CN109017780B - 一种车辆智能驾驶控制方法 - Google Patents

一种车辆智能驾驶控制方法 Download PDF

Info

Publication number
CN109017780B
CN109017780B CN201810323292.0A CN201810323292A CN109017780B CN 109017780 B CN109017780 B CN 109017780B CN 201810323292 A CN201810323292 A CN 201810323292A CN 109017780 B CN109017780 B CN 109017780B
Authority
CN
China
Prior art keywords
lane
road
reflection
reflection point
line
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
Application number
CN201810323292.0A
Other languages
English (en)
Other versions
CN109017780A (zh
Inventor
焦见伟
周平凡
宋德钊
甘军萍
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.)
Shenzhen Cookoo Technology Co ltd
Original Assignee
Shenzhen Cookoo Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Cookoo Technology Co ltd filed Critical Shenzhen Cookoo Technology Co ltd
Priority to CN201810323292.0A priority Critical patent/CN109017780B/zh
Publication of CN109017780A publication Critical patent/CN109017780A/zh
Application granted granted Critical
Publication of CN109017780B publication Critical patent/CN109017780B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W30/00Purposes 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/10Path keeping
    • B60W30/12Lane keeping
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W40/00Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06Road conditions
    • B60W40/072Curvature of the road
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B62LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
    • B62DMOTOR VEHICLES; TRAILERS
    • B62D6/00Arrangements for automatically controlling steering depending on driving conditions sensed and responded to, e.g. control circuits
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W2552/00Input parameters relating to infrastructure
    • B60W2552/30Road curve radius
    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W2710/00Output or target parameters relating to a particular sub-units
    • B60W2710/20Steering systems

Abstract

本发明涉及汽车行车安全领域,特别涉及一种车辆智能驾驶控制方法,包括:车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息;根据所述反射点信息确定道路边界;根据所述反射点信息或道路边界确定车道线;根据所述道路边界和车道线拟合车道中心线,获得车道中心线的曲率;根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角。通过激光雷达采集数据并计算前方道路的曲率,再用曲率来控制车辆横向运动,其具有可靠性高、能够提高驾车舒适性的优点,特别适合高速公路的全自动驾驶,还可以增强现有的自适应巡航系统。

