CN112912894B - 道路边界识别方法和装置 - Google Patents
道路边界识别方法和装置 Download PDFInfo
- Publication number
- CN112912894B CN112912894B CN202180000361.4A CN202180000361A CN112912894B CN 112912894 B CN112912894 B CN 112912894B CN 202180000361 A CN202180000361 A CN 202180000361A CN 112912894 B CN112912894 B CN 112912894B
- Authority
- CN
- China
- Prior art keywords
- road boundary
- points
- road
- coverage
- point
- 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 55
- 230000000875 corresponding effect Effects 0.000 claims description 57
- 238000012545 processing Methods 0.000 claims description 39
- 230000011218 segmentation Effects 0.000 claims description 25
- 230000009191 jumping Effects 0.000 claims description 24
- 230000002596 correlated effect Effects 0.000 claims description 15
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 abstract description 4
- 230000007774 longterm Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008447 perception Effects 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000007717 exclusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种道路边界识别方法和装置,属于智能驾驶技术领域。该方法包括:对多个道路边界点聚类得到多个集合,多个集合中的第一集合包括至少一个跳变组,每个跳变组包括第一道路边界点和第二道路边界点;对第一集合中的多个道路边界点按照第一方向排序,第一道路边界点和第二道路边界点之间的距离大于等于预设距离;根据至少一个跳变组将第一集合分割为对应于不同道路边界的第二集合和第三集合。通过对集合进行分割,分割后的两个集合分别对应于不同的道路边界,使得道路边界的识别更加准确。该方法提升了终端在自动驾驶或者辅助驾驶中的高级驾驶辅助系统ADAS能力,可以应用于车联网,如车辆外联V2X、车间通信长期演进技术LTE‑V、车辆‑车辆V2V等。
Description
技术领域
本申请涉及智能驾驶技术领域,具体涉及道路边界识别方法和装置。
背景技术
随着社会的发展,智能运输设备、智能家居设备、机器人等智能终端正在逐步进入人们的日常生活中。传感器在智能终端上发挥着十分重要的作用。安装在智能终端上的各式各样的传感器,比如毫米波雷达,激光雷达,摄像头,超声波雷达等,在智能终端的运动过程中感知周围的环境,收集数据,进行移动物体的辨识与追踪,以及静止场景如车道线、标示牌的识别,并结合导航仪及地图数据进行路径规划。传感器可以预先察觉到可能发生的危险并辅助甚至自主采取必要的规避手段,有效增加了智能终端的安全性和舒适性。
智能驾驶技术包括感知、决策、控制等阶段。感知模块是智能车辆的“眼睛”,感知模块接收周围环境信息,通过机器学习技术了解认知所处的环境。决策模块利用感知模块输出的信息,对交通参与者的行为进行预测,从而对自车进行行为决策。控制模块根据决策模块的输出计算车辆的横向加速度和纵向加速度,控制自车通行。
道路边界识别在智能驾驶中扮演着重要的角色。根据识别的道路边界可以提供辅助信息,降低对目标误检的可能性,提高目标检测的准确度。如何提高道路边界识别的准确度,是目前亟待解决的问题。
发明内容
本申请提供一种道路边界识别方法和装置,能够提高道路边界识别的准确度。
第一方面,提供了一种道路边界识别方法,包括:获取道路识别信息,所述道路识别信息包括多个道路边界点;对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点;对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离;根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
在对多个道路边界点的聚类结果中第一集合中,在第一方向上相邻的两个道路边界点之间的距离大于或等于预设距离时,可以认为该两个道路边界点不是对应于同一个道路边界,该两个道路边界点位于一个跳变组中。
当第一集合中包括至少一个跳变组时,对第一集合进行分割,以得到对应于不同道路边界的两个集合。从而能够提高道路边界识别的准确度。
第一集合对应于多个道路边界,如果选取符合道路边界一般表示方式的曲线表达形式进行曲线拟合,可能导致拟合的曲线与道路边界差距较大,道路边界识别不准确。
对于不同道路边界的集合中的道路边界点,可以分别进行曲线拟合。将对应于多个道路边界的集合进行分割,以使得分割后的每个集合对应于一个道路边界。对各个分割后的集合中的道路边界点分别进行曲线拟合。由于分割后的集合对应于一个道路边界,曲线拟合过程中曲线表达式选取符合道路边界一般表示方式的形式,可以较为准确的表示道路边界,提高道路边界识别的准确度。
结合第一方面,在一些可能的实现方式中,所述至少一个跳变组的数量为多个,所述根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,包括:确定分割线,对于每个所述跳变组,所述第一道路边界点与所述第二道路边界点分别位于所述分割线的两侧;根据所述分割线,将所述第一集合分割为所述第二集合和所述第三集合,所述第二集合中的道路边界点和所述第三集合中的道路边界点分别是所述第一集合中位于所述分割线不同侧的道路边界点。
根据第一集合中每个跳变组组中分别为位置跳变前后的两个道路边界点,确定分割线,并利用分割线对第一集合进行分割,使得分割后的集合中的各个道路边界点更加符合分割后的集合与道路边界点的对应关系,提高道路边界识别的准确度。
结合第一方面,在一些可能的实现方式中,所述确定分割线,包括:确定多个分割点,所述多个分割点与所述多个跳变组一一对应,每个所述分割点位于所述分割点对应的所述跳变组中所述第一道路边界点与所述第二道路边界点的中点;根据所述多个分割点,确定所述分割线。
根据各个跳变组中两个发生跳变的道路边界点的中点确定分割线,提供了一种较为简便的分割线确定方式。
结合第一方面,在一些可能的实现方式中,所述方法还包括:确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上;在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与所述拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
