CN110633800B - 基于自动驾驶车辆的车道位置确定方法、设备及存储介质 - Google Patents

Abstract

本公开实施例公开了一种基于自动驾驶车辆的车道位置确定方法、设备及存储介质，所述方法包括：获取定位车道的测量数据；根据所述测量数据，确定车道定位向量；将所述车道定位向量作为D‑S证据理论的识别框架，确定所述车道定位向量的信任分配参数；根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。该技术方案采用证据理论的方法，将所有传感器测量数据作为识别框架，并转换为证据进行融合。此方法区别于常规的卡尔曼滤波和贝叶斯估计，不需要较多的历史数据来获得传感器的先验信息，而且计算较为简便，系统简单，适用于实时数据的融合。

Description

基于自动驾驶车辆的车道位置确定方法、设备及存储介质

技术领域

本公开涉及自动驾驶技术领域，具体涉及一种基于自动驾驶车辆的车道位置确定方法、设备及存储介质。

背景技术

随着汽车智能化技术的发展，智能汽车可以实现自动驾驶。在自动驾驶技术中，获知车辆行驶道路的车道信息(例如车道线位置、车与车道线的距离、车在车道中的位置等)将会给自动驾驶车辆带来极大的辅助，可以提高自动驾驶车辆的行驶安全性。

由于自动驾驶车辆行驶环境复杂多变，自动驾驶车辆往往会安装多种传感器对周围环境进行感知，而定位服务是多种传感器的主要目标。目前的定位服务主要采用RTK技术、IMU、激光雷达和视觉进行定位，但每一种定位都存在本身的局限性，例如RTK在有遮挡的情况下，定位精度只能达到分米级甚至是米级，完全无法满足自动驾驶的需要；激光雷达在恶劣天气条件下无法进行定位；视觉定位在昏暗的环境中定位效果很差。因此在对车道进行定位时，首先通过不同传感器对车道信息进行感知，然后通过信息融合的方式，将不同传感器监测到的车道信息融合起来，提高多种环境场景下定位的准确度。因此，如何运用现有的条件对多种传感器信息进行融合，实现对车道的精确定位，是自动驾驶车辆安全行驶的重要保障。

在提出本公开的过程中，发明人发现，现有技术中通常是采用卡尔曼滤波技术将多种传感器得到的智能车的位置信息进行融合，得到智能车精准的位置估计，该方法用于对车辆进行定位，不涉及车道与车辆之间的关系，没有对车道进行建模定位，而且采用常规的卡尔曼滤波或者贝叶斯估计进行传感器数据融合，需要较多的历史数据来获得传感器的先验信息，不适用于实时数据的融合。

发明内容

本公开实施例提供一种基于自动驾驶车辆的车道位置确定方法、设备及存储介质。

第一方面，本公开实施例中提供了一种基于自动驾驶车辆的车道位置确定方法，包括：

获取定位车道的测量数据；

根据所述测量数据，确定车道定位向量；

将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数；

根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。

可选地，所述测量数据包括：车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l、d_r、车道宽度测量误差α₁……α_N、道路两侧边沿与相邻车道线距离测量误差β_l、β_r、道路两侧边沿与车辆的距离p_l、p_r、道路两侧边沿与车辆距离测量误差ω_l、ω_r、车道线位置q和车道线位置测量误差θ，其中，i＝1,2，……N。

可选地，所述根据所述测量数据，确定车道定位向量，包括：

根据车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l、d_r以及道路两侧边沿与车辆的距离p_l、p_r，确定车道定位向量а₁以及车道定位向量а₂；

根据车道线位置q，确定车道定位向量а₃。

可选地，所述将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数，包括：

确定车道定位向量的隶属度矩阵U：

其中，u_ij＝e-‖a_i-a_j‖²，a_i、a_j表示第i个车道定位向量和第j个车道定位向量，i＝1，2，3，j＝1，2，3；

确定道路两侧边沿与车辆的距离p_l、p_r以及车道线位置q之间的置信距离l_ij：l_ij＝‖p_i-p_j‖，其中，p_i＝(u_1i，u_2i，u_3i)、p_j＝(u_1j，u_2j，u_3j)；

