，并且在左右车道边界之间的距离增加，典型车道跟踪系统可以在一段时间保持车辆在分叉的左右边界之间居中。系统最终必须选择通过车道或出口车道以便跟踪，并且该选择导致车辆的突然的、不需要的横向运动。此外，典型车道跟踪系统可以具有处理由丢失的或阴暗的车道标记导致的模糊性的困难。
需要使用全部可用数据选择锚车道，并且在车道汇合与出口情境中展现改善的车道跟踪性能的车道跟踪系统。
发明内容
根据本发明的教导，披露用于在车辆车道跟踪系统中选择用于跟踪的锚车道的方法。数字地图数据和前方车辆轨迹数据用来预测在车辆前面的车道信息。在可用的情况下，也使用视觉系统检测左右车道边界标记。在车道曲率融合计算中，源自视觉系统的车道标记数据与源自数字地图数据和前方车辆轨迹数据的车道信息组合。也为例如平行和在偏移中的突然跳跃的情况评估源自视觉系统的左右车道标记数据，同时考虑由地图数据指示的入口或出口车道的存在。视情况使用融合的曲率计算或数字地图和前方车辆轨迹数据，基于视觉系统数据的评估选择用于跟踪的锚车道。
此外，本发明还涉及以下技术方案。
1. 一种用于在车辆车道跟踪系统中选择锚车道的方法，所述方法包含：
使用数字地图数据为车辆预测车道信息；
使用前方车辆轨迹数据为所述车辆预测车道信息；
从视觉系统获得左车道标记数据和/或右车道标记数据中的至少一个；
使用所述数字地图数据、所述前方车辆轨迹数据和源自所述视觉系统的所述车道标记数据执行车道曲率融合计算，其中所述车道曲率融合计算在所述车辆车道跟踪系统中的微处理器上执行；
将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较；以及
基于源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据的所述比较，选择用于跟踪的锚车道。
2. 如技术方案1所述的方法，其中所述车道信息包括车道航向角和车道曲率。
3. 如技术方案1所述的方法，其中所述数字地图数据包括用于所述车辆的导航路线信息。
4. 如技术方案1所述的方法，其中所述车道曲率融合计算是源自所述视觉系统数据的车道曲率、源自所述数字地图数据的车道曲率和源自所述前方车辆轨迹数据的车道曲率的加权平均。
5. 如技术方案4所述的方法，其中源自所述视觉系统数据的所述车道曲率被选择为近来测量值的中间值。
6. 如技术方案4所述的方法，其中使用与源自导航与数字地图系统的道路基准点数据匹配的最小二乘曲线计算源自所述数字地图数据的车道曲率。
7. 如技术方案4所述的方法，其中通过将源自对象检测传感器的对象径迹转换成轨迹路径并且将曲线匹配所述轨迹路径中的每一个，计算源自所述前方车辆轨迹数据的车道曲率。
8. 如技术方案1所述的方法，其中将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较包括放弃源自存在出口或入口车道的所述车辆的一侧上的视觉系统的车道标记数据。
9. 如技术方案1所述的方法，其中选择用于跟踪的锚车道包括确定左右车道边界是否平行、如果所述左右车道边界不平行但出口或入口车道不存在则执行曲率一致性计算、以及使用较低曲率一致性值识别用于跟踪的锚车道。
10. 如技术方案1所述的方法，其中选择用于跟踪的锚车道包括放弃源自检测到偏移中的突然跳跃的所述车辆的一侧上的视觉系统的车道标记数据。
11. 如技术方案1所述的方法，进一步包含使用所述车道曲率融合和车辆动力学数据作为Kalman滤波计算的输入执行车道融合计算，其中所述车道融合计算确定车道偏移和航向误差。
12. 一种用于在车辆车道跟踪系统中选择锚车道的方法，所述方法包含：
使用包括用于车辆的导航路线数据的数字地图数据为所述车辆预测车道信息；
使用前方车辆轨迹数据为所述车辆预测车道信息；
从视觉系统获得左车道标记数据和/或右车道标记数据中的至少一个；
使用所述数字地图数据、所述前方车辆轨迹数据和源自所述视觉系统的所述车道标记数据执行车道曲率融合计算，其中所述车道曲率融合计算在所述车辆车道跟踪系统中的微处理器上执行；
将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较，包括放弃源自存在出口或入口车道的所述车辆的一侧的视觉系统的车道标记数据；以及
基于源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据的所述比较，选择用于跟踪的锚车道，包括确定左右车道边界是否平行、如果所述左右车道边界不平行但出口或入口车道不存在则执行曲率一致性计算、以及使用较低曲率一致性值识别所述用于跟踪的锚车道。
13. 如技术方案12所述的方法，其中所述车道曲率融合计算是源自所述视觉系统数据的车道曲率、源自所述数字地图数据的车道曲率和源自所述前方车辆轨迹数据的车道曲率的加权平均，并且其中源自所述视觉系统数据的所述车道曲率被选择为近来测量值的中间值，使用与源自导航与数字地图系统的道路基准点数据匹配的最小二乘曲线计算源自所述数字地图数据的车道曲率，并且通过将源自对象检测传感器的对象径迹转换成轨迹路径并且将曲线匹配所述轨迹路径中的每一个，计算源自所述前方车辆轨迹数据的车道曲率。
14. 如技术方案12所述的方法，其中选择用于跟踪的锚车道包括放弃源自检测到偏移中的突然跳跃的所述车辆的一侧的视觉系统的车道标记数据。
15. 一种用于车辆的车道跟踪系统，包含：
输入通道，所述输入通道用于从导航与数字地图系统、视觉系统、对象检测传感器和车辆动力学系统接收数据；
存储器模块，所述存储器模块用于存储所述接收的数据和任何计算的数据；以及
处理器，所述处理器被配置成使用源自所述导航与数字地图系统的车道数据、源自所述对象检测传感器的前方车辆轨迹数据和源自所述视觉系统的车道标记数据执行车道曲率融合计算，所述处理器进一步配置成基于源自所述视觉系统的所述车道标记数据与源自所述导航与数字地图系统的所述车道数据和源自所述对象检测传感器的所述前方车辆轨迹数据的比较，选择用于跟踪的锚车道。
16. 如技术方案15所述的系统，其中所述车道曲率融合计算是视觉系统车道标记数据的车道曲率、导航与数字地图车道数据的车道曲率和前方车辆轨迹数据的车道曲率的加权平均。
17. 如技术方案15所述的系统，其中源自所述视觉系统的所述车道标记数据与源自所述导航与数字地图系统的所述车道数据和源自所述对象检测传感器的所述前方车辆轨迹数据的所述比较包括放弃源自存在出口或入口车道的所述车辆的一侧的视觉系统的车道标记数据。
18. 如技术方案15所述的系统，其中选择用于跟踪的锚车道包括确定左右车道边界是否平行、如果所述左右车道边界不平行但出口或入口车道不存在则执行曲率一致性计算、以及使用较低曲率一致性值识别所述用于跟踪的锚车道。
19. 如技术方案15所述的系统，其中选择用于跟踪的锚车道包括放弃源自检测到偏移中的突然跳跃的所述车辆的一侧的视觉系统的车道标记数据。
20. 如技术方案15所述的系统，其中所述处理器还配置成使用所述车道曲率融合和车辆动力学数据作为Kalman滤波计算的输入执行车道融合计算，其中所述车道融合计算确定车道偏移和航向误差。
本发明的另外特征从以下结合附图的描述和附加权利要求变得清楚。
附图说明
图1是包括车道跟踪系统的车辆的示意图；
图2是带有常规车道跟踪系统的车辆的图解，当在出口车道分开存在车道跟踪困境时该常规车道跟踪系统做出不需要的横向运动；
图3是带有增强车道跟踪系统的车辆的图解，当在出口车道分开存在车道跟踪困境时该增强车道跟踪系统做出适当的锚车道选择；
图4是使用多个数据源的锚车道选择的方法的流程图；以及
图5是当左右车道边界标记数据都可用时，使用多个数据源的锚车道选择的方法的流程图。
具体实施方式
针对在道路改变情境中使用导航输入的锚车道选择的方法的本发明的实施例的以下讨论实际上仅是示范，并且不意图以任何方式限制本发明或其应用或使用。
由于半自动驾驶变为希望的且可实现的目标，因此车道跟踪系统在现代车辆上逐渐受欢迎。典型车道跟踪系统使用视觉系统检测左右车道边界标记，并且尝试将主车辆的位置维持在左右车道标记之间的中间。然而，其中左右车道标记不平行例如在入口车道汇合或出口车道分开的状况可以对典型车道跟踪系统导致不期望的行为。其他状况例如丢失的或阴暗的车道标记也可以对常规车道跟踪系统造成问题。
图1是包括增强车道跟踪系统12的车辆10的示意图，该增强车道跟踪系统12使用源自多个来源的数据以便选择用于跟踪的锚车道。车道跟踪系统12从导航与数字地图系统14、车辆动力学系统16和视觉系统20接收数据，并且在融合计算中使用全部可用数据从而选择用于跟踪的锚车道。如由本领域技术人员理解，导航与数字地图系统14包括含有关于道路路线、道路类型、十字路口、汇合和出口等的数据的数字地图数据库。导航与数字地图系统14使用全球定位系统（GPS）、专用短距通信（DSRC）或其他通信系统始终保持车辆10位于哪里和其在什么道路上行驶的跟踪。导航与数字地图系统14也包括点到点导航能力，其中用户可以输入希望的目的地点，并且系统14将提供逐向导航指令从而到达目的地。
理解导航与数字地图系统14的特征可以如上描述组合成单个系统，或可以在其中数字地图数据库从导航特征分离的两个分离系统中实施。此外，车道跟踪系统12不需要使用导航特征；相反，车道跟踪系统12在选择用于跟踪的锚车道中使用包括点到点导航数据的任何可用数据。这在下面更详细讨论。
车辆动力学系统16从车辆动力学传感器套件18接收信号，该传感器套件18可以包括纵向和横向加速度传感器、偏航率传感器、车辆速度或车轮速度传感器、方向盘角度传感器及其他。视觉系统20包括可以检测在车辆10前面的许多不同类型对象的前摄像头22。前摄像头22可以检测左右车道边界标记、前方车辆和静止对象等。视觉系统20也可以包括能够检测在车辆10后面的左右侧上的车道边界标记的后摄像头28。后摄像头28也可以检测尾随车辆。
