CN112733778A - 一种车辆前导车确定方法、装置及计算机设备 - Google Patents

一种车辆前导车确定方法、装置及计算机设备 Download PDF

Info

Publication number
CN112733778A
CN112733778A CN202110065925.4A CN202110065925A CN112733778A CN 112733778 A CN112733778 A CN 112733778A CN 202110065925 A CN202110065925 A CN 202110065925A CN 112733778 A CN112733778 A CN 112733778A
Authority
CN
China
Prior art keywords
vehicle
information
attribute information
leading
lane line
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.)
Granted
Application number
CN202110065925.4A
Other languages
English (en)
Other versions
CN112733778B (zh
Inventor
尚进
杜正阳
杨晓松
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 CN202110065925.4A priority Critical patent/CN112733778B/zh
Publication of CN112733778A publication Critical patent/CN112733778A/zh
Application granted granted Critical
Publication of CN112733778B publication Critical patent/CN112733778B/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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/04—Traffic conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mechanical Engineering (AREA)
  • Transportation (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Human Computer Interaction (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Biomedical Technology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种车辆前导车确定方法、装置及计算机设备，其中，该方法包括：获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息；根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息；根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。通过实施本发明，极大提高了前导车确定准确性，提升自动驾驶系统的可靠性。

Description

一种车辆前导车确定方法、装置及计算机设备
技术领域
本发明涉及自动驾驶技术领域，具体涉及一种车辆前导车确定方法、装置及计算机设备。
背景技术
目前的自动驾驶技术从宏观上可以分为三个过程：(1)感知：对路上周围环境、目标的识别；(2)决策与规划：根据感知到的信息，做出相应的决策，例如，刹车、加速、变道等；(3)控制：控制系统根据决策信息对车辆进行控制，保证车辆完成决策信息所给出的动作。而在决策与规划中，检测道路上每一个车辆所属车道以及找出自车车道上的前导车是至关重要的。
相关技术中，确定目标车辆的前导车通常先获取路上的每一个障碍物信息以及每一个车道线信息，对比障碍物与每一个车道线位置，计算出每一个障碍物所属车道，然后根据每一个障碍物信息将离目标车辆最近的车辆作为前导车。但是在道路环境检测中，需要根据雷达得到的障碍物信息与根据图像检测识别的结果进行匹配，得到每一个障碍物信息，以及根据图像识别的结果得到车道线信息，由于雷达和摄像机都会有相对的误差，所以得到的每一个障碍物信息以及车道线信息是不准确的，导致前导车的确定不准确。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中由于雷达和摄像机都会有相对的误差，得到的每一个障碍物信息以及车道线信息是不准确的，导致前导车的确定不准确的缺陷，从而提供一种车辆前导车确定方法、装置及计算机设备。
根据第一方面，本发明公开了一种车辆前导车确定方法，包括如下步骤：获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中，得到所述目标车辆的第一前导车信息；根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息；根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车。
可选地，在获取目标车辆行驶前方的每一个车辆的属性信息之前，所述方法还包括：获取目标车辆所在行驶位置的雷达数据以及图像数据；根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息；比对所述第一车辆属性信息和所述第二车辆属性信息，当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时，将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
可选地，所述车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；所述方法还包括：获取目标车辆所在行驶位置的图像数据；将所述图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式；根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