在确定道路边界时,增加对于排斥距离的考量,从而使得道路边界尽可能位于第二集合中各个道路边界点的一侧。并且,选取最靠近车辆的道路边界点作为覆盖曲线上的一点,在各个覆盖曲线中确定道路边界,从而使得确定的道路边界为道沿靠近车辆的边缘,从而使得识别的道路边界更加符合车辆行驶的需求,即使得道路边界识别的准确度提高。
结合第一方面,在一些可能的实现方式中,所述方法还包括:在直角坐标系下,对所述第二集合中的所述道路边界点进行拟合,以得到所述第一道路边界,所述直角坐标系的横坐标轴与直线连接线平行,所述直线连接线的两个端点分别为所述第二集合中与车辆距离最近和最远的两个所述道路边界点,所述道路识别信息是所述车辆采集的。
结合第一方面,在一些可能的实现方式中,所述第一方向为车辆的行驶方向,所述道路识别信息是所述车辆采集的。
第一方向可以是任意方向。在一些实施例中,第一方向可以是车辆的行驶方向。车辆的行驶方向是车辆行驶过程中最为关注的方向。将车辆的行驶方向作为第一方向,更为符合车辆行驶的需求。
另外,道路识别信息可以是车辆采集的,车辆可以建立自车坐标系表示道路识别信息。一般情况下,车辆的行驶方向是自车坐标系的一个坐标轴,将第一集合中的各个道路边界点按照第一方向进行排序,可以理解为根据第一集合中的各个道路边界点在该坐标轴的坐标大小,从而对该各个道路边界点进行排序,排序的方式运算量较小,容易实现。
第二方面,提供了一种道路边界识别装置,包括:获取模块和处理模块;所述获取模块用于,获取道路识别信息,所述道路识别信息包括多个道路边界点;所述处理模块用于对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点;所述处理模块还用于,对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离;所述处理模块用于,根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
结合第二方面,在一些可能的实现方式中,所述至少一个跳变组的数量为多个,所述处理模块用于,确定分割线,对于每个所述跳变组,所述第一道路边界点与所述第二道路边界点分别位于所述分割线的两侧;所述处理模块用于,根据所述分割线,将所述第一集合分割为所述第二集合和所述第三集合,所述第二集合中的道路边界点和所述第三集合中的道路边界点分别是所述第一集合中位于所述分割线不同侧的道路边界点。
结合第二方面,在一些可能的实现方式中,所述处理模块用于,确定多个分割点,所述多个分割点与所述多个跳变组一一对应,每个所述分割点位于所述分割点对应的所述跳变组中所述第一道路边界点与所述第二道路边界点的中点;所述处理模块用于,根据所述多个分割点,确定所述分割线。
结合第二方面,在一些可能的实现方式中,所述处理模块用于,确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上;所述处理模块用于,在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与所述拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
结合第二方面,在一些可能的实现方式中,所述处理模块用于,在直角坐标系下,对所述第二集合中的所述道路边界点进行拟合,以得到所述第一道路边界,所述直角坐标系的横坐标轴与直线连接线平行,所述直线连接线的两个端点分别为所述第二集合中与车辆距离最近和最远的两个所述道路边界点,所述道路识别信息是所述车辆采集的。
结合第二方面,在一些可能的实现方式中,所述第一方向为车辆的行驶方向,所述道路识别信息是所述车辆采集的。
第三方面,提供一种道路边界识别装置,其特征在于,包括至少一个存储器和至少一个处理器,所述至少一个存储器用于存储程序,所述至少一个处理器用于运行所述程序,以实现第一方面所述的方法。
第四方面,提供一种芯片,其特征在于,包括至少一个处理器和接口电路,所述接口电路用于为所述至少一个处理器提供程序指令或者数据,所述至少一个处理器用于执行所述程序指令,以实现第一方面所述的方法。
第五方面,提供一种计算机可读存储介质,其特征在于,所述计算机可读介质存储用于设备执行的程序代码,该程序代码被所述设备执行时,实现第一方面所述的方法。
第六方面,提供一种计算机程序产品,所述计算机程序产品包括计算机程序,当所述计算机程序产品被计算机执行时,该计算机执行前述第一方面中的方法。
应理解,本申请中,第一方面的方法具体可以是指第一方面以及第一方面中各种实现方式中的任意一种实现方式中的方法。
第七方面,提供一种终端,包括第二方面或第三方面所述的道路边界识别装置。
进一步,该终端可以为智能运输设备(车辆或者无人机)、智能家居设备、智能制造设备或者机器人等。该智能运输设备例如可以是自动导引运输车(automated guidedvehicle,AGV)、或无人运输车。
附图说明
图1是多条道路场景的示意图。
图2是本申请实施例提供的一种道路边界识别方法的示意性流程图。
图3是本申请实施例提供的道路边界点聚类结果的示意图。
图4是本申请实施例提供的跳变组的示意图。
图5是本申请实施例提供的分割点的示意图。
图6是本申请实施例提供的集合分割结果的示意图。
图7是本申请实施例提供的局部坐标系的示意图。
图8是本申请实施例提供的道路边界线划分是示意图。
图9是本申请实施例提供的一种道路边界识别装置的示意性结构图。
图10是本申请实施例提供的另一种道路边界识别装置的示意性结构图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本申请实施例所提供的道路边界识别方法和装置可以应用于智能驾驶车辆。下面结合附图,对本申请实施例的技术方案进行介绍。
道路边界识别的准确度影响着智能驾驶的安全性。
根据摄像头或雷达等传感器采集的信息,可以确定道路边界点。对道路边界点进行聚类,对每一类的道路边界点分别进行曲线拟合。每一类对应的曲线即为该类对应的道路边界。当摄像头或雷达等传感器进行信息采集的区域中仅有一条道路时,可以确定道路两侧的边界。
但是,车辆位于图1所示的匝道口或路口等存在多条道路的情况下,由于聚类结果中存在一些类别包括对应于多个道路的道路边界点,该类别中的道路边界点的位置可能与对应于一个道路的道路边界点的形状具有较大的区别。对该类别中的道路边界点进行曲线拟合,拟合结果与实际的道路边界存在较大差异,无法准确确定道路边界。
为了解决上述问题,本申请实施例提供了一种道路识别方法和装置。
图2是本申请实施例提供的一种道路边界识别方法的示意性流程图。
在S310,获取道路识别信息,所述道路识别信息包括多个道路边界点。
道路识别信息可以是传感器采集的。或者,也可以是对传感器采集的信息进行处理得到的。
传感器可以是雷达、摄像头等。也就是说,道路边界点可以是根据雷达采集的信息或摄像头采集的环境图像确定的。雷达、摄像头可以设置在车辆上,该车辆可以理解为自车。
雷达可以是激光雷达或毫米波雷达。雷达对周边环境的多个方向进行探测,从而获得每个方向的目标与自车的距离(该距离也可以称为深度)。根据各个探测方向对应的深度,雷达可以输出深度图。深度图也可以称为点云数据。
该深度图可以作为道路识别信息。或者,可以对深度图进行处理,以得到道路识别信息。根据道路的高度较低以及道路边界连续的特点,可以确定深度图中的多个道路边界点,从而确定道路识别信息。
对摄像头采集的环境图像利用神经网络或其他算法进行处理,可以确定道路识别信息。
道路识别信息可以是平面图像,该平面图像所在的平面可以是水平面。该平面图像可以是占据栅格图(occupied grid map,OGM)。占据栅格图中的每个栅格用于表示车辆周围环境的水平面中的一个位置,被占据的栅格即该栅格表示的位置为道路边界点,反之,未被占据的栅格即该栅格表示的位置不是道路边界点。
在S320,对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点。