车辆10可以进一步包括可以是超声、红外、雷达或激光雷达传感器的对象检测传感器30。对象检测传感器30可以用来检测静止对象，例如树和护栏，或活动对象例如前方车辆。对象检测传感器30可以是视觉系统20的一部分并且连同摄像头22和28一起使用，或对象检测传感器30可以独立操作并与车道跟踪系统12直接通信。
如由本领域技术人员理解，视觉系统20包括为图像处理、对象检测和识别以及轨迹跟踪专门设计的处理器、存储器模块和软件。例如，视觉系统20能够在源自摄像头22和28的图像中检测实线或点划线车道边界标记，并且从这些图像确定车道边界在车辆10的左和/或右侧上的位置、取向和曲率。视觉系统20也能够使用图像数据跟踪一个或更多前方车辆的轨迹。
车道跟踪系统12至少由处理器和存储器模块构成，其中该处理器配置有被设计成选择用于跟踪的锚车道的软件，该锚车道可以由半自动驾驶系统用于车辆10的横向控制。车道跟踪系统12从导航与数字地图系统14、车辆动力学系统16、视觉系统20和对象检测传感器30接收数据，并且寻找与车道边界标记、导航路线、前方车辆轨迹和其他数据一致的锚车道。当遇到不平行车道边界标记时，多个数据源的融合可以是特别有益的。在车道跟踪系统12中使用的逻辑和计算在下面详细讨论。
图2是可以在没有车道跟踪系统12的情况下发生的当在出口车道分开存在车道跟踪困境时，车辆10做出不需要的横向运动的图解。车辆10在分成通过车道42和出口车道44的道路40上行驶。道路40具有左车道边界50和右车道边界52，它们初始平行并且以标准车道宽度隔开，但在车辆10前面以增加的距离分叉。假设车辆10需要继续在通过车道42上行驶，那么存在车辆10理想地沿其行进的希望路径54，其中该希望路径54重复通过车道42的中线。
典型车道跟踪系统将尝试将车辆10的横向位置维持在左车道边界50和右车道边界52之间的中间。然而，由于车辆10更接近通过车道42和出口车道44的物理分开，因此该途径显然不可行。最终，典型车道跟踪系统必须选择一个车道或另一个。即使典型车道跟踪系统选择不受保证的希望通过车道42，后面的车道选择将仍在车辆10沿实际路径56行进时导致车辆10的突然的、不需要的横向运动。
图3是当在出口车道分开存在车道跟踪困境并且使用车道跟踪系统12时，车辆10做出适当的锚车道选择的图解。在图3中，车辆10在与图2中示出相同的道路40上行驶，并且要继续沿希望路径54（为清晰没有在图3中示出）在通过车道42上继续行进。车道跟踪系统12能够使用除左车道边界50和右车道边界52的位置之外的另外数据选择用于跟踪的锚车道。特别地，车道跟踪系统12可以使用GPS数据和数字地图确定正在接近出口车道44。此外，车道跟踪系统12可以使用导航数据确定车辆10希望沿通过车道42行进。另外，车道跟踪系统12可以跟踪沿前方车辆轨迹62行进的前方车辆60。使用可用的全部数据，车道跟踪系统12可以确定其应使用左车道边界50作为用于车道跟踪的锚，并且忽视右车道边界52直到在出口车道44的分开之后新的右车道边界出现的时间。在车道跟踪系统12中使用的计算的决策逻辑和详情在下面描述。
图4是在上面描述的图3中示出的情境中，由车道跟踪系统12执行的使用多个数据源的用于锚车道选择的方法的流程图80。流程图80的方法意图连续操作，配置为在车道跟踪系统12中的微处理器上运行的软件。该方法在开始方框82开始，其中数据从包括导航与数字地图系统14、带有车辆动力学传感器套件18的车辆动力学系统16、带有摄像头22和28的视觉系统20、以及对象检测传感器30的车辆传感器和系统提供。
在方框84，检测到前方车辆的紧急行为。即，可以基于源自视觉系统20的数据建立或维持一个或更多前方车辆轨迹。在其中车辆10具有对在其车道中刚好在其前面超过的车辆的可见性，例如在弯曲道路上行驶的状况中，多于一个前方车辆轨迹是可能的。在方框86，如果源自导航与数字地图系统14的信息具有高置信度，那么使用该信息预测车道信息。关于地图和导航信息的置信值可以基于因素例如在位置和速度数据之间的一致水平与当前道路类型和方向（例如，车辆速度匹配道路类型？），以及用于在决策点确定采取哪条路线的点到点导航数据的可用性来分配。在方框86预测的车道信息包括车道位置（中线和左右车道边界）和在车辆10前面一些距离的车道曲率信息。
在方框88，如果一个或更多前方车道轨迹从方框84可用，那么基于前方车辆轨迹信息预测车道信息。这些计算的详情稍后讨论。流程图80的剩余部分以提高数据从视觉系统20可用性的顺序从左到右排列。经由概览，没有视觉车道边界信息在流程图80的远左侧可用，左右前视觉车道边界信息都在图80的远右侧可用，并且一些视觉车道数据（左侧、右侧或后侧）在图80的中心可用。
在判定框90，确定在车辆10前面的车道边界信息是否从视觉系统20（从摄像头22）可用。前视觉车道边界信息的可用性意味着已视觉上检测到车道边界（路缘或车道带），以使可以为在车辆10前面的一些距离可靠估计车道边界的位置和曲率。如果没有前视觉车道边界信息可用，那么在判定框92确定在车辆10后面的车道边界信息是否从视觉系统20（从摄像头28）可用。如果在判定框92没有后视觉车道边界信息可用，那么在方框94使用源自方框86的地图数据和/或源自方框88的前方车辆轨迹数据（如果可用）来预测车道信息。从方框94，在不使用任何视觉车道边界数据的情况下，过程在终点96结束。
在判定框92，如果后视觉边界信息可用，那么该信息在方框98使用。由于典型后摄像头的限制，因此后视觉车道边界信息通常仅用于位置（左或右车道边界从车辆10中线的偏移）预测，不用于曲率预测。因此在方框98，如果源自视觉系统20的左或右车道偏移数据偏离源自地图数据或前方车辆轨迹的偏移数据，那么使用后视觉系统信息更新偏移。在方框100，使用源自方框98的数据（后视觉车道信息）执行车道融合计算。在方框100的车道融合计算使用Kalman滤波，从而将源自视觉系统20的车道信息与源自车辆动力学系统16的车辆运动数据融合，提供车道偏移和航向误差信息作为结果。源自视觉系统20的车道信息可以用基于地图的车道信息和/或基于前方车辆的车道信息补充，如在上面和下面讨论。基于Kalman滤波的车道融合计算在标题为LANE TRACKING SYSTEM，提交于2011年11月4日的共同待决美国专利申请序列号No. 13/289,517中描述，该申请转让给本申请的受让人，并且包括在此作为参考。
如果在判定框90前视觉车道边界信息可用，那么在判定框102确定前视觉车道边界信息是否可用于左侧、右侧或该两者。如果前视觉边界信息仅可用于左侧，那么在方框104执行左侧车道边界曲率计算。在方框104的计算是左侧视觉车道信息、地图数据和前方车辆轨迹数据的融合。该计算的详情在下面解释。如果前视觉车道边界信息仅可用于右侧，那么在方框106执行右侧车道边界曲率计算。在方框104的左侧车道曲率计算之后，在判定框108确定出口车道是否就在车辆10前面。该确定基于数字地图数据。相似地，在方框106的右侧车道曲率计算之后，在判定框110确定出口车道是否就在车辆10前面。
如果在判定框108或判定框110检测到出口车道，那么在方框112确定源自视觉系统20的车道曲率（左或右侧，视情况而定）是否在源自数字地图数据和前方车辆轨迹数据的车道曲率的预定容限内。如果视觉数据、地图数据和前方车辆数据全部一致，那么在方框112，源自方框104或106的融合的曲率计算用作用于跟踪的锚车道。如果视觉曲率数据不与地图数据和前方车辆轨迹数据一致，那么在方框112，放弃视觉曲率数据并且使用源自导航与数字地图系统14的车道曲率，如果前方车辆轨迹数据可用那么将其与该车道曲率一起使用。放弃视觉系统数据并且使用导航与地图数据可以是车辆10应该继续在通过车道上行进但视觉系统数据遵循出口车道带的指示，或反之亦然。
如果在判定框108没有检测到出口车道，那么在方框114，源自方框104的融合的车道曲率信息用作用于跟踪的锚车道。相似地，如果在判定框110没有检测到出口车道，那么在方框116，源自方框106的融合的车道曲率信息用作用于跟踪的锚车道。从方框112、114或116中的任何一个，车道曲率数据已为车道跟踪系统12确定，并且过程继续到先前讨论的方框100的车道融合计算。从方框100，随着车道偏移和航向计算完成，过程在终点96结束。
如果在判定框102前视觉车道边界信息可用于两个侧面，那么在方框118车道曲率融合计算为两个侧面分离执行。在方框118执行的车道曲率融合计算与在方框104和106为左右侧分别执行的车道曲率融合计算相同。如先前提到并在下面详细讨论，车道曲率融合计算将视觉系统曲率数据、基于地图的曲率数据和前方车辆轨迹曲率数据组合。在方框120，由于在其中左右视觉数据都可用的情况下许多不同选项是可能的，因此执行另外步骤以便选择用于跟踪的锚车道。在方框120执行的步骤在流程图140中示出。
图5是当左右车道边界标记数据都可用时，使用多个数据源的锚车道选择的方法的流程图140。当在流程图80中遇到方框120时，该方法在开始方框142开始。提供源自方框118的左右车道曲率融合计算。在判定框144，基于曲率融合计算确定左右车道边界是否平行。如果左右车道边界不平行，那么在判定框146确定车道边界是否分叉（出口车道分开）或聚合（入口车道汇合）。如果检测到分开，那么在判定框148根据地图数据确定出口车道是否就在前面。如果根据地图数据没有出口车道迫近，那么在方框150执行曲率一致性检查以便选择用于跟踪的锚车道。在方框150的曲率一致性检查计算在下面详细讨论。随着锚车道被选择，过程在终点152结束并且返回到流程图80的方框100，在其中执行Kalman滤波车道融合计算。