根据所述置信距离l_ij确定方均欧氏距离s_i：

根据所述方均欧氏距离s_i确定可信度系数η_i，其中，所述可信度系数η_i如下条件：

其中，s_th为阈值，s_k，s_j为小于阈值s_th的方均欧氏距离s_i；

根据可信度系数η_i确定基本信任分配参数m_j(a_i)：

根据所述基本信任分配参数m_j(a_i)确定车道定位向量的信任分配参数m(a_i)：

可选地，所述方法还包括：

根据测量数据确定车道定位向量а₁、а₂、а₃的测量误差σ₁、σ₂、σ₃；

根据所述测量误差σ₁、σ₂、σ₃确定可靠性系数：

根据所述可靠性系数确定基本信任分配参数m_j(a_i)：

可选地，所述方法还包括：

确定车道定位向量之间的冲突因子t：

确定平均基本信任分配

根据所述冲突因子t以及所述平均基本信任分配

确定车道定位向量的信任分配参数m(a_i)：

可选地，所述根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置а：

可选地，所述道路两侧边沿与车辆的距离p_l、p_r为激光雷达定位数据；所述车道线位置q为视觉摄像头定位数据；

所述根据车道线位置q，确定车道定位向量а₃包括：

将所述车道线位置q进行逆透视变换，得到所述激光雷达定位的坐标系下的车道线位置q；

根据所述激光雷达定位的坐标系下的车道线位置q，确定车道定位向量а₃。

第二方面，本公开实施例提供了一种电子设备，包括存储器和处理器，其中，所述存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器执行以实现如第一方面中任一项所述的方法。

第三方面，本公开实施例中提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现如第一方面中任一项所述的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

本公开实施例提供的基于自动驾驶车辆的车道位置确定方法，包括：获取定位车道的测量数据；根据所述测量数据，确定车道定位向量；将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数；根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。该技术方案采用证据理论的方法，将所有传感器测量数据作为识别框架，并转换为证据进行融合。此方法区别于常规的卡尔曼滤波和贝叶斯估计，不需要较多的历史数据来获得传感器的先验信息，而且计算较为简便，系统简单，适用于实时数据的融合。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

结合附图，通过以下非限制性实施方式的详细描述，本公开的其它特征、目的和优点将变得更加明显。在附图中：

图1示出根据本公开实施例的基于自动驾驶车辆的车道位置确定方法的流程示意图；

图2示出根据本公开实施例的确定车道定位向量的流程示意图；

图3示出四车道的测量数据示意图；

图4示出视觉坐标系与激光雷达坐标系的位置关系示意图；

图5示出根据本公开实施例的确定车道定位向量的信任分配参数的流程示意图；

图6示出根据本公开实施例的电子设备的结构框图；

图7示出适于用来实现根据本公开实施例的基于自动驾驶车辆的车道位置确定方法的计算机系统的结构示意图。

具体实施方式

下文中，将参考附图详细描述本公开的示例性实施例，以使本领域技术人员可容易地实现它们。此外，为了清楚起见，在附图中省略了与描述示例性实施例无关的部分。

在本公开中，应理解，诸如“包括”或“具有”等的术语旨在指示本说明书中所公开的特征、数字、步骤、行为、部件、部分或其组合的存在，并且不欲排除一个或多个其他特征、数字、步骤、行为、部件、部分或其组合存在或被添加的可能性。

另外还需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

上文提及，随着汽车智能化技术的发展，智能汽车可以实现自动驾驶。在自动驾驶技术中，获知车辆行驶道路的车道信息(例如车道线位置、车与车道线的距离、车在车道中的位置等)将会给自动驾驶车辆带来极大的辅助，可以提高自动驾驶车辆的行驶安全性。

由于自动驾驶车辆行驶环境复杂多变，自动驾驶车辆往往会安装多种传感器对周围环境进行感知，而定位服务是多种传感器的主要目标。目前的定位服务主要采用RTK技术、IMU、激光雷达和视觉进行定位，但每一种定位都存在本身的局限性，例如RTK在有遮挡的情况下，定位精度只能达到分米级甚至是米级，完全无法满足自动驾驶的需要；激光雷达在恶劣天气条件下无法进行定位；视觉定位在昏暗的环境中定位效果很差。因此在对车道进行定位时，首先通过不同传感器对车道信息进行感知，然后通过信息融合的方式，将不同传感器监测到的车道信息融合起来，提高多种环境场景下定位的准确度。因此，如何运用现有的条件对多种传感器信息进行融合，实现对车道的精确定位，是自动驾驶车辆安全行驶的重要保障。

在提出本公开的过程中，发明人发现，现有技术中通常是采用卡尔曼滤波技术将多种传感器得到的智能车的位置信息进行融合，得到智能车精准的位置估计，该方法用于对车辆进行定位，不涉及车道与车辆之间的关系，没有对车道进行建模定位，而且采用常规的卡尔曼滤波或者贝叶斯估计进行传感器数据融合，需要较多的历史数据来获得传感器的先验信息，不适用于实时数据的融合。