基于道路边界的连续性特征,距离小于一定距离阈值的两个道路边界点一般可以认为属于同一个集合,从而可以对该多个道路边界点进行聚类,以得到多个集合。
可以利用具有噪声的基于密度的聚类算法(density-based spatial clusteringof applications with noise,DBSCAN)、K均值聚类算法(K-Means)等聚类方法对该多个道路边界点进行聚类。
可以根据类内距离最小,类间距离最大的原则,对该多个道路边界点进行聚类。在聚类过程中可以预设置距离阈值,通过区域生长算法,将与某个集合中的道路边界点距离小于或等于距离阈值的道路边界点合并到该集合,从而对集合进行更新。根据一个集合之外的道路边界点对该集合不断的更新,确定最终的集合。一般情况下,每个集合中的道路边界点连续。
聚类结果中的每个集合,可以理解为一个类。如图3所示,是经过聚类后得到的多个集合,即集合1、集合2、集合3。在匝道口、路口等环境下,聚类结果会存在欠分割的情况。如图3所示,集合3将属于不同道路的道路边界点聚类为属于同一集合。从而,无法对不同道路的边界进行区分,即无法识别不同的道路。另外,对于包括属于不同道路的道路边界点的集合,曲线拟合时曲线曲率会较大,不符合道路的参数约束,使得道路边界的函数表达式不准确。
在S330,对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离。
对第一集合中的多个道路边界点按照第一方向排序,可以理解为,根据第一集合中的各个道路边界点在第一方向上的投影的先后顺序,对第一集合中的各个道路边界点进行排序。
对于每个跳变组,第一道路边界点和第二道路边界点沿所述第一方向相邻,也就是说,在对第一集合中的各个道路边界点按照第一方向的排序结果中,第一道路边界点和第二道路边界点相邻。
第一方向可以是任意方向。在一些实施例中,第一方向可以是车辆的行驶方向。车辆的行驶方向是车辆行驶过程中最为关注的方向。将车辆的行驶方向作为第一方向,更为符合车辆行驶的需求。
另外,道路识别信息可以是车辆采集的,车辆可以建立自车坐标系表示道路识别信息。一般情况下,车辆的行驶方向是自车坐标系的一个坐标轴,将第一集合中的各个道路边界点按照第一方向进行排序,可以理解为根据第一集合中的各个道路边界点在该坐标轴的坐标大小,从而对该各个道路边界点进行排序,排序的方式运算量较小,容易实现。
一般情况下,道路边界点可以是道沿上的点。道沿一般具有一定的宽度,即在第一方向上相邻的两个道路边界点之间可能存在一定距离,该距离一般不超过道沿的宽度。当两个在第一方向上相邻的道路边界点之间存在较大的距离时,可以认为这两个道路边界点发生了跳变,即这两个道路边界点对应于不同的道路边界。
可以对在第一方向上相邻的两个道路边界点之间的距离进行限制,判断该排序结果中各个道路边界点与相邻的道路边界点之间的距离是否大于或等于预设距离。当该两个道路边界点之间的距离大于或等于预设距离时,可以认为该两个道路边界点发生了跳变,该两个道路边界点可以理解为一个跳变组。该两个道路边界点可以理解为跳变前后的两个道路边界点。
通过确定第一集合中的跳变组,可以确定第一集合对应的道路边界不是仅仅一个。
应当理解,第一集合中可以包括多个跳变组。不同的跳变组可以包括或不包括相同的道路边界点。
可以建立如图4所示的平面直角坐标系,车辆质心为原点,x轴方向为车辆行驶的方向,y轴方向与车辆行驶方向垂直。第一方向可以是x轴方向。车辆行驶方向是车辆行驶过程中最为关注的方向。将车辆行驶方向即x方向作为第一方向,自车坐标系的坐标轴与第一方向的方向重合,使得对于集合中各个道路边界点的排序更为容易,简化跳变组的确定所需的运算量。
将集合中的道路边界点按照x坐标递增的顺序进行排序。道路边界点Pn-1、Pn、Pn+1、Pn+2、Pn+3的x坐标依次增加,在排序结果中两两相邻。Pn、Pn+1之间的距离大于或等于预设距离D,则一个跳变组包括Pn和Pn+1,Pn可以理解为跳变点。Pn+2、Pn+3之间的距离大于或等于预设距离D,则另一个跳变组包括Pn+2、Pn+3。
在一些实施例中,可以计算排序结果中相邻两个道路边界点的y轴坐标的差值。当两个道路边界点的y轴坐标的差值△y大于或等于预设距离D时,该两个道路边界点之间的距离大于或等于预设距离D。
如图4所示,Pn、Pn+1的y轴坐标的差值△y大于预设距离D。
如图3所示的聚类结果,集合3包括跳变组,可以将集合3作为第一集合,进行后续步骤。
对于不包括跳变组的集合,可以不再进行S340。
在S340,根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
通过S310至S340,对多个道路边界点的聚类结果中第一集合中的各个道路边界点按照第一方向排序,确定第一集合是否存在跳变组,跳变组中的两个道路边界点在排序结果中相邻,且距离大于或等于预设距离。当存在跳变组时,根据跳变组对第一集合进行分割,以得到对应于不同道路边界的两个集合。从而,提高了道路边界识别的准确度。
可以在确定第一集合存在跳变组时,将一个跳变组中的第一道路边界点和第二道路边界点分别作为两个类别,对第一集合进行聚类,以得到第二集合和第三集合。第一道路边界点和第二道路边界点分别属于第二集合和第三集合。
或者,在第一集合中跳变组为多个的情况下,可以根据每个所述跳变组中第一道路边界点的位置与第二道路边界点的位置,确定分割线,以使得对于每个跳变组,第一道路边界点与第二道路边界点分别位于该分割线的两侧。
可以根据分割线,将所述第一集合分割为第二集合和第三集合,第二集合中的道路边界点和第三集合中的道路边界点分别是第一集合中位于分割线不同侧的道路边界点。
根据第一集合中每个跳变组组中分别为位置跳变前后的两个道路边界点,确定分割线,并利用分割线对第一集合进行分割,使得分割后的集合中的各个道路边界点更加符合分割后的集合与道路边界点的对应关系,提高道路边界识别的准确度。
在一些实施例中,可以确定多个分割点。该多个分割点与第一集合中的多个跳变组一一对应,每个分割点位于该分割点对应的跳变组中第一道路边界点与第二道路边界点的中点。可以根据所述多个分割点,确定所述分割线。
也就是说,在第一集合中,每个跳变组对应于一个分割点。每个分割点可以是分别以该分割点对应的跳变组中第一道路边界点和第二道路边界点为端点的直线段的中点。
如图5所示,以Pn、Pn+1为两个端点的直线段的中点Ps1为一个分割点。以Pn+2、Pn+3为两个端点的直线段的中点Ps2为另一个分割点。
可以将每个跳变组中两个发生跳变的道路边界点连线的中点作为分割点。根据多个跳变组中每个跳变组对应的分割点,可以确定分割线。例如,可以对该多个中点进行曲线拟合,以得到该分割线。
分割线可以通过函数的形式表示。可以利用最小二乘法(least squaresmeasurement,LSM)进行直线拟合,以确定分割线。
分割线可以表示为y=k1x+b1,k1、b1为待求解的参数。
各个分割点与分割线之间的距离的平方之和S(β)可以表示为:
S(β)=||Y-Xβ||
其中,m为通过S423确定的分割点的数量,该m个分割点中第i个分割点Psi可以表示为(xi,yi),
利用分割线,可以将第一集合分割为第二集合和第三集合这两个集合,分割后的两个集合中的道路边界点分别是包括分割前的集合中位于分割线两次侧的道路边界点。
根据各个跳变组中两个发生跳变的道路边界点的中点确定分割线,提供了一种较为简便的分割线确定方式。
图3所示的集合3可以被分割为集合4和集合5,如图6所示。
在通过S340将第一集合分割为第二集合和第三集合之后,可以确定第二集合和第三集合分别对应的道路边界。道路边界可以通过曲线表示,也可以称为道路边界线。以确定第二集合对应的道路边界为例进行说明。
在一些实施例中,可以建立直角坐标系,采用一次函数或多次函数表示道路边界。