如果在判定框148根据地图数据出口车道迫近，那么在方框154基于和地图与导航数据的一致性将左或右车道边界选为用于跟踪的锚。即，从数字地图数据选择具有与通过车道曲率一致的曲率的车道边界，除非导航数据指示采取出口车道。如果对于左或右车道边界没有发现一致性，那么基于出口车道的一侧选择锚。例如，如果出口车道在右侧上则将左侧选为锚，反之亦然。
如果在判定框146检测到汇合，那么在判定框156根据地图数据确定入口车道是否邻近车辆10。如果根据地图数据没有入口车道邻近，那么在方框158执行曲率一致性检查以便选择用于跟踪的锚车道。如果在判定框156根据地图数据入口车道邻近，那么在方框154基于和地图与导航数据的一致性，将左或右车道边界选为用于跟踪的锚。即，选择具有与源自数字地图数据的通过车道曲率一致的曲率的车道边界。在方框150、154或158的任何之后，随着锚车道被选择，过程在终点152结束并且返回到其中执行Kalman滤波车道融合计算的流程图80的方框100。
返回到判定框144，如果左右车道边界平行，那么在判定框160确定在源自视觉系统数据的车道边界偏移中是否存在突然跳跃。突然跳跃计算的详情在下面讨论。如果在偏移中没有突然跳跃，那么在方框162左右车道边界曲率被组合并且用作用于跟踪的锚车道。因为左右边界平行并且没有突然跳跃在方框162存在，所以左右边界形状和曲率应非常相似，并且简单组合技术例如求平均可以被使用。在方框162的锚车道组合之后，过程如先前讨论在终点152结束。
如果在判定框160检测到在偏移中的突然跳跃，那么在判定框164确定突然跳跃是否在左侧车道边界或右侧车道边界或该两者上发生。如果突然跳跃在左侧车道边界上，那么在方框166右侧车道边界选为用于跟踪的锚车道。如果突然跳跃在右侧车道边界上，那么在方框168左侧车道边界选为用于跟踪的锚车道。
如果突然跳跃在左右侧车道边界上都发生，那么在方框170锚车道边界被选为在车道几何形状改变和乘车舒适性之间的平衡。例如，如果左车道边界突然跳跃到左边并且右车道边界突然跳跃到右边，那么该两者的求平均可以导致适当的跟踪目标。然而，如果两个车道边界突然在相同方向上跳跃，则可能需要暂时放弃视觉数据，并且基于地图数据选择锚车道，如果前方车辆轨迹数据可用那么基于地图数据和前方车辆轨迹数据选择锚车道。在方框166、168或170的任何的锚车道选择之后，过程如先前讨论在终点152结束。
在图4和5的流程图中，简要介绍了需要进一步详细讨论的计算。这些计算包括在方框104、106和118执行的车道曲率融合计算、在方框150和158执行的曲率一致性计算，以及在判定框160执行的偏移突然跳跃计算。
车道曲率融合计算基于左或右视觉车道边界曲率与基于地图的曲率数据以及基于前方车辆的曲率数据，确定融合的车道曲率。使用左侧作为例子，融合的曲率                                                
Figure 673809DEST_PATH_IMAGE001
可以定义为：
Figure 590950DEST_PATH_IMAGE002
                                                           （1）
其中
Figure 901845DEST_PATH_IMAGE003
是源自左侧视觉测量值的车道曲率，是源自数字地图数据的车道曲率，并且
Figure 642585DEST_PATH_IMAGE005
是源自前方车辆轨迹数据的车道曲率。用于确定
Figure 465048DEST_PATH_IMAGE006
、和的方法在下面定义。在方程（1）中，加权因数定义为：
Figure 131018DEST_PATH_IMAGE008
Figure 124382DEST_PATH_IMAGE009
Figure 409870DEST_PATH_IMAGE010
以及
Figure 146882DEST_PATH_IMAGE011
在上面的加权因数定义中，
Figure 670267DEST_PATH_IMAGE012
是视觉感测信息的置信度，是包括其GPS数据的数字地图信息的置信度，并且
Figure 872895DEST_PATH_IMAGE014
是前方车辆感测信息的置信度。置信度因数
Figure 679177DEST_PATH_IMAGE015
、
Figure 322648DEST_PATH_IMAGE013
和
Figure 657815DEST_PATH_IMAGE014
每个都具有在0和1之间的值，并且可以基于参数例如由视觉系统20检测到的车道带的清晰度来调整。此外，参数
Figure 917895DEST_PATH_IMAGE016
、
Figure 996709DEST_PATH_IMAGE017
和
Figure 25845DEST_PATH_IMAGE018
是可以使用传统统计方法估计的源自相应系统的各个测量值的方差。
源自左侧视觉测量的车道曲率可以定义为：
Figure 797492DEST_PATH_IMAGE019
                                                         （2）
其中，值
Figure 279289DEST_PATH_IMAGE020
是源自车辆10的左侧上的视觉系统20的七个最近的曲率测量值。多于或少于七个的测量值可以被使用。典型地，七个最近的视觉系统测量值在大约前1秒上采样。由于复杂路况引起直接视觉系统测量值是有噪声的，而在高速公路上的真实道路曲率缓慢改变，因此新近测量值的中间值用来滤除测量值中的高频噪声。
源自导航与数字地图系统14的车道曲率可以在以下线性回归模型中定义为参数
Figure 45437DEST_PATH_IMAGE022
：
                                                                                                                       （3）
其中
Figure 957078DEST_PATH_IMAGE024
是路径在基准点
Figure 377695DEST_PATH_IMAGE025
处的正切角，并且是从车辆10到基准点
Figure 494872DEST_PATH_IMAGE025
的近似曲线长度。GPS数据可以由导航与数字地图系统14使用来确定当前车辆位置。一连串道路基准点然后可以在车辆10之前定义。基准点具有格式
Figure 420103DEST_PATH_IMAGE027
，其中
Figure 644411DEST_PATH_IMAGE025
是在车辆10之前的基准点的位置，并且
Figure 237066DEST_PATH_IMAGE024
是在基准点的正切角。
样本点可以得自其中
Figure 933944DEST_PATH_IMAGE029
并且对于
Figure 493101DEST_PATH_IMAGE030
，的基准点。最小二乘过程可以应用从而如下估计系数
Figure 864357DEST_PATH_IMAGE022
（其为曲率
Figure 295338DEST_PATH_IMAGE032
）：
Figure 861449DEST_PATH_IMAGE033
                                                                    （4）
源自前方车道轨迹的车道曲率
Figure 163117DEST_PATH_IMAGE034
可以从车辆中的前视雷达确定。在某些状况下，可以假设车辆10意图沿与前方车辆60相同的车道行进。此外，多于一个前方车辆轨迹可以存在，如先前解释。
可以假设轨迹的列表存在，
Figure 66568DEST_PATH_IMAGE035
，其中每个轨迹都由一连串点即
Figure 453687DEST_PATH_IMAGE036
构成，并且
Figure 823489DEST_PATH_IMAGE037
是轨迹的长度（在轨迹中的点的数目）。当径迹的新列表或相对于车辆10的目标点在时间步
Figure DEST_PATH_IMAGE039
到达时，首先必需基于车辆10的运动—具体地，车速（）和偏航率（
Figure DEST_PATH_IMAGE041
）将每个点
Figure 182292DEST_PATH_IMAGE042
投影。设点
Figure DEST_PATH_IMAGE043
。投影点
Figure 886943DEST_PATH_IMAGE044
定义为：
Figure DEST_PATH_IMAGE045
接下来，必需将径迹
Figure 927897DEST_PATH_IMAGE047
与轨迹
Figure 24029DEST_PATH_IMAGE048
关联，以使
Figure 735633DEST_PATH_IMAGE049
从
Figure 131979DEST_PATH_IMAGE050
确定，并且到轨迹的第一点
Figure 270837DEST_PATH_IMAGE051
的距离小于预定阈值
Figure 854265DEST_PATH_IMAGE052
。即，每个新雷达径迹都与其最优匹配的现有轨迹关联。然后新径迹
Figure 635139DEST_PATH_IMAGE047
的点添加到关联轨迹
Figure 620413DEST_PATH_IMAGE048
，以使
Figure 930171DEST_PATH_IMAGE053
并且更新轨迹
Figure 532054DEST_PATH_IMAGE054
