CN112989946A - 一种车道线的确定方法、装置、设备及车辆 - Google Patents

Abstract

本申请实施例所公开的一种车道线的确定方法、装置、设备及车辆，方法包括获取预设区域内的待处理点集、每个待处理点对应的参数信息以及预设区域对应的路沿信息，根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集，根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集，根据目标特征点集确定车道线。基于本申请实施例，可以提高车道线的检测精度和稳定性，并且可以应用于复杂的道路场景。

Description

一种车道线的确定方法、装置、设备及车辆

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种车道线的确定方法、装置、设备及车辆。

背景技术

随着自动驾驶技术的迅速发展，在城市道路运行无人驾驶车辆越来越成为可能。车道线作为无人驾驶车辆在城市道路行驶的重要参考信息，对无人驾驶车辆的导航定位和路线规划有着十分重要的意义。

由于相机价格低廉且易于产业化，基于机器视觉检测车道线的方法受到了研究人员的青睐，但是由于机器视觉在采集图像时容易受环境、天气、光照等诸多因素影响，基于机器视觉检测车道线的方法无法满足无人驾驶车辆在实时性和精度上的要求。因此，研究人员采用基于激光雷达检测车道线，其中，激光雷达可以实时提供精准的道路点云数据，包括点云的坐标和反射强度，该反射强度取决于激光的波长、激光雷达与反射点间的距离、介质材料以及介质表面的光滑程度。由于车道线上一般会涂有白色或者黄色的涂层，其与地面的反射强度会存在较大差异。

现有基于激光雷达检测车道线的方法，可以使用成像激光雷达作为传感器，并结合图像处理模块和中央处理模块来检测车道线，然而，由于无人驾驶车辆普遍采用机械扫描式激光雷达，而不是成像激光雷达，并且图像处理模块的设置会占用较多的算力和资源，因此，使用成像激光雷达来检测车道线的方法适用性不足。

现有基于激光雷达检测车道线的方法，还可以基于车道线的反射强度峰值和高度提取车道线的特征信息，进而根据车道线的特征信息确定车道线。虽然车道线的反射强度峰值可以作为车道线的特征信息，但是当车道线距离激光雷达较远时，车道线的反射强度峰值并不明显，并且车道线与地面的高度差在1-2cm之间，该高度差是在激光雷达的误差允许范围内的。因此，将反射强度峰值和高度作为车道线的特征信息，检测的车道线的精度较低。

现有基于激光雷达检测车道线的方法，还可以通过激光雷达检测路沿点云，再根据路沿点云确定车道线所在的路面点云，进而提取特征拟合车道线。该种方法没有考虑到车辆的位姿变化，比如在变道或是较大曲率弯道过程中，车道与车道线之间存在一定夹角，因而，根据相邻线束的横向距离将多个点云归为同一车道线，所得到的车道线的精度较低。并且该方法也没有考虑到车道线被遮挡较多，无法获取足够数量的点云的情况，因此，该种方法检测的车道线不具备较好的棒鲁性，无法保证在复杂的城市道路环境中检测的车道线的精度和稳定性，只适用于简单的道路场景。

发明内容

本申请实施例提供了一种车道线的确定方法、装置、设备及车辆，可以提高车道线的检测精度和稳定性，并且可以应用于复杂的道路场景。

本申请实施例提供了一种车道线的确定方法，该方法包括：

获取预设区域内的待处理点集、待处理点集中每个待处理点对应的参数信息以及预设区域对应的路沿信息；

根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集；

根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线；

根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集；

根据目标特征点集确定车道线。

进一步地，每个待处理点对应的参数信息包括每个待处理点的位置数据和每个待处理点的反射强度；

根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集，包括：

根据每个待处理点的位置数据，从待处理点集中确定路面点集；

根据每个待处理点的反射强度和路沿信息，从路面点集中确定候选点集。

进一步地，根据每个待处理点的位置数据，从待处理点集中确定路面点集，包括：

根据每个待处理点的位置数据，从待处理点集中确定参考模型；

根据每个待处理点与参考模型的第二距离信息，从待处理点集中确定路面点集。

进一步地，根据每个待处理点的反射强度和路沿信息，从路面点集中确定候选点集，包括：

根据路沿信息和预设车道宽度信息，对路面点集进行分割处理，得到多个区域；

根据每个区域中每个待处理点的反射强度，确定目标反射强度；

根据目标反射强度和每个待处理点的反射强度，从路面点集中确定候选点集。

进一步地，根据每个区域中每个待处理点的反射强度，确定目标反射强度，包括：

从每个待处理点的反射强度中，确定多个候选目标反射强度；

根据每个候选目标反射强度和每个待处理点的反射强度，确定每个候选目标反射强度对应的第一点集和第二点集；

根据每个待处理点的反射强度，确定第一点集对应的第一概率信息以及第二点集对应的第二概率信息；

根据每个待处理点的反射强度和第一概率信息，确定第一点集对应的第一方差信息，以及根据每个待处理点的反射强度和第二概率信息，确定第二点集对应的第二方差信息；

根据第一概率信息、第二概率信息、第一方差信息和第二方差信息，确定每个候选目标反射强度对应的类内方差信息；

从多个候选目标反射强度对应的多个类内方差信息中，确定目标类内方差信息，以及将目标类内方差信息对应的候选目标反射强度确为目标反射强度。

进一步地，根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，包括：

根据预设车道线信息和每个待处理点的位置数据，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线。

进一步地，根据目标特征点集确定车道线之后，还包括：

获取车辆位姿变化数据和航向角变化数据；

根据车道线、车辆位姿变化数据和航向角变化数据，确定车道线对应的状态预测模型。

相应地，本申请实施例还提供了一种车道线的确定装置，该装置包括：

信息获取模块，用于获取预设区域内的待处理点集、待处理点集中每个待处理点对应的参数信息以及预设区域对应的路沿信息；

候选点集确定模块，用于根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集；

特征点集确定模块，用于根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线；

目标特征点集确定模块，用于根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集；

车道线确定模块，用于根据目标特征点集确定车道线。

相应地，本申请实施例还提供了一种设备，该设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述车道线的确定方法。

相应地，本申请实施例还提供了一种车辆，该车辆包括存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述车道线的确定方法。

本申请实施例具有如下有益效果：

本申请实施例所公开的一种车道线的确定方法、装置、设备及车辆，其中，方法包括获取预设区域内的待处理点集、每个待处理点对应的参数信息以及预设区域对应的路沿信息，根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集，根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集，根据目标特征点集确定车道线。基于本申请实施例，可以提高车道线的检测精度和稳定性，并且可以应用于复杂的道路场景。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1是本申请实施例所提供的一种应用环境的示意图；

图2是本申请实施例提供的一种车道线的确定方法的流程示意图；

图3是本申请实施例提供的一种确定候选点集的方法的流程示意图；

图4是本申请实施例提供的一种确定确定目标反射强度的方法的流程示意图；

图5是本申请实施例提供的一种确定的车道线的示意图；

图6是本申请实施例提供的一种车道线的确定装置的结构示意图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施例作进一步地详细描述。显然，所描述的实施例仅仅是本申请一个实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

此处所称的“实施例”是指可包含本申请至少一个实现方式中的特定特征、结构或特性。在本申请实施例的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含的包括一个或者更多个该特征。而且，术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例能够以除了在这里图示或描述以外的顺序实施。此外，术语“包括”和“为”以及他们的任何变形，意图在于覆盖不排他的包含。

请参阅图1，其所示为本申请实施例所提供的一种应用环境的示意图，包括车辆101，该车辆上安装有车载服务器1011和车载激光雷达1013，车载服务器1011可以获取车载激光雷达1013扫描得到的原始激光点云中预设区域内的待处理点集、待处理点集中每个待处理点对应的参数信息以及预设区域对应的路沿信息，并可以根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集，进而可以根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，以及根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集，最终可以根据目标特征点集确定车道线。

下面介绍本申请提供的一种车道线的确定方法的具体实施例，图2是本申请实施例提供的一种车道线的确定方法的流程示意图，本说明书提供了如实施例或流程图所示的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多执行顺序中的一种方式，不代表唯一的执行顺序，在实际执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。具体的如图2所示，该方法可以包括：

S201：获取预设区域内的待处理点集、待处理点集中每个待处理点对应的参数信息以及预设区域对应的路沿信息。

本申请实施例中，可以通过车载激光雷达对车辆周围的环境进行扫描，得到原始激光点云。具体地，可以选用32线速腾激光雷达进行扫描。进而可以确定原始激光点云中每个原始激光点对应的参数信息。其中，参数信息可以包括每个原始激光点的位置数据和每个原始激光点的反射强度。例如，可以基于车载激光雷达对应的坐标系确定原始激光点云中每个原始激光点对应的位置数据。具体地，可以以车载激光雷达的中心为原点、原点指向车头的方向为第一方向、原点指向车头左侧的方向为第二方向、垂直地面向上为第三方向建立笛卡尔坐标系，即以激光雷达的中心为原点、车头为X轴、车头左侧为Y轴，垂直地面为Z轴建立三维坐标系，进而可以确定每个原始激光点在三维坐标系中三维坐标，即每个原始激光点对应的位置数据。

本申请实施例中，在车载激光雷达扫描得到原始激光点云之后，车载服务器可以获取预设区域内的待处理点集和待处理点集中每个待处理点对应的参数信息。也即是，车载服务器可以从原始激光点云中选定一个感兴趣的区域作为预设区域，即对原始激光点云作一次点云筛选。例如，可以选择以车辆中心为圆心，半径为10米的圆形感兴趣区域作为预设区域，也可以选择以车辆中心为中心，长为10米，宽为8米的矩形感兴趣区域作为预设区域，还可以选择任意不规则形状的感兴趣区域作为预设区域，本申请不做具体限定。进而车载服务器可以获取预设区域内的待处理点集、每个待处理点的位置数据以及每个待处理点的反射强度。为了增加获取的数据的丰富性，一般选择一个较大的感兴趣区域作为预设区域，例如，可以选取车载激光雷达所扫描的全部区域作为预设区域。

对于限定场景或者公共道路的自动驾驶而言，地图信息是其必不可少的参考信息。该地图信息中的路沿信息可以通过车载激光雷达预先采集，并通过离线的方式提取并拟合出路沿曲线，以路沿信息的方式存储于每辆自动驾驶车辆的存储设备中。通过预先采集以及离线提取并拟合出的路沿信息具备较强的场景针对性，并且精度和稳定性都远远高于车载激光雷达实时检测精度和稳定性。在一种具体的实施方式中，车载服务器可以在获取预设区域内的待处理点集和待处理点集中每个待处理点对应的参数信息的同时，获取预设区域对应的路沿信息，也可以在获取预设区域内的待处理点集和待处理点集中每个待处理点对应的参数信息之后，获取预设区域对应的路沿信息。

S203：根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集。

图3是本申请实施例提供的一种确定候选点集的方法的流程示意图，具体如图3所示。

S301：根据每个待处理点的位置数据，从待处理点集中确定路面点集。

本申请实施例中，车载服务器在获取预设区域内的待处理点集之后，可以根据每个待处理点的位置数据，从待处理点集中确定路面点集。

在一种可选的实施方式中，车载服务器可以根据每个待处理点的位置数据，从待处理点集中确定参考模型，并根据每个待处理点与参考模型的第二距离信息，从待处理点集中确定路面点集。即车载服务器可以采用地平面拟合算法对待处理点集进行地面分割，以提取出路面点云。

具体地，车载服务器可以根据每个待处理点的位置数据，按照高度对待处理点集中所有点进行排序，并将预设数量的、高度低于预设高度阈值的点作为种子点集，种子点集用于建立描述地面的参考模型，即初始平面模型。进而车载服务器可以确定种子点集中对应的协方差矩阵，以确定种子点集的散布情况，并确定协方差矩阵的在三个方向上的奇异向量以及每个方向上的奇异向量对应的奇异值，以确定种子点集在三个方向上的散布情况。并根据三个方向上的奇异值中的最小值确定初始平面的法向量，进而确定初始平面对应的初始平面模型ax+bx+cx＝d，其中，a²+b²+c²＝1，d>0。在建立描述地面的参考模型即初始平面模型之后，车载服务器可以确定每个待处理点与该参考模型的第二距离信息，即确定每个待处理点到该初始平面的正交投影距离，并将该正交投影距离与预设投影距离进行比较，当其小于等于预设投影距离时，可以将该正交投影距离对应的待处理点确定为路面点集中的点，即地面点，当其大于预设投影距离时，可以将该正交投影距离对应的待处理点确定非路面点集中的点，即非地面点。如此，可以从待处理点集中确定路面点集。优选地，可以将得到的所有地面点重新作为种子点集以对得到的路面点集进行迭代优化，进而可以得到准确性更高的路面点集。

在实际应用中，车载服务器可以直接根据每个待处理点的位置数据，从待处理点集中确定高度在预设区间内的待处理点，并将其确定为路面点集。

本申请实施例通过引入路沿信息，可以减少相邻区域中车道线距离差值太大而无法判断是否属于同一车道线的情况，以提高检测精确度，减小检测误差。

S303：根据每个待处理点的反射强度和路沿信息，从路面点集中确定候选点集。

本申请实施例中，车载服务器在从待处理点集中确定路面点集之后，可以根据每个待处理点的反射强度和路沿信息，从路面点集中确定候选点集。

在一种可选的实施方式中，车载服务器可以根据路沿信息和预设车道宽度信息，对路面点集进行分割处理，得到多个区域，并根据每个区域中每个待处理点的反射强度，确定目标反射强度，以及根据目标反射强度和每个待处理点的反射强度，从路面点集中确定候选点集。

具体地，车载服务器可以从存储设备中读取地图信息，即获取路沿信息，该路沿信息可以包括路沿的斜率和曲率，进而根据预设的车道宽度信息，即预先设定的一个车道宽度，对车辆的周围的地面点进行区域划分，同时可以过滤掉路沿外的点，得到与设定车道线同数量的多个局部区域。

图4是本申请实施例提供的一种确定确定目标反射强度的方法的流程示意图。具体如图4所示。

S401：从每个待处理点的反射强度中，确定多个候选目标反射强度。

本申请实施例中，车载服务器可以对每个区域包含的路面点集进行特征提取，以提取车道线对应的候选点集，即可以对单层光束包含车道线的局部路面点云进行特征提取，以提取出车道线的候选点。例如，车载服务器对一个含有N个路面点的区域对应的反射强度进行统计分析，该区域中路面点的反射强度为{1,2,...L}。车载服务器可以从该区域中路面点的反射强度中任意选定一个路面点的反射强度作为候选目标反射强度，即从{1,2,...L}任意选定一个路面点的反射强度作为候选目标反射强度，如此可以得到多个候选目标反射强度。优选地，可以将该区域中路面点的反射强度按数值大小进行从小到大排序，并选择其中间的部分反射强度作为多个候选目标反射强度，以节约计算资源。

S403：根据每个候选目标反射强度和每个待处理点的反射强度，确定每个候选目标反射强度对应的第一点集和第二点集。

本申请实施例中，车载服务器可以根据候选目标反射强度和每个路面点的反射强度，确定每个候选目标反射强度对应的第一点集和第二点集。即以候选目标反射强度为基准，将每个区域内的路面点集中的划分为候选车道线点集和非候选车道线点集。例如，可以假设一个候选目标反射强度为k，将反射强度小于等于k的路面点确定为非候选车道线点集中的点，将反射强度大于k的路面点确定为候选车道线点集中的点。

S405：根据每个待处理点的反射强度，确定第一点集对应的第一概率信息以及第二点集对应的第二概率信息。

本申请实施例中，车载服务器可以根据路面点集中每个路面点的反射强度，确定非候选车道线点集对应的第一概率以及候选车道线点集对应的第二概率。假设，上述含有N个路面点的区域中，反射强度为i的路面点的个数为n_i，则反射强度为i的路面点的出现概率为：

非候选车道线点集中每个反射强度出现的概率之和，即第一概率信息为：

候选车道线点集中每个反射强度出现的概率之和，即第一概率信息为：

w₁＝1-w₀

S407：根据每个待处理点的反射强度和第一概率信息，确定第一点集对应的第一方差信息，以及根据每个待处理点的反射强度和第二概率信息，确定第二点集对应的第二方差信息。

本申请实施例中，车载服务器可以根据根每个非候选车道线点集中每个非候选车道线点的反射强度、每个非候选车道线点的反射强度出现概率以及非候选车道线点集中每个反射强度出现的概率之和，确定非候选车道线点集的反射强度均值，即可以采用如下公式计算非候选车道线点集的反射强度均值：

并根据非候选车道线点集对应的第一概率信息、每个非候选车道线点的反射强度出现概率以及非候选车道线点集的反射强度均值，确定非候选车道线点集对应的第一方差信息。

基于同样的方法，也可以确定候选车道线点集对应的第二方差信息

此处不再赘述。

S409：根据第一概率信息、第二概率信息、第一方差信息和第二方差信息，确定每个候选目标反射强度对应的类内方差信息。

本申请实施例中，车载服务器可以根据第一点集对应的第一概率信息和第一方差信息，以及第二点集对应的第二概率信息和第二方差信息，确定每个候选目标反射强度对应的类内方差信息，具体地，可以采用如下公式确定候选目标反射强度k对应的类内方差信息：

S411：从多个候选目标反射强度对应的多个类内方差信息中，确定目标类内方差信息，以及将目标类内方差信息对应的候选目标反射强度确定为目标反射强度。

本申请实施例中，车载服务器可以将多个候选目标反射强度对应的多个类内方差信息中的最小值确定为目标类内方差信息，以及将目标类内方差信息对应的候选目标反射强度确定为目标反射强度，即采用遍历的方式确定分割非车道线和车道线的最佳基准。

在另一可选的实施方式中，车载服务器可以直接根据每个待处理点的反射强度，从路面点集中确定候选点集，即根据车道线对应的反射强度区间，将待处理点集中反射强度在反射强度区间内的待处理点作为候选点集。

S205：根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线。

在实际应用中，当路面有道路标识或杂物，例如方向指示标、停车标记线或垃圾时，车载激光雷达将扫描得到许多伪原始激光点，确定的候选点集中也会存在许多伪候选点，使得候选点集具有横向距离差很大的特点。在此情况下，可以根据预设车道线信息和每个候选点的位置数据，从候选点集中确定多个特征点集以及每个特征点集的对应的候选车道线。即可以根据上一帧车道线横向距离从候选点集中选取预设数量的候选点作为特征点集，例如，可以选取5个候选点作为特征点集，从而可以在一致性拟合之前先行滤除一部分噪声，进而可以采用随机抽样一致性算法对每个特征点集进行曲线拟合，以确定每个特征点集对应的候选车道线，即每个特征点集对应的候选车道线曲线方程。

本申请实施例中，对于因杂物等出现伪原始激光点干扰车道线的确定的问题，通过采用随机抽样一致性算法对每个特征点集进行曲线拟合，可以提高检测精确度和准确性。

S207：根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集。

本申请实施例中，在车载服务器确定多个特征点集以及每个特征点集对应的候选车道线之后，可以根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集。

在一种可选的实施方式中，可以将特征点集设定为内群点，并确定内群点的二次函数方程，进而将候选点集中没有设定为内群点的点带入二次函数方程，以确定每个非内群点与二次函数方程的距离，当该距离小于预设内群距离阈值时，将该点作为内群点，当该距离大于等于预设内群距离阈值时，将该点作为非内群点，重复操作，可以确定每个特征点集对应的内群点数量，并将内群点数量最多的特征点集确定为目标特征点集。

在另一种可选的实施方式中，可以从特征点集对应的候选车道线中任意抽取几个特征点作为内群点，并确定内群点的二次函数方程，进而将候选点集中没有设定为内群点的点带入二次函数方程，以确定每个非内群点与二次函数方程的距离，当该距离小于预设内群距离阈值时，将该点作为内群点，当该距离大于等于预设内群距离阈值时，将该点作为非内群点，重复操作，可以确定每个特征点集对应的内群点数量，并将内群点数量最多的特征点集确定为目标特征点集。

S209：根据目标特征点集确定车道线。

本申请实施例中，车载服务器可以根据目标特征点集确定车道线，图5是本申请实施例提供的一种确定的车道线的示意图。车载服务器可以获取车辆的位姿变化数据和航向角变化数据，并根据车道线、车辆位姿变化数据和航向角变化数据，确定车道线对应的状态预测模型，以对各条车道线进行预测和跟踪。

具体地，车载服务器可以从无人融合定位系统中获取车辆在t和t+1两帧之间的横向位置变化量Δx和纵向位置变化量Δy，以及车辆的航向角变化量Δθ，进而可以构建以车道线(x_t,y_t)为状态量的状态预测模型。可以采用如下公式确定状态预测模型X_t+1＝(x_t+1,y_t+1)：

X_t+1＝A_tx_t+B_tU_t+W_t

其中，

W_t为协方差矩阵为Q_t的高斯白噪声。

具体地，可以设测量噪声为高斯白噪声m_t～(0,R_t)，则边缘的测量模型为：

Z_t+1＝H_tx_t+m_t，H_t＝[1,1]^T。

通过利用卡尔曼滤波方法可以对各条车道线对应的特征点进行迭代计算，以对各条车道线进行预测和跟踪。

本申请实施例例中，由于车道线是固定不动的，在不同的雷达数据帧中的位置只与车辆的位姿变化有关，因此，通过确定状态预测模型不仅可以提高弯道等复杂场景的检测精度和稳定性，还可以对各条车道线进行预测和跟踪。

采用本申请实施例所提供的车道线的确定方法，可以提高车道线的检测精度和稳定性，并且可以应用于复杂的道路场景。

本申请实施例还提供的一种车道线的确定装置，图6是本申请实施例提供的一种车道线的确定装置的结构示意图，具体如图6所示，该装置可以包括：

信息获取模块601用于获取预设区域内的待处理点集、待处理点集中每个待处理点对应的参数信息以及预设区域对应的路沿信息；

候选点集确定模块603用于根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集；

特征点集确定模块605用于根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线；

目标特征点集确定模块607用于根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集；

车道线确定模块609用于根据目标特征点集确定车道线。

本申请实施例中的装置与方法实施例基于同样的申请构思。

本申请实施例还提供的一种设备，该设备可设置于服务器之中以保存用于实现方法实施例中的一种车道线的确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该存储器加载并执行以实现上述的车道线的确定方法。

本申请实施例还提供的一种车辆，该车辆包括存储介质，存储介质可设置于服务器之中以保存用于实现方法实施例中一种车道线的确定方法相关的至少一条指令、至少一段程序、代码集或指令集，该至少一条指令、该至少一段程序、该代码集或指令集由该处理器加载并执行以实现上述车道线的确定方法。

可选的，在本实施例中，上述存储介质可以位于计算机网络的多个网络服务器中的至少一个网络服务器。可选地，在本实施例中，上述存储介质可以包括但不限于包括：U盘、只读存储器(ROM，Read-only Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

由上述本申请提供的车道线的确定方法、装置、电子设备或存储介质的实施例可见，本申请中方法包括获取预设区域内的待处理点集、每个待处理点对应的参数信息以及预设区域对应的路沿信息，根据每个待处理点对应的参数信息和路沿信息，从待处理点集中确定候选点集，根据每个待处理点对应的参数信息，从候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，根据候选点集中除每个特征点集之外的点与每个特征点集对应的候选车道线的第一距离信息，从多个特征点集中确定目标特征点集，根据目标特征点集确定车道线。基于本申请实施例，可以提高车道线的检测精度和稳定性，并且可以应用于复杂的道路场景。

需要说明的是：上述本申请实施例的先后顺序仅仅为了描述，不代表实施例的优劣，且上述本说明书对特定的实施例进行了描述，其他实施例也在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或者步骤可以按照不同的实施例中的顺序来执行并且能够实现预期的结果。另外，在附图中描绘的过程不一定要求示出特定顺序或者连接顺序才能够实现期望的结果，在某些实施方式中，多任务并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的均为与其他实施例的不同之处。尤其，对于装置的实施例而言，由于其与方法实施例基于同样的申请构思，所以进行了简单描述，相关之处参见方法实施例的部分说明即可。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种车道线的确定方法，其特征在于，包括：

获取预设区域内的待处理点集、所述待处理点集中每个待处理点对应的参数信息以及所述预设区域对应的路沿信息；

根据所述每个待处理点对应的参数信息和所述路沿信息，从所述待处理点集中确定候选点集；

根据所述每个待处理点对应的参数信息，从所述候选点集中确定多个特征点集以及每个特征点集对应的候选车道线；

根据所述候选点集中除所述每个特征点集之外的点与所述每个特征点集对应的候选车道线的第一距离信息，从所述多个特征点集中确定目标特征点集；

根据所述目标特征点集确定车道线。

2.根据权利要求1所述的方法，其特征在于，所述每个待处理点对应的参数信息包括每个待处理点的位置数据和每个待处理点的反射强度；

所述根据所述每个待处理点对应的参数信息和所述路沿信息，从所述待处理点集中确定候选点集，包括：

根据所述每个待处理点的位置数据，从所述待处理点集中确定路面点集；

根据所述每个待处理点的反射强度和所述路沿信息，从所述路面点集中确定所述候选点集。

3.根据权利要求2所述的方法，其特征在于，所述根据所述每个待处理点的位置数据，从所述待处理点集中确定路面点集，包括：

根据所述每个待处理点的位置数据，从所述待处理点集中确定参考模型；

根据所述每个待处理点与所述参考模型的第二距离信息，从所述待处理点集中确定所述路面点集。

4.根据权利要求2所述的方法，其特征在于，所述根据所述每个待处理点的反射强度和所述路沿信息，从所述路面点集中确定所述候选点集，包括：

根据所述路沿信息和预设车道宽度信息，对所述路面点集进行分割处理，得到多个区域；

根据每个区域中所述每个待处理点的反射强度，确定目标反射强度；

根据所述目标反射强度和所述每个待处理点的反射强度，从所述路面点集中确定所述候选点集。

5.根据权利要求4所述的方法，其特征在于，所述根据每个区域中所述每个待处理点的反射强度，确定目标反射强度，包括：

从所述每个待处理点的反射强度中，确定多个候选目标反射强度；

根据每个候选目标反射强度和所述每个待处理点的反射强度，确定所述每个候选目标反射强度对应的第一点集和第二点集；

根据所述每个待处理点的反射强度，确定所述第一点集对应的第一概率信息以及所述第二点集对应的第二概率信息；

根据所述每个待处理点的反射强度和所述第一概率信息，确定所述第一点集对应的第一方差信息，以及根据所述每个待处理点的反射强度和所述第二概率信息，确定所述第二点集对应的第二方差信息；

根据所述第一概率信息、所述第二概率信息、所述第一方差信息和所述第二方差信息，确定所述每个候选目标反射强度对应的类内方差信息；

从所述多个候选目标反射强度对应的多个类内方差信息中，确定目标类内方差信息，以及将所述目标类内方差信息对应的候选目标反射强度确为所述目标反射强度。

6.根据权利要求2所述的方法，其特征在于，所述根据所述每个待处理点对应的参数信息，从所述候选点集中确定多个特征点集以及每个特征点集对应的候选车道线，包括：

根据预设车道线信息和所述每个待处理点的位置数据，从所述候选点集中确定所述多个特征点集以及所述每个特征点集对应的候选车道线。

7.根据权利要求1所述的方法，其特征在于，所述根据所述目标特征点集确定车道线之后，还包括：

获取车辆位姿变化数据和航向角变化数据；

根据所述车道线、所述车辆位姿变化数据和所述航向角变化数据，确定所述车道线对应的状态预测模型。

8.一种车道线的确定装置，其特征在于，包括：

信息获取模块，用于获取预设区域内的待处理点集、所述待处理点集中每个待处理点对应的参数信息以及所述预设区域对应的路沿信息；

候选点集确定模块，用于根据所述每个待处理点对应的参数信息和所述路沿信息，从所述待处理点集中确定候选点集；

特征点集确定模块，用于根据所述每个待处理点对应的参数信息，从所述候选点集中确定多个特征点集以及每个特征点集对应的候选车道线；

目标特征点集确定模块，用于根据所述候选点集中除所述每个特征点集之外的点与所述每个特征点集对应的候选车道线的第一距离信息，从所述多个特征点集中确定目标特征点集；

车道线确定模块，用于根据所述目标特征点集确定车道线。

9.一种设备，其特征在于，所述设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现权利要求1-7任意一项所述的车道线的确定方法。

10.一种车辆，其特征在于，所述车辆包括存储介质，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1-7任意一项所述的车道线的确定方法。

Images