CN109829351A - 车道信息的检测方法、装置及计算机可读存储介质 - Google Patents
车道信息的检测方法、装置及计算机可读存储介质 Download PDFInfo
- Publication number
- CN109829351A CN109829351A CN201711183528.7A CN201711183528A CN109829351A CN 109829351 A CN109829351 A CN 109829351A CN 201711183528 A CN201711183528 A CN 201711183528A CN 109829351 A CN109829351 A CN 109829351A
- Authority
- CN
- China
- Prior art keywords
- lane
- barrier
- vehicle
- shape
- section
- 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
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种车道信息的检测方法、装置及计算机可读存储介质，属于汽车安全驾驶技术领域。该方法包括：获取路况检测结果，基于路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果；基于车辆当前的状态参数、形状估计结果和障碍物检测结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数；将形状估计结果和虚拟停止线的状态参数确定为车辆对应的车道信息。在本申请中是结合车道可行驶区间的形状来确定车道可行驶区间的虚拟停止线的，将车道可行驶区间的形状和虚拟停止线作为车道信息，实际上给出了车辆在各个车道的可行驶区间的范围，提高了车道信息的精准性。
Description
技术领域
本申请涉及汽车安全驾驶技术领域，特别涉及一种车道信息的检测方法、装置及计算机可读存储介质。
背景技术
随着汽车保有量的逐年增加以及智能化的不断发展，汽车安全驾驶技术已成为了汽车领域中竞相追逐的技术热点。其中，在进行车辆自动驾驶时，通过检测车道信息，可以为车辆的自动驾驶规划和控制模块提供信息支持，以便车辆的自动驾驶规划和控制模块进行相应的行为决策。
相关技术中，车辆通常通过安装的毫米波雷达和图像采集设备进行路况检测，并将路况检测结果作为车道信息发送至自动驾驶规划和控制模块，以使自动驾驶规划和控制模块根据该车道信息做出相应地行为决策。其中，车辆通过毫米波雷达和图像采集设备检测得到的路况检测结果通常包括障碍物信息和车道线信息。对于障碍物信息，车辆可以通过毫米波雷达对车辆前方的扇形区域进行障碍物扫描，并通过图像采集设备对车辆前方区域进行图像采集。根据毫米波雷达和图像采集设备的视场角，将扇形区域进行栅格化，这样，毫米波雷达检测到的障碍物将处于栅格单元中。之后，将图像采集设备采集到的图像中检测到的障碍物转换到极坐标系下的栅格单元中，并将栅格单元中毫米波雷达检测到的障碍物和图像采集设备检测到的障碍物进行严格匹配，以此来得到最终的障碍物信息。对于车道线信息，车辆可以通过对图像采集设备采集的图像进行处理，以检测车道线。
由上述描述可知，在障碍物检测的过程中，需要将毫米波雷达检测到的障碍物和图像采集设备检测到的障碍物进行匹配，由于通过毫米波雷达或者图像采集设备检测障碍物时会存在一定的检测误差，因此，当将二者检测到的障碍物进行匹配时，就容易因为检测误差的存在而发生障碍物漏检或者错误匹配的问题，最终将导致障碍物检测结果的不稳定，而自动驾驶规划和控制模块以检测到的障碍物为基础进行行为决策的准确性也将大幅降低。
发明内容
为了解决现有技术的障碍物检测结果不稳定所造成的车道信息准确性较低的问题，本申请提供了一种车道信息的检测方法及装置。所述技术方案如下：
第一方面，提供了一种车道信息的检测方法，所述方法包括：
获取路况检测结果，所述路况检测结果包括障碍物检测结果；
基于所述路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对所述车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果，所述车道可行驶区间包括所述车辆所在的车道中的可通行区域和与所述车辆所在的车道相邻的其他车道中的可通行区域；
基于所述车辆当前的状态参数、所述形状估计结果和所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
将所述形状估计结果和所述车辆当前的车道可行驶区间的虚拟停止线的状态参数确定为所述车辆对应的车道信息。
在本发明实施例中，路况检测结果可以是图像采集设备发送的，也可以是毫米波雷达发送的，当该路况检测结果是图像采集设备发送时，该路况检测结果除了包括障碍物检测结果之外，还包括车道线检测结果，当然，还可以包括信号灯检测结果和信号灯停止线检测结果。当该路况检测结果是由毫米波雷达发送时，该路况检测结果中包括障碍物检测结果，但不包括车道线检测结果。
当接收到路况检测结果时，可以基于该路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果。之后，可以基于车辆当前的状态参数、形状估计结果和路况检测结果中包括的障碍物检测结果来确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，其中，该车道可行驶区间包括该车辆所在的车道中的可通行区域以及与该车辆所在的车道相邻的其他车道中的可通行区域。由此可见，在本申请中，只要接收到毫米波雷达或图像采集设备任一者发送的路况检测结果，就可以触发终端设备根据该路况检测结果确定得到该车辆的车道可行驶区间的形状和虚拟停止线的状态参数，并将其确定为车道信息。也即是，在本申请中，无需再同时通过毫米波雷达和图像采集设备来检测障碍物，也无需将二者检测到的障碍物进行匹配，就可以确定得到车道信息，这样，即使毫米波雷达或图像采集设备存在一定的检测误差，也不会由于该检测误差发生障碍物漏检或错误匹配的问题，另外，在本申请中是结合车道可行驶区间的形状来确定车道可行驶区间的虚拟停止线的，将车道可行驶区间的形状和虚拟停止线作为车道信息，实际上给出了车辆在各个车道的可行驶区间的范围，进一步的提高了车道信息的精准性。
可选地，所述基于所述路况检测结果以及最近一次确定的所述车辆的车道可行驶区间的形状，对所述车辆当前的车道可行驶区间的形状进行估计，包括：
基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
基于最近一次确定的所述车辆的车道可行驶区间的形状，确定所述车辆当前的车道可行驶区间的第二形状估计参数；
基于所述第一形状估计参数和所述第二形状估计参数，确定所述车辆当前的车道可行驶区间的形状估计结果。
在本发明实施例中，可以根据当前的路况检测结果确定得到第一形状估计参数，然后根据最近一个确定的该车辆的车道可行驶区间的形状预测得到第二形状估计参数，之后，可以在该第一形状估计参数和第二形状估计参数中选择一个更为准确的估计参数作为车辆当前的车道可行驶区间的形状估计结果。
可选地，所述基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
判断所述路况检测结果是否包括车道线检测结果；
若所述路况检测结果包括所述车道线检测结果时，则基于所述车道线检测结果或所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
否则，基于所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
可选地，所述基于所述车道线检测结果或所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
将所述车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组；
从所述至少一个车道线组中查找目标车道线组，所述目标车道线组为包含的两条车道线的置信度均大于预设置信度；
当查找到至少一个所述目标车道线组时，基于所述至少一个目标车道线组中包括的车道线，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
当未查找到所述目标车道线组时，确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物，且基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
其中，考虑到在某些情况下，车道线的置信度较低，此时，通过车道线确定第一形状估计参数的准确性可能低于通过障碍物确定第一形状估计参数的准确性，因此，可以通过判断车道线检测结果是否大于预设置信度来决定是否采用车道线来确定第一形状估计参数。
可选地，所述基于所述至少一个目标车道线组中包括的车道线，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
基于所述至少一个目标车道线组中的每个目标车道线组包括的两条车道线，确定所述每个目标车道线组对应的车道的形状估计参数；
基于所述每个目标车道线组对应的车道的形状估计参数，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
可选地，所述基于所述至少一个目标车道线组中的每个目标车道线组包括的两条车道线，确定所述每个目标车道线组对应的车道的形状估计参数，包括：
针对所述至少一个目标车道线组中的任一目标车道线组A，根据所述目标车道线组A中包括的两条车道线进行数据拟合，得到当前的车体坐标系下所述目标车道线组A包括的两条车道线的两个曲线方程，并根据所述目标车道线组A包括的两条车道线的两个曲线方程确定第一车道中心线的曲线方程；
其中，所述第一车道中心线为所述目标车道线组A包括的两条车道线的车道中心线，所述车体坐标系的原点为所述车辆的后轴的中心点在地面的投影点，所述车体坐标系的X轴垂直于所述车辆的后轴且指向车头，所述车体坐标系的Y轴与所述车辆的后轴平行且指向所述车辆的左侧，所述车体坐标系的Z轴垂直于所述车辆的后轴且指向车顶；
在所述车体坐标系下选取多个X坐标，所述多个X坐标中每相邻两个X坐标之间的差值相等；
将所述多个X坐标分别作为所述车道中心线的曲线方程中的自变量的取值，计算对应的多个Y坐标；
基于所述多个X坐标、所述多个Y坐标以及所述目标车道线组A包括的两条车道线的两个曲线方程，确定所述目标车道线组A所对应的车道的形状估计参数。
可选地，所述基于所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物；
基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
可选地，所述确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物，包括：
针对所述至少一个障碍物中的任一障碍物A，判断所述障碍物A的检测可靠性概率是否大于预设概率；
当所述障碍物A的检测可靠性概率大于所述预设概率时，判断所述障碍物A的历史运动轨迹是否处于同一个车道内；
当所述障碍物A的历史运动轨迹处于同一个车道内时，判断所述障碍物A是否为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物；
当所述障碍物A为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物时，确定所述障碍物A为满足所述预设条件的障碍物。
需要说明的是，当车道线的置信度较低时，还可以通过障碍物来确定第一形状估计参数。但是，为了避免障碍物是误检，因此，可以通过障碍物的检测可靠性概率和历史运动轨迹来判断该障碍物是不是稳定存在的障碍物，从而决定是否采用该障碍物来确定第一形状估计参数。
可选地，所述基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
将满足所述预设条件的每个障碍物的历史运动轨迹确定为相应障碍物所处的车道的车道中心线，并获取最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线；
基于满足所述预设条件的每个障碍物所处的车道的车道中心线和获取的最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线确定所述车辆当前的车道可行驶区间的第一形状估计参数。
可选地，所述基于最近一次确定的所述车辆的车道可行驶区间的形状，确定所述车辆当前的车道可行驶区间的第二形状估计参数，包括：
获取最近一次对所述车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，并通过下述模型确定所述车辆当前的车道可行驶区间的第二形状估计参数；
其中，所述t为当前时刻，所述yt为当前在第二车道中心线上且X坐标为xt的点的y坐标，所述第二车道中心线为所述车辆当前所在的车道以及与所述车辆当前所在的车道相邻的车道中任一车道的车道中心线，所述xt为在车体坐标系下选取的多个X坐标中的任一X坐标，所述为所述yt当前在所述车体坐标系的Y方向上的速度，所述为当前位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述yt-1为最近一次对所述车辆的可行驶区间的形状进行估计时在所述第二车道中心线上且X坐标为xt的点的y坐标，所述为最近一次对所述车辆的可行驶区间的形状进行估计时所述yt-1在所述车体坐标系的Y方向上的速度，所述为最近一次对所述车辆的可行驶区间的形状进行估计时位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述Δt为最近一次对所述车辆的可行驶区间的形状进行估计的时刻和当前时刻t之间的时间间隔，所述第二形状估计参数包括所述多个X坐标、所述多个X坐标所对应的多个yt、多个和多个
可选地，所述基于所述第一形状估计参数和所述第二形状估计参数，确定所述车辆当前的车道可行驶区间的形状估计结果，包括：
基于所述第一形状估计参数和所述第二形状估计参数，通过卡尔曼滤波算法确定第一增益因子；
当所述第一增益因子大于预设增益因子时，通过所述第一形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果；
当所述第一增益因子不大于所述预设增益因子时，通过所述第二形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果。
在本发明实施例中，第一形状估计参数是根据当前接收到的实际测量值确定的形状估计参数，而第二形状估计参数则是根据最近一次确定的车辆的车道可行驶区间的形状，通过系统方程预测得到的形状估计参数。在此基础上，可以通过卡尔曼滤波算法来决定哪个形状估计参数更加准确可信，并基于更加准确可信的形状估计参数来确定车辆当前的车道可行驶区间的形状，提高了车辆当前的车道可行驶区间的形状估计结果的准确性。
可选地，所述基于所述车辆当前的状态参数、所述形状估计结果和所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，包括：
当所述障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述预设条件是指障碍物的检测可靠性概率大于预设概率、障碍物的历史运动轨迹处于同一个车道内且障碍物是历史运动轨迹所在的车道中距离所述车辆最近的一个障碍物，任一障碍物的状态参数包括相应障碍物的位置；
当所述障碍物检测结果中检测到的至少一个障碍物均不满足所述预设条件，且信号灯检测结果为检测到红灯时，基于所述信号灯停止线检测结果中检测到的信号灯停止线的位置，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果。
当确定车辆的车道可行驶区间的形状估计结果之后，可以在该形状估计结果的基础上，进一步基于检测到的至少一个障碍物来确定车辆的车道可行驶区间的虚拟停止线的状态参数。其中，如果检测到的至少一个障碍物不满足预设条件，考虑到路况检测结果中还可以包括信号灯检测结果和信号停止线检测结果，因此，还可以在检测到红灯时，基于信号灯停止线检测结果确定虚拟停止线的状态参数。
可选地，所述基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，包括：
基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数；
基于满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数。
可选地，所述基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，包括：
针对满足所述预设条件的障碍物中的任一障碍物A，基于所述障碍物A的位置和所述形状估计结果，计算所述障碍物A位于所述车辆当前所在的车道的概率，并计算所述障碍物A位于与所述车辆当前所在的车道相邻的其他车道的概率；
基于最近一次确定的所述车辆的车道可行驶区间的虚拟停止线的状态参数以及所述车辆当前的状态参数，预测所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
从计算得到的概率中选择最大概率，将所述最大概率对应的车道确定为所述障碍物A所在的车道；
根据预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断所述障碍物A和所述障碍物A所在的车道的可通行区域是否匹配；
当所述障碍物A和所述障碍物A所在的车道的可通行区域匹配时，基于所述障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数,确定所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
在本发明实施例中，可以将满足预设条件的障碍物中的每个障碍物和车辆当前所在的车道，以及与该车辆当前所在的车道相邻的其他车道进行匹配，从而确定每个障碍物所处的车道，进一步地，可以将每个障碍物和每个障碍物所处的车道中的可通行区域进行匹配，以确定是否能基于该障碍物来确定该障碍物所处的车道中的可通行区域的虚拟停止线的状态参数。