。
对于
Figure 585460DEST_PATH_IMAGE050
大于距离阈值
Figure 425240DEST_PATH_IMAGE055
的每个
Figure 437059DEST_PATH_IMAGE047
，新轨迹利用第一点的
Figure 729500DEST_PATH_IMAGE047
产生。对于
Figure 586597DEST_PATH_IMAGE056
，如果现有轨迹不匹配任何新径迹
Figure 812042DEST_PATH_IMAGE047
，则删除现有轨迹。
最终，对于长度大于阈值的每个轨迹
Figure 463604DEST_PATH_IMAGE057
执行曲线匹配；即，对于，
Figure 435288DEST_PATH_IMAGE059
。设轨迹由点
Figure 72122DEST_PATH_IMAGE060
的列表构成。短轨迹（仍超过阈值
Figure 870314DEST_PATH_IMAGE061
）可以以线性模型匹配。中等长度轨迹可以以二次模型匹配。长轨迹可以以三次模型匹配。用于匹配轨迹的线性的、二次的和三次的模型在下面描述。
如果为曲线假设
Figure 69214DEST_PATH_IMAGE062
形式的线性模型，则系数的标称值可以定义为
Figure 472514DEST_PATH_IMAGE063
和。目标是将以下函数最小化：
Figure 16945DEST_PATH_IMAGE065
                                        （5）
其中正因数
Figure 753957DEST_PATH_IMAGE066
和确定分别给予标称值
Figure 238345DEST_PATH_IMAGE063
和
Figure 214391DEST_PATH_IMAGE064
多少信任。上面最小二乘的解是：
其中：
Figure 929723DEST_PATH_IMAGE069
以及
Figure 264889DEST_PATH_IMAGE070
如果为曲线假设
Figure 524969DEST_PATH_IMAGE071
形式的二次模型，则系数的标称值可以定义为、
Figure 101761DEST_PATH_IMAGE064
和
Figure 138987DEST_PATH_IMAGE072
。目标是将以下函数最小化：
Figure 355205DEST_PATH_IMAGE073
                         （6）
其中正因数
Figure 237710DEST_PATH_IMAGE066
、
Figure 121353DEST_PATH_IMAGE067
和
Figure 63901DEST_PATH_IMAGE074
确定分别给予标称值
Figure 501836DEST_PATH_IMAGE063
、
Figure 453611DEST_PATH_IMAGE064
和
Figure 926181DEST_PATH_IMAGE075
多少信任。上面最小二乘的解是：
Figure 774051DEST_PATH_IMAGE076
其中；
Figure 230440DEST_PATH_IMAGE077
以及
Figure 454748DEST_PATH_IMAGE078
如果为曲线假设
Figure 781824DEST_PATH_IMAGE079
形式的三次模型，则系数的标称值可以定义为、
Figure 9860DEST_PATH_IMAGE064
、
Figure 772280DEST_PATH_IMAGE075
和
Figure 485021DEST_PATH_IMAGE080
。目标是将以下函数最小化：
Figure 940273DEST_PATH_IMAGE081
          （7）
其中正因数
Figure 371255DEST_PATH_IMAGE066
、、
Figure 973454DEST_PATH_IMAGE082
和
Figure 130766DEST_PATH_IMAGE083
确定分别给予标称值
Figure 517885DEST_PATH_IMAGE063
、
Figure 622107DEST_PATH_IMAGE064
、
Figure 309441DEST_PATH_IMAGE084
和
Figure 106495DEST_PATH_IMAGE085
多少信任。上面最小二乘的解是：
Figure 715331DEST_PATH_IMAGE086
其中；
Figure 419982DEST_PATH_IMAGE087
以及
无论线性的、二次的或三次的模型是否匹配前方车辆轨迹，曲率
Figure 398619DEST_PATH_IMAGE089
都可以从轨迹的多项式近似容易地确定。
使用用于确定三个曲率值——、
Figure 471935DEST_PATH_IMAGE091
和
Figure 602702DEST_PATH_IMAGE092
与关联变量、置信度值和加权因数的上述方法，方程（1）可以用来以左侧视觉车道边界曲率数据、基于地图的曲率数据和基于前方车辆的曲率数据为基础，计算融合的车道曲率值
Figure 272717DEST_PATH_IMAGE093
。随着在方框106（右侧）和方框118（两侧分离地）执行的相似计算，这完成在方框104执行的车道曲率融合计算。
当左右车道边界都被视觉上检测到时，使用在流程图140的方框150和158的曲率一致性检查计算，该左右车道边界不平行，并且没有从数字地图数据检测到出口或入口车道。在这样的状况下，尽管也包括在计算中的航向角改变，但可以基于视觉数据与全部其他车道曲率的一致性选择锚车道。
对于左右侧的每个来说，曲率一致性值
Figure 856145DEST_PATH_IMAGE094
可以定义为：
Figure 105861DEST_PATH_IMAGE095
                                                                                                        （8）
Figure 622293DEST_PATH_IMAGE096
                                                                                                       （9）
其中
Figure 932052DEST_PATH_IMAGE097
和
Figure 2776DEST_PATH_IMAGE098
分别是关于当前车辆航向的源自视觉数据的左右车道边界的航向角。
Figure 587341DEST_PATH_IMAGE099
和分别是如下计算的左右曲率误差：
                                                                                    （10）
Figure 438939DEST_PATH_IMAGE102
                                                                                   （11）
其中
Figure DEST_PATH_IMAGE103
和如先前在方程（2）中定义分别是源自视觉测量值的左右曲率值，并且和
Figure DEST_PATH_IMAGE105
如先前在方程（1）中定义分别是左右融合车道曲率值。因此，曲率误差代表在视觉测量的车道曲率和从多个来源融合的车道曲率之间的差。
当在方框150或158需要曲率一致性计算时，将方程（8）或（9）求值并且两个值中的较小值识别锚车道。即，如果
Figure DEST_PATH_IMAGE107
小于
Figure 996643DEST_PATH_IMAGE108
，那么左车道边界挑选为用于跟踪的锚车道，反之亦然。
在判定框160的突然跳跃计算用来从视觉数据检查车道边界偏移的时间一致性。如果一侧的偏移（从车辆中线到车道边界的横向距离）的方差大于阈值，则该侧的测量值被拒绝，并且另一侧被挑选为用于跟踪的锚车道。可以通过如果以下函数求值为真则拒绝一侧的视觉测量值来执行求值。
Figure DEST_PATH_IMAGE109
                                                                                         （12）
其中
Figure 573118DEST_PATH_IMAGE110
是源自视觉系统20的车道标记偏移的新观察，
Figure DEST_PATH_IMAGE111
是基于先前测量值的预测车道标记偏移，并且
Figure 968327DEST_PATH_IMAGE112
是源自先前测量值的车道标记偏移的标准差。
因此，比偏移的标准差的三倍的更大量的在一侧偏移的值中的突然跳跃（增大或减小）可以是视觉系统20已经检测到错误车道边界的指示，而且另一侧的车道边界应该用作跟踪的锚车道。
使用在此披露的方法，多个数据源可以结合到车道跟踪决策中。使用全部可用数据源—例如地图/导航数据和前方车辆轨迹与视觉系统数据—改善车道跟踪决策的质量，尤其是在入口和出口车道位置，因此提高对车道跟踪和半自主驾驶特征的客户满意度。
前面讨论仅披露并描述本发明的示范实施例。本领域技术人员从这样的讨论并从附图和权利要求容易认识到其中可以做出各种改变、修改和变化而不背离如在以下权利要求中定义的本发明的精神和范畴。

