CN111325187B - 一种车道位置的识别方法及装置 - Google Patents
一种车道位置的识别方法及装置 Download PDFInfo
- Publication number
- CN111325187B CN111325187B CN202010207572.2A CN202010207572A CN111325187B CN 111325187 B CN111325187 B CN 111325187B CN 202010207572 A CN202010207572 A CN 202010207572A CN 111325187 B CN111325187 B CN 111325187B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acquisition time
- coordinate system
- tracking
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 7
- 238000006073 displacement reaction Methods 0.000 claims description 28
- 230000009466 transformation Effects 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000016776 visual perception Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
- G06T2207/30256—Lane; Road marking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车道位置的识别方法，在车辆的行驶过程中对本车前方的多个车辆进行追踪，以未进行换道的目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，依据预设区域内每个车辆与该切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，可以得到每条车道对应的车辆组，进而可以根据每个车辆组中的车辆位置计算每条车道的中心线。本发明在本车行驶过程中仅通过追踪和分析行驶在本车前方的车辆的行驶轨迹，就可以实时获知本车行驶道路上的车道中心线的分布情况，不受网络情况的限制，无需依赖摄像头识别车道线和高精地图，就能实时、准确的识别车道位置，提高了车道位置识别的准确性和可靠性。
Description
技术领域
本发明涉及智能驾驶技术领域，更具体的，涉及一种车道位置的识别方法及装置。
背景技术
车道位置的准确识别是智能驾驶的关键环节，是实现自适应巡航、辅助车道保持、车道偏离预警等功能的基础。
目前，主要利用视觉感知技术和高精地图定位技术实现车道位置识别。其中，视觉感知技术基于车辆摄像头拍摄的道路交通标线(简称道线)图像进行视觉感知，从而识别车道位置，但是，当道线磨损、天气影响车道线的能见度低等实际工况中，摄像头无法拍摄到满足视觉感知要求的道线图像，从而无法准确识别车道位置。另一方面，高精地图受数据采集、校验、更新过程的限制，在道路信息改变与高精地图更新之间存在一定的时间，在道路维护、临时交通管制、出现交通事故等情况下车辆往往无法得到能够实时反映道路信息的高精地图，因此，在此情况下基于高精地图定位技术也无法准确识别车道位置。
综上，现有识别车道位置的方法准确性和实时性较差，目前亟需一种可以实时、准确识别车道位置的方法。
发明内容
有鉴于此，本发明提供了一种基于车流聚类感知的车道位置识别方法及装置，提高识别车道位置的准确率。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种车道位置的识别方法，包括：
确定本车前方的多个追踪车辆；
在对多个所述追踪车辆的追踪距离大于预设距离的情况下，获取每个所述追踪车辆的行驶轨迹；
根据每个所述追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
以所述目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与所述切向坐标轴之间的法向距离；
依据预设区域内每个车辆与所述切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线。
可选的，所述获取每个所述追踪车辆的行驶轨迹，包括：
获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹。
可选的，所述获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，包括：
根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个所述追踪车辆在每个采集时刻的位置坐标换算为当前采集时刻本车坐标系下的位置坐标，得到每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，其中，每个所述追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的。
可选的，追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系的计算方法如下：
获取本车的车速和角速度；
根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
依据每个采集时刻本车的航向角、x方向位移及y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系。
可选的，所述分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹，包括：
分别对每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标进行多项式拟合，得到每个所述追踪车辆的行驶轨迹。
