CN114241083A - 一种车道线生成方法、装置、电子设备及存储介质 - Google Patents
一种车道线生成方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114241083A CN114241083A CN202111506915.6A CN202111506915A CN114241083A CN 114241083 A CN114241083 A CN 114241083A CN 202111506915 A CN202111506915 A CN 202111506915A CN 114241083 A CN114241083 A CN 114241083A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- cloud data
- grid
- lane line
- target
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000008569 process Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/203—Drawing of straight lines or curves
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请提供了一种车道线生成方法、装置、电子设备及存储介质,车道线生成方法包括:生成网格化的点云数据;针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;基于候选车道线,并确定出多个第一交点;根据第一交点之间的距离,生成目标车道线。本申请通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了绘制车道线的经济成本。
Description
技术领域
本申请涉及人工智能技术领域,尤其是涉及一种车道线生成方法、装置、电子设备及存储介质。
背景技术
随着社会的进步和科技的发展,自动驾驶汽车作为人工智能发展中的一种产物,备受人工智能开发人员的关注。而在自动驾驶汽车上搭载的自动驾驶仿真系统需要使用车道线来为自动仿真驾驶提供道路保障和安全保障。
现有技术中的车道线都是通过获取虚拟场景中动态物体包含的所有面片的坐标数据,从中再筛选出车道线数据,并绘制车道线的方式得到的,直接从所有面片的坐标数据中经过简单筛选得到的车道线数据会存在一定的误差,导致对于自动驾驶汽车在道路上行驶过程中存在一定的安全隐患,并且通过该种方法获得车道线数据的效率较低,且经济成本较高。
发明内容
有鉴于此,本申请的目的在于提供一种车道线生成方法、装置、电子设备及存储介质,通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
本申请实施例提供了一车道线生成方法,所述车道线生成方法包括:
在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据;
针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;
针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点;
根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
进一步的,所述根据属于车道线的点云数据,生成每个网格对应的候选车道线,包括:
基于属于车道线的点云数据中的点云密度,对属于车道线的点云数据进行聚类,生成每个网格对应的候选车道线点云数据;
针对每个网格对应的所述候选车道线点云数据进行初始拟合,生成每个网格对应的候选车道线。
进一步的,所述针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点,包括:
针对每两个相邻的网格,判断该两个相邻网格中候选车道线是否与所述两个相邻网格的公共网格线相交;
若相交,则确定出与该两个相邻网格之间的公共网格线相交的候选车道线;
将多个相交的候选车道线与公共网格线之间的交点确定为多个第一交点。
进一步的,所述根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
根据每两个相邻网格中的各第一交点之间的目标距离,判断所述目标距离是否小于等于第一预设距离;
在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线。
进一步的,所述在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
在确定所述距离小于等于所述第一预设距离后,将距离每个所述第一交点第二预设距离内的所有候选车道线点云数据构成的区域确定为目标区域;
确定两个所述第一交点所对应的两个所述候选车道线与所述目标区域之间的交点为第二交点;
针对两个所述第二交点进行目标拟合,生成目标车道线。
进一步的,所述针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,包括:
针对每个网格,从每个网格对应的点云数据中识别出属于地面的点云数据;
判断每个网格中属于地面的点云数据中各个点的反射强度,确定所述反射强度大于预设反射强度的地面点云数据为属于车道线的点云数据。
