CN109285202B - 汽车轨迹规划方法及系统 - Google Patents
汽车轨迹规划方法及系统 Download PDFInfo
- Publication number
- CN109285202B CN109285202B CN201811057105.5A CN201811057105A CN109285202B CN 109285202 B CN109285202 B CN 109285202B CN 201811057105 A CN201811057105 A CN 201811057105A CN 109285202 B CN109285202 B CN 109285202B
- Authority
- CN
- China
- Prior art keywords
- edge
- image
- track
- pixel
- radian
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种汽车轨迹规划方法及系统,方法包括:获取当前道路图像,并对当前道路图像进行边沿点提取,以得到道路边沿图像;分别获取道路边沿图像中每个边沿点的边沿坐标,并根据边沿坐标以绘制轨迹路线,边沿坐标包括边沿上坐标和边沿下坐标;根据预设分割距离对道路图像进行分割,以得到多个分割图像,并分别判断分割图像是否满足优化条件;当判断到分割图像满足优化条件时,对轨迹路线进行优化处理,以得到优化路线。本发明通过当前道路图像中边沿点的提取,提高了后续轨迹路线规划的精准度,通过道路图像的分割处理,提高了分割图像中优化条件判断的判断效率,进而提高了汽车轨迹规划方法的规划效率。
Description
技术领域
本发明涉及汽车技术领域,特别涉及一种汽车轨迹规划方法及系统。
背景技术
目前,近年来,互联网技术的迅速发展给汽车制造工业带来了革命性变化的机会。与此同时,汽车智能化技术正逐步得到广泛应用,这项技术简化了汽车的驾驶操作并提高了行驶安全性。而其中最典型也是最热门的未来应用就是无人驾驶汽车。在人工智能技术的加持下,无人驾驶高速发展,正在改变人类的出行方式,进而会大规模改变相关行业格局。
然而现有的无人驾驶汽车使用过程中,汽车轨迹的规划精准度较低,进而降低了无人驾驶汽车的安全性能,降低了用户体验。
发明内容
基于此,本发明提供一种汽车轨迹规划方法及系统,用于解决现有技术中汽车轨迹的规划精准度低的问题。
第一方面,本发明提供了一种汽车轨迹规划方法,所述方法包括:
获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线。
上述汽车轨迹规划方法,通过所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率,且通过对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
进一步地,所述对所述当前道路图像进行边沿点提取的步骤包括:
分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
判断所述像素差值是否大于预设差值;
若是,则对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
进一步地,所述对所述当前道路图像进行边沿点提取的步骤包括:
对所述道路图像进行数据转换处理,以得到二维数据矩阵,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;
若是,则对所述元素对应的所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
进一步地,所述根据所述边沿坐标以绘制轨迹路线的步骤包括:
获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点;
将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线。
进一步地,所述分别判断所述分割图像是否满足优化条件的步骤包括:
分别计算所述分割图像中所述边沿点所形成的边沿轨迹的轨迹弧度;
判断所述轨迹弧度是否大于弧度阈值;
若是,则判定所述分割图像满足所述优化条件;
若否,则判定所述分割图像未满足所述优化条件。
进一步地,所述对所述轨迹路线进行优化处理的步骤包括:
计算所述轨迹弧度与所述弧度阈值之间的弧度差值;
将所述弧度差值与本地预存储的偏离表进行匹配,以得到偏离弧度,并根据所述偏离弧度对所述轨迹路线进行弧度偏离,以得到所述优化路线。
第二方面,本发明提供了一种汽车轨迹规划系统,包括:
第一获取模块,用于获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
第二获取模块,用于分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
第一判断模块,用于根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
优化模块,用于当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线。
上述汽车轨迹规划系统,通过所述第一获取模块对所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过所述第一判断模块对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划系统的规划效率,且通过所述第一判断模块对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