可选地，所述根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车，包括：当所述第一前导车信息与所述第二前导车信息一致时，将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车；当所述第一前导车信息与所述第二前导车信息不一致时，将所述预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车信息作为所述目标车辆的前导车。
根据第二方面，本发明公开了一种车辆前导车确定装置，包括：第一获取模块，用于获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；第一前导车信息获得模块，用于将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中，得到所述目标车辆的第一前导车信息；第二前导车信息获得模块，用于根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息；第一确定模块，用于根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车。
可选地，所述装置还包括：第二获取模块，用于获取目标车辆所在行驶位置的雷达数据以及图像数据；第二确定模块，用于根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息；比对模块，比对所述第一车辆属性信息和所述第二车辆属性信息，当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时，将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
可选地，所述车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；所述装置还包括：第三确定模块，用于获取目标车辆所在行驶位置的图像数据；识别模块，用于将所述图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式；第四确定模块，用于根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
可选地，所述第一确定模块包括：第一确定子模块，用于当所述第一前导车信息与所述第二前导车信息一致时，将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车；第二确定子模块，用于当所述第一前导车信息与所述第二前导车信息不一致时，将所述预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车信息作为所述目标车辆的前导车。
根据第三方面，本发明还公开了一种计算机设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如第一方面或第一方面任一可选实施方式所述的车辆前导车确定方法的步骤。
根据第四方面，本发明还公开了一种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实现如第一方面或第一方面任一可选实施方式所述的车辆前导车确定方法的步骤。
本发明技术方案，具有如下优点：
本发明提供的车辆前导车确定方法及装置，通过获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息，将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息，根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息，根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。本发明通过将深度学习模型作为冗余机制确定车辆的前导车，极大提高了前导车确定的准确性，提升自动驾驶系统的可靠性和稳定性。
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辆前导车确定方法的一个具体示例的流程图；
图2为本发明实施例中车辆坐标系的一个具体示例图；
图3为本发明实施例中预设机器学习模型的一个具体示例图；
图4为本发明实施例中车道线定义的一个具体示例图；
图5为本发明实施例中车辆前导车确定装置的一个具体示例的原理框图；
图6为本发明实施例中计算机设备的一个具体示例图。
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。
本发明实施例公开了一种车辆前导车确定方法，如图1所示，包括如下步骤：
S11：获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息。
示例性地，车辆的属性信息可以包括：车辆在车辆坐标系下的坐标信息以及车辆的尺寸信息。车道线的属性信息可以包括：在车辆坐标系下车道线对应的函数表达式、车道线起始位置信息、车道线终点位置信息以及每一条车道线的路点位置信息等，其中，路点位置信息为车道线上一个一个点的位置信息。本发明实施例对该车辆的属性信息和车道线信息均不作具体限定，本领域技术人员可以根据实际情况确定。
车辆坐标系可以自定义，也可以提前根据车载摄像机的相机坐标系标定获得，具体标定方法为现有技术，在此不再赘述。
图2为本发明实施例中车辆坐标系的一个具体示例图，其建立方法为：以目标车辆重心为原点，以目标车辆的行驶方向为X轴、以地平面上与X轴垂直的方向为Y轴，以垂直于地平面向上延伸的方向为Z轴。
每一个车辆的属性信息以及每一条车道线的属性信息的获取方法可以通过有线网络或无线网络的方法从存储器获取。本发明实施例对车辆的属性信息以及车道线的属性信息的获取方法不作具体限定，本领域技术人员可以根据实际情况确定。
S12：将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息。
示例性地，该预设机器学习模型可以是提前训练好的，具体训练过程可以为：获取训练图像数据；对该训练图像数据作预处理(图像旋转、图像增强、图像缩放等)，将预处理后的训练数据输入到初始机器学习模型中进行训练，直到损失函数的损失值满足预设条件，得到预设机器学习模型。其中，损失函数为：
Figure BDA0002903973110000071
