CN114067562A - 一种基于多维度特征的车道有效性预测方法及预测系统 - Google Patents
一种基于多维度特征的车道有效性预测方法及预测系统 Download PDFInfo
- Publication number
- CN114067562A CN114067562A CN202111266330.1A CN202111266330A CN114067562A CN 114067562 A CN114067562 A CN 114067562A CN 202111266330 A CN202111266330 A CN 202111266330A CN 114067562 A CN114067562 A CN 114067562A
- Authority
- CN
- China
- Prior art keywords
- lane
- road section
- track
- road
- effectiveness
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000009826 distribution Methods 0.000 claims abstract description 62
- 230000008447 perception Effects 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 33
- 230000001502 supplementing effect Effects 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 3
- 230000009469 supplementation Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种基于多维度特征的车道有效性预测方法及预测系统,基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计每一个道路区间相关的五维特征向量;基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。本发明根据轨迹在车道内的分布密度、车道自身在道路面上的空间分布、左右车道边线的感知比例和补充比例等信息,通过这些基本特征建模,预测车道存在的可信度,以此来去除因偏移轨迹或稀疏轨迹而生成的无效车道,提高高精度地图的精度和安全性。
Description
技术领域
本发明涉及高精度地图领域,更具体地,涉及一种基于多维度特征的车道有效性预测方法及预测系统。
背景技术
通过批量的低成本众包采集车采集数据构建众包地图是目前高精度地图成图的主流方式之一,根据采集到的连续轨迹和片段化的地面标线,通过合理推测等手段对地面标线进行补充和调整,以此来构建车道级的高精度地图。
由于众包采集车的采集设备本身是低成本的,在建筑遮挡,恶劣天气等环境下出现轨迹飘飞是比较正常的现象,对于异常飘飞的轨迹可以结合车辆运动学和卡尔曼滤波等手段进行滤取,但是对于那些稍微偏离出车道的轨迹,滤取效果就不是那么理想了。通过这些偏离出车道的轨迹和感知标线补充推测的车道边线在现实世界中可能是不存在的,甚至对一些稀疏轨迹覆盖的车道,其可靠性也是有待商榷的,可能是偏离的轨迹飘到了附近的绿化带上形成的,这样推测补全的车道有可能是无效车道,会影响到整个高精度地图的成图精度和导航驾驶安全性。
针对这一类偏移出车道或稀疏未知的轨迹,比较常用的处理方式是根据轨迹密度进行剔除,比如运用约束Delaunay三角网剔除边界稀疏轨迹或单纯利用轨迹点核密度,剔除核密度较低的区域轨迹。上述方法单纯依靠轨迹密度而忽略了路网的连通性,而实际上稀疏轨迹所体现的的车道拓扑连通可能是至关重要的。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于多维度特征的车道有效性预测方法及预测系统。
根据本发明的第一方面,提供了一种基于多维度特征的车道有效性预测方法,包括:基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述基于众包轨迹对感知的片段化车道标线进行补充和调整,得到平滑完整的车道边线,包括:沿着轨迹行驶方向,将片段化的感知车道标线按照其在路面上的横向分布进行分类,对分属于同一条车道边线的感知车道标线进行拼接;对于中间存在缺失的区域,参考附近的众包轨迹进行补齐,得到完整的车道边线。
可选的,所述统计众包轨迹在每一个道路区间内的分布密度,包括:对于任一个道路区间,统计落在所述任一个道路区间内的轨迹点数量A、落在所述任一个道路区间各个车道内的轨迹点数量B1,...,Bn,n表示该道路区间内的车道数;计算轨迹在所述任一个道路区间内的分布密度B1/A,...,Bn/A;以此类推,计算每一个道路区间内的各个车道的轨迹分布密度。
可选的,所述统计车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例,包括:根据车道边线的感知长度和虚拟补充长度,计算每一个道路区间内的车道左侧边线的感知长度和虚拟补充长度的比例,以及计算每一个道路区间内的车道右侧边线的感知长度和虚拟补充长度的比例。
可选的,所述统计每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态,包括:分析各车道在每一个道路区间内的分布是内侧还是外侧,分别以0和1来标记,以及分析每一个道路区间是否位于整条道路的首尾区间和路口相邻,以0和1来标记。
可选的,所述基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测,包括:基于五维特征向量对车道有效性预测模型进行训练,基于训练后的车道有效性预测模型,输出当前车道的可信度。
可选的,所述车道有效性预测模型为MLP分类模型或向量机决策模型。
根据本发明的第二方面,提供一种基于多维度特征的车道有效性预测系统,包括:获取模块,用于基于众包轨迹对片段化的感知车道标线进行补充和调整,获取平滑完整的车道边线;划分模块,用于以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计模块,用于统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;预测模块,用于基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现基于多维度特征的车道有效性预测方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现基于多维度特征的车道有效性预测方法的步骤。
本发明提供的一种基于多维度特征的车道有效性预测方法及预测系统,根据轨迹在车道内的分布密度、车道自身在道路面上的空间分布、左右车道边线的感知比例和补充比例等信息,通过这些基本特征建模,预测车道存在的可信度,以此来去除因偏移轨迹或稀疏轨迹而生成的无效车道,提高高精度地图的精度和安全性。
附图说明
图1为本发明提供的一种基于多维度特征的车道有效性预测方法流程图;
图2为本发明提供的一种基于多维度特征的车道有效性预测方法的整体流程示意图;
图3为本发明提供的一种基于多维度特征的车道有效性预测系统的结构示意图;
图4为本发明提供的一种可能的电子设备的硬件结构示意图;
图5为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
参见图1,提供了一种基于多维度特征的车道有效性预测方法,主要包括如下步骤:
S1,基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线。
作为实施例,所述基于众包轨迹对感知的片段化车道标线进行补充和调整,得到平滑完整的车道边线,包括:沿着轨迹行驶方向,将片段化的感知车道标线按照其在路面上的横向分布进行分类,对分属于同一条车道边线的感知车道标线进行拼接;对于中间存在缺失的区域,参考附近的众包轨迹进行补齐,得到完整的车道边线。
其中,众包采集车采集的地面标线由于遮挡或磨损等原因,得到的感知车道标线是片段化的,需要将感知车道标线连接起来,对于缺失的区域,通过推测等手段进行补充,进而得到完整的车道边线。
具体的,首先沿着轨迹行驶方向,将感知车道标线按照其在路面上的横向分布进行分类,划分感知车道标线分属第几条车道边线,对同一类别(分属于同一条车道边线)下的感知车道标线进行拼接,中间存在缺失的区域,参考附近的众包轨迹进行补齐,最后在轨迹裸漏的区域外侧补充虚拟的车道边线,这样就得到了包裹轨迹的完整车道边线。
S2,以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间。
具体的,根据补齐的车道边线,以左右相邻边线构建车道,通常一条道路的车道数不是恒定的,在靠近路口或公交车道会出现车道增减。因此需要在车道数发生变化的位置打断来划分道路区间,这样可以在同一个道路区间内去比较轨迹在车道内的分布,从而消去道路结构变化可能带来的影响。
S3,统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量。
作为实施例,所述统计车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例,包括:根据车道边线的感知长度和虚拟补充长度,计算每一个道路区间内的车道左侧边线的感知长度和虚拟补充长度的比例,以及计算每一个道路区间内的车道右侧边线的感知长度和虚拟补充长度的比例。
作为实施例,所述统计每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态,包括:分析各车道在每一个道路区间内的分布是内侧还是外侧,分别以0和1来标记,以及分析每一个道路区间是否位于整条道路的首尾区间和路口相邻,以0和1来标记。
具体的,上述步骤S2将车道划分为多个道路区间后,统计车道相关的多维特征向量,具体的,对于每一个道路区间,统计落在道路区间内的轨迹点数量A、落在该道路区间各个车道内的轨迹点数量B1,...,Bn,n表示该道路区间内的车道数,计算轨迹在道路区间内的分布密度B1/A,...,Bn/A。以此类推,计算所有道路区间内的各个车道的轨迹分布密度;然后根据车道边线的感知长度和补充长度,分别计算车道左侧和右侧边线的感知和补充比例,取值为0-1之间;再分析车道在道路区间内的分布是内侧还是外侧,以0或1来标记;最后分析道路区间是否是道路的首尾区间,和路口相邻,以0或1来标记,这样就得到了归一化的5维特征向量。
S4,基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
其中,上述步骤S3提取了每一个道路区间的五维特征向量,本步骤基于车道相关的五维特征向量,进行建模训练并预测车道的有效性。
具体的,考虑到已经提取好车道预测训练所需的特征向量,而车道的有效性,可以通过0-1的分布来表示,在输入为5维特征向量,输出为一维车道可信度的情况下,不需要复杂的深度学习模型。本发明实施例直接通过MLP回归模型对输入特征进行训练,得到各个特征维度的权重,输出当前车道的可信度。在0-1的分布上,以0.5为分界线将车道划分为有效车道和无效车道,当可信度大于0.5时,认为其为有效车道,当可信度小于0.5时,则认为该车道是不可靠的车道,需要去除,直到后续采集车持续覆盖,再更新此处地图。如果将车道有效性离散化表达的情况下,可以直接通过MLP分类模型或向量机等决策模型对车道有效性进行分类预测。
实施例二
一种基于多维度特征的车道有效性预测方法,参见图2,该预测方法主要包括如下步骤:基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
为了解决背景技术中存在的问题,本发明实施例提出了一种基于多维度特征的车道有效性预测方案,在过滤了异常飘飞轨迹的基础上,根据轨迹在车道内的分布密度、车道自身在道路面上的空间分布、左右车道边线的感知比例和补充比例等信息,通过这些基本特征建模,预测车道存在的可信度,以此来去除因偏移轨迹或稀疏轨迹而生成的无效车道,提高高精度地图的精度和安全性。首先根据轨迹对感知的片段化车道标线进行补充和调整,得到平滑完整的车道边线,记录原始感知的长度和逻辑补充的长度;然后以相邻的左右边线构建车道,沿着轨迹行驶方向在车道数量发生变化,即出现车道增减的位置打断,以此构建道路增减区间,分别统计道路区间内的轨迹数量和区间内各个车道内的轨迹数量;再收集道路区间在道路内的分布状态和车道在道路区间内的分布状态,比如沿着轨迹行驶方向,道路区间是中间区间或首尾区间,车道在道路区间内是中间车道或外侧车道,最后根据这些特征,通过机器学习方式建模。本文通过MLP神经网络建模,归一化输出车道的可信度,当可信度大于0.5时,认为其为有效车道,当可信度小于0.5时,则认为该车道是不可靠的车道,需要去除,直到后续采集车持续覆盖,再更新此处地图。
实施例三
一种基于多维度特征的车道有效性预测系统,如图3所示,该预测系统包括获取模块301、划分模块302、统计模块303和预测模块304,其中:
获取模块301,用于基于众包轨迹对片段化的感知车道标线进行补充和调整,获取平滑完整的车道边线;
划分模块302,用于以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;
统计模块303,用于统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;
预测模块304,用于基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
可以理解的是,本发明提供的一种基于多维度特征的车道有效性预测系统与前述各实施例提供的基于多维度特征的车道有效性预测方法相对应,基于多维度特征的车道有效性预测系统的相关技术特征可参考基于多维度特征的车道有效性预测方法的相关技术特征,在此不再赘述。
实施例四
请参阅图4,图4为本发明实施例提供的电子设备的实施例示意图。如图4所示,本发明实施例提了一种电子设备400,包括存储器410、处理器420及存储在存储器410上并可在处理器420上运行的计算机程序411,处理器420执行计算机程序411时实现以下步骤:基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
实施例五
请参阅图5,图5为本发明提供的一种计算机可读存储介质的实施例示意图。如图5所示,本实施例提供了一种计算机可读存储介质500,其上存储有计算机程序511,该计算机程序511被处理器执行时实现如下步骤:基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
本发明提供的一种基于多维度特征的车道有效性预测方法及预测系统,与现有技术相比,具有以下优点:
1、该方案以低成本的众包采集为基础,相较于传统的测绘成图,大大降低了高精度地图的构图成本。
2、该方案中不单单依靠轨迹分布,而是综合考虑车道相关的多维度特征,在轨迹分布的基础上,融合了边线属性,车道连通性以及与路口的关系,充分运用了路网的连通性及边线属性等特征。
3、该方案中考虑到轨迹最终是体现在路网的车道内的,体现的是构建的车道是否可靠有效,而智驾车关注的也是能否在车道内安全行驶,因此将对异常轨迹的过滤,转化为了对车道的有效性预测,应用针对性更强。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (10)
1.一种基于多维度特征的车道有效性预测方法,其特征在于,包括:
基于众包轨迹对片段化的感知车道标线进行补充和调整,得到平滑完整的车道边线;
以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;
统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;
基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
2.根据权利要求1所述的车道有效性预测方法,其特征在于,所述基于众包轨迹对感知的片段化车道标线进行补充和调整,得到平滑完整的车道边线,包括:
沿着轨迹行驶方向,将片段化的感知车道标线按照其在路面上的横向分布进行分类,对分属于同一条车道边线的感知车道标线进行拼接;
对于中间存在缺失的区域,参考附近的众包轨迹进行补齐,得到完整的车道边线。
3.根据权利要求1所述的车道有效性预测方法,其特征在于,所述统计众包轨迹在每一个道路区间内的分布密度,包括:
对于任一个道路区间,统计落在所述任一个道路区间内的轨迹点数量A、落在所述任一个道路区间各个车道内的轨迹点数量B1,...,Bn,n表示该道路区间内的车道数;
计算轨迹在所述任一个道路区间内的分布密度B1/A,...,Bn/A;
以此类推,计算每一个道路区间内的各个车道的轨迹分布密度。
4.根据权利要求1所述的车道有效性预测方法,其特征在于,所述统计车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例,包括:
根据车道边线的感知长度和虚拟补充长度,计算每一个道路区间内的车道左侧边线的感知长度和虚拟补充长度的比例,以及计算每一个道路区间内的车道右侧边线的感知长度和虚拟补充长度的比例。
5.根据权利要求1所述的车道有效性预测方法,其特征在于,所述统计每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态,包括:
分析各车道在每一个道路区间内的分布是内侧还是外侧,分别以0和1来标记,以及分析每一个道路区间是否位于整条道路的首尾区间和路口相邻,以0和1来标记。
6.根据权利要求1所述的车道有效性预测方法,其特征在于,所述基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测,包括:
基于五维特征向量对车道有效性预测模型进行训练,基于训练后的车道有效性预测模型,输出当前车道的可信度。
7.根据权利要求1或6所述的车道有效性预测方法,其特征在于,所述车道有效性预测模型为MLP分类模型或向量机决策模型。
8.一种基于多维度特征的车道有效性预测系统,其特征在于,包括:
获取模块,用于基于众包轨迹对片段化的感知车道标线进行补充和调整,获取平滑完整的车道边线;
划分模块,用于以相邻的左右车道标线构建车道,沿着轨迹行驶方向在车道数量发生变化的位置划分道路区间,得到多个道路区间;
统计模块,用于统计众包轨迹在每一个道路区间内的分布密度、车道左侧边线的感知和虚拟补充的比例、车道右侧边线的感知和虚拟补充的比例、每一个道路区间在整条道路内的分布状态和车道在每一个道路区间内的分布状态共五维特征向量;
预测模块,用于基于五维特征向量构建车道有效性预测模型,对车道有效性进行预测。
9.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的基于对维度特征的车道有效性预测方法的步骤。
10.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的基于对维度特征的车道有效性预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266330.1A CN114067562B (zh) | 2021-10-28 | 2021-10-28 | 一种基于多维度特征的车道有效性预测方法及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111266330.1A CN114067562B (zh) | 2021-10-28 | 2021-10-28 | 一种基于多维度特征的车道有效性预测方法及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114067562A true CN114067562A (zh) | 2022-02-18 |
CN114067562B CN114067562B (zh) | 2022-08-19 |
Family
ID=80235925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111266330.1A Active CN114067562B (zh) | 2021-10-28 | 2021-10-28 | 一种基于多维度特征的车道有效性预测方法及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114067562B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN109657686A (zh) * | 2018-10-31 | 2019-04-19 | 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 |
CN111046968A (zh) * | 2019-12-20 | 2020-04-21 | 电子科技大学 | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 |
CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
CN111709322A (zh) * | 2020-05-28 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种计算车道线置信度的方法及装置 |
CN111708856A (zh) * | 2020-06-03 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于强化学习的车道线的众包数据分段融合方法 |
CN111727413A (zh) * | 2017-12-27 | 2020-09-29 | 直流电资本有限责任公司 | 用于访问来自其他车辆的补充感知数据的方法 |
CN112580743A (zh) * | 2020-12-29 | 2021-03-30 | 武汉中海庭数据技术有限公司 | 一种众包数据道路片段中车道边线数据的分类方法与装置 |
-
2021
- 2021-10-28 CN CN202111266330.1A patent/CN114067562B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140278052A1 (en) * | 2013-03-15 | 2014-09-18 | Caliper Corporation | Lane-level vehicle navigation for vehicle routing and traffic management |
CN111727413A (zh) * | 2017-12-27 | 2020-09-29 | 直流电资本有限责任公司 | 用于访问来自其他车辆的补充感知数据的方法 |
CN109657686A (zh) * | 2018-10-31 | 2019-04-19 | 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 |
CN111046968A (zh) * | 2019-12-20 | 2020-04-21 | 电子科技大学 | 一种基于改进dpc算法的道路网络轨迹聚类分析方法 |
CN111222418A (zh) * | 2019-12-24 | 2020-06-02 | 武汉中海庭数据技术有限公司 | 一种车道线的多道路片段的众包数据快速融合优化方法 |
CN111709322A (zh) * | 2020-05-28 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种计算车道线置信度的方法及装置 |
CN111708856A (zh) * | 2020-06-03 | 2020-09-25 | 武汉中海庭数据技术有限公司 | 一种基于强化学习的车道线的众包数据分段融合方法 |
CN112580743A (zh) * | 2020-12-29 | 2021-03-30 | 武汉中海庭数据技术有限公司 | 一种众包数据道路片段中车道边线数据的分类方法与装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114067562B (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Pointlanenet: Efficient end-to-end cnns for accurate real-time lane detection | |
CN108345822B (zh) | 一种点云数据处理方法及装置 | |
US9053433B2 (en) | Assisting vehicle guidance over terrain | |
CN109459047B (zh) | 车辆高精度定位数据与导航地图精确匹配及变道行为探测方法 | |
CN114970321A (zh) | 一种基于动态轨迹流的场景流数字孪生方法及系统 | |
CN113126115B (zh) | 基于点云的语义slam方法、装置、电子设备和存储介质 | |
CN111554105B (zh) | 一种复杂交通路口的智能流量识别与统计方法 | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及系统 | |
EP4020428A1 (en) | Method and apparatus for recognizing lane, and computing device | |
CN112257772B (zh) | 一种道路增减区间切分方法、装置、电子设备及存储介质 | |
CN115435798A (zh) | 无人车高精地图路网生成系统及方法 | |
CN110796230A (zh) | 卷积神经网络的训练及使用方法、设备及存储介质 | |
US11176823B2 (en) | Enhanced vehicle operation | |
EP2405383A1 (en) | Assisting with guiding a vehicle over terrain | |
CN114841910A (zh) | 车载镜头遮挡识别方法及装置 | |
CN113257005B (zh) | 一种基于关联度量的车流量统计方法 | |
CN116737857A (zh) | 道路数据处理方法、相关装置和介质 | |
CN116222539A (zh) | 高精度地图数据差异化更新方法及系统 | |
CN114067562B (zh) | 一种基于多维度特征的车道有效性预测方法及预测系统 | |
CN116295497A (zh) | 路径生成方法、装置、机器人和存储介质 | |
Rosyid et al. | Comparison of deep learning models in pothole avoidance for self-driving car | |
CN114419877A (zh) | 基于道路特征的车辆轨迹预测数据处理方法和装置 | |
CN114485684A (zh) | 一种基于地面要素拓扑关系的地图道路匹配方法和系统 | |
CN117689907B (zh) | 车辆跟踪方法、装置、计算机设备和存储介质 | |
CN114328594B (zh) | 一种车辆的行驶路径判定方法、装置、存储介质及终端 |
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 |