CN109635816A - 车道线生成方法、装置、设备以及存储介质 - Google Patents
车道线生成方法、装置、设备以及存储介质 Download PDFInfo
- Publication number
- CN109635816A CN109635816A CN201811291925.0A CN201811291925A CN109635816A CN 109635816 A CN109635816 A CN 109635816A CN 201811291925 A CN201811291925 A CN 201811291925A CN 109635816 A CN109635816 A CN 109635816A
- Authority
- CN
- China
- Prior art keywords
- lane line
- probability value
- trace information
- value
- lane
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供一种车道线生成方法、装置、设备以及存储介质,其中,该方法包括:获取道路的点云数据,并根据点云数据确定道路上的至少一条第一车道线;获取多个车辆的轨迹信息,根据多个车辆的轨迹信息确定至少一条第二车道线;获取每一条第一车道线的第一概率值,并获取每一条第二车道线的第二概率值;根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在路口区域上进行安全行驶。
Description
技术领域
本申请实施例涉及无人车技术领域,尤其涉及一种车道线生成方法、装置、设备以及存储介质。
背景技术
随着汽车技术的发展,无人车开始得到应用和发展。在无人车行驶的过程中,需要为无人车提供车道线的信息。
现有技术中,无人车可以采集道路上的车道线,无人车根据采集到的车道线进行行驶。
然而现有技术中,道路上的车道线因为遮挡、磨损等问题,会出现模糊不清楚、断线的问题,进而无人车无法采集到清晰的车道线,不能根据车道线进行行驶。
发明内容
本申请实施例提供一种车道线生成方法、装置、设备以及存储介质,用于解决上述方案中无人车无法采集到清晰的车道线,不能根据车道线进行行驶的问题。
本申请第一方面提供一种车道线生成方法,包括:
获取道路的点云数据,并根据所述点云数据确定所述道路上的第一车道线分布信息,其中,所述第一车道线分布信息包括至少一条第一车道线;
获取多个车辆的轨迹信息,根据所述多个车辆的轨迹信息确定第二车道线分布信息,其中,所述第二车道线分布信息包括至少一条第二车道线;
获取每一条所述第一车道线的第一概率值,并获取每一条所述第二车道线的第二概率值;
根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
进一步地,根据所述点云数据确定所述道路上的第一车道线分布信息,包括:
根据所述点云数据,生成反射值底图;
采用预设的分割模型对所述反射值底图进行处理,得到所述第一车道线分布信息。
进一步地,获取每一条所述第一车道线的第一概率值,包括:
获取所述预设的分割模型所输出的每一条第一车道线的置信度;
确定每一条第一车道线的置信度,为每一条所述第一车道线的第一概率值。
进一步地,获取每一条所述第二车道线的第二概率值,包括:
根据各所述第二车道线,生成一条拟合线;
计算每一条所述第二车道线与所述拟合线之间的夹角,并根据各所述夹角,生成夹角的标准差;
根据所述标准差和每一条所述第二车道线的夹角,确定每一条所述第二车道线的扩散值;
根据每一条所述第二车道线的扩散值,确定每一条所述第二车道线的第二概率值,其中,所述扩散值与所述第二概率值呈负相关的映射关系。
进一步地,获取每一条所述第二车道线的第二概率值,包括:
将每一条所述第二车道线,拆分为多个点;
对所述多个点进行奇异值分解SVD计算,得到每一条所述第二车道线的最大特征值和次大特征值;
将每一条所述第二车道线的最大特征值除以次大特征值,得到每一条所述第二车道线的比值;
根据每一条所述第二车道线的比值,确定每一条所述第二车道线的第二概率值,其中,所述比值与所述第二概率值呈正相关的映射关系。
进一步地,所述根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线,包括:
确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值;
若大于,则确定归属于同一位置区域的第一车道线,为同一位置区域上的最终的车道线;
若小于等于,则确定归属于同一位置区域的第二车道线,为同一位置区域上的最终的车道线。
进一步地,在所述根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线之后,还包括:
根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线。
进一步地,在所述根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线之前,还包括:
根据所述点云数据,生成反射值底图;
根据所述反射值底图,确定所述路口指示信息。
进一步地,所述获取多个车辆的轨迹信息,包括:
获取所述多个车辆中的每一个车辆的在每一个位置上的定位信息;
根据每一个车辆的在每一个位置上的定位信息,生成每一个车辆的轨迹信息。
进一步地,根据所述多个车辆的轨迹信息确定第二车道线分布信息,包括:
对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,其中,所述至少一个轨迹类别中的每一个轨迹类别包括至少一个车辆的轨迹信息;
对所述每一个轨迹类别中的各轨迹信息进行拟合处理,得到每一条轨迹类别对应的轨迹;
确定相邻轨迹之间的中间线,作为第二车道线。
进一步地,对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,包括:
对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息;对非路口区域的所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;
或者,对所述多个车辆的非路口区域的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息。
本申请第二方面提供一种车道线生成装置,包括:
第一获取单元,用于获取道路的点云数据;
第一确定单元,用于根据所述点云数据确定所述道路上的第一车道线分布信息,其中,所述第一车道线分布信息包括至少一条第一车道线;
第二获取单元,用于获取多个车辆的轨迹信息;
第二确定单元,用于根据所述多个车辆的轨迹信息确定第二车道线分布信息,其中,所述第二车道线分布信息包括至少一条第二车道线;
