CN113591618B - 前方道路形状估算方法、系统、车辆及存储介质 - Google Patents
前方道路形状估算方法、系统、车辆及存储介质 Download PDFInfo
- Publication number
- CN113591618B CN113591618B CN202110797799.1A CN202110797799A CN113591618B CN 113591618 B CN113591618 B CN 113591618B CN 202110797799 A CN202110797799 A CN 202110797799A CN 113591618 B CN113591618 B CN 113591618B
- Authority
- CN
- China
- Prior art keywords
- curve
- lane
- lane line
- fitting
- confidence
- 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 30
- 238000012216 screening Methods 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 238000001914 filtration Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 2
- 230000033001 locomotion Effects 0.000 description 4
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001595 flow curve Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种前方道路形状估算方法、系统、车辆及存储介质,包括以下步骤:(1)信息采集:获取当前车道和相邻车道的车道线曲线方程、左右路沿曲线方程、前方目标信息以及前方可通行区域点;获取前方目标信息以及左、右两侧护栏的反射点信息;(2)目标融合;(3)车道线处理;(4)点云拟合;(5)道路边界融合;(6)历史行驶经过点拟合;(7)车流轨迹拟合;(8)历史轨迹推算;(9)曲线置信度计算和筛选。本发明仅使用本车道的车道线和前车信息的L2级驾驶辅助系统,更多的利用了道路边界信息和车流信息,大幅提升了系统的鲁棒性。
Description
技术领域
本发明属于汽车智能化技术领域,具体涉及前方道路形状估算方法、系统、车辆及存储介质。
背景技术
驾驶辅助技术发展迅速已经逐渐成为目前中高端车型的标配,目前主流的量产L2级别驾驶辅助系统普遍搭载前视摄像头和前向长距毫米波雷达,能够实现在结构化道路上的车道对中行驶。其技术方案主要是使用摄像头检测车道线实现对中行驶,在车道线丢失后会使用本车道的前方目标作为跟随目标进行横纵向控制。目前该系统存在如下问题,车道线质量不好检测出错的时候没有使用其他信息校验容易导致失控;车道线短暂丢失的场景仅依赖本车道前方目标,存在不确定性且难以保证安全;左右两侧车道线不一致时无更多有效信息进行判断哪一侧车道线更可靠;总结起来即是在车道线丢失或两侧线非平行状态时难以确定前方道路形状,仅依靠车道线检测在某些工况难以为后端轨迹规划模块提供可靠的道路形状基准线。
因此,有必要开发一种驾驶辅助系统基于多传感器的前方道路形状估计方法。
发明内容
本发明的目的是提供一种前方道路形状估算方法、系统、车辆及存储介质,能在行驶过程中使用多源传感器数据进行道路形状曲线估计,能提升系统的鲁棒性。
本发明所述的一种前方道路形状估算方法,包括以下步骤:
(1)信息采集:获取当前车道和相邻车道的车道线曲线方程、左右路沿曲线方程、前方目标信息以及前方可通行区域点;获取前方目标信息以及左、右两侧护栏的反射点信息;
(2)目标融合:对所采集的目标进行融合和跟踪处理;
(3)车道线处理:去除检测异常车道线,在左右两侧车道线均存在时计算出当前车道中心线;
(4)点云拟合:使用连续多帧的点云数据,分割聚类得到其中属于道路左右边界的点,拟合形成多项式曲线;
(5)道路边界融合:融合护栏曲线、可通行区域边界曲线,得到道路左边界曲线和道路右边界曲线;
(6)历史行驶经过点拟合:通过本车历史行驶经过的坐标点进行采样拟合;
(7)车流轨迹拟合:使用目标融合输出的融合目标,保存目标的历史轨迹点,拟合得到每个目标的历史行驶轨迹曲线;
(8)历史轨迹推算:使用上一周期最终的道路曲线经过推算一个周期得到的当前曲线方程;
(9)曲线置信度计算和筛选:使用检测和处理生成的多条曲线,设置初始置信度,再计算相互之间的相似度,累计增加置信度,在累计置信度和基础置信度的基础上进行筛选得到合理的前方道路形状曲线估计结果。
可选地,所述车道线处理:
由摄像头输出车道线曲线方程,包括当前车道左侧车道线、当前车道右侧车道线、相邻车道左侧车道线和相邻车道右侧车道线,去除车道线曲线方程中系数绝对值超过最大限值的异常车道线,使用卡尔曼滤波对车道线曲线方程中的系数进行滤波处理,如果同时存在当前车道左侧车道线和当前车道右侧车道线,则计算当前车道中心线。
可选地,所述点云拟合:
跟踪存储多帧点云数据,通过左右分割、聚类得到左右两侧边界的点云数据,在满足初始化条件后拟合左右边界曲线,所述初始化条件为单侧点数量超过5个,且在[0,10],(10,20],(20,30]三个区间内都至少存在1个点,且拟合残差小于预设残差阈值,完成初始化后得到初始化曲线,进入迭代更新过程,后续在初始化曲线附近添加新增点重新拟合更新,分别得到护栏曲线和可通行区域边界曲线,其中,新增点指的是最新帧新检测到的点,筛选条件是点与曲线的距离小于预设距离阈值。
可选地,所述曲线置信度计算和筛选,具体为:
曲线置信度计算:
车道线置信度=min(1,(车道线有效长度/车道线基准长度))*(1-min(1,位置变化标准差/基准标准差))*车道线基础置信度;
车流轨迹曲线置信度=min(1,(车流轨迹曲线有效长度/车流轨迹曲线基准长度))*车流曲线基础置信度;
道路边界置信度=(1-min(1,(拟合标准误差/误差基准值))*min(1,(拟合点数量/基准数量))*道路边界基础置信度;
曲线相似度计算:
其中,KParr是两条曲线的相似度;MaxTheta为两条曲线两点间夹角的最大值;RefTheta为设置的参考角度;
筛选曲线,选择综合置信度最高的曲线作为道路形状估计曲线;将筛选后的曲线作为后端滤波器的当前周期观测输入,进行滤波平滑处理,输出最终滤波后曲线作为前方道路形状估计曲线。
第二方面,本发明所述的一种前方道路形状估算系统,包括:
数据采集模块,其包括摄像头和毫米波雷达;
其特征在于,还包括:
存储器,其内存储有计算机可读程序;
控制器,所述控制器分别与存储器和数据采集模块连接,所述控制器在调用计算机可读程序时能执行如本发明所述的前方道路形状估算方法的步骤。
第三方面,本发明所述的一种车辆,采用如本发明所述的前方道路形状估算系统。
第四方面,本发明所述的一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本发明所述前方道路形状估算方法的步骤。
本发明具有以下优点:本发明能够在行驶过程中使用多源传感器数据进行道路形状曲线估计,对比目前主流的仅使用本车道的车道线和前车信息的L2级驾驶辅助系统,本发明还利用了道路边界信息和车流信息,大幅提升了系统的鲁棒性。
附图说明
图1为本实施例的流程图;
图2为本实施例的原理图;
图中:1、当前车道左侧车道线,2、当前车道右侧车道线,3、当前车道中心线,4、相邻车道左侧车道线,5、相邻车道右侧车道线,6、前方的预测曲线方程,7、当前时刻的道路曲线方程,8、道路左边界曲线,9、道路右边界曲线,10、左侧目标轨迹曲线方程,11、右侧目标轨迹曲线方程,12、本车。
具体实施方式
以下结合附图对本发明进行详细的说明。
如图1所示,本实施例中,一种前方道路形状估算方法,包括以下步骤:
(1)信息采集:通过摄像头获取当前车道和相邻车道的车道线曲线方程、左右路沿曲线方程、前方目标信息以及前方可通行区域点;通过毫米波雷达获取前方目标信息以及左、右两侧护栏的反射点信息。
如图2所示,本实施例中,摄像头和毫米波雷达搭载在本车12上。
(2)目标融合:对摄像头和毫米波雷达的目标进行融合和跟踪处理。
(3)车道线处理:车道线曲线方程由摄像头直接输出,包括图2中的当前车道左侧车道线1、当前车道右侧车道线2、相邻车道左侧车道线4和相邻车道右侧车道线5,车道线处理实现去除其中系数绝对值超过最大限值的异常车道线,使用卡尔曼滤波对车道线系数进行滤波处理,如果同时存在当前车道左侧车道线1和当前车道右侧车道线2,则计算当前车道中心线3。
(4)点云拟合:包括毫米波雷达护栏反射点和摄像头可通行区域连接点,其拟合过程包括,跟踪存储多帧点云数据,通过左右分割、聚类得到左右两侧边界的点云数据,满足初始化条件后拟合左右边界曲线,本实施例中,初始化条件为单侧点数量超过5个,其点在[0,10],(10,20],(20,30]三个区间内都至少存在1个点,且拟合残差小于预设残差阈值,完成初始化后得到初始化曲线,进入迭代更新过程,后续在初始化曲线附近添加新增点重新拟合更新,分别得到护栏曲线和可通行区域边界曲线。本实施例中,新增点指的是最新帧新检测到的点,筛选条件是点与曲线的距离小于预设距离阈值。
(5)道路边界融合:融合护栏曲线、可通行区域边界曲线,综合得到道路左边界曲线8和道路右边界曲线9。
(6)历史行驶经过点拟合:是通过存储本车历史行驶(历史行驶指的是前一段时间行驶经过的点,取点规则同上,每行驶2m取一个点,最多保留50个点坐标,转换到本车车身坐标系下)经过的车道中心点,根据后方点信息拟合得到前方的预测曲线方程6,如图2所示。
(7)车流轨迹拟合:对摄像头和毫米波雷达的目标数据进行融合处理,得到具有稳定跟踪ID的目标,跟踪存储一定时间内(目标每向前运动2m添加一个位置坐标,当坐标数量超过5个后认为该目标车流轨迹有效,最多保留最新的50个点坐标,所有点坐标均转换到本车的车身坐标系下,所以该时间是和目标的运动速度相关)前方每个目标的坐标信息,拟合得到每个目标的轨迹曲线方程,如图2中的左侧目标轨迹曲线方程10和右侧目标轨迹曲线方程11。
(8)历史轨迹推算:是使用上一周期最终的道路曲线方程(指的上一周期的最后一步得到的最终道路形状估计曲线方程),经过推算得到当前时刻的道路曲线方程7。
(9)曲线置信度计算和筛选:
通过上述步骤总共得到曲线数量为N条。对上述每条曲线根据其传感源的精度和检测状态,设置其初始置信度,记为RawConf(i),i∈[1,N]。
摄像头给出的车道线检测结果包括三次多项式曲线系数C0、C1、C2、C3,以及车道线的起点位置L_Start和终点位置L_End;其有效长度L=L_End–L_Start;长度是表征车道线质量的重要标准,根据工程经验,选择基准长度L_Base=max(10,2*Hv_Speed_mps),即2s*车速与10的较大值,Hv_Speed_mps为车速,10的单位是m。
车道线基准置信度根据摄像头检测性能和工程经验设置,一般摄像头输出的车道线是道路形状估计中最可靠的来源,可设置为1(归一化)。
位置变化标准差是使用同一条车道线的历史多帧数据(1秒时间内数据)的系数C0进行计算;基准标准差根据工程经验设置,C0波动标准差在0.1以内认为质量较好,则基准标准差可设置为0.5。
其中,车道线置信度根据其有效长度、历史多帧数据之间的跳变设置其置信度。
车道线置信度=min(1,(车道线有效长度/车道线基准长度))*(1-min(1,位置变化标准差/基准标准差))*车道线基础置信度。
车流轨迹曲线置信度=min(1,(车流轨迹有效长度/车流轨迹基准长度))*车流曲线基础置信度;由其他车辆历史行驶轨迹拟合得到,每隔2m取一个点,车流轨迹有效长度为点数量*2,车流轨迹基准长度=max(10,2*Hv_Speed_mps);车流轨迹曲线基础置信度为根据工程化经验设置,因汽车车辆运动具有随机性,其运动轨迹与实际道路形状一致性较低,该基础置信度一般设置较低,例如0.4。
本实施例中,道路边界置信度=(1-min(1,(拟合标准误差/基准值))*min(1,(拟合点数量/基准数量))*道路边界基础置信度;
拟合使用的点坐标记为(xi,yi),i∈[1,n],n为参与拟合的点数量,拟合得到的多项式系数为c0,c1,c2,c3;
拟合标准误差误差基准值根据经验设定,例如可设定为0.8;拟合点数量为上述雷达和摄像头可通行区域点云,经过筛选跟踪后参与拟合的点数量;基准数量根据经验设定,一般超过10个点且在纵向距离[0,10],(10,20],(20,30]区间内均存在点,认为拟合的线质量可靠。
前方的预测曲线方程6是假定道路形状前方无变化的估计,置信度较低可设置为0.3。当前时刻的道路曲线方程7为使用上一周期最终结果道路形状估计曲线系数推算得到的,其置信度可根据上一周期的最终曲线置信度*0.9(衰减系数)得到置信度均设置为基础置信度。
曲线相似度计算,每条曲线与其他曲线进行相似度计算,使用的计算方式为在两条曲线上等间距计算点坐标,例如,其中一条曲线的多项式系数为c0,c1,c2,c3,纵向取点列x=[1,3,5,…xn],计算得到对应的横向坐标y=c0*x+c1*x+c2*x.^2+c3*x.^3;得到点坐标列表[x,y];
取计算相似度的两条曲线分别得到点列(x,y1),(x,y2),计算MaxTheta=abs(dy/dx),其中dx=x(k)-x(k-1),dy=(y2(k)-y2(k-1))-(y1(k)-y1(k-1)),k∈(1,n],相似度MaxTheta为两条曲线两点间夹角的最大值,值越大表针两条曲线越不平行一致性越差,KParr是两条曲线的相似度(在此处是以平行度来度量),RefTheta为设置的参考角度,例如可设置为0.1,当两条线夹角最大超过0.1rad则认为两条线相似度为0。
计算综合置信度,根据每条曲线的初始置信度计算出的置信度和与其他曲线的相似度,计算其综合置信度,例如对于曲线n,综合置信度计算方式为,
其中:N为曲线数量,KParr(n,i)是曲线n和i的相似度。
筛选曲线,选择综合置信度最高的曲线作为道路形状估计曲线;将筛选后的曲线作为后端滤波器的当前周期观测输入,进行滤波平滑处理,其滤波规则为,当上一周期选择的曲线综合置信度高于当前选择的曲线时,加强滤波过程更多使用上一周期曲线信息,反之则更多相信当前的曲线信息。输出最终的滤波后曲线作为前方道路形状估计曲线,用作后端规划算法的基准线。
第二方面,本发明所述的一种前方道路形状估算系统,包括:
数据采集模块,其包括摄像头和毫米波雷达;
其特征在于,还包括:
存储器,其内存储有计算机可读程序;
控制器,所述控制器分别与存储器和数据采集模块连接,所述控制器在调用计算机可读程序时能执行如本实施例中所述的前方道路形状估算方法的步骤。
本实施例中,一种车辆,采用如本实施例中所述的前方道路形状估算系统。
本实施例中,一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如本实施例中所述前方道路形状估算方法的步骤。
Claims (7)
1.一种前方道路形状估算方法,其特征在于,包括以下步骤:
(1)信息采集:获取当前车道和相邻车道的车道线曲线方程、左右路沿曲线方程、前方目标信息以及前方可通行区域点;获取前方目标信息以及左、右两侧护栏的反射点信息;
(2)目标融合:对所采集的目标进行融合和跟踪处理;
(3)车道线处理:去除检测异常车道线,在左右两侧车道线均存在时计算出当前车道中心线;
(4)点云拟合:使用连续多帧的点云数据,分割聚类得到其中属于道路左右边界的点,拟合形成多项式曲线;
(5)道路边界融合:融合护栏曲线、可通行区域边界曲线,得到道路左边界曲线和道路右边界曲线;
(6)历史行驶经过点拟合:通过本车历史行驶经过的坐标点进行采样拟合;
(7)车流轨迹拟合:使用目标融合输出的融合目标,保存目标的历史轨迹点,拟合得到每个目标的历史行驶轨迹曲线;
(8)历史轨迹推算:使用上一周期最终的道路曲线经过推算一个周期得到的当前曲线方程;
(9)曲线置信度计算和筛选:使用检测和处理生成的多条曲线,设置初始置信度,再计算相互之间的相似度,累计增加置信度,在累计置信度和基础置信度的基础上进行筛选得到合理的前方道路形状曲线估计结果。
2.根据权利要求1所述的前方道路形状估算方法,其特征在于:所述车道线处理:
由摄像头输出车道线曲线方程,包括当前车道左侧车道线(1)、当前车道右侧车道线(2)、相邻车道左侧车道线(4)和相邻车道右侧车道线(5),去除车道线曲线方程中系数绝对值超过最大限值的异常车道线,使用卡尔曼滤波对车道线曲线方程中的系数进行滤波处理,如果同时存在当前车道左侧车道线(1)和当前车道右侧车道线(2),则计算当前车道中心线(3)。
3.根据权利要求2所述的前方道路形状估算方法,其特征在于:所述点云拟合:
跟踪存储多帧点云数据,通过左右分割、聚类得到左右两侧边界的点云数据,在满足初始化条件后拟合左右边界曲线,所述初始化条件为单侧点数量超过5个,且在[0,10],(10,20],(20,30]三个区间内都至少存在1个点,且拟合残差小于预设残差阈值,完成初始化后得到初始化曲线,进入迭代更新过程,后续在初始化曲线附近添加新增点重新拟合更新,分别得到护栏曲线和可通行区域边界曲线,其中,新增点指的是最新帧新检测到的点,筛选条件是点与曲线的距离小于预设距离阈值。
4.根据权利要求3所述的前方道路形状估算方法,其特征在于:所述曲线置信度计算和筛选,具体为:
曲线置信度计算:
车道线置信度=min(1,(车道线有效长度/车道线基准长度))*(1-min(1,位置变化标准差/基准标准差))*车道线基础置信度;
车流轨迹曲线置信度=min(1,(车流轨迹曲线有效长度/车流轨迹曲线基准长度))*车流曲线基础置信度;
道路边界置信度=(1-min(1,(拟合标准误差/误差基准值))*min(1,(拟合点数量/基准数量))*道路边界基础置信度;
曲线相似度计算:
其中,KParr是两条曲线的相似度;MaxTheta为两条曲线两点间夹角的最大值;RefTheta为设置的参考角度;
筛选曲线,选择综合置信度最高的曲线作为道路形状估计曲线;将筛选后的曲线作为后端滤波器的当前周期观测输入,进行滤波平滑处理,输出最终滤波后曲线作为前方道路形状估计曲线。
5.一种前方道路形状估算系统,包括:
数据采集模块,其包括摄像头和毫米波雷达;
其特征在于,还包括:
存储器,其内存储有计算机可读程序;
控制器,所述控制器分别与存储器和数据采集模块连接,所述控制器在调用计算机可读程序时能执行如权利要求1至4任一所述的前方道路形状估算方法的步骤。
6.一种车辆,其特征在于,采用如权利要求5所述的前方道路形状估算系统。
7.一种存储介质,其内存储有计算机可读程序,其特征在于,所述计算机可读程序被调用时能执行如权利要求1至4任一所述前方道路形状估算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797799.1A CN113591618B (zh) | 2021-07-14 | 2021-07-14 | 前方道路形状估算方法、系统、车辆及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110797799.1A CN113591618B (zh) | 2021-07-14 | 2021-07-14 | 前方道路形状估算方法、系统、车辆及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113591618A CN113591618A (zh) | 2021-11-02 |
CN113591618B true CN113591618B (zh) | 2024-02-20 |
Family
ID=78247447
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110797799.1A Active CN113591618B (zh) | 2021-07-14 | 2021-07-14 | 前方道路形状估算方法、系统、车辆及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591618B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114396958B (zh) * | 2022-02-28 | 2023-08-18 | 重庆长安汽车股份有限公司 | 基于多车道多传感器的车道定位方法、系统及车辆 |
CN114743175A (zh) * | 2022-03-24 | 2022-07-12 | 重庆长安汽车股份有限公司 | 自动驾驶道路边界构建方法、系统、车辆及存储介质 |
CN114638887A (zh) * | 2022-03-29 | 2022-06-17 | 上海安亭地平线智能交通技术有限公司 | 车道检测方法、装置、计算机可读存储介质及电子设备 |
CN114763996A (zh) * | 2022-04-27 | 2022-07-19 | 重庆长安汽车股份有限公司 | 一种基于多传感器融合的复杂场景路径规划方法 |
CN115131968B (zh) * | 2022-06-28 | 2023-07-11 | 重庆长安汽车股份有限公司 | 一种基于车道线点集与注意力机制的匹配融合方法 |
CN115440048A (zh) * | 2022-09-20 | 2022-12-06 | 澳克诺(上海)汽车科技有限公司 | 预测车辆行驶轨迹的方法、装置及介质 |
CN117576651B (zh) * | 2024-01-18 | 2024-06-18 | 合众新能源汽车股份有限公司 | 一种用于辅助驾驶的车道线拟合方法、系统及车辆 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987174A (en) * | 1995-04-26 | 1999-11-16 | Hitachi, Ltd. | Image processing apparatus for vehicles |
CN109635816A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线生成方法、装置、设备以及存储介质 |
CN111516673A (zh) * | 2020-04-30 | 2020-08-11 | 重庆长安汽车股份有限公司 | 基于智能摄像头和高精地图定位的车道线融合系统及方法 |
CN111738207A (zh) * | 2020-07-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车道线检测方法、装置、电子设备及可读存储介质 |
CN111811530A (zh) * | 2020-06-16 | 2020-10-23 | 当家移动绿色互联网技术集团有限公司 | 车道线生成方法、装置、存储介质及电子设备 |
WO2021060599A1 (ko) * | 2019-09-27 | 2021-04-01 | (주)서울로보틱스 | 레인을 검출하는 차량 및 방법 |
-
2021
- 2021-07-14 CN CN202110797799.1A patent/CN113591618B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5987174A (en) * | 1995-04-26 | 1999-11-16 | Hitachi, Ltd. | Image processing apparatus for vehicles |
CN109635816A (zh) * | 2018-10-31 | 2019-04-16 | 百度在线网络技术(北京)有限公司 | 车道线生成方法、装置、设备以及存储介质 |
WO2021060599A1 (ko) * | 2019-09-27 | 2021-04-01 | (주)서울로보틱스 | 레인을 검출하는 차량 및 방법 |
CN111516673A (zh) * | 2020-04-30 | 2020-08-11 | 重庆长安汽车股份有限公司 | 基于智能摄像头和高精地图定位的车道线融合系统及方法 |
CN111811530A (zh) * | 2020-06-16 | 2020-10-23 | 当家移动绿色互联网技术集团有限公司 | 车道线生成方法、装置、存储介质及电子设备 |
CN111738207A (zh) * | 2020-07-13 | 2020-10-02 | 腾讯科技(深圳)有限公司 | 车道线检测方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113591618A (zh) | 2021-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113591618B (zh) | 前方道路形状估算方法、系统、车辆及存储介质 | |
CN110136222B (zh) | 虚拟车道线生成方法、装置及系统 | |
CN112498367B (zh) | 一种行驶轨迹规划方法、装置、汽车、控制器及计算机可读存储介质 | |
CN107636751B (zh) | 行驶车道判别装置和行驶车道判别方法 | |
EP3489928A1 (en) | Traveling road boundary estimation apparatus and traveling assistance system using same | |
US11023744B2 (en) | Road parameter calculator | |
KR101968349B1 (ko) | 영상 정보를 이용한 차선 경계 검출 방법 | |
CN111537994B (zh) | 一种无人矿卡障碍物检测方法 | |
CN106096525A (zh) | 一种复合型车道识别系统及方法 | |
US20150149076A1 (en) | Method for Determining a Course of a Traffic Lane for a Vehicle | |
WO2020066072A1 (ja) | 区画線認識装置 | |
WO2023173713A1 (zh) | 一种车辆的转向控制方法、装置、车辆及存储介质 | |
CN113415274B (zh) | 自动驾驶的跟车轨迹规划系统、方法、车辆及存储介质 | |
JP4637690B2 (ja) | 道路形状認識装置 | |
KR20160088986A (ko) | 소실점 기반의 양안시차를 이용한 차선 검출 방법 | |
WO2021093335A1 (en) | Method for automatically labeling lane changing intention based on high-noise trajectory data of vehicle | |
CN113942503A (zh) | 一种车道保持方法和装置 | |
JP5746996B2 (ja) | 道路環境認識装置 | |
JP5559650B2 (ja) | 車線推定装置 | |
CN114475615A (zh) | 用于基于多个传感器识别行驶车道的设备和方法 | |
CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
JP5682302B2 (ja) | 走行道路推定装置、方法およびプログラム | |
CN114037977B (zh) | 道路灭点的检测方法、装置、设备及存储介质 | |
KR20150124889A (ko) | 다중 차로 검출 및 차로 변경 감지 기반의 차로 인식 방법 및 시스템 | |
JP4151631B2 (ja) | 物体検出装置 |
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 |