其中，L表示损失值；Li表示第i个训练图像数据的预测值与真实值的差异值；N表示训练图像数据的数量；M表示类别数量；yjc取值为0或1，如果类别c与第i个训练图像数据的类别相同就为1，若不相同，就为0；pjc表示第i个训练图像数据属于类别c的概率。
将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线信息输入到预设机器学习模型中，可以得到目标车辆行驶前方的每一个车辆属于每一个车道线的概率以及是否为目标车辆的前导车的概率，将最大概率对应的车辆作为目标车辆的前导车。
如图3所示，预设机器学习模型包括：输入层、隐层和输出层。其中，输入层输入的目标车辆前方每一个车辆的属性信息和每一条车道线的属性信息组成的多维矩阵，xi表示车辆在车辆坐标系下的横坐标；yi表示车辆在车辆坐标系下的纵坐标；wi表示车辆的尺度信息中的长度信息；hi表示车辆的尺度信息中的宽度信息；xstart表示在车辆坐标系下车道线的起始位置信息的横坐标；xend表示在车辆坐标系下车道线的终点位置信息的横坐标；cj表示在车辆坐标系下车道线对应的函数表达式的比例系数；输出层输出的是目标车辆行驶前方的每一个车辆属于每一个车道线的概率以及是否为目标车辆的前导车的概率；p1-p7表示车辆属于每一条车道线的概率，p8表示车辆是否为前导车的概率。
对于车道线，图4为本发明实施例对于车道线定义的一个具体实施方法，其中，“0”、“2”、“4”、“6”代表车道线上，“1”、“3”、“5”代表2条车道线的内部，“3”永远代表目标车辆的自车车道，“-1”表示不在车道内。这里的“0”、“1”、“2”、“3”、“4”、“5”、“6”、“-1”代表的其实是预设机器学习模型的输出层输出的矩阵的列的位置，是不变的，例如车辆在自车右侧车道，则会输出5，在左侧车道则会输出1。
S13：根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息。
示例性地，对比车道线的属性信息中的路点位置信息与每一个车辆的属性信息，确定每一个车辆所属车道信息，筛选出目标车辆所属车道的车辆，将目标车辆所述车道的车辆中离目标车辆最近的车辆作为目标车辆前导车。
S14：根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。
示例性地，根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车可以为先比较第一前导车信息和第二前导车信息，当第一前导车信息和第二前导车信息一致时，将第一前导车信息对应的前导车或第二前导车信息对应的前导车作为目标车辆的前导车。
当第一前导车信息和第二前导车信息不一致时，将预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车信息作为目标车辆的前导车，该历史数据可以为前5帧图像数据的结果，也可以为前1分钟图像数据的结果，本发明实施例对该历史数据不作具体限定，本领域技术人员可以根据实际情况确定。
本发明提供的车辆前导车确定方法，通过获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息，将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息，根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息，根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。本发明实施例通过将深度学习模型作为冗余机制确定车辆的前导车，极大提高了前导车确定的准确性，提升自动驾驶系统的可靠性和稳定性。
作为本发明实施例一个可选实施方式，在上述步骤S11之前，该车辆前导车确定方法还包括：
首先，获取目标车辆所在行驶位置的雷达数据以及图像数据。
示例性地，该雷达数据可以通过毫米波雷达获取，图像数据可以通过摄像机获取，其中，毫米波雷达和摄像机均可以安装在目标车辆上。
其次，根据雷达数据确定第一车辆属性信息以及根据图像数据确定第二车辆属性信息。
示例性地，该第一车辆属性信息指的是根据雷达数据得到的车辆数据，包括：车辆在车辆坐标系中的位置信息以及车辆的尺寸信息；该第二车辆属性信息指的是根据图像数据得到的，也包括：车辆在车辆坐标系中的位置信息以及车辆的尺寸信息。第一车辆属性信息与第二车辆属性信息可以完全相同，由于毫米波雷达和摄像机都会有误差，第一车辆属性信息与第二车辆属性信息也可能是有误差的。
再次，比对第一车辆属性信息和第二车辆属性信息，当第一车辆属性信息和第二车辆属性信息满足预设匹配要求时，将第一车辆属性信息或第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
示例性地，该匹配要求可以为完全相同，也可以为位置信息的差值不超过预设距离，尺寸的差值不超过预设尺寸，本发明实施例对该匹配要求不作具体限定，本领域技术人员可以根据实际情况确定。
当第一车辆属性信息和第二车辆属性信息满足预设匹配要求时，将第一车辆属性信息或第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息，当第一车辆属性信息和第二车辆属性信息不满足匹配要求的车辆属性信息时，舍弃第一属性信息对应的车辆以及第二属性信息对应的车辆。
本发明实施例通过将雷达数据得到的车辆属性信息与图像数据得到的车辆属性信息匹配后作为目标车辆行驶前方的车辆的属性信息，得到的目标车辆行驶前方的车辆的属性信息更加准确，提高了目标车辆前导车确定准确率。
作为本发明实施例一个可选实施方式，车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；该车辆前导车确定方法还包括：
首先，获取目标车辆所在行驶位置的图像数据。该图像数据可以是安装在目标车辆上的摄像机拍摄的。
其次，将图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式。
示例性地，该预设识别模型可以是提前训练好的车道线属性信息识别模型，将图像数据输入到预设识别模型中进行识别，可以得到是否存在车道线、每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式(例如，y＝c1*x3+c2*x2+c3*x+c4)。其中，每一条车道线的起点位置指的是每一条车道线在图像中的起始位置，相对应地，终点位置指的是每一条车道线在图像中的终点位置。