进一步的,所述多帧点云数据中包括多帧点云的全局坐标,通过以下方式生成所述多帧点云的所述全局坐标:
获取目标车辆周围环境的每一帧点云,基于每一帧点云的定位信息,生成每一帧所述点云的初始局部坐标信息;
基于目标车辆在行驶过程中位姿,对每一帧所述点云的初始局部坐标信息进行运动去畸变处理,确定每一帧所述点云的瞬时位置信息;
根据每一帧所述点云的初始局部坐标信息和每一帧所述点云的瞬时位置信息,确定每一帧所述点云的目标局部坐标信息;
根据所述每一帧点云的目标局部坐标信息和世界坐标系,生成多帧点云的全局坐标信息。
本申请实施例还提供了一种车道线生成装置,所述车道线生成装置包括:
生成模块,用于在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据;
识别模块,用于针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;
确定模块,用于针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点;
合并模块,用于根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
本申请实施例还提供一种电子设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如上述的车道线生成方法的步骤。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如上述的车道线生成方法的步骤。
本申请实施例提供的车道线生成方法、装置、电子设备及存储介质,与现有技术中相比,通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
为使本申请的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1示出了本申请实施例所提供的一种车道线生成方法的流程图;
图2示出了本申请实施例所提供的另一种车道线生成方法的流程图;
图3示出了本申请实施例所提供的一种车道线生成装置的结构示意图;
图4示出了本申请实施例所提供的一种电子设备的结构示意图。
图中,300-车道线生成装置;310-生成模块;320-识别模块;330-确定模块;340-合并模块;400-电子设备;410-处理器;420-存储器;430-总线。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请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申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的每个其他实施例,都属于本申请保护的范围。
首先,经研究发现,现有技术中的车道线都是通过获取虚拟场景中动态物体包含的所有面片的坐标数据,从中再筛选出车道线数据,并绘制车道线的方式得到的,直接从所有面片的坐标数据中经过简单筛选得到的车道线数据会存在一定的误差,导致对于自动驾驶汽车在道路上行驶过程中存在一定的安全隐患,并且通过该种方法获得车道线数据的效率较低,且经济成本较高。
基于此,本申请实施例提供了车道线生成方法、装置、电子设备及存储介质,通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
请参阅图1,图1为本申请实施例所提供的一种车道线生成方法的流程图。所如图1中所示,本申请实施例提供的车道线生成方法,包括:
S101、在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据。
该步骤中,在目标车辆自动驾驶的仿真测试中,首先,需要对目标车辆在行驶过程采集有关于周围环境的多帧点云数据,并在采集后将多帧点云数据添加网格,生成网格化的点云数据,网格化的点云数据更利于车道线的管理。
这里,无论什么样的数据,在执行网格化处理后,都可以针对每个网格进行更加精准的操作好处理,避免了直接将大量的点云数据进行处理的繁琐,且相比于未进行网格化的数据来讲,网格化的数据可以根据的实现对数据的精准化操作,其中,本实施例中的网格化的点云数据为100*100规格的网格,而剩下的不足100*100点云数据可确定添加为一个网格。
其中,使用高线机械激光雷达来采集多帧点云数据,这里并不对高线机械激光雷达的线数进行限定,这里,高线机械激光雷达可以通过激光扫描可以得到目标车辆周围环境的三维模型,并比对上一帧数据采集时的环境和下一帧数据采集时的环境,通过环境的变化可以较为容易的探测出周围的车辆、行人和车道线等一切静态或动态的点云数据。
这样,点云数据是指一个三维坐标系统中的一组向量的集合,点云数据是以使用本实施例提供的高线机械激光雷达扫描物体表面,并将物体的所有片面数据以点的形式记录,且每一个点数据中包含有三维坐标,有些可能含有颜色(RGB)信息或反射强度信息。
进一步的,所述多帧点云数据中包括多帧点云的全局坐标,通过以下方式生成所述多帧点云的所述全局坐标:
获取目标车辆周围环境的每一帧点云,基于每一帧点云的定位信息,生成每一帧所述点云的初始局部坐标信息。
这里,将安装在目标车辆顶部的高线机械激光雷达自体旋转一周所采集到的所有面片数据定义为每一帧点云,基于组合的导航系统采集到的每一帧点云的定位信息,生成每一帧点云的初始局部坐标信息,其中,成每一帧点云的初始局部坐标信息中的原点为每一帧中目标车辆当前的位置坐标。
这样,组合的导航系统每一帧点云提供高精度的定位信息是用于为每一帧点云提供高精度定位信息的,本实施例提供的组合的导航系统包括但不限制于使用全球导航卫星系统(Global Navigation Satellite System,GNSS)、惯性传感器(inertial measurementunit,IMU)以及实时动态定位传感器(Real Time Kinematic,RTK),其中,全球导航卫星系统是能在地球表面或近地空间的任何地点为用户提供全天候的三维坐标和速度以及时间信息的空基无线电导航定位系统;惯性传感器主要是用来检测和测量加速度与旋转运动的传感器;实时动态定位传感器是一种能够在野外实时得到厘米级定位精度的测量方法,它的出现极大地提高了户外作业效率。
基于目标车辆在行驶过程中位姿,对每一帧所述点云的初始局部坐标信息进行运动去畸变处理,确定每一帧所述点云的瞬时位置信息。
这里,通过组合的导航系统来获取目标车辆在行驶过程中位姿,由于目标车辆在行驶过程中会通过高先机械激光雷达实时采集每一帧点云数据,而每一帧点云数据是在下目标车辆保持辆车行驶的过程下获取的,也就是说,这里获取到的每一帧所述点云的初始局部坐标信息并不是在瞬时时刻下获取得到的,且当高线机械激光雷达扫描自转的频率比较低的时候,目标车辆运动所带来的激光帧的运动误差是不能被忽略的,因此,存在运动的畸变误差,导致初始局部坐标信息失真,所以需要基于目标车辆在行驶过程中位姿,对每一帧所述点云的初始局部坐标信息进行运动去畸变处理,是把高线机械激光雷达采集的每一帧点云数据数据中的每个激光点对应的激光雷达坐标转换相对瞬时的位置上,确定每一帧点云的瞬时位置信息达到运动去除畸变的目的。
其中,运动畸变产生的实施例可通过本申请提供的以下实施例获得:
当安装在目标车辆顶部的高线机械激光雷达的扫描频率为5Hz的高线机械激光雷达时,每一帧点云数据的收尾时间差是200ms,如果机器人以0.5m/s的速度沿着预设方向行走并扫描道路前面时,那么200ms后尾部的测量距离和首部的测量距离在预设方向上就差10cm。
根据每一帧所述点云的初始局部坐标信息和每一帧所述点云的瞬时位置信息,确定每一帧所述点云的目标局部坐标信息。
根据所述每一帧点云的目标局部坐标信息和世界坐标系,生成多帧点云的全局坐标信息。
这里,所述每一帧点云的目标局部坐标信息都是以目标车辆当前位置点作为坐标系原点的局部坐标系中的局部坐标,而为了生成出的目标车道线便于使用和测试,需要将局部坐标信息转化为全局坐标系下的全局坐标,并,生成多帧点云的全局坐标信息。
其中,将局部坐标信息转化为全局坐标系下的全局坐标的方法为将每一帧点云的目标局部坐标信息放入为目标车辆开始行驶点为原点的世界坐标系中,生成多帧点云的全局坐标信息,并在每个网格的左下角标每个网格的全局坐标信息,便于在后续的追溯过程中进行搜索和查询。
S102、针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线。
该步骤中,每个网格对应的点云数据包括动态物体和静态物体的所有面片点云数据,需要从众多的面片点云数据中识别出面片点云数据,然后基于车道线的点云数据,生成每个网格对应的候选车道线。
进一步的,所述针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,包括:
针对每个网格,从每个网格对应的点云数据中识别出属于地面的点云数据。
这里,通过随机抽样一致算法(Random Sample Consensus,RANSAC),从每个网格对应的点云数据中获取最大面片所对应的点云数据,并将上述点云数据确定为属于地面的点云数据,这里,随机抽样一致算法为根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。
判断每个网格中属于地面的点云数据中各个点的反射强度,确定所述反射强度大于预设反射强度的地面点云数据为属于车道线的点云数据。
其中,属于地面的点云数据中除了包括属于车道线的点云数据外,还包括其他类型的地面点云数据,而地面中的车道线多为颜色亮度和反射强度较高颜色的标注线,如黄颜色或白颜色的标注线,而地面中出车道线外其他位置处的地面多是颜色亮度和反射强度较低我的颜色,例如,暗色系或深色系的地面,因此,可以通过获取每个网格中属于地面的点云数据中各个点的反射强度,并确定反射强度大于预设反射强度的地面点云数据为属于车道线的点云数据。
这样,可通过测试样本车道线,获取属于车道线点云数据反射强度的最小值,并将该最小值设置为预设反射强度。
S103、针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点。
该步骤中,在添加的多个网格中,选取相邻的两个网格,判断相邻两个网格中的每个网格中是否有候选车道线与该网格相交,在确定相邻两个网格中的每个网格中有候选车道线与该网格相交,判断各候选车道线与该网格相交的各交点是否位于两个相邻网格之间的公共网格线上,若与该网格相交的各交点位于两个相邻网格之间的公共网格线上,则确定公共网格线上的多个交点为多个第一交点。
这里,两个相邻网格之间的公共网格线为两个相邻网格之间共有的一条网格线。
进一步的,所述针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点,包括:
针对每两个相邻的网格,判断该两个相邻网格中候选车道线是否与所述两个相邻网格的公共网格线相交。