进一步地,所述第一获取模块包括:
第一获取单元,用于分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
第一计算单元,用于判断所述像素差值是否大于预设差值;若是,则对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
进一步地,所述第一获取模块还包括:
图像转换单元,用于对所述道路图像进行数据转换处理,以得到二维数据矩阵,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
第二判断单元,用于分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;若是,则对所述元素对应的所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
进一步地,所述第二获取模块包括:
第二获取单元,用于获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
第二计算单元,用于计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点,并将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线。
附图说明
图1为本发明第一实施例提供的汽车轨迹规划方法的流程图;
图2为本发明第二实施例提供的汽车轨迹规划方法的流程图;
图3为图2中步骤S61的具体实施步骤的流程图;
图4为图2中步骤S71的具体实施步骤的流程图;
图5为本发明第三实施例提供的汽车轨迹规划方法的流程图;
图6为本发明第四实施例提供的汽车轨迹规划系统的结构示意图;
图7为本发明第五实施例提供的汽车轨迹规划系统的结构示意图;
具体实施方式
为了便于更好地理解本发明,下面将结合相关实施例附图对本发明进行进一步地解释。附图中给出了本发明的实施例,但本发明并不仅限于上述的优选实施例。相反,提供这些实施例的目的是为了使本发明的公开面更加得充分。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
请参阅图1,为本发明第一实施例提供的汽车轨迹规划方法的流程图,包括步骤S10至S50。
步骤S10,获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
其中,所述当前道路图像的获取可以采用摄像头的方式进行拍摄获取,优选的,本实施例中实时进行汽车轨迹的规划,因此,该摄像头实时的进行当前道路图像的拍摄,优选的,该摄像头采用COMS摄像头;
具体的,该步骤中通过所述边沿点的提取设计,以达到对所述当前道路图像的图像分析效果,以得到所述道路边沿图像,所述道路边沿图像用于显示当前路况中道路区域与道路边沿的分界线,进而方便了后续汽车轨迹的规划,为后续汽车轨迹的规划提供了良好的背景画面;
步骤S20,分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线;
其中,所述边沿坐标包括边沿上坐标和边沿下坐标,所述边沿上坐标对应的坐标点所连接而成的线路为道路左侧的边沿线,可以理解的,所述边沿下坐标对应的坐标点所连接而成的线路为道路右侧的边沿线,且该步骤中所述轨迹路线的绘制可以采用中心点中值计算的方式进行绘制,及通过计算道路左右两侧的边沿线的中心线,以得到所述轨迹路线;
优选的,本实施例中,当只有单边有边沿点数据,则通过校正对单边数据按法线平移道路宽度一半的距离;当能找到与一边能匹配上的另一边沿点时则直接求其中心作为中心,推算完中心点后,对中心点进行均匀化,方便之后的控制;
步骤S30,根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
其中,由于当在汽车正常驾驶过程中,如果遇到需要右拐的情形时,需要增大转弯半径,以保证转弯的稳定性,因此,该步骤中通过对所述分割图像进行所述优化条件的判断,以判定当前是否需要增大对应轨迹的转弯半径,且该步骤中通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率;
当步骤S30判断到所述分割图像满足所述优化条件时,执行步骤S40。
步骤S40,对所述轨迹路线进行优化处理,以得到优化路线,并将所述优化路线发送至汽车终端;
其中,通过对所述轨迹路线进行优化处理,以对应增大轨迹的转弯半径,提高汽车的自动驾驶的安全性能,该步骤中可以采用增大轨迹的转弯弧度或延长转弯距离的方式,以进行所述轨迹路线的优化处理;
当步骤S30判断到所述分割图像均未满足所述优化条件时,执行步骤S50;
步骤S50,将所述轨迹路线发送至汽车终端。
本实施例中,通过所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率,且通过对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
请参阅图2,为本发明第二实施例提供的汽车轨迹规划方法的流程图,所述方法包括步骤S11至S81。
步骤S11,获取当前道路图像,分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
其中,所述当前道路图像的获取可以采用摄像头的方式进行拍摄获取,优选的,本实施例中实时进行汽车轨迹的规划,因此,该摄像头实时的进行当前道路图像的拍摄,优选的,该摄像头采用COMS摄像头;