Description

一种车辆智能驾驶控制方法
技术领域
本发明涉及汽车行车安全领域,特别涉及一种车辆智能驾驶控制方法。
背景技术
传统的自适应巡航只能控制车速,而无法控制方向。目前,带LKA(Lane KeepingAssistance,车道保持辅助功能)的车辆都是采用摄像头检测车道线实现的,采用摄像头检测车道线存在很多缺点,比如摄像头对光线比较敏感,在低照度、光亮度快速变化时、车道线磨损情况下都无法检测。即便是能检测到,LKA需要频繁地调整方向来确保不跨越车道线,导致舒适性较差,且只能在短时间内实现放手驾驶。
目前有不少计算前方道路曲率的方法,一种是以计算机视觉的方式识别出车道线,然后拟合车道线,再用平面曲线的方法求出曲率,这种方法高度依赖车道线,在开通时间超过5年的高速公路上,车道线痕迹已经很不明显,车道线不完整。再有就是计算机视觉对光线异常敏感,夜晚、阴雨雪雾天都无法正确识别出车道线,道路积水积雪情况下也无法识别出车道线。加之视觉系统的有效距离特别短,通常130万像素的摄像头,要达到误差低于5%的效果,其有效距离只有大约50-60米,然而一般弯道半径远超过60米,这导致不能正确识别车道线。并且视觉系统是纯平面2D的,无法识别出道路的高度变化,对距离的估算精度很低,这是视觉系统的物理局限,通过任何方式都无法提高视觉系统对距离估算的精度。可见,计算机视觉系统的可靠性非常低,实用性差。另一种是利用自车的摄像头或激光雷达提取前车的转弯特征来计算道路曲率,这种方法精度很低,且必须有前车才能获得曲率数据。
鉴于现有技术中计算道路曲率来控制汽车驾驶的方法所存在的缺陷,有必要提供一种不受光线影响、可靠性高的汽车控制方法。
发明内容
针对现有技术的上述问题,本发明的目的在于提供一种车辆智能驾驶控制方法,通过激光雷达采集数据并计算前方道路的曲率,再用曲率来控制车辆横向运动,其具有可靠性高、能够提高驾车舒适性的优点。
本发明提供一种车辆智能驾驶控制方法,所述方法包括:
车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息;
根据所述反射点信息确定道路边界;
根据所述反射点信息或道路边界确定车道线;
根据所述道路边界和车道线拟合车道中心线,获得车道中心线的曲率;
根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角。
优选地,所述利用激光雷达获取前方道路环境的反射点信息包括:
利用设置在车辆上的激光雷达向车辆前方发射探测信号;
接收由车辆前方道路环境对探测信号的回波信号;
分析所述回波信号,得到反射点信息,所述反射点信息包括反射点的坐标和反射强度值。
优选地,所述根据所述反射点信息确定道路边界包括:
判断反射点是否位于道路边界;
将位于道路边界的反射点进行聚合,根据聚合后的图像拟合出道路边界。
优选地,所述判断反射点是否位于道路边界包括:
获取两个连续的反射点的坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1);
根据坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1)计算两个反射点的斜率Sslope以及两个反射点之间的高度差值Gi
判断所述斜率Sslope是否大于预设的斜率阈值ST
如果所述斜率Sslope大于预设的斜率阈值ST,则判断所述高度差值Gi是否大于最小高度阈值Gmin且小于最大高度阈值Gmax
如果所述高度差值Gi大于最小高度阈值Gmin且小于最大高度阈值Gmax,则判定两个连续的反射点位于道路边界;
如果所述斜率Sslope不大于预设的斜率阈值ST、所述高度差值Gi小于最小高度阈值Gmin或者所述高度差值Gi大于最大高度阈值Gmax,则判定两个连续的点不位于道路边界。
优选地,所述判断反射点是否位于道路边界包括:
获取反射点的反射强度值;
根据道路边界材质与第一反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第一反射强度范围内;
如果所述反射点的反射强度值落入所述第一反射强度范围内,则判定所述反射点位于道路边界;
如果所述反射点的反射强度值未落入所述第一反射强度范围内,则判定所述反射点不位于道路边界。
优选地,所述根据所述反射点信息或道路边界确定车道线包括:
判断反射点是否位于车道线;
将位于车道线的反射点进行聚合,根据聚合后的图像拟合出车道线。
其中,判断反射点是否位于车道线包括:
获取反射点的反射强度值;
根据车道线材质与第二反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第二反射强度范围内;