可选地，所述基于所述障碍物A的位置和所述形状估计结果，计算所述障碍物A位于所述车辆当前所在的车道的概率，包括：
获取所述形状估计结果中所述车辆当前所在的车道中的可通行区域的两条车道线和车道中心线；
基于获取的两条车道线和车道中心线以及所述障碍物的位置，通过下述公式计算所述障碍物A位于所述车辆当前所在的车道的概率：
其中，所述pi为所述障碍物A位于所述车辆当前所在的车道的概率，所述l为所述障碍物A偏离所述车道中心线的距离，所述ai和bi分别为所述障碍物A偏离所述两条车道线的距离，且所述ai＜bi。
可选地，所述根据预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断所述障碍物A和所述障碍物A所在的车道的可通行区域是否匹配，包括：
从预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
从预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的预测位置；
确定所述预测位置和所述障碍物A的位置之间的马氏距离；
当所述马氏距离小于预设距离时，确定所述障碍物A和所述障碍物A所在的车道的可通行区域相匹配。
可选地，所述基于所述障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，包括：
基于所述障碍物A的状态参数和预测得到所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，通过卡尔曼滤波算法确定第二增益因子；
当所述第二增益因子大于预设增益因子时，将所述障碍物A的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
当所述第二增益因子不大于所述预设增益因子时，将所述预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
第二方面，提供了一种车道信息的检测装置，所述车道信息的检测装置具有实现上述第一方面中车道信息的检测方法行为的功能。所述车道信息的检测装置包括至少一个模块，该至少一个模块用于实现上述第一方面所提供的车道信息的检测方法。
第三方面，提供了一种车道信息的检测装置，所述车道信息的检测装置的结构中包括处理器和存储器，所述存储器用于存储支持车道信息的检测装置执行上述第一方面所提供的车道信息的检测方法的程序，以及存储用于实现上述第一方面所提供的车道信息的检测方法所涉及的数据。所述处理器被配置为用于执行所述存储器中存储的程序。所述存储设备的操作装置还可以包括通信总线，该通信总线用于该处理器与存储器之间建立连接。
第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面所述的车道信息的检测方法。
第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面所述的车道信息的检测方法。
上述第二方面、第三方面、第四方面和第五方面所获得的技术效果与第一方面中对应的技术手段获得的技术效果近似，在这里不再赘述。
本申请提供的技术方案带来的有益效果是：获取路况检测结果，该路况检测结果中包括障碍物检测结果，基于该路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果。之后，可以基于车辆当前的状态参数、形状估计结果和路况检测结果中包括的障碍物检测结果来确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，其中，该车道可行驶区间包括该车辆所在的车道中的可通行区域以及与该车辆所在的车道相邻的其他车道中的可通行区域。由此可见，在本申请中，只要获取到路况检测结果，就可以根据该路况检测结果确定得到该车辆的车道可行驶区间的形状和虚拟停止线的状态参数，并将其确定为车道信息。也即是，在本申请中，无需再同时通过毫米波雷达和图像采集设备来检测障碍物，也无需将二者检测到的障碍物进行匹配，就可以确定得到车道信息，这样，即使毫米波雷达或图像采集设备等用于确定路况检测结果的设备存在一定的检测误差，也不会由于该检测误差发生障碍物漏检或错误匹配的问题，另外，在本申请中是结合车道可行驶区间的形状来确定车道可行驶区间的虚拟停止线的，也即是，本申请是将车道可行驶区间的形状和障碍物进行结合之后得到的虚拟停止线，这样，通过本申请确定的车道信息实际上就是车辆在各个车道的可行驶区间的范围，进一步的提高了车道信息的精准性。
附图说明
图1是本发明实施例提供的车道信息的检测方法的系统架构图；
图2是本发明实施例提供的一种终端设备的结构示意图；
图3A是本发明实施例提供的车道信息的检测方法的流程图；
图3B是本发明实施例提供的一种车辆的车道可行驶区间的示意图；
图4A是本发明实施例提供的一种对车辆当前的车道可行驶区间进行估计的方法的流程图；
图4B是本发明实施例提供的一种基于车道线检测结果或障碍物检测结果确定车辆当前的车道可行驶区间的第一形状估计参数的方法的流程图；
图4C是本发明实施例提供的一种通过多个矩形框来描述车道中的可通行区域的示意图；
图5A是本发明实施例提供的一种确定车辆当前的车道可行驶区间的虚拟停止线的状态参数的方法的流程图；
图5B是本发明实施例提供的基于满足预设条件的障碍物中的任一障碍物A的状态参数和形状估计结果，确定障碍物A所在的车道可通行驶区域的虚拟停止线的状态参数的方法的流程图；
图5C是本发明实施例提供的一种计算障碍物位于该车辆当前所在的车道的概率的示意图；
图6本发明实施例提供的车道信息的检测装置的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
在对本发明实施例进行详细的解释说明之前，先对本发明实施例涉及的应用场景予以介绍。
当前，随着汽车保有量的逐年增加以及智能化的不断发展，汽车安全驾驶技术已成为了汽车领域中竞相追逐的技术热点。在车辆的自动驾驶或者无人驾驶中，通过检测车道信息，可以为车辆的自动驾驶规划和控制模块提供信息支持，以便车辆的自动驾驶规划和控制模块能够根据该车道信息进行相应的行为决策。例如，当车辆在高速公路上长时间行车后，驾驶员可以开启高速巡航功能，这样，无需驾驶员控制油门踏板，车辆就可以保持恒定的速度进行行驶，减轻了驾驶员的疲劳，同时减少了不必要的车速变化，节省了燃料。当车辆进行高速巡航时，为了保证车辆的行驶安全，车辆可以自动检测车道信息，并将车道信息发送给车辆的自动驾驶规划模块和控制模块，这样，自动驾驶规划模块和控制模块就可以根据接收到的车道信息规划车辆的行驶路径，以控制车辆进行车道变换、速度变换等。再例如，当车辆在拥堵的道路上进行自动跟车行驶时，由于路况复杂，因此，车辆需要对路况进行准确的检测，从而为自动驾驶规划和控制模块提供准确的车道信息，以便自动驾驶规划和控制模块能够根据该车道信息作出精准的路径规划并对车辆进行控制，从而避免交通事故的发生。本发明实施例提供的车道信息的检测方法即可以用于车辆在上述场景下进行车道信息的检测，以便自动驾驶规划和控制模块能够根据该车道信息做出准确的行为决策。
接下来对本发明实施例涉及的系统架构进行介绍。
图1是本发明实施例提供的一种车道信息的检测方法的系统架构图，如图1所示，该系统中包括车辆101、终端设备102、图像采集设备103以及毫米波雷达104。其中，终端设备102可以分别与图像采集设备103以及毫米波雷达104建立有通信连接，通过该通信连接，图像采集设备103和毫米波雷达104可以将各自检测到的路况检测结果发送至终端设备102。车辆101和终端设备102之间也可以建立有通信连接，通过该通信连接，终端设备102可以向车辆101发送控制指令。
具体的，终端设备102可以安装在车辆101内部，也可以是驾驶员当前携带在身上的终端设备。该终端设备102包括有用于进行数据信息处理的处理器，通过该处理器，该终端设备102可以对接收到的由图像采集设备或毫米波雷达发送的路况检测结果进行处理，从而确定得到车辆101所对应的车道信息。另外，该终端设备102还可以提供用于进行人机交互的界面，通过该人机交互界面可以向用户显示当前的路况以及路径规划图等信息。
图像采集设备103安装在车辆101的车身外部。具体的，可以在车辆101的车身周围安装有多个图像采集设备103。例如，可以在车辆101的车身周围安装4个图像采集设备103，该4个图像采集设备可以分别作为前视图像采集设备、后视图像采集设备、左视图像采集设备和右视图像采集设备。其中，前视图像采集设备安装在车头的中央位置，后视图像采集设备安装在车尾的中央位置，左视图像采集设备安装在车辆左侧沿长度方向的中点位置上，右视图像采集设备安装在车辆右侧沿长度方向的中点位置上。值得注意的是，上述仅是以4个图像采集设备为例进行说明，在实际应用中，车辆101的车身周围还可以安装有更多或更少的图像采集设备103。该图像采集设备103可以在车辆101行驶的过程中对车辆101周边的路况进行图像采集，通过对采集到路况图像进行处理和分析，可以对车辆101周围存在的障碍物、车道线、信号灯以及信号灯停止线等进行检测，也即是，通过对采集到的路况图像进行处理和分析，可以得到障碍物检测结果、车道线检测结果、信号灯检测结果以及停止线检测结果等。
毫米波雷达104安装在车辆101的车身外部。具体的，可以在车辆101顶部的中央位置安装至少一个毫米波雷达104。或者，可以在车辆101顶部的不同位置处安装多个毫米波雷达104，例如，可以在车辆101顶部的四个角点上安装有四个毫米波雷达104。通过该毫米波雷达104可以对障碍物进行检测，尤其是可以对运动的障碍物的位置和运动参数进行准确的检测。
需要说明的是，终端设备102可以是车载终端设备，也可以为其他当前处于车辆101内部的移动终端设备。例如，该终端设备102可以是诸如工业电脑、便携式电脑、智能手机、平板电脑等终端。图像采集设备103可以是能够进行图像采集的相机或者是摄像头等。例如，该图像采集设备103可以是鱼眼环视相机。毫米波雷达104可以是短距离雷达SRR或ESR毫米波雷达。
可选地，上述系统架构中的终端设备102可以由车辆控制单元(Vehicle controlunit，VCU)来代替，在这种情况下，下述实施例中提供的方法步骤则可以由该车辆控制单元来执行。
图2是本发明实施例提供的一种终端设备的结构示意图。图1所示的系统架构中的终端设备可以通过图2所示的终端设备来实现。参见图2，该终端设备包括至少一个处理器201，通信总线202，存储器203以及至少一个通信接口204。
处理器201可以是一个通用中央处理器(Central Processing Unit，CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制本申请方案程序执行的集成电路。
通信总线202可包括一通路，在上述组件之间传送信息。
存储器203可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其它类型的静态存储设备，随机存取存储器(random access memory，RAM))或者可存储信息和指令的其它类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其它光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其它磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其它介质，但不限于此。存储器203可以是独立存在，通过通信总线202与处理器201相连接。存储器203也可以和处理器201集成在一起。
通信接口204，使用任何收发器一类的装置，用于与其它设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。
在具体实现中，作为一种实施例，处理器201可以包括一个或多个CPU，例如图2中所示的CPU0和CPU1。
在具体实现中，作为一种实施例，计算机设备可以包括多个处理器，例如图2中所示的处理器201和处理器205。这些处理器中的每一个可以是一个单核(single-CPU)处理器，也可以是一个多核(multi-CPU)处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
在具体实现中，作为一种实施例，计算机设备还可以包括输出设备206和输入设备207。输出设备206和处理器201通信，可以以多种方式来显示信息。例如，输出设备206可以是液晶显示器(liquid crystal display，LCD),发光二级管(light emitting diode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备207和处理器201通信，可以以多种方式接收用户的输入。例如，输入设备207可以是鼠标、键盘、触摸屏设备或传感设备等。
上述的计算机设备可以是一个通用计算机设备或者是一个专用计算机设备。在具体实现中，计算机设备可以是台式机、便携式电脑、网络服务器、掌上电脑(PersonalDigital Assistant，PDA)、移动手机、平板电脑、无线终端设备、通信设备或者嵌入式设备。本发明实施例不限定计算机设备的类型。
其中，存储器203用于存储执行本申请方案的程序代码，并由处理器201来控制执行。处理器201用于执行存储器203中存储的程序代码208。程序代码208中可以包括一个或多个软件模块。图1中所示的终端设备可以通过处理器201以及存储器203中的程序代码208中的一个或多个软件模块，来确定车辆所对应的车道信息。
接下来对本发明实施例提供的车道信息的检测方法进行详细的解释说明。
图3A是本发明实施例提供的一种车道信息的检测方法的流程图，该方法可以应用于图1和图2所示的终端设备中，或者可以应用于VCU，本发明实施例中将以终端设备为执行主体进行解释说明，参见图3A，该方法包括以下步骤：
步骤301：获取路况检测结果，并基于该路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果。
其中，该路况检测结果可以是由毫米波雷达发送的，在这种情况下，该路况检测结果将包括障碍物检测结果。该路况检测结果也可以是由图像采集设备发送的，此时，该路况检测结果中在包括障碍物检测结果的同时，还可以包括车道线检测结果，除此以外，该路况检测结果中还可以包括信号灯检测结果以及信号灯停止线检测结果。
需要说明的是，在本发明实施例中，车道可行驶区间包括该车辆所在的车道中的可通行区域和与该车辆所在的车道相邻的其他车道中的可通行区域。在此基础上，对车道可行驶区间的形状进行估计，实际上即是对上述的每个车道中的可通行区域的形状进行估计。另外，车道是通过车道线进行划分得到的，对每个车道中的可通行区域的形状进行估计，实际上也是对车道的宽度和走势进行估计。
图3B是本发明实施例示出的一种车辆的车道可行驶区间的示意图。如图3B所示，黑色方框代表本车B，本车即为本发明实施例中提到的安装有终端设备，并通过该终端设备确定车道信息的车辆。该车辆B当前位于车道2上，车道1和3均与车道2相邻。在车道1-3中，白色的方框代表运动的车辆，该运动的车辆即是运动的障碍物。在车道1中，在该车辆B的的前方和后方分别存在运动的车辆A和C，此时，车道1中可供车辆B通行的区域即为图中车道1内直线M1和M2之间区域。在车道2中，在车辆B的前方存在运动的车辆D，后方存在运动的车辆E，此时，车道2中可供车辆B通行的区域即为图中车道2内直线M3和M4之间的区域。在车道3中，在车辆B的后方存在运动的车辆F，此时，车道3中可供车辆B通行的区域则为图中车道3内直线M5上方的区域。车辆B的车道可行驶区间则包括上述车道1-3中可供车辆B通行的区域。
具体的，终端设备对车辆的车道可行驶区间的形状进行估计的实现方式将通过图4所示的实施例进行详细的介绍。
步骤302：基于车辆当前的状态参数、形状估计结果和障碍物检测结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
当对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果之后，终端设备可以基于车辆当前的状态参数、该形状估计结果和障碍物检测结果，来确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
其中，基于步骤301中的描述可知，车道可行驶区间包括多个车道中的可通行区域，基于此，车辆当前的车道可行驶区间的虚拟停止线也包括上述每个车道中的可通行区域中的虚拟停止线。具体的，对于每个车道中的可通行区域而言，该车道中的可通行区域中的虚拟停止线可能是该车道中位于该车辆前方和/或后方的信号灯停止线，也可能是该车道中距离该车辆最近的一个障碍物。其中，当在该车辆的视野范围内同时存在信号灯停止线和障碍物，则将距离该车辆最近的一个作为虚拟停止线。例如，如图3B所示，假设在该车辆当前所在的车道中，该车辆的前方存在信号灯停止线L和运动的车辆D，而运动的车辆D距离该车辆更近，此时，则可以将运动的车辆D的尾部的直线M3确定为虚拟停止线。
另外，在本发明实施例中，虚拟停止线的状态参数将包括虚拟停止线的位置和运动参数。当虚拟停止线是信号灯停止线或静止的障碍物时，虚拟停止线的状态参数中的运动参数的值将为0。如果虚拟停止线是运动的障碍物，那么，虚拟停止线的状态参数将包括运动的障碍物的运动参数和位置，此时，该运动参数不为0。具体的，该运动参数可以包括运动速度和加速度。
具体的，终端设备基于车辆当前的状态参数、形状估计结果和障碍物检测结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数的具体实现方式将通过图5所示的实施例进行详细的解释说明。
步骤303：将形状估计结果和车辆当前的车道可行驶区间的虚拟停止线的状态参数确定为该车辆对应的车道信息。
当通过步骤301和步骤302确定得到形状估计结果和虚拟停止线的状态参数之后，终端设备可以将该形状估计结果和车辆当前的车道可行驶区间的虚拟停止线的状态参数确定为该车辆对应的车道信息。
具体的，由于形状估计结果实际上是对每个车道中的可通行区域的宽度和走势的估计结果，而虚拟停止线的状态参数则是每个车道中的可通行区域的具体截止线的位置和运动参数，因此，将以上二者作为该车辆的车道信息，实际上是将车道形状和障碍物进行结合后得到的车辆在当前所在车道中可通行范围以及在相邻车道中的可通行范围。