考虑到上述缺陷，本公开实施例提供的基于自动驾驶车辆的车道位置确定方法，包括：获取定位车道的测量数据；根据所述测量数据，确定车道定位向量；将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数；根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。该技术方案采用证据理论的方法，将所有传感器测量数据作为识别框架，并转换为证据进行融合。此方法区别于常规的卡尔曼滤波和贝叶斯估计，不需要较多的历史数据来获得传感器的先验信息，而且计算较为简便，系统简单，适用于实时数据的融合。

图1示出根据本公开实施例的基于自动驾驶车辆的车道位置确定方法的流程示意图。

如图1所示，所述基于自动驾驶车辆的车道位置确定方法包括以下步骤S101-S104：

在步骤S101中：获取定位车道的测量数据。

在步骤S102中：根据所述测量数据，确定车道定位向量。

在步骤S103中：将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数。

在步骤S104中：根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。

根据本公开的实施例，测量数据指的是定位车道的实时数据。所述测量数据包括：车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l、d_r、车道宽度测量误差α₁……α_N、道路两侧边沿与相邻车道线距离测量误差β_l、β_r、道路两侧边沿与车辆的距离p_l、p_r、道路两侧边沿与车辆距离测量误差ω_l、ω_r、车道线位置q和车道线位置测量误差θ，其中，i＝1,2，……N。

测量数据来自自动驾驶车辆配置的多个传感器，比如毫米波雷达、激光雷达、视觉摄像头、GPS以及IMU(Inertial Measurement Unit)惯性测量单元等。其中，毫米波雷达或激光雷达用于获取道路两侧边沿与车辆的距离p_l、p_r以及道路两侧边沿与车辆距离测量误差ω_l、ω_r；视觉摄像头用于获取车道线位置q，即车辆所在车道的左右车道线的位置，以及车道线位置测量误差θ，即摄像头图像测量误差。GPS用于定位自动驾驶车辆的位置，具体地，可以使用RTK(Rral-time kinematic，实时动态)载波相位差分技术进行车辆定位，输出自动驾驶车辆的经纬度位置信息，并结合IMU对定位进行优化，将定位结果与OSM(OpenStreet Map)开源Wiki地图进行结合，获取车辆当前行驶道路信息，即车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l、d_r、车道宽度测量误差α₁……α_N、道路两侧边沿与相邻车道线距离测量误差β_l、β_r。需要说明的是，车辆当前行驶道路信息也可以通过其他方式获取，比如，自动驾驶车辆通过V2X的通信方式从数据处理中心获取车辆当前行驶道路信息，本公开中，车辆当前行驶道路信息用于结合激光雷达定位车道的测量数据，以确定车道定位向量，现有技术中车辆当前行驶道路信息的具体获取方式均可以应用于本公开，本公开对此并不予以限制。

根据本公开的实施例，车道定位向量可以包括：自动驾驶车辆所在车道位置信息以及车辆与所在车道两侧车道线的距离信息。

根据本公开的实施例，D-S证据理论即(Dempster/Shafer证据理论)是一种不精确推理理论，具有处理不确定信息的能力。其特点是：满足比贝叶斯概率论更弱的条件，推理过程更加简洁，灵活。在D-S证据理论中，识别框架用Θ＝{x₁，x₂，……x_n}表示，x_n为识别目标，比如，可以是传感器的测量值，m(x_n)为信任分配参数，具体是[0,1]基本概率赋值。

图2示出根据本公开实施例的确定车道定位向量的流程示意图。

如图2所示，在步骤S102中，所述根据所述测量数据，确定车道定位向量，包括以下步骤S201-S202：

在步骤S201中，根据车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l、d_r以及道路两侧边沿与车辆的距离p_l、p_r，确定车道定位向量а₁以及车道定位向量а₂；

在步骤S202中，根据车道线位置q，确定车道定位向量а₃。

根据本公开的实施例，如图3所示，图3示出四车道的测量数据示意图。其中，w₁、w₂、w₃、w₄为四个车道的宽度，d_l表示道路左侧边沿与左侧相邻w₁车道的距离，d_r表示道路右侧边沿与右侧相邻w₄车道的距离，p_l表示道路左侧边沿与车辆的距离，p_r表示道路右侧边沿与车辆的距离。在本公开中，所述道路两侧边沿与车辆的距离p_l、p_r为激光雷达定位数据，通常在自动驾驶车辆的两侧安装激光雷达，分别通过左侧的激光雷达采集p_l数据以及通过右侧的激光雷达采集p_r数据。

