CN112507977B - 一种车道线定位方法、装置及电子设备 - Google Patents

一种车道线定位方法、装置及电子设备 Download PDF

Info

Publication number
CN112507977B
CN112507977B CN202110079602.0A CN202110079602A CN112507977B CN 112507977 B CN112507977 B CN 112507977B CN 202110079602 A CN202110079602 A CN 202110079602A CN 112507977 B CN112507977 B CN 112507977B
Authority
CN
China
Prior art keywords
lane line
target
positioning data
line positioning
road
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
Application number
CN202110079602.0A
Other languages
English (en)
Other versions
CN112507977A (zh
Inventor
胡铮铭
杨晓松
樊胜利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guoqi Intelligent Control Beijing Technology Co Ltd
Original Assignee
Guoqi Intelligent Control Beijing Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guoqi Intelligent Control Beijing Technology Co Ltd filed Critical Guoqi Intelligent Control Beijing Technology Co Ltd
Priority to CN202110079602.0A priority Critical patent/CN112507977B/zh
Publication of CN112507977A publication Critical patent/CN112507977A/zh
Application granted granted Critical
Publication of CN112507977B publication Critical patent/CN112507977B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Traffic Control Systems (AREA)
  • Navigation (AREA)

Abstract

本发明提供一种车道线定位方法、装置及电子设备，其中，方法包括：获取目标道路中同一车道线的多组车道线定位数据，多组车道线定位数据为地图采集车对目标道路多次巡航得到；根据目标道路的多组车道线定位数据，得到目标道路的任一目标位置的多个车道线定位数据；根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；重复上述聚类步骤，得到多个目标位置的车道线聚类中心；根据目标算法，对多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。通过实施本发明，提高了车道线定位的准确性，从而进一步提高了局部地图的精度。

Description

一种车道线定位方法、装置及电子设备
技术领域
本发明涉及智能驾驶领域，具体涉及一种车道线定位方法、装置及电子设备。
背景技术
高精度地图是实现高级别自动驾驶的重要模块，用于高精度定位、车道级的路径规划、高精度仿真、超视距的环境感知等。构建高精度地图是由少量高成本的专业地图采集车，搭载昂贵的传感器对道路场景进行采集并将原始数据进行存储，完成作业后，通过硬盘拷贝或网络上传的方式将数据存储到数据中心服务器，交由内业系统处理数据制作高精度地图。
相关技术中，利用地图采集车对目标路段进行一次巡航，地图采集车自带多种数据采集途径实现作业数据采集，将多种途径采集到的作业数据进行融合，即可得到融合定位数据，从而形成该目标路段的地图。实际上，作业数据可能由于硬件精度、环境因素或者传感器抖动导致数据产生较大误差，尤其是对车道线的定位，由于车道线是路面比较明显且重要的交通要素，车道线的定位准确是保证目标路段地图的精度的前提，作业数据的误差必然导致车道线定位产生误差，从而进一步使得生成的局部地图精度低。
发明内容
有鉴于此，本发明实施例提供了一种车道线定位方法、装置及电子设备，以解决现有技术中车道线定位产生误差，从而进一步使得生成的局部地图精度低的缺陷。
根据第一方面，本发明实施例提供一种车道线定位方法，包括如下步骤：获取目标道路中同一车道线的多组车道线定位数据，所述多组车道线定位数据为地图采集车对目标道路多次巡航得到；根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据；根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。
可选地，所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据之前，包括：将所述多个车道线定位数据与预存的地图数据进行匹配；当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将所述车道线定位数据删除。
可选地，所述目标聚类算法包括：高斯混合模型聚类算法。
可选地，所述目标道路中车道线定位数据为道路边缘车道线定位数据，所述方法还包括：根据目标道路的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据。
可选地，车道线定位方法还包括：获取多个目标道路车道线对应的局部地图；提取多个目标道路车道线对应的局部地图中标志性物体的位置信息；根据标志性物体的位置信息，对多个目标道路车道线对应的局部地图进行全局融合。
可选地，获取目标道路中同一车道线的多个车道线定位数据之前，包括：根据预先建立的语义分割模型，提取目标道路的交通要素语义信息以及对应交通要素的像素点，所述交通要素包括车道线；将所述交通要素的像素点转换至车体坐标系；将车体坐标系下交通要素的像素点与惯性导航获取的数据进行联合定位，得到目标道路交通要素的定位信息。
根据第二方面，本发明实施例提供一种车道线定位装置，包括：定位数据获取模块，用于获取目标道路中同一车道线的多组车道线定位数据，所述多组车道线定位数据为地图采集车对目标道路多次巡航得到；车道线定位数据确定模块，用于根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据；聚类中心确定模块，用于根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；重复模块，用于重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；车道线确定模块，用于根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。
可选地，车道线定位装置还包括：匹配模块，用于将所述多个车道线定位数据与预存的地图数据进行匹配；删除模块，用于当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将所述车道线定位数据删除。
根据第三方面，本发明实施例提供一种电子设备，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第一方面或第一方面任一实施方式所述的车道线定位方法的步骤。
根据第四方面，本发明实施例提供一种存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面或第一方面任一实施方式所述的车道线定位方法的步骤。
本发明技术方案，具有如下优点：
本实施例提供的车道线定位方法，通过地图采集车对目标道路多次巡航得到多组车道线定位数据，并根据多组车道线定位数据进行多个目标位置的车道线聚类，从而得到多个聚类中心，对聚类中心进行拟合，得到目标道路的车道线，从而改善了地图采集车在一次巡航时，由于硬件精度、环境因素或者传感器抖动导致数据产生较大误差的问题，提高了车道线定位的准确性，从而进一步提高了局部地图的精度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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为本发明实施例中车道线定位方法的一个具体示例的流程图；
图2为本发明实施例中车道线定位方法的一个具体示例原理图；
图3为本发明实施例中车道线定位方法的一个具体示例原理图；
图4为本发明实施例中车道线定位方法的一个具体示例原理图
图5为本发明实施例中车道线定位方法的一个具体示例原理图；
图6为本发明实施例中车道线定位方法的一个具体示例原理图；
图7为本发明实施例中车道线定位方法的一个具体示例原理图；
图8为本发明实施例中车道线定位装置的一个具体示例原理框图；
图9为本发明实施例中电子设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，还可以是两个元件内部的连通，可以是无线连接，也可以是有线连接。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
本实施例提供一种车道线定位方法，如图1所示，包括如下步骤：
S101，获取目标道路中同一车道线的多组车道线定位数据，多组车道线定位数据为地图采集车对目标道路多次巡航得到；
示例性地，目标道路可以是需要进行建立地图的任一道路，车道线定位数据可以包括车道线位置数据以及语义信息，语义信息可以是首先通过预先训练好的语义分割模型对地图采集车所采集的图像进行分割，得到车道线区域以及对应的语义信息，比如，地图采集车所处车道的语义标签为当前车道，左边的车道为左车道，右边的车道为右车道，当任意车道的车道线被预先训练好的语义分割模型分割为道路边缘，则可以在语义信息中标定道路边缘的属性，以便于后续对道路边缘的筛选。
获取目标道路中同一车道线的多组车道线定位数据方式可以是从存储有预先处理好的同一车道线的多组车道线定位数据的数据库中获取，也可以是实时获取，本实施例对获取目标道路中同一车道线的多组车道线定位数据方式不做限定，本领域技术人员可以根据需要确定。
同一车道线的多组车道线定位数据可以是通过一辆或者多辆地图采集车对同一目标道路进行多次巡航，得到目标道路同一车道线的多组图像信息以及其他传感信息，根据每一组图像信息和传感信息，可以得到每一组车道线定位数据，如图2所示，针对多组图像信息以及其他传感信息，则可以得到多组车道线定位数据，由于定位的误差多组车道线的位置不可能完全重合。
当地图采集车采集到的多组车道线定位数据为道路边缘车道线定位数据，如图3所示，可以通过车道宽度标准数据以及路边缘车道线定位数据推导得到任一位于道路边缘车道线内的车道线定位数据，由于路边缘车道存在多组车道线定位数据，那么推导出的位于道路边缘车道线内的车道线也存在多组车道线定位数据。无论是道路边缘车道线还是位于道路边缘线内的车道线都可以通过本实施例中的方法进行车道线定位。
S102，根据目标道路的多组车道线定位数据，得到目标道路中任一目标位置的多个车道线定位数据；
示例性地，任一目标位置可以是目标道路中的任一位置。根据目标道路的多组车道线定位数据，得到目标道路中任一目标位置的多个车道线定位数据的方式可以是如图4所示垂直截断目标道路中的任一目标位置，得到如图5所示的截断面的多个投影点，多个投影点的坐标则作为该目标位置的多个车道线定位数据，投影点的坐标可以根据预设的坐标系确定，本实施例对坐标系的设置方式不做限定，本领域技术人员可以根据需要确定。
S103，根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；
示例性地，目标聚类算法可以是K-means聚类算法，也可以是高斯混合模型聚类算法，本实施例对目标聚类算法不做限定，本领域技术人员可以根据需要确定。
S104，重复根据目标道路的多组车道线定位数据，得到目标道路中任一目标位置的多个车道线定位数据到根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，如图6所示，得到多个目标位置的车道线聚类中心；
S105，根据目标算法，对多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。
示例性地，根据目标算法，对多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线的方式可以是根据三次多项式对多个目标位置的车道线聚类中心进行拟合，如图6所示，得到目标道路的车道线。具体方式可以是通过以下三次多项式公式来表示：
Figure 582913DEST_PATH_IMAGE001
；（1）
其中，
Figure 817497DEST_PATH_IMAGE002
、
Figure 128393DEST_PATH_IMAGE003
、
Figure 54760DEST_PATH_IMAGE004
和
Figure 478919DEST_PATH_IMAGE005
是未知量，构建成矩阵A，
Figure 347387DEST_PATH_IMAGE006
Figure 145579DEST_PATH_IMAGE007
、
Figure 875638DEST_PATH_IMAGE008
…
Figure 75675DEST_PATH_IMAGE009
与
Figure 350929DEST_PATH_IMAGE010
、
Figure 636417DEST_PATH_IMAGE011
…
Figure 904588DEST_PATH_IMAGE012
为是在地理坐标系下的高斯混合聚类后的中心点，分别 组成矩阵X和Y，定义见如下：
Figure 959131DEST_PATH_IMAGE013
Figure 169402DEST_PATH_IMAGE014
将上式（1）变换为：
Figure 942185DEST_PATH_IMAGE015
；
要求拟合后的所有点的误差最小，则变成了一个最小二乘的问题：
Figure 748467DEST_PATH_IMAGE016
其中A为
Figure 657518DEST_PATH_IMAGE017
矩阵，
Figure 274575DEST_PATH_IMAGE018
为
Figure 534655DEST_PATH_IMAGE019
矩阵,其中m=4，
Figure 144628DEST_PATH_IMAGE020
的大小由输入的点数决定。当n>m 时：
Figure 173764DEST_PATH_IMAGE021
求出
Figure 725837DEST_PATH_IMAGE022
后，则可以得到y和x三次多项式的系数，将该关系式在坐标系中形成的曲 线作为目标道路的车道线。
本实施例提供的车道线定位方法，通过地图采集车对目标道路多次巡航得到多组车道线定位数据，并根据多组车道线定位数据进行多个目标位置的车道线聚类，从而得到多个聚类中心，对聚类中心进行拟合，得到目标道路的车道线，从而改善了地图采集车在一次巡航时，由于硬件精度、环境因素或者传感器抖动导致数据产生较大误差的问题，提高了车道线定位的准确性，从而进一步提高了局部地图的精度。
作为本实施例一种可选的实施方式，所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据之前，包括：
首先，将多个车道线定位数据与预存的地图数据进行匹配；
示例性地，预存的地图数据可以是2D的电子导航地图（如openStreetMap），将多个车道线定位数据与预存的地图数据进行匹配的方式可以是将车道线定位数据中的车道线经纬度信息与预存的地图数据中该车道线对应的车道经纬度信息进行匹配。
其次，当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将车道线定位数据删除。
示例性地，预设阈值是当前道路宽度的2倍，当任一个车道线定位数据中车道线经纬度与预存的地图中该车道线对应的车道经纬度之差超过预设阈值，则认为该车道线定位数据为异常数据，将该异常数据删除，从而进一步提高车道线定位的准确性。
作为本实施例一种可选的实施方式，目标聚类算法包括：高斯混合模型聚类算法。
示例性地，高斯混合模型聚类算法具体如下：
高斯混合模型的概率分布为：
Figure 207634DEST_PATH_IMAGE023
（2）
其中，
Figure 621297DEST_PATH_IMAGE024
为高斯混合模型的概率分布，K是混合模型中子高斯模型的数量，
Figure 504940DEST_PATH_IMAGE025
=1, 2,…,K；
Figure 729379DEST_PATH_IMAGE026
是第k个子模型的混合系数，
Figure 964051DEST_PATH_IMAGE027
，
Figure 915827DEST_PATH_IMAGE028
；
Figure 919555DEST_PATH_IMAGE029
是第k个子模 型的高斯分布密度函数。
Figure 541992DEST_PATH_IMAGE030
是均值，
Figure 998381DEST_PATH_IMAGE031
是协方差矩阵。
假设有一个隐变量是z，用
Figure 753847DEST_PATH_IMAGE032
表示
Figure 346502DEST_PATH_IMAGE033
，则利用贝叶斯定理求出：
Figure 912744DEST_PATH_IMAGE034
（3）
根据公式（2），对数似然函数为：
Figure 856429DEST_PATH_IMAGE035
（4）
令上式中关于高斯分量的均值
Figure 415587DEST_PATH_IMAGE030
等于零，则有：
Figure 128328DEST_PATH_IMAGE036
（5）
从而求得：
Figure 98427DEST_PATH_IMAGE037
其中，
Figure 263829DEST_PATH_IMAGE038
令
Figure 361098DEST_PATH_IMAGE039
关于
Figure 193925DEST_PATH_IMAGE031
的导数等于零，则：
Figure 85657DEST_PATH_IMAGE040
关于混合系数
Figure 489088DEST_PATH_IMAGE026
最大化
Figure 390048DEST_PATH_IMAGE039
,同时考虑限制条件
Figure 811802DEST_PATH_IMAGE028
，使用 拉格朗日乘数法，最大化以下量：
Figure 140015DEST_PATH_IMAGE041
可得：
Figure 14430DEST_PATH_IMAGE042
当
Figure 968349DEST_PATH_IMAGE043
时，可以消除
Figure 510188DEST_PATH_IMAGE044
，此时：
Figure 9303DEST_PATH_IMAGE045
整理上述过程，给定一个高斯混合模型，目标是关于参数（均值、协方差、混合参数）最大似然函数。求解步骤如下：
Step1：初始化均值
Figure 636593DEST_PATH_IMAGE030
、协方差
Figure 364509DEST_PATH_IMAGE031
和混合系数
Figure 760855DEST_PATH_IMAGE026
，计算对数似然的初始值。
Step2：E步骤。依据当前参数，计算每个数据j来自子模型k的可能性。
Figure 430871DEST_PATH_IMAGE046
Step3：M步骤。计算新一轮迭代的模型参数。
Figure 545457DEST_PATH_IMAGE047
Figure 60752DEST_PATH_IMAGE048
Figure 826452DEST_PATH_IMAGE049
其中，
Figure 667369DEST_PATH_IMAGE050
Step4：计算对数似然函数。
Figure 269252DEST_PATH_IMAGE051
重复计算 E步骤 和M步骤直至收敛，收敛的条件是第（5）中的对数似然函数，前后两次的绝对值小于一个很小的正数。
高斯混合模型中的初始量K，一开始可以设置为1，如果算法不能收敛，则设置为2，以此类推。对于K是多个时，任一目标位置会得到多个聚类中心，此时可以选择聚类中投影点最多的聚类中心作为目标位置的车道线聚类中心。
本实施例提供的车道线定位方法，利用高斯混合模型聚类算法进行聚类，相比于K-means，更充分地考虑了车道线聚合的概率特性，使得车道线定位更加准确。
作为本实施例一种可选的实施方式，目标道路中车道线定位数据为道路边缘车道线定位数据，方法还包括：根据目标道路的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据。
示例性地，在获取目标道路中同一车道线的多组车道线定位数据时，需要先进行车道线定位数据筛选，筛选出语义信息为道路边缘的车道线定位数据，再根据道路边缘的车道线定位数据，确定出目标道路的道路边缘车道线定位数据。
车道宽度标准数据可以是国标中每个车道的固定宽度，比如高速公路的车道宽度是3.75米。根据目标道路的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据的方式如图7所示，当目标道路的道路边缘车道线定位数据显示道路边缘为右道路边缘，那么与右道路边缘车道线相邻的车道线的定位数据则可通过右道路边缘车道线定位数据和车道宽度标准数据推导得到。
本实施例提供的车道线定位方法，通过确定的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据，相比于所有车道线都通过车道线定位方法确定，其降低了运算量，提高了车道线定位效率。
作为本实施例一种可选的实施方式，车道线定位方法还包括：
首先，获取多个目标道路车道线对应的局部地图；
示例性地，局部地图表征包含目标道路车道线以及其他交通要素的地图，其他交通要素可以包括路面、路灯、植物、天空、斑马线、建筑物等。多个目标道路车道线对应的局部地图可以是从预先存储多个目标道路车道线对应的局部地图的数据库中获取，多个目标道路车道线对应的局部地图可以通过将在目标道路车道线巡航的地图采集车所采集的图像数据以及传感器数据进行数据融合得到。
其次，提取多个目标道路车道线对应的局部地图中标志性物体的位置信息；
示例性地，标志性物体可以斑马线、交通标志牌、大型广告牌，比如，当多个目标道路处于一个十字路口，在各个目标道路与十字路口交汇处都有斑马线，那么则可以选定斑马线为标志性物体。在地图采集车采集目标道路图像时，由于地图采集车配置有定位系统（比如GPS）以及图像采集设备，因此会上传交通要素图像信息以及经纬度信息。
再次，根据标志性物体的位置信息，对多个目标道路车道线对应的局部地图进行全局融合。
示例性地，得到每条目标道路斑马线图像信息以及经纬度信息，通过每条目标道路斑马线图像信息以及经纬度信息则能够实现多条目标道路的关联。根据克拉美-罗下界（Cramer-Rao Lower Bound，CRLB）原理，随着数据的不断增加，融合的精度将会不断提升，从而可以构建全局的高精地图。
作为本实施例一种可选的实施方式，获取目标道路中同一车道线的多个车道线定位数据之前，包括：
首先，根据预先建立的语义分割模型，提取目标道路的交通要素语义信息以及对应交通要素的像素点，所述交通要素包括车道线；
示例性地，深度学习的语义分割是对图像中每个像素分类，可以很精确的提取交通要素在图像中的像素点，能够清晰的分割车道线、路面、道路边缘、路灯、植物、天空等。
其次，将交通要素的像素点转换至车体坐标系；
示例性地，将交通要素的像素点转换到车体坐标系下。
Figure 853817DEST_PATH_IMAGE052
是点投影在图像平面 的坐标，
Figure 709908DEST_PATH_IMAGE053
是基准点（通常在图像的中心），
Figure 721727DEST_PATH_IMAGE054
,
Figure 545326DEST_PATH_IMAGE055
是以像素为单位的焦距，
Figure 933582DEST_PATH_IMAGE056
、
Figure 893448DEST_PATH_IMAGE057
、
Figure 331295DEST_PATH_IMAGE058
是相机坐标系下的坐标点，
Figure 907770DEST_PATH_IMAGE059
、
Figure 834137DEST_PATH_IMAGE060
、
Figure 648509DEST_PATH_IMAGE061
是车体坐标系下的坐标点。
依据公式：
Figure 18442DEST_PATH_IMAGE062
；
推导出：
Figure 816634DEST_PATH_IMAGE063
；
Figure 546692DEST_PATH_IMAGE064
；
假设地面上物体高度为零，即
Figure 481150DEST_PATH_IMAGE061
=0。基于以下公式：
Figure 520519DEST_PATH_IMAGE065
；
其中，
Figure 806007DEST_PATH_IMAGE066
、
Figure 74178DEST_PATH_IMAGE067
、
Figure 128721DEST_PATH_IMAGE068
、
Figure 840456DEST_PATH_IMAGE069
、
Figure 347661DEST_PATH_IMAGE070
、
Figure 153943DEST_PATH_IMAGE071
、
Figure 328572DEST_PATH_IMAGE072
、
Figure 194897DEST_PATH_IMAGE073
、
Figure 704245DEST_PATH_IMAGE074
、
Figure 314218DEST_PATH_IMAGE075
、
Figure 343354DEST_PATH_IMAGE076
、
Figure 115001DEST_PATH_IMAGE077
为预先标定 的相机到车体坐标系原点的旋转和位移。
则计算出：
Figure 613109DEST_PATH_IMAGE078
；
Figure 26773DEST_PATH_IMAGE079
；
Figure 910415DEST_PATH_IMAGE080
；
再次，将车体坐标系下交通要素的像素点与惯性导航获取的数据进行联合定位，得到目标道路交通要素的定位信息。惯性导航可以是惯性导航系统（IMU）等，根据惯性导航数据可以确定车辆的位姿信息，根据车体坐标系下交通要素的像素点，则可以得到更准确的交通要素深度信息，从而实现联合定位。
本实施例提供一种车道线定位装置，如图8所示，包括：
定位数据获取模块201，用于获取目标道路中同一车道线的多组车道线定位数据，所述多组车道线定位数据为地图采集车对目标道路多次巡航得到；具体内容参见上述方法实施例对应部分，在此不再赘述。
车道线定位数据确定模块202，用于根据目标道路的多组车道线定位数据，得到所述目标道路的任一目标位置的多个车道线定位数据；具体内容参见上述方法实施例对应部分，在此不再赘述。
聚类中心确定模块203，用于根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；具体内容参见上述方法实施例对应部分，在此不再赘述。
重复模块204，用于重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；具体内容参见上述方法实施例对应部分，在此不再赘述。
车道线确定模块205，用于根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。具体内容参见上述方法实施例对应部分，在此不再赘述。
作为本实施例一种可选的实施方式，车道线定位装置还包括：
匹配模块，用于将所述多个车道线定位数据与预存的地图数据进行匹配；具体内容参见上述方法实施例对应部分，在此不再赘述。
删除模块，用于当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将所述车道线定位数据删除。具体内容参见上述方法实施例对应部分，在此不再赘述。
作为本实施例一种可选的实施方式，聚类中心确定模块203包括：高斯混合模型聚类算法模块，用于执行高斯混合模型聚类算法。具体内容参见上述方法实施例对应部分，在此不再赘述。
作为本实施例一种可选的实施方式，目标道路中车道线定位数据为道路边缘车道线定位数据，车道线定位装置还包括：
中间车道线定位模块，用于根据目标道路的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据。具体内容参见上述方法实施例对应部分，在此不再赘述。
作为本实施例一种可选的实施方式，车道线定位装置还包括：
局部地图获取模块，用于获取多个目标道路车道线对应的局部地图；具体内容参见上述方法实施例对应部分，在此不再赘述。
位置信息提取模块，用于提取多个目标道路车道线对应的局部地图中标志性物体的位置信息；具体内容参见上述方法实施例对应部分，在此不再赘述。
全局融合模块，用于根据标志性物体的位置信息，对多个目标道路车道线对应的局部地图进行全局融合。具体内容参见上述方法实施例对应部分，在此不再赘述。
作为本实施例一种可选的实施方式，车道线定位装置还包括：
语义像素提取模块，用于根据预先建立的语义分割模型，提取目标道路的交通要素语义信息以及对应交通要素的像素点，所述交通要素包括车道线；具体内容参见上述方法实施例对应部分，在此不再赘述。
坐标系转换模块，用于将所述交通要素的像素点转换至车体坐标系；具体内容参见上述方法实施例对应部分，在此不再赘述。
联合定位模块，用于将车体坐标系下交通要素的像素点与惯性导航获取的数据进行联合定位，得到目标道路交通要素的定位信息。具体内容参见上述方法实施例对应部分，在此不再赘述。
本申请实施例还提供一种电子设备，如图9所示，处理器310和存储器320，其中处理器310和存储器320可以通过总线或者其他方式连接。
处理器310可以为中央处理器（Central Processing Unit，CPU）。处理器310还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。
存储器320作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块，如本发明实施例中的车道线定位方法对应的程序指令/模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行处理器的各种功能应用以及数据处理。
存储器320可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器320可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器320中，当被所述处理器310执行时，执行如图1所示实施例中的车道线定位方法。
上述电子设备的具体细节可以对应参阅图1所示的实施例中对应的相关描述和效果进行理解，此处不再赘述。
本实施例还提供了一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例1中车道线定位方法。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random Access Memory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种车道线定位方法，其特征在于，包括如下步骤：
获取目标道路中同一车道线的多组车道线定位数据，所述多组车道线定位数据为地图采集车对目标道路多次巡航得到；
根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据，所述任一目标位置是目标道路中的任一位置，垂直截断目标道路中的任一目标位置，在截断面得到多个投影点，多个投影点的坐标则作为所述目标位置的多个车道线定位数据；
根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；
重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；
根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。
2.根据权利要求1所述的方法，其特征在于，所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据之前，包括：
将所述多个车道线定位数据与预存的地图数据进行匹配；
当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将所述车道线定位数据删除。
3.根据权利要求1所述的方法，其特征在于，所述目标聚类算法包括：高斯混合模型聚类算法。
4.根据权利要求1所述的方法，其特征在于，所述目标道路中车道线定位数据为道路边缘车道线定位数据，所述方法还包括：
根据目标道路的道路边缘车道线定位数据以及车道宽度标准数据，确定位于道路边缘车道线中间的车道线定位数据。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取多个目标道路车道线对应的局部地图；
提取多个目标道路车道线对应的局部地图中标志性物体的位置信息；
根据标志性物体的位置信息，对多个目标道路车道线对应的局部地图进行全局融合。
6.根据权利要求1所述的方法，其特征在于，所述获取目标道路中同一车道线的多个车道线定位数据之前，包括：
根据预先建立的语义分割模型，提取所述目标道路的交通要素语义信息以及对应交通要素的像素点，所述交通要素包括车道线；
将所述交通要素的像素点转换至车体坐标系；
将车体坐标系下交通要素的像素点与惯性导航获取的数据进行联合定位，得到所述目标道路交通要素的定位信息。
7.一种车道线定位装置，其特征在于，包括：
定位数据获取模块，用于获取目标道路中同一车道线的多组车道线定位数据，所述多组车道线定位数据为地图采集车对目标道路多次巡航得到；
车道线定位数据确定模块，用于根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据，所述任一目标位置是目标道路中的任一位置，垂直截断目标道路中的任一目标位置，在截断面得到多个投影点，多个投影点的坐标则作为所述目标位置的多个车道线定位数据；
聚类中心确定模块，用于根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心；
重复模块，用于重复所述根据目标道路的多组车道线定位数据，得到所述目标道路中任一目标位置的多个车道线定位数据到所述根据目标聚类算法，对任一目标位置的多个车道线定位数据进行聚类，得到任一目标位置的车道线聚类中心的步骤，得到多个目标位置的车道线聚类中心；
车道线确定模块，用于根据目标算法，对所述多个目标位置的车道线聚类中心进行融合，得到目标道路的车道线。
8.根据权利要求7所述的装置，其特征在于，还包括：
匹配模块，用于将所述多个车道线定位数据与预存的地图数据进行匹配；
删除模块，用于当任一个车道线定位数据与预存的地图数据偏差大于预设阈值，则将所述车道线定位数据删除。
9.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现权利要求1－6任一所述的车道线定位方法的步骤。
10.一种存储介质，其上存储有计算机指令，其特征在于，该指令被处理器执行时实现权利要求1－6任一所述的车道线定位方法的步骤。
CN202110079602.0A 2021-01-21 2021-01-21 一种车道线定位方法、装置及电子设备 Active CN112507977B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110079602.0A CN112507977B (zh) 2021-01-21 2021-01-21 一种车道线定位方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110079602.0A CN112507977B (zh) 2021-01-21 2021-01-21 一种车道线定位方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112507977A CN112507977A (zh) 2021-03-16
CN112507977B true CN112507977B (zh) 2021-12-07

Family

ID=74952498

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110079602.0A Active CN112507977B (zh) 2021-01-21 2021-01-21 一种车道线定位方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112507977B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113758501B (zh) * 2021-09-08 2024-06-04 广州小鹏自动驾驶科技有限公司 检测地图中的异常车道线的方法和可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN110345952A (zh) * 2019-07-09 2019-10-18 同济人工智能研究院(苏州)有限公司 一种序列化车道线地图构建方法及构建系统
CN110796066A (zh) * 2019-10-26 2020-02-14 武汉中海庭数据技术有限公司 一种车道线组构建方法及装置
CN111380544A (zh) * 2018-12-29 2020-07-07 沈阳美行科技有限公司 车道线的地图数据生成方法及装置
CN112084988A (zh) * 2020-06-08 2020-12-15 深圳佑驾创新科技有限公司 车道线实例聚类方法、装置、电子设备和存储介质
CN112154449A (zh) * 2019-09-26 2020-12-29 深圳市大疆创新科技有限公司 车道线融合方法、车道线融合装置、车辆和存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102270394A (zh) * 2011-07-07 2011-12-07 王迅 基于激光传感器的船舶交通量监测方法
CN106156267B (zh) * 2016-02-04 2019-05-31 东南大学 一种面向高速公路的车道级增强型矢量数字地图制作方法
US10670416B2 (en) * 2016-12-30 2020-06-02 DeepMap Inc. Traffic sign feature creation for high definition maps used for navigating autonomous vehicles
CN108490941B (zh) * 2018-03-29 2021-04-27 奇瑞汽车股份有限公司 应用于道路清扫车的自动驾驶系统及其控制方法、装置
CN109798903B (zh) * 2018-12-19 2021-03-30 广州文远知行科技有限公司 一种从地图数据中获取道路信息的方法及装置
CN109931944B (zh) * 2019-04-02 2021-12-07 阿波罗智联(北京)科技有限公司 一种ar导航方法、装置、车端设备、服务端及介质
US20200393265A1 (en) * 2019-06-11 2020-12-17 DeepMap Inc. Lane line determination for high definition maps

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111380544A (zh) * 2018-12-29 2020-07-07 沈阳美行科技有限公司 车道线的地图数据生成方法及装置
CN110334634A (zh) * 2019-06-28 2019-10-15 广州鹰瞰信息科技有限公司 一种车道线类别的检测方法和预警装置
CN110345952A (zh) * 2019-07-09 2019-10-18 同济人工智能研究院(苏州)有限公司 一种序列化车道线地图构建方法及构建系统
CN112154449A (zh) * 2019-09-26 2020-12-29 深圳市大疆创新科技有限公司 车道线融合方法、车道线融合装置、车辆和存储介质
CN110796066A (zh) * 2019-10-26 2020-02-14 武汉中海庭数据技术有限公司 一种车道线组构建方法及装置
CN112084988A (zh) * 2020-06-08 2020-12-15 深圳佑驾创新科技有限公司 车道线实例聚类方法、装置、电子设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于实例分割和自适应透视变换算法的多车道线检测;蔡英凤等;《南大学学报（自然科学版）》;20200731;第50卷(第4期);775-781 *
基于形态特征的车道线检测和识别技术的研究与实现;王丹丹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140715(第7期);第I138-876页正文第35-36页、图4.1 *

Also Published As

Publication number Publication date
CN112507977A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN111220993B (zh) 目标场景定位方法、装置、计算机设备和存储介质
JP6595182B2 (ja) マッピング、位置特定、及び姿勢補正のためのシステム及び方法
CN109165549B (zh) 基于三维点云数据的道路标识获取方法、终端设备及装置
CN108171131B (zh) 基于改进MeanShift的Lidar点云数据道路标识线提取方法
EP2427726B1 (en) Methods and systems for creating digital transportation networks
CN111144388A (zh) 一种基于单目影像的道路标志标线的更新方法
US20160102987A1 (en) Method for inferring type of road segment
CN113034566B (zh) 高精度地图构建方法、装置、电子设备及存储介质
WO2020043081A1 (zh) 定位技术
EP3904831A1 (en) Visual localization using a three-dimensional model and image segmentation
JP2008065087A (ja) 静止物地図生成装置
CN111380544A (zh) 车道线的地图数据生成方法及装置
CN114509065A (zh) 地图构建方法、系统、车辆终端、服务器端及存储介质
CN112432650A (zh) 高精地图数据的获取方法、车辆控制方法以及设备
CN114758086B (zh) 一种城市道路信息模型的构建方法及装置
CN115564865A (zh) 一种众包高精地图的构建方法、系统、电子设备及车辆
CN112507977B (zh) 一种车道线定位方法、装置及电子设备
CN115344655A (zh) 地物要素的变化发现方法、装置及存储介质
CN113838129A (zh) 一种获得位姿信息的方法、装置以及系统
KR102408981B1 (ko) Nd 맵 생성방법 및 그를 활용한 맵 업데이트 방법
CN115797310A (zh) 一种光伏电站组串倾角的确定方法及电子设备
CN111325811A (zh) 一种车道线数据的处理方法及处理装置
CN115628720A (zh) 一种智能三维地形图测绘方法及系统
WO2022021209A9 (zh) 电子地图生成方法、装置、计算机设备和存储介质
JP2023152480A (ja) 地図データ生成方法、地図データ生成装置及び地図データ生成プログラム

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