步骤S21,判断所述像素差值是否大于预设差值;
其中,由于道路的颜色与道路边沿的颜色相差较大,因此,本实施例中通过采用计算像素值的方式以进行道路边沿的判定,以达到对所述当前道路图像的图像分析效果;
当步骤S21判断到所述像素差值大于所述预设差值时,执行步骤S31;
步骤S31,对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值,以得到道路边沿图像;
其中,所述道路边沿图像用于显示当前路况中道路区域与道路边沿的分界线,进而方便了后续汽车轨迹的规划,为后续汽车轨迹的规划提供了良好的背景画面;
具体的,该步骤中所述边沿标记的标记方式可以采用高亮标记、放大标记、删除标记或预设颜色标记的方式进行凸显,进而有效的提高了对应所述像素坐标值的提取效率,提高了所述汽车轨迹规划方法的规划效率;
步骤S41,分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
其中,所述边沿坐标包括边沿上坐标和边沿下坐标,所述边沿上坐标对应的坐标点所连接而成的线路为道路左侧的边沿线,可以理解的,所述边沿下坐标对应的坐标点所连接而成的线路为道路右侧的边沿线,且该步骤中所述轨迹路线的绘制采用中心点中值计算的方式进行绘制,及通过计算道路左右两侧的边沿线的中心线,以得到所述轨迹路线;
优选的,本实施例中,当只有单边有边沿点数据,则通过校正对单边数据按法线平移道路宽度一半的距离;当能找到与一边能匹配上的另一边沿点时则直接求其中心作为中心,推算完中心点后,对中心点进行均匀化,方便之后的控制;
步骤S51,计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点,并将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线;
步骤S61,根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
其中,由于当在汽车正常驾驶过程中,如果遇到需要右拐的情形时,需要增大转弯半径,以保证转弯的稳定性,因此,该步骤中通过对所述分割图像进行所述优化条件的判断,以判定当前是否需要增大对应轨迹的转弯半径,且该步骤中通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率;
请参阅图3,为图2中步骤S61的具体实施步骤的流程图:
步骤S610,分别计算所述分割图像中所述边沿点所形成的边沿轨迹的轨迹弧度;
步骤S611,判断所述轨迹弧度是否大于弧度阈值;
当步骤S6111判断到所述轨迹弧度大于所述弧度阈值时,执行步骤S612;
步骤S612,判定所述分割图像满足所述优化条件;
当步骤S6111判断到所述轨迹弧度未大于所述弧度阈值时,执行步骤S613;
步骤S613,判定所述分割图像未满足所述优化条件;
请继续参阅图2,当步骤S61判断到所述分割图像满足所述优化条件时,执行步骤S71。
步骤S71,对所述轨迹路线进行优化处理,以得到优化路线,并将所述优化路线发送至汽车终端;
其中,通过对所述轨迹路线进行优化处理,以对应增大轨迹的转弯半径,提高汽车的自动驾驶的安全性能,该步骤中可以采用增大轨迹的转弯弧度或延长转弯距离的方式,以进行所述轨迹路线的优化处理;
请参阅图4,为图2中步骤S71的具体实施步骤的流程图:
步骤S710,计算所述轨迹弧度与所述弧度阈值之间的弧度差值;
步骤S711,将所述弧度差值与本地预存储的偏离表进行匹配,以得到偏离弧度,并根据所述偏离弧度对所述轨迹路线进行弧度偏离,以得到所述优化路线;
请继续参阅图2,当步骤S61判断到所述分割图像均未满足所述优化条件时,执行步骤S81;
步骤S81,将所述轨迹路线发送至汽车终端。
本实施例中,通过所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率,且通过对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
请参阅图5,为本发明第三实施例提供的汽车轨迹规划方法的流程图,所述方法包括步骤S12至S82。
步骤S12,获取当前道路图像,对所述道路图像进行数据转换处理,以得到二维数据矩阵;
其中,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
步骤S22,分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;
当步骤S22判断到所述矩阵差值大于所述差值阈值,执行步骤S32;
步骤S32,对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值,以得到道路边沿图像;
步骤S42,分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
其中,所述边沿坐标包括边沿上坐标和边沿下坐标;
步骤S52,计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点,并将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线;
步骤S62,根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
当步骤S62判断到所述分割图像满足所述优化条件时,执行步骤S72。
步骤S72,对所述轨迹路线进行优化处理,以得到优化路线,并将所述优化路线发送至汽车终端;
当步骤S62判断到所述分割图像均未满足所述优化条件时,执行步骤S82;