第三获取单元,用于获取每一条所述第一车道线的第一概率值;
第四获取单元,用于获取每一条所述第二车道线的第二概率值;
第三确定单元,用于根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
进一步地,所述第一确定单元,具体用于:
根据所述点云数据,生成反射值底图;
采用预设的分割模型对所述反射值底图进行处理,得到所述第一车道线分布信息。
进一步地,所述第三获取单元,包括:
获取模块,用于获取所述预设的分割模型所输出的每一条第一车道线的置信度;
第一确定模块,用于确定每一条第一车道线的置信度,为每一条所述第一车道线的第一概率值。
进一步地,所述第四获取单元,包括:
生成模块,用于根据各所述第二车道线,生成一条拟合线;
第一计算模块,用于计算每一条所述第二车道线与所述拟合线之间的夹角,并根据各所述夹角,生成夹角的标准差;
第二确定模块,用于根据所述标准差和每一条所述第二车道线的夹角,确定每一条所述第二车道线的扩散值;
第三确定模块,用于根据每一条所述第二车道线的扩散值,确定每一条所述第二车道线的第二概率值,其中,所述扩散值与所述第二概率值呈负相关的映射关系。
进一步地,所述第四获取单元,包括:
拆分模块,用于将每一条所述第二车道线,拆分为多个点;
第二计算模块,用于对所述多个点进行奇异值分解SVD计算,得到每一条所述第二车道线的最大特征值和次大特征值;
第三计算模块,用于将每一条所述第二车道线的最大特征值除以次大特征值,得到每一条所述第二车道线的比值;
第四确定模块,用于根据每一条所述第二车道线的比值,确定每一条所述第二车道线的第二概率值,其中,所述比值与所述第二概率值呈正相关的映射关系。
进一步地,所述第三确定单元,包括:
第五确定模块,用于确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值;
第六确定模块,用于若大于,则确定归属于同一位置区域的第一车道线,为同一位置区域上的最终的车道线;
第七确定模块,用于若小于等于,则确定归属于同一位置区域的第二车道线,为同一位置区域上的最终的车道线。
进一步地,所述装置,还包括:
过滤单元,用于所述第三确定单元根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线之后,根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线。
进一步地,所述装置,还包括:
生成单元,用于在所述过滤单元根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线之前,根据所述点云数据,生成反射值底图;
第四确定单元,用于根据所述反射值底图,确定所述路口指示信息。
进一步地,所述第二获取单元,具体用于:
获取所述多个车辆中的每一个车辆的在每一个位置上的定位信息;
根据每一个车辆的在每一个位置上的定位信息,生成每一个车辆的轨迹信息。
进一步地,所述第二确定单元,包括:
聚类模块,用于对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,其中,所述至少一个轨迹类别中的每一个轨迹类别包括至少一个车辆的轨迹信息;
拟合模块,用于对所述每一个轨迹类别中的各轨迹信息进行拟合处理,得到每一条轨迹类别对应的轨迹;
第八确定模块,用于确定相邻轨迹之间的中间线,作为第二车道线。
进一步地,所述聚类模块,具体用于:
对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息;对所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;
或者,对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息。
本申请第三方面提供一种控制设备,包括:发送器、接收器、存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现第一方面任一实现方式提供的车道线生成方法。
本申请第四方面提供一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现第一方面任一实现方式提供的车道线生成方法。
本申请实施例提供的车道线生成方法、装置、设备以及存储介质,通过获取道路的点云数据,并根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线;获取多个车辆的轨迹信息,根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线;获取每一条第一车道线的第一概率值,并获取每一条第二车道线的第二概率值;根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。通过点云数据确定出第一车道线分布信息,通过车辆的轨迹信息确定出第二车道线分布信息;根据第一车道线分布信息和第二车道线分布信息,将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线。并且,本实施例可以应用到变道区域上,计算变道区域上的车道线的最大似然位置,以得到最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在变道区域上进行安全行驶。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本申请实施例提供的一种车道线生成方法的流程图;
图2为本申请实施例提供的另一种车道线生成方法的流程图;
图3为本申请实施例提供的一种车道线生成装置的结构示意图;
图4为本申请实施例提供的另一种车道线生成装置的结构示意图;
图5为本申请实施例提供的一种控制设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请保护的范围。
现有技术中,无人车可以采集道路上的车道线,无人车根据采集到的车道线进行行驶。然而现有技术中,道路上的车道线因为遮挡、磨损等问题,会出现模糊不清楚、断线的问题,进而无人车无法采集到清晰的车道线,不能根据车道线进行行驶。例如,在变道区域上,道路上可能不会设置车道线,但是无人车在变道区域上行驶的时候,依然需要根据车道线进行行驶。然而无人车无法采集到变道区域上的车道线,进而导致无人车在变道区域上不能根据车道线进行行驶。
针对上述存在的问题,本申请提出一种车道线生成方法、装置、设备以及存储介质,可以自动生成清晰、连续的车道线;避免了道路上的车道线因为遮挡、磨损等问题导致的无人车无法采集到清晰的车道线,使得无人车可以根据车道线进行安全行驶。下面通过几个具体实施例对该方案进行详细说明。