可选的，所述根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线，包括：
分别对每个所述车辆组中的车辆位置进行多项式拟合，得到每个所述车辆组对应车道的中心线。
一种车道位置的识别装置，包括：
追踪车辆确定单元，用于确定本车前方的多个追踪车辆；
行驶轨迹获取单元，用于在对多个所述追踪车辆的追踪距离大于预设距离的情况下，获取每个所述追踪车辆的行驶轨迹；
目标追踪车辆确定单元，用于根据每个所述追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
法向距离计算单元，用于以所述目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与所述切向坐标轴之间的法向距离；
聚类分析单元，用于依据预设区域内每个车辆与所述切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
中心线计算单元，用于根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线。
可选的，所述行驶轨迹获取单元，包括：
位置坐标获取子单元，用于获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
行驶轨迹计算子单元，用于根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹。
可选的，所述位置坐标获取子单元，具体用于：
根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个所述追踪车辆在每个采集时刻的位置坐标代入，换算为当前采集时刻本车坐标系下的位置坐标，得到每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，其中，每个所述追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的。
可选的，所述装置还包括坐标系变换关系计算单元，具体用于：
获取本车的车速和角速度；
根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
依据每个采集时刻本车的航向角、x方向位移及y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系。
可选的，所述行驶轨迹计算子单元，具体用于：
分别对每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标进行多项式拟合，得到每个所述追踪车辆的行驶轨迹。
可选的，所述中心线计算单元，具体用于：
分别对每个所述车辆组中的车辆位置进行多项式拟合，得到每个所述车辆组对应车道的中心线。
相对于现有技术，本发明的有益效果如下：
本发明公开的一种车道位置的识别方法，在车辆的行驶过程中对本车前方的多个车辆的行驶轨迹进行追踪，以未进行换道的目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，通过依据对预设区域内每个车辆与该切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，可以得到每条车道对应的车辆组，进而可以根据每条车道对应的车辆组中的车辆位置计算每条车道的中心线，可见，本发明在本车行驶过程中仅通过追踪和分析追踪行驶在本车前方的车辆的行驶轨迹，就可以实时获知本车行驶道路上的车道中心线的分布情况，不受网络情况的限制，无需依赖摄像头识别车道线和高精地图，就能实时、准确的识别车道位置，避免了现有技术中存在的问题，进一步的，本方案中是对实际车辆行驶状态下采集的前车的行驶轨迹进行的分析，从而分析的结果更加贴合实际行驶场景，提高了车道位置识别的准确性和可靠性。
附图说明
为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种车道位置的识别方法的流程示意图；
图2为本发明实施例公开的一种计算追踪车辆行驶轨迹的方法的流程示意图；
图3为本发明实施例公开的三车道追踪车辆行驶轨迹示意图；
图4为本发明实施例公开的三车道预设区域内车辆与本车Frenet坐标系的切向坐标轴之间的法向距离的示意图；
图5为本发明实施例公开的三车道道路中心线分布示意图；
图6为本发明实施例公开的一种车道位置的识别装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明公开了一种车道位置的识别方法，应用于车载控制器，无需额外安装任何硬件，不需要借助车载摄像头拍摄的道线图像，也不需要借助高精地图提供的道路信息，不受网络情况的限制，在本车行驶过程中仅通过追踪和分析追踪行驶在本车前方的车辆的行驶轨迹，就可以实时获知本车行驶道路上的车道中心线的分布情况，从而实时、准确的识别车道位置，避免了现有技术中存在的问题。
具体的，请参阅图1，本实施例公开的一种车道位置的识别方法包括以下步骤：
S101：确定本车前方的多个追踪车辆；
追踪车辆的数量可以预先设定，如3～5辆。
S102：在对多个追踪车辆的追踪距离大于预设距离的情况下，获取每个追踪车辆的行驶轨迹；
为了便于后续对行驶轨迹的分析，追踪距离不能太短，需要在对多个追踪车辆的追踪距离大于预设距离，如50米的情况下，才获取并分析每个追踪车辆的行驶轨迹。
为了获取每个追踪车辆的行驶轨迹，需要获取追踪过程中每个追踪车辆在每个采集时刻的位置坐标，由于是通过本车传感器获取的每个追踪车辆在每个采集时刻的位置坐标，该位置坐标是在本车坐标系下的，而每个采集时刻本车的坐标系可能不同，为了便于计算，需要将每个追踪车辆在每个采集时刻的位置坐标转换到同一坐标系下，如当前采集时刻本车坐标系下。
请参阅图2，图2中获取每个追踪车辆的行驶轨迹的方法包括以下步骤：
S201：获取追踪过程中每个追踪车辆在每个采集时刻的位置坐标；