步骤S82,将所述轨迹路线发送至汽车终端。
本实施例中,通过所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划方法的规划效率,且通过对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
请参阅图6,为本发明第四实施例提供的汽车轨迹规划系统100的结构示意图,包括:
第一获取模块10,用于获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
第二获取模块20,用于分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
第一判断模块30,用于根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
优化模块40,用于当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线。
具体的,所述第一获取模块10包括:
第一获取单元11,用于分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
第一计算单元12,用于判断所述像素差值是否大于预设差值;若是,则对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
进一步地,所述第一获取模块10还包括:
图像转换单元13,用于对所述道路图像进行数据转换处理,以得到二维数据矩阵,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
第二判断单元14,用于分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;若是,则对所述元素对应的所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
本实施例中,所述第二获取模块20包括:
第二获取单元21,用于获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
第二计算单元22,用于计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点,并将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线。
此外,所述第一判断模块30包括:
第三计算单元31,用于分别计算所述分割图像中所述边沿点所形成的边沿轨迹的轨迹弧度;
第三判断单元32,用于判断所述轨迹弧度是否大于弧度阈值;若是,则判定所述分割图像满足所述优化条件;若否,则判定所述分割图像未满足所述优化条件。
所述优化模块40包括:
第四计算单元41,用于计算所述轨迹弧度与所述弧度阈值之间的弧度差值;
优化单元42,用于将所述弧度差值与本地预存储的偏离表进行匹配,以得到偏离弧度,并根据所述偏离弧度对所述轨迹路线进行弧度偏离,以得到所述优化路线。
上述汽车轨迹规划系统100,通过所述第一获取模块10对所述当前道路图像中所述边沿点的提取,有效的提高了后续所述轨迹路线规划的精准度,通过所述第一判断模块30对所述道路图像的分割处理,有效的提高了所述分割图像中所述优化条件判断的判断效率,进而提高了所述汽车轨迹规划系统100的规划效率,且通过所述第一判断模块30对所述分割图像的所述优化条件的判断,以及时有效的判断是否要对所述轨迹路线进行优化,进而进一步的提高了汽车轨迹的规划的精准度。
本实施例还提供了一种存储介质,其上存储有计算机程序,该程序在执行时,包括如下步骤:
获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线。所述的存储介质,如:ROM/RAM、磁碟、光盘等。
请参阅图7,为本发明第五实施例提供的汽车轨迹规划系统的结构示意图:
本实施例中,利用激光扫描雷达、GPS定位为主的位置航向与视觉传感器等进行信息融合,来实现智能汽车控制系统的开发。这对于无人驾驶智能汽车的技术提供了一定的理论基础,在道路与障碍物的识别、检测中研究以多传感器技术的融合算法,为智能汽车轨迹规划的研究提供一种思路,对实现智能汽车在行驶过程中的安全稳定性提供可靠的理论保证。
所述汽车轨迹规划系统的总体工作模式为:基于GPS定位为主的位置航向等信息获取,基于此获取预计的路线信息和导航信息,并利用激光雷达对周边环境做出360度频率为5Hz的环境三维信息扫描来辅助避障与导航。另外,利用CMOS图像传感器拍摄道路图像,输出PAL制式信号,经过信号处理模块进行硬件二值化,采用LM1881进行视频同步分离,二值化图像信号、奇偶场信号、行同步信号输入到MK60N512VMD100微控制器,进行进一步处理获得主要的道路信息;通过光电编码器来检测车速,并采用MK60N512VMD100的输入捕捉功能进行脉冲计算获得速度和路程;转向舵机采用PD控制;驱动电机采用PID控制,通过PWM控制驱动电路调整电机的功率;而车速的目标值由默认值、运行安全方案和基于图像处理的优化策略进行综合控制。
上述实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,而不能以任何方式解释为本发明保护范围的限制。基于此处的解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其他具体实施方式,这些方式都将落入本发明的保护范围内。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