图1为本申请实施例提供的一种车道线生成方法的流程图,如图1所示,该方案的执行主体为服务器、无人车的控制器、无人车自动驾驶系统的控制设备等等,该车道线生成方法,包括:
步骤101、获取道路的点云数据。
在本步骤中,具体的,本实施例以执行主体为无人车的控制器进行说明。
在无人车上设置了检测装置,检测装置可以为以下的任意一种:自动驾驶主系统的激光雷达传感器、独立的激光雷达传感器、超声波雷达、毫米波雷达。检测装置可以对无人车的周围环境进行检测,获取到无人车的周围环境的点云数据。该点云数据中包括了道路的点云数据。其中,点云数据为三维图。
其中,现有技术中多采用激光扫描的方式,获取环境的点云数据;当一束激光照射到物体表面时,所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描,便会边扫描边记录到反射的激光点信息,由于扫描极为精细,则能够得到大量的激光点,因而就可形成物体的激光点云数据。点云数据是在目标表面特性的海量点云的集合。
步骤102、根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线。
可选的,步骤102具体包括:根据点云数据,生成反射值底图;采用预设的分割模型对反射值底图进行处理,得到第一车道线分布信息。
在本步骤中,具体的,将点云数据投影到二维空间中,得到反射值底图,其中,反射值底图为二维图。由于反射值底图上包含车道线,可以采用分割模型对反射值底图进行处理,得到车道线的分布,可以称为第一车道线分布信息,将第一车道线分布信息中的车道线称为第一车道线。
其中,反射值底图:根据激光测量原理得到的点云,包括三维坐标(XYZ)和激光反射信息;根据摄影测量原理得到的点云,包括三维坐标(XYZ);结合激光测量和摄影测量原理得到点云,包括三维坐标(XYZ)和激光反射信息。按照点云中的反射信息表示点云数据,即可获取点云数据对应的反射值底图。
具体来说,通过激光雷达获取点云数据,点云数据中的每个点包含了点的三维坐标信息和反射值,其中,反射值与物体的材料有关;然后,将点云数据在二维平面上栅格化;例如,划分成M*N的格子,每个格子里面包含了点集,将每一个格子对应的点集里面的点的反射值求平均值,就可以每一个格子的反射值;然后对所有格子进行处理,就得到了分辨率是M*N的反射值栅格,分辨率是M*N的反射值栅格就称为反射值底图。
在本申请中,根据反射值底图中的每一个像素的反射值,对反射值底图进行语义分割处理,进而可以针对每一个像素,获得每一个像素是车道线的概率值;然后,设置一定的阈值,将概率值大于阈值的像素记为车道线的点;然后对各个车道线的点进行拟合,得到车道线。其中,拟合方法可以采用线性拟合方法。
步骤103、获取多个车辆的轨迹信息。
可选的,步骤103具体包括:获取多个车辆中的每一个车辆的在每一个位置上的定位信息;根据每一个车辆的在每一个位置上的定位信息,生成每一个车辆的轨迹信息。
在本步骤中,具体的,获取多个车辆的各自的轨迹信息。具体来说,获取每一个车辆的在每一个位置上的全球定位系统(Global Positioning System,简称GPS)定位信息;然后,将每一个车辆的在每一个位置上的GPS定位信息所表征的位置进行连接,生成每一个车辆的轨迹信息。
步骤104、根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线。
可选的,步骤104具体包括:
步骤1041、对多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,其中,至少一个轨迹类别中的每一个轨迹类别包括至少一个车辆的轨迹信息。
可选的,步骤1041,具体包括:对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息,对所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;或者,对多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息。
步骤1042、对每一个轨迹类别中的各轨迹信息进行拟合处理,得到每一条轨迹类别对应的轨迹。
步骤1043、确定相邻轨迹之间的中间线,作为第二车道线。
在本步骤中,具体的,首先,根据多个车辆的轨迹信息,确定出多个轨迹类别,每一个轨迹类别包括至少一个车辆的轨迹信息,每一个轨迹信息表征了一条轨迹。具体的,可以先对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息,例如,可以采用三次B样条曲线方程对每一个车辆的轨迹信息表征的轨迹进行平滑处理;然后,对所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个类别的轨迹类别。
或者,对多个车辆的轨迹信息,进行密度聚类处理,得到至少一个类别的轨迹类别;然后,对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息,例如,可以采用三次B样条曲线方程对每一个平滑处理后的轨迹信息表征的轨迹进行平滑处理。
然后,针对每一个轨迹类别,对每一个轨迹类别中的各轨迹信息表征的轨迹进行拟合处理,得到与每一个轨迹类别对应的一条轨迹。举例来说,可以采用多项式拟合方法,对每一个轨迹类别中的各轨迹信息表征的轨迹进行拟合处理,例如,多项式拟合方法为二项式拟合方法,多项式拟合方法为现有技术中的拟合方法。
最后,就可以将相邻轨迹的中间线,作为车道线,进而得到第二车道分布信息,将第二车道线分布信息中的车道线称为第二车道线。
步骤105、获取每一条第一车道线的第一概率值,并获取每一条第二车道线的第二概率值。
在本步骤中,具体的,每一条第一车道线被设置有第一概率值,并且每一条第二车道线被设置有第二概率值,上述概率值可以是被预先设置的。
步骤106、根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
可选的,步骤106具体包括:
步骤1061、确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值。
步骤1062、若大于,则确定归属于同一位置区域的第一车道线,为同一位置区域上的最终的车道线。
步骤1063、若小于等于,则确定归属于同一位置区域的第二车道线,为同一位置区域上的最终的车道线。
在本步骤中,具体的,归属于同一位置区域上具有一条第一车道线和一条第二车道线;判断确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值;若大于,将第一车道线作为该位置区域上的最终的车道线;若小于等于,将第二车道线作为该位置区域上的最终的车道线。进而将概率值大的车道线,作为最终的车道线。
或者,归属于同一位置区域上具有多条第一车道线和多条第二车道线;确定归属于同一位置区域的各车道线的概率值中的最大值;将概率值最大的车道线,作为最终的车道线。