根据车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_l以及道路两侧边沿与车辆的距离p_l，计算得到所述车道定位向量а₁；根据车道数量N、车道宽度w_i、道路两侧边沿与相邻车道线的距离d_r以及道路两侧边沿与车辆的距离p_r，计算得到所述车道定位向量а₂。

根据本公开的实施例，所述根据车道线位置q，确定车道定位向量а₃包括：

将所述车道线位置q进行逆透视变换，得到所述激光雷达定位的坐标系下的车道线位置q；

根据所述激光雷达定位的坐标系下的车道线位置q，确定车道定位向量а₃。

在本公开方式中，如图4所示，图4示出视觉坐标系与激光雷达坐标系的位置关系示意图。所述车道线位置q为视觉摄像头定位数据。由于视觉坐标系与激光雷达坐标系不统一，均为以各自为原点的坐标系。在确定车道定位向量а₃前，需要将视觉坐标系进行旋转平移，与激光雷达坐标系统一，同时对摄像头原始图像信息进行逆透视变换，得到其在统一坐标系下的坐标，统一后得到车道线位置q数据，然后，根据车道线位置q数据，确定车道定位向量а₃。其中，左右车道线的透视变换误差分别为μ_l、μ_r。摄像头图像测量误差为θ，则左右车道线的总测量误差为μ_lθ、μ_rθ。

图5示出根据本公开实施例的确定车道定位向量的信任分配参数的流程示意图。

如图5所示，在步骤S103中，所述将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数，包括以下步骤S501-S506：

在步骤S501中，确定车道定位向量的隶属度矩阵U：

其中，u_ij＝e-‖a_i-a_j‖²，a_i、a_j表示第i个车道定位向量和第j个车道定位向量，i＝1，2，3，j＝1，2，3。

在本公开方式中，隶属度矩阵U中的元素u_ij表示第i个车道定位向量和第j个车道定位向量之间的接近程度，在识别框架Θ＝{a₁，a₂，a₃}下，由于a_i、a_j均是由传感器的测量数据计算得到，故u_ij可以表示两个传感器之间的接近程度。下文中，下标i也可以指代第i个传感器，下标j同理。若u_ij越大，则表示第i个传感器的测量数据与第j个传感器的测量数据的差距越小，则表明第i个传感器的测量数据隶属于第j个识别目标的概率越大。相反，若u_ij越小，则表示第i个传感器的测量数据与第j个传感器的测量数据的差距越大，则表明第i个传感器的测量数据隶属于第j个识别目标的概率越小。需要说明的是，本公开中的隶属函数采用正态分布函数，根据需要可以选择其他的隶属函数，在此不做限制。

在步骤S502中，确定车道定位向量之间的置信距离l_ij：l_ij＝‖p_i-p_j‖，其中，p_i＝(u_1i，u_2i，u_3i)、p_j＝(u_1j，u_2j，u_3j)，i＝1,2,3，j＝1,2,3。

在本公开方式中，在识别框架Θ＝{a₁，a₂，a₃}下，p_i表示第i个传感器对识别目标a₁，a₂，a₃的隶属度矩阵，p_j表示第j个传感器对识别目标a₁，a₂，a₃的隶属度矩阵，l_ij表示第i个传感器与第j个传感器的置信距离。

在步骤S503中，根据所述置信距离l_ij确定方均欧氏距离s_i：

在本公开方式中，s_i表示第i个传感器被其他传感器的支持程度。若s_i越大，表明传感器i与其他传感器的差异程度越小，传感器的可信度越大；相反，若s_i越小，表明传感器i与其他传感器的差异程度越大，传感器的可信度越小。

在步骤S504中，根据所述方均欧氏距离s_i确定可信度系数η_i，其中，所述可信度系数η_i如下条件：

其中，s_th为阈值，s_k，s_j为小于阈值s_th的方均欧氏距离s_i；

在本公开方式中，由于自动驾驶车辆上配置的不同传感器定位车道时，存在环境的影响因素或者传感器失效的情况，均会导致传感器测量数据出现异常，因此，在进行车道定位向量融合时，需要剔除失效的传感器测量数据计算得到的车道定位向量。本公开通过设置阈值s_th，若第i个传感器的方均欧氏距离s_i大于阈值s_th，则将其剔除，并将相应的车道定位向量从识别框架中剔除；若小于阈值s_th，则根据方均欧氏距离s_i计算第i个传感器的可信度系数η_i。

在本公开方式中，可信度系数η_i与方均欧氏距离s_i成反比，本公开中，对可信度系数η_i进行归一化处理，结合η₁+η₂+η₃＝1可得：

在步骤S505中，根据可信度系数η_i确定基本信任分配参数m_j(a_i)：

在步骤S506中，根据所述基本信任分配参数m_j(a_i)确定车道定位向量的信任分配参数m(a_i)：

根据本公开的实施例，为了避免传感器的测量误差，需要对基本信任分配参数m_j(a_i)作进一步地修正，在本公开中，首先，根据测量数据确定车道定位向量а₁、а₂、а₃的测量误差σ₁、σ₂、σ₃，其次，根据所述测量误差σ₁、σ₂、σ₃确定可靠性系数：

最后，根据所述可靠性系数确定基本信任分配参数m_j(a_i)：

根据本公开的实施例，由于车道定位向量之间可能存在较高冲突，会影响推理的结果，本公开中，为了避免冲突，首先，需要确定车道定位向量之间的冲突因子t：

其次，确定平均基本信任分配

最后，根据所述冲突因子t以及所述平均基本信任分配

确定车道定位向量的信任分配参数m(a_i)：

根据本公开的实施例，根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置а：

下面通过一个具体示例说明本公开的确定车道定位位置的实施例。

在本示例中，在步骤S201以及步骤S202确定的车道定位向量а₁＝1m，а₂＝1.2m，a₃＝0.8m，得到识别框架Θ＝{1，1.2，0.8}。

在步骤S501中，确定车道定位向量的隶属度矩阵U：

在步骤S502中，确定车道定位向量之间的置信距离l_ij：

根据p_i＝(u_1i，u_2i，u_3i)计算得到：

p₁＝(1，e^-0.04，e^-0.04)

p₂＝(e^-0.04，1，e^-0.16)

p₃＝(e^-0.04，e^-0.16，1)

根据l_ij＝‖p_i-p_j‖计算得到

在步骤S503中，根据所述置信距离l_ij确定方均欧氏距离s_i：

在步骤S504中，根据所述方均欧氏距离s_i确定可信度系数η_i：

考虑到传感器的测量误差，计算可靠性系数：

根据测量数据确定测量误差比如σ₁＝5cm、σ₂＝10cm、σ₃＝5cm；根据所述测量误差σ₁、σ₂、σ₃确定可靠性系数：

根据所述可靠性系数确定基本信任分配参数m_j(a_i)：

同理，可得m₂(a₁)＝0.584，m₂(a₂)＝0.154，m₂(a₃)＝0.262

m₃(a₁)＝0.571，m₃(a₂)＝0.128，m₃(a₃)＝0.301

确定车道定位向量之间的冲突因子t：

确定平均基本信任分配

根据所述冲突因子t以及所述平均基本信任分配

确定车道定位向量的信任分配参数m(a_i)：

根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置а：

本公开还公开了一种电子设备，图6示出根据本公开实施例的电子设备的结构框图。

如图6所示，电子设备600包括存储器601和处理器602。所述存储器601用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述处理器602执行以实现以下方法步骤：

获取定位车道的测量数据；

根据所述测量数据，确定车道定位向量；

将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数；

根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置。

图7示出适于用来实现根据本公开实施例的基于自动驾驶车辆的车道位置确定方法的计算机系统的结构示意图。

如图7所示，计算机系统700包括中央处理单元(CPU)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储部分709加载到随机访问存储器(RAM)703中的程序而执行上述实施例中的各种处理。在RAM 703中，还存储有系统700操作所需的各种程序和数据。CPU 701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

以下部件连接至I/O接口705：包括键盘、鼠标等的输入部分706；包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分707；包括硬盘等的存储部分708；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分709。通信部分709经由诸如因特网的网络执行通信处理。驱动器710也根据需要连接至I/O接口705。可拆卸介质711，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器710上，以便于从其上读出的计算机程序根据需要被安装入存储部分708。

特别地，根据本公开实施例，上文描述的方法可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括有形地包含在机器可读介质上的计算机程序，所述计算机程序包含用于执行上述对象类别确定方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分709从网络上被下载和安装，和/或从可拆卸介质711被安装。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，路程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元或模块可以通过软件的方式实现，也可以通过可编程硬件的方式来实现。所描述的单元或模块也可以设置在处理器中，这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定。