在一些场景下,由于无法满足x坐标到y坐标的唯一映射,利用三次多项式表示道路边界线可能会出现错误。
可以将第二集合中与车辆距离最近和最远的两个道路边界点通过直线连接线连接。该直角坐标系的横坐标轴与该直线连接线平行。
之后,可以在在该直角坐标系下,对第二集合中的道路边界点进行拟合,以得到第一道路边界。
通过使得直角坐标系的横坐标轴与第二集合中距离车辆最近和最远的两个道路边界点的直线连接线平行,能够尽可能使得在该直角坐标系下横坐标到纵坐标的映射唯一,提高曲线拟合得到的道路边界线的准确度。
在一些场景下,存在以车辆行驶方向为x轴的自车坐标系或其他初始坐标系。该直角坐标系也可以理解为局部坐标系。该直角坐标系的原点可以与初始直角坐标系的原点重合,以简化该直角坐标系的表示方式。
可以改变直角坐标系的方向,以直线连接线集合中连接距离自车最远和最近的两个道路边界点,该直线连接线和x轴的夹角为yaw。如图7所示,将原直角坐标系旋转角度yaw构建新的局部直角坐标系。新的局部直角坐标系的原点和原直角坐标系的原点重合,新的局部直角坐标系的x轴方向与原直角坐标系的x轴之间的夹角为yaw。在新的局部直角坐标系下进行曲线拟合,拟合得到的曲线在新的局部坐标系下坐标x到坐标y的映射唯一。
对于各个集合,均可以以距离车辆最近和最远的两个道路边界点的直线连接线平行的方向为横坐标轴建立直角坐标系的方式,从而对该集合中的道路边界点进行拟合,以得到该集合对应的道路边界。
可以采用随机抽样一致算法(random sample consensus,RANSAC)或利用最小二乘法对第二集合中的道路边界进行拟合。
采用RANSAC算法,可以在第二集合中确定多个覆盖集合,每个覆盖集合包括第二集合中的多个道路边界点。例如,每个覆盖集合可以包括第二集合中预设数量的道路边界点。该预设数量可以是根据用于表示道路边界的函数形式确定的。例如,以直线y=kx+b表示道路边界,道路边界的函数表达式中包括两个参数k、b。确定该道路边界的函数表达式所需的道路边界点的预设数量为2;以三次函数曲线y=a3x3+a2x2+a1x+a0表示道路边界,道路边界的函数表达式中包括四个参数a3、a2、a1、a0。确定该道路边界的函数表达式所需的道路边界点的预设数量为4。
可以确定每个覆盖集合确定该覆盖集合对应的覆盖曲线。覆盖集合中的各个道路边界点均位于该覆盖集合对应的覆盖曲线上。
之后,可以确定每个覆盖曲线的评分。覆盖曲线的评分与该覆盖曲线对应的内群点的数量正相关。覆盖曲线对应的内群点是第二集合中与该覆盖曲线之间的距离小于或等于预设阈值的道路边界点。
可以根据各个覆盖曲线的评分,在多个覆盖曲线中确定评分最大的覆盖曲线为第二集合对应的第一道路边界。
以道路边界线的函数形式是直线为例进行说明。
应当理解,道路边界线的函数形式是直线,即通过RANSAC实现了直线拟合。直线拟合也可以称为线性拟合,是曲线拟合的一种形式。
随机在第二集合中挑选2个道路边界点作为覆盖点p1(x1,y1)、p2(x2,y2)。
覆盖曲线的直线方程为y=k2x+b2,其中,
确定集合中与该覆盖曲线距离小于预设阈值的道路边界点的内群点的数量N,并将内群点的数量N作为评分。
分别计算集合中除覆盖点之外其他道路边界点与覆盖曲线之间的距离,并记录内群点的数量N,N为正整数。内群点是集合中使得该距离小于预设距离的道路边界点。
道路边界点pi(xi,yi)到覆盖曲线y=k2x+b2的距离可以表示为:
重复进行覆盖点的随机挑选和所选取覆盖点的评分计算,在多组选取的覆盖点中确定使得评分最大的一组覆盖点对应的覆盖曲线作为道路边界。
城市道路的道沿位于道路的边缘处或者中间地带会建得比道路高出一些,一个集合中的道路边界点可以是道沿上的点,而具有一定宽度,也就是说道路边界点一般是一定宽度范围内的点。
采用RANSAC算法确定一个集合对应的道路边界,一般位于该集合中各个道路边界点的中间位置,即该道路边界为道沿的中心线。相比于将道沿的中心线,将道沿位于靠近车辆一侧的边缘作为道路边界,对于车辆行驶更具有实际意义。
可以对RANSAC算法进行改进。
可以确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上。
在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与所述拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
具体地,可以在选取覆盖集合中的覆盖点时,将第二集合中距离车辆最近的第三道路边界点作为一个覆盖点,并在随机第二集合中随机挑选其他道路边界点作为覆盖点。覆盖集合中覆盖点的数量根据道路边界的函数形式确定。例如,函数形式为一次多项式的道路边界选取的覆盖点的数量可以是2,函数形式为三次多项式的道路边界选取的覆盖点的数量可以是4。
可以计算每个覆盖曲线对应的排斥距离S。覆盖集合中的各个覆盖点均位于覆盖曲线上。覆盖曲线对应的排斥距离S用于表示第二集合中的各个道路边界点与该覆盖曲线之间的有向距离之和。有向距离通过正负表示道路边界点相对于覆盖曲线的方向。也就是说,位于覆盖曲线的一侧的道路边界点的有向距离为正,位于覆盖曲线的另一侧的道路边界点的有向距离为负。
可以计算每个覆盖曲线对应的评分,评分与排斥距离S的绝对值正相关,且与内群点数量N正相关。
在一些实施例中,评分可以表示为s=q1|S|+q2N,其中,q1、q2为预设的系数。
重复进行覆盖集合确定以确定多个覆盖曲线,计算每个覆盖曲线的评分计算,在多个覆盖曲线中确定使得评分s最大的一组覆盖曲线作为道路边界。
在确定道路边界时,增加对于排斥距离的考量,从而使得道路边界尽可能位于第二集合中各个道路边界点的一侧。并且,选取最靠近车辆的道路边界点作为覆盖曲线上的一点,在各个覆盖曲线中确定道路边界,从而使得确定的道路边界为道沿靠近车辆的边缘。通过对RANSAC算法的改进,可以使得确定的道路边界更加符合车辆驾驶的需求。
对于其他集合,也可以采用改进的RANSAC算法进行处理,以确定每个集合对应的道路边界。
通过S310至S340,完成了对道路边界线的识别。之后,还可以根据道路边界线,进行道路模型构建。
具体地,可以进行S351至S355。
在S351,对每一条道路边界线划分为多个子线段。
可以以道路边界线的一端作为子线段的初始起点,按照单位长度进行搜索。可以通过以起点为圆心以单位长度为半径(r)的单位圆与道路边界线的交点,来获取子线段的终点。子线段可以是该起点与该终点的直线连接线。可以将该终点作为下一个子线段的起点继续进行搜索,从而可以将道路边界线划分为多个子线段。
在S352,将分别属于不同的道路边界线的两个子线段进行关联,如果该两个子线段平行,则关联成功,否则关联失败。
应当理解,平行,可以是近似平行。
对每个子线段,也可以通过该子线段的法线寻找与该子线段平行的子线段。子线段法线与该子线段垂直。
如图8所示,对道路边界线1010进行划分,得到子线段S1至子线段S4。对道路边界线1020进行划分,得到子线段S5至子线段S8。如果子线段S1的法线与子线段S5的法线平行,则认为子线段S1与子线段S5平行,S1与S5关联成功,反之则S1与S5关联失败。若关联成功则依次判断其他子线段S2、S3、S4…的关联结果。
在S353,根据两个道路边界线关联成功的子线段比例,确定两个道路边界线是否平行。
对于两个道路边界线,统计每个道路边界线的子线段数量及该道路边界线中关联成功的子线段数量,如果至少一个道路边界线的子线段关联成功的比例达到预设比例,则判定为两个道路边界线平行。该预设比例例如可以是80%。
应当理解,平行的两个道路边界线分别为一条道路的两个边界。
如图6所示的各个集合,集合4对应的道路边界线与集合1对应的道路边界线平行,集合5对应的道路边界线与集合2对应的道路边界线平行。