本实施例,通过获取道路的点云数据,并根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线;获取多个车辆的轨迹信息,根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线;获取每一条第一车道线的第一概率值,并获取每一条第二车道线的第二概率值;根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。通过点云数据确定出第一车道线分布信息,通过车辆的轨迹信息确定出第二车道线分布信息;根据第一车道线分布信息和第二车道线分布信息,将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线。并且,本实施例可以应用到变道区域上,计算变道区域上的车道线的最大似然位置,以得到最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在变道区域上进行安全行驶。
图2为本申请实施例提供的另一种车道线生成方法的流程图,如图2所示,该方案的执行主体为服务器、无人车的控制器、无人车自动驾驶系统的控制设备等等,该车道线生成方法,包括:
步骤201、获取道路的点云数据。
在本步骤中,具体的,本实施例以执行主体为无人车的控制器进行说明。
本步骤可以参见图1的步骤101,不再赘述。
步骤202、根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线。
在本步骤中,具体的,本步骤可以参见图1的步骤102,不再赘述。
步骤203、获取多个车辆的轨迹信息。
在本步骤中,具体的,本步骤可以参见图1的步骤103,不再赘述。
步骤204、根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线。
在本步骤中,具体的,本步骤可以参见图1的步骤104,不再赘述。
步骤205、获取预设的分割模型所输出的每一条第一车道线的置信度;确定每一条第一车道线的置信度,为每一条第一车道线的第一概率值。
在本步骤中,具体的,在步骤202中采用预设的分割模型对反射值底图进行处理的时候,分割模型可以输出每一条第一车道线的置信度。
从而,可以将每一条第一车道线的置信度,作为每一条第一车道线的第一概率值。
其中,分割模块可以采用语义分割方法。语义分割的过程为:对获取的图像中的每个像素都做分类,即获取图像中每个像素属于什么对象的像素。现有技术中多采用卷积神经网络的方式对像素进行语义分割。
举例来说,将点云数据投影到二维空间中,得到反射值底图;然后采用现有技术中的分割模型对反射值底图进行处理,输出了第一车道线1和第一车道线1的第一概率值a、第一车道线2和第一车道线2的第一概率值b、第一车道线3和第一车道线3的第一概率值c、第一车道线4和第一车道线4的第一概率值d。
步骤206、获取每一条第二车道线的第二概率值。
可选的,步骤206具体包括以下两种实施方式:
步骤206的第一种实施方式:
步骤2061a、根据各第二车道线,生成一条拟合线。
步骤2062a、计算每一条第二车道线与拟合线之间的夹角,并根据各夹角,生成夹角的标准差。
步骤2063a、根据标准差和每一条第二车道线的夹角,确定每一条第二车道线的扩散值。
步骤2064a、根据每一条第二车道线的扩散值,确定每一条第二车道线的第二概率值,其中,扩散值与第二概率值呈负相关的映射关系。
步骤206的第二种实施方式:
步骤2061b、将每一条第二车道线,拆分为多个点。
步骤2062b、对多个点进行奇异值分解(Singular Value Decomposition,简称SVD)计算,得到每一条第二车道线的最大特征值和次大特征值。
步骤2063b、将每一条第二车道线的最大特征值除以次大特征值,得到每一条第二车道线的比值。
步骤2064b、根据每一条第二车道线的比值,确定每一条第二车道线的第二概率值,其中,比值与第二概率值呈正相关的映射关系。
在本步骤中,具体的,获取每一条第二车道线的第二概率值的时候,具有以下两种实施方式。
第一种实施方式为:对所有的第二车道线进行拟合处理,生成一条拟合线。举例来说,可以采用多项式拟合方法,对所有的第二车道线进行拟合处理,例如,多项式拟合方法为二项式拟合方法,多项式拟合方法为现有技术中的拟合方法。然后,针对每一条第二车道线,计算第二车道线与拟合线之间的夹角。然后根据各第二车道线的夹角,计算夹角的平均值;然后,根据平均值各第二车道线的夹角,计算夹角的标准差。然后,根据标准差和每一条第二车道线的夹角,计算每一条第二车道线的扩散值;例如,将标准差和每一条第二车道线的夹角进行加法计算、或者减法计算、或者乘法计算、或者除法计算,从而计算出每一条第二车道线的扩散值。然后,由于扩散值与第二概率值呈负相关的映射关系,可以根据每一条第二车道线的扩散值,确定每一条第二车道线的第二概率值;例如,可以根据预设的多项式公式,根据第二车道线的扩散值计算出第二车道线的第二概率值。其中,第二概率值越小,则车道线之间的扩散程度越大;第二概率值越大,则车道线之间的扩散程度越小。
第二种实施方式为:针对每一条第二车道线,将第二车道线拆分成M个点,其中,M个点中的多个点归属于同一个区域;然后,对同一区域内的点进行SVD计算,得到第二车道线的最大特征值d1和第二车道线的次大特征值d2,然后得到第二车道线的比值d1/d2;然后,由于比值与第二概率值呈正相关的映射关系,可以根据第二车道线的比值d1/d2,计算出第二车道线的第二概率值;例如,可以根据预设的多项式公式,根据第二车道线的比值计算出第二车道线的第二概率值。其中,比值越大,第二概率值越小,则车道线之间的扩散程度越大;比值越小,第二概率值越大,则车道线之间的扩散程度越小。
步骤207、根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
在本步骤中,具体的,本步骤可以参见图1的步骤106,不再赘述。
步骤208、根据点云数据,生成反射值底图;根据反射值底图,确定路口指示信息。
在本步骤中,具体的,将点云数据投影到二维空间上,得到反射值底图。然后,根据对反射值底图进行处理,获取到路口指示信息,其中,路口指示信息表征了哪些方向可以走、哪些方向不可以走、往前走的距离、等等;具体来说,将根据对反射值底图输入到预设的识别模型中,输出路口指示信息,其中,识别模型可以是神经网络识别模型、或者支持向量机模型、等等。
或者,路口指示信息可以采用预先设置的路口指示信息;具体来说,预先设置了各位置区域的路口指示信息,其中,路口指示信息表征了哪些方向可以走、哪些方向不可以走、向前走的距离、等等。
步骤209、根据预设的路口指示信息对各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线。