如果所述反射点的反射强度值落入所述第二反射强度范围内,则判定所述反射点位于车道线;
如果所述反射点的反射强度值未落入所述第二反射强度范围内,则判定所述反射点不位于车道线。
优选地,所述根据所述反射点信息或道路边界确定车道线包括:
根据反射点信息确定道路路沿;
根据车道宽度和道路路沿确定车道线;
其中,所述道路路沿包括相对的两条路沿,所述根据车道宽度和道路路沿确定车道线包括:
计算两条路沿之间的路沿距离;
计算路沿距离与车道宽度之间的宽度差值;
沿路沿虚拟出两条车道线,所述车道线位于两条路沿之间,每条车道线与邻近路沿之间的距离为所述宽度差值的一半。
优选地,所述根据所述道路边界和车道线拟合车道中心线包括:
在两侧车道线都确定的路段,将两侧车道线之间的中心线作为该路段的车道中心线;
在两侧道路边界均确定且任意一侧车道线不确定的路段,将两侧道路边界之间的中心线作为该路段的车道中心线;
在一侧车道线确定但道路边界不确定、另一侧道路边界确定但车道线不确定的路段,将车道线与道路边界之间的中心线作为该路段的车道中心线。
优选地,所述获得车道中心线的曲率包括:
获取车辆的当前位置坐标(xA,yA);
根据预设的预瞄距离和当前位置坐标(xA,yA),确定预瞄点坐标(xB,yB);
按照公式计算获得车道中心线的曲率。
优选地,所述根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角包括:
按照公式计算获得方向盘的转角控制量,公式中:I为车辆转动系统比,K为车辆不足转向系数,L为车辆轴距,δ0为方向盘零位偏移角度,kp为调节动态性能的增益系数,v为速度。
由于上述技术方案,本发明具有如下有益效果:
本发明在车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息,通过分析反射点信息来确定道路边界和车道线,进一步基于道路边界和车道线拟合出车道中心线,并计算车道中心线的曲率,最后根据车道中心线的曲率计算得到使车辆沿所述车道中心线行驶所需调整的方向盘转角控制量。通过激光雷达采集数据并计算前方道路的曲率,再用曲率来控制车辆横向运动,其具有可靠性高、能够提高驾车舒适性的优点,特别适合高速公路的全自动驾驶,还可以增强现有的自适应巡航系统。
附图说明
为了更清楚地说明本发明的技术方案,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的介绍。显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1是本发明实施例提供的一种车辆智能驾驶控制方法的流程图;
图2是本发明实施例提供的判断反射点是否位于道路边界的方法流程;
图3是本发明实施例提供的判断反射点是否位于道路边界的方法流程;
图4是本发明实施例提供的根据所述反射点信息或道路边界确定车道线的方法流程图;
图5是本发明实施例提供的判断反射点是否位于车道线的方法流程图;
图6是本发明实施例提供的根据所述反射点信息或道路边界确定车道线的方法流程图;
图7是本发明实施例提供的根据车道宽度和道路路沿确定车道线的方法流程图;
图8是本发明实施例提供的道路边界的示意图;
图9是本发明实施例提供的车道线回波强度值投影图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含。
本发明提供一种车辆智能驾驶控制方法,所述方法包括:
S101:车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息。
具体的,利用设置在车辆上的激光雷达向车辆前方发射探测信号;接收由车辆前方道路环境对探测信号的回波信号;分析所述回波信号,得到反射点信息,所述反射点信息包括反射点的坐标和反射强度值。
S102:根据所述反射点信息确定道路边界。
具体的,所述根据所述反射点信息确定道路边界包括:判断反射点是否位于道路边界;将位于道路边界的反射点进行聚合,根据聚合后的图像拟合出道路边界。
其中,判断反射点是否位于道路边界包括以下两种方法。
方法一:
S201:获取两个连续的反射点的坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1);
S202:根据坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1)计算两个反射点的斜率Sslope以及两个反射点之间的高度差值Gi
S203:判断所述斜率Sslope是否大于预设的斜率阈值ST