在一些情况下,判定为平行的两个道路边界线,其中一个道路边界线中关联成功的子线段的比例达到预设比例,该另一个道路边界线中,子线段关联成功的子线段的比例较低。
如图6所示,对于集合4对应的道路边界线,可能超过80%的子线段与集合1对应的道路边界线中的子线段平行。而对于集合1对应的道路边界线,可能仅有比例很低的一部分子线段与集合4对应的道路边界线中的子线段平行。
判定为平行的两个道路边界线,其中一个道路边界线中关联成功的子线段的比例达到预设比例,该另一个道路边界线中关联成功的子线段比例较低,未达到预设比例的情况下,可以将联成功的子线段比例较低的道路边界线中与未关联成功的子线段划分为另一段新的道路边界线,与其他道路边界线中的子线段进行关联。
集合1对应的道路边界线除去与集合4对应的道路边界线平行的部分的其他子线段,可以作为新的道路边界线与其他道路边界线中的子线段进行关联。同理,集合2对应的道路边界线除去与集合5对应的道路边界线平行的部分的其他子线段,可以作为新的道路边界线与其他道路边界线中的子线段进行关联。
如果判断从集合1对应的道路边界线中确定的新的道路边界线与集合2对应的道路边界线中确定的新的道路边界线平行,可以确定图6所示的点集1、点集2、点集4、点集5对应于三组平行的道路边界线,即确定了3条道路。
应当理解,经过划分后,集合1对应的道路边界线为两条,其中一条道路边界线包括与集合4对应的道路边界线平行的子线段,另一条道路边界线包括与集合2对应的道路边界线平行的子线段。集合2对应的道路边界线也是两条,其中一条道路边界线包括与集合5对应的道路边界线平行的子线段,另一条道路边界线包括与集合1对应的道路边界线平行的子线段。
在S354,对于平行的两个道路边界线,将该两个道路边界线中各个平行的子线段的平均距离作为道路宽度w。
在S355,构建道路模型。
平行的道路边界线组的数量即道路的数量,根据每组平行的道路边界线中任一条道路边界线的函数表达式参数以及每个道路的宽度、道路的起始、终止位置,可以建立道路模型。
例如,对于n条道路场景,以三次多项式对集合中的道路边界点进行拟合,第i条道路的一条道路边界线表示为y=a0ix3+a1ix2+a2ix+a3i,i小于等于n,i为正整数。该第i条道路边界线的函数表达式的局部坐标系是对以车辆行驶方向为x轴的自车坐标系旋转角度yawi得到的,该道路边界线在局部坐标系中的起始位置的x坐标为xsi,终止位置的x坐标为xei,该第i条道路的另一条边界可以通过第i条道路的该一条道路边界线y=a0ix3+a1ix2+a2ix+a3i以及道路宽度wi确定。该n条道路场景的道路模型可以表示为:
上文结合图1至图8的描述了本申请实施例的方法实施例,下面结合图9至图10,描述本申请实施例的装置实施例。应理解,方法实施例的描述与装置实施例的描述相互对应,因此,未详细描述的部分可以参见前面方法实施例。
本申请实施例提供的道路边界识别方法提升了终端在自动驾驶或者辅助驾驶中的高级驾驶辅助系统(advanced driving assistance system,ADAS)能力,可以应用于车联网,如车辆外联(vehicle to everything,V2X)、车间通信长期演进技术(long termevolution-vehicle,LTE-V)、车辆-车辆(vehicle to vehicle,V2V)等。
图9是本申请实施例提供的一种道路边界识别装置的示意性结构图。
道路边界识别装置2000包括获取模块2010和处理模块2020。
获取模块2010用于,获取道路识别信息,所述道路识别信息包括多个道路边界点。
处理模块2020用于对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点。
处理模块2020还用于,对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离。
处理模块2020还用于,根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
可选地,所述至少一个跳变组的数量为多个。
处理模块2020还用于,确定分割线,对于每个所述跳变组,所述第一道路边界点与所述第二道路边界点分别位于所述分割线的两侧。
处理模块2020还用于,根据所述分割线,将所述第一集合分割为所述第二集合和所述第三集合,所述第二集合中的道路边界点和所述第三集合中的道路边界点分别是所述第一集合中位于所述分割线不同侧的道路边界点。
可选地,处理模块2020还用于,确定多个分割点,所述多个分割点与所述多个跳变组一一对应,每个所述分割点位于所述分割点对应的所述跳变组中所述第一道路边界点与所述第二道路边界点的中点。
处理模块2020还用于,根据所述多个分割点,确定所述分割线。
可选地,处理模块2020还用于,确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上。
处理模块2020还用于,在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与所述拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
可选地,处理模块2020还用于,在直角坐标系下,对所述第二集合中的所述道路边界点进行拟合,以得到所述第一道路边界,所述直角坐标系的横坐标轴与直线连接线平行,所述直线连接线的两个端点分别为所述第二集合中与车辆距离最近和最远的两个所述道路边界点,所述道路识别信息是所述车辆采集的。
可选地,所述第一方向为车辆的行驶方向,所述道路识别信息是所述车辆采集的。
图10是本申请实施例提供的一种道路边界识别装置的示意性结构图。
道路边界识别装置3000包括至少一个存储器3010和至少一个处理器3020,所述至少一个存储器用于存储程序,所述至少一个处理器用于运行所述程序,以实现前文所述的道路边界识别方法。
具体地,至少一个处理器3020用于实现图2所示的路边界识别方法。
道路边界识别装置2000、道路边界识别装置3000可为具有道路边界识别功能的车辆,或者为具有道路边界识别功能的其他部件。该道路边界识别装置包括但不限于:车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或车载摄像头等其他传感器,车辆可通过该车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或摄像头,实施本申请提供的方法。
道路边界识别装置还可以为除了车辆之外的其他具有道路边界识别功能的智能终端,或设置在除了车辆之外的其他具有道路边界识别功能的智能终端中,或设置于该智能终端的部件中。该智能终端可以为智能运输设备、智能家居设备、机器人等其他终端设备。该道路边界识别装置包括但不限于智能终端或智能终端内的控制器、芯片、雷达或摄像头等其他传感器、以及其他部件等。
道路边界识别装置2000、道路边界识别装置3000可以是一个通用设备或者是一个专用设备。在具体实现中,该装置还可以台式机、便携式电脑、网络服务器、掌上电脑(personal digital assistant,PDA)、移动手机、平板电脑、无线终端设备、嵌入式设备或其他具有处理功能的设备。本申请实施例不限定该…装置的类型。
道路边界识别装置2000、道路边界识别装置3000还可以是具有处理功能的芯片或处理器,该道路边界识别装置可以包括多个处理器。处理器可以是一个单核(single-CPU)处理器,也可以是一个多核(multi-CPU)处理器。该具有处理功能的芯片或处理器可以设置在传感器中,也可以不设置在传感器中,而设置在传感器输出信号的接收端。