其中，每个追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的，利用传感器获取追踪车辆的位置是十分成熟的技术，可以通过摄像头、雷达或者两者融合的方案实现，在此不再赘述。
可见，每个追踪车辆在每个采集时刻的位置坐标是在相应采集时刻本车坐标系下的位置坐标，由于本车在不同采集时刻的坐标系可能不同，因此，每个追踪车辆在每个采集时刻的位置坐标可能处于不同的坐标系。
S202：获取本车的车速和角速度；
这里的角速度为整车角速度。
S203：根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
其中，航向角θ＝∫ωdt，ω为角速度，t为两个采集时刻之间的采集间隔。
在t时间内，x方向位移为y方向位移为/>为车速。
S204：依据每个采集时刻本车的航向角、x方向位移及y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系；
其中，采集时刻k本车坐标系与采集时刻k-1本车坐标系之间的变换关系为：
其中，代表追踪车辆在前一采集时刻本车坐标系下的坐标，/>代表换算至当前时刻本车坐标系下的历史位置坐标，θ表示航向角，/>表示在t时间内x方向位移，/>表示在t时间内y方向位移。
根据上述关系向前递推，得到每个采集时刻本车坐标系与当前采集时刻本车坐标系的换算关系。
S205：根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个追踪车辆在每个采集时刻的位置坐标代入，换算为当前采集时刻本车坐标系下的位置坐标，得到每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
S206：根据每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个追踪车辆的行驶轨迹。
具体的，分别对每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标进行三次多项式拟合，得到每个追踪车辆的行驶轨迹。
三次多项式的一般形式为f(x)＝C0+C1x+C2x2+C3x3；
其中，C0,C1,C2和C3为待定参数。
通过分别将每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标代入上述三次多项式可以计算每个追踪车辆行驶轨迹对应的C0,C1,C2和C3。
以三车道道路为例，请参阅图3，图3表示三个追踪车辆的行驶轨迹。
S103：根据每个追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
以图3中三个追踪车辆的行驶轨迹为例，图3中，轨迹点为深灰色的两条轨迹分别代表追踪车辆A和B，轨迹点为白灰色的代表追踪车辆C。可见，追踪车辆A和追踪车辆B未进行换道，可以随机从追踪车辆A和追踪车辆B中选择一个追踪车辆作为目标追踪车辆。
其中，车辆在行驶过程中是否换道的判断方法为现有技术，本发明对此不再赘述。
S104：以目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与切向坐标轴之间的法向距离；
以将图3中的追踪车辆B作为目标追踪车辆为例，请参阅图4，以目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，通过本车传感器获取的预设区域内每个车辆的位置，可以计算预设区域内每个车辆与切向坐标轴之间的法向距离，具体如图4所示，其中，d1～d7为上述法向距离，白虚线代表实际车道线，沿车道方向的黑实线代表Frenet坐标系的切向坐标轴；预设区域可以为本车前方的道路区域，区域的大小可以根据需要预先设定。
S105：依据预设区域内每个车辆与切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
具体的，可以使用具有噪声的基于密度聚类(DBSCAN)算法，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组，如图4为例，最左侧车道中的三辆车被聚类到同一车辆组。
S106：根据每个车辆组中的车辆位置，计算每个车辆组对应车道的中心线。
具体的，分别对每个车辆组中的车辆位置进行三次多项式拟合，得到每个车辆组对应车道的中心线。
与上述计算每个追踪车辆的行驶轨迹的原理相似，通过分别将每个车辆组中的车辆位置的坐标代入三次多项式，计算每个车辆组对应的三次多项式的参数，即得到每个车辆组对应车道的中心线表达式。
以三车道道路为例，对应的聚类结果包括3个车辆组，即左侧车道、中间车道和右侧车道分别对应一个车辆组，每个车辆组包括多辆车，可以理解的是，车辆在行驶过程中车辆的中心一般都在车道中心线上，在此基础上，分别对每个车辆组中的车辆位置进行三次多项式拟合，可以得到每个车辆组对应车道的中心线，具体如图5所示，黑虚线表示拟合得到的车道中心线(即图中的空间分布的车道中心)。
本实施例公开的一种车道位置的识别方法，通过追踪前车的行驶轨迹和对周围车辆的空间分布进行分析，可以从时间域和空间域获得车辆实际行驶的车道中心线的分布，即在本车行驶过程中，在每个采集时刻都可以得到本车前方车辆实际行驶的车道中心线，不受网络情况的限制，无需借助摄像头识别车道线和高精地图，就能实时、准确的识别车道位置。
本实施例公开的一种车道位置的识别方法，不需要借助摄像头识别车道线，避免了由于道线磨损、能见度低、摄像头遮挡等因素导致本车无法利用摄像头准确识别车道位置的问题，同时，本发明也不需要借助高精地图提供的道路信息识别车道位置，避免了由于道路临时封闭时高精地图提供的道路信息与实际道路信息不符，导致本车无法通过高精地图提供的道路信息准确识别车道位置的问题，提高了车道位置识别的准确性和可靠性。
基于上述实施例公开的一种车道位置的识别方法，本实施例对应公开了一种车道位置的识别装置，该装置设置于车载控制器，请参阅图6，具体的，该装置包括：
追踪车辆确定单元100，用于确定本车前方的多个追踪车辆；
行驶轨迹获取单元200，用于在对多个所述追踪车辆的追踪距离大于预设距离的情况下，获取每个所述追踪车辆的行驶轨迹；