在本发明实施例中，获取路况检测结果，该路况检测结果中包括障碍物检测结果，基于该路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果。之后，可以基于车辆当前的状态参数、形状估计结果和路况检测结果中包括的障碍物检测结果来确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，其中，该车道可行驶区间包括该车辆所在的车道中的可通行区域以及与该车辆所在的车道相邻的其他车道中的可通行区域。由此可见，在本申请中，只要获取到的路况检测结果，就可以触发终端设备根据该路况检测结果确定得到该车辆的车道可行驶区间的形状和虚拟停止线的状态参数，并将其确定为车道信息。也即是，在本申请中，无需再同时通过毫米波雷达和图像采集设备来检测障碍物，也无需将二者检测到的障碍物进行匹配，就可以确定得到车道信息，这样，即使毫米波雷达或图像采集设备等用于确定路况检测结果的设备存在一定的检测误差，也不会由于该检测误差发生障碍物漏检或错误匹配的问题，另外，在本申请中是结合车道可行驶区间的形状来确定车道可行驶区间的虚拟停止线的，也即是，本申请是将车道可行驶区间的形状和障碍物进行结合之后得到的虚拟停止线，这样，通过本申请确定的车道信息实际上就是车辆在各个车道的可行驶区间的范围，进一步的提高了车道信息的精准性。
接下来将结合附图4A-4C对终端设备对车辆当前的车道可行驶区间的形状进行估计的具体实现方式进行详细的介绍。
图4A是本发明实施例提供的一种对车辆当前的车道可行驶区间进行估计的方法的流程图。该方法可以应用图1和图2中所示终端设备中，或者可以应用于VCU，本发明实施例中将以终端设备为执行主体进行解释说明，参见图4A，该方法包括：
步骤401：基于路况检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数。
其中，根据确定路况检测结果的设备的不同，该路况检测结果中可能包括车道线检测结果，也可能不包括车道线检测结果。例如，如果该路况检测结果是由图像采集设备发送，则该路况检测结果将包括车道线检测结果和障碍物检测结果。如果该路况检测结果是由毫米波雷达发送时，该路况检测结果将包括障碍物检测结果，但不包括车道线检测结果。基于此，终端设备在基于路况检测结果确定第一形状估计参数时，可以首先判断该路况检测结果中是否包括车道线检测结果，若该路况检测结果中包括车道线检测结果，则基于车道线检测结果或障碍物检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数，否则，终端设备则可以基于障碍物检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数。接下来将分别针对上述两种不同的情况介绍确定第一形状估计参数的具体实现方式。
第一种情况：当路况检测结果包括车道线检测结果时，也即该路况检测结果是由图像采集设备发送时，参见图4B，终端设备可以通过以下步骤来确定车辆当前的车道可行驶区间的第一形状估计参数。
4011：将车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组。
通常，车道均由两条车道线围成，而车道的形状也是通过围成该车道的两条车道线来确定的。因此，在本发明实施例中，终端设备可以将车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组。其中，每个车道线组中的两条车道线形成一个车道。
4012：从所述至少一个车道线组中查找目标车道线组，该目标车道线组包含的两条车道线的置信度均大于预设置信度。
其中，图像采集设备在不同情况下检测到的车道线的可靠性是不同的。例如，当车辆在高速巡航时，车道两侧的车道线清晰，此时，图像采集设备检测到的车道线的可靠性就会相对较高，而如果车辆此时正在通过拥挤的十字路口，由于十字路口处的车道线可能不存在，或者十字路口在较为拥堵的情况下，会有多辆车对车道线造成遮挡，此时，图像采集设备检测到的车道线的可靠性就会相对较低。基于此，图像采集设备可以在向终端设备发送的车道线检测结果中携带检测到的每条车道线的置信度，该置信度即可以用于指示相应的车道线的可靠性。终端设备在得到至少一个车道线组之后，可以将该至少一个车道线组中每个车道线组包含的两条车道线的置信度与预设置信度进行比较，从而从中查找是否存在包含的两条车道线的置信度均大于预设置信度的目标车道线组，以此来判断定是否采用车道线检测结果来确定第一形状估计参数。
其中，预设置信度是预先设置的用于指示车道线可靠的最小置信度。该预设置信度可以为0.8-0.9之间的任意值，本发明实施例对此不做具体限定。
4013：当查找到至少一个目标车道线组时，基于该至少一个目标车道线组中包括的车道线，确定该车辆当前的车道可行驶区间的第一形状估计参数。
其中，当在至少一个车道线组中查找到至少一个目标车道线组时，则可以确定该至少一个目标车道线组中包含的车道线是可靠的，此时，终端设备则可以采用该至少一个目标车道线组包括的车道线来确定第一形状估计参数。而如果该车道线检测结果的置信度不大于该预设置信度，则认为该车道线检测结果不可靠，在这种情况下，终端设备可以不采用该车道线检测结果来确定第一形状估计参数，此时，终端设备可以执行步骤4014。
具体的，终端可以基于至少一个目标车道线组中每个目标车道线组包括的两条车道线，确定每个目标车道线组对应的车道的形状估计参数，之后，基于每个目标车道线组对应的车道的形状估计参，确定车辆当前的车道可行驶区间的第一形状估计参数。
其中，当基于至少一个目标车道线组中每个目标车道线组包括的两条车道线来确定相应的目标车道线组对应的车道的形状估计参数时，针对至少一个目标车道线组中的任一目标车道线组A，终端设备均可以通过以下操作来确定目标车道线组A对应的车道的形状估计参数：根据目标车道线组A包括的两条车道线进行数据拟合，得到两条车道线的两个曲线方程，并根据两条车道线的两个曲线方程确定第一车道中心线的曲线方程；其中，第一车道中心线为目标车道线组A包括的两条车道线的车道中心线，车体坐标系的原点为车辆的后轴的中心点在地面的投影点，车体坐标系的X轴垂直于车辆的后轴且指向车头，车体坐标系的Y轴与车辆的后轴平行且指向车辆的左侧，车体坐标系的Z轴垂直于车辆的后轴且指向车顶；在车体坐标系下的X轴上选取多个X坐标，该多个X坐标中每相邻两个X坐标之间的差值相等；将多个X坐标分别作为第一车道中心线的曲线方程中的自变量的取值，计算对应的多个Y坐标；基于多个X坐标、多个Y坐标以及两条车道线的两个曲线方程，确定车辆当前的车道可行驶区间的第一形状估计参数。
在本发明实施例中，由于车道线是根据图像采集设备采集到的图像进行检测得到的，因此，车道线组包括的车道线是由图像空间中的多个像素点序列组成的车道线。因此，终端设备可以将图像空间中组成目标车道线组A中包含的每条车道线的多个像素点序列根据图像采集设备标定时确定的内外参矩阵，转换到车体坐标系下，得到车体坐标系下的多个点序列，并将这多个点序列进行拟合，得到车体坐标系下该目标车道线组A包括的每条车道线的三次曲线方程。其中，每个车道将对应两条车道线，当该车辆当前所在的车道的左右两侧均存在相邻的车道时，终端设备可以针对这三个车道，得到四条车道线的曲线方程。根据这四条车道线的曲线方程，可以确定三个车道分别对应的三条车道中心线的曲线方程。
当确定得到目标车道线A包括的两条车道线的两个曲线方程和第一车道中心线的曲线方程之后，终端设备可以根据可行驶区间的形状更新模型来对车道可行驶区间的形状进行估计。其中，终端设备可以将每个车道的可通行区域通过多个矩形框来描述。具体的，终端设备可以在车体坐标系的X轴上选取多个X坐标。该多个X坐标即为用于描述每个车道中的可通行区域的多个矩形框的中心点的横坐标。其中，终端设备可以从车体坐标系的原点开始，在预设距离处选取第一个X坐标，从第一个X坐标开始，每隔两倍的预设距离选取一个X坐标，直到选取的坐标位于图像采集设备的视野范围之外时，将最后一个选取的坐标之前选取的多个X坐标作为多个X坐标。由此可见，选取的X坐标的个数是与图像采集设备的视野范围相关的，而在车体坐标系下，图像采集设备的视野范围是固定的，这样，选取的X坐标的个数也就是固定的。另外，两倍的预设距离也即是该矩形框在X轴方向上的长度。
当选取得到多个X坐标时，对于该目标车道线组A对应的车道，终端设备可以将该多个X坐标作为该目标车道线组A对应的车道的车道中心线(也即第一车道中心线)的曲线方程的自变量，从而计算得到对应的多个Y坐标。也即是，终端设备可以计算得到每个车道的车道中心线上的多个点的坐标。该多个点的坐标也即是用于描述该车道的可通行区域的多个矩形框的中心点的位置坐标。
当通过上述方法确定得到多个X坐标和多个Y坐标之后，对于该目标车道线组A对应的车道，终端设备可以将多个X坐标中的每个X坐标作为该目标车道线组A包括的两条车道线的两个曲线方程的自变量，从而计算得到每个X坐标对应的两个y坐标，计算每个X坐标对应的两个y坐标之间的差，则可以得到以每个X坐标为中心点的横坐标的矩形框的宽度，该宽度也即是在X坐标的位置处该目标车道线组A对应的车道的宽度。
由此可见，通过上述步骤，对于每个车道，终端设备均可以确定得到用于描述该车道中的可通行区域的多个矩形框的中心点的位置和沿Y轴方向的宽度，并且，该多个矩形框沿X轴的长度为两倍的预设距离。此时，该多个矩形框的中心点的位置和沿Y轴方向的宽度即为第一形状估计参数。其中，多个矩形框的中心点的位置实际上即表示出了车道中心线偏离车体坐标系的X轴的距离，也就表示出了该车道的走势，而多个矩形框沿Y轴方向的宽度实际上表示出了该车道的宽度变化。也即是，第一形状估计参数实际上是根据图像采集设备检测到的车道线确定得到的每个车道中可通行区域的走势和宽度。
图4C是本发明实施例提供的一种通过多个矩形框来描述车道中的可通行区域的示意图。如图4C所示，假设目标车道线组A对应的车道为车辆当前所在的车道，车体坐标系如图中所示，在车体坐标系的X轴上选取多个X坐标，分别为(x1,x2,x3,x4,x5)，其中，每相邻的两个X坐标之间的距离Lx＝x1＝x2-x1＝…＝x5-x4，该距离Lx即是矩形框沿X轴方向的长度。将该多个X坐标作为该车道的车道中心线的曲线方程中的自变量的取值，计算得到多个X坐标对应的多个Y坐标，分别为(y1,y2,y3,y4,y5)。这样，(x1,y1)即为第一个矩形框的中心点位置，(x2,y2)为相邻的第二个矩形框的中心点位置，以此类推，(x5,y5)为最后一个矩形框的中心点位置。之后，对于多个X坐标(x1,x2,x3,x4,x5)中的每个X坐标，以x1为例，终端设备可以将该坐标x1分别作为该车道的两条车道线的两个曲线方程中自变量的取值，从而计算得到两个对应的y坐标，假设两个对应的y坐标分别为y’1和y”1，计算y’1和y”1之间的差Hy，该Hy即为第一个矩形框沿Y轴方向的宽度。对于每个X坐标，均可以按照上述方式，确定得到以该X坐标为中心点位置的矩形框的宽度。这样，就可以通过多个矩形框来描述该车道中的可通行区域的走势和宽度，如图4C所示，根据五个矩形框的中心点位置实际上就可以看出：在该车辆的前方，该车辆当前所在的车道中的可通行区域的中心线偏离该车辆当前行驶方向的程度，而五个矩形框的宽度则可以看出该车辆前方车道的宽度变化。
4014：当未查找到目标车道线组时，确定检测到的至少一个障碍物中满足预设条件的障碍物。
上述介绍了当至少一个车道线组中存在目标车道线组，也即是，至少一个车道线组中存在可信的车道线时，基于车道线检测结果中检测到的车道线来确定第一形状估计参数的具体实现过程。如果至少一个车道线组中不存在目标车道线组，则说明该车道线检测结果不可靠，在这种情况下，终端设备可以不采用该车道线检测结果来确定第一形状估计参数，此时，终端设备则可以根据本步骤的方法来进一步的判断是否可以根据障碍物检测结果来确定第一形状估计参数。
需要说明的是，在车辆的前方、后方、左侧以及右侧，位于图像采集设备的视野范围之内的障碍物可能只有一个，也可能有多个，因此，图像采集设备发送给终端设备的障碍物检测结果中可能只包括检测到的一个障碍物，也可能包括检测到的多个障碍物。基于此，终端设备可以判断障碍物检测结果中检测到的至少一个障碍物是否满足预设条件，从而从中确定得到满足预设条件的障碍物。具体的，针对至少一个障碍物中的任一障碍物A，终端设备可以判断该障碍物A的检测可靠性概率是否大于预设概率；当该障碍物A的检测可靠性概率大于预设概率时，判断该障碍物A的历史运动轨迹是否处于同一个车道内；当该障碍物A的历史运动轨迹处于同一个车道内时，终端设备可以判断该障碍物A是否为障碍物A的历史运动轨迹所处的车道内距离车辆最近的障碍物A，当该障碍物A为障碍物A的历史运动轨迹所处的车道内距离该车辆最近的障碍物时，则确定可以该障碍物A为满足预设条件的障碍物。
其中，考虑到障碍物检测结果中检测到的至少一个障碍物可能是图像采集设备的误检，因此，对于障碍物检测结果中检测到的任一障碍物A，图像采集设备在发送给终端设备的障碍物检测结果中可以携带任一障碍物A对应的检测可靠性概率，该检测可靠性概率用于指示该障碍物A可能存在的概率。终端设备可以将该检测可靠性概率与预设概率进行比较，如果该检测可靠性概率大于预设概率，为了防止该障碍物A只是车道上的一个随机移动的物品，如垃圾物之类的东西，终端设备还可以进一步的判断该障碍物A的历史运动轨迹是否处于同一个车道。因为，如果该障碍物A是一个运动的车辆，或者该障碍物A是位于某个车道上的一个固定的障碍物，或者如果该障碍物A是一个行人，那么，该障碍物在一定时间段内的运动轨迹将符合一定的运动规律。例如，假设该障碍物A是一个运动的车辆，那么，该障碍物A在过去一定时长内的运动轨迹将是连续的。进一步地，对于某个车道而言，当根据障碍A物确定该车道的可通行区域的形状时，该障碍物A应该是位于该车道中的障碍物。基于此，终端设备可以在确定该障碍物A的检测可靠性概率大于预设概率之后，进一步的判断该障碍物A的历史运动轨迹是否处于同一个车道内。当该障碍物A的历史运动轨迹处于同一个车道内时，考虑到在该障碍物A的历史运动轨迹所处的车道内可能存在多个障碍物，而该障碍物A可能并不是距离车辆最近的一个障碍物，因此，终端设备还可以进一步的判断该障碍物A是否为该障碍物A的历史运动轨迹所处的车道内距离该车辆最近的障碍物，如果是，则说明该障碍物A在过去的一定时长内是稳定存在的，该障碍物A是满足预设条件的障碍物。通过上述方法，终端设备可以从至少一个障碍物中确定出所有满足预设条件的障碍物，之后，终端设备即可以通过步骤4015基于确定出的满足预设条件的障碍物的历史运动轨迹来确定车辆当前的车道可行驶区间的第一形状估计参数。
需要说明的是，在本发明实施例中，对于任一障碍物A而言，该障碍物A的历史运动轨迹是将在过去检测到的该障碍物A的多个位置拟合得到的运动轨迹。例如，可以将距离当前最近10次确定的该障碍物A的10个位置进行拟合，得到该障碍物A的历史运动轨迹。
可选地，在本发明实施例中，对于障碍物检测结果中的至少一个障碍物，还可以对其进行编号，以便图像采集设备在障碍物的检测结果中可以更好的对障碍物进行跟踪。
4015：基于满足预设条件的障碍物的历史运动轨迹确定车辆当前的车道可行驶区间的第一形状估计参数。
当通过步骤4014从至少一个障碍物中确定得到满足预设条件的障碍物时，则可以通过这些满足预设条件的障碍物来确定第一形状估计参数。
具体的，终端设备可以将满足预设条件的每个障碍物的历史运动轨迹确定为相应障碍物所处的车道的车道中心线，并获取最近一次确定的满足预设条件的每个障碍物所处的车道的车道线，基于满足预设条件的每个障碍物所处的车道的车道中心线和获取的最近一次确定的满足预设条件的每个障碍物所处的车道的车道线确定车辆当前的车道可行驶区间的第一形状估计参数。
其中，由步骤4014可知，满足预设条件的障碍物的历史运动轨迹是处于同一个车道内的，这样，在无法通过车道线来确定车道形状的情况下，终端设备即可以以该满足预设条件的障碍物的历史运动轨迹为参考，来确定该车道的具体走势，也即是，对于满足预设条件的障碍物中任一障碍物B，终端设备可以直接将该障碍物B的历史运动轨迹当做该障碍物B的历史运动轨迹所处的这个车道，也即是该障碍物B所处的车道的车道中心线。由于根据障碍物并不能确定该车道两侧的车道线，因此，终端设备可以获取最近一次确定的该障碍物B所处的车道的车道线，作为当前该车道的车道线。
当确定该障碍物B所处的车道的车道中心线和车道线之后，终端设备可以得到该障碍物B所处的车道中心线和车道线的曲线方程，之后，终端设备可以参考步骤4013中用多个矩形框描述车道中的可通行区域的形状的相关方法，来确定该障碍物B所处的车道内多个矩形框的中心点位置和宽度。
可选地，由于该障碍物B所处的车道的车道线实际上是获取的最近一次确定的车道线，也即是，终端设备并没有对车道当前的车道线进行更新，而在最近一次对该车道中的可通行区域的形状进行估计时，如果同样是采用的多个矩形框来描述的可通行区域的形状，那么，此时，终端设备可以不获取最近一次确定的该障碍物所处的车道的车道线，而是直接获取最近一次对该车道中的可通行区域的形状进行估计时确定的多个矩形框的宽度。
对于车辆当前所在的车道以及与该车辆所在的车道相邻的其他车道，均可以通过上述方法确定得到用于描述每个车道中的可通行区域的多个矩形框的中心点位置和宽度，终端设备可以将确定的用于描述每个车道中的可通行区域的多个矩形框的中心点位置和宽度作为该车辆当前的车道可行驶区间的第一形状估计参数。
第二种情况：当路况结果中不包括车道线检测结果时，终端设备可以基于该障碍物检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数。其中，终端设备可以首先通过步骤4014中介绍的方法从障碍物检测结果中检测到的至少一个障碍物中确定满足预设条件的障碍物，之后，终端设备可以通过步骤4015中介绍的方法，基于确定得到的满足预设条件的障碍物的历史运动轨迹来确定车辆当前的车道可行驶区间的第一形状估计参数。
步骤402：基于最近一次确定的车辆的车道可行驶区间的形状，确定车辆当前的车道可行驶区间的第二形状估计参数。
步骤401中主要介绍了根据毫米波雷达或者图像采集设备发送的路况检测结果来确定第一形状估计参数的实现过程。由上述描述可知，该第一形状估计参数是根据实际测量值确定的形状估计参数。在确定得到第一形状估计参数之后，终端设备可以根据最近一次确定的车辆的车道可行驶区间的形状，通过系统模型预测形状估计参数，预测的形状估计参数即是车辆当前的车道可行驶区间的第二形状估计参数。