Claims (6)
1.一种汽车轨迹规划方法,其特征在于,所述方法包括:
获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线;
所述根据所述边沿坐标以绘制轨迹路线的步骤包括:
获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点;
将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线;
所述分别判断所述分割图像是否满足优化条件的步骤包括:
分别计算所述分割图像中所述边沿点所形成的边沿轨迹的轨迹弧度;
判断所述轨迹弧度是否大于弧度阈值;
若是,则判定所述分割图像满足所述优化条件;
若否,则判定所述分割图像未满足所述优化条件;
所述对所述轨迹路线进行优化处理的步骤包括:
计算所述轨迹弧度与所述弧度阈值之间的弧度差值;
将所述弧度差值与本地预存储的偏离表进行匹配,以得到偏离弧度,并根据所述偏离弧度对所述轨迹路线进行弧度偏离,以得到所述优化路线。
2.根据权利要求1所述的汽车轨迹规划方法,其特征在于,所述对所述当前道路图像进行边沿点提取的步骤包括:
分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
判断所述像素差值是否大于预设差值;
若是,则对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
3.根据权利要求1所述的汽车轨迹规划方法,其特征在于,所述对所述当前道路图像进行边沿点提取的步骤包括:
对所述道路图像进行数据转换处理,以得到二维数据矩阵,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;
若是,则对所述元素对应的所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
4.一种汽车轨迹规划系统,其特征在于,包括:
第一获取模块,用于获取当前道路图像,并对所述当前道路图像进行边沿点提取,以得到道路边沿图像;
第二获取模块,用于分别获取所述道路边沿图像中每个所述边沿点的边沿坐标,并根据所述边沿坐标以绘制轨迹路线,所述边沿坐标包括边沿上坐标和边沿下坐标;
第一判断模块,用于根据预设分割距离对所述道路图像进行分割,以得到多个分割图像,并分别判断所述分割图像是否满足优化条件;
优化模块,用于当判断到所述分割图像满足所述优化条件时,对所述轨迹路线进行优化处理,以得到优化路线;
所述第二获取模块包括:
第二获取单元,用于获取汽车的行驶方向,并根据所述行驶方向的垂直线以使将所述边沿上坐标和所述边沿下坐标分别形成对应关系;
第二计算单元,用于计算所述边沿上坐标与对应所述边沿下坐标之间的坐标平均值,以得到轨迹坐标点,并将相邻所述轨迹坐标点进行连接,以得到所述轨迹路线;
所述第一判断模块包括:
第三计算单元,用于分别计算所述分割图像中所述边沿点所形成的边沿轨迹的轨迹弧度;
第三判断单元,用于判断所述轨迹弧度是否大于弧度阈值;若是,则判定所述分割图像满足所述优化条件;若否,则判定所述分割图像未满足所述优化条件;
所述优化模块包括:
第四计算单元,用于计算所述轨迹弧度与所述弧度阈值之间的弧度差值;
优化单元,用于将所述弧度差值与本地预存储的偏离表进行匹配,以得到偏离弧度,并根据所述偏离弧度对所述轨迹路线进行弧度偏离,以得到所述优化路线。
5.根据权利要求4所述的汽车轨迹规划系统,其特征在于,所述第一获取模块包括:
第一获取单元,用于分别获取所述道路图像中每个像素点的像素值,并根据所述像素值计算相邻所述像素点之间的像素差值;
第一计算单元,用于判断所述像素差值是否大于预设差值;若是,则对对应所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
6.根据权利要求4所述的汽车轨迹规划系统,其特征在于,所述第一获取模块还包括:
图像转换单元,用于对所述道路图像进行数据转换处理,以得到二维数据矩阵,所述二维数据矩阵中的每个元素均对应所述当前道路图像中的一个像素点;
第二判断单元,用于分别获取相邻所述元素之间的矩阵差值,并判断所述矩阵差值是否大于差值阈值;若是,则对所述元素对应的所述像素点进行边沿标记,并提取被标记的所述像素点的像素坐标值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057105.5A CN109285202B (zh) | 2018-09-11 | 2018-09-11 | 汽车轨迹规划方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811057105.5A CN109285202B (zh) | 2018-09-11 | 2018-09-11 | 汽车轨迹规划方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109285202A CN109285202A (zh) | 2019-01-29 |
CN109285202B true CN109285202B (zh) | 2022-10-04 |
Family
ID=65180609