目标追踪车辆确定单元300，用于根据每个所述追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
法向距离计算单元400，用于以所述目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与所述切向坐标轴之间的法向距离；
聚类分析单元500，用于依据预设区域内每个车辆与所述切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
中心线计算单元600，用于根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线。
可选的，所述行驶轨迹获取单元，包括：
位置坐标获取子单元，用于获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，所述历史位置坐标包括追踪过程中每个采集时刻的位置坐标；
行驶轨迹计算子单元，用于分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹。
可选的，所述位置坐标获取子单元，具体用于：
根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个追踪车辆在每个采集时刻的位置坐标换算为当前采集时刻本车坐标系下的位置坐标，得到每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，其中，每个追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的。
可选的，所述装置还包括坐标系变换关系计算单元，具体用于：
获取本车的车速和角速度；
根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
依据每个采集时刻本车的航向角、x方向位移及y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系。
可选的，所述行驶轨迹计算子单元，具体用于：
分别对每个追踪车辆在当前采集时刻本车坐标系下的历史位置坐标进行三次多项式拟合，得到每个追踪车辆的行驶轨迹。
可选的，所述中心线计算单元，具体用于：
分别对每个车辆组中的车辆位置进行三次多项式拟合，得到每个车辆组对应车道的中心线。
本实施例公开的一种车道位置的识别装置，在车辆的行驶过程中对本车前方的多个车辆的行驶轨迹进行追踪，以未进行换道的目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，通过依据对预设区域内每个车辆与该切向坐标轴之间的法向距离，对预设区域内每个车辆的位置进行聚类，可以得到每条车道对应的车辆组，进而可以根据每条车道对应的车辆组中的车辆位置计算每条车道的中心线，可见，本发明在本车行驶过程中仅通过追踪和分析追踪行驶在本车前方的车辆的行驶轨迹，就可以实时获知本车行驶道路上的车道中心线的分布情况，不受网络情况的限制，无需借助摄像头识别车道线和高精地图，就能实时、准确的识别车道位置，避免了现有技术中存在的问题，进一步的，本方案中是对实际车辆行驶状态下采集的前车的行驶轨迹进行的分析，从而分析的结果更加贴合实际行驶场景，提高了车道位置识别的准确性和可靠性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种车道位置的识别方法，其特征在于，包括：
确定本车前方的多个追踪车辆；
在对多个所述追踪车辆的追踪距离大于预设距离的情况下，获取每个所述追踪车辆的行驶轨迹；
根据每个所述追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
以所述目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与所述切向坐标轴之间的法向距离；
依据预设区域内每个车辆与所述切向坐标轴之间的法向距离，采用具有噪声的基于密度聚类算法，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线；
所述根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线，包括：
分别对每个所述车辆组中的车辆位置进行三次多项式拟合，得到每个所述车辆组对应车道的中心线。
2.根据权利要求1所述的方法，其特征在于，所述获取每个所述追踪车辆的行驶轨迹，包括：
获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹。
3.根据权利要求2所述的方法，其特征在于，所述获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，包括：
根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个所述追踪车辆在每个采集时刻的位置坐标换算为当前采集时刻本车坐标系下的位置坐标，得到每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
其中，每个所述追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的。
4.根据权利要求3所述的方法，其特征在于，所述追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系的计算方法如下：
获取本车的车速和角速度；
根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
依据每个采集时刻本车的航向角、x方向位移和y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系。
5.根据权利要求2所述的方法，其特征在于，所述分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹，包括：
分别对每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标进行多项式拟合，得到每个所述追踪车辆的行驶轨迹。
6.一种车道位置的识别装置，其特征在于，包括：
追踪车辆确定单元，用于确定本车前方的多个追踪车辆；
行驶轨迹获取单元，用于在对多个所述追踪车辆的追踪距离大于预设距离的情况下，获取每个所述追踪车辆的行驶轨迹；
目标追踪车辆确定单元，用于根据每个所述追踪车辆的行驶轨迹，确定未进行换道的目标追踪车辆；
法向距离计算单元，用于以所述目标追踪车辆的行驶轨迹作为本车Frenet坐标系的切向坐标轴，计算预设区域内每个车辆与所述切向坐标轴之间的法向距离；
聚类分析单元，用于依据预设区域内每个车辆与所述切向坐标轴之间的法向距离，采用具有噪声的基于密度聚类算法，对预设区域内每个车辆的位置进行聚类，得到的聚类结果为每条车道对应的车辆组；
中心线计算单元，用于根据每个所述车辆组中的车辆位置，计算每个所述车辆组对应车道的中心线；
所述中心线计算单元，具体用于：
分别对每个所述车辆组中的车辆位置进行三次多项式拟合，得到每个所述车辆组对应车道的中心线。
7.根据权利要求6所述的装置，其特征在于，所述行驶轨迹获取单元，包括：
位置坐标获取子单元，用于获取每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标；
行驶轨迹计算子单元，用于分别根据每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，计算每个所述追踪车辆的行驶轨迹。
8.根据权利要求7所述的装置，其特征在于，所述位置坐标获取子单元，具体用于：
根据追踪过程中每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系，将每个所述追踪车辆在每个采集时刻的位置坐标换算为当前采集时刻本车坐标系下的位置坐标，得到每个所述追踪车辆在当前采集时刻本车坐标系下的历史位置坐标，其中，每个所述追踪车辆在每个采集时刻的位置坐标是在每个采集时刻利用本车传感器获取的。
9.根据权利要求8所述的装置，其特征在于，所述装置还包括坐标系变换关系计算单元，具体用于：
获取本车的车速和角速度；
根据本车的车速和角速度以及相邻两个采集时刻之间的采集间隔，计算每个采集时刻本车的航向角、x方向位移和y方向位移；
依据每个采集时刻本车的航向角、x方向位移及y方向位移，计算每个采集时刻本车坐标系与当前采集时刻本车坐标系之间的变换关系。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207572.2A CN111325187B (zh) | 2020-03-23 | 2020-03-23 | 一种车道位置的识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010207572.2A CN111325187B (zh) | 2020-03-23 | 2020-03-23 | 一种车道位置的识别方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325187A CN111325187A (zh) | 2020-06-23 |
| CN111325187B true CN111325187B (zh) | 2023-10-20 |
Family
ID=71171650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010207572.2A Active CN111325187B (zh) | 2020-03-23 | 2020-03-23 | 一种车道位置的识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325187B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111738207B (zh) * | 2020-07-13 | 2022-11-08 | 腾讯科技（深圳）有限公司 | 车道线检测方法、装置、电子设备及可读存储介质 |
| KR102620325B1 (ko) * | 2020-11-09 | 2024-01-03 | 우이시 (상하이) 오토모티브 테크놀로지스 리미티드 | 교통 흐름 정보의 결정 방법, 장치, 전자 기기 및 저장 매체 |
| CN112435276B (zh) * | 2020-11-13 | 2024-08-23 | 鹏城实验室 | 一种车辆跟踪方法、装置、智能终端及存储介质 |
| CN112632208B (zh) * | 2020-12-25 | 2022-12-16 | 际络科技(上海)有限公司 | 一种交通流轨迹变形方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH102954A (ja) * | 1996-06-13 | 1998-01-06 | Nec Corp | レーダ装置及び先行車識別方法 |
| KR101526816B1 (ko) * | 2014-09-12 | 2015-06-05 | 현대자동차주식회사 | 차선 추정 시스템 및 그 방법 |
| CN108238048A (zh) * | 2016-12-27 | 2018-07-03 | 丰田自动车株式会社 | 驾驶辅助装置 |
| CN108622093A (zh) * | 2018-05-04 | 2018-10-09 | 奇瑞汽车股份有限公司 | 智能车辆的车道保持控制方法及装置 |
| CN109677405A (zh) * | 2018-12-14 | 2019-04-26 | 中南民族大学 | 一种基于不完备车道线信息的车辆偏离预警方法及系统 |