应理解,本申请实施例中的处理器可以为中央处理单元(central processingunit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digital signalprocessor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(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。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
还应理解,本申请实施例中的存储器可以是易失性存储器或非易失性存储器,或可包括易失性和非易失性存储器两者。其中,非易失性存储器可以是只读存储器(read-only memory,ROM)、可编程只读存储器(programmable ROM,PROM)、可擦除可编程只读存储器(erasable PROM,EPROM)、电可擦除可编程只读存储器(electrically EPROM,EEPROM)或闪存。易失性存储器可以是随机存取存储器(random access memory,RAM),其用作外部高速缓存。通过示例性但不是限制性说明,许多形式的随机存取存储器(random accessmemory,RAM)可用,例如静态随机存取存储器(static RAM,SRAM)、动态随机存取存储器(DRAM)、同步动态随机存取存储器(synchronous DRAM,SDRAM)、双倍数据速率同步动态随机存取存储器(double data rate SDRAM,DDR SDRAM)、增强型同步动态随机存取存储器(enhanced SDRAM,ESDRAM)、同步连接动态随机存取存储器(synchlink DRAM,SLDRAM)和直接内存总线随机存取存储器(direct rambus RAM,DR RAM)。
上述各个附图对应的流程的描述各有侧重,某个流程中没有详述的部分,可以参见其他流程的相关描述。
本申请实施例还提供一种计算机可读存储介质,其特征在于,所述计算机可读存储介质具有程序指令,当所述程序指令被直接或者间接执行时,使得前文中的方法得以实现。
本申请实施例还提供了一种包含指令的计算机程序产品,当其在计算设备上运行时,使得计算设备执行前文中的方法,或者使得所述计算设备实现前文中的装置的功能。
本申请实施例还提供一种芯片系统,其特征在于,所述芯片系统包括至少一个处理器,当程序指令在所述至少一个处理器中执行时,使得前文中的方法得以实现。
本申请实施例还提供一种雷达系统,用于为车辆提供道路边界识别功能。其包含至少一个本申请上述实施例提到的道路边界识别装置,该系统内的至少一个道路边界识别装置可以集成为一个整机或设备,或者该系统内的至少一个道路边界识别装置也可以独立设置为元件或装置。
本申请实施例还提供一种传感器系统,用于为车辆提供道路边界识别功能。其包含至少一个本申请上述实施例提到的道路边界识别装置,以及,摄像头或雷达等其他传感器中的至少一个,该系统内的至少一个传感器装置可以集成为一个整机或设备,或者该系统内的至少一个传感器装置也可以独立设置为元件或装置。
本申请实施例还提供一种系统,应用于无人驾驶或智能驾驶中,其包含至少一个本申请上述实施例提到的道路边界识别装置,以及摄像头、雷达等传感器其他传感器中的至少一个,该系统内的至少一个装置可以集成为一个整机或设备,或者该系统内的至少一个装置也可以独立设置为元件或装置。
进一步,上述任一系统可以与车辆的中央控制器进行交互,为所述车辆驾驶的决策或控制提供探测和/或融合信息。
本申请实施例还提供一种车辆,所述车辆包括至少一个本申请上述实施例提到的道路边界识别装置或上述任一系统。
本申请实施例还提供一种终端,包括前文所述的道路边界识别装置。
进一步,该终端可以为智能运输设备(车辆或者无人机)、智能家居设备、智能制造设备或者机器人等。该智能运输设备例如可以是自动导引运输车(automated guidedvehicle,AGV)、或无人运输车。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
在本说明书中使用的术语“部件”、“模块”、“系统”等用于表示计算机相关的实体、硬件、固件、硬件和软件的组合、软件、或执行中的软件。例如,部件可以是但不限于,在处理器上运行的进程、处理器、对象、可执行文件、执行线程、程序和/或计算机。通过图示,在计算设备上运行的应用和计算设备都可以是部件。一个或多个部件可驻留在进程和/或执行线程中,部件可位于一个计算机上和/或分布在2个或更多个计算机之间。此外,这些部件可从在上面存储有各种数据结构的各种计算机可读介质执行。部件可例如根据具有一个或多个数据分组(例如来自与本地系统、分布式系统和/或网络间的另一部件交互的二个部件的数据,例如通过信号与其它系统交互的互联网)的信号通过本地和/或远程进程来通信。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,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单元中。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (16)
1.一种道路边界识别方法,其特征在于,包括:
获取道路识别信息,所述道路识别信息包括多个道路边界点;
对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点;
对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离;
根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
2.如权利要求1所述的方法,其特征在于,所述至少一个跳变组的数量为多个,
所述根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,包括:
确定分割线,对于每个所述跳变组,所述第一道路边界点与所述第二道路边界点分别位于所述分割线的两侧;
根据所述分割线,将所述第一集合分割为所述第二集合和所述第三集合,所述第二集合中的道路边界点和所述第三集合中的道路边界点分别是所述第一集合中位于所述分割线不同侧的道路边界点。
3.根据权利要求2所述的方法,其特征在于,所述确定分割线,包括:
确定多个分割点,所述多个分割点与所述多个跳变组一一对应,每个所述分割点位于所述分割点对应的所述跳变组中所述第一道路边界点与所述第二道路边界点的中点;
根据所述多个分割点,确定所述分割线。
4.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上;
在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
5.根据权利要求1-3中任一项所述的方法,其特征在于,所述方法还包括:
在直角坐标系下,对所述第二集合中的所述道路边界点进行拟合,以得到所述第一道路边界,所述直角坐标系的横坐标轴与直线连接线平行,所述直线连接线的两个端点分别为所述第二集合中与车辆距离最近和最远的两个所述道路边界点,所述道路识别信息是所述车辆采集的。
6.根据权利要求1-3中任一项所述的方法,其特征在于,所述第一方向为车辆的行驶方向,所述道路识别信息是所述车辆采集的。
7.一种道路边界识别装置,其特征在于,包括:获取模块和处理模块;
所述获取模块用于,获取道路识别信息,所述道路识别信息包括多个道路边界点;
所述处理模块用于对多个道路边界点进行聚类,得到多个集合,所述多个集合中的第一集合包括至少一个跳变组,每个所述跳变组包括第一道路边界点和第二道路边界点;
所述处理模块还用于,对所述第一集合中的多个所述道路边界点按照第一方向排序,对于每个所述跳变组,所述第一道路边界点和所述第二道路边界点沿所述第一方向相邻,且所述第一道路边界点和所述第二道路边界点之间的距离大于或等于预设距离;
所述处理模块用于,根据所述至少一个跳变组将所述第一集合分割为第二集合和第三集合,所述第二集合对应第一道路边界,所述第三集合对应第二道路边界。
8.如权利要求7所述的装置,其特征在于,所述至少一个跳变组的数量为多个,
所述处理模块用于,确定分割线,对于每个所述跳变组,所述第一道路边界点与所述第二道路边界点分别位于所述分割线的两侧;
所述处理模块用于,根据所述分割线,将所述第一集合分割为所述第二集合和所述第三集合,所述第二集合中的道路边界点和所述第三集合中的道路边界点分别是所述第一集合中位于所述分割线不同侧的道路边界点。
9.根据权利要求8所述的装置,其特征在于,
所述处理模块用于,确定多个分割点,所述多个分割点与所述多个跳变组一一对应,每个所述分割点位于所述分割点对应的所述跳变组中所述第一道路边界点与所述第二道路边界点的中点;
所述处理模块用于,根据所述多个分割点,确定所述分割线。
10.根据权利要求7-9中任一项所述的装置,其特征在于,
所述处理模块用于,确定多个覆盖集合中的每个覆盖集合对应的覆盖曲线,每个所述覆盖集合包括所述第二集合中的多个所述道路边界点,且每个所述覆盖集合均包括所述第二集合中距离车辆最近的第三道路边界点,每个所述覆盖集合中的所述道路边界点均位于所述覆盖集合对应的所述覆盖曲线上;
所述处理模块用于,在所述多个覆盖曲线中,选择使得评分最大的所述覆盖曲线为所述第一道路边界,所述评分与排斥距离的绝对值正相关,且与内群点的数量正相关,所述内群点是所述第二集合中与所述覆盖曲线之间的距离小于或等于预设阈值的所述道路边界点,所述排斥距离用于指示所述第二集合中各个所述道路边界点与拟合曲线的距离之和,位于所述覆盖曲线不同侧的所述道路边界点与所述拟合曲线的距离的正负不同。
11.根据权利要求7-9中任一项所述的装置,其特征在于,
所述处理模块用于,在直角坐标系下,对所述第二集合中的所述道路边界点进行拟合,以得到所述第一道路边界,所述直角坐标系的横坐标轴与直线连接线平行,所述直线连接线的两个端点分别为所述第二集合中与车辆距离最近和最远的两个所述道路边界点,所述道路识别信息是所述车辆采集的。
12.根据权利要求7-9中任一项所述的装置,其特征在于,所述第一方向为车辆的行驶方向,所述道路识别信息是所述车辆采集的。
13.一种道路边界识别装置,其特征在于,包括至少一个存储器和至少一个处理器,所述至少一个存储器用于存储程序,所述至少一个处理器用于运行所述程序,以实现权利要求1-6中任一项所述的方法。
14.一种芯片,其特征在于,包括至少一个处理器和接口电路,所述接口电路用于为所述至少一个处理器提供程序指令或者数据,所述至少一个处理器用于执行所述程序指令,以实现权利要求1-6中任一项所述的方法。
15.一种计算机可读存储介质,其特征在于,所述计算机可读介质存储用于设备执行的程序代码,该程序代码被所述设备执行时,实现如权利要求1-6中任一项所述的方法。
16.一种车辆,其特征在于,包括如权利要求7-13中任一项所述的道路边界识别装置。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/CN2021/075812 WO2022165802A1 (zh) | 2021-02-07 | 2021-02-07 | 道路边界识别方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112912894A CN112912894A (zh) | 2021-06-04 |
CN112912894B true CN112912894B (zh) | 2022-08-09 |
Family
ID=76109062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180000361.4A Active CN112912894B (zh) | 2021-02-07 | 2021-02-07 | 道路边界识别方法和装置 |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP4290276A4 (zh) |
CN (1) | CN112912894B (zh) |
WO (1) | WO2022165802A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256707B (zh) * | 2021-06-25 | 2021-09-28 | 西南交通大学 | 一种基于轨顶面种子点自动追踪的轨道中心线提取方法 |
CN115727834A (zh) * | 2022-11-16 | 2023-03-03 | 新石器慧通(北京)科技有限公司 | 边界线的反向检查处理方法、地图制作方法、设备及介质 |
CN116453070A (zh) * | 2023-03-17 | 2023-07-18 | 腾讯科技(深圳)有限公司 | 一种路口面的生成方法和相关装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569749A (zh) * | 2019-08-22 | 2019-12-13 | 江苏徐工工程机械研究院有限公司 | 一种矿山道路的边界线及可行驶区域检测方法及系统 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
CN111341103A (zh) * | 2020-03-03 | 2020-06-26 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
CN111874006A (zh) * | 2020-08-05 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 路线规划处理方法和装置 |
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9285805B1 (en) * | 2015-07-02 | 2016-03-15 | Geodigital International Inc. | Attributed roadway trajectories for self-driving vehicles |
CN107918753B (zh) * | 2016-10-10 | 2019-02-22 | 腾讯科技(深圳)有限公司 | 点云数据处理方法及装置 |
CN111542860A (zh) * | 2016-12-30 | 2020-08-14 | 迪普迈普有限公司 | 用于自主车辆的高清地图的标志和车道创建 |
CN110579222B (zh) * | 2018-06-07 | 2022-03-15 | 百度在线网络技术(北京)有限公司 | 导航路线处理方法、装置及设备 |
CN110378175B (zh) * | 2018-08-16 | 2022-09-30 | 北京京东叁佰陆拾度电子商务有限公司 | 道路边沿的识别方法和装置 |
JP7035945B2 (ja) * | 2018-10-04 | 2022-03-15 | トヨタ自動車株式会社 | 地図情報システム |
CN109684921B (zh) * | 2018-11-20 | 2022-05-27 | 吉林大学 | 一种基于三维激光雷达的道路边界检测与跟踪方法 |
WO2020181153A1 (en) * | 2019-03-05 | 2020-09-10 | DeepMap Inc. | Distributed processing of pose graphs for generating high definition maps for navigating autonomous vehicles |
CN112183157A (zh) * | 2019-07-02 | 2021-01-05 | 华为技术有限公司 | 道路几何识别方法及装置 |
CN110673107B (zh) * | 2019-08-09 | 2022-03-08 | 北京智行者科技有限公司 | 基于多线激光雷达的路沿检测方法及装置 |
CN110781891B (zh) * | 2019-11-28 | 2023-01-31 | 吉林大学 | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 |
CN111985322B (zh) * | 2020-07-14 | 2024-02-06 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
-
2021
- 2021-02-07 CN CN202180000361.4A patent/CN112912894B/zh active Active
- 2021-02-07 EP EP21923813.6A patent/EP4290276A4/en active Pending
- 2021-02-07 WO PCT/CN2021/075812 patent/WO2022165802A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112014856A (zh) * | 2019-05-30 | 2020-12-01 | 初速度(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN110569749A (zh) * | 2019-08-22 | 2019-12-13 | 江苏徐工工程机械研究院有限公司 | 一种矿山道路的边界线及可行驶区域检测方法及系统 |
CN110781827A (zh) * | 2019-10-25 | 2020-02-11 | 中山大学 | 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法 |
CN110909788A (zh) * | 2019-11-19 | 2020-03-24 | 湖南博通信息股份有限公司 | 一种基于统计聚类的轨迹数据中道路交叉口位置识别方法 |
CN111341103A (zh) * | 2020-03-03 | 2020-06-26 | 鹏城实验室 | 车道信息提取方法、装置、设备及存储介质 |
CN111874006A (zh) * | 2020-08-05 | 2020-11-03 | 腾讯科技(深圳)有限公司 | 路线规划处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的车道线及斑马线和道路标志的检测和识别技术的研究与实现;姜仁婉;《中国优秀博硕士学位论文全文数据库(硕士)》;20170331;全文 * |
Also Published As
Publication number | Publication date |
---|---|
EP4290276A4 (en) | 2024-02-21 |
CN112912894A (zh) | 2021-06-04 |
WO2022165802A1 (zh) | 2022-08-11 |
EP4290276A1 (en) | 2023-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112912894B (zh) | 道路边界识别方法和装置 | |
CN110032181B (zh) | 语义地图中障碍物定位方法、装置、计算机设备和存储介质 | |
CN111971574B (zh) | 用于自动驾驶车辆的lidar定位的基于深度学习的特征提取 | |
CN111771141B (zh) | 自动驾驶车辆中使用3d cnn网络进行解决方案推断的lidar定位 | |
CN111771135B (zh) | 自动驾驶车辆中使用rnn和lstm进行时间平滑的lidar定位 | |
CN111813101B (zh) | 机器人路径规划方法、装置、终端设备及存储介质 | |
CN116129376A (zh) | 一种道路边缘检测方法和装置 | |
CN111582189B (zh) | 交通信号灯识别方法、装置、车载控制终端及机动车 | |
JP2020516880A (ja) | ポリゴンにおける中間点を低減する方法および装置 | |
US10997437B2 (en) | Apparatus for managing driving pattern based on object recognition, vehicle driving controlling apparatus using the same and method thereof | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
EP4184119A1 (en) | Travelable region determination method, intelligent driving system and intelligent vehicle | |
CN111971725B (zh) | 用于确定车辆的变道说明的方法、可读存储介质以及车辆 | |
US20230159052A1 (en) | Method for processing behavior data, method for controlling autonomous vehicle, and autonomous vehicle | |
CN116734828A (zh) | 道路拓扑信息的确定、电子地图数据处理方法、电子设备 | |
Al Mamun et al. | Efficient lane marking detection using deep learning technique with differential and cross-entropy loss. | |
CN112689234A (zh) | 室内车辆定位方法、装置、计算机设备和存储介质 | |
CN116311114A (zh) | 一种可行驶区域生成方法、装置、电子设备及存储介质 | |
CN109117866B (zh) | 车道识别算法评估方法、计算机设备及存储介质 | |
CN116010543A (zh) | 车道信息确定方法、装置、电子设备以及存储介质 | |
CN113327456A (zh) | 一种车道结构检测方法及装置 | |
EP4138048A1 (en) | Training of 3d lane detection models for automotive applications | |
CN111596288B (zh) | 测量速度的方法、装置、车载终端和车载测速系统 | |
US20230024799A1 (en) | Method, system and computer program product for the automated locating of a vehicle | |
EP3944137A1 (en) | Positioning method and positioning apparatus |
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 |