Claims (10)

1.一种用于在车辆车道跟踪系统中选择锚车道的方法，所述方法包含：
使用数字地图数据为车辆预测车道信息；
使用前方车辆轨迹数据为所述车辆预测车道信息；
从视觉系统获得左车道标记数据和/或右车道标记数据中的至少一个；
使用所述数字地图数据、所述前方车辆轨迹数据和源自所述视觉系统的所述车道标记数据执行车道曲率融合计算，其中所述车道曲率融合计算在所述车辆车道跟踪系统中的微处理器上执行；
将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较；以及
基于源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据的所述比较，选择用于跟踪的锚车道。
2.如权利要求1所述的方法，其中所述车道信息包括车道航向角和车道曲率。
3.如权利要求1所述的方法，其中所述数字地图数据包括用于所述车辆的导航路线信息。
4.如权利要求1所述的方法，其中所述车道曲率融合计算是源自所述视觉系统数据的车道曲率、源自所述数字地图数据的车道曲率和源自所述前方车辆轨迹数据的车道曲率的加权平均。
5.如权利要求4所述的方法，其中源自所述视觉系统数据的所述车道曲率被选择为近来测量值的中间值。
6.如权利要求4所述的方法，其中使用与源自导航与数字地图系统的道路基准点数据匹配的最小二乘曲线计算源自所述数字地图数据的车道曲率。
7.如权利要求4所述的方法，其中通过将源自对象检测传感器的对象径迹转换成轨迹路径并且将曲线匹配所述轨迹路径中的每一个，计算源自所述前方车辆轨迹数据的车道曲率。
8.如权利要求1所述的方法，其中将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较包括放弃源自存在出口或入口车道的所述车辆的一侧上的视觉系统的车道标记数据。
9.一种用于在车辆车道跟踪系统中选择锚车道的方法，所述方法包含：
使用包括用于车辆的导航路线数据的数字地图数据为所述车辆预测车道信息；
使用前方车辆轨迹数据为所述车辆预测车道信息；
从视觉系统获得左车道标记数据和/或右车道标记数据中的至少一个；
使用所述数字地图数据、所述前方车辆轨迹数据和源自所述视觉系统的所述车道标记数据执行车道曲率融合计算，其中所述车道曲率融合计算在所述车辆车道跟踪系统中的微处理器上执行；
将源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据比较，包括放弃源自存在出口或入口车道的所述车辆的一侧的视觉系统的车道标记数据；以及
基于源自所述视觉系统的所述车道标记数据与所述数字地图数据和所述前方车辆轨迹数据的所述比较，选择用于跟踪的锚车道，包括确定左右车道边界是否平行、如果所述左右车道边界不平行但出口或入口车道不存在则执行曲率一致性计算、以及使用较低曲率一致性值识别所述用于跟踪的锚车道。
10.一种用于车辆的车道跟踪系统，包含：
输入通道，所述输入通道用于从导航与数字地图系统、视觉系统、对象检测传感器和车辆动力学系统接收数据；
存储器模块，所述存储器模块用于存储所述接收的数据和任何计算的数据；以及
处理器，所述处理器被配置成使用源自所述导航与数字地图系统的车道数据、源自所述对象检测传感器的前方车辆轨迹数据和源自所述视觉系统的车道标记数据执行车道曲率融合计算，所述处理器进一步配置成基于源自所述视觉系统的所述车道标记数据与源自所述导航与数字地图系统的所述车道数据和源自所述对象检测传感器的所述前方车辆轨迹数据的比较，选择用于跟踪的锚车道。
CN201310324983.XA 2012-07-30 2013-07-30 在道路改变情境中使用导航输入的锚车道选择方法 Active CN103577682B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US13/561755 2012-07-30
US13/561,755 US8706417B2 (en) 2012-07-30 2012-07-30 Anchor lane selection method using navigation input in road change scenarios
US13/561,755 2012-07-30