| CN109789875A (zh) * | 2016-09-26 | 2019-05-21 | 日产自动车株式会社 | 行驶路径设定方法及行驶路径设定装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8775063B2 (en) * | 2009-01-26 | 2014-07-08 | GM Global Technology Operations LLC | System and method of lane path estimation using sensor fusion |
-
2020
- 2020-03-23 CN CN202010207572.2A patent/CN111325187B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH102954A (ja) * | 1996-06-13 | 1998-01-06 | Nec Corp | レーダ装置及び先行車識別方法 |
| KR101526816B1 (ko) * | 2014-09-12 | 2015-06-05 | 현대자동차주식회사 | 차선 추정 시스템 및 그 방법 |
| CN105774805A (zh) * | 2014-09-12 | 2016-07-20 | 现代自动车株式会社 | 用于估算车道的系统及其方法 |
| CN109789875A (zh) * | 2016-09-26 | 2019-05-21 | 日产自动车株式会社 | 行驶路径设定方法及行驶路径设定装置 |
| CN108238048A (zh) * | 2016-12-27 | 2018-07-03 | 丰田自动车株式会社 | 驾驶辅助装置 |
| CN108622093A (zh) * | 2018-05-04 | 2018-10-09 | 奇瑞汽车股份有限公司 | 智能车辆的车道保持控制方法及装置 |
| CN109677405A (zh) * | 2018-12-14 | 2019-04-26 | 中南民族大学 | 一种基于不完备车道线信息的车辆偏离预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于结构化道路的车道偏离实时预警算法;高琪;冯燕;梁瑞波;;计算机仿真(第09期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325187A (zh) | 2020-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325187B (zh) | 一种车道位置的识别方法及装置 | |
| CN106997688B (zh) | 基于多传感器信息融合的停车场停车位检测方法 | |
| CN109059944B (zh) | 基于驾驶习惯学习的运动规划方法 | |
| CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
| JP3435623B2 (ja) | 交通流監視装置 | |
| CN109583280A (zh) | 车道线识别方法、装置、设备及存储介质 | |
| CN117836653A (zh) | 一种基于车载定位装置的路侧毫米波雷达校准方法 | |
| CN110705458B (zh) | 边界检测方法及装置 | |
| CN112069944B (zh) | 一种道路拥堵等级确定方法 | |
| CN112363167A (zh) | 一种基于毫米波雷达与单目相机融合的扩展目标跟踪方法 | |
| CN105676253A (zh) | 一种自动驾驶中基于城市道路标线地图的纵向定位系统及其方法 | |
| CN108445503A (zh) | 基于激光雷达与高精度地图融合的无人驾驶路径规划算法 | |
| CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
| CN111289969B (zh) | 一种车载雷达运动目标融合方法及装置 | |
| CN110008891B (zh) | 一种行人检测定位方法、装置、车载计算设备及存储介质 | |
| CN110632617A (zh) | 一种激光雷达点云数据处理的方法及装置 | |
| CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
| CN116503818A (zh) | 一种多车道车速检测方法及系统 | |
| CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
| CN114419573A (zh) | 动态占据栅格估计方法及装置 | |
| CN118172938A (zh) | 基于分布式光纤与激光雷达的车辆轨迹全程追踪方法 | |
| CN110095776B (zh) | 用于确定对象的存在和/或特性的方法和周围环境识别设备 | |
| Prophet et al. | CNN based road course estimation on automotive radar data with various gridmaps | |
| CN111832365A (zh) | 车道标记确定方法及装置 | |
| CN114895274A (zh) | 一种护栏识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: 4 / F, building 1, No.14 Jiuxianqiao Road, Chaoyang District, Beijing 100020 Applicant after: Beijing Jingwei Hirain Technologies Co.,Inc. Address before: 8 / F, block B, No. 11, Anxiang Beili, Chaoyang District, Beijing 100101 Applicant before: Beijing Jingwei HiRain Technologies Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |