CN113682313A - 一种车道线确定方法、确定装置及存储介质 - Google Patents
一种车道线确定方法、确定装置及存储介质 Download PDFInfo
- Publication number
- CN113682313A CN113682313A CN202110919013.9A CN202110919013A CN113682313A CN 113682313 A CN113682313 A CN 113682313A CN 202110919013 A CN202110919013 A CN 202110919013A CN 113682313 A CN113682313 A CN 113682313A
- Authority
- CN
- China
- Prior art keywords
- lane line
- vehicle
- determining
- information
- coordinate system
- 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
Links
Images
Classifications
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
为解决远距离车道线预测不准确的技术问题,本发明提出了一种车道线确定方法、确定装置及存储介质。方法包括:确定车辆坐标系;获取用户车辆所在的当前道路的车道线信息;根据车道线信息和车辆坐标系确定车道线坐标系,车道线坐标系的原点用于表征用户车辆在当前道路中的位置,车道线坐标系的纵坐标方向用于表征当前道路的延伸方向;在行驶于用户车辆前方的前方车辆中确定目标车辆;获取目标车辆与用户车辆之间的相对行驶信息;根据相对行驶信息确定目标车辆在车辆坐标系中的第一运动函数;根据相对行驶信息确定目标车辆在车道线坐标系中的第二运动函数;根据第二运动函数和第一运动函数之间的映射关系,确定目标车道线信息。
Description
技术领域
本发明涉及自动驾驶领域,具体涉及一种车道线确定方法、确定装置及存储介质。
背景技术
车道线预测是自动驾驶中非常重要的一个方面,横向的基本功能是基于当前车道线的信息进行车辆控制;车道线也是目标车辆的车道线位置预测主要的影响要素之一。当前的车道线信息主要是来自视觉传感器,但是视觉传感器能保证精度的检测范围通常在50m左右,对横向控制来说虽然可以应用,但是无法满足远距离目标的车道关系的判断,通常导致纵向功能如ACC目标选择不准确,频繁目标切换或者目标漏检,在高速行驶工况容易引起事故。
因此,有必要提供一种自动驾驶的车道线优化方案,解决现有技术中对远距离车道线预测不准确的技术问题。
发明内容
为了解决现有技术中对远距离车道线预测不准确的技术问题,本发明提出了一种车道线确定方法、确定装置及存储介质,本发明具体是以如下技术方案实现的。
本发明提供一种车道线确定方法,包括:
根据用户车辆的定位信息确定车辆坐标系;
获取所述用户车辆所在的当前道路的车道线信息;
根据所述车道线信息和所述车辆坐标系确定车道线坐标系,所述车道线坐标系的原点用于表征所述用户车辆在所述当前道路中的位置,所述车道线坐标系的纵坐标方向用于表征所述当前道路的延伸方向;
在行驶于所述用户车辆前方的前方车辆中确定目标车辆;
获取所述目标车辆与所述用户车辆之间的相对行驶信息;
根据所述相对行驶信息确定所述目标车辆在所述车辆坐标系中的第一运动函数;
根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数;
根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息。
在用户车辆行驶的过程以及目标车辆行驶的过程中,目标车辆相对于用户车辆的位置信息本身提供了车道线的信息,本发明在车道线的追踪中加入前方稳定行驶的车辆(目标车辆)的车辆信息,把车道线相关系数作为状态变量(车道线信息),建立合理的运动学模型,从而达到更准确地估计车道线尤其是更准确地估计远距离车道线的技术效果。
本发明提供的车道线确定方法的进一步改进在于,所述车道线信息包括所述用户车辆与所述车道线之间的第一相对距离、所述用户车辆与所述车道线之间的夹角、所述车道线的曲率和所述曲率的变化率。
本发明提供的车道线确定方法的进一步改进在于,所述在行驶于所述用户车辆前方的前方车辆中确定目标车辆包括:
获取行驶于所述用户车辆前方的前方车辆的前车行驶信息,所述前车行驶信息包括速度变化量和横摆角速度变化量;
根据所述前车行驶信息,确定所述前方车辆中满足预设条件的所述目标车辆。
本发明提供的车道线确定方法的更进一步改进在于,所述前车行驶信息还包括所述前方车辆的行驶轨迹和/或所述用户车辆的稳定度;