Publications (2)

Publication Number Publication Date
CN103577682A true CN103577682A (zh) 2014-02-12
CN103577682B CN103577682B (zh) 2016-12-28

Family

ID=49912329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310324983.XA Active CN103577682B (zh) 2012-07-30 2013-07-30 在道路改变情境中使用导航输入的锚车道选择方法

Country Status (3)

Country Link
US (1) US8706417B2 (zh)
CN (1) CN103577682B (zh)
DE (1) DE102013105046B9 (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104859649A (zh) * 2014-02-25 2015-08-26 福特全球技术公司 自主驾驶传感系统和方法
CN106164930A (zh) * 2014-04-04 2016-11-23 戴尔菲技术公司 用于车道检测的方法
CN106414205A (zh) * 2014-04-17 2017-02-15 安东尼百思特动力有限公司 路径控制系统
CN106959114A (zh) * 2016-01-11 2017-07-18 德尔福技术有限公司 用于视觉转向的自动化车辆的车道延伸
CN107672591A (zh) * 2016-08-01 2018-02-09 卢卡斯汽车股份有限公司 用于确定车道的控制系统和控制方法
CN108944949A (zh) * 2017-05-18 2018-12-07 福特全球技术公司 操作车辆的拥堵辅助系统的方法
CN109489673A (zh) * 2017-09-13 2019-03-19 百度（美国）有限责任公司 用于自动驾驶车辆的数据驱动地图更新系统
CN112172810A (zh) * 2019-06-18 2021-01-05 广州汽车集团股份有限公司 车道保持装置、方法、系统及汽车
CN112498367A (zh) * 2020-11-25 2021-03-16 重庆长安汽车股份有限公司 一种行驶轨迹规划方法、装置、汽车、控制器及计算机可读存储介质
CN113034587A (zh) * 2019-12-25 2021-06-25 沈阳美行科技有限公司 车辆定位方法、装置、计算机设备和存储介质
CN114523965A (zh) * 2020-11-09 2022-05-24 通用汽车环球科技运作有限责任公司 车道保持辅助方法、系统和装置