在本步骤中,具体的,根据路口指示信息,对每一个位置区域上的最终的车道线进行过滤,进而剔除不可以通行的车道线,得到过滤处理后的车道线。
具体来说,有些路口的一些方向规定了不可以通行,或者有人违法通行,或者聚类错误而产生了错误的车道线,进而需要对这些车道线进行剔除。例如,路口指示信息表征了不可以左转弯,则将向左弯曲的车道线去除。
本实施例,通过点云数据确定出第一车道线分布信息,通过车辆的轨迹信息确定出第二车道线分布信息;根据第一车道线分布信息和第二车道线分布信息,将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线;根据路口指示信息,对最终的车道线进行过滤,进而剔除不可以通行的车道线,得到过滤处理后的车道线。并且,本实施例可以应用到路口区域上,计算路口区域上的车道线的最大似然位置,以得到最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在路口区域上进行安全行驶。并且,提供了第一车道线分布信息中的第一车道线的第一概率值、第二车道线分布信息中的第二车道线的第二概率值,上述概率值的计算方式;其中,第二概率值越大,则车道线之间的扩散程度越小;进而将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线,可以得到位置较为准确的车道线。
图3为本申请实施例提供的一种车道线生成装置的结构示意图,如图3所示,本实施例提供的车道线生成装置,包括:
第一获取单元31,用于获取道路的点云数据。
第一确定单元32,用于根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线。
第二获取单元33,用于获取多个车辆的轨迹信息。
第二确定单元34,用于根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线。
第三获取单元35,用于获取每一条第一车道线的第一概率值。
第四获取单元36,用于获取每一条第二车道线的第二概率值。
第三确定单元37,用于根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
本实施例提供的车道线生成装置,同于实现前述任一实施例提供的车道线生成方法中的技术方案,其实现原理类似,不再赘述。
本实施例,通过获取道路的点云数据,并根据点云数据确定道路上的第一车道线分布信息,其中,第一车道线分布信息包括至少一条第一车道线;获取多个车辆的轨迹信息,根据多个车辆的轨迹信息确定第二车道线分布信息,其中,第二车道线分布信息包括至少一条第二车道线;获取每一条第一车道线的第一概率值,并获取每一条第二车道线的第二概率值;根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。通过点云数据确定出第一车道线分布信息,通过车辆的轨迹信息确定出第二车道线分布信息;根据第一车道线分布信息和第二车道线分布信息,将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线。并且,本实施例可以应用到变道区域上,计算变道区域上的车道线的最大似然位置,以得到最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在变道区域上进行安全行驶。
图4为本申请实施例提供的另一种车道线生成装置的结构示意图,在图3所示实施例的基础上,如图4所示,本实施例提供的车道线生成装置中,第一确定单元32,具体用于:根据点云数据,生成反射值底图;采用预设的分割模型对反射值底图进行处理,得到第一车道线分布信息。
第三获取单元35,包括:
获取模块351,用于获取预设的分割模型所输出的每一条第一车道线的置信度。
第一确定模块352,用于确定每一条第一车道线的置信度,为每一条第一车道线的第一概率值。
第四获取单元36,包括:
生成模块361,用于根据各第二车道线,生成一条拟合线。
第一计算模块362,用于计算每一条第二车道线与拟合线之间的夹角,并根据各夹角,生成夹角的标准差。
第二确定模块363,用于根据标准差和每一条第二车道线的夹角,确定每一条第二车道线的扩散值。
第三确定模块364,用于根据每一条第二车道线的扩散值,确定每一条第二车道线的第二概率值,其中,扩散值与第二概率值呈负相关的映射关系。
或者,第四获取单元36,包括:
拆分模块365,用于将每一条第二车道线,拆分为多个点。
第二计算模块366,用于对多个点进行SVD计算,得到每一条第二车道线的最大特征值和次大特征值。
第三计算模块367,用于将每一条第二车道线的最大特征值除以次大特征值,得到每一条第二车道线的比值。
第四确定模块368,用于根据每一条第二车道线的比值,确定每一条第二车道线的第二概率值,其中,比值与第二概率值呈正相关的映射关系。
第三确定单元37,包括:
第五确定模块371,用于确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值。
第六确定模块372,用于若大于,则确定归属于同一位置区域的第一车道线,为同一位置区域上的最终的车道线。
第七确定模块373,用于若小于等于,则确定归属于同一位置区域的第二车道线,为同一位置区域上的最终的车道线。
第二获取单元34,具体用于:获取多个车辆中的每一个车辆的在每一个位置上的定位信息;根据每一个车辆的在每一个位置上的定位信息,生成每一个车辆的轨迹信息。
第二确定单元34,包括:
聚类模块341,用于对多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,其中,至少一个轨迹类别中的每一个轨迹类别包括至少一个车辆的轨迹信息。
拟合模块342,用于对每一个轨迹类别中的各轨迹信息进行拟合处理,得到每一条轨迹类别对应的轨迹。
第八确定模块343,用于确定相邻轨迹之间的中间线,作为第二车道线。
聚类模块341,具体用于:对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息,对所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;或者,对多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息。
本实施例提供的装置,还包括:
过滤单元38,用于第三确定单元37根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线之后,根据预设的路口指示信息对各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线。
生成单元39,用于在过滤单元38根据预设的路口指示信息对各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线之前,根据点云数据,生成反射值底图。
第四确定单元310,用于根据反射值底图,确定路口指示信息。
本实施例提供的车道线生成装置,同于实现前述任一实施例提供的车道线生成方法中的技术方案,其实现原理类似,不再赘述。
本实施例,通过点云数据确定出第一车道线分布信息,通过车辆的轨迹信息确定出第二车道线分布信息;根据第一车道线分布信息和第二车道线分布信息,将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线;根据路口指示信息,对最终的车道线进行过滤,进而剔除不可以通行的车道线,得到过滤处理后的车道线。并且,本实施例可以应用到路口区域上,计算路口区域上的车道线的最大似然位置,以得到最终的车道线。可以自动生成清晰、连续的车道线,使得无人车可以根据车道线在区域上进行安全行驶,尤其可以在路口区域上进行安全行驶。并且,提供了第一车道线分布信息中的第一车道线的第一概率值、第二车道线分布信息中的第二车道线的第二概率值,上述概率值的计算方式;其中,第二概率值越大,则车道线之间的扩散程度越小;进而将同一位置区域的车道线中概率值最大的车道线,作为最终的车道线,可以得到位置较为准确的车道线。
图5为本申请实施例提供的一种控制设备的结构示意图,如图5所示,该控制设备,包括:发送器51、接收器52、存储器53和处理器54;
存储器53用于存储计算机指令;处理器54用于运行存储器53存储的计算机指令实现前述实施例提供任一实现方式的车道线生成方法的技术方案。
本申请还提供一种存储介质,其特征在于,包括:可读存储介质和计算机指令,计算机指令存储在可读存储介质中;计算机指令用于实现前述例提供的任一实现方式的车道线生成方法的技术方案。
在上述控制设备的具体实现中,应理解,处理器54可以是中央处理单元(英文:Central Processing Unit,简称:CPU),还可以是其他通用处理器、数字信号处理器(英文:Digital Signal Processor,简称:DSP)、专用集成电路(英文:Application SpecificIntegrated Circuit,简称:ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件处理器执行完成,或者用处理器中的硬件及软件模块组合执行完成。
本领域普通技术人员可以理解:实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时,执行包括上述各方法实施例的步骤;而前述的存储介质包括:只读存储器(英文:read-only memory,缩写:ROM)、RAM、快闪存储器、硬盘、固态硬盘、磁带(英文:magnetictape)、软盘(英文:floppy disk)、光盘(英文:optical disc)及其任意组合。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (14)
1.一种车道线生成方法,其特征在于,包括:
获取道路的点云数据,并根据所述点云数据确定所述道路上的第一车道线分布信息,其中,所述第一车道线分布信息包括至少一条第一车道线;
获取多个车辆的轨迹信息,根据所述多个车辆的轨迹信息确定第二车道线分布信息,其中,所述第二车道线分布信息包括至少一条第二车道线;
获取每一条所述第一车道线的第一概率值,并获取每一条所述第二车道线的第二概率值;
根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
2.根据权利要求1所述的方法,其特征在于,根据所述点云数据确定所述道路上的第一车道线分布信息,包括:
根据所述点云数据,生成反射值底图;
采用预设的分割模型对所述反射值底图进行处理,得到所述第一车道线分布信息。
3.根据权利要求2所述的方法,其特征在于,获取每一条所述第一车道线的第一概率值,包括:
获取所述预设的分割模型所输出的每一条第一车道线的置信度;
确定每一条第一车道线的置信度,为每一条所述第一车道线的第一概率值。
4.根据权利要求1所述的方法,其特征在于,获取每一条所述第二车道线的第二概率值,包括:
根据各所述第二车道线,生成一条拟合线;
计算每一条所述第二车道线与所述拟合线之间的夹角,并根据各所述夹角,生成夹角的标准差;
根据所述标准差和每一条所述第二车道线的夹角,确定每一条所述第二车道线的扩散值;
根据每一条所述第二车道线的扩散值,确定每一条所述第二车道线的第二概率值,其中,所述扩散值与所述第二概率值呈负相关的映射关系。
5.根据权利要求1所述的方法,其特征在于,获取每一条所述第二车道线的第二概率值,包括:
将每一条所述第二车道线,拆分为多个点;
对所述多个点进行奇异值分解SVD计算,得到每一条所述第二车道线的最大特征值和次大特征值;
将每一条所述第二车道线的最大特征值除以次大特征值,得到每一条所述第二车道线的比值;
根据每一条所述第二车道线的比值,确定每一条所述第二车道线的第二概率值,其中,所述比值与所述第二概率值呈正相关的映射关系。
6.根据权利要求1所述的方法,其特征在于,所述根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线,包括:
确定归属于同一位置区域的第一车道线的第一概率值是否大于第二车道线的第二概率值;
若大于,则确定归属于同一位置区域的第一车道线,为同一位置区域上的最终的车道线;
若小于等于,则确定归属于同一位置区域的第二车道线,为同一位置区域上的最终的车道线。
7.根据权利要求1所述的方法,其特征在于,在所述根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线之后,还包括:
根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线。
8.根据权利要求7所述的方法,其特征在于,在所述根据预设的路口指示信息对所述各位置区域上的最终的车道线进行过滤处理,得到过滤处理后的车道线之前,还包括:
根据所述点云数据,生成反射值底图;
根据所述反射值底图,确定所述路口指示信息。
9.根据权利要求1-8任一项所述的方法,其特征在于,所述获取多个车辆的轨迹信息,包括:
获取所述多个车辆中的每一个车辆的在每一个位置上的定位信息;
根据每一个车辆的在每一个位置上的定位信息,生成每一个车辆的轨迹信息。
10.根据权利要求1-8任一项所述的方法,其特征在于,根据所述多个车辆的轨迹信息确定第二车道线分布信息,包括:
对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,其中,所述至少一个轨迹类别中的每一个轨迹类别包括至少一个车辆的轨迹信息;
对所述每一个轨迹类别中的各轨迹信息进行拟合处理,得到每一条轨迹类别对应的轨迹;
确定相邻轨迹之间的中间线,作为第二车道线。
11.根据权利要求10所述的方法,其特征在于,对所述多个车辆的轨迹信息进行密度聚类处理,得到至少一个轨迹类别,包括:
对每一个车辆的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息;对非路口区域的所有的平滑处理后的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;
或者,对所述多个车辆的非路口区域的轨迹信息进行密度聚类处理,得到至少一个轨迹类别;对每一个轨迹类别中的轨迹信息进行平滑处理,得到平滑处理后的轨迹信息。
12.一种车道线生成装置,其特征在于,包括:
第一获取单元,用于获取道路的点云数据;
第一确定单元,用于根据所述点云数据确定所述道路上的第一车道线分布信息,其中,所述第一车道线分布信息包括至少一条第一车道线;
第二获取单元,用于获取多个车辆的轨迹信息;
第二确定单元,用于根据所述多个车辆的轨迹信息确定第二车道线分布信息,其中,所述第二车道线分布信息包括至少一条第二车道线;
第三获取单元,用于获取每一条所述第一车道线的第一概率值;
第四获取单元,用于获取每一条所述第二车道线的第二概率值;
第三确定单元,用于根据归属于同一位置区域的第一车道线的第一概率值和第二车道线的第二概率值,确定各位置区域上的最终的车道线。
13.一种控制设备,其特征在于,包括:发送器、接收器、存储器和处理器;
所述存储器用于存储计算机指令;所述处理器用于运行所述存储器存储的所述计算机指令实现权利要求1至11任一项所述的车道线生成方法。
14.一种存储介质,其特征在于,包括:可读存储介质和计算机指令,所述计算机指令存储在所述可读存储介质中;所述计算机指令用于实现权利要求1至11任一项所述的车道线生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291925.0A CN109635816B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法、装置、设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811291925.0A CN109635816B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法、装置、设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109635816A true CN109635816A (zh) | 2019-04-16 |
CN109635816B CN109635816B (zh) | 2021-04-06 |
Family
ID=66067147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811291925.0A Active CN109635816B (zh) | 2018-10-31 | 2018-10-31 | 车道线生成方法、装置、设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109635816B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096566A (zh) * | 2019-06-18 | 2019-08-06 | 武汉中海庭数据技术有限公司 | 一种生成地图车道线的聚类参数的确定方法及系统 |
CN111192216A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种车道线平滑处理方法及系统 |
CN112131914A (zh) * | 2019-06-25 | 2020-12-25 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及智能设备 |
CN113255404A (zh) * | 2020-02-11 | 2021-08-13 | 北京百度网讯科技有限公司 | 车道线识别方法、装置、电子设备和计算机可读存储介质 |
CN113591618A (zh) * | 2021-07-14 | 2021-11-02 | 重庆长安汽车股份有限公司 | 前方道路形状估算方法、系统、车辆及存储介质 |
CN113593238A (zh) * | 2021-08-06 | 2021-11-02 | 吉林大学 | 一种面向自动驾驶导航的路口虚拟车道建模方法 |
CN114022627A (zh) * | 2021-11-05 | 2022-02-08 | 武汉中海庭数据技术有限公司 | 一种基于众包轨迹的个性化引导线提取方法及系统 |
WO2022237821A1 (zh) * | 2021-05-14 | 2022-11-17 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN115471708A (zh) * | 2022-09-27 | 2022-12-13 | 禾多科技(北京)有限公司 | 车道线类型信息生成方法、装置、设备和计算机可读介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
CN102806913A (zh) * | 2011-05-31 | 2012-12-05 | 德尔福电子(苏州)有限公司 | 一种新型的车道线偏离检测方法及装置 |
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
-
2018
- 2018-10-31 CN CN201811291925.0A patent/CN109635816B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120053755A1 (en) * | 2010-08-30 | 2012-03-01 | Denso Corporation | Traveling environment recognition device and method |
CN102806913A (zh) * | 2011-05-31 | 2012-12-05 | 德尔福电子(苏州)有限公司 | 一种新型的车道线偏离检测方法及装置 |
CN103839264A (zh) * | 2014-02-25 | 2014-06-04 | 中国科学院自动化研究所 | 一种车道线的检测方法 |
CN104700617A (zh) * | 2015-04-02 | 2015-06-10 | 武汉大学 | 基于低精度gps轨迹数据的高精度车道信息提取方法 |
CN105426861A (zh) * | 2015-12-02 | 2016-03-23 | 百度在线网络技术(北京)有限公司 | 车道线确定方法及装置 |