再次，根据每一个车道线的起点位置信息和终点位置信息以及在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
示例性地，根据每一个车道线的起点位置信息和终点位置信息以及在车辆坐标系下车道线对应的函数表达式具体可以为：根据车道线的起点位置信息的横坐标以及终点位置信息的横坐标的差值，然后切割成自定义的路点的数量(例如，100个)，将这些x代入车道线对应的函数表达式获得相对应的y值，就得到各个路点的位置信息。
本发明实施例还公开了一种车辆前导车确定装置，如图5所示，包括：
第一获取模块21，用于获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；具体实现方式见上述实施例中步骤S11的相关描述，在此不再赘述。
第一前导车信息获得模块22，用于将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息；具体实现方式见上述实施例中步骤S12的相关描述，在此不再赘述。
第二前导车信息获得模块23，用于根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息；具体实现方式见上述实施例中步骤S13的相关描述，在此不再赘述。
第一确定模块24，用于根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。具体实现方式见上述实施例中步骤S14的相关描述，在此不再赘述。
本发明提供的车辆前导车确定装置，通过获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息，将目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息输入到预设机器学习模型中，得到目标车辆的第一前导车信息，根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息，根据第一前导车信息以及第二前导车信息，确定目标车辆的前导车。本发明实施例通过将深度学习模型作为冗余机制确定车辆的前导车，极大提高了前导车确定的准确性，提升自动驾驶系统的可靠性和稳定性。
作为本发明实施例一个可选实施方式，该车辆前导车确定方法装置还包括：
第二获取模块，用于获取目标车辆所在行驶位置的雷达数据以及图像数据；具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
第二确定模块，用于根据雷达数据确定第一车辆属性信息以及根据图像数据确定第二车辆属性信息；具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
比对模块，比对第一车辆属性信息和第二车辆属性信息，当第一车辆属性信息和第二车辆属性信息满足预设匹配要求时，将第一车辆属性信息或第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
作为本发明实施例一个可选实施方式，车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；该车辆前导车确定方法装置还包括：
第三确定模块，用于获取目标车辆所在行驶位置的图像数据；具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
识别模块，用于将图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式；具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
第四确定模块，用于根据每一个车道线的起点位置信息和终点位置信息以及在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
作为本发明实施例一个可选实施方式，上述第一确定模块包括：
第一确定子模块，用于当第一前导车信息与第二前导车信息一致时，将第一前导车信息对应的前导车或第二前导车信息对应的前导车作为目标车辆的前导车；具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
第二确定子模块，用于当第一前导车信息与第二前导车信息不一致时，将预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车信息作为目标车辆的前导车。具体实现方式见上述实施例中对应的步骤的相关描述，在此不再赘述。
本发明实施例还提供了一种计算机设备，如图6所示，该计算机设备可以包括处理器31和存储器32，其中处理器31和存储器32可以通过总线或者其他方式连接，图6中以通过总线连接为例。
处理器31可以为中央处理器(Central Processing Unit，CPU)。处理器31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32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辆前导车确定方法对应的程序指令/模块(例如，图5所示的第一获取模块21、第一前导车信息获得模块22、第二前导车信息获得模块23和第一确定模块24)。处理器31通过运行存储在存储器32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，即实现上述方法实施例中的车辆前导车确定方法。
存储器32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31所创建的数据等。此外，存储器32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32可选包括相对于处理器31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31。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32中，当被所述处理器31执行时，执行如图1所示实施例中的车辆前导车确定方法。
上述计算机设备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。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。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(RandomAccessMemory，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。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种车辆前导车确定方法，其特征在于，包括如下步骤：
获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；
将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中，得到所述目标车辆的第一前导车信息；
根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息；
根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车。
2.根据权利要求1所述的方法，其特征在于，在获取目标车辆行驶前方的每一个车辆的属性信息之前，所述方法还包括：
获取目标车辆所在行驶位置的雷达数据以及图像数据；
根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息；
比对所述第一车辆属性信息和所述第二车辆属性信息，当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时，将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
3.根据权利要求1所述的方法，其特征在于，所述车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；所述方法还包括：
获取目标车辆所在行驶位置的图像数据；
将所述图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式；
根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
4.根据权利要求1所述的方法，其特征在于，所述根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车，包括：
当所述第一前导车信息与所述第二前导车信息一致时，将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车；
当所述第一前导车信息与所述第二前导车信息不一致时，将所述预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车作为所述目标车辆的前导车。
5.一种车辆前导车确定装置，其特征在于，包括：
第一获取模块，用于获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息；
第一前导车信息获得模块，用于将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中，得到所述目标车辆的第一前导车信息；
第二前导车信息获得模块，用于根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息，并根据目标车辆行驶前方的每一个车辆所属车道信息确定所述目标车辆的第二前导车信息；
第一确定模块，用于根据所述第一前导车信息以及所述第二前导车信息，确定所述目标车辆的前导车。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
第二获取模块，用于获取目标车辆所在行驶位置的雷达数据以及图像数据；
第二确定模块，用于根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息；
比对模块，比对所述第一车辆属性信息和所述第二车辆属性信息，当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时，将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
7.根据权利要求5所述的装置，其特征在于，所述车道线信息包括：车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息；所述装置还包括：
第三确定模块，用于获取目标车辆所在行驶位置的图像数据；
识别模块，用于将所述图像数据输入到预设识别模型中进行识别，得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式；
第四确定模块，用于根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
8.根据权利要求5所述的装置，其特征在于，所述第一确定模块包括：
第一确定子模块，用于当所述第一前导车信息与所述第二前导车信息一致时，将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车；
第二确定子模块，用于当所述第一前导车信息与所述第二前导车信息不一致时，将所述预设识别模型的输出结果和计算结果分别与历史数据比较，将差值较小的结果对应的前导车信息作为所述目标车辆的前导车。
9.一种计算机设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4任一所述的车辆前导车确定方法的步骤。
10.一种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实现如权利要求1-4中任一项所述的车辆前导车确定方法的步骤。
CN202110065925.4A 2021-01-18 2021-01-18 一种车辆前导车确定方法、装置及计算机设备 Active CN112733778B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110065925.4A CN112733778B (zh) 2021-01-18 2021-01-18 一种车辆前导车确定方法、装置及计算机设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110065925.4A CN112733778B (zh) 2021-01-18 2021-01-18 一种车辆前导车确定方法、装置及计算机设备

Publications (2)

Publication Number Publication Date
CN112733778A true CN112733778A (zh) 2021-04-30
CN112733778B CN112733778B (zh) 2021-08-10

Family

ID=75592370

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110065925.4A Active CN112733778B (zh) 2021-01-18 2021-01-18 一种车辆前导车确定方法、装置及计算机设备

Country Status (1)

Country Link
CN (1) CN112733778B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266859A (zh) * 2021-12-02 2022-04-01 国汽智控(北京)科技有限公司 数据处理方法、装置、设备和存储介质

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150151742A1 (en) * 2013-12-04 2015-06-04 Mobileye Vision Technologies Ltd. Systems and methods for mimicking a leading vehicle
CN106205170A (zh) * 2016-08-30 2016-12-07 上海交通大学 一种用于自动驾驶的路口精确停车装置与方法
CN106467106A (zh) * 2015-08-20 2017-03-01 哈曼国际工业有限公司 用于驾驶员辅助的系统和方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN109766878A (zh) * 2019-04-11 2019-05-17 深兰人工智能芯片研究院（江苏）有限公司 一种车道线检测的方法和设备
CN110717445A (zh) * 2019-10-09 2020-01-21 清华大学 一种用于自动驾驶的前车距离跟踪系统与方法
CN111319610A (zh) * 2018-12-13 2020-06-23 通用汽车环球科技运作有限责任公司 用于控制自主车辆的系统和方法
CN111523471A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 车辆所在车道的确定方法、装置、设备以及存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150151742A1 (en) * 2013-12-04 2015-06-04 Mobileye Vision Technologies Ltd. Systems and methods for mimicking a leading vehicle
CN106467106A (zh) * 2015-08-20 2017-03-01 哈曼国际工业有限公司 用于驾驶员辅助的系统和方法
CN106205170A (zh) * 2016-08-30 2016-12-07 上海交通大学 一种用于自动驾驶的路口精确停车装置与方法
CN107609522A (zh) * 2017-09-19 2018-01-19 东华大学 一种基于激光雷达和机器视觉的信息融合车辆检测系统
CN111319610A (zh) * 2018-12-13 2020-06-23 通用汽车环球科技运作有限责任公司 用于控制自主车辆的系统和方法
CN109766878A (zh) * 2019-04-11 2019-05-17 深兰人工智能芯片研究院（江苏）有限公司 一种车道线检测的方法和设备
CN110717445A (zh) * 2019-10-09 2020-01-21 清华大学 一种用于自动驾驶的前车距离跟踪系统与方法
CN111523471A (zh) * 2020-04-23 2020-08-11 北京百度网讯科技有限公司 车辆所在车道的确定方法、装置、设备以及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114266859A (zh) * 2021-12-02 2022-04-01 国汽智控(北京)科技有限公司 数据处理方法、装置、设备和存储介质

Also Published As

Publication number Publication date
CN112733778B (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
KR102210715B1 (ko) 도로 중의 차도선을 확정하기 위한 방법, 장치 및 기기
US10229332B2 (en) Method and apparatus for recognizing obstacle of vehicle
WO2022083402A1 (zh) 障碍物检测方法、装置、计算机设备和存储介质
US11727799B2 (en) Automatically perceiving travel signals
CN113715814B (zh) 碰撞检测方法、装置、电子设备、介质及自动驾驶车辆
EP4089659A1 (en) Map updating method, apparatus and device
US10650256B2 (en) Automatically perceiving travel signals
US11144770B2 (en) Method and device for positioning vehicle, device, and computer readable storage medium
US20180299893A1 (en) Automatically perceiving travel signals
CN112712040B (zh) 基于雷达校准车道线信息的方法、装置、设备及存储介质
CN114051628B (zh) 一种确定目标对象点云集的方法及装置
KR20140112171A (ko) 위치기반 실시간 차량정보 표시시스템
EP3875905B1 (en) Method, device and medium for detecting environmental change
US20220215197A1 (en) Data processing method and apparatus, chip system, and medium
CN112733778B (zh) 一种车辆前导车确定方法、装置及计算机设备
CN116386000A (zh) 基于高精地图和单目摄像头测量障碍物距离的方法、系统
US11908206B2 (en) Compensation for vertical road curvature in road geometry estimation
CN112477868B (zh) 碰撞时间计算方法、装置、可读存储介质和计算机设备
CN114202574A (zh) 定位可靠性检测方法及相关设备
US20230039032A1 (en) Apparatus and method for updating map and non-transitory computer-readable medium containing computer program for updating map
JP2019027995A (ja) 情報処理装置、プログラム、及び車両位置の推定方法
US11386675B2 (en) Device and method for generating vehicle data, and system
CN116052112A (zh) 一种交通灯检测方法、装置、车载终端及存储介质
CN116563811A (zh) 一种车道线识别方法、装置、车辆及存储介质
CN116383760A (zh) 目标类型融合方法、装置及电子设备、存储介质

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