Families Citing this family (49)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010042900A1 (de) * 2010-10-26 2012-04-26 Robert Bosch Gmbh Verfahren und Vorrichtung zum Bestimmen einer Querreglerparametrierung für eine Querregelung eines Fahrzeugs
US9355562B1 (en) * 2012-08-14 2016-05-31 Google Inc. Using other vehicle trajectories to aid autonomous vehicles driving through partially known areas
US8788134B1 (en) * 2013-01-04 2014-07-22 GM Global Technology Operations LLC Autonomous driving merge management system
US9043072B1 (en) * 2013-04-04 2015-05-26 Google Inc. Methods and systems for correcting an estimated heading using a map
US8996197B2 (en) * 2013-06-20 2015-03-31 Ford Global Technologies, Llc Lane monitoring with electronic horizon
US9452754B2 (en) * 2013-12-04 2016-09-27 Mobileye Vision Technologies Ltd. Systems and methods for detecting and responding to traffic laterally encroaching upon a vehicle
DE102014002114A1 (de) * 2014-02-15 2015-08-20 Audi Ag Verfahren zum Betrieb eines zur wenigstens teilweise automatischen Fahrzeugführung ausgebildeten Fahrzeugsystems und Kraftfahrzeug
US9298992B2 (en) * 2014-02-20 2016-03-29 Toyota Motor Engineering & Manufacturing North America, Inc. Geographic feature-based localization with feature weighting
JP6364869B2 (ja) * 2014-03-28 2018-08-01 トヨタ自動車株式会社 運転支援装置
US9830517B2 (en) * 2014-06-19 2017-11-28 Toyota Motor Engineering & Manufacturing North America, Inc. Road branch detection and path selection for lane centering
DE102014212478A1 (de) * 2014-06-27 2015-12-31 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Erstellung eines Umfeldmodells eines Fahrzeugs
CA3067177A1 (en) * 2015-02-10 2016-08-18 Mobileye Vision Technologies Ltd. Sparse map for autonomous vehicle navigation
JP6465730B2 (ja) * 2015-04-21 2019-02-06 アルパイン株式会社 電子装置、走行車線識別システムおよび走行車線識別方法
US10152882B2 (en) * 2015-11-30 2018-12-11 Nissan North America, Inc. Host vehicle operation using remote vehicle intention prediction
US9707961B1 (en) * 2016-01-29 2017-07-18 Ford Global Technologies, Llc Tracking objects within a dynamic environment for improved localization
DE102016101901A1 (de) * 2016-02-03 2017-08-03 Deutsches Zentrum für Luft- und Raumfahrt e.V. Fahrerassistenzsystem
US9799218B1 (en) 2016-05-09 2017-10-24 Robert Gordon Prediction for lane guidance assist
US10921810B2 (en) 2016-08-02 2021-02-16 Pcms Holdings, Inc. System and method for optimizing autonomous vehicle capabilities in route planning
US20180067494A1 (en) * 2016-09-02 2018-03-08 Delphi Technologies, Inc. Automated-vehicle 3d road-model and lane-marking definition system
CN109643496B (zh) 2016-09-21 2021-08-20 苹果公司 车辆控制系统
EP3552071B1 (en) 2016-12-08 2020-10-21 PCMS Holdings, Inc. System and method for routing and reorganization of a vehicle platoon in a smart city
US9911329B1 (en) 2017-02-23 2018-03-06 Robert Gordon Enhanced traffic sign information messaging system
DE102017005921A1 (de) 2017-06-23 2017-12-21 Daimler Ag Verfahren zur autonomen Erkennung eines Fahrspurverlaufs zumindest einer Fahrspur
DE102017216063B3 (de) * 2017-09-12 2019-02-21 Ford Global Technologies, Llc Verfahren zur Fahrspurerkennung
US11580859B1 (en) 2017-09-28 2023-02-14 Apple Inc. Vehicle lane change
FR3075949A1 (fr) * 2017-12-21 2019-06-28 Psa Automobiles Sa Procede de determination sur une distance d’anticipation de la trajectoire d’un vehicule automobile.
US10551847B2 (en) 2018-02-06 2020-02-04 Here Global B.V. Method, apparatus, and system for machine learning of physical dividers using map data and vehicular sensor data
CN108427417B (zh) * 2018-03-30 2020-11-24 北京图森智途科技有限公司 自动驾驶控制系统及方法、计算机服务器和自动驾驶车辆
US10816992B2 (en) * 2018-04-17 2020-10-27 Baidu Usa Llc Method for transforming 2D bounding boxes of objects into 3D positions for autonomous driving vehicles (ADVs)
KR102553247B1 (ko) * 2018-04-27 2023-07-07 주식회사 에이치엘클레무브 전방 차량 추종 제어 시 안전성을 향상할 수 있는 차선 유지 보조 시스템 및 방법
DE102018212555A1 (de) 2018-07-27 2020-01-30 Bayerische Motoren Werke Aktiengesellschaft Verfahren und System zur Fahrspurerkennung
KR102579567B1 (ko) * 2018-10-08 2023-09-19 주식회사 에이치엘클레무브 차량 곡률 제어 장치, 차량 곡률 제어 방법 및 차량 곡률 제어 시스템
EP3887762B1 (en) * 2018-11-26 2024-05-15 Mobileye Vision Technologies Ltd. Lane mapping and navigation
KR102034316B1 (ko) * 2019-01-29 2019-11-08 주식회사 만도 차량 위치 보정 시스템 및 방법, 그리고 카메라
US11117576B2 (en) 2019-02-04 2021-09-14 Denso Corporation Vehicle lane trace control system
DE102019110938A1 (de) * 2019-04-29 2020-10-29 Valeo Schalter Und Sensoren Gmbh Automatische Steuerung einer Bahn, der ein Kraftfahrzeug bezüglich einer Fahrspur folgen soll
DE102019206875B3 (de) * 2019-05-13 2020-07-23 Volkswagen Aktiengesellschaft Erkennen einer Bankettfahrt eines Kraftfahrzeugs
CN110400490B (zh) * 2019-08-08 2022-02-25 腾讯科技（深圳）有限公司 轨迹预测方法和装置
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
WO2021134354A1 (zh) * 2019-12-30 2021-07-08 深圳元戎启行科技有限公司 轨迹预测方法、装置、计算机设备和存储介质
US20220144256A1 (en) * 2020-11-10 2022-05-12 Nec Laboratories America, Inc. Divide-and-conquer for lane-aware diverse trajectory prediction
KR102290564B1 (ko) * 2020-11-25 2021-08-18 한국전자기술연구원 자율주행 차량의 경로 추종 안정화를 위한 분산 칼만필터 기반 주행 경로 필터링 방법
CN113147782B (zh) * 2020-12-28 2024-05-14 上海汽车工业(集团)总公司 智能驾驶车辆自车参考轨迹筛选方法和筛选系统
US11636693B2 (en) * 2021-01-20 2023-04-25 Qualcomm Incorporated Robust lane-boundary association for road map generation
FR3123745A1 (fr) * 2021-06-07 2022-12-09 Psa Automobiles Sa Procédé d’aide à la conduite d’un véhicule circulant sur une voie de circulation délimitée par une première et une deuxième lignes marquées au sol.
EP4105818A1 (en) * 2021-06-18 2022-12-21 Continental Autonomous Mobility Germany GmbH Method and system for estimating road lane geometry
US20230063809A1 (en) * 2021-08-25 2023-03-02 GM Global Technology Operations LLC Method for improving road topology through sequence estimation and anchor point detetection
CN114475593B (zh) * 2022-01-18 2023-12-19 上汽通用五菱汽车股份有限公司 行驶轨迹预测方法、车辆及计算机可读存储介质
GB2623825A (en) * 2022-10-31 2024-05-01 Continental Autonomous Mobility Germany GmbH Method for determining lane boundaries, driving system and vehicle

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100776860B1 (ko) * 2000-09-08 2007-11-16 레이던 컴퍼니 경로 예측 시스템 및 방법
JP3690283B2 (ja) * 2001-01-18 2005-08-31 日産自動車株式会社 車線追従制御装置
CN100473152C (zh) * 2003-07-11 2009-03-25 株式会社日立制作所 图像处理相机系统及图像处理相机控制方法
DE102005003192A1 (de) 2005-01-24 2006-07-27 Robert Bosch Gmbh Verfahren zur Kursprädiktion in Fahrerassistenzsystemen für Kraftfahrzeuge
US7579984B2 (en) * 2005-11-23 2009-08-25 The Boeing Company Ultra-tightly coupled GPS and inertial navigation system for agile platforms
EP2578996B1 (de) * 2008-02-15 2018-10-17 Continental Teves AG & Co. OHG Fahrzeugsystem zur Navigation und/oder Fahrerassistenz
JP4768082B2 (ja) * 2008-10-30 2011-09-07 株式会社日立製作所 情報処理システムの運用管理装置
US8775063B2 (en) * 2009-01-26 2014-07-08 GM Global Technology Operations LLC System and method of lane path estimation using sensor fusion
JP5007840B2 (ja) * 2009-05-22 2012-08-22 トヨタ自動車株式会社 運転支援装置
WO2011141018A2 (de) 2010-05-11 2011-11-17 Conti Temic Microelectronic Gmbh Patente & Lizenzen Verfahren zur bestimmung eines fahrschlauchs
DE102010050167B4 (de) 2010-10-30 2012-10-25 Audi Ag Verfahren und Vorrichtung zur Bestimmung eines plausiblen Fahrstreifens zur Führung eines Fahrzeugs sowie Kraftwagen
WO2012129437A2 (en) * 2011-03-23 2012-09-27 Tk Holdings Inc. Driver assistance system
US9187117B2 (en) * 2012-01-17 2015-11-17 Ford Global Technologies, Llc Autonomous lane control system

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
周勇: "智能车辆中的几个关键技术研究", 《中国博士学位论文全文数据库》, vol. 2008, no. 6, 15 June 2008 (2008-06-15) *
陈莹 等: "基于扩展卡尔曼滤波的车道融合跟踪", 《公路交通科技》, vol. 12, no. 12, 31 December 2004 (2004-12-31) *

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104859649A (zh) * 2014-02-25 2015-08-26 福特全球技术公司 自主驾驶传感系统和方法
CN104859649B (zh) * 2014-02-25 2020-03-20 福特全球技术公司 自主驾驶传感系统和方法
CN106164930A (zh) * 2014-04-04 2016-11-23 戴尔菲技术公司 用于车道检测的方法
CN106164930B (zh) * 2014-04-04 2019-11-08 戴尔菲技术公司 车道检测方法和车辆
CN106414205A (zh) * 2014-04-17 2017-02-15 安东尼百思特动力有限公司 路径控制系统
CN106414205B (zh) * 2014-04-17 2019-03-08 安东尼百思特动力有限公司 路径控制系统
CN106959114B (zh) * 2016-01-11 2022-04-01 安波福技术有限公司 用于视觉转向的自动化车辆的车道延伸
CN106959114A (zh) * 2016-01-11 2017-07-18 德尔福技术有限公司 用于视觉转向的自动化车辆的车道延伸
CN114526747A (zh) * 2016-01-11 2022-05-24 安波福技术有限公司 用于视觉转向的自动化车辆的车道延伸
CN107672591A (zh) * 2016-08-01 2018-02-09 卢卡斯汽车股份有限公司 用于确定车道的控制系统和控制方法
CN107672591B (zh) * 2016-08-01 2022-06-10 采埃孚主动安全股份有限公司 用于确定车道的控制系统和控制方法
CN108944949A (zh) * 2017-05-18 2018-12-07 福特全球技术公司 操作车辆的拥堵辅助系统的方法
CN109489673A (zh) * 2017-09-13 2019-03-19 百度（美国）有限责任公司 用于自动驾驶车辆的数据驱动地图更新系统
CN109489673B (zh) * 2017-09-13 2022-08-12 百度（美国）有限责任公司 用于自动驾驶车辆的数据驱动地图更新系统
CN112172810A (zh) * 2019-06-18 2021-01-05 广州汽车集团股份有限公司 车道保持装置、方法、系统及汽车
CN113034587A (zh) * 2019-12-25 2021-06-25 沈阳美行科技有限公司 车辆定位方法、装置、计算机设备和存储介质
CN113034587B (zh) * 2019-12-25 2023-06-16 沈阳美行科技股份有限公司 车辆定位方法、装置、计算机设备和存储介质
CN114523965A (zh) * 2020-11-09 2022-05-24 通用汽车环球科技运作有限责任公司 车道保持辅助方法、系统和装置
CN112498367B (zh) * 2020-11-25 2022-03-11 重庆长安汽车股份有限公司 一种行驶轨迹规划方法、装置、汽车、控制器及计算机可读存储介质
CN112498367A (zh) * 2020-11-25 2021-03-16 重庆长安汽车股份有限公司 一种行驶轨迹规划方法、装置、汽车、控制器及计算机可读存储介质

Also Published As

Publication number Publication date
US20140032108A1 (en) 2014-01-30
DE102013105046A1 (de) 2014-01-30
US8706417B2 (en) 2014-04-22
CN103577682B (zh) 2016-12-28
DE102013105046B4 (de) 2019-06-06
DE102013105046B9 (de) 2019-08-08
DE102013105046A9 (de) 2014-04-03

Similar Documents

Publication Publication Date Title
CN103577682A (zh) 在道路改变情境中使用导航输入的锚车道选择方法
AU2021269330B2 (en) Sparse map for autonomous vehicle navigation
US20220001871A1 (en) Road vector fields
US20220035378A1 (en) Image segmentation
US20230236037A1 (en) Systems and methods for common speed mapping and navigation
WO2022229704A2 (en) Multi-frame image segmentation
CN115195773A (zh) 用于控制车辆驾驶的装置和方法及记录介质
CA3027328A1 (en) Inter-vehicle distance estimation method and inter-vehicle distance estimation device
US12030502B2 (en) Road vector fields
WO2024015564A1 (en) Registration of traffic signs' feature vectors in remote server
CN118284911A (zh) 远程服务器中的交通标志特征向量的登记

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant