CN112050817A

CN112050817A - 车道级地图匹配

Info

Publication number: CN112050817A
Application number: CN202010511519.1A
Authority: CN
Inventors: 安德斯·汉森; 罗扎·马格祥夫德; 伊丽莎·诺登; 艾伦·科尔斯贝里
Original assignee: Zheneti
Current assignee: Zheneti; Zenuity AB
Priority date: 2019-06-07
Filing date: 2020-06-08
Publication date: 2020-12-08
Also published as: US20200386557A1; EP3748300A1; US11808581B2

Abstract

本公开涉及车道级地图匹配。具体地，涉及一种方法，包括：接收运载工具数据，运载工具数据包括运载工具的地理位置、朝向和速度。方法进一步包括从运载工具的感知系统接收传感器数据。传感器数据包括关于运载工具的周围环境中至少一个道路基准的位置的信息。方法包括接收包括运载工具的周围环境的车道几何的地图数据，车道几何包括一组候选车道。方法包括形成包括一组状态的状态空间模型，其中该一组状态中的每个状态表示该组候选车道的一个候选车道，并且基于所接收的运载工具数据和所接收的传感器数据定义从一组状态中的每个状态到每个其它状态的成本。方法包括基于所形成的状态空间模型和所定义的成本，确定运载工具的可能路径。

Description

车道级地图匹配

相关申请的交叉引用

本专利申请要求2019年6月7日递交的名称为“车道级地图匹配”的欧洲专利局申请(申请号19179083.1)的优先权，其转让给受让人，且专门通过引用合并于此。

技术领域

本公开大体涉及一种将运载工具的地理位置数据匹配到数字地图位置、即地图匹配的过程。更具体地，本公开的涉及一种用于确定自主驾驶运载工具(AV)或半自主驾驶运载工具(即配备先进驾驶员辅助系统的运载工具)的车道路径的解决方案。

背景技术

当今地图主要是为人类使用设计的。更具体地，它们旨在用于逐向道路航目的。随着地图用户在道路上导航，他/她在视觉上获得其它环境信息，诸如车道标记的类型及位置、位于道路上的任意碎片和道路维修障碍物之类。然而，自主驾驶运载工具需要非常不同的地图。更具体地，这些地图需要高清晰度(HD)，为“机器人”提供非常精确的本地化和感知环境的可能性。高清地图还需要不断更新，以追踪诸如交通事故或交通拥堵之类的事件。

此外，正如运载工具需要关于它环境的微小信息一样，它还需要了解它在道路上的位置。此识别道路上的位置的问题称作地图匹配，且能被更正式地描述为将位置数据匹配到数字地图、以获得道路网络中真实位置的过程。地图匹配能被视为导航及路线引导系统的一个重要方面。

基于例如概率理论、模糊逻辑理论和置信理论构建的现有解决方案用来将GPS坐标映射到某一路段，以给出关于运载工具的周围环境的信息。

然而，需要通过例如补偿GPS信号的噪声特性、提供更准确及鲁棒的地图匹配的新且改进的解决方案。

发明内容

因此，本公开的目的是提供减轻目前已知系统的所有或至少一些缺陷的、用于运载工具的车道级地图匹配的方法、计算机可读存储介质、控制设备和运载工具。

此目的是经由如所附的权利要求中定义的、用于运载工具的车道级地图匹配的方法、计算机可读存储介质、控制设备和运载工具实现的。术语示例性在当前上下文中被理解为充当实例、示例或例证。

根据本公开的第一方面，提供了一种用于运载工具的车道级地图匹配的方法。该方法包括接收运载工具数据，该运载工具数据包括运载工具的地理位置、运载工具的朝向和运载工具的速度。该方法进一步包括从运载工具的感知系统接收传感器数据。传感器数据包括关于运载工具的周围环境中至少一个道路基准的位置的信息。而且，该方法包括接收包括运载工具的周围环境的车道几何的地图数据，车道几何包括一组候选车道。接下来，该方法包括形成包括一组状态的状态空间模型，其中一组状态中的每个状态表示该组候选车道中的一条候选车道，并基于所接收的运载工具数据和所接收的传感器数据定义从一组状态中的每个状态到每个其它状态的成本。而且，该方法包括根据所形成的状态空间模型和所定义的成本确定运载工具的可能路径。

所提出的方法使可靠、准确的车道级地图匹配成为可能。此外，该提议的方法对于诸如噪声GPS测量和不完善的视觉传感器检测之类的易错数据是鲁棒的。此外，该方法可以实现为在线算法，在计算的每个阶段考虑全局最优性。

另外，本发明人认识到能将周围环境的传感器观测与位置数据融合在一起，以给常规的基于GPS的地图匹配增加鲁棒性。此外，通过形成状态空间模型并经观测运载工具在给定时间处于特定状态的概率来计算最可能路径，能够提供计算高效且精准的地图匹配解决方案。

根据本公开的一个示例性实施方式，每个状态为隐马尔科夫模型中的隐藏状态，并且成本基于以下项定义：当处于状态x_m时、在时间t_k进行观测y_k的第一预定义概率E_k和在时间t_k从一组状态中的第一状态x_k改变状态到一组状态中的另一状态x_k的第二预定义概率T_k。

根据本公开的第二方面，提供了一种存储一个或多个程序的(非暂时性)计算机可读存储介质，该一个或多个程序被配置为由运载工具控制系统的一个或多个处理器执行，该一个或多个程序包括用于执行根据本文公开的任一实施方式的方法的指令。对于本公开的这一方面，如在先前讨论的本公开的第一方面中一样存在类似优点和优选特征。

如本文使用的术语“非暂时性”旨在描述排除传播的电磁信号的计算机可读存储介质(或“存储器”)，但不旨在以其它方式限制短语计算机可读介质或存储器所包括的物理计算机可读存储设备的类型。例如，术语“非暂时性计算机可读介质”或“有形存储器”术语旨在包括不必永久存储信息的存储设备类型，包括例如随机存取存储器(RAM)。以非暂时性形式存储在有形的计算机可访问存储介质上的程序指令和数据存储可进一步由传输介质或诸如电、电磁或数字信号之类的信号传输，可经由诸如网络和/或无线链路之类的通信介质传递。因此，如本文使用的术语“非暂时性”是介质本身(即，有形的，非信号)的限制，而不是对数据存储持久性(例如RAM与ROM)的限制。

根据本公开的第三方面，提供了一种用于运载工具的车道级地图匹配的控制设备，该控制设备包括控制电路，被配置为接收运载工具数据，该运载工具数据包括运载工具的地理位置、运载工具的朝向和运载工具的速度。该控制电路被配置为从运载工具的感知系统接收传感器数据。传感器数据包括关于运载工具的周围环境中至少一个道路基准的位置的信息。另外，该控制电路被配置为接收包括运载工具的周围环境的车道几何的地图数据，车道几何包括一组候选车道。接下来，该控制电路被配置为形成包括一组状态的状态空间模型，其中一组状态中的每个状态标示该组候选车道的一条车道。该控制电路进一步被配置为基于所接收的运载工具数据和所接收的传感器数据定义从一组状态中的每个状态到每个其它状态的成本，并基于所形成的状态空间模型和所定义的成本确定运载工具的可能路径。对于本公开的这一方面，如在先前讨论的本公开的第一方面中一样存在类似优点和优选特征。

根据本公开的第四方面，提供了一种包括感知系统的运载工具，感知系统包括用于监视运载工具的周围环境的至少一个传感器。运载工具还包括用于测量运载工具惯性运动的惯性测量单元(IMU)，用于监视运载工具的地理位置和朝向的本地化系统，以及根据本文公开的任一实施方式的控制设备。对于本公开的这一方面，如在先前讨论的本公开的第一方面中一样存在类似优点和优选特征。

在从属权利要求中定义了本发明的进一步实施方式。应该强调的是，术语“包括/包含”用在此说明书中时，用来说明存在规定的特征、整数、步骤或部件。它不排除存在或添加一个或多个其它功能、整数、步骤、部件或其群组。

本发明的这些及其它特征和优点将在下文中参考以下描述的实施方式进一步阐明。

附图说明

参考附图，从下面的详细描述中将呈现本公开的实施方式的进一步目的、特征及优点，其中：

图1是根据本公开的实施方式的用于在道路上行驶的运载工具的车道级地图匹配的方法的示意性流程图表示。

图2是根据本公开的实施方式的具有三种状态和带对应的传输及发射概率的三个观测值的离散隐马尔科夫模型(HMM)的示意性图形表示。

图3是图2的HMM的示意性格子图表示。

图4是根据本公开的实施方式的具有用于在道路上行驶的运载工具的车道级地图匹配的控制设备的运载工具的示意性侧视图。

具体实施方式

本领域技术人员将理解可以使用单个硬件电路、使用与被编程的微处理器或通用计算机协力运行的软件、使用一个或多个特定用途集成电路(ASIC)和/或使用一个或多个数字信号处理器(DSP)来实现本文解释的步骤、服务和功能。还要理解的是，当本公开的以一种方法来描述时，它也可以体现在一个或多个处理器和连接到一个或多个处理器的一个或多个存储器中，其中一个或多个存储器存储由一个或多个处理器运行时、执行本文公开的步骤、服务及功能的一个或多个程序。

在下面的示例性实施方式的描述中，相同的附图标记表示相同或类似的部件。运载工具在当前上下文中被理解为道路运载工具，诸如汽车、公共汽车、卡车、建筑运载工具等之类。

图1是用于运载工具的车道级地图匹配的方法100的示意性流程图表示。地图匹配能被理解为将运载工具的位置数据匹配到数字地图、以获得道路网络中真实位置的过程。图1进一步包括流程图框101至框106右侧的不同方法步骤101至106的说明图。此外，方法100提供了“车道级”匹配，意指运载工具位置数据不仅匹配到详细道路，而且匹配到那一道路上的详细车道。

继续，方法100包括从例如运载工具的本地化系统接收运载工具数据。运载工具数据包括地理位置(纬度、经度)、运载工具的朝向(偏航角度)和运载工具的速度。可以从运载工具的本地化系统(例如全球导航卫星系统，GNSS)、连同高清地图数据的惯性测量单元(IMU)或系统的组合中接收101运载工具数据。方法100进一步包括从运载工具的感知系统接收传感器数据。传感器数据至少包括关于运载工具的周围环境中至少一个道路基准的位置的信息。道路基准可例如是车道标记、交通标志、道路边缘、道路障碍或任何其它合适的地标。此外，取决于应用和实现选择，能参照运载工具的本地坐标系或参照全球坐标系来确定一个或多个道路基准的位置。感知系统在当前上下文中被理解为负责从诸如摄像头、光达及雷达、超声波传感器之类的传感器获取原始传感器数据、并将此原始数据转换为场景理解的系统。自然，可以直接从一个或多个合适的传感器(诸如例如摄像头、光达传感器、雷达、超声波传感器等之类)接收102传感器数据。

另外，关于道路基准，传感器数据可包括车道标记数据，车道标记数据能包括到一个或多个车道标记的距离(相对自我运载工具)和车道标记的类型(虚线、语义、实线等)。传感器数据可进一步包括车道标记几何(能够表示为多项式或回旋线，取决于摄像头软件)。

方法100还包括接收103包括运载工具的周围环境的车道几何的地图数据。车道几何包括一组(即多条)候选车道。候选车道在当前上下文中被理解为运载工具的周围环境中道路上的可行驶车道，即运载工具可以或不可行驶的车道。地图数据可以以高清(HD)地图数据的形式，即地图数据具有高精度(厘米级)。高清地图是专为环绕3D空间操纵自身的机器人构建的地图。更详细地，这些地图需要精确，并包括大量信息，人类可能认为这是理所当然的。不仅地图应包括关于车道位置、道路边界位置的信息，人们还想知道曲线的位置和曲线的高度。

可例如从高清地图的限定部分检索103车道几何，其中限定的部分可以是在预定义半径的圆内的所有车道几何。圆的中心可以例如基于以前接收101的运载工具的地理位置确定。半径可以基于接收101的地理位置的测量误差限定，例如城市峡谷中20米或50米。为了提高计算效率，该方法可包括基于接收103的地图数据和空间索引方法(例如Geohash、四叉树、M树、X树、R树等)形成空间数据库。例如，检索103到的车道几何的R树可通过使用排序方法(例如排序-平铺-递归(STR)、最近-X、重叠最小化自上而下(OMT)等)构建并进一步压缩。此空间索引及压缩允许人们从接收103的高清地图中快速找到一组候选车道。

接下来，形成104包括一组状态的状态空间模型。一组状态中的每个状态表示该组候选车道中的一条候选车道(从地图数据检索)。状态空间模型在当前上下文中被理解为一类概率图形模型，描述了潜在状态变量与观测到的测量之间的概率依赖性。状态或测量能够或是连续的，或是离散的。状态空间模型用来提供用于分析通过随机过程测量或观测的确定性及随机动态系统的通用框架。

更具体地，方法100可以包括形成隐马尔科夫模型(HMM)，隐马尔科夫模型(HMM)在本公开中被认为是状态空间模型的子类型。更详细地，每条候选车道被视为由HMM中的隐藏状态表示，所接收的运载工具数据及传感器数据用于估计隐藏状态，即运载工具实际行驶的车道。将参考图2讨论涉及隐马尔科夫模型的进一步细节和涉及其的本公开的实施方式。

另外，方法100包括定义105从状态空间模型中一组状态中的每个状态到每个其它状态的成本。成本基于所接收的运载工具数据、所接收的传感器数据和所接收的地图数据计算的。更详细地，成本可以定义105为概率，即运载工具在时间t从第一状态到第二状态或在时间t维持第一状态的可能性。

继续，该方法进一步包括基于所形成的状态空间模型和所定义的成本、确定106运载工具的可能路径。换言之，运载工具的可能路径是通过计算多条可能路径(状态转换)的概率来确定的，该概率基于接收102的传感器观测值和接收101的运载工具数据确定的。例如，用于确定106可能路径的计算可例如由数值优化解算器执行。

还可以计算初始状态概率，即运载工具在时间t＝0处于每个状态的概率。对于此计算，人们可使用接收101的运载工具数据、接收102的传感器数据和获取103的高清地图。或者，人们可以为在每个状态开始分配相等的概率。

此外，方法100可进一步包括将确定106的可能路径发送到用于控制运载工具的驾驶员辅助或自主驾驶特征的控制系统，或发送到用于更新周围环境地图的地图生成系统。参照前者，可能路径可用来基于运载工具在哪条车道行驶、激活、停用或调整运载工具的特定ADAS或AD特征。更详细地，可能路径可用来更准确地估计运载工具的位置，从而可执行ADAS或AD特征的适当调整(例如，调整随后的距离以引导运载工具、调整紧急制动阈值等)。参照对于运载工具可以是本地或远程的地图生成系统，可能路径能用作标识新车道或重新路由的车道的输入。因此，运载工具实现所公开的方法可用作地图更新的探测器。

参考图1，描绘了具有三车道x₁、x₂、x₃的一段道路。第一车道x₁和第二车道x₂是平行的，并且由双车道标记分隔。第二车道x₂划分成第三车道x₃。在示意图中，对应的状态转换被图示为与实箭头互连的圆圈。在图1的图示用例中，在时间t-1，在时间x₁和x₂仅有两个可能的车道候选。换言之，在时间t-1，运载工具仅能在两条可能的车道之一行驶(在接收101的运载工具数据的帮助下从接收103的地图数据检索到，运载工具数据包括具有如上文所述的、相关联的测量误差半径的GPS位置)。

箭头指示车道x₁、x₂、x₃之间的可能转换。例如，由于运载工具在时间t-1位于车道x₁，它可能停留在车道x₁，或它可能将车道从x₁变为x₂。由于双车道标记是实/虚的，所以人们可能争论断定运载工具将车道从第一车道x₁变为第二车道x₂的概率相对小(因为从第一车道x₁到第二车道x₂的车道变化会意味着运载工具违反了交通规则，此处假设可能性降低)。另一方面，运载工具更可能将车道从x₂变为x₁(或许它前面有为转到出口车道x₃上而减速的运载工具)。当然，汽车还可能留在它的车道上。此外，在本示例中，道路网络的拓扑限制我们直接从第一车道x₁到第三车道x₃(无需先通过第二车道x₂)。

另外，通过计算在时间t>0、从在时间t-1的任一候选车道到在时间t的任一其它候选状态的成本，能够确定可能路径106。对于此计算，使用接收101的运载工具数据和接收102的传感器数据以及接收103的地图数据中包括的测量。成本可例如通过乘以诸如P(y_t-1|x₁ ^t-1)*P(x_t|x₁ ^t-1)之类的概率来确定/计算105，P(y_t-1|x₁ ^t-1)可定义为感知系统所报告的车道标记类型与候选高清地图车道标记类型之间的差异，而P(x_t|x₁ ^t-1)可定义为测量的运载工具朝向与高清地图中候选车道的方向之间的差异。然后，可以使用优化算法(例如最大和或最大积算法)来确定106运载工具的最可能路径。

如前面提及的，候选车道可表示为隐马尔科夫模型(HMM)中的隐藏状态。因此，图2示出了一个离散HMM的示意性图形表示，该离散HMM具有三个状态s₁、s₂、s₃和3个观测y₁、y₂、y₃，3个观测y1、y2、y3具有对应的传输概率T_i,j，i,j∈{1,2,3}和发射概率E_k,i，k∈{1,2,3}，i,j∈{1,2,3}。

隐马尔科夫模型(HMM)能够解释为一种统计模型，其中建模的系统被假定为具有未观测到的状态、即隐藏状态的随机过程。状态包括在集合

中，而

描述一个序列中的状态。更明确地，一组状态可以是

状态序列x可能看起来像x＝[x₁，x₂，x₃]＝[s₂，s₂，s₁]，其中x₁，x₂，x₃∈x，s₁，

HMM状态对于观测者不是直接可见的，这就是为什么它们被称为是隐藏的。相反，存在来自这些隐藏状态的观测

观测序列由第二随机过程生成。从那一意义上说，HMM是双随机过程。HMM包括三个主要参数转换概率、发射概率和初始状态分布。作为马尔科夫模型的子类别，HMM也满足马尔科夫属性。

在图2中，每个隐藏状态21、22、23表示从所接收的地图数据中的车道几何获得的候选车道，底部框31、32、34、34表示不同的“观测”，例如车道标记的位置、车道标记类型、朝向、地理位置等。因此，所接收的运载工具数据及传感器数据形成时间t_k的观测y_k。

从一组状态中的每个状态21、22、23到每个其它状态21、22、23的成本基于所接收的运载工具数据和所接收的传感器数据。成本可以例如基于两个概率定义的，即第一预定义概率E_k和第二预定义概率T_k。根据状态空间模型以隐马尔科夫模型形式的示例性实施方式，第一及第二预定义概率分别可称为发射概率和传输概率。发射概率E_k定义处于x_k状态时、在时间t_k进行观测y_k的概率。传输概率T_k定义在时间t_k从一组状态中的第一状态x_k改变状态到一组状态中的另一状态x_k+1的概率。

更详细地，发射概率E_k与第二随机过程相关联，第二随机过程对观测值的分布进行建模。每个观测y_k都有发射概率，

E_k＝P(y_k|x_k)x_k∈χ. #(1)

这是概率分布函数，如提到的，它反映了处于状态x_k时、在时间t_k进行观测y_k的概率_k。在考虑显式状态时，发射概率被更恰当地表示为：

传输概率T如提及的，是在时间t_k从一组状态中的第一状态x_k改变状态到另一状态x_k+1的概率。它能被写作：

T_k＝P(x_k+1|x_k)x_k,x_k+1∈χ. #(3)

考虑显式状态时，转换概率被更恰当地表示为：

初始状态概率的分布描述在每个状态开始的可能性：

根据本公开的一个示例性实施方式，传感器数据包括车道标记数据。车道标记数据至少包括到至少一个车道标记的距离和至少一个车道标记的车道标记类型。此外，运载工具数据还包括运载工具的偏航速率(从例如运载工具的惯性测量单元(IMU)或方向盘角度传感器获得)。据此，第一预定义概率(发射概率)E_k可以基于到至少一个车道标记的距离、至少一个车道标记的车道标记类型、运载工具的地理位置和运载工具的速度的一个或多个。发射概率E_k可自然基于进一步的参数，诸如例如其它地标(例如交通标志)的位置及类型、车道文本(例如公共汽车车道)、在运载工具的周围环境中其它运载工具的位置、左/右车道标记的置信度、左右标记之间的距离等。另一方面，第二预定义概率(传输概率)T_k可基于运载工具的偏航速率。

更详细地，偏航速率可用作车道变化指标，因为在车道变化期间转向角度随着时间过去大致类似于正弦波。通过拟合偏航速率ω的参数化正弦函数s(ω)，能对此波进行建模：

s(ω)＝a·sin(fω+p)+c #(6)

与右车道变化相比，与左车道变化相对应的偏航速率有相反的标志。自然，传输概率可进一步基于其它车道变化指标，以改进冗余。例如，从运载工具感知系统获取的视觉数据能用于估计车道变化何时发生(例如，基于车道标记类型、到车道标记的距离、到车道标记的距离的变化等)。此外，车道追踪模型(例如表示为多项式或回旋线)能用作车道变化指标。更详细地，横向偏移参数(对于多项式车道边界表示，通常表示为a₀)能用来指示车道变化。例如，如果右车道轨迹的横向偏移参数(运载工具和车道轨迹之间的横向偏移)随着时间过去变得越来越小，则很可能发生右车道变化。

离散HMM可表示为格子图，其中时间步长t₁-t₄合并，如图3中所图示的。该图中的每个节点30a-30l对应于与在指定时间t₁-t₄的不同状态s₁-s₃相对应，且边(互连线)表示在下个时间步长t₁-t₄可能的状态转换。此处边权重被选择为与转换及发射概率T_k、E_k的积相对应。在图示的示例中，这些积的一些为零，因此边被消除以避免杂乱。此特定表示的有用属性是模型中每个可能的状态序列都与通过格子的唯一路径相对应，反之亦然。因为如此，在将动态编程算法(例如维特比算法)应用于HMM以通过模型查找最可能路径时，它是有用的表示。

更详细地，可以说推断哪个状态序列产生特定的观测序列称为解码。维特比算法是此类解码器的一个示例。更具体地，可以说维特比算法解决了估计状态序列的最大可能性的问题，即它找到最可能的状态序列。转换序列集能定义为ξ＝{ξ₁,…,ξ_K-1}，具有在指定时间k的转换ξ_k＝{x_k+1,x_k}。这些一对一映射到状态序列x＝{x₁,…,x_K}。使用此符号，参考图2所讨论的观测y＝{y₁,…,y_K}、

能被描述为信道的输出，其输入是转换序列。该信道是无记忆的，也就是说，

即每个观测仅在概率上取决于转换ξ_k。

用于执行这些功能的可执行指令可选地包括在非暂时性计算机可读存储介质或被配置为由一个或多个处理器执行的其它计算机程序产品中。

图4是包括用于车道级地图匹配的控制设备10的运载工具1的示意侧视图。运载工具1进一步包括感知系统6、惯性测量单元(IMU)7和本地化系统5。感知系统6在当前上下文中被理解为负责从诸如摄像头、光达及雷达、超声波传感器之类的传感器6a、6b、6c获取原始传感器数据、并将此原始数据转换为场景理解的系统。本地化系统5被配置为监视运载工具的地理位置及朝向，并可以全球导航卫星系统(GNSS)的形式，诸如GPS之类。但是，本地化系统可或者实现为实时动态(RTK)GPS，以提高准确性。IMU 7被理解为配置成测量运载工具1的惯性运动的电子设备。IMU 7通常具有六个自由度、三个加速度计和三个陀螺仪。

控制设备10包括一个或多个处理器11、存储器12、传感器接口13和通信接口14。处理器11也可称为控制电路11或控制回路11。控制电路11被配置为执行存储在存储器12中的指令，以根据本文公开的任一实施方式执行用于运载工具的车道级地图匹配方法。换句话说，控制设备10的存储器12能包括一个或多个(非暂时性)计算机可读存储介质，用于存储计算机可执行指令，例如，所述较少见可执行性指令由一个或多个计算机处理器11执行时，能导致计算机处理器11执行本文描述的技术。存储器12可选地包括高速随机存取存储器，诸如DRAM、SRAM、DDR RAM之类，或其它随机存取固态存储器设备；且可选地包括非易失性存储器，诸如一个或多个磁盘存储设备、光盘存储设备、闪存设备或其它非易失性固态存储设备。

更详细地，控制电路11被配置为接收运载工具数据，包括运载工具的地理位置、运载工具的朝向和运载工具的速度。例如，可从运载工具1的GPS单元获取运载工具数据。控制电路11进一步被配置为从运载工具1的感知系统6接收传感器数据。传感器数据包括关于运载工具的周围环境中至少一个道路基准的位置的信息。道路基准的位置可参照运载工具、或在“全局”坐标系中，取决于规范。更详细地，感知系统6优选为配置成检测道路上的车道标记的前视摄像头6c。常规的汽车级摄像头能够检测位于25米范围内的车道标记。检测给出关于到运载工具左右侧最近标记的距离及它们对应的类型的信息。系统6或摄像机6c能识别的标记类型包括例如实和虚。一旦检测到车道标记，感知投影图像就能变换为它对应的鸟眼视觉。

控制电路11进一步被配置为接收包括运载工具的周围环境的车道几何的地图数据。车道几何包括一组候选车道。地图数据可以高清地图的形式，包括关于具有多条平行车道的道路的信息，每条车道都有表示为折线的中线。折线通常是二维的，由每个线段的起点和终点的经度和纬度定义。此外，表示车道边界的左右车道标记是折线。它们还与它们的标记类型(例如虚或实)相关联。地图数据还可包括诸如护栏之类的路隔器、速度限制、车道方位等。

另外，控制电路11被被配置为形成包括一组状态的状态空间模型。一组状态中的每个状态表示该组候选车道中的一条候选车道。接下来，控制电路11被配置为基于所接收的运载工具数据、所接收的传感器数据和所接收的地图数据，定义从一组状态中的每个状态到每个其它状态的成本。用于计算成本的各种实施例已在前文经详细讨论，并且类似地适用于本公开的这一方面。

此外，控制电路11被配置为基于所形成的状态空间模型和所定义的成本、确定运载工具的可能路径。换句话说，控制电路11被配置为基于所形成的状态空间模型和定义的在状态之间移动(即在车道之间移动)的成本、计算运载工具1行驶的最可能路径。尽管控制设备11此处被图示为车载系统，但一些或全部部件的位置可远离运载工具(例如基于云的解决方案)，以增加计算能力。

另外，运载工具1可经由例如无线链路连接到外部网络2(例如，为了检索地图数据)。同一或某种其它无线链路可用来与运载工具附近的其它运载工具2或与当地基础设施元素通信。蜂窝通信技术可用于诸如到外部网络之类的远程通信，且如果使用的蜂窝通信技术具有低延迟，它也可用于运载工具之间、运载工具到运载工具(V2V)、和/或运载工具到基础设施、V2X的通信。蜂窝无线电技术的示例包括GSM、GPRS、EDGE、LTE、5G、5G NR等，还包括未来的蜂窝解决方案。然而，在某些解决方案中使用了中短距离通信技术，诸如无线局域网之类(LAN)，例如基于IEEE 802.11的解决方案。ETSI正在致力于用于运载工具通信的蜂窝标准，且例如由于高带宽和通信通道的低延迟及高效处理，5G被视为合适的解决方案。

上文已参照详细实施方式介绍了本公开的内容。然而，除上文描述外的其它实施方式是可能的，并且在本公开的范畴内。可在本公开的范畴内提供与上文描述的那些不同的方法步骤，通过硬件或软件执行方法。因此，根据示例性实施方式，提供了一种存储被配置为由运载工具控制系统的一个或多个处理器执行的一个或多个程序的非暂时性计算机可读存储介质，所述一个或多个程序包括用于根据上文讨论的任一实施方式执行方法的指令。或者，根据另一示例性实施方式，一种云计算系统能被配置为执行本文提出的任一方法。云计算系统可包括在一个或多个计算机程序产品的控制下共同执行本文提出的方法的分布式云计算资源。

一般来说，计算机可访问的介质可包括任意有形的或非暂时性存储介质或存储器介质，诸如电子、磁或光介质之类——例如，经由总线与计算机系统连接的磁盘或CD/DVD-ROM。如本文使用的，“有形”和“非暂时性”术语旨在描述排除传播电磁信号的计算机可读存储介质(或“存储器”)，但不旨在以其它方式限制短语计算机可读介质或存储器所涵盖的物理计算机可读存储设备的类型。例如，术语“非暂时性计算机可读介质”或“有形存储器”这一术语旨在涵盖不必永久存储信息的存储设备的类型，包括例如随机存取存储器(RAM)。以非暂时性形式存储在有形计算机可访问存储介质上的程序指令及数据可进一步由传输介质或诸如电、电磁或数字信号之类的信号传输，可经由诸如网络和/或无线链路之类的通信介质传递。

处理器11(与控制设备10相关联)可以是或包括任意数量的、用于执行数据或信号处理或用于执行存储器12中存储的计算机代码的硬件部件。设备10具有相关联的存储器12，且存储器12可以是一个或多个用于存储数据和/或计算机代码的设备，所述数据和/或计算机代码用于完成或促进本说明书中描述的各种方法。存储器可包括易失性存储器或非易失性存储器。存储器12可包括数据库部件、对象代码部件、脚本部件或用于支持本说明书的各种活动的任意其它类型的信息结构。根据一个示例性实施方式，任意分布式或本地存储器设备都可以与此说明书的系统及方法一起使用。根据一个示例性实施方式，存储器12通信地连接到处理器11(例如，经由电路或任意其它有线、无线或网络连接)，并包括用于执行本文描述的一个或多个进程的计算机代码。

应该理解，传感器接口13也可提供直接或经由运载工具中的专用传感器控制电路6获取传感器数据的可能性。通信/天线接口14可进一步提供通过天线8将输出发送到远程位置(例如远程操作员或控制中心)的可能性。此外，运载工具中的一些传感器可使用本地网络设置与控制设备10通信，诸如CAN总线、I2C、以太网、光纤等之类。通信接口14可布置为与运载工具的其它控制功能通信，且也可因此被视为控制接口；然而，可提供单独的控制接口(未示出)。运载工具内的本地通信也可以是具有诸如WiFi、LoRa、Zigbee、蓝牙或类似中/短程技术之类的协议的无线类型。

据此，应当理解部分所描述的解决方案可以在运载工具、位于运载工具外部的系统或运载工具的内外部组合中实现；例如，在与运载工具通信的服务器中，所谓的云解决方案。例如，传感器数据可发送到外部系统，且那个系统执行定义从一个状态到另一状态的成本的步骤。实施方式的不同特征及步骤可以以除那些描述外的其它组合方式组合。

在以下项目中陈述示例性方法、计算机可读存储介质、控制设备和运载工具：

1、用于运载工具的车道级地图匹配的方法，该方法包括：

接收运载工具数据，运载工具数据包括运载工具的地理位置、运载工具的朝向和运载工具的速度；

从运载工具的感知系统接收传感器数据，传感器数据包括关于运载工具的周围环境中至少一个道路基准的位置的信息；

接收包括运载工具的周围环境的车道几何的地图数据，车道几何包括一组候选车道；

形成包括一组状态的状态空间模型，其中一组状态中的每个状态表示该组候选车的一条候选车道；

基于所接收的运载工具数据和所接收的传感器数据，定义从一组状态中的每个状态到每个其它状态的成本；

基于所形成的状态空间模型和所定义的成本，确定运载工具的可能路径。

2、根据项目1的方法，其中每个状态是隐马尔科夫模型中的隐藏状态，且其中成本是基于以下项定义的：

当处于状态x_m时、在时间t_k进行观测y_k的第一预定义概率E_k；

在时间t_k从一组状态中的第一状态x_k改变状态到一组状态中的另一状态x_k+1的第二预定义概率T_k。

3、根据项目2的方法，其中传感器数据包括车道标记数据，车道标记数据包括到至少一个车道标记的距离和至少一个车道标记的车道标记类型；

其中运载工具数据进一步包括运载工具的偏航速率；

其中第一预定义概率E_k基于到至少一个车道标记的距离、至少一个车道标记的车道标记类型、运载工具的地理位置和运载工具的速度中的至少一个；

其中第二预定义概率T_k基于运载工具的偏航速率。

4、根据项目1或2的方法，其中传感器数据包括车道标记数据，车道标记数据包括到至少一个车道标记的距离和至少一个车道标记的类型。

5、根据项目1、2或3的方法，其中运载工具数据进一步包括运载工具的偏航速率。

6、根据项目1、2或3的中的任意一项的方法，进一步包括：

基于地图数据和空间索引方法形成空间数据库。

7、根据项目1、2或3的中的任意一项的方法，进一步包括：

将可能路径发送到控制系统，以基于可能路径控制运载工具的驾驶员辅助或自主驾驶特征；或

将可能路径发送到地图生成系统，以更新周围环境的地图。

8、根据项目1、2或3的方法，其中确定可能路径的步骤包括对所形成的状态空间模型进行解码，以估计多个状态序列的最大可能性并确定最可能的状态序列。

9、一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序被配置为由运载工具控制系统的一个或多个处理器执行，该一个或多个程序包括用于执行根据项目1至3中的任意一项的方法的指令。

10、一种控制设备，包括：

至少一个处理器；

至少一个存储器；

至少一个传感器接口；

至少一个通信接口；

其中至少一个处理器被配置为运行存储器中存储的指令，以执行用于运载工具的车道级地图匹配的方法，其中至少一个处理器被配置为：

接收运载工具数据，包括运载工具的地理位置、运载工具的朝向和运载工具的速度；

形成包括一组状态的状态空间模型，其中一组状态中的每个状态表示一条候选车道；

11、根据项目10的控制设备，其中每个状态是隐马尔科夫模型的隐藏状态，且其中控制电路被配置为基于以下项定义成本：

当处于状态x_k时、在t_k进行观测y_k的第一预定义概率E_k，该状态由该组候选车道中的一条候选车道表示；以及

当在时间t_k从一组状态中的第一状态x_k改变状态到一组状态中的另一状态x_k+1的第二预定义概率T_k。

12、根据项目10的控制设备，其中传感器数据包括车道标记数据，车道标记数据包括到至少一个车道标记的距离和至少一个车道标记的车道标记类型；

其中运载工具数据进一步包括运载工具的偏航速率；

其中第一预定义概率E_k基于到至少一个车道标记的距离、至少一个车道标记的车道标记类型、运载工具的地理位置和运载工具的速度中的至少一个。

其中第二预定义概率T_k基于运载工具的偏航速率。

13、根据项目11或12的控制设备，其中控制电路进一步被配置为：

基于地图数据和空间索引方法形成空间数据库。

14、根据项目11或12的控制设备，其中控制电路进一步被配置为：

将可能路径发送到地图生成系统，以更新周围环境的地图。

15、一种运载工具，包括：

感知系统，该感知系统包括至少一个传感器、用于监视运载工具的周围环境；

惯性测量单元IMU，该惯性测量单元IMU用于测量运载工具的惯性运动；

监视运载工具的地理位置及朝向的本地化系统；以及

根据项目10至12中的任意一项的控制设备。

应当注意到词“包括”不排除存在除列举的那些外的其它元件或步骤，元件前面的词“一”或“一个”不排除存在多个此类元件。应当进一步注意到任意引用符号并不限制权利要求的范围，本发明可至少部分通过硬件及软件实现，且数个“部件”或“单元”可由同一项硬件表示。

尽管附图可示出方法步骤的特定顺序，但步骤的顺序可不同于所描述的。此外，可并行或部分并行地执行两个或多个步骤。例如，接收包括关于移动的信息和关于当前道路情景的信息的信号的步骤可基于特定实现而互换。此类变化将取决于选择的软件及硬件系统并取决于设计者选择。所有此类变化都在本公开的范围内。类似地，软件实施例能用标准编程技术实现，所述标准编程技术具有基于规则的逻辑和实现各种连接步骤、处理步骤、比较步骤和决策步骤的其它逻辑。上文提及且描述的实施方式仅作为示例给出，且对于本发明不应是限制性的。如下面描述的专利实施方式中请求保护的、在本发明范围内的其它解决方案、用途、目标及功能对于本领域技术人员应是显而易见的。

Claims

1.用于运载工具的车道级地图匹配的方法，所述方法包括：

接收运载工具数据，所述运载工具数据包括所述运载工具的地理位置、所述运载工具的朝向和所述运载工具的速度；

从所述运载工具的感知系统接收传感器数据，所述传感器数据包括关于所述运载工具的周围环境中至少一个道路基准的位置的信息；

接收包括所述运载工具的周围环境的车道几何的地图数据，所述车道几何包括一组候选车道；

形成包括一组状态的状态空间模型，其中所述一组状态中的每个状态表示所述一组候选车道中的一条候选车道；

基于所接收的运载工具数据、所接收的传感器数据和所接收的地图数据，定义从所述一组状态中的每个状态到每个其它状态的成本；

基于所形成的状态空间模型和所定义的成本，确定所述运载工具的可能路径。

2.根据权利要求1所述的方法，其中每个状态为隐马尔科夫模型中的隐藏状态，并且其中所述成本是基于以下项定义的：

当处于状态x_m时、在时间t_k进行观测y_k的第一预定义概率E_k；以及

在所述时间t_k从所述一组状态中的第一状态x_k改变状态到所述一组状态中的另一状态x_k+1的第二预定义概率T_k。

3.根据权利要求1或2所述的方法，其中所述传感器数据包括车道标记数据，所述车道标记数据包括到至少一个车道标记的距离和所述至少一个车道标记的车道标记类型；

其中所述运载工具数据进一步包括所述运载工具的偏航速率；

其中所述第一预定义概率E_k基于到所述至少一个车道标记的所述距离、所述至少一个车道标记的所述车道标记类型、所述运载工具的所述地理位置和所述运载工具的所述速度中的至少一个；

其中第二预定义概率T_k基于所述运载工具的所述偏航速率。

4.根据权利要求1或2所述的方法，其中所述传感器数据包括车道标记数据，所述车道标记数据包括到至少一个车道标记的距离和所述至少一个车道标记的类型。

5.根据权利要求1或2所述的方法，其中所述运载工具数据进一步包括所述运载工具的偏航速率。

6.根据权利要求1或2所述的方法，进一步包括：基于所述地图数据和空间索引方法形成空间数据库。

7.根据权利要求1或2所述的方法，进一步包括：

将所述可能路径发送到控制系统，以基于所述可能路径控制所述运载工具的驾驶员辅助或自主驾驶特征；或

将所述可能路径发送到地图生成系统，以更新所述周围环境的地图。

8.根据权利要求1或2中的任意一项所述的方法，其中确定所述可能路径的步骤包括对所形成的状态空间模型进行解码，以估计多个状态序列的最大可能性并确定最可能的状态序列。

9.一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序被配置为由运载工具控制系统的一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至2中的任意一项所述的方法的指令。

10.一种用于运载工具的车道级地图匹配的控制设备，所述控制设备包括控制电路，所述控制电路被配置为：

11.根据权利要求10所述的控制设备，其中每个状态为隐马尔科夫模型的隐藏状态，并且其中所述控制电路被配置为基于以下项定义所述成本：

当处于状态x_k时、在时间t_k进行观测y_k的第一预定义概率E_k，所述状态由所述一组候选车道中的一条候选车道表示；以及

在时间t_k从所述一组状态中的第一状态x_k改变状态到所述一组状态中的另一状态x_k+1的第二预定义概率T_k。

12.根据权利要求10所述的控制设备，其中所述传感器数据包括车道标记数据，所述车道标记数据包括到至少一个车道标记的距离和所述至少一个车道标记的车道标记类型；

其中所述第一预定义概率E_k基于到所述至少一个车道标记的所述距离、所述至少一个车道标记的所述车道标记类型、所述运载工具的地理位置和所述运载工具的速度中的至少一个；

其中第二预定义概率T_k基于所述运载工具的偏航速率。

13.根据权利要求11或12中的任意一项所述的控制设备，其中所述控制电路进一步被配置为：

基于所述地图数据和空间索引方法形成空间数据库。

14.根据权利要求11或12中的任意一项所述的控制设备，其中所述控制电路进一步被配置为：

15.一种运载工具，包括：

感知系统，所述感知系统包括用于监视所述运载工具的周围环境的至少一个传感器；

惯性测量单元IMU，所述惯性测量单元IMU用于测量所述运载工具的惯性运动；

本地化系统，所述本地化系统用于监视所述运载工具的地理位置和朝向；以及

根据权利要求10至12中的任意一项所述的控制设备。