具体的，终端设备可以获取最近一次对车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，并通过下述模型确定车辆当前的车道可行驶区间的第二形状估计参数；
其中，t为当前时刻，yt为当前在第二车道中心线上且X坐标为xt的点的y坐标，第二车道中心线为车辆当前所在的车道以及与车辆当前所在的车道相邻的车道中任一车道的车道中心线，xt为在车体坐标系下选取的多个X坐标中的任一X坐标。为yt当前在车体坐标系的Y方向上的速度，为当前位于第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，yt-1为最近一次对车辆的可行驶区间的形状进行估计时在第二车道中心线上且X坐标为xt的点的y坐标，为最近一次对车辆的可行驶区间的形状进行估计时yt-1在车体坐标系的Y方向上的速度，为最近一次对车辆的可行驶区间的形状进行估计时位于第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，Δt为最近一次对车辆的可行驶区间的形状进行估计的时刻和当前时刻t之间的时间间隔，第二形状估计参数包括多个X坐标、多个X坐标所对应的多个yt、多个和多个
需要说明的是，在本发明实施例中，当预测形状估计参数时，对于该车辆当前所在的车道以及与该车辆当前所在的车道相邻的其他车道中的每个车道，终端设备可以仍以多个矩形框来描述该车道中的可通行区域。具体的，终端设备可以获取最近一次对车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，该形状估计参数包括用于描述每个车道中的可通行区域的多个矩形框的中心点位置、宽度以及多个矩形框相对于该车道中心线偏移的速度。其中，基于前述描述可知，矩形框的中心点位置的横坐标也即X坐标是根据预设距离在车体坐标系的X轴上选取的，也即是，矩形框的中心点位置的横坐标是固定不变的，因此，对于每个矩形框，均可以根据获取的最近一次的该矩形框的中心点位置的纵坐标(也即X坐标对应的y坐标)、宽度以及偏移速度通过式(1)计算得到该矩形框在当前时刻的中心点位置的纵坐标、宽度以及速度。最终，通过式(1)计算得到的多个车道的多个矩形框的中心点位置的纵坐标、宽度以及偏移速度即为预测的形状估计参数，也即第二形状估计参数。
步骤403：基于第一形状估计参数和第二形状估计参数，确定车辆当前的车道可行驶区间的形状估计结果。
通过步骤401，终端设备确定了第一形状估计参数，该第一形状估计参数是根据实际测量值对该车辆当前的车道可行驶区间的形状进行估计的结果，而通过步骤402，终端设备确定了第二形状估计参数，该第二形状估计参数是终端设备根据最近一次确定的该车辆的车道可行驶区间的形状预测得到的车辆当前的车道可行驶区间的形状。在实际应用中，可能根据实际测量值确定的第一形状估计参数更加准确可信，也可能是根据最近一次确定得到的形状进行预测得到的第二形状估计参数更加准确可信，因此，当确定第一形状估计参数和第二形状估计参数之后，终端设备可以判断第一形状估计参数和第二形状估计参数哪个更准确可信，从而决定是基于第一形状估计参数确定形状估计结果还是基于第二形状估计参数来确定形状估计结果。
具体的，终端设备可以基于第一形状估计参数和第二形状估计参数，通过卡尔曼滤波算法确定第一增益因子；当第一增益因子大于预设增益因子时，通过第一形状估计参数确定车辆当前的车道可行驶区间的形状估计结果；当第一增益因子不大于预设增益因子时，通过第二形状估计参数确定车辆当前的车道可行驶区间的形状估计结果。
其中，由于第一形状估计参数是根据测量值确定的估计参数，也即是，该第一形状估计参数是测量空间内的估计参数。而第二形状估计参数是通过系统方程预测得到的状态空间内的估计参数，因此，首先，终端设备可以将第二形状估计参数转换为测量空间内的估计参数。具体的，对于第二形状估计参数中的每一组参数，也即是，每个矩形框的中心点位置的纵坐标、宽度和偏移速度，终端设备均可以通过下式(2)将其转换到测量空间。
其中，yt为第一坐标当前所对应的y坐标，也即是矩形框的中心点位置的纵坐标，为y坐标当前在Y方向上的速度，为当前第一坐标所对应的车道线上的点之间的距离，也即是，矩形框的宽度。为yt在测量空间对应的坐标，为在测量空间对应的坐标。ry为yt的测量误差，rl为的测量误差，该ry和rl均为预设值。
可选地，如果第一形状估计参数是根据障碍物检测结果确定的，那么，由于第一形状估计参数中只有多个矩形框的中心点位置的纵坐标是根据当前的测量值确定的，而矩形框的宽度并没有更新，在这种情况下，相应地，在确定第一增益因子时，由于实际上并不存在根据测量值确定的矩形框的宽度，而是只有一个最近一次确定的矩形框的宽度，因此，对于矩形框的宽度，则不存在选择一个更准确可信的值这一步骤，也即是，在确定第一增益因子时，可以不考虑矩形框的宽度这个参数。这样，当将第二形状估计参数转换到测量空间中时，对于第二形状估计参数中的每组参数，终端设备可以通过下式(3)来将其转换到测量空间中。
当将第二形状估计参数转换到车体坐标系下之后，由前述描述可知，第一形状估计参数包括不同的车道的形状估计参数，针对第一形状估计参数中每个车道的形状估计参数中的每一组参数A，终端设备可以基于该组参数A以及该组参数A对应的在测量空间的第二形状估计参数中的一组参数，通过卡尔曼滤波算法确定得到一个增益因子，之后，终端可以将得到的多个增益因子的平均值确定为第一增益因子。例如，某个车道的形状估计参数中X坐标为x1时对应的矩形框的中心点位置的纵坐标y1和宽度Ly1为一组参数，第二形状估计参数中X坐标为x1时对应的矩形框的纵坐标和宽度为一组参数，根据这两组参数，通过卡尔曼滤波算法可以得到一个增益因子k1，该增益因子k1即为X坐标为x1时对应的矩形框的参数的增益因子，对于该车道的形状估计参数中的其他组参数以及对应的第二形状估计参数中的其他组参数，均可以按照该方法计算得到一个增益因子，从而得到多个增益因子，将多个增益因子计算平均值，得到该车道的增益因子，对于每个车道的形状估计参数均可以采用上述方法来确定得到相应的增益因子，计算每个车道的增益因子，得到的即为第一增益因子。
需要说明的是，第一增益因子可以用于指示第一形状估计参数的准确可信性，第一增益因子越大，则表明第一形状估计参数越准确可信，当第一增益因子大于预设增益因子时，则可以根据第一形状估计参数来确定车辆当前的车道可行驶区间的形状。如果该第一增益因子不大于预设增益因子，则认为第二形状估计参数较第一形状估计参数更为准确可信，此时，终端设备则基于第二形状估计参数来确定车辆当前的车道可行驶区间的形状。
另外，在本发明实施例中，无论是以第一形状估计参数来确定车辆当前的车道可行驶区间的形状，还是以第二形状估计参数来确定车辆当前的车道可行驶区间的形状，终端设备均可以通过形状估计参数中包括的多个矩形框的中心点位置的纵坐标和宽度，结合多个第一坐标和选取第一坐标时的预设距离，确定该车辆当前所在的车道和与该车辆当前所在的车道相邻的其他车道的形状。
在本发明实施例中，终端设备可以基于路况检测结果中的车道线检测结果或障碍物检测结果来确定车辆的车道可行驶区间的第一形状估计参数，并基于最近一次确定的车辆的车道可行驶区间的形状，确定车辆当前的车道可行驶区间的第二形状估计参数。其中，第一形状估计参数是根据当前接收到的实际测量值确定的形状估计参数，而第二形状估计参数则是根据最近一次确定的车辆的车道可行驶区间的形状，通过系统方程预测得到的形状估计参数。在此基础上，终端设备可以通过卡尔曼滤波算法来决定哪个形状估计参数更加准确可信，并基于更加准确可信的形状估计参数来确定车辆当前的车道可行驶区间的形状，提高了车辆当前的车道可行驶区间的形状估计结果的准确性。另外，在本发明实施例中，对于每个车道，可以通过多个矩形框来对该车道中的可通行区域进行描述，根据该多个矩形框的中心点位置和宽度，可以更准确更鲜明的展示出该车道的走势和宽度变化。
当对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果之后，终端设备可以在该形状估计结果的基础上，结合车辆当前的状态参数和障碍物检测结果，来进一步的确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。接下来，将结合图5A-5C对基于车辆当前的状态参数、形状估计结果和障碍物检测结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数的具体实现方式进行详细的解释说明。
图5A是本发明实施例提供的一种确定车辆当前的车道可行驶区间的虚拟停止线的状态参数的方法的流程图，该方法可以应用于图1和图2所示的终端设备中，或者可以应用于VCU，本发明实施例中将以终端设备为执行主体进行解释说明，参见图5A，该方法包括：
步骤501：判断障碍物检测结果中检测到的至少一个障碍物中是否存在满足预设条件的障碍物。
其中，该预设条件是指障碍物的检测可靠性概率大于预设概率、障碍物的历史运动轨迹处于同一个车道内且障碍物是历史运动轨迹所在的车道中距离车辆最近的一个障碍物。另外，本步骤的具体实现方式以及相关的解释说明可以参考步骤4014中的相关说明，本发明实施例在此不再赘述。
需要说明的是，由于在确定形状估计结果时，已经通过步骤4014确定了至少一个障碍物中满足预设条件的障碍物，也就是说，已经判断了障碍物检测结果中检测到的至少一个障碍物是否存在满足预设条件的障碍物，而本实施例中确定虚拟停止线的状态参数是在确定形状估计结果之后执行的，在这种情况下，终端设备可以在步骤4014中即存储确定的结果，这样，在本实施例中可以不再执行本步骤。当然，终端设备也可以在本实施例确定虚拟停止线时再进行一次判断。本发明实施例对此不做具体限定。
步骤502：当障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足预设条件的障碍物的状态参数和形状估计结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
其中，任一障碍物的状态参数包括相应障碍物的位置，除此之外，该状态参数还可以包括运动参数，如障碍物的运动速度、加速度等。
其中，当障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，终端设备可以基于满足预设条件的障碍物的状态参数和形状估计结果，确定满足预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，之后，终端设备可以基于满足预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
参见图5B，终端设备可以通过以下步骤来确定满足预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数。在图5B所示的步骤中，以满足预设条件的障碍物中的任一障碍物A为例进行解释说明，满足预设条件的障碍物中的每个障碍物均可以参照对障碍物A的处理方式来确定相应障碍物所在的车道的可通行区域的虚拟停止线的状态参数。
5021：针对满足预设条件的障碍物中的任一障碍物A，基于该障碍物A的位置和形状估计结果，计算该障碍物A位于车辆当前所在的车道的概率，并计算该障碍物A位于与车辆当前所在的车道相邻的其他车道的概率。
满足预设条件的障碍物可能只有一个，也可能有多个。其中，障碍物检测结果中检测到的这些障碍物均对应有状态参数，也即障碍物的位置和运动参数，对于静止的障碍物，运动参数则为0。在本发明实施例中，终端设备可以将满足预设条件的障碍物和前述实施例确定的车辆当前的车道可行驶区间的形状结合，从而将满足预设条件的障碍物与该车辆所对应的多个车道进行匹配。也即是，对于满足预设条件的障碍物中的任一障碍物A，终端设备可以基于该障碍物A的位置和前述实施例中确定的形状估计结果，来计算该障碍物A位于每个车道的概率。
具体的，当基于该障碍物A的位置和形状估计结果，来计算该障碍物A位于该车辆当前所在的车道的概率时，终端设备可以获取形状估计结果中该车辆当前所在的车道中的可通行区域的两条车道线和车道中心线；之后，终端设备可以基于获取的两条车道线、车道中心线以及障碍物的位置，通过下式(4)计算障碍物位于该车辆当前所在车道的概率。
其中，pi为障碍物位于车辆当前所在的车道的概率，l为障碍物偏离车道中心线的距离，ai和bi分别为障碍物偏离两条车道线的距离，且ai＜bi。
在本发明实施例中，通过图4A所示的实施例确定了车辆当前的车道可行驶区间的形状估计结果，该形状估计结果可以包括根据第一形状估计参数拟合得到的各个车道的车道线和车道中心线，或者，该形状估计结果包括根据第二形状估计参数拟合得到的各个车道的车道线和车道中心线。当计算障碍物A位于该车辆当前所在车道的概率时，终端设备可以从该形状估计结果中直接获取该车辆当前所在车道的两条车道线和车道中心线。之后，终端设备可以确定该障碍物A到该车辆当前所在的车道的车道中心线的第一垂直距离，该第一垂直距离也即是障碍物A偏离该车辆当前所在车道的车道中心线的距离l。另外，终端设备还可以获取形状估计结果中该车辆当前所在车道的两条车道线，并确定该障碍物分别到两条车道线的垂直距离，得到第二垂直距离和第三垂直距离。第二垂直距离和第三垂直距离即为该障碍物偏离该车辆所在车道的两条车道线的距离ai和bi。根据上述确定的参数l，ai以及bi，即可以通过式(4)确定得到该障碍物位于该车辆当前所在车道的概率。
当计算该障碍物A位于与该车辆当前所在的车道相邻的其他车道的概率时，终端设备则可以获取相应地车道的车道中心线和两条车道线，并确定该障碍物A到车道中心线的垂直距离和分别到两条车道线的垂直距离，根据获取的三个垂直距离，同样通过式(4)就可以确定得到该障碍物A位于相应地车道的概率。
图5C是本发明实施例示出的一种计算障碍物A位于该车辆当前所在的车道的概率的示意图。如图5C所示，用黑色方框表示该车辆，黑色圆点表示障碍物A，虚线是该车辆当前所在车道的车道中心线L1，位于该车辆两侧的粗实线L2和L3是该车辆当前所在的车道的两条车道线。其中，该障碍物A到车道中心线的垂直距离以及该障碍物A分别到两条车道线的垂直距离如图中所示。由于车道线L2更靠近该障碍物A，因此，障碍物A到车道线L2的垂直距离为ai，障碍物A到车道线L3的垂直距离为bi。
对于障碍物检测结果中检测到的满足预设条件的每个障碍物，终端设备均可以通过上述方式来确定式(4)中的相关参数，并根据确定的相关参数通过式(4)计算得到每个障碍物位于各个车道的概率。
5022：基于最近一次确定的车辆的车道可行驶区间的虚拟停止线的状态参数以及车辆当前的状态参数，预测车辆当前的车道可行驶区间的虚拟停止线的状态参数。
在本发明实施例中，在确定虚拟停止线的状态参数时，终端设备不仅可以根据接收到的实际测量值确定得到一个虚拟停止线的状态参数，还可以根据最近一次确定的虚拟停止线的状态参数预测得到一个当前的虚拟停止线的状态参数。
其中，当终端设备根据最近一次确定的车辆的车道可行驶区间的虚拟停止线的状态参数来预测当前虚拟停止线的状态参数时，为了更好的表征虚拟停止线与车辆之间的位置关系，终端设备可以以道路坐标系为准来表征虚拟停止线的状态参数。也就是说，本发明实施例中的虚拟停止线的状态参数可以是该虚拟停止线在道路坐标系下的位置和运动参数。其中，道路坐标系以该车辆的后轴中心在该车辆当前所在车道的车道中心线上的投影点为原点，以该车辆当前所在车道的车道中心线为x轴，以垂直于车辆当前所在车道的车道中心线的直线为y轴。
具体的，终端设备可以获取最近一次确定的车辆的车道可行驶区间的虚拟停止线的状态参数，该车辆的车道可行驶区间的虚拟停止线的状态参数包括最近一次确定的各个车道中的可通行区域的虚拟停止线的状态参数。对于该车辆当前所在的车道和与该车辆当前所在的车道相邻的其他车道中的任一车道，终端设备可以从最近一次确定的该车辆的车道可行驶区间的虚拟停止线的状态参数中获取相应车道中的可通行区域的虚拟停止线的状态参数，同时，还获取该车辆当前的状态参数，并通过下式(5)来预测当前每个车道中的可通行区域的虚拟停止线的状态参数。其中，该车辆当前的状态参数可以为该车辆当前的运动速度。
其中，st为当前车道中的可通行区域的虚拟停止线与道路坐标系原点之间的距离，νt为当前车道中的可通行区域的虚拟停止线的运动速度，at为当前车道中的可通行区域的虚拟停止线的加速度；Δt为最近一次确定该车辆的车道可行驶区间的虚拟停止线的状态参数的时刻与当前时刻之间的时间差；st-1为最近一次确定的该车道中的可通行区域的虚拟停止线与道路坐标系原点之间的距离，νt-1为最近一次确定的该车道中的可通行区域的虚拟停止线的运动速度，at-1为最近一次确定的该车道中的可通行区域的虚拟停止线的加速度；νego为该车辆当前的运动速度。qs，qν和qa为预设的过程噪声。
对于该车辆当前的车道可行驶区间中包括的任一车道中的可通行区域，终端设备均可以通过上述介绍的方法预测得到该车道中的可通行区域的虚拟停止线的状态参数，最终，预测得到的多个车道中的可通行区域的虚拟停止线的状态参数即为预测得到的该车辆当前的车道可行驶区间的虚拟停止线的状态参数。
5023：从计算得到的概率中选择最大概率，将最大概率对应的车道确定为障碍物A所在的车道。
其中，通过步骤5021计算得到了障碍物A位于车辆当前所在车道的概率以及位于与该车辆当前所在的车道相邻的其他车道的概率，终端设备可以从这些计算得到的概率中选择一个最大概率，并认为最大概率对应的车道就是障碍物A所在的车道。
5024：根据预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断该障碍物A和该障碍物A所在的车道中的可通行区域是否匹配。
当确定该障碍物A所在的车道之后，终端设备可以基于预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数，来判断该障碍物和该障碍物所在的车道中的可通行区域是否匹配，也即是，判断该障碍物是否可以作为该障碍物所在的车道中的可通行区域的虚拟停止线。
具体的，终端设备可以从预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数中获取该障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；并从预测到的障碍物A所在的车道的可通行区域的虚拟停止线的状态参数中获取障碍物A所在的车道的可通行区域的虚拟停止线的预测位置；确定该预测位置和障碍物A的位置之间的马氏距离；当马氏距离小于预设距离时，确定障碍物A和障碍物A所在的车道的可通行区域相匹配；否则，确定障碍物A和障碍物A所在的车道的可通行区域不匹配。