所述根据所述前车行驶信息,确定所述前方车辆中满足预设条件的所述目标车辆包括:
根据所述速度变化量和所述横摆角速度变化量,确定所述前方车辆中满足第一预设条件的候选车辆,所述第一预设条件指示第一行驶稳定度;
根据所述行驶轨迹和/或所述用户车辆的稳定度,确定所述候选车辆中满足第二预设条件的所述目标车辆,所述第二预设条件指示第二行驶稳定度。
本发明提供的车道线确定方法的进一步改进在于,所述相对行驶信息包括所述目标车辆与所述用户车辆之间的第二相对距离、相对速度和相对加速度。
本发明提供的车道线确定方法的进一步改进在于,所述根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数包括:
根据所述相对行驶信息确定第一运动参数,所述第一运动参数包括所述目标车辆沿车道线方向的纵向距离、所述目标车辆与所述车道线之间的横向距离、所述目标车辆的纵向速度和所述目标车辆的横向速度;
根据所述第一运动参数确定所述第二运动函数。
本发明提供的车道线确定方法的进一步改进在于,所述根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息包括:
确定所述第二运动函数和所述第一运动函数之间的映射关系;
对所述映射关系进行卡尔曼滤波处理;
根据卡尔曼滤波处理后的映射关系,确定所述目标车道线信息。
本发明提供的车道线确定方法的进一步改进在于,所述根据卡尔曼滤波处理后的映射关系,确定所述目标车道线信息包括:
获取所述用户车辆的实时状态信息;
根据所述实时状态信息和所述卡尔曼滤波处理后的映射关系确定所述目标车道线信息。
此外,本发明还提供一种车道线确定装置,用于执行如上所述的车道线确定方法,装置包括:
第一确定模块,用于根据用户车辆的定位信息确定车辆坐标系;
第一获取模块,用于获取所述用户车辆所在的当前道路的车道线信息;
第二确定模块,用于根据所述车道线信息和所述车辆坐标系确定车道线坐标系,所述车道线坐标系的原点用于表征所述用户车辆在所述当前道路中的位置,所述车道线坐标系的纵坐标方向用于表征所述当前道路的延伸方向;
第三确定模块,用于在行驶于所述用户车辆前方的前方车辆中确定目标车辆;
第二获取模块,用于获取所述目标车辆与所述用户车辆之间的相对行驶信息;
第四确定模块,用于根据所述相对行驶信息确定所述目标车辆在所述车辆坐标系中的第一运动函数;
第五确定模块,用于根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数;
第六确定模块,用于根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如上所述的车道线确定方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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他的附图。
图1为本发明实施例1提供的一种车道线确定方法的流程示意图。
图2为本发明实施例1中车辆坐标系的示意图。
图3为本发明实施例1中车道线坐标系的示意图。
图4为本发明实施例2提供的一种车道线确定系统的框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅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的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。
为了解决现有技术中对远距离车道线预测不准确的技术问题,本发明提出了一种车道线确定方法、确定装置及存储介质,本发明具体是以如下技术方案实现的。
实施例1:
结合图1至图3所示,本实施例1提供的一种车道线确定方法包括:
步骤S101:根据用户车辆的定位信息确定车辆坐标系;
步骤S102:获取用户车辆所在的当前道路的车道线信息;
步骤S103:根据车道线信息和车辆坐标系确定车道线坐标系,车道线坐标系的原点用于表征用户车辆在当前道路中的位置,车道线坐标系的纵坐标方向用于表征当前道路的延伸方向;
步骤S104:在行驶于用户车辆前方的前方车辆中确定目标车辆;
步骤S105:获取目标车辆与用户车辆之间的相对行驶信息;
步骤S106:根据相对行驶信息确定目标车辆在车辆坐标系中的第一运动函数;
步骤S107:根据相对行驶信息确定目标车辆在车道线坐标系中的第二运动函数;
步骤S108:根据第二运动函数和第一运动函数之间的映射关系,确定目标车道线信息。
本实施例1中,目标车道线信息为根据映射关系预测得到的信息,目标车道线信息包括用户车辆与车道线之间的预测相对距离、用户车辆与车道线之间的预测夹角、车道线的预测曲率和预测曲率的预测变化率。自动驾驶车辆可以根据目标车道线信息对前方车道线进行预判,可以提升对远距离车道线预测的准确性。
本实施例1的步骤S101中,用户车辆的定位信息为GPS信息,GPS 信息可以由车辆导航系统获取;根据GPS信息建立以用户车辆为原点的车辆坐标系,车辆坐标系是与车身固连的坐标系;车辆坐标系的X轴方向(纵坐标方向)用于表征用户车辆的行驶方向,车辆坐标系的Y轴方向(横坐标方向)垂直于车辆坐标系的X轴方向。
本实施例1的步骤S102中可以通过摄像头或者视觉传感器获取车道线信息。用户车辆所在的当前道路可以设有多条车道线,在步骤S102中可以分别获取多条车道线的车道线信息。
在用户车辆行驶的过程以及目标车辆行驶的过程中,目标车辆相对于用户车辆的位置信息本身提供了车道线的信息,本实施例1在车道线的追踪中加入前方稳定行驶的车辆(目标车辆)的车辆信息,把车道线相关系数作为状态变量(车道线信息),建立合理的运动学模型,从而达到更准确地估计车道线尤其是更准确地估计远距离车道线的技术效果。
进一步地,车道线信息包括用户车辆与车道线之间的第一相对距离、用户车辆与车道线之间的夹角、车道线的曲率和曲率的变化率。
在步骤S103中,根据车辆坐标系和多条车道线的车道线信息,可以获得多条车道线对应的车道线坐标系。车道线坐标(x,y)在车辆坐标系(以自车后轴中心为原点的坐标系)中可表示为:
其中,x为车辆坐标系中某一点的纵坐标,y为车辆坐标系中某一点的横坐标,lateralDis为用户车辆与车道线之间的第一相对距离,heading为用户车辆与车道线之间的夹角,c0表示车道线曲率,c1表示车道线曲率的变化率。
第一相对距离lateralDis、夹角heading、c0和变化率c1均可以由用户车辆实时获得,根据实时的车道线信息在车辆坐标系中确定点(x,y)的集合,点(x,y)的集合即为车道线坐标系的纵坐标。车道线坐标系的横坐标垂直于车道线坐标系的纵坐标。
车道线坐标系是s方向(纵坐标方向)与当前车道的中心线固连的坐标系,如图3所示,车道线坐标系的原点的垂线过用户车辆的后轴,因此这个坐标系是一个跟随用户车辆运动的动坐标系,假设车道线满足螺旋线方程如下,其中cs表示在s距离的曲率,s距离为目标车在车道线坐标系S方向的距离,c1表示曲率变化率,表示c0的一阶导数,v(ego)表示用户车辆的速度。
cs=c0+c1*s
离散化可得
c0t+1=c0t+T*v(ego)*c1
c1t+1=c1t
其中,c0t+1表示t+1时刻的曲率;c0t表示t时刻的曲率,c1t+1表示t+1 时刻的曲率变化率,c1t表示t时刻的曲率变化率,T表示采样周期。进一步地,将曲率、曲率变化率代入车道线坐标(x,y)的公式中。
进一步地,第一相对距离lateralDis、夹角heading满足
离散化可得如下关系式,从如下关系式中可以注意到用户车辆与车道线之间,在第一相对距离、夹角、车身的横摆角速度、车身的速度定量上具有联系:
其中,lateralDist+1表示t+1时刻的第一相对距离,lateralDist表示t时刻的第一相对距离,headingt+1表示t+1时刻的夹角,headingt表示t时刻的夹角,yawrate(ego)表示角速度。
进一步地,将第一相对距离、夹角代入车道线坐标(x,y)的公式中。
进一步地,步骤S104包括:获取行驶于用户车辆前方的前方车辆的前车行驶信息,前车行驶信息包括速度变化量和横摆角速度变化量;根据前车行驶信息,确定前方车辆中满足预设条件的目标车辆。针对不同的前方车辆进行选择,只有满足一定预设条件的车辆才被判定为稳定行驶的前车 (目标车辆)。预设条件包括:速度变化量介于第一预设范围,横摆角速度变化量介于第二预设范围。本实施例1中可以通过融合传感器或者其他物体传感器(比如毫米波雷达,激光雷达)获取前方车辆的前车行驶信息。
更进一步地,前车行驶信息还包括前方车辆的行驶轨迹和/或用户车辆的稳定度;
根据前车行驶信息,确定前方车辆中满足预设条件的目标车辆包括:根据速度变化量和横摆角速度变化量,确定前方车辆中满足第一预设条件的候选车辆,第一预设条件指示第一行驶稳定度;根据行驶轨迹和/或用户车辆的稳定度,确定候选车辆中满足第二预设条件的目标车辆,第二预设条件指示第二行驶稳定度。本实施例1中,除了考虑前方车辆一段时间里面的速度变化量、前方车辆的横摆角速度的变化量之外,也可以综合考虑前方车辆的行驶轨迹;此外,为了更好地选择目标车辆,用户车辆是否稳定也作为考虑的一个标准。用户车辆稳定行驶一方面让目标车辆选择更准确,另一方面也使得传感器更稳定地采集信息,不会造成发散。
进一步地,步骤S105中的相对行驶信息包括目标车辆与用户车辆之间的第二相对距离、相对速度和相对加速度。本实施例1中可以通过融合传感器或者其他物体传感器(比如毫米波雷达,激光雷达)获取相对行驶信息,相对行驶信息是基于自车坐标系确定的。
其中,第二相对距离包括纵向相对距离xobj、横向相对距离yobj;目标车辆与用户车辆之间的相对速度包括纵向相对速度vx、横向相对速度vy;目标车辆与用户车辆之间的相对加速度包括纵向相对加速度ax、横向相对加速度ay;可以表示如{xobj,yobj,vx,vy,ax,ay}。
步骤S106中,根据目标车辆与用户车辆之间的第二相对距离、目标车辆与用户车辆之间的相对速度、目标车辆与用户车辆之间的相对加速度,确定目标车辆在车辆坐标系中的第一运动函数。
进一步地,步骤S107包括:根据相对行驶信息确定第一运动参数,第一运动参数包括目标车辆沿车道线方向的纵向距离、目标车辆与车道线之间的横向距离、目标车辆的纵向速度和目标车辆的横向速度;根据第一运动参数确定第二运动函数。
本实施例1中目标车辆的集合可以表示为∑VE,不同的目标车辆相对于图3建立的坐标系的变量可表示为其中VEs可表示目标车辆沿车道线方向的纵向距离,VEd表示目标车辆与用户车辆之间的横向距离,表示目标车辆的横向速度,表示目标车辆的纵向速度;稳定行驶的车辆可以说与自车的相对速度保持不变,因此,可以合理近似为目标车辆相对于用户车辆的纵向速度vx;目标车辆相对于车道线的横向距离不变,即横向速度为0;针对任意目标车辆Vi可以得到如下公式描述其运动,其中,v表示目标车辆相对于用户车辆的速度,稳定跟随的目标车辆的与用户车辆之间的相对加速度为0。
离散化得
VEst+1=VEst+T*v
vt+1=vt
VEdt+1=VEdt
其中,VESt+1表示t+1时刻目标车辆沿车道线方向的纵向距离,VESt 表示t时刻目标车辆沿车道线方向的纵向距离,vt+1表示t+1时刻目标车辆相对于用户车辆的速度,vt表示t时刻目标车辆相对于用户车辆的速度, VEdt+1表示t+1时刻目标车辆与用户车辆之间的横向距离,VEdt表示t时刻目标车辆与用户车辆之间的横向距离。
进一步地,步骤S107包括:确定第二运动函数和第一运动函数之间的映射关系;对映射关系进行卡尔曼滤波处理;根据卡尔曼滤波处理后的映射关系,确定目标车道线信息。
进一步地,根据卡尔曼滤波处理后的映射关系,确定目标车道线信息包括:获取用户车辆的实时状态信息;根据实时状态信息和卡尔曼滤波处理后的映射关系确定目标车道线信息。
本实施例1中,可以在t时刻得到如下基于车辆坐标系的观测量,并建立图3道路坐标系和图2车辆坐标系的转化矩阵Transition,可以建立观测方程,可观测变量有用户车辆与车道线之间的第一相对距离lateralDis、用户车辆与车道线之间的夹角heading,车道线的曲率c0、车道线的曲率变化率c1,目标车辆在车辆坐标系下的坐标xobj,yobj,即
obj=[lateralDis,heading,c0,c1,xobj,yobj]
xobj,yobj涉及到车道线坐标系到车辆坐标系的一个转化,可表示为
[xobj,yobj]=Transition([VEs,VEd])
至此,可以得到系统的状态方程,对任一满足条件的目标车辆,系统的状态有[VEst+1,vt+1,VEdt+1,lateralDis,heading,c0,c1],可观测量有 [lateralDis,heading,c0,c1,xobj,yobj],用户车辆的实时状态信息作为输入量 [vego,yawRateego]。
卡尔曼滤波是一种对有噪声的观测系统的最优估计,对于如下所示非线性系统可以对其取一阶导数进行线性化:
xk+1=f(xk)+sk
zk+1=g(xk)+vk
其中,Xk+1表示k+1的状态变量,sk表示的是模型误差,vk表示观测误差,zk+1表示观测变量,此为扩展卡尔曼的标准描述。
在本实施例1中,物体的从车道线坐标系到车辆坐标系是一个非线性方程,将其线性化并带入扩展卡尔曼滤波的框架,从而基于稳定行驶的车辆集完成更好的车道线信息估计。
实施例2:
结合图4所示,本实施例2提供一种车道线确定装置,用于执行实施例1中的车道线确定方法,装置包括:
第一确定模块10,用于根据用户车辆的定位信息确定车辆坐标系;
第一获取模块20,用于获取用户车辆所在的当前道路的车道线信息;
第二确定模块30,用于根据车道线信息和车辆坐标系确定车道线坐标系,车道线坐标系的原点用于表征用户车辆在当前道路中的位置,车道线坐标系的纵坐标方向用于表征当前道路的延伸方向;
第三确定模块40,用于在行驶于用户车辆前方的前方车辆中确定目标车辆;
第二获取模块50,用于获取目标车辆与用户车辆之间的相对行驶信息;
第四确定模块60,用于根据相对行驶信息确定目标车辆在车辆坐标系中的第一运动函数;
第五确定模块70,用于根据相对行驶信息确定目标车辆在车道线坐标系中的第二运动函数;
第六确定模块80,用于根据第二运动函数和第一运动函数之间的映射关系,确定目标车道线信息。
在用户车辆行驶的过程以及目标车辆行驶的过程中,目标车辆相对于用户车辆的位置信息本身提供了车道线的信息,本实施例1在车道线的追踪中加入前方稳定行驶的车辆(目标车辆)的车辆信息,把车道线相关系数作为状态变量,建立合理的运动学模型,从而达到更准确地估计车道线尤其是更准确地估计远距离车道线的技术效果。
需要说明的是,上述实施例提供的装置,在实现其功能时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将设备的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的装置与方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
实施例3:
本实施例3提供一种计算机可读存储介质,计算机可读存储介质中存储有至少一条指令或至少一段程序,至少一条指令或至少一段程序由处理器加载并执行以实现如实施例1中的车道线确定方法。
可选地,在本实施例3中,上述存储介质可以包括但不限于:U盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access 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。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例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步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和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都是与其他实施例的不同之处。尤其,对于装置实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也可以通过程序来指令相关的硬件完成,的程序可以存储于一种计算机可读存储介质中,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种车道线确定方法,其特征在于,包括:
根据用户车辆的定位信息确定车辆坐标系;
获取所述用户车辆所在的当前道路的车道线信息;
根据所述车道线信息和所述车辆坐标系确定车道线坐标系,所述车道线坐标系的原点用于表征所述用户车辆在所述当前道路中的位置,所述车道线坐标系的纵坐标方向用于表征所述当前道路的延伸方向;
在行驶于所述用户车辆前方的前方车辆中确定目标车辆;
获取所述目标车辆与所述用户车辆之间的相对行驶信息;
根据所述相对行驶信息确定所述目标车辆在所述车辆坐标系中的第一运动函数;
根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数;
根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息。
2.如权利要求1所述的车道线确定方法,其特征在于,所述车道线信息包括所述用户车辆与所述车道线之间的第一相对距离、所述用户车辆与所述车道线之间的夹角、所述车道线的曲率和所述曲率的变化率。
3.如权利要求1所述的车道线确定方法,其特征在于,所述在行驶于所述用户车辆前方的前方车辆中确定目标车辆包括:
获取行驶于所述用户车辆前方的前方车辆的前车行驶信息,所述前车行驶信息包括速度变化量和横摆角速度变化量;
根据所述前车行驶信息,确定所述前方车辆中满足预设条件的所述目标车辆。
4.如权利要求3所述的车道线确定方法,其特征在于,所述前车行驶信息还包括所述前方车辆的行驶轨迹和/或所述用户车辆的稳定度;
所述根据所述前车行驶信息,确定所述前方车辆中满足预设条件的所述目标车辆包括:
根据所述速度变化量和所述横摆角速度变化量,确定所述前方车辆中满足第一预设条件的候选车辆,所述第一预设条件指示第一行驶稳定度;
根据所述行驶轨迹和/或所述用户车辆的稳定度,确定所述候选车辆中满足第二预设条件的所述目标车辆,所述第二预设条件指示第二行驶稳定度。
5.如权利要求1所述的车道线确定方法,其特征在于,所述相对行驶信息包括所述目标车辆与所述用户车辆之间的第二相对距离、相对速度和相对加速度。
6.如权利要求1所述的车道线确定方法,其特征在于,所述根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数包括:
根据所述相对行驶信息确定第一运动参数,所述第一运动参数包括所述目标车辆沿车道线方向的纵向距离、所述目标车辆与所述车道线之间的横向距离、所述目标车辆的纵向速度和所述目标车辆的横向速度;
根据所述第一运动参数确定所述第二运动函数。
7.如权利要求1所述的车道线确定方法,其特征在于,所述根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息包括:
确定所述第二运动函数和所述第一运动函数之间的映射关系;
对所述映射关系进行卡尔曼滤波处理;
根据卡尔曼滤波处理后的映射关系,确定所述目标车道线信息。
8.如权利要求1所述的车道线确定方法,其特征在于,所述根据卡尔曼滤波处理后的映射关系,确定所述目标车道线信息包括:
获取所述用户车辆的实时状态信息;
根据所述实时状态信息和所述卡尔曼滤波处理后的映射关系确定所述目标车道线信息。
9.一种车道线确定装置,其特征在于,用于执行如权利要求1至8中任一项所述的车道线确定方法,装置包括:
第一确定模块,用于根据用户车辆的定位信息确定车辆坐标系;
第一获取模块,用于获取所述用户车辆所在的当前道路的车道线信息;
第二确定模块,用于根据所述车道线信息和所述车辆坐标系确定车道线坐标系,所述车道线坐标系的原点用于表征所述用户车辆在所述当前道路中的位置,所述车道线坐标系的纵坐标方向用于表征所述当前道路的延伸方向;
第三确定模块,用于在行驶于所述用户车辆前方的前方车辆中确定目标车辆;
第二获取模块,用于获取所述目标车辆与所述用户车辆之间的相对行驶信息;
第四确定模块,用于根据所述相对行驶信息确定所述目标车辆在所述车辆坐标系中的第一运动函数;
第五确定模块,用于根据所述相对行驶信息确定所述目标车辆在所述车道线坐标系中的第二运动函数;
第六确定模块,用于根据所述第二运动函数和所述第一运动函数之间的映射关系,确定目标车道线信息。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一条指令或至少一段程序,所述至少一条指令或所述至少一段程序由处理器加载并执行以实现如权利要求1至8中任一项所述的车道线确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919013.9A CN113682313B (zh) | 2021-08-11 | 2021-08-11 | 一种车道线确定方法、确定装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110919013.9A CN113682313B (zh) | 2021-08-11 | 2021-08-11 | 一种车道线确定方法、确定装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113682313A true CN113682313A (zh) | 2021-11-23 |
CN113682313B CN113682313B (zh) | 2023-08-22 |
Family
ID=78579451
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110919013.9A Active CN113682313B (zh) | 2021-08-11 | 2021-08-11 | 一种车道线确定方法、确定装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113682313B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454888A (zh) * | 2022-02-22 | 2022-05-10 | 福思(杭州)智能科技有限公司 | 一种车道线预测方法、装置、电子设备及车辆 |
CN114743395A (zh) * | 2022-03-21 | 2022-07-12 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
CN115027482A (zh) * | 2022-06-29 | 2022-09-09 | 东风商用车有限公司 | 智能驾驶中的融合定位方法 |
CN115782926A (zh) * | 2022-12-29 | 2023-03-14 | 苏州市欧冶半导体有限公司 | 一种基于道路信息的车辆运动预测方法及装置 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10354650A1 (de) * | 2003-11-22 | 2005-06-16 | Daimlerchrysler Ag | Fahrspurvorrichtung und Verfahren zur Ermittlung von Fahrspurverlaufsdaten für ein Fahrzeug |
DE102012214206A1 (de) * | 2012-08-09 | 2014-02-13 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Krümmungserkennung eines Fahrspurverlaufs während einer vollautomatischen Fahrzeugführung |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
DE102016007571A1 (de) * | 2016-06-21 | 2017-02-09 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeugs |
US20190103023A1 (en) * | 2017-10-04 | 2019-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Travel lane identification without road curvature data |
WO2020011025A1 (zh) * | 2018-07-12 | 2020-01-16 | 广州小鹏汽车科技有限公司 | 一种车辆的自动换道方法及装置 |
CN111267862A (zh) * | 2020-01-13 | 2020-06-12 | 清华大学 | 一种依赖跟随目标的虚拟车道线构造方法和系统 |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
-
2021
- 2021-08-11 CN CN202110919013.9A patent/CN113682313B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10354650A1 (de) * | 2003-11-22 | 2005-06-16 | Daimlerchrysler Ag | Fahrspurvorrichtung und Verfahren zur Ermittlung von Fahrspurverlaufsdaten für ein Fahrzeug |
DE102012214206A1 (de) * | 2012-08-09 | 2014-02-13 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Krümmungserkennung eines Fahrspurverlaufs während einer vollautomatischen Fahrzeugführung |
CN104282020A (zh) * | 2014-09-22 | 2015-01-14 | 中海网络科技股份有限公司 | 一种基于目标运动轨迹的车辆速度检测方法 |
DE102016007571A1 (de) * | 2016-06-21 | 2017-02-09 | Daimler Ag | Verfahren zum Betrieb eines Fahrzeugs |
US20190103023A1 (en) * | 2017-10-04 | 2019-04-04 | Toyota Motor Engineering & Manufacturing North America, Inc. | Travel lane identification without road curvature data |
WO2020011025A1 (zh) * | 2018-07-12 | 2020-01-16 | 广州小鹏汽车科技有限公司 | 一种车辆的自动换道方法及装置 |
CN111267862A (zh) * | 2020-01-13 | 2020-06-12 | 清华大学 | 一种依赖跟随目标的虚拟车道线构造方法和系统 |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114454888A (zh) * | 2022-02-22 | 2022-05-10 | 福思(杭州)智能科技有限公司 | 一种车道线预测方法、装置、电子设备及车辆 |
CN114454888B (zh) * | 2022-02-22 | 2023-10-13 | 福思(杭州)智能科技有限公司 | 一种车道线预测方法、装置、电子设备及车辆 |
CN114743395A (zh) * | 2022-03-21 | 2022-07-12 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
CN114743395B (zh) * | 2022-03-21 | 2024-03-08 | 中汽创智科技有限公司 | 一种信号灯检测方法、装置、设备及介质 |
CN115027482A (zh) * | 2022-06-29 | 2022-09-09 | 东风商用车有限公司 | 智能驾驶中的融合定位方法 |
CN115782926A (zh) * | 2022-12-29 | 2023-03-14 | 苏州市欧冶半导体有限公司 | 一种基于道路信息的车辆运动预测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113682313B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113682313B (zh) | 一种车道线确定方法、确定装置及存储介质 | |
CN110658531B (zh) | 一种用于港口自动驾驶车辆的动态目标追踪方法 | |
Amditis et al. | A situation-adaptive lane-keeping support system: Overview of the safelane approach | |
Wilthil et al. | Radar-based maritime collision avoidance using dynamic window | |
US7085633B2 (en) | System and method for improving vehicle operator driving assistance of automotive vehicle | |
JP6770393B2 (ja) | トラッキング装置及びプログラム | |
US20050278112A1 (en) | Process for predicting the course of a lane of a vehicle | |
CN111458700A (zh) | 车辆映射和定位的方法和系统 | |
Jeon et al. | Rear vehicle tracking on a bicycle using active sensor orientation control | |
CN109900490B (zh) | 基于自主式和协同式传感器的车辆运动状态检测方法及系统 | |
CN111006667A (zh) | 高速场景下的自动驾驶轨迹生成系统 | |
JP2019530608A (ja) | 物体レベル融合の自律走行車両 | |
CN111751857A (zh) | 一种车辆位姿的估算方法、装置、存储介质及系统 | |
CN111707258B (zh) | 一种外部车辆监测方法、装置、设备及存储介质 | |
CN113504782B (zh) | 障碍物防撞方法、装置、系统和移动工具 | |
Zindler et al. | Real-time ego-motion estimation using Lidar and a vehicle model based Extended Kalman Filter | |
CN108733042A (zh) | 自动驾驶车辆的目标跟踪方法及装置 | |
KR101980509B1 (ko) | 차간 거리 추정 방법 및 차간 거리 추정 장치 | |
Vashishtha et al. | Maximum likelihood multiple model filtering for path prediction in intelligent transportation systems | |
Gunnarsson et al. | Joint driver intention classification and tracking of vehicles | |
EP4043921A1 (en) | Multiple hypothesis-based fusion of sensor data | |
Brown et al. | Lateral vehicle state and environment estimation using temporally previewed mapped lane features | |
CN112611377B (zh) | 一种用于小车室外导航的状态预测方法、装置及存储介质 | |
CN114877904A (zh) | 一种道路曲率的估计方法、测量装置和计算机设备 | |
CN115082562A (zh) | 一种外参标定方法、装置、设备、服务器及车载计算设备 |
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 |