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811057105.5A Active CN109285202B (zh) | 2018-09-11 | 2018-09-11 | 汽车轨迹规划方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109285202B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114851786A (zh) * | 2022-04-28 | 2022-08-05 | 山东玲珑轮胎股份有限公司 | 一种智能轮胎偏磨预警方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04190283A (ja) * | 1990-11-24 | 1992-07-08 | Hitachi Ltd | 車両走行位置表示方法及び装置 |
CN103234542A (zh) * | 2013-04-12 | 2013-08-07 | 东南大学 | 基于视觉的汽车列车弯道行驶轨迹测量方法 |
CN105719483A (zh) * | 2016-01-15 | 2016-06-29 | 同济大学 | 一种视频与gps相结合的车辆行驶轨迹全样本数据获取方法 |
-
2018
- 2018-09-11 CN CN201811057105.5A patent/CN109285202B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04190283A (ja) * | 1990-11-24 | 1992-07-08 | Hitachi Ltd | 車両走行位置表示方法及び装置 |
CN103234542A (zh) * | 2013-04-12 | 2013-08-07 | 东南大学 | 基于视觉的汽车列车弯道行驶轨迹测量方法 |
CN105719483A (zh) * | 2016-01-15 | 2016-06-29 | 同济大学 | 一种视频与gps相结合的车辆行驶轨迹全样本数据获取方法 |
Non-Patent Citations (2)
Title |
---|
一种基于机器视觉的车辆轨迹测量方法;陈旭等;《光电工程》;20161215(第12期);全文 * |
越野环境下自主车辆导航地图自动创建方法研究;张小波等;《计算机应用研究》;20110315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109285202A (zh) | 2019-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110045729B (zh) | 一种车辆自动驾驶方法及装置 | |
US9435885B2 (en) | Road-terrain detection method and system for driver assistance systems | |
US9245188B2 (en) | Lane detection system and method | |
KR101968349B1 (ko) | 영상 정보를 이용한 차선 경계 검출 방법 | |
KR101647996B1 (ko) | 차량의 자동 주차 방법 및 시스템 | |
JP6129167B2 (ja) | カメラを用いた走行レーン認識の方法 | |
CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
CN108349533B (zh) | 用于确定用于停放机动车辆的停车区的方法、驾驶员辅助系统和机动车辆 | |
JP4901275B2 (ja) | 走行誘導障害物検出装置および車両用制御装置 | |
JP6354659B2 (ja) | 走行支援装置 | |
JP2014160322A (ja) | 車線境界線逸脱抑制装置 | |
JP6331811B2 (ja) | 信号機検出装置及び信号機検出方法 | |
JP2009040108A (ja) | 画像表示制御装置及び画像表示制御システム | |
CN110568861B (zh) | 一种人机运动障碍物监测方法、可读存储介质和无人机 | |
Amaradi et al. | Lane following and obstacle detection techniques in autonomous driving vehicles | |
WO2017159056A1 (ja) | 画像処理装置、撮像装置、移動体機器制御システム、画像処理方法、及びプログラム | |
JP2007264717A (ja) | 車線逸脱判定装置、車線逸脱防止装置および車線追従支援装置 | |
CN109285202B (zh) | 汽车轨迹规划方法及系统 | |
Rusli et al. | Vision-based vanishing point detection of autonomous navigation of mobile robot for outdoor applications | |
CN114495066A (zh) | 一种辅助倒车的方法 | |
CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
KR20140087622A (ko) | 촬영 영상의 휘도를 이용한 차선 추출 방법 | |
JP4997604B2 (ja) | 個人用移動車両運転支援装置 | |
CN113353071B (zh) | 一种基于深度学习的狭窄区域交汇车安全辅助方法和系统 | |
JP5452518B2 (ja) | 車両用白線認識装置 |
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 |