作为另一方面，本公开还提供了一种计算机可读存储介质，该可读存储介质可以是上述实施例中电子设备或计算机系统中所包含的可读存储介质；也可以是单独存在，未装配入设备中的可读存储介质。可读存储介质存储有一个或者一个以上程序，所述程序被一个或者一个以上的处理器用来执行描述于本公开的方法。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (9)

1.一种基于自动驾驶车辆的车道位置确定方法，其特征在于，包括：

获取定位车道的测量数据；

根据所述测量数据，确定车道定位向量；

将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数；

根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置；

其中，所述根据所述测量数据，确定车道定位向量，包括：

根据车道数量N、车道宽度w_g、道路两侧边沿与边沿相邻车道线的距离d₁以及道路两侧边沿与车辆的距离p₁，计算得到所述车道定位向量a₁；根据车道数量N、车道宽度w_g、道路两侧边沿与边沿相邻车道线的距离d_r以及道路两侧边沿与车辆的距离p_r，计算得到所述车道定位向量a₂；根据车辆所在车道的左右车道线的位置q，确定车道定位向量a₃。

2.根据权利要求1所述的方法，其特征在于，所述测量数据包括：车道数量N、车道宽度w_g、道路两侧边沿与边沿相邻车道线的距离d₁、d_r、车道宽度测量误差α₁......α_N、道路两侧边沿与相邻车道线距离测量误差β₁、β_r、道路两侧边沿与车辆的距离p₁、p_r、道路两侧边沿与车辆距离测量误差ω₁、ω_r、车道线位置q和车道线位置测量误差θ，其中，g＝1，2，......N，所述车道线位置q为视觉摄像头定位数据。

3.根据权利要求1所述的方法，其特征在于，所述将所述车道定位向量作为D-S证据理论的识别框架，确定所述车道定位向量的信任分配参数，包括：

确定车道定位向量的隶属度矩阵U：

其中，

a_i、a_j表示第i个车道定位向量和第j个车道定位向量，i＝1，2，3，j＝1，2，3；u_ij表示第i个车道定位向量和第j个车道定位向量之间的接近程度；

确定道路两侧边沿与车辆的距离p₁、p_r以及车道线位置q之间的置信距离l_ij：l_ij＝||p_i-p_j||，其中，p_i＝(u_1i，u_2i，u_3i)、p_j＝(u_1j，u_2j，u_3j)；

根据所述置信距离l_ij确定方均欧氏距离s_i：

根据所述方均欧氏距离s_i确定可信度系数η_i，其中，所述可信度系数η_i如下条件：

其中，s_th为阈值，s_k，s_j为小于阈值s_th的方均欧氏距离s_i；

根据可信度系数η_i确定基本信任分配参数m_j(a_i)：

根据所述基本信任分配参数m_j(a_i)确定车道定位向量的信任分配参数m(a_i)：

4.根据权利要求3所述的方法，其特征在于，还包括：

根据测量数据确定车道定位向量a₁、a₂、a₃的测量误差σ₁、σ₂、σ₃；

根据所述测量误差σ₁、σ₂、σ₃确定可靠性系数：

根据所述可靠性系数确定基本信任分配参数m_j(a_i)：

5.根据权利要求3或4所述的方法，其特征在于，还包括：

确定车道定位向量之间的冲突因子t：

确定平均基本信任分配

根据所述冲突因子t以及所述平均基本信任分配

确定车道定位向量的信任分配参数m(a_i)：

6.根据权利要求5所述的方法，其特征在于，所述根据所述车道定位向量的信任分配参数以及所述车道定位向量，确定车道定位位置a：

7.根据权利要求1所述的方法，其特征在于，所述道路两侧边沿与车辆的距离p₁、p_r为激光雷达定位数据；所述车道线位置q为视觉摄像头定位数据；

所述根据车道线位置q，确定车道定位向量a₃包括：

将所述车道线位置q进行逆透视变换，得到所述激光雷达定位的坐标系下的车道线位置q；

根据所述激光雷达定位的坐标系下的车道线位置q，确定车道定位向量a₃。

8.一种电子设备，其特征在于，包括存储器和处理器；其中，所述存储器用于存储一条或多条计算机指令，所述一条或多条计算机指令被所述处理器执行以实现权利要求1-7任一项所述的方法步骤。

9.一种计算机可读存储介质，其上存储有计算机指令，其特征在于，该计算机指令被处理器执行时实现权利要求1-7任一项所述的方法步骤。

Images