CN111507130B - 车道级定位方法及系统、计算机设备、车辆、存储介质 - Google Patents
车道级定位方法及系统、计算机设备、车辆、存储介质 Download PDFInfo
- Publication number
- CN111507130B CN111507130B CN201910098001.7A CN201910098001A CN111507130B CN 111507130 B CN111507130 B CN 111507130B CN 201910098001 A CN201910098001 A CN 201910098001A CN 111507130 B CN111507130 B CN 111507130B
- Authority
- CN
- China
- Prior art keywords
- information
- lane line
- lane
- coefficient difference
- vehicle
- 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 46
- 230000004807 localization Effects 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000969 carrier Substances 0.000 abstract 1
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- PCTMTFRHKVHKIS-BMFZQQSSSA-N (1s,3r,4e,6e,8e,10e,12e,14e,16e,18s,19r,20r,21s,25r,27r,30r,31r,33s,35r,37s,38r)-3-[(2r,3s,4s,5s,6r)-4-amino-3,5-dihydroxy-6-methyloxan-2-yl]oxy-19,25,27,30,31,33,35,37-octahydroxy-18,20,21-trimethyl-23-oxo-22,39-dioxabicyclo[33.3.1]nonatriaconta-4,6,8,10 Chemical compound C1C=C2C[C@@H](OS(O)(=O)=O)CC[C@]2(C)[C@@H]2[C@@H]1[C@@H]1CC[C@H]([C@H](C)CCCC(C)C)[C@@]1(C)CC2.O[C@H]1[C@@H](N)[C@H](O)[C@@H](C)O[C@H]1O[C@H]1/C=C/C=C/C=C/C=C/C=C/C=C/C=C/[C@H](C)[C@@H](O)[C@@H](C)[C@H](C)OC(=O)C[C@H](O)C[C@H](O)CC[C@@H](O)[C@H](O)C[C@H](O)C[C@](O)(C[C@H](O)[C@H]2C(O)=O)O[C@H]2C1 PCTMTFRHKVHKIS-BMFZQQSSSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明涉及车道级定位方法及系统、计算机设备、车辆、存储介质,方法包括如下步骤:获取车辆的前方道路图像、绝对位置信息和高精度地图数据;识别前方道路图像得到第一车道特征信息;根据第一车道特征信息、绝对位置信息和高精度地图数据确定车辆的初始定位信息;获取车辆两侧全景道路图像,并识别两侧全景道路图像得到第二车道线几何信息;对第一车道线几何信息和第二车道线几何信息进行匹配得到车道线匹配结果,并根据车道线匹配结果确定初始定位信息是否为最终车辆定位信息。所述系统、计算机设备和存储介质均为实现所述方法的载体,所述车辆包括所述系统和所述计算机设备。本发明能够提高自动驾驶车道级定位可靠性。
Description
技术领域
本发明涉及自动驾驶过程中车辆定位技术领域,具体涉及车辆行驶过程中的车道级定位方法及系统、计算机设备、车辆、存储介质。
背景技术
随着汽车数量的不断增加,道路安全问题越显突出且不容忽视,因此,高级驾驶辅助系统已成为研究热点。由于传统GPS定位技术其存在较大误差,无法满足高精度定位要求,因此自动驾驶车辆车道级定位系统应运而生。
就目前而言,自动驾驶车辆车道级定位系统方案比较多,多数关注单一技术的开发,但针对支持量产、高可靠性和低成本的需求考虑较少。例如高精度定位差分服务和高成本惯性导航,此高精度绝对定位方案目前成本较高,短时间内无法在量产自动驾驶车辆中应用;又例如多线束激光雷达与高精度地图自定位方案,激光雷达成本太高,短时间内无法在量产自动驾驶车辆中应用。
综上,现有自动驾驶车辆车道级定位技术还有待进一步改进。
发明内容
本发明的目的在于提出一种自动驾驶车辆车道级定位方法及系统、计算机设备、车辆和计算机可读存储介质,以提高自动驾驶车道级定位的可靠性和降低车辆车道级定位方案的成本,从而更好地支持量产。
为达本发明目的,本发明第一方面实施例提供一种自动驾驶车辆车道级定位方法,包括如下步骤:
实时获取车辆的前方道路图像和绝对位置信息以及高精度地图数据;
识别所述前方道路图像得到第一车道特征信息;
获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
获取所述高精度地图数据中与所述绝对位置信息匹配的第二车道特征信息;
根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
实时获取车辆两侧全景道路图像,并识别所述两侧全景道路图像得到第二车道线几何信息;
若确定所述第一位置信息为初始位置信息,则根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
与现有技术相比,本发明第一方面实施例在通过高精度绝对定位、车辆前方道路图像与高精度地图匹配技术实现车道级定位以得到相应的初始位置信息,初始位置信息包括当前车辆所在道路及第一车道线几何信息,然后利用车辆两侧全景图像信息进一步校验车道级定位结果的准确性,也就是通过识别全景图像信息来提取相应的第二车道线几何信息,通过对比第一车道线几何信息和第二车道线几何信息,即可知道初始位置信息的准确性,所述准确性通过置信度的方式来体现,据此,能够提高自动驾驶车道级定位的可靠性以保证自动驾驶汽车安全,并降低车辆车道级定位方案的成本,从而更好地支持量产。
根据第一方面实施例,在第一种可选实施方式中,所述确定所述初始位置信息是否为最终车辆定位信息包括:
对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果;
根据所述车道线匹配结果确定所述初始位置信息的置信度;所述置信度至少包括第一置信度和第二置信度;
根据所述初始位置信息的置信度确定所述初始位置信息是否为最终车辆定位信息;若车道线匹配结果对应第一置信度,则确定所述初始位置信息是否为最终车辆定位信息,若车道线匹配结果对应第二置信度,则确定所述初始位置信息为无效车辆定位信息。
根据第一种可选实施方式,在第二种可选实施方式中,所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息。
根据第二种可选实施方式中,在第三种可选实施方式中,所述对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果具体包括:
所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
根据第三种可选实施方式,在第四种可选实施方式中,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系;
其中,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第二左侧车道线几何信息和第二右侧车道线几何信息均满足以下二阶曲线方程式:
y=a 0 x 2 + a 1 x+a 2 。
其中,a 0 、a 1 、a 2 为方程式系数,(x,y)为曲线坐标,也即是方程式的解。
所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值和第三系数差值;
判断所述第一系数差值、第二系数差值和第三系数差值是否分别小于等于相应阈值,若是,则确定第一匹配结果为可信,若否,则确定第一匹配结果为不可信;
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值。
其中,所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第四系数差值、第五系数差值和第六系数差值;
判断所述第四系数差值、第五系数差值和第六系数差值是否分别相应阈值,若是,则确定第二匹配结果为可信,若否,则确定第二匹配结果为不可信;
所述第四系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值。
根据第三种可选实施方式,在第五种可选实施方式中,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系;
其中,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第二左侧车道线几何信息和第二右侧车道线几何信息均满足以下三阶曲线方程式:
y=a 0 x 3 + a 1 x 2 +a 2 x+a 3 。
其中,a 0 、a 1 、a 2 、a 3 为方程式系数,(x,y)为曲线坐标,也即是方程式的解。
所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值、第三系数差值和第四系数差值;
判断所述第一系数差值、第二系数差值和第四系数差值是否分别相应阈值,若是,则确定第一匹配结果为可信,若否,则确定第一匹配结果为不可信;
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值;所述第四系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 3 系数差值。
其中,所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第五系数差值、第六系数差值、第七系数差值和第八系数差值;
判断所述第五系数差值、第六系数差值、第七系数差值和第八系数差值是否分别相应阈值,若是,则确定第二匹配结果为可信,若否,则确定第二匹配结果为不可信;
所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第七系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值;所述第八系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 3 系数差值。
根据第四或五种可选实施方式,在第六种可选实施方式中,所述结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果包括:
若所述第一匹配结果和第二匹配结果均为可信,则确定最终车道线匹配结果为可信;
若所述第一匹配结果或第二匹配结果为不可信,则确定最终车道线匹配结果为不可信;
其中,若车道线匹配结果为可信,则初始位置信息的置信度为第一置信度;若车道线匹配结果为不可信,则初始位置信息的置信度为第二置信度。
根据第六种可选实施方式,在第七种可选实施方式中,所述根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息包括:
对所述第一车道特征信息和第二车道特征信息进行匹配得到相应车道特征匹配结果;
根据所述车道特征匹配结果确定第一位置信息的置信度;所述第一位置信息的置信度至少包括高置信度和低置信度;
若所述第一位置信息的置信度为高置信度,则确定所述第一位置信息为初始位置信息;若所述第一位置信息的置信度为低置信度,则确定所述初始位置信息为无效初始位置信息。
为达本发明目的,本发明第二方面实施例提供一种自动驾驶车辆车道级定位系统,其用于实现第一方面实施例所述的自动驾驶车辆车道级定位方法,包括:
第一图像采集模块,用于实时采集车辆的前方道路图像;
高精度绝对定位模块,用于实时采集车辆的绝对定位信息;
高精度地图模块,用于提供高精度地图数据;
第一图像识别模块,用于识别所述前方道路图像得到第一车道特征信息;
第一信息获取模块,用于获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
第二信息获取模块,用于获取所述高精度地图数据中与所述绝对位置信息匹配的第二车道特征信息;
初始定位模块,用于根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
第二图像采集模块,用于实时获取车辆两侧全景道路图像;
第二图像识别模块,用于识别所述两侧全景道路图像得到第二车道线几何信息;
车辆定位确定模块,用于根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
根据第二方面实施例,在一可选实施方式中,所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息;
所述车辆定位确定模块包括第一匹配单元、第二匹配单元和第一确定单元,
所述第一匹配单元用于对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
所述第二匹配单元用于对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
所述第一确定单元用于结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
为达本发明目的,本发明第三方面实施例提供一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如第一方面实施例所述的自动驾驶车辆车道级定位方法。
为达本发明目的,本发明第四方面实施例提供一种车辆,包括如第三方面或第四方面实施例所述的自动驾驶车辆车道级定位系统或如第五方面实施例所述的计算机设备。
为达本发明目的,本发明第五方面实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时完成如第一方面实施例所述的自动驾驶车辆车道级定位方法。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一中一种自动驾驶车辆车道级定位方法流程图。
图2为本发明实施例一中步骤S7的子步骤流程图。
图3为本发明实施例一中车辆坐标系及车道线几何信息示意图。
图4为本发明实施例二中步骤S5的子步骤流程图。
图5为本发明实施例二中一种自动驾驶车辆车道级定位系统结构图。
图6为本发明实施例三中一种计算机设备结构图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
另外,为了更好的说明本发明,在下文的具体实施例中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本发明同样可以实施。在一些实例中,对于本领域技术人员熟知的手段未作详细描述,以便于凸显本发明的主旨。
如图1所示,本发明实施例一提供一种自动驾驶车辆车道级定位方法,包括如下步骤:
S1实时获取车辆的前方道路图像和绝对位置信息以及高精度地图数据;
本实施例方式中所述前方道路图像可以通过安装于车辆前部的前视摄像头采集得到,所述前视摄像头采集车辆前方道路一定距离内包括车道线数量及各车道线的颜色类型、地面标志及交通标志等信息的图像。优选地,所述前视摄像头可以安装于前挡风玻璃内侧、内后视镜附近。
本实施例方式中所述绝对位置信息可以通过一高精度绝对定位模块实时获取得到,高精度绝对定位模块可以提供例如实时高精度绝对定位信息,包括经度、纬度、车辆航向角等信息。其中,当将本实施例方式方法应用于高速公路自动驾驶时,高精度绝对定位技术可以保证高速公路(除长隧道路段外)内提供亚米级绝对定位误差(1米以内)的高精度绝对定位信息。
本实施例方式中所述高精度地图数据可以由一高精度地图模块提供,其中,高精地图是指高精度、精细化定义的地图,其精度需要达到分米级才能够区分各个车道,具体地,高精度地图各元素绝对位置误差在1米以内,相对位置误差在20cm以内。如今随着定位技术的发展,高精度的定位已经成为可能。而精细化定义,则是需要格式化存储交通场景中的各种交通要素,可实时提供车辆前方道路的车道线数量及各车道线的颜色类型、地面标志及交通标志等信息。本实施例方式高精度地图模块可以为自动驾驶系统提供超视距信息,可提升自动驾驶系统的性能。
S2识别所述前方道路图像得到第一车道特征信息;
本实施例方式中步骤S2经过图像处理技术对所述前方道路图像进行图像处理,提取第一车道特征信息,所述第一车道特征信息包括车道线数量及各车道线的颜色类型、相对路沿距离、路沿类型、地面标志及交通标志等信息。
具体而言,所述第一车道特征信息可以包括通过图像识别获取得到的所述车辆前方道路上的车道线数量、每条车道线的颜色和类型、相对路沿距离、路沿类型、地面标志及交通标志信息等元素,其中车道线的颜色分为白色、黄色、橙色和蓝色等,车道线的类型分为单实线、单虚线、左虚右实、右实左虚、双实线、双虚线和导流线等,路沿类型包括防护栏、路缘石和保护墙等,地面标志信息包括最高限速信息和最低限速信息等,交通标志信息包括最高限速标志、最低限速标志和限速解除标志等,本实施例方式对此不作具体特别限定。
S3获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
具体而言,本实施例方式步骤S3通过高精度地图模块来获取得到所述车辆当前所在的道路或车道等信息,例如,将图像识别得到的所述车辆前方的车道线的数量、路沿类型、地面标志以及交通标志信息等,结合从所述高精度地图中获取得到的所述车辆前方的车道线的数量、路沿类型、地面标志以及交通标志信息等,可以判定所述车辆当前时刻所在的道路,比如在某条高速公路上;将图像识别得到的所述车辆前方的车道线的数量、每条所述车道线的颜色、每条所述车道线的类型、相对路沿距离和地面标志等,结合从所述高精度地图中获取得到的所述车辆前方的车道线的数量、每条所述车道线的颜色、每条所述车道线的类型、相对路沿距离和地面标志等,可以判定所述车辆当前时刻在该道路上所在的车道,由此可以获取所述车辆在当前时刻的位置信息,也就是本文所定义的初始位置信息。
S4获取所述高精度地图数据中与所述绝对位置信息匹配的第二车道特征信息。
在本实施例方式中,利用当前的绝对位置信息中的经纬度信息可以在所述高精度地图中确定所述车辆当前所在的位置,并且根据所述车辆当前的航向角,可以从所述高精度地图中提取与所述绝对位置信息对应的所述车辆前方道路的第二车道特征信息,在这里,所述第二车道特征信息包括从所述高精度地图中提取得到与所述绝对位置信息对应的所述车辆前方道路上的车道线数量、每条车道线的颜色和类型、相对路沿距离、路沿类型、地面标志及交通标志信息等元素。
S5根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
本实施例方式中,如前所述,第一车道特征信息包括多种元素或信息,第二车道特征信息包括与所述第一车道特征信息对应的多种元素或信息;在进行匹配之后,若所述第一车道特征信息和所述第二车道特征信息的匹配结果在一定误差范围之内,则步骤S5所确定的初始位置信息是相对准确的,则确定所述初始位置信息为最终车辆定位信息。
S6实时获取车辆两侧全景道路图像,并识别所述两侧全景道路图像得到第二车道线几何信息;
本实施例方式中,所述车辆两侧全景道路图像可以通过全景摄像头采集得到,所述全景摄像头可以包含四个近距离摄像头和一全景控制器,分别安装在车辆的前、后、左和右位置,目前较多车型中已具备此配置,所述全景控制器将基于四个摄像头输入图像信息进行拼接处理得到全景图像,根据全景图像获得车辆左右两个车道线几何信息,如果车辆单侧全景摄像头能探测多条车道线,选择距离车辆最近的车道线即可。
S7若确定所述第一位置信息为初始位置信息,则根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
本实施例方式中,车道线几何信息表示车道线的几何形状,若所述第一车道线几何信息和所述第二车道线几何信息的匹配结果在一定误差范围之内,则步骤S3所确定的初始位置信息是相对准确的,则确定所述初始位置信息为最终车辆定位信息。
本发明实施例二在通过高精度绝对定位、车辆前方道路图像与高精度地图匹配技术实现车道级定位以得到相应的初始位置信息,初始位置信息包括当前车辆所在道路及第一车道线几何信息,然后利用车辆两侧全景图像信息进一步校验车道级定位结果的准确性,也就是通过识别全景图像信息来提取相应的第二车道线几何信息,通过对比第一车道线几何信息和第二车道线几何信息,即可知道初始位置信息的准确性,所述准确性通过置信度的方式来体现,据此,能够提高自动驾驶车道级定位的可靠性以保证自动驾驶汽车安全,并降低车辆车道级定位方案的成本,从而更好地支持量产。
根据实施例一,在第一种可选实施方式中,如图2所示,所述S7中确定所述初始位置信息是否为最终车辆定位信息包括:
S71对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果;
S72根据所述车道线匹配结果确定所述初始位置信息的置信度;所述置信度至少包括第一置信度和第二置信度;
S73根据所述初始位置信息的置信度确定所述初始位置信息是否为最终车辆定位信息;若车道线匹配结果对应第一置信度,则确定所述初始位置信息是否为最终车辆定位信息,若车道线匹配结果对应第二置信度,所述初始位置信息为无效车辆定位信息。
根据所述第一种可选实施方式,在第二种可选实施方式中,由于每一车道包括左右两条车道线,因此,本实施例方式中所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息。
根据所述第二种可选实施方式中,在第三种可选实施方式中,所述S71对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果具体包括:
S711对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
在本实施例方式中,所述第一匹配结果指的是第一左侧车道线几何信息与第二左侧车道线几何信息是否一致,若其匹配结果在一定误差范围之内,则第一匹配结果是相对准确的。
S712对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
在本实施例方式中,所述第二匹配结果指的是第一右侧车道线几何信息与第二右侧车道线几何信息是否一致,若其匹配结果在一定误差范围之内,则第二匹配结果是相对准确的。
S713结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
在本实施例方式中,若所述匹配结果和所述第二匹配结果均是相对准确的,也就是说两者均在一定误差范围之内,则车道线匹配结果为所述第一车道线几何信息与所述第二车道线几何信息一致。
根据第三种可选实施方式,在第四种可选实施方式中,如图3所示,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系,车道线几何信息具体为正方形ABCD区域内信息。
其中,考虑到车道可能涉及转弯,因此车道线几何信息可以用曲线方程式进行表示,具体地采用何种曲线方程式由所述全景控制器确定,全景控制器通过对全景图像进行车道线特征信息提取,然后将相应车道线特征信息用曲线方程式进行表示并输出车道线几何信息。
本实施例方式中,优选地,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第一左侧车道线几何信息和第一右侧车道线几何信息均满足以下二阶曲线方程式:
y=a 0 x 2 + a 1 x+a 2 。
其中,a 0 、a 1 、a 2 为方程式系数,(x,y)为曲线坐标,也即是方程式的解。
本实施例方式中,基于上述二阶曲线方程式,所述S711对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值和第三系数差值;
判断所述第一系数差值、第二系数差值和第三系数差值是否分别小于等于相应阈值;对应地,可以预先设置三个阈值,分别用于第一系数差值、第二系数差值和第三系数差值的判断;若判断结果为是,则确定第一匹配结果为可信,若判断结果为否,则确定第一匹配结果为不可信。
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值。
本实施例方式中,所述S712对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第四系数差值、第五系数差值和第六系数差值;
判断所述第四系数差值、第五系数差值和第六系数差值是否分别相应阈值;对应地,可以预先设置三个阈值,分别用于第四系数差值、第五系数差值和第六系数差值的判断;若判断结果为是,则确定第二匹配结果为可信,若判断结果为否,则确定第二匹配结果为不可信。
其中,所述第四系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值。
根据所述第三种可选实施方式,在第五种可选实施方式中,如图3所示,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系,车道线几何信息具体为正方形ABCD区域内信息。
其中,考虑到车道可能涉及转弯,因此车道线几何信息可以用曲线方程式进行表示,具体地采用何种曲线方程式由所述全景控制器确定,全景控制器通过对全景图像进行车道线特征信息提取,然后将相应车道线特征信息用曲线方程式进行表示并输出车道线几何信息。
本实施例方式中,优选地,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第一左侧车道线几何信息和第一右侧车道线几何信息均满足以下三阶曲线方程式:
y=a 0 x 3 + a 1 x 2 +a 2 x+a 3 。
其中,a 0 、a 1 、a 2 、a 3 为方程式系数,(x,y)为曲线坐标,也即是方程式的解。
本实施例方式中,基于上述三阶曲线方程式,所述S711对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值、第三系数差值和第四系数差值;
判断所述第一系数差值、第二系数差值和第四系数差值是否分别相应阈值;对应地,可以预先设置四个阈值,分别用于第一系数差值、第二系数差值和第四系数差值的判断;若判断结果为是,则确定第一匹配结果为可信,若判断结果为否,则确定第一匹配结果为不可信。
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值;所述第四系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 3 系数差值。
本实施例方式中,所述S712对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第五系数差值、第六系数差值、第七系数差值和第八系数差值;
判断所述第五系数差值、第六系数差值、第七系数差值和第八系数差值是否分别相应阈值对应地,可以预先设置四个阈值,分别用于第五系数差值、第六系数差值、第七系数差值和第八系数差值的判断;若判断结果为是,则确定第二匹配结果为可信,若判断结果为否,则确定第二匹配结果为不可信。
其中,所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第七系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值;所述第八系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 3 系数差值。
根据所述第四种或第五种可选实施方式,在第六种可选实施方式中,所述S713结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果包括:
若所述第一匹配结果和第二匹配结果均为可信,则确定最终车道线匹配结果为可信;
若所述第一匹配结果或第二匹配结果为不可信,则确定最终车道线匹配结果为不可信。
其中,所述初始位置信息的置信度包括但不限于有第一置信度和第二置信度;若所述车道线匹配结果为可信,则将所述初始位置信息的置信度确定为第一置信度;若所述车道线匹配结果为不可信,则将所述初始位置信息的置信度确定为第二置信度。
需说明的是,初始位置信息的置信度的设置可以是三个、四个或者更多,但其只是基于本实施例方式发明构思可以容易得到的。
根据所述第六种可选实施方式,在第七种可选实施方式中,如图4所示,所述S5根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息包括:
S51对所述第一车道特征信息和第二车道特征信息进行匹配得到相应车道特征匹配结果;
在本实施例方式中,所述第一车道特征信息可以包括通过图像识别获取到的所述车辆前方的车道线的数量、每条所述车道线的颜色、每条所述车道线的类型、相对路沿距离、路沿类型、地面标志以及交通标志信息中的若干种信息;所述第二车道特征信息可以包括从所述高精度地图中获取到的所述车辆前方的车道线的数量、每条所述车道线的颜色、每条所述车道线的类型、相对路沿距离、路沿类型、地面标志以及交通标志信息中的若干种信息。需说明的是,所述第一车道特征信息所包含的信息类型及数量与所述第二车道特征信息所包含的信息类型及数量一致,通过一一比较两者的相应类型的信息,可以确定两者的匹配度,也就是一致性情况。
S52根据所述车道特征匹配结果确定第一位置信息的置信度;所述第一位置信息的置信度包括但不限于有高置信度和低置信度;
举例而言,可以对第一车道特征信息和第一车道特征信息所可能包括的每一信息类型对应设置一个阈值,根据每一类型信息的匹配结果,也就是误差值,是否在可接受的阈值范围之内,来确定该类型信息对应的子置信度。也就是说,如果第一车道特征信息和第一车道特征信息包括了多种类型信息,那么就会得到多个子置信度,根据多个子置信度最终确定匹配结果的置信度。当然,作为另一种示例,也可以是先根据多个信息的误差来确定匹配结果,然后根据匹配结果确定与其对应的置信度。
S53根据所述第一位置信息的置信度确定所述第一位置信息是否为初始位置信息;
其中,若所述第一位置信息的置信度为高置信度,则确定所述第一位置信息为初始位置信息;若所述第一位置信息的置信度为低置信度,则确定所述初始位置信息为无效初始位置信息。
需说明的是,第一位置信息的置信度的设置可以是三个、四个或者更多,但其只是基于本实施方式发明构思可以容易得到的。
如图5所示,本发明实施例二提供一种自动驾驶车辆车道级定位系统,其用于实现实施例一所述的自动驾驶车辆车道级定位方法,包括:
第一图像采集模块1,用于实时采集车辆的前方道路图像;
高精度绝对定位模块2,用于实时采集车辆的绝对定位信息;
高精度地图模块3,用于提供高精度地图数据;
第一图像识别模块4,用于识别所述前方道路图像得到第一车道特征信息;
第一信息获取模块5,用于获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
第二信息获取模块6,用于获取所述高精度地图数据中与所述绝对位置信息匹配的第二车道特征信息;
初始定位模块7,用于根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
第二图像采集模块8,用于实时获取车辆两侧全景道路图像;
第二图像识别模块9,用于识别所述两侧全景道路图像得到第二车道线几何信息;
车辆定位确定模块10,用于根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
根据实施例三,在一可选实施方式中,所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息;
所述车辆定位确定模块10包括第一匹配单元101、第二匹配单元102和第一确定单元103;
所述第一匹配单元101用于对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
所述第二匹配单元102用于对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
所述第一确定单元103用于结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
需说明的是,对于实施例二公开的系统而言,由于其与实施例一公开的方法相对应,实施例二所述系统的具体工作流程参见实施例一所述方法流程部分说明即可,此处不再赘述。
如图6所示,本发明实施例三提供一种计算机设备200,包括存储器201、处理器202及存储在存储器201上并可在处理器202上运行的计算机程序203,所述处理器202执行所述计算机程序203时,实现如实施例一所述的自动驾驶车辆车道级定位方法。
需要说明的是,前述对实施例一所述方法的解释说明也适用于实施例五的计算机设备,其实现原理类似,此处不再赘述。
本发明实施例四提供一种车辆,包括如实施例三或四所述的自动驾驶车辆车道级定位系统或如实施例五所述的计算机设备。
本发明实施例五提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时完成如实施例一所述的自动驾驶车辆车道级定位方法。
需要说明的是,前述对实施例一方法的解释说明也适用于实施例七的非临时性计算机可读存储介质,其实现原理类似,此处不再赘述。
在本说明书的描述中,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是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,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (17)
1.一种自动驾驶车辆车道级定位方法,其特征在于,包括如下步骤:
实时获取车辆的前方道路图像和绝对位置信息以及高精度地图数据;
识别所述前方道路图像得到第一车道特征信息;
获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
获取所述高精度地图数据中与所述绝对位置信息匹配的第二车道特征信息;
根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
实时获取车辆两侧全景道路图像,并识别所述两侧全景道路图像得到第二车道线几何信息;
若确定所述第一位置信息为初始位置信息,则根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
2.如权利要求1所述的自动驾驶车辆车道级定位方法,其特征在于,确定所述初始位置信息是否为最终车辆定位信息包括:
对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果;
根据所述车道线匹配结果确定所述初始位置信息的置信度;所述置信度至少包括第一置信度和第二置信度;
根据所述初始位置信息的置信度确定所述初始位置信息是否为最终车辆定位信息;若车道线匹配结果对应第一置信度,则确定所述初始位置信息是否为最终车辆定位信息,若车道线匹配结果对应第二置信度,则确定所述初始位置信息为无效车辆定位信息。
3.如权利要求2所述的自动驾驶车辆车道级定位方法,其特征在于,所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息。
4.如权利要求3所述的自动驾驶车辆车道级定位方法,其特征在于,所述对所述第一车道线几何信息和所述第二车道线几何信息进行匹配得到相应车道线匹配结果具体包括:
对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
5.如权利要求4所述的自动驾驶车辆车道级定位方法,其特征在于,其中,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系;
其中,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第二左侧车道线几何信息和第二右侧车道线几何信息均满足以下二阶曲线方程式:
y=a
0
x
2
+a
1
x+a
2
其中,a 0 、a 1 、a 2 为二阶曲线方程式的系数,x为曲线横坐标,y为曲线纵坐标。
6.如权利要求5所述的自动驾驶车辆车道级定位方法,其特征在于,所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值和第三系数差值;
判断所述第一系数差值、第二系数差值和第三系数差值是否分别小于等于相应阈值,若是,则确定第一匹配结果为可信,若否,则确定第一匹配结果为不可信;
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值。
7.如权利要求6所述的自动驾驶车辆车道级定位方法,其特征在于,所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第四系数差值、第五系数差值和第六系数差值;
判断所述第四系数差值、第五系数差值和第六系数差值是否分别小于等于相应阈值,若是,则确定第二匹配结果为可信,若否,则确定第二匹配结果为不可信;
所述第四系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值。
8.如权利要求4所述的自动驾驶车辆车道级定位方法,其特征在于,其中,车道线几何信息为基于车辆坐标系中车道线曲线信息,所述车辆坐标系为以车辆质心为原点、车辆正前方为X轴正向以及车辆右侧为Y轴正向构建的坐标系;
其中,所述第一左侧车道线几何信息、第一右侧车道线几何信息、第二左侧车道线几何信息和第二右侧车道线几何信息均满足以下三阶曲线方程式:
y=a
0
x
3
+a
1
x
2
+a
2
x+a
3
其中,a 0 、a 1 、a 2 、a 3 为三阶曲线方程式的系数,x为曲线横坐标,y为曲线纵坐标。
9.如权利要求8所述的自动驾驶车辆车道级定位方法,其特征在于,所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果具体包括:
对比所述第一左侧车道线几何信息与第二左侧车道线几何信息得到第一系数差值、第二系数差值、第三系数差值和第四系数差值;
判断所述第一系数差值、第二系数差值和第四系数差值是否分别等于相应阈值,若是,则确定第一匹配结果为可信,若否,则确定第一匹配结果为不可信;
其中,所述第一系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 0 系数差值;所述第二系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 1 系数差值;所述第三系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 2 系数差值;所述第四系数差值为第一左侧车道线几何信息与第二左侧车道线几何信息的a 3 系数差值。
10.如权利要求9所述的自动驾驶车辆车道级定位方法,其特征在于,所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果具体包括:
对比所述第一右侧车道线几何信息与第二右侧车道线几何信息得到第五系数差值、第六系数差值、第七系数差值和第八系数差值;
判断所述第五系数差值、第六系数差值、第七系数差值和第八系数差值是否分别小于等于相应阈值,若是,则确定第二匹配结果为可信,若否,则确定第二匹配结果为不可信;
所述第五系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 0 系数差值;所述第六系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 1 系数差值;所述第七系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 2 系数差值;所述第八系数差值为第一右侧车道线几何信息与第二右侧车道线几何信息的a 3 系数差值。
11.如权利要求7或10所述的自动驾驶车辆车道级定位方法,其特征在于,所述结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果包括:
若所述第一匹配结果和第二匹配结果均为可信,则确定最终车道线匹配结果为可信;
若所述第一匹配结果或第二匹配结果为不可信,则确定最终车道线匹配结果为不可信;
其中,若车道线匹配结果为可信,则初始位置信息的置信度为第一置信度;若车道线匹配结果为不可信,则初始位置信息的置信度为第二置信度。
12.如权利要求1所述的自动驾驶车辆车道级定位方法,其特征在于,所述根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息包括:
对所述第一车道特征信息和第二车道特征信息进行匹配得到相应车道特征匹配结果;
根据所述车道特征匹配结果确定第一位置信息的置信度;所述第一位置信息的置信度至少包括高置信度和低置信度;
若所述第一位置信息的置信度为高置信度,则确定所述第一位置信息为初始位置信息;若所述第一位置信息的置信度为低置信度,则确定所述初始位置信息为无效初始位置信息。
13.一种自动驾驶车辆车道级定位系统,其特征在于,包括:
第一图像采集模块,用于实时采集车辆的前方道路图像;
高精度绝对定位模块,用于实时采集车辆的绝对定位信息;
高精度地图模块,用于提供高精度地图数据;
第一图像识别模块,用于识别所述前方道路图像得到第一车道特征信息;
第一信息获取模块,用于获取所述高精度地图数据中与所述第一车道特征信息匹配的第一位置信息;
第二信息获取模块,用于获取所述高精度地图数据中与所述绝对定位信息匹配的第二车道特征信息;
初始定位模块,用于根据所述第一车道特征信息和第二车道特征信息的匹配结果确定所述第一位置信息是否为初始位置信息;所述初始位置信息至少包括车辆所在道路信息和第一车道线几何信息;
第二图像采集模块,用于实时获取车辆两侧全景道路图像;
第二图像识别模块,用于识别所述两侧全景道路图像得到第二车道线几何信息;
车辆定位确定模块,用于根据所述第一车道线几何信息和所述第二车道线几何信息的匹配结果确定所述初始位置信息是否为最终车辆定位信息。
14.如权利要求13所述的自动驾驶车辆车道级定位系统,其特征在于,所述第一车道线几何信息包括第一左侧车道线几何信息和第一右侧车道线几何信息;所述第二车道线几何信息包括第二左侧车道线几何信息和第二右侧车道线几何信息;
所述车辆定位确定模块包括第一匹配单元、第二匹配单元和第一确定单元,
所述第一匹配单元用于对所述第一左侧车道线几何信息与所述第二左侧车道线几何信息进行匹配得到第一匹配结果;
所述第二匹配单元用于对所述第一右侧车道线几何信息与所述第二右侧车道线几何信息进行匹配得到第二匹配结果;
所述第一确定单元用于结合所述第一匹配结果和第二匹配结果确定最终车道线匹配结果。
15.一种计算机设备,其特征在于,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时,实现如权利要求1-12任一项所述的自动驾驶车辆车道级定位方法。
16.一种车辆,其特征在于,包括如权利要求13-14任一项所述的自动驾驶车辆车道级定位系统或如权利要求15所述的计算机设备。
17.一种非临时性计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时完成如权利要求1-12任一项所述的自动驾驶车辆车道级定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098001.7A CN111507130B (zh) | 2019-01-31 | 2019-01-31 | 车道级定位方法及系统、计算机设备、车辆、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910098001.7A CN111507130B (zh) | 2019-01-31 | 2019-01-31 | 车道级定位方法及系统、计算机设备、车辆、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507130A CN111507130A (zh) | 2020-08-07 |
CN111507130B true CN111507130B (zh) | 2023-08-18 |
Family
ID=71868856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910098001.7A Active CN111507130B (zh) | 2019-01-31 | 2019-01-31 | 车道级定位方法及系统、计算机设备、车辆、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507130B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111814773A (zh) * | 2020-09-07 | 2020-10-23 | 广州汽车集团股份有限公司 | 一种划线车位识别方法及系统 |
CN112068171B (zh) * | 2020-09-08 | 2022-02-01 | 广州小鹏自动驾驶科技有限公司 | 一种车辆定位的方法及装置、车辆、存储介质 |
CN112328731B (zh) * | 2021-01-06 | 2021-07-09 | 禾多科技(北京)有限公司 | 车辆车道级定位方法、装置、电子设备和计算机可读介质 |
CN112823377B (zh) * | 2021-01-14 | 2024-02-09 | 深圳市锐明技术股份有限公司 | 一种路沿分割方法、装置、终端设备及可读存储介质 |
CN113053124B (zh) * | 2021-03-25 | 2022-03-15 | 英博超算(南京)科技有限公司 | 一种智能车辆的测距系统 |
CN113280822B (zh) * | 2021-04-30 | 2023-08-22 | 北京觉非科技有限公司 | 一种车辆定位方法及定位装置 |
CN113701781B (zh) * | 2021-09-30 | 2023-07-18 | 重庆长安汽车股份有限公司 | 一种基于高精地图和视觉车道线的匹配车道搜索方法 |
CN114821531B (zh) * | 2022-04-25 | 2023-03-28 | 广州优创电子有限公司 | 基于电子外后视镜adas的车道线识别图像显示系统 |
CN114937372B (zh) * | 2022-05-18 | 2023-09-05 | 安徽蔚来智驾科技有限公司 | 一种车辆定位系统、定位方法、车辆和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008130219A1 (en) * | 2007-04-19 | 2008-10-30 | Tele Atlas B.V. | Method of and apparatus for producing road information |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
-
2019
- 2019-01-31 CN CN201910098001.7A patent/CN111507130B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008130219A1 (en) * | 2007-04-19 | 2008-10-30 | Tele Atlas B.V. | Method of and apparatus for producing road information |
CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技(深圳)有限公司 | 目标车道的确定方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111507130A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507130B (zh) | 车道级定位方法及系统、计算机设备、车辆、存储介质 | |
CN111507129B (zh) | 车道级定位方法及系统、计算机设备、车辆、存储介质 | |
CN107203738B (zh) | 车辆车道边界定位 | |
US9360328B2 (en) | Apparatus and method for recognizing driving environment for autonomous vehicle | |
US11620837B2 (en) | Systems and methods for augmenting upright object detection | |
CN104833370B (zh) | 用于映射、定位和位姿校正的系统和方法 | |
US9569673B2 (en) | Method and device for detecting a position of a vehicle on a lane | |
WO2014115563A1 (ja) | 運転支援装置、運転支援方法、および運転支援プログラムを記憶する記録媒体 | |
US20140365109A1 (en) | Apparatus and method for recognizing driving lane | |
CN111522003B (zh) | 车辆定位方法及系统、计算机设备、车辆、存储介质 | |
CN110969055B (zh) | 用于车辆定位的方法、装置、设备和计算机可读存储介质 | |
US20210362733A1 (en) | Electronic device for vehicle and method of operating electronic device for vehicle | |
CN110969059A (zh) | 车道线识别方法及系统 | |
CN111595253B (zh) | 车辆与车道线的距离确定方法、装置、设备及存储介质 | |
US10846546B2 (en) | Traffic signal recognition device | |
US20210316734A1 (en) | Vehicle travel assistance apparatus | |
CN110751693A (zh) | 用于相机标定的方法、装置、设备和存储介质 | |
CN114841188A (zh) | 一种基于二维码的车辆融合定位方法及装置 | |
US20200158887A1 (en) | Device for estimating vehicle location and method for the same | |
CN110940974A (zh) | 物体检测装置 | |
CN110539748A (zh) | 基于环视的拥堵跟车系统和终端 | |
AU2019203180B2 (en) | Vehicle recognition apparatus and vehicle recognition method | |
CN106650563B (zh) | 校正误识别的车道的信息的方法和系统 | |
WO2020021596A1 (ja) | 車両位置推定装置および車両位置推定方法 | |
JP7452374B2 (ja) | 物体検知装置および物体検知プログラム |
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 |