S204:如果所述斜率Sslope大于预设的斜率阈值ST,则判断所述高度差值Gi是否大于最小高度阈值Gmin且小于最大高度阈值Gmax
S205:如果所述高度差值Gi大于最小高度阈值Gmin且小于最大高度阈值Gmax,则判定两个连续的反射点位于道路边界;
S206:如果所述斜率Sslope不大于预设的斜率阈值ST、所述高度差值Gi小于最小高度阈值Gmin或者所述高度差值Gi大于最大高度阈值Gmax,则判定两个连续的点不位于道路边界。
具体而言,可以采用点云密度与高度滤波器的方法来判断反射点是否位于道路边界,即采用公式(1)来对反射点进行处理。
公式(1)中,Sslope是连续两个反射点的斜率,ST是自适应斜率阈值,Gi是两个连续的反射点之间的高度差值,Gmin是最小高度阈值,Gmax是最大高度阈值。
其中,连续两个反射点的斜率Sslope可以通过公式(2)计算得到。
此外,中国的高速公路都是封闭式的,路两边都有波形防撞护栏,而外侧护栏安装高度最低为60厘米,最高为75厘米。防护栏的高度有两种规格,一种是31厘米,一种是51厘米。内侧分割对向车道的护栏高度最低为55厘米,最高为120厘米,这是高速公路设计时的固定值。鉴于此,本发明中最小高度阈值Gmin为31厘米,最大高度阈值Gmax为120厘米。
将通过公式(1)-(2)计算所得的点标定在图像上,如附图8所示。
方法二:
本方法利用激光雷达的强度反射值来识别护栏,护栏都是用热镀锌喷塑材质制成,其对激光雷达的强度反射值是个固定值,与道路周边的路面、土石、树木差别很大,因而可以根据强度反射值来识别护栏。具体包括如下步骤:
S301:获取反射点的反射强度值;
S302:根据道路边界材质与第一反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第一反射强度范围内;
S303:如果所述反射点的反射强度值落入所述第一反射强度范围内,则判定所述反射点位于道路边界;
S304:如果所述反射点的反射强度值未落入所述第一反射强度范围内,则判定所述反射点不位于道路边界。
根据反射强度值做的车道线检测,参见表1,由于不同环境介质对应的回波强度值不同,在车载激光雷达获取的道路周围环境点云数中,可以轻松区分出道路与车道线。
表1:
S103:根据所述反射点信息或道路边界确定车道线。
早期激光雷达检测车道线是基于雷达扫描点密度的车道线检测方法,该方法通过获取雷达扫描点的坐标并转换成栅格图,用原始数据映射栅格图,可以是直接坐标栅格图也可以是极坐标栅格图,按照后期处理需要进行选择,极坐标栅格图被直接用于车道线识别,即有多个点映射的栅格就被认为是车道线点,该识别方法对特征提取的要求很高,且受距离影响严重,因为极坐标栅格距离越近栅格精度越高,车道线识别的精度越高,距离越远栅格精度越低导致识别车道线的精度就越低然后利用栅格图中点的密度提取车道线。对于点密度的求取可以采用直方图统计的方式,通过直方图统计点密度快捷直观,容易理解。由于基于扫描点密度的检测方法没有很复杂的中间过程,所以实时性高,在快速检测中受到大家的青睐,但是该方法只获取了扫描点的位置信息,对于雷达反馈的其他信息都没有进一步分析,容易把一些与车道线扫描点密度类似的道路信息混进车道线检测结果中;或者在车道线与其他障碍物靠近或重合时,无法区分出障碍物和车道线,他们只能被当作一个整体保留或剔除,所以此方法的抗干扰能力差,容易出现误检。这种方法目前已经不常使用。
目前激光雷达检测车道线主要有四种方法,一是根据激光雷达回波宽度。二是根据激光雷达反射强度信息形成的灰度图,或者根据强度信息与高程信息配合,过滤出无效信息。三是激光雷达SLAM与高精度地图配合,不仅检测车道线还进行自车定位。四是利用激光雷达能够获取路沿高度信息或物理反射信息不同的特性,先检测出路沿,因为道路宽度是已知,根据距离再推算出车道线位置。
具体到车载激光雷达获取的道路周围环境三维点云数据中,可以看作一个局部均值变点模型,每一激光层采集的道路内回波强度值就是一组输出序列,其回波强度值变化的点就是所要求的车道标线点集(现在只须在每一激光层采集的可行驶区域内回波强度值输出序列中检测是否有变化点,若存在则标记并提取这些变点),再基于车载雷达获取的智能车感兴趣区域内海量点云数据中的T坐标值有一定高程特点进行滤波,确定可行驶区域,进而剔除与车道标线回波强度值相近的障碍物,图9所示为简单滤波后粗提取的车道线回波强度值投影图。
具体的,所述根据所述反射点信息或道路边界确定车道线可以采用以下任一一种方法实现。
方法一:
S401:判断反射点是否位于车道线;
S402:将位于车道线的反射点进行聚合,根据聚合后的图像拟合出车道线。
其中,判断反射点是否位于车道线包括:
S4011:获取反射点的反射强度值;
S4012:根据车道线材质与第二反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第二反射强度范围内;
S4013:如果所述反射点的反射强度值落入所述第二反射强度范围内,则判定所述反射点位于车道线;
S4014:如果所述反射点的反射强度值未落入所述第二反射强度范围内,则判定所述反射点不位于车道线。
方法二:
S601:根据反射点信息确定道路路沿;
S602:根据车道宽度和道路路沿确定车道线;
其中,所述道路路沿包括相对的两条路沿,所述根据车道宽度和道路路沿确定车道线包括:
S6021:计算两条路沿之间的路沿距离;
S6022:计算路沿距离与车道宽度之间的宽度差值;
S6023:沿路沿虚拟出两条车道线,所述车道线位于两条路沿之间,每条车道线与邻近路沿之间的距离为所述宽度差值的一半。
S104:根据所述道路边界和车道线拟合车道中心线,获得车道中心线的曲率。
由于车载激光雷达获取的道路周围环境点云数据是分层存储的,不同激光层获取的道路周围环境点云数据相邻两点间距与到雷达坐标系原点的距离有关,距离越远间距越大,考虑到安装在正常行驶上的激光雷达获取的车道标线曲率变较小,所以利用基于车道标线方向的EM最大期望聚类算法对粗提取车道标线点云数据进行聚类,通过在聚类过程中估计车道标线方向来对粗提取的车道标线点云数据集进行分类去噪。然后再利用最小二乘法进行车道线拟合。
具体的,拟合车道中心线包括如下三种情况:
(1)在两侧车道线都确定的路段,将两侧车道线之间的中心线作为该路段的车道中心线。
(2)在两侧道路边界均确定且任意一侧车道线不确定的路段,将两侧道路边界之间的中心线作为该路段的车道中心线。
(3)在一侧车道线确定但道路边界不确定、另一侧道路边界确定但车道线不确定的路段,将车道线与道路边界之间的中心线作为该路段的车道中心线。
计算车道中心线的曲率具体包括:
获取车辆的当前位置坐标(xA,yA);
根据预设的预瞄距离和当前位置坐标(xA,yA),确定预瞄点坐标(xB,yB);
按照公式计算获得车道中心线的曲率。
有了道路边界和车道线,激光雷达可以准确测得车道的宽度,容易获得车道中心线的虚拟位置,一般来说道路中心线是车辆行驶最安全最舒适的轨迹。然后将激光雷达的坐标系转换到车辆的坐标系,以GPS-INS坐标为原点为车辆坐标系的原点,X轴沿车身中线指向前方,Y轴为车身左侧。采用预瞄跟随理论,设定预瞄距离,预瞄距离优选为30米,预瞄距离设置太短会加重运算系统负担,设置太长则不能及时转弯,同时也要考虑激光雷达的有效距离,一般16线以上激光雷达有效距离为100-200米,在雨雪雾天,激光雷达的有效距离会缩短,因此最终设定为30米。
本发明通过车道线和道路边界组合来拟合得到车道中心线,即使在检测信息不完整的情况下,也能够拟合出车道中心线,且根据车道线和道路边界拟合出的车道中心线能够确保车辆在道路中央位置行驶,能够提高驾驶安全性。
S105:根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角。
具体的,可以按照公式计算获得方向盘的转角控制量,公式中:I为车辆转动系统比,K为车辆不足转向系数,L为车辆轴距,δ0为方向盘零位偏移角度,kp为调节动态性能的增益系数,v为速度。
之后,按照所述方向盘转角自动控制车辆的方向盘,使车辆自动适应路段状况行驶,实现车辆的智能控制。
本发明在车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息,通过分析反射点信息来确定道路边界和车道线,进一步基于道路边界和车道线拟合出车道中心线,并计算车道中心线的曲率,最后根据车道中心线的曲率计算得到使车辆沿所述车道中心线行驶所需调整的方向盘转角控制量。通过激光雷达采集数据并计算前方道路的曲率,再用曲率来控制车辆横向运动,其具有可靠性高、能够提高驾车舒适性的优点,特别适合高速公路的全自动驾驶,还可以增强现有的自适应巡航系统。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种车辆智能驾驶控制方法,其特征在于,所述方法包括:
车辆行驶过程中,利用激光雷达获取前方道路环境的反射点信息;
根据所述反射点信息确定道路边界;
根据所述反射点信息或道路边界确定车道线;
根据所述道路边界和车道线拟合车道中心线,获得车道中心线的曲率;
根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角;
其中,所述根据所述反射点信息确定道路边界包括:
判断反射点是否位于道路边界;
将位于道路边界的反射点进行聚合,根据聚合后的图像拟合出道路边界;
所述判断反射点是否位于道路边界包括:
获取两个连续的反射点的坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1);
根据坐标(Xi,Yi,Zi)和(Xi+1,Yi+1,Zi+1)计算两个反射点的斜率Sslope以及两个反射点之间的高度差值Gi
判断所述斜率Sslope是否大于预设的斜率阈值ST
如果所述斜率Sslope大于预设的斜率阈值ST,则判断所述高度差值Gi是否大于最小高度阈值Gmin且小于最大高度阈值Gmax
如果所述高度差值Gi大于最小高度阈值Gmin且小于最大高度阈值Gmax,则判定两个连续的反射点位于道路边界;
如果所述斜率Sslope不大于预设的斜率阈值ST、所述高度差值Gi小于最小高度阈值Gmin或者所述高度差值Gi大于最大高度阈值Gmax,则判定两个连续的点不位于道路边界。
2.根据权利要求1所述的方法,其特征在于,所述利用激光雷达获取前方道路环境的反射点信息包括:
利用设置在车辆上的激光雷达向车辆前方发射探测信号;
接收由车辆前方道路环境对探测信号的回波信号;
分析所述回波信号,得到反射点信息,所述反射点信息包括反射点的坐标和反射强度值。
3.根据权利要求1所述的方法,其特征在于,所述判断反射点是否位于道路边界包括:
获取反射点的反射强度值;
根据道路边界材质与第一反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第一反射强度范围内;
如果所述反射点的反射强度值落入所述第一反射强度范围内,则判定所述反射点位于道路边界;
如果所述反射点的反射强度值未落入所述第一反射强度范围内,则判定所述反射点不位于道路边界。
4.根据权利要求1所述的方法,其特征在于,所述根据所述反射点信息或道路边界确定车道线包括:
判断反射点是否位于车道线;
将位于车道线的反射点进行聚合,根据聚合后的图像拟合出车道线;
其中,判断反射点是否位于车道线包括:
获取反射点的反射强度值;
根据车道线材质与第二反射强度范围的对应关系,判断所述反射点的反射强度值是否落入所述第二反射强度范围内;
如果所述反射点的反射强度值落入所述第二反射强度范围内,则判定所述反射点位于车道线;
如果所述反射点的反射强度值未落入所述第二反射强度范围内,则判定所述反射点不位于车道线。
5.根据权利要求1所述的方法,其特征在于,所述根据所述反射点信息或道路边界确定车道线包括:
根据反射点信息确定道路路沿;
根据车道宽度和道路路沿确定车道线;
其中,所述道路路沿包括相对的两条路沿,所述根据车道宽度和道路路沿确定车道线包括:
计算两条路沿之间的路沿距离;
计算路沿距离与车道宽度之间的宽度差值;
沿路沿虚拟出两条车道线,所述车道线位于两条路沿之间,每条车道线与邻近路沿之间的距离为所述宽度差值的一半。
6.根据权利要求1所述的方法,其特征在于,所述根据所述道路边界和车道线拟合车道中心线包括:
在两侧车道线都确定的路段,将两侧车道线之间的中心线作为该路段的车道中心线;
在两侧道路边界均确定且任意一侧车道线不确定的路段,将两侧道路边界之间的中心线作为该路段的车道中心线;
在一侧车道线确定但道路边界不确定、另一侧道路边界确定但车道线不确定的路段,将车道线与道路边界之间的中心线作为该路段的车道中心线。
7.根据权利要求6所述的方法,其特征在于,所述获得车道中心线的曲率包括:
获取车辆的当前位置坐标(xA,yA);
根据预设的预瞄距离和当前位置坐标(xA,yA),确定预瞄点坐标(xB,yB);
按照公式计算获得车道中心线的曲率。
8.根据权利要求6所述的方法,其特征在于,所述根据所述车道中心线的曲率计算使车辆沿所述车道中心线行驶所需调整的方向盘转角包括:
按照公式计算获得方向盘的转角控制量,公式中:I为车辆转动系统比,K为车辆不足转向系数,L为车辆轴距,δ0为方向盘零位偏移角度,kp为调节动态性能的增益系数,v为速度。
CN201810323292.0A 2018-04-12 2018-04-12 一种车辆智能驾驶控制方法 Active CN109017780B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810323292.0A CN109017780B (zh) 2018-04-12 2018-04-12 一种车辆智能驾驶控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810323292.0A CN109017780B (zh) 2018-04-12 2018-04-12 一种车辆智能驾驶控制方法

Publications (2)

Publication Number Publication Date
CN109017780A CN109017780A (zh) 2018-12-18
CN109017780B true CN109017780B (zh) 2020-05-05

Family

ID=64629482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810323292.0A Active CN109017780B (zh) 2018-04-12 2018-04-12 一种车辆智能驾驶控制方法

Country Status (1)

Country Link
CN (1) CN109017780B (zh)

Families Citing this family (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109606467A (zh) * 2018-12-29 2019-04-12 百度在线网络技术(北京)有限公司 一种车辆转向方法和车辆
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN109733411B (zh) * 2019-02-20 2020-10-13 苏州风图智能科技有限公司 一种车速控制方法和装置
CN109835337B (zh) * 2019-02-27 2021-02-19 北京海纳川汽车部件股份有限公司 转弯控制方法、装置及自动驾驶车辆
CN111660928A (zh) * 2019-03-06 2020-09-15 杭州海康威视数字技术股份有限公司 车道偏离预警方法、装置和电子设备
CN109991018A (zh) * 2019-05-05 2019-07-09 中国汽车工程研究院股份有限公司 一种驾驶员多传感器耦合自动驾驶车辆公开道路测试方法
CN110244696A (zh) * 2019-06-24 2019-09-17 北京经纬恒润科技有限公司 车身横向控制方法及电子控制单元ecu
CN110481547A (zh) * 2019-08-28 2019-11-22 宜宾凯翼汽车有限公司 一种汽车巡航控制方法和系统
CN110588778B (zh) * 2019-09-02 2020-11-10 广州小鹏汽车科技有限公司 一种车辆方向盘转角的调整方法及系统、车辆
CN111361545B (zh) * 2019-09-30 2021-04-20 北汽福田汽车股份有限公司 方向盘转动控制方法、装置及车辆
CN111086504B (zh) * 2019-12-30 2021-06-18 北汽福田汽车股份有限公司 方向盘控制方法、装置及车辆
CN113409583A (zh) * 2020-03-16 2021-09-17 华为技术有限公司 一种车道线信息确定方法及装置
CN111661061A (zh) * 2020-06-18 2020-09-15 东软睿驰汽车技术(沈阳)有限公司 一种车辆行驶意图识别方法及装置
CN112543938A (zh) * 2020-09-29 2021-03-23 华为技术有限公司 占据栅格地图的生成方法和装置
CN112278071A (zh) * 2020-10-13 2021-01-29 广州汽车集团股份有限公司 方向盘角度标定装置及方法
CN112455534A (zh) * 2020-12-03 2021-03-09 北京车和家信息技术有限公司 一种车辆的零位角度调整方法及装置、车载系统及车辆

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9091558B2 (en) * 2013-12-23 2015-07-28 Automotive Research & Testing Center Autonomous driver assistance system and autonomous driving method thereof
CN105922991B (zh) * 2016-05-27 2018-08-17 广州大学 基于生成虚拟车道线的车道偏离预警方法及系统
CN106127113A (zh) * 2016-06-15 2016-11-16 北京联合大学 一种基于三维激光雷达的道路车道线检测方法
MX2019000488A (es) * 2016-07-12 2019-03-28 Nissan Motor DISPLACEMENT CONTROL METHOD AND DISPLACEMENT CONTROL DEVICE.
CN107121980B (zh) * 2017-03-17 2019-07-09 北京理工大学 一种基于虚拟约束的自动驾驶车辆路径规划方法

Also Published As

Publication number Publication date
CN109017780A (zh) 2018-12-18

Similar Documents

Publication Publication Date Title
CN109017780B (zh) 一种车辆智能驾驶控制方法
US9435885B2 (en) Road-terrain detection method and system for driver assistance systems
US8670592B2 (en) Clear path detection using segmentation-based method
US10776634B2 (en) Method for determining the course of the road for a motor vehicle
US9037403B2 (en) Intensity map-based localization with adaptive thresholding
US8751154B2 (en) Enhanced clear path detection in the presence of traffic infrastructure indicator
US8605947B2 (en) Method for detecting a clear path of travel for a vehicle enhanced by object detection
US8611585B2 (en) Clear path detection using patch approach
CN107389084B (zh) 行车路径规划方法及存储介质
CN102270301B (zh) 一种svm与激光雷达结合检测非结构化道路边界的方法
US20100098295A1 (en) Clear path detection through road modeling
CN105922991A (zh) 基于生成虚拟车道线的车道偏离预警方法及系统
US10239539B2 (en) Vehicle travel control method and vehicle travel control device
DE102011082379A1 (de) Verfahren zum Erfassen von Navigationsdaten
US10705530B2 (en) Vehicle travel control method and vehicle travel control device
CN105205805A (zh) 基于视觉的智能车辆横向控制方法
EP3555800A1 (en) Road detection using traffic sign information
CN105654073A (zh) 一种基于视觉检测的速度自动控制方法
Kim et al. Detection and tracking of road barrier based on radar and vision sensor fusion
CN202911633U (zh) 基于多信息融合的混合动力车车道标识线动态检测装置
Kühnl et al. Visual ego-vehicle lane assignment using spatial ray features
Wei et al. Research on lane detection and tracking algorithm based on improved hough transform
KR20180075985A (ko) 주행환경 감응형 자율 조향 예측 장치 및 그 방법
Wang et al. Road edge detection in all weather and illumination via driving video mining
CN109815836A (zh) 一种城市道路路面导向箭头检测识别方法

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