CN107463918A (zh) * | 2017-08-17 | 2017-12-12 | 武汉大学 | 基于激光点云与影像数据融合的车道线提取方法 |
CN108216229A (zh) * | 2017-09-08 | 2018-06-29 | 北京市商汤科技开发有限公司 | 交通工具、道路线检测和驾驶控制方法及装置 |
CN108470159A (zh) * | 2018-03-09 | 2018-08-31 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110096566A (zh) * | 2019-06-18 | 2019-08-06 | 武汉中海庭数据技术有限公司 | 一种生成地图车道线的聚类参数的确定方法及系统 |
CN112131914B (zh) * | 2019-06-25 | 2022-10-21 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及智能设备 |
CN112131914A (zh) * | 2019-06-25 | 2020-12-25 | 北京市商汤科技开发有限公司 | 车道线属性检测方法、装置、电子设备及智能设备 |
CN111192216A (zh) * | 2019-12-31 | 2020-05-22 | 武汉中海庭数据技术有限公司 | 一种车道线平滑处理方法及系统 |
CN113255404A (zh) * | 2020-02-11 | 2021-08-13 | 北京百度网讯科技有限公司 | 车道线识别方法、装置、电子设备和计算机可读存储介质 |
WO2022237821A1 (zh) * | 2021-05-14 | 2022-11-17 | 阿波罗智能技术(北京)有限公司 | 生成交通标志线地图的方法、设备和存储介质 |
CN113591618A (zh) * | 2021-07-14 | 2021-11-02 | 重庆长安汽车股份有限公司 | 前方道路形状估算方法、系统、车辆及存储介质 |
CN113591618B (zh) * | 2021-07-14 | 2024-02-20 | 重庆长安汽车股份有限公司 | 前方道路形状估算方法、系统、车辆及存储介质 |
CN113593238B (zh) * | 2021-08-06 | 2022-09-23 | 吉林大学 | 一种面向自动驾驶导航的路口虚拟车道建模方法 |
CN113593238A (zh) * | 2021-08-06 | 2021-11-02 | 吉林大学 | 一种面向自动驾驶导航的路口虚拟车道建模方法 |
CN114022627A (zh) * | 2021-11-05 | 2022-02-08 | 武汉中海庭数据技术有限公司 | 一种基于众包轨迹的个性化引导线提取方法及系统 |
CN114022627B (zh) * | 2021-11-05 | 2024-08-02 | 武汉中海庭数据技术有限公司 | 一种基于众包轨迹的个性化引导线提取方法及系统 |
CN115471708A (zh) * | 2022-09-27 | 2022-12-13 | 禾多科技(北京)有限公司 | 车道线类型信息生成方法、装置、设备和计算机可读介质 |
CN115471708B (zh) * | 2022-09-27 | 2023-09-12 | 禾多科技(北京)有限公司 | 车道线类型信息生成方法、装置、设备和计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109635816B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635816A (zh) | 车道线生成方法、装置、设备以及存储介质 | |
WO2018068653A1 (zh) | 点云数据处理方法、装置及存储介质 | |
Hata et al. | Road marking detection using LIDAR reflective intensity data and its application to vehicle localization | |
US9652980B2 (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 | |
CN109657686A (zh) | 车道线生成方法、装置、设备以及存储介质 | |
WO2018221453A1 (ja) | 出力装置、制御方法、プログラム及び記憶媒体 | |
CN106199558A (zh) | 障碍物快速检测方法 | |
JP2022022287A (ja) | 地図作成装置、制御方法、プログラム及び記憶媒体 | |
US11898851B2 (en) | Apparatus and method for estimating location of vehicle | |
JP7454685B2 (ja) | 車両走行路内のデブリの検出 | |
CN113835102B (zh) | 车道线生成方法和装置 | |
WO2020080088A1 (ja) | 情報処理装置 | |
CN113011285B (zh) | 车道线检测方法、装置、自动驾驶车辆及可读存储介质 | |
JP2009245042A (ja) | 交通流計測装置及びプログラム | |
CN117677976A (zh) | 可行驶区域生成方法、可移动平台及存储介质 | |
US20230221140A1 (en) | Roadmap generation system and method of using | |
US20220171975A1 (en) | Method for Determining a Semantic Free Space | |
JP5375249B2 (ja) | 移動経路計画装置、移動体制御装置及び移動体 | |
US20220155455A1 (en) | Method and system for ground surface projection for autonomous driving | |
JP2014194698A (ja) | 道路端検出システム、方法およびプログラム | |
JP7165630B2 (ja) | 認識システム、車両制御システム、認識方法、およびプログラム | |
JP7344744B2 (ja) | 路側端検出方法、及び、路側端検出装置 | |
JP7427569B2 (ja) | 状態判定装置、状態判定システム及び状態判定方法 | |
Iwata et al. | Forward obstacle detection in a lane by stereo vision |
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 |