其中，当确定了该障碍物A所在的车道之后，只是确定了该障碍物A可能位于该车道中，但是并不能确定该障碍物A是否可以作为该车道中可通行区域的虚拟停止线，因此，终端设备还可以将该障碍物A的位置和预测得到的该车道中的可通行区域的虚拟停止线进行匹配。
具体的，由步骤5022可知，终端设备预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数中包括每个车道中的可通行区域的虚拟停止线的状态参数，因此，终端设备可以从中获取预测的该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数，并从获取的状态参数中获取虚拟停止线的预测位置，之后，终端设备可以计算该障碍物A的位置和获取到的预测位置之间的马氏距离，该马氏距离用于指示障碍物A的位置和预测位置之间的差异，当差异越大，计算得到的马氏距离也就越大。基于此，当该马氏距离小于预设距离时，则认为该障碍物A的位置和预测位置之间的差异在可接受的范围之内，此时，终端设备可以确定该障碍物A能够作为该障碍物A所在车道的虚拟停止线，也即是，终端设备可以确定该障碍物A与该障碍物A所在的车道中的可通行区域相匹配。反之，如果计算得到的马氏距离大于预设距离，则认为该障碍物A的位置和预测位置之间的差异太大，在不可接受的范围之内，此时，终端设备则不以该障碍物A作为虚拟停止线，也即是，该障碍物A和该障碍物A所在的车道中的可通行区域不匹配。
另外，还需要说明的是，由步骤5022可知，在本发明实施例中，可以通过预测来得到虚拟停止线的状态参数。因此，当该障碍物A和该障碍物A所在的车道中的可通行区域匹配时，由于该障碍物A是根据接收到的实际检测结果确定的，因此，以该障碍物A为虚拟停止线实际上得到的是检测的虚拟停止线。
5025：当该障碍物A和该障碍物A所在的车道中的可通行区域匹配时，基于该障碍物A的状态参数和预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数。
当确定该障碍物A和该障碍物A所在的车道中的可通行区域匹配时，终端设备可以基于该障碍物A的状态参数和预测得到的该障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，通过卡尔曼滤波算法确定第二增益因子；当第二增益因子大于预设增益因子时，将该障碍物A的状态参数确定为该障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；当第二增益因子不大于预设增益因子时，将预测得到的该障碍物A所在的车道的可通行区域的虚拟停止线的状态参数确定为该障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
其中，当该障碍物A和该障碍物A所在的车道中的可通行区域匹配时，由于该障碍物A实际上就是检测到的虚拟停止线，因此，可以将该障碍物A的状态参数作为该障碍物A所在车道中的可通行区域的虚拟停止线的状态参数的测量值。具体的，终端设备可以确定该障碍物A在道路坐标系的x轴上的投影点到道路坐标系的原点之间的距离s，并确定该障碍物A的运动速度ν和加速度a。该距离s、运动速度ν和加速度a即为该障碍物A的状态参数，也即是该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数的测量值。
当确定该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数的测量值之后，考虑到预测得到的该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数，也即预测值，可能比该测量值更加准确可信，因此，终端设备可以基于该测量值和预测值，通过卡尔曼滤波算法来计算第二增益因子，该第二增益因子用于指示该测量值和该预测值哪个更加准确可信。第二增益因子越大，则说明测量值越准确可信，因此，终端设备可以将该第二增益因子与预设增益因子进行比较，如果该第二增益因子大于该预设增益因子，则认为测量值较之预测值更加准确可信，此时，终端设备就将测量值确定为最终的虚拟停止线的状态参数，也即是，将该障碍物A的状态参数作为该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数。而如果该第二增益因子不大于该预设增益因子，则认为预测值更加准确可信，此时，终端设备则将预测值作为最终的虚拟停止线的状态参数，也即是，将预测得到的该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数确定为该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数。
需要说明的是，在本发明实施例中，当通过图像采集设备来检测障碍物时，由于图像采集设备只能检测到障碍物的位置，并不能检测出障碍物的运动速度和加速度，因此，当该障碍物A是图像采集设备发送的障碍物检测结果中的障碍物时，该障碍物A的运动速度和加速度将均为0，也即是，该障碍物A所在的车道中的可通行区域的虚拟停止线的状态参数可以只包括该障碍物A的位置。
通过步骤5021-5025，可以确定得到满足预设条件的每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，也即是，对于该车辆当前所在的车道和与该车辆当前所在的车道相邻的车道，均可以通过上述方法确定得到对应的车道中的可通行区域的虚拟停止线的状态参数，终端设备可以将确定得到的各个车道中的可通行区域的虚拟停止线的状态参数确定为该车辆当前的车道可行驶区间的虚拟停止线的状态参数。
步骤503：当障碍物检测结果中检测到的至少一个障碍物均不满足预设条件，且当信号灯检测结果为检测到红灯时，基于信号灯停止线检测结果中检测到的信号灯停止线的位置，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
当障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，终端设备可以通过步骤502来确定该车辆当前的车道可行驶区间的虚拟停止线的状态参数。但是，如果该障碍物检测结果中检测到的至少一个障碍物均不满足预设条件，且接收到的路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果，那么，终端还可以根据该信号灯检测结果和信号灯停止线检测结果来确定该车辆当前的车道可行驶区间的虚拟停止线的状态参数。
具体的，信号灯检测和信号灯停止线的检测通常均是通过图像采集设备采集的图像进行检测的，而不是通过毫米波雷达检测，也就是说，当路况检测结果是由图像采集设备发送的，那么，该路况检测结果中还可能包括信号灯检测结果和信号灯停止线检测结果。另外，如果该路况检测结果中包括信号灯检测结果和信号灯停止线检测结果，那么，基于交通常识可知，通常在红灯的情况下，该信号灯停止线才会成为该车辆的阻碍，也即是，在信号灯为红灯的情况下，信号灯停止线才可能作为虚拟停止线。基于此，当检测到的至少一个障碍物均不满足预设条件，且该路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果时，终端设备可以基于该信号灯检测结果判断是否检测到的红灯。
可选地，由于本发明实施例中该车辆当前的车道可行驶区间包括多个车道中的可通行区域，而每个车道可能单独对应有信号灯，因此，终端设备可以根据信号灯检测结果分别确定每个车道所对应的信号灯是否为红灯。
当基于信号灯检测结果确定检测到红灯时，那么，信号灯停止线将对该车辆的通行造成阻碍，此时，终端设备可以基于信号灯停止线检测结果中检测到的信号灯停止线的位置来确定该车辆当前的车道可行驶区间的虚拟停止线的状态参数。
其中，通常情况下，由于并列的各个车道对应的信号灯停止线是一条线，因此，对于该车辆当前所在车道以及与该车辆当前所在的车道相邻的其他车道，终端设备可以将该信号灯停止线作为上述各个车道中的可通行区域的虚拟停止线。具体的，由于信号灯停止线是静止的，也即是，信号灯停止线的运动参数均为0，因此，终端设备可以将该信号灯停止线的位置作为该各个车道中的可通行区域的虚拟停止线的状态参数。
可选地，当每个车道单独对应有信号灯时，终端设备则可以确定检测到的红灯所对应的车道，并将信号灯停止线作为检测到的红灯所对应的车道中的可通行区域的虚拟停止线。
上述介绍了当至少一个障碍物中存在满足预设条件的障碍物和不存在满足预设条件的障碍物时确定虚拟停止线的状态参数的具体实现方式。在一种可能的情况中，该至少一个障碍物中可能只有部分障碍物满足预设条件，并且，该路况检测结果中包括信号灯检测结果和信号灯停止线检测结果。在这种情况下，对于某个车道而言，可能根据障碍物通过前述步骤502中介绍的方法可以确定得到一个该车道中可通行区域的虚拟停止线的状态参数，而根据信号灯检测结果和信号灯停止线也可以确定得到一个该车道中可通行区域的虚拟停止线的状态参数，此时，终端设备可以根据上述两个虚拟停止线的状态参数中的两个虚拟停止线的位置，将与该车辆之间的距离最近的虚拟停止线的状态参数确定为该车道中可通行区域的虚拟停止线的状态参数。
在本发明实施例中，当障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足预设条件的障碍物状态参数和形状估计结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数；当障碍物检测结果中检测到的至少一个障碍物均不满足预设条件，且信号灯检测结果为检测到红灯时，可以基于信号灯停止线检测结果中检测到的信号灯停止线的位置，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。也即是，本发明实施例可以结合对该车辆的车道可行驶区间进行形状估计得到的形状估计结果，来确定该车辆的车道可行驶区间的虚拟停止线的状态参数，该虚拟停止线实际上就是每个车道中可通行区域的截止线，这样，将该虚拟停止线和形状估计结果作为车道信息，实际上给出了该车辆在各个车道的精确的可行驶范围，进一步的提高了车道信息的精准性。
参见图6，本发明实施例提供了一种车道信息的检测装置，该装置包括：
获取模块601，用于执行上述实施例中的步骤301中获取路况检测结果的步骤；
估计模块602，用于执行上述实施例中的步骤301中对车辆当前的车道可行驶区间的形状进行估计的步骤；
第一确定模块603，用于执行上述实施例中的步骤302；
第二确定模块604，用于执行上述实施例中的步骤303。
可选地，估计模块602包括：
第一确定单元，用于基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
第二确定单元，用于基于最近一次确定的车辆的车道可行驶区间的形状，确定车辆当前的车道可行驶区间的第二形状估计参数；
第三确定单元，用于基于第一形状估计参数和第二形状估计参数，确定车辆当前的车道可行驶区间的形状估计结果。
可选地，第一确定单元包括：
第一判断子单元，用于判断所述路况检测结果是否包括车道线检测结果；
第一确定子单元，用于若所述路况检测结果包括所述车道线检测结果，则基于车道线检测结果或障碍物检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数；
第二判断子单元，用于若所述路况检测结果不包括所述车道线检测结果，则基于障碍物检测结果，确定车辆当前的车道可行驶区间的第一形状估计参数。
可选地，第一确定子单元具体用于：
将车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组；
从至少一个车道线组中查找目标车道线组，目标车道线组包含的两条车道线的置信度均大于预设置信度；
当查找到至少一个目标车道线组时，基于至少一个目标车道线组中包括的车道线，确定车辆当前的车道可行驶区间的第一形状估计参数；
当未查找到目标车道线组时，确定至少一个障碍物中满足预设条件的障碍物，且基于满足预设条件的障碍物的历史运动轨迹确定车辆当前的车道可行驶区间的第一形状估计参数。
可选地，第一确定子单元具体用于：
基于至少一个目标车道线组中的每个目标车道线组包括的两条车道线，确定每个目标车道线组对应的车道的形状估计参数；
基于每个目标车道线组对应的车道的形状估计参数，确定车辆当前的车道可行驶区间的第一形状估计参数。
可选地，第一确定子单元具体用于：
针对至少一个目标车道线组中的任一目标车道线组A，根据目标车道线组A包括的两条车道线进行数据拟合，得到当前的车体坐标系下目标车道线组A包括的两条车道线的两个曲线方程，并根据目标车道线组A包括的两条车道线的两个曲线方程确定第一车道中心线的曲线方程；
其中，第一车道中心线为目标车道线组A包括的两条车道线的车道中心线，车体坐标系的原点为车辆的后轴的中心点在地面的投影点，车体坐标系的X轴垂直于车辆的后轴且指向车头，车体坐标系的Y轴与车辆的后轴平行且指向车辆的左侧，车体坐标系的Z轴垂直于车辆的后轴且指向车顶；
在车体坐标系下选取多个X坐标，多个X坐标中每相邻两个X坐标之间的差值相等；
将多个X坐标分别作为第一车道中心线的曲线方程中的自变量的取值，计算对应的多个Y坐标；
基于多个X坐标、多个Y坐标以及目标车道线组A包括的两条车道线的两个曲线方程，确定目标车道线组A所对应的车道的形状估计参数。
可选地，第二确定子单元具体用于：
确定障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物；
基于满足预设条件的障碍物的历史运动轨迹确定车辆当前的车道可行驶区间的第一形状估计参数。
可选地，第一确定子单元或第二确定子单元具体用于：
针对至少一个障碍物中的任一障碍物A，判断障碍物A的检测可靠性概率是否大于预设概率；
当障碍物A的检测可靠性概率大于预设概率时，判断障碍物A的历史运动轨迹是否处于同一个车道内；
当障碍物A的历史运动轨迹处于同一个车道内时，判断障碍物A是否为障碍物A的历史运动轨迹所处的车道内距离车辆最近的障碍物；
当障碍物A为障碍物A的历史运动轨迹所处的车道内距离车辆最近的障碍物时，确定障碍物A为满足预设条件的障碍物。
可选地，第一确定子单元具体用于：
将满足预设条件的每个障碍物的历史运动轨迹确定为相应障碍物所处的车道的车道中心线，并获取最近一次确定的满足预设条件的每个障碍物所处的车道的车道线；
基于满足预设条件的每个障碍物所处的车道的车道中心线和获取的最近一次确定的满足预设条件的每个障碍物所处的车道的车道线确定车辆当前的车道可行驶区间的第一形状估计参数。
可选地，第二确定单元具体用于：
获取最近一次对车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，并通过下述模型确定车辆当前的车道可行驶区间的第二形状估计参数；
其中，t为当前时刻，yt为当前在第二车道中心线上且X坐标为xt的点的y坐标，第二车道中心线为车辆当前所在的车道以及与车辆当前所在的车道相邻的车道中任一车道的车道中心线，xt为在车体坐标系下选取的多个X坐标中的任一X坐标，为yt当前在车体坐标系的Y方向上的速度，为当前位于第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，yt-1为最近一次对车辆的可行驶区间的形状进行估计时在第二车道中心线上且X坐标为xt的点的y坐标，为最近一次对车辆的可行驶区间的形状进行估计时yt-1在车体坐标系的Y方向上的速度，为最近一次对车辆的可行驶区间的形状进行估计时位于第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，Δt为最近一次对车辆的可行驶区间的形状进行估计的时刻和当前时刻t之间的时间间隔，第二形状估计参数包括多个X坐标、多个X坐标所对应的多个yt、多个和多个
可选地，第三确定单元具体用于：
基于第一形状估计参数和第二形状估计参数，通过卡尔曼滤波算法确定第一增益因子；
当第一增益因子大于预设增益因子时，通过第一形状估计参数确定车辆当前的车道可行驶区间的形状估计结果；
当第一增益因子不大于预设增益因子时，通过第二形状估计参数确定车辆当前的车道可行驶区间的形状估计结果。
可选地，第一确定模块包括：
第四确定单元，用于当障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足预设条件的障碍物的状态参数和形状估计结果，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，预设条件是指障碍物的检测可靠性概率大于预设概率、障碍物的历史运动轨迹处于同一个车道内且障碍物是历史运动轨迹所在的车道中距离车辆最近的一个障碍物，任一障碍物的状态参数包括相应障碍物的位置；
第五确定单元，用于当障碍物检测结果中检测到的至少一个障碍物均不满足预设条件，且信号灯检测结果为检测到红灯时，基于信号灯停止线检测结果中检测到的信号灯停止线的位置，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果。
可选地，第四确定单元包括：
第三确定子单元，用于基于满足预设条件的障碍物的状态参数和形状估计结果，确定满足预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数；
第四确定子单元，用于基于满足预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，确定车辆当前的车道可行驶区间的虚拟停止线的状态参数。
可选地，第三确定子单元具体用于：
针对满足预设条件的障碍物中的任一障碍物A，基于障碍物A的位置和形状估计结果，计算障碍物A位于车辆当前所在的车道的概率，并计算障碍物A位于与车辆当前所在的车道相邻的其他车道的概率；
基于最近一次确定的车辆的车道可行驶区间的虚拟停止线的状态参数以及车辆当前的状态参数，预测车辆当前的车道可行驶区间的虚拟停止线的状态参数；
从计算得到的概率中选择最大概率，将所述最大概率对应的车道确定为所述障碍物A所在的车道；
根据预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断障碍物A和障碍物A所在的车道的可通行区域是否匹配；
当障碍物A和障碍物A所在的车道的可通行区域匹配时，基于障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
可选地，第三确定子单元具体用于：
获取形状估计结果中车辆当前所在的车道中的可通行区域的两条车道线和车道中心线；
基于获取的两条车道线和车道中心线以及障碍物A的位置，通过下述公式计算障碍物A位于车辆当前所在的车道的概率：
其中，pi为障碍物A位于车辆当前所在的车道的概率，l为障碍物A偏离车道中心线的距离，ai和bi分别为障碍物A偏离两条车道线的距离，且ai＜bi。
可选地，第三确定子单元具体用于：
从计算得到的概率中选择最大概率，将最大概率对应的车道确定为障碍物所在的车道；
从预测得到的车辆当前的车道可行驶区间的虚拟停止线的状态参数中获取障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
从预测得到的障碍物A所在的车道的可通行区域的虚拟停止线的状态参数中获取障碍物A所在的车道的可通行区域的虚拟停止线的预测位置；
确定预测位置和障碍物A的位置之间的马氏距离；
当马氏距离小于预设距离时，确定障碍物A和障碍物A所在的车道的可通行区域相匹配。
可选地，第三确定子单元具体用于：
基于障碍物A的状态参数和预测得到的障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，通过卡尔曼滤波算法确定第二增益因子；
当第二增益因子大于预设增益因子时，将障碍物A的状态参数确定为障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
当第二增益因子不大于预设增益因子时，将预测得到的障碍物A所在的车道的可通行区域的虚拟停止线的状态参数确定为障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
综上所述，在本发明实施例中，当接收到由毫米波雷达或图像采集设备发送的路况检测结果时，可以基于该路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果。之后，可以基于车辆当前的状态参数、形状估计结果和路况检测结果中包括的障碍物检测结果来确定车辆当前的车道可行驶区间的虚拟停止线的状态参数，其中，该车道可行驶区间包括该车辆所在的车道中的可通行区域以及与该车辆所在的车道相邻的其他车道中的可通行区域。由此可见，在本申请中，只要接收到毫米波雷达或图像采集设备任一者发送的路况检测结果，就可以根据该路况检测结果确定得到该车辆的车道可行驶区间的形状和虚拟停止线的状态参数，并将其确定为车道信息。也即是，在本申请中，无需再同时通过毫米波雷达和图像采集设备来检测障碍物，也无需将二者检测到的障碍物进行匹配，就可以确定得到车道信息，这样，即使毫米波雷达或图像采集设备存在一定的检测误差，也不会由于该检测误差发生障碍物漏检或错误匹配的问题，另外，在本申请中是结合车道可行驶区间的形状来确定车道可行驶区间的虚拟停止线的，也即是，本申请是将车道可行驶区间的形状和障碍物进行结合之后得到的虚拟停止线，这样，通过本申请确定的车道信息实际上就是车辆在各个车道的可行驶区间的范围，进一步的提高了车道信息的精准性。
需要说明的是：上述实施例提供的车道信息的检测装置在检测车道信息时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的车道信息的检测装置与车道信息的检测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))、或者半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述为本申请提供的实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (35)
1.一种车道信息的检测方法，其特征在于，所述方法包括：
获取路况检测结果，所述路况检测结果包括障碍物检测结果；
基于所述路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对所述车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果，所述车道可行驶区间包括所述车辆所在的车道中的可通行区域和与所述车辆所在的车道相邻的其他车道中的可通行区域；
基于所述车辆当前的状态参数、所述形状估计结果和所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
将所述形状估计结果和所述车辆当前的车道可行驶区间的虚拟停止线的状态参数确定为所述车辆对应的车道信息。
2.如权利要求1所述的方法，其特征在于，所述基于所述路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对所述车辆当前的车道可行驶区间的形状进行估计，包括：
基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
基于最近一次确定的所述车辆的车道可行驶区间的形状，确定所述车辆当前的车道可行驶区间的第二形状估计参数；
基于所述第一形状估计参数和所述第二形状估计参数，确定所述车辆当前的车道可行驶区间的形状估计结果。
3.如权利要求2所述的方法，其特征在于，所述基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
判断所述路况检测结果是否包括车道线检测结果；
若所述路况检测结果包括所述车道线检测结果，则基于所述车道线检测结果或所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
否则，基于所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
4.如权利要求3所述的方法，其特征在于，所述基于所述车道线检测结果或所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
将所述车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组；
从所述至少一个车道线组中查找目标车道线组，所述目标车道线组包含的两条车道线的置信度均大于预设置信度；
当查找到至少一个所述目标车道线组时，基于所述至少一个目标车道线组中包括的车道线，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
当未查找到所述目标车道线组时，确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物，且基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
5.如权利要求4所述的方法，其特征在于，所述基于所述至少一个目标车道线组中包括的车道线，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
基于所述至少一个目标车道线组中的每个目标车道线组包括的两条车道线，确定所述每个目标车道线组对应的车道的形状估计参数；
基于所述每个目标车道线组对应的车道的形状估计参数，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
6.如权利要求5所述的方法，其特征在于，所述基于所述至少一个目标车道线组中的每个目标车道线组包括的车道线，确定所述每个目标车道线组对应的车道的形状估计参数，包括：
针对所述至少一个目标车道线组中的任一目标车道线组A，根据所述目标车道线组A中包括的两条车道线进行数据拟合，得到当前的车体坐标系下所述目标车道线组A包括的两条车道线的两个曲线方程，并根据所述目标车道线组A包括的两条车道线的两个曲线方程确定第一车道中心线的曲线方程；
其中，所述第一车道中心线为所述目标车道线组A包括的两条车道线的车道中心线，所述车体坐标系的原点为所述车辆的后轴的中心点在地面的投影点，所述车体坐标系的X轴垂直于所述车辆的后轴且指向车头，所述车体坐标系的Y轴与所述车辆的后轴平行且指向所述车辆的左侧，所述车体坐标系的Z轴垂直于所述车辆的后轴且指向车顶；
在所述车体坐标系下选取多个X坐标，所述多个X坐标中每相邻两个X坐标之间的差值相等；
将所述多个X坐标分别作为所述第一车道中心线的曲线方程中的自变量的取值，计算对应的多个Y坐标；
基于所述多个X坐标、所述多个Y坐标以及所述目标车道线组A包括的两条车道线的两个曲线方程，确定所述目标车道线组A所对应的车道的形状估计参数。
7.如权利要求3所述的方法，其特征在于，所述基于所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物；
基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
8.如权利要求4或7所述的方法，其特征在于，所述确定检测到的至少一个障碍物中满足预设条件的障碍物，包括：
针对所述至少一个障碍物中的任一障碍物A，判断所述障碍物A的检测可靠性概率是否大于预设概率；
当所述障碍物A的检测可靠性概率大于所述预设概率时，判断所述障碍物A的历史运动轨迹是否处于同一个车道内；
当所述障碍物A的历史运动轨迹处于同一个车道内时，判断所述障碍物A是否为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物；
当所述障碍物A为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物时，确定所述障碍物A为满足所述预设条件的障碍物。
9.如权利要求4-8任一所述的方法，其特征在于，所述基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数，包括：
将满足所述预设条件的每个障碍物的历史运动轨迹确定为相应障碍物所处的车道的车道中心线，并获取最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线；
基于满足所述预设条件的每个障碍物所处的车道的车道中心线和获取的最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线确定所述车辆当前的车道可行驶区间的第一形状估计参数。
10.如权利要求2-9任一所述的方法，其特征在于，所述基于最近一次确定的所述车辆的车道可行驶区间的形状，确定所述车辆当前的车道可行驶区间的第二形状估计参数，包括：
获取最近一次对所述车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，并通过下述模型确定所述车辆当前的车道可行驶区间的第二形状估计参数；
其中，所述t为当前时刻，所述yt为当前在第二车道中心线上且X坐标为xt的点的y坐标，所述第二车道中心线为所述车辆当前所在的车道以及与所述车辆当前所在的车道相邻的车道中任一车道的车道中心线，所述xt为在车体坐标系下选取的多个X坐标中的任一X坐标，所述为所述yt当前在所述车体坐标系的Y方向上的速度，所述为当前位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述yt-1为最近一次对所述车辆的可行驶区间的形状进行估计时在所述第二车道中心线上且X坐标为xt的点的y坐标，所述为最近一次对所述车辆的可行驶区间的形状进行估计时所述yt-1在所述车体坐标系的Y方向上的速度，所述为最近一次对所述车辆的可行驶区间的形状进行估计时位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述Δt为最近一次对所述车辆的可行驶区间的形状进行估计的时刻和当前时刻t之间的时间间隔，所述第二形状估计参数包括所述多个X坐标、所述多个X坐标所对应的多个yt、多个和多个
11.如权利要求2-10任一所述的方法，其特征在于，所述基于所述第一形状估计参数和所述第二形状估计参数，确定所述车辆当前的车道可行驶区间的形状估计结果，包括：
基于所述第一形状估计参数和所述第二形状估计参数，通过卡尔曼滤波算法确定第一增益因子；
当所述第一增益因子大于预设增益因子时，通过所述第一形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果；
当所述第一增益因子不大于所述预设增益因子时，通过所述第二形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果。
12.如权利要求1所述的方法，其特征在于，所述基于所述车辆当前的状态参数、所述形状估计结果和所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，包括：
当所述障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述预设条件是指障碍物的检测可靠性概率大于预设概率、障碍物的历史运动轨迹处于同一个车道内且障碍物是历史运动轨迹所在的车道中距离所述车辆最近的一个障碍物，任一障碍物的状态参数包括相应障碍物的位置；
当所述障碍物检测结果中检测到的至少一个障碍物均不满足所述预设条件，且信号灯检测结果为检测到红灯时，基于所述信号灯停止线检测结果中检测到的信号灯停止线的位置，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果。
13.如权利要求12所述的方法，其特征在于，所述基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，包括：
基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数；
基于满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数。
14.如权利要求13所述的方法，其特征在于，所述基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，包括：
针对满足所述预设条件的障碍物中的任一障碍物A，基于所述障碍物A的位置和所述形状估计结果，计算所述障碍物A位于所述车辆当前所在的车道的概率，并计算所述障碍物A位于与所述车辆当前所在的车道相邻的其他车道的概率；
基于最近一次确定的所述车辆的车道可行驶区间的虚拟停止线的状态参数以及所述车辆当前的状态参数，预测所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
从计算得到的概率中选择最大概率，将所述最大概率对应的车道确定为所述障碍物A所在的车道；
根据预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断所述障碍物A与所述障碍物A所在的车道的可通行区域是否匹配；
当所述障碍物A和所述障碍物A所在的车道的可通行区域匹配时，基于所述障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
15.如权利要求14所述的方法，其特征在于，所述基于所述障碍物A的位置和所述形状估计结果，计算所述障碍物A位于所述车辆当前所在的车道的概率，包括：
获取所述形状估计结果中所述车辆当前所在的车道中的可通行区域的两条车道线和车道中心线；
基于获取的两条车道线和车道中心线以及所述障碍物A的位置，通过下述公式计算所述障碍物A位于所述车辆当前所在的车道的概率：
其中，所述pi为所述障碍物A位于所述车辆当前所在的车道的概率，所述l为所述障碍物A偏离所述车道中心线的距离，所述ai和bi分别为所述障碍物A偏离所述两条车道线的距离，且所述ai＜bi。
16.如权利要求14或15所述的方法，其特征在于，所述根据预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断所述障碍物A与所述障碍物A所在的车道的可通行区域是否匹配，包括：
从预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
从预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的预测位置；
确定所述预测位置和所述障碍物A的位置之间的马氏距离；
当所述马氏距离小于预设距离时，确定所述障碍物A和所述障碍物A所在的车道的可通行区域相匹配。
17.如权利要求14-16任一所述的方法，其特征在于，所述基于所述障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，包括：
基于所述障碍物A的状态参数和预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，通过卡尔曼滤波算法确定第二增益因子；
当所述第二增益因子大于预设增益因子时，将所述障碍物A的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
当所述第二增益因子不大于所述预设增益因子时，将所述预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
18.一种车道信息的检测装置，其特征在于，所述装置包括：
获取模块，用于获取路况检测结果，所述路况检测结果包括障碍物检测结果；
估计模块，用于基于所述路况检测结果以及最近一次确定的车辆的车道可行驶区间的形状，对所述车辆当前的车道可行驶区间的形状进行估计，得到形状估计结果，所述车道可行驶区间包括所述车辆所在的车道中的可通行区域和与所述车辆所在的车道相邻的其他车道中的可通行区域；
第一确定模块，用于基于所述车辆当前的状态参数、所述形状估计结果和所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
第二确定模块，用于将所述形状估计结果和所述车辆当前的车道可行驶区间的虚拟停止线的状态参数确定为所述车辆对应的车道信息。
19.如权利要求18所述的装置，其特征在于，所述估计模块包括：
第一确定单元，用于基于所述路况检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
第二确定单元，用于基于最近一次确定的所述车辆的车道可行驶区间的形状，确定所述车辆当前的车道可行驶区间的第二形状估计参数；
第三确定单元，用于基于所述第一形状估计参数和所述第二形状估计参数，确定所述车辆当前的车道可行驶区间的形状估计结果。
20.如权利要求19所述的装置，其特征在于，所述第一确定单元包括：
第一判断子单元，用于判断所述路况检测结果是否包括车道线检测结果；
第一确定子单元，用于若所述路况检测结果包括所述车道线检测结果，则基于所述车道线检测结果或所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
第二确定子单元，用于若所述路况检测结果不包括所述车道线检测结果，基于所述障碍物检测结果，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
21.如权利要求20所述的装置，其特征在于，所述第一确定子单元具体用于：
将所述车道线检测结果中检测到的多条车道线中每相邻的两条车道线划分为一组，得到至少一个车道线组；
从所述至少一个车道线组中查找目标车道线组，所述目标车道线组包含的两条车道线的置信度均大于预设置信度；
当查找到至少一个所述目标车道线组时，基于所述至少一个目标车道线组中包括的车道线，确定所述车辆当前的车道可行驶区间的第一形状估计参数；
当未查找到所述目标车道线组时，确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物，且基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
22.如权利要求21所述的装置，其特征在于，所述第一确定子单元具体用于：
基于所述至少一个目标车道线组中的每个目标车道线组包括的两条车道线，确定所述每个目标车道线组对应的车道的形状估计参数；
基于所述每个目标车道线组对应的车道的形状估计参数，确定所述车辆当前的车道可行驶区间的第一形状估计参数。
23.如权利要求22所述的装置，其特征在于，所述第一确定子单元具体用于：
针对所述至少一个目标车道线组中的任一目标车道线组A，根据所述目标车道线组A中包括的两条车道线进行数据拟合，得到当前的车体坐标系下所述目标车道线组A包括的两条车道线的两个曲线方程，并根据所述目标车道线组A包括的两条车道线的两个曲线方程确定第一车道中心线的曲线方程；
其中，所述第一车道中心线为所述目标车道线组A包括的两条车道线的车道中心线，所述车体坐标系的原点为所述车辆的后轴的中心点在地面的投影点，所述车体坐标系的X轴垂直于所述车辆的后轴且指向车头，所述车体坐标系的Y轴与所述车辆的后轴平行且指向所述车辆的左侧，所述车体坐标系的Z轴垂直于所述车辆的后轴且指向车顶；
在所述车体坐标系下选取多个X坐标，所述多个X坐标中每相邻两个X坐标之间的差值相等；
将所述多个X坐标分别作为所述第一车道中心线的曲线方程中的自变量的取值，计算对应的多个Y坐标；
基于所述多个X坐标、所述多个Y坐标以及所述目标车道线组A包括的两条车道线的两个曲线方程，确定所述目标车道线组A所对应的车道的形状估计参数。
24.如权利要求20所述的装置，其特征在于，所述第二确定子单元具体用于：
确定所述障碍物检测结果中检测到的至少一个障碍物中满足预设条件的障碍物；
基于满足所述预设条件的障碍物的历史运动轨迹确定所述车辆当前的车道可行驶区间的第一形状估计参数。
25.如权利要求21或24所述的装置，其特征在于，所述第一确定子单元或所述第二确定子单元具体用于：
针对所述至少一个障碍物中的任一障碍物A，判断所述障碍物A的检测可靠性概率是否大于预设概率；
当所述障碍物A的检测可靠性概率大于所述预设概率时，判断所述障碍物A的历史运动轨迹是否处于同一个车道内；
当所述障碍物A的历史运动轨迹处于同一个车道内时，判断所述障碍物A是否为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物；
当所述障碍物A为所述障碍物A的历史运动轨迹所处的车道内距离所述车辆最近的障碍物时，确定所述障碍物A为满足所述预设条件的障碍物。
26.如权利要求21-25任一所述的装置，其特征在于，所述第一确定子单元具体用于：
将满足所述预设条件的每个障碍物的历史运动轨迹确定为相应障碍物所处的车道的车道中心线，并获取最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线；
基于满足所述预设条件的每个障碍物所处的车道的车道中心线和获取的最近一次确定的满足所述预设条件的每个障碍物所处的车道的车道线确定所述车辆当前的车道可行驶区间的第一形状估计参数。
27.如权利要求19-26任一所述的装置，其特征在于，所述第二确定单元具体用于：
获取最近一次对所述车辆的车道可行驶区间的形状进行估计时所使用的形状估计参数，并通过下述模型确定所述车辆当前的车道可行驶区间的第二形状估计参数；
其中，所述t为当前时刻，所述yt为当前在第二车道中心线上且X坐标为xt的点的y坐标，所述第二车道中心线为所述车辆当前所在的车道以及与所述车辆当前所在的车道相邻的车道中任一车道的车道中心线，所述xt为在车体坐标系下选取的多个X坐标中的任一X坐标，所述为所述yt当前在所述车体坐标系的Y方向上的速度，所述为当前位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述yt-1为最近一次对所述车辆的可行驶区间的形状进行估计时在所述第二车道中心线上且X坐标为xt的点的y坐标，所述为最近一次对所述车辆的可行驶区间的形状进行估计时所述yt-1在所述车体坐标系的Y方向上的速度，所述为最近一次对所述车辆的可行驶区间的形状进行估计时位于所述第二车道中心线所在的车道的两条车道线上且X坐标为xt的两个点之间的距离，所述Δt为最近一次对所述车辆的可行驶区间的形状进行估计的时刻和当前时刻t之间的时间间隔，所述第二形状估计参数包括所述多个X坐标、所述多个X坐标所对应的多个yt、多个和多个
28.如权利要求19-27任一所述的装置，其特征在于，所述第三确定单元具体用于：
基于所述第一形状估计参数和所述第二形状估计参数，通过卡尔曼滤波算法确定第一增益因子；
当所述第一增益因子大于预设增益因子时，通过所述第一形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果；
当所述第一增益因子不大于所述预设增益因子时，通过所述第二形状估计参数确定所述车辆当前的车道可行驶区间的形状估计结果。
29.如权利要求18所述的装置，其特征在于，所述第一确定模块包括：
第四确定单元，用于当所述障碍物检测结果中检测到的至少一个障碍物中存在满足预设条件的障碍物时，基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述预设条件是指障碍物的检测可靠性概率大于预设概率、障碍物的历史运动轨迹处于同一个车道内且障碍物是历史运动轨迹所在的车道中距离所述车辆最近的一个障碍物，任一障碍物的状态参数包括相应障碍物的位置；
第五确定单元，用于当所述障碍物检测结果中检测到的至少一个障碍物均不满足所述预设条件，且信号灯检测结果为检测到红灯时，基于所述信号灯停止线检测结果中检测到的信号灯停止线的位置，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，所述路况检测结果中还包括信号灯检测结果和信号灯停止线检测结果。
30.如权利要求29所述的装置，其特征在于，所述第四确定单元包括：
第三确定子单元，用于基于满足所述预设条件的障碍物的状态参数和所述形状估计结果，确定满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数；
第四确定子单元，用于基于满足所述预设条件的障碍物中每个障碍物所在的车道的可通行区域的虚拟停止线的状态参数，确定所述车辆当前的车道可行驶区间的虚拟停止线的状态参数。
31.如权利要求30所述的装置，其特征在于，所述第三确定子单元具体用于：
针对满足所述预设条件的障碍物中的任一障碍物A，基于所述障碍物A的位置和所述形状估计结果，计算所述障碍物A位于所述车辆当前所在的车道的概率，并计算所述障碍物A位于与所述车辆当前所在的车道相邻的其他车道的概率；
基于最近一次确定的所述车辆的车道可行驶区间的虚拟停止线的状态参数以及所述车辆当前的状态参数，预测所述车辆当前的车道可行驶区间的虚拟停止线的状态参数；
从计算得到的概率中选择最大概率，将所述最大概率对应的车道确定为所述障碍物A所在的车道；
根据预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，判断所述障碍物A与所述障碍物A所在的车道的可通行区域是否匹配；
当所述障碍物A和所述障碍物A所在的车道的可通行区域匹配时，基于所述障碍物A的状态参数和预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数，确定所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
32.如权利要求31所述的装置，其特征在于，所述第三确定子单元具体用于：
获取所述形状估计结果中所述车辆当前所在的车道中的可通行区域的两条车道线和车道中心线；
基于获取的两条车道线和车道中心线以及所述障碍物A的位置，通过下述公式计算所述障碍物A位于所述车辆当前所在的车道的概率：
其中，所述pi为所述障碍物A位于所述车辆当前所在的车道的概率，所述l为所述障碍物A偏离所述车道中心线的距离，所述ai和bi分别为所述障碍物A偏离所述两条车道线的距离，且所述ai＜bi。
33.如权利要求31或32所述的装置，其特征在于，所述第三确定子单元具体用于：
从预测得到的所述车辆当前的车道可行驶区间的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
从预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数中获取所述障碍物A所在的车道的可通行区域的虚拟停止线的预测位置；
确定所述预测位置和所述障碍物A的位置之间的马氏距离；
当所述马氏距离小于预设距离时，确定所述障碍物A和所述障碍物A所在的车道的可通行区域相匹配。
34.如权利要求31-33任一所述的装置，其特征在于，所述第三确定子单元具体用于：
基于所述障碍物A的状态参数和预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数，通过卡尔曼滤波算法确定第二增益因子；
当所述第二增益因子大于预设增益因子时，将所述障碍物A的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数；
当所述第二增益因子不大于所述预设增益因子时，将所述预测得到的所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数确定为所述障碍物A所在的车道的可通行区域的虚拟停止线的状态参数。
35.一种计算机可读存储介质，其特征在于，包括指令，所述指令在计算机上运行时，使得计算机执行权利要求1-17任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711183528.7A CN109829351B (zh) | 2017-11-23 | 2017-11-23 | 车道信息的检测方法、装置及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711183528.7A CN109829351B (zh) | 2017-11-23 | 2017-11-23 | 车道信息的检测方法、装置及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109829351A true CN109829351A (zh) | 2019-05-31 |
| CN109829351B CN109829351B (zh) | 2021-06-01 |
Family
ID=66859579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711183528.7A Active CN109829351B (zh) | 2017-11-23 | 2017-11-23 | 车道信息的检测方法、装置及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109829351B (zh) |
Cited By (23)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110232368A (zh) * | 2019-06-20 | 2019-09-13 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110263714A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110263713A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110276293A (zh) * | 2019-06-20 | 2019-09-24 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110491169A (zh) * | 2019-08-30 | 2019-11-22 | 南京理工大学 | 基于毫米波的车距警示方法及装置 |
| CN110705444A (zh) * | 2019-09-27 | 2020-01-17 | 四川长虹电器股份有限公司 | 车道跟踪系统及方法 |
| CN110751847A (zh) * | 2019-10-15 | 2020-02-04 | 清华大学 | 一种自动驾驶车辆行为决策方法及系统 |
| CN111614907A (zh) * | 2020-05-29 | 2020-09-01 | 济南博观智能科技有限公司 | 一种双相机目标匹配方法、系统、卡口相机及存储介质 |
| CN111667706A (zh) * | 2020-06-05 | 2020-09-15 | 百度在线网络技术（北京）有限公司 | 车道级路面状况识别方法、路况提示方法和装置 |
| CN111832667A (zh) * | 2020-09-17 | 2020-10-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种园区无人驾驶观光车的驾驶行为决策系统 |
| CN111907521A (zh) * | 2020-06-15 | 2020-11-10 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的横向控制方法、装置及存储介质 |
| CN112441022A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 一种车道中心线确定方法及装置 |
| WO2021047275A1 (zh) * | 2019-09-09 | 2021-03-18 | 华为技术有限公司 | 一种车道线信息的确定方法及装置 |
| CN113688662A (zh) * | 2021-07-05 | 2021-11-23 | 浙江大华技术股份有限公司 | 机动车过车警示方法、装置、电子装置和计算机设备 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
| CN114397897A (zh) * | 2022-01-20 | 2022-04-26 | 阿维塔科技(重庆)有限公司 | 一种车辆可行驶区域边界曲线生成方法、装置及存储介质 |
| CN114550571A (zh) * | 2020-11-26 | 2022-05-27 | 华为技术有限公司 | 一种车道线标注方法、装置、存储介质及计算机程序产品 |
| CN114612736A (zh) * | 2020-12-08 | 2022-06-10 | 广州汽车集团股份有限公司 | 一种车道线检测方法、系统及计算机可读介质 |
| CN114743395A (zh) * | 2022-03-21 | 2022-07-12 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
| CN114863385A (zh) * | 2022-03-23 | 2022-08-05 | 禾多科技（北京）有限公司 | 道路曲面信息生成方法、装置、设备和计算机可读介质 |
| CN115087573A (zh) * | 2020-03-31 | 2022-09-20 | 华为技术有限公司 | 一种关键目标选取方法、装置及系统 |
| CN117011827A (zh) * | 2023-07-11 | 2023-11-07 | 禾多科技（北京）有限公司 | 障碍物纵向距离检测方法、装置、设备和计算机可读介质 |
| US12061088B2 (en) | 2019-08-12 | 2024-08-13 | Huawei Technologies Co., Ltd. | Obstacle avoidance method and apparatus |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103635947A (zh) * | 2011-08-31 | 2014-03-12 | 日产自动车株式会社 | 车辆驾驶辅助装置 |
| CN104192144A (zh) * | 2014-07-25 | 2014-12-10 | 杭州电子科技大学 | 一种汽车主动防撞弯道虚警消除方法 |
| CN104760593A (zh) * | 2014-01-03 | 2015-07-08 | 现代摩比斯株式会社 | 车道变更辅助装置及其工作方法 |
| CN104870293A (zh) * | 2012-12-11 | 2015-08-26 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
| US20160031371A1 (en) * | 2014-07-29 | 2016-02-04 | Denso Corporation | In-vehicle apparatus |
| CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
| WO2017017793A1 (ja) * | 2015-07-28 | 2017-02-02 | 日産自動車株式会社 | 走行制御装置の制御方法および走行制御装置 |
| CN106485233A (zh) * | 2016-10-21 | 2017-03-08 | 深圳地平线机器人科技有限公司 | 可行驶区域检测方法、装置和电子设备 |
| US20170084038A1 (en) * | 2015-09-18 | 2017-03-23 | Qualcomm Incorporated | Systems and methods for non-obstacle area detection |
| US20170132933A1 (en) * | 2015-11-09 | 2017-05-11 | Denso Corporation | Driving support apparatus for a vehicle |
| CN106864458A (zh) * | 2017-03-24 | 2017-06-20 | 奇瑞汽车股份有限公司 | 一种自动绕障系统及方法、智能汽车 |
| CN107000745A (zh) * | 2014-11-28 | 2017-08-01 | 株式会社电装 | 车辆的行驶控制装置以及行驶控制方法 |
| CN107077792A (zh) * | 2014-11-18 | 2017-08-18 | 日立汽车系统株式会社 | 行驶控制系统 |
| CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
| CN107209998A (zh) * | 2015-01-21 | 2017-09-26 | 株式会社电装 | 车道线识别装置 |
| CN107215339A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
-
2017
- 2017-11-23 CN CN201711183528.7A patent/CN109829351B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103635947A (zh) * | 2011-08-31 | 2014-03-12 | 日产自动车株式会社 | 车辆驾驶辅助装置 |
| CN104870293A (zh) * | 2012-12-11 | 2015-08-26 | 丰田自动车株式会社 | 驾驶辅助装置以及驾驶辅助方法 |
| CN104760593A (zh) * | 2014-01-03 | 2015-07-08 | 现代摩比斯株式会社 | 车道变更辅助装置及其工作方法 |
| CN104192144A (zh) * | 2014-07-25 | 2014-12-10 | 杭州电子科技大学 | 一种汽车主动防撞弯道虚警消除方法 |
| US20160031371A1 (en) * | 2014-07-29 | 2016-02-04 | Denso Corporation | In-vehicle apparatus |
| CN107077792A (zh) * | 2014-11-18 | 2017-08-18 | 日立汽车系统株式会社 | 行驶控制系统 |
| CN107000745A (zh) * | 2014-11-28 | 2017-08-01 | 株式会社电装 | 车辆的行驶控制装置以及行驶控制方法 |
| CN107209998A (zh) * | 2015-01-21 | 2017-09-26 | 株式会社电装 | 车道线识别装置 |
| WO2017017793A1 (ja) * | 2015-07-28 | 2017-02-02 | 日産自動車株式会社 | 走行制御装置の制御方法および走行制御装置 |
| US20170084038A1 (en) * | 2015-09-18 | 2017-03-23 | Qualcomm Incorporated | Systems and methods for non-obstacle area detection |
| US20170132933A1 (en) * | 2015-11-09 | 2017-05-11 | Denso Corporation | Driving support apparatus for a vehicle |
| CN105667518A (zh) * | 2016-02-25 | 2016-06-15 | 福州华鹰重工机械有限公司 | 车道检测的方法及装置 |
| CN106485233A (zh) * | 2016-10-21 | 2017-03-08 | 深圳地平线机器人科技有限公司 | 可行驶区域检测方法、装置和电子设备 |
| CN107161141A (zh) * | 2017-03-08 | 2017-09-15 | 深圳市速腾聚创科技有限公司 | 无人驾驶汽车系统及汽车 |
| CN106864458A (zh) * | 2017-03-24 | 2017-06-20 | 奇瑞汽车股份有限公司 | 一种自动绕障系统及方法、智能汽车 |
| CN107215339A (zh) * | 2017-06-26 | 2017-09-29 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
Non-Patent Citations (5)
| Title |
|---|
| ABDULHAKAM.AM.ASSIDIQ等: "Real time lane detection for autonomous vehicles", 《2008 INTERNATIONAL CONFERENCE ON COMPUTER AND COMMUNICATION ENGINEERING》 * |
| JIANYU CHEN等: "Constrained Iterative LQR for On-Road Autonomous Driving Motion Planning", 《2017 IEEE 20TH INTERNATIONAL CONFERENCE ON INTELLIGENT TRANSPORTATION SYSTEMS (ITSC)》 * |
| PHANINDRA AMARADI等: "Lane following and obstacle detection techniques in autonomous driving vehicles", 《2016 IEEE INTERNATIONAL CONFERENCE ON ELECTRO INFORMATION TECHNOLOGY (EIT)》 * |
| 程一伦: "基于双目视觉的智能车道路环境识别研究", 《中国优秀硕士学位论文全文数据库·工程科技Ⅱ辑》 * |
| 辛煜: "无人驾驶车辆运动障碍物检测、预测和避撞方法研究", 《中国博士学位论文全文数据库·工程科技Ⅱ辑》 * |
Cited By (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110263714A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110263713A (zh) * | 2019-06-20 | 2019-09-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110276293A (zh) * | 2019-06-20 | 2019-09-24 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110232368B (zh) * | 2019-06-20 | 2021-08-24 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110263714B (zh) * | 2019-06-20 | 2021-08-20 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110263713B (zh) * | 2019-06-20 | 2021-08-10 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110276293B (zh) * | 2019-06-20 | 2021-07-27 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| CN110232368A (zh) * | 2019-06-20 | 2019-09-13 | 百度在线网络技术（北京）有限公司 | 车道线检测方法、装置、电子设备及存储介质 |
| US12061088B2 (en) | 2019-08-12 | 2024-08-13 | Huawei Technologies Co., Ltd. | Obstacle avoidance method and apparatus |
| CN110491169A (zh) * | 2019-08-30 | 2019-11-22 | 南京理工大学 | 基于毫米波的车距警示方法及装置 |
| CN112441022B (zh) * | 2019-09-02 | 2023-02-03 | 华为技术有限公司 | 一种车道中心线确定方法及装置 |
| CN112441022A (zh) * | 2019-09-02 | 2021-03-05 | 华为技术有限公司 | 一种车道中心线确定方法及装置 |
| WO2021047275A1 (zh) * | 2019-09-09 | 2021-03-18 | 华为技术有限公司 | 一种车道线信息的确定方法及装置 |
| CN110705444A (zh) * | 2019-09-27 | 2020-01-17 | 四川长虹电器股份有限公司 | 车道跟踪系统及方法 |
| CN110705444B (zh) * | 2019-09-27 | 2022-02-08 | 四川长虹电器股份有限公司 | 车道跟踪系统及方法 |
| CN110751847A (zh) * | 2019-10-15 | 2020-02-04 | 清华大学 | 一种自动驾驶车辆行为决策方法及系统 |
| CN115087573A (zh) * | 2020-03-31 | 2022-09-20 | 华为技术有限公司 | 一种关键目标选取方法、装置及系统 |
| CN111614907A (zh) * | 2020-05-29 | 2020-09-01 | 济南博观智能科技有限公司 | 一种双相机目标匹配方法、系统、卡口相机及存储介质 |
| CN111614907B (zh) * | 2020-05-29 | 2021-08-10 | 济南博观智能科技有限公司 | 一种双相机目标匹配方法、系统、卡口相机及存储介质 |
| CN111667706A (zh) * | 2020-06-05 | 2020-09-15 | 百度在线网络技术（北京）有限公司 | 车道级路面状况识别方法、路况提示方法和装置 |
| CN111907521B (zh) * | 2020-06-15 | 2022-11-22 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的横向控制方法、装置及存储介质 |
| CN111907521A (zh) * | 2020-06-15 | 2020-11-10 | 浙江吉利汽车研究院有限公司 | 一种自动驾驶车辆的横向控制方法、装置及存储介质 |
| CN111832667A (zh) * | 2020-09-17 | 2020-10-27 | 中汽研（天津）汽车工程研究院有限公司 | 一种园区无人驾驶观光车的驾驶行为决策系统 |
| CN114283576A (zh) * | 2020-09-28 | 2022-04-05 | 华为技术有限公司 | 一种车辆意图预测方法及相关装置 |
| CN114550571A (zh) * | 2020-11-26 | 2022-05-27 | 华为技术有限公司 | 一种车道线标注方法、装置、存储介质及计算机程序产品 |
| CN114612736A (zh) * | 2020-12-08 | 2022-06-10 | 广州汽车集团股份有限公司 | 一种车道线检测方法、系统及计算机可读介质 |
| CN113688662A (zh) * | 2021-07-05 | 2021-11-23 | 浙江大华技术股份有限公司 | 机动车过车警示方法、装置、电子装置和计算机设备 |
| CN114397897A (zh) * | 2022-01-20 | 2022-04-26 | 阿维塔科技(重庆)有限公司 | 一种车辆可行驶区域边界曲线生成方法、装置及存储介质 |
| CN114743395A (zh) * | 2022-03-21 | 2022-07-12 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
| CN114743395B (zh) * | 2022-03-21 | 2024-03-08 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
| CN114863385A (zh) * | 2022-03-23 | 2022-08-05 | 禾多科技（北京）有限公司 | 道路曲面信息生成方法、装置、设备和计算机可读介质 |
| CN117011827A (zh) * | 2023-07-11 | 2023-11-07 | 禾多科技（北京）有限公司 | 障碍物纵向距离检测方法、装置、设备和计算机可读介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109829351B (zh) | 2021-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109829351A (zh) | 车道信息的检测方法、装置及计算机可读存储介质 | |
| US11726477B2 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
| CN109782763B (zh) | 一种动态环境下的移动机器人路径规划方法 | |
| CN110472496B (zh) | 一种基于目标检测与跟踪的交通视频智能分析方法 | |
| US10710579B2 (en) | Collision prediction system | |
| US20220410939A1 (en) | Collision detection method, electronic device, and medium | |
| CN109697875A (zh) | 规划行驶轨迹的方法及装置 | |
| KR20200019696A (ko) | 자율 주행 능력들을 갖는 차량들에 대한 위험 처리 | |
| CN110176153A (zh) | 一种基于边缘计算的盲区车辆碰撞预警方法 | |
| KR102565573B1 (ko) | 서브시스템 성능 평가를 위한 메트릭 역전파 | |
| CN109934164A (zh) | 基于轨迹安全度的数据处理方法和装置 | |
| KR20200102378A (ko) | 정보 처리 방법, 장치 및 저장 매체 | |
| CN114829225A (zh) | 自主载具的条件行为预测 | |
| RU2769921C2 (ru) | Способы и системы для автоматизированного определения присутствия объектов | |
| CN112526999A (zh) | 速度规划方法、装置、电子设备和存储介质 | |
| Du et al. | Quantifying the performance and optimizing the placement of roadside sensors for cooperative vehicle‐infrastructure systems | |
| GB2605463A (en) | Selecting testing scenarios for evaluating the performance of autonomous vehicles | |
| KR102616571B1 (ko) | 인공지능을 이용한 영상 분석 기반의 도로 교통정보 제공 방법 및 그를 위한 시스템 | |
| CN116153078A (zh) | 基于毫米波雷达的道路安全度评估方法、装置及存储介质 | |
| CN117178309A (zh) | 用于创建具有碰撞概率的地图的方法 | |
| Amini et al. | Development of a conflict risk evaluation model to assess pedestrian safety in interaction with vehicles | |
| CN114475656B (zh) | 行驶轨迹预测方法、装置、电子设备以及存储介质 | |
| US11657268B1 (en) | Training neural networks to assign scores | |
| Dey et al. | Robust perception architecture design for automotive cyber-physical systems | |
| Lei et al. | Identifying and correcting the errors of vehicle trajectories from roadside millimetre‐wave radars |
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 |