这里,该两个相邻网格中候选车道线可能与两个相邻网格的公共网格线相交,也可能与两个相邻网格的公共网格线不相交,这里不相交的候选车道线可能是较短的目标车道线。
若相交,则确定出与该两个相邻网格之间的公共网格线相交的候选车道线。
将多个相交的候选车道线与公共网格线之间的交点确定为多个第一交点。
S104、根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
该步骤中,计算每两个相邻网格中各第一交点之间的目标距离,并对各第一交点之间的目标距离进行判断,当各第一交点之间的目标距离满足第一预设距离的条件时,可对各两个第一交点所对应的两个候选车道线进行合并,并将两个候选车道线作为同一条车道线,生成目标车道线,并附上在相邻网格内的连接信息,用于表明当前车道线在相邻网格上的位置,实现对候选车道线的去重处理。
本申请实施例提供的车道线生成方法,与现有技术中相比,本申请通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
请参阅图2,图2为本申请另一实施例提供的车道线生成方法的流程图。如图2中所示,本申请实施例提供的车道线生成方法,包括:
S201、在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据。
S202、基于属于车道线的点云数据中的点云密度,对属于车道线的点云数据进行聚类,生成每个网格对应的候选车道线点云数据。
该步骤中,使用密度聚类算法对属于车道线的点云数据进行聚类,生成每个网格对应的候选车道线点云数据,并对候选车道线点云数据的个数小于预设点云个数的候选车道线点云进行剔除,实现了去除噪声、杂质以及其他一些非车道线的点云数据,最终生成每个网格对应的候选车道线点云数据。
其中,本申请中的实施例提供的密度聚类算法包括但不限制于使用密度聚类算法(Density-Based Spatial Clustering of Applications with Noise,DBSCAN),这里,密度聚类算法聚类方法与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
S203、针对每个网格对应的所述候选车道线点云数据进行初始拟合,生成每个网格对应的候选车道线。
该步骤中,通过最小二乘法将候选车道线点云数据进行初始拟合,拟合出平滑的三次曲线作为候选车道线。
其中,拟合是一种把现有车道线点云数据透过数学方法来代入一条数式的表示方式最小二乘法是一种数学优化技术,通过最小化误差的平方和寻找车道线点云数据的最佳函数匹配,利用最小二乘法可以简便地求得未知的车道线点云数据,并使得这些求得的车道线点云数据与实际数据之间误差的平方和为最小。
这样,最小二乘法的函数表达式为:
f(x)=α1ψ1(x)+α2ψ2(x)+…+αmψm(x);
其中,ψm是事先选定的一组线性无关的函数,αm是待定系数。
S204、针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点。
S205、根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
进一步的,所述根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
根据每两个相邻网格中的各第一交点之间的目标距离,判断所述距离是否小于等于第一预设距离。
在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线。
进一步的,所述在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
在确定所述距离小于等于所述第一预设距离后,将距离每个所述第一交点第二预设距离内的所有候选车道线点云数据构成的区域确定为目标区域。
这里,将距离每个所述第一交点第二预设距离内的所有候选车道线点云数据构成的区域确定为目标区域,其中,目标区域的形状包括但不限制于矩形、正方形以及圆形等。
确定两个所述第一交点所对应的两个所述候选车道线与所述目标区域之间的交点为第二交点。
这里,将两个所述候选车道线上与所述目标区域之间的交点为第二交点,第二交点用于拟合出目标生成曲线中的切断的部分,使得目标生成曲线中的切断部分而对曲线变得平滑。
针对两个所述第二交点进行目标拟合,生成目标车道线。
这里,使用样条(SPLINE)点集来生成平滑目标车道线的柔性带,并对柔性带和两个第二交点进行合并,生成目标车道线。
其中,Spline,是绘制曲线的一种绘图工具,是富有弹性的细长条。绘图时用压铁使样条通过指定的样点,并调整样条使它具有满意的形状,然后沿样条画出曲线。
其中,S201和S204至S205的描述可以参照S101和S103至S104的描述,并且能达到相同的技术效果,对此不做赘述。
本申请实施例提供的车道线生成方法,与现有技术中相比,本申请通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
请参阅图3,图3为本申请实施例所提供的一种车道线生成装置的结构示意图。如图3中所示,所述车道线生成装置300包括:
生成模块310,用于在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据;
识别模块320,用于针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;
确定模块330,用于针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点;
合并模块340,用于根据每两个相邻网格中的各第一交点之间的距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
本申请实施例提供的车道线生成装置300,与现有技术中相比,本申请通过识别网格化点云数据中每个网格的车道线的点云数据,生成候选车道线,并对候选车道线进行合并,自动生成目标车道线,在实现降低目标车道线重复率的基础上,提高了车道线的绘制精度,并降低了自动驾驶汽车在道路上行驶过程中的安全隐患,且降低了绘制车道线的经济成本。
请参阅图4,图4为本申请实施例所提供的一种电子设备的结构示意图。如图4中所示,所述电子设备400包括处理器410、存储器420和总线430。
所述存储器420存储有所述处理器410可执行的机器可读指令,当电子设备400运行时,所述处理器410与所述存储器420之间通过总线430通信,所述机器可读指令被所述处理器410执行时,可以执行如上述图1以及图2所示方法实施例中的车道线生成方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的车道线生成方法的步骤,具体实现方式可参见方法实施例,在此不再赘述。
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。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,又例如,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通信接口,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。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本申请的具体实施方式,用以说明本申请的技术方案,而非对其限制,本申请的保护范围并不局限于此,尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解: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,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围,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权利要求的保护范围为准。
Claims (10)
1.一种车道线生成方法,其特征在于,所述车道线生成方法包括:
在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据;
针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;
针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点;
根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
2.根据权利要求1所述的车道线生成方法,其特征在于,所述根据属于车道线的点云数据,生成每个网格对应的候选车道线,包括:
基于属于车道线的点云数据中的点云密度,对属于车道线的点云数据进行聚类,生成每个网格对应的候选车道线点云数据;
针对每个网格对应的所述候选车道线点云数据进行初始拟合,生成每个网格对应的候选车道线。
3.根据权利要求1所述的车道线生成方法,其特征在于,所述针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点,包括:
针对每两个相邻的网格,判断该两个相邻网格中候选车道线是否与所述两个相邻网格的公共网格线相交;
若相交,则确定出与该两个相邻网格之间的公共网格线相交的候选车道线;
将多个相交的候选车道线与公共网格线之间的交点确定为多个第一交点。
4.根据权利要求2所述的车道线生成方法,其特征在于,所述根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
根据每两个相邻网格中的各第一交点之间的目标距离,判断所述目标距离是否小于等于第一预设距离;
在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线。
5.根据权利要求4所述的车道线生成方法,其特征在于,所述在确定所述距离小于等于所述第一预设距离后,基于各两个第一交点,对各两个所述第一交点所对应的两个候选车道线进行合并,生成目标车道线,包括:
在确定所述距离小于等于所述第一预设距离后,将距离每个所述第一交点第二预设距离内的所有候选车道线点云数据构成的区域确定为目标区域;
确定两个所述第一交点所对应的两个所述候选车道线与所述目标区域之间的交点为第二交点;
针对两个所述第二交点进行目标拟合,生成目标车道线。
6.根据权利要求1所述的车道线生成方法,其特征在于,所述针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,包括:
针对每个网格,从每个网格对应的点云数据中识别出属于地面的点云数据;
判断每个网格中属于地面的点云数据中各个点的反射强度,确定所述反射强度大于预设反射强度的地面点云数据为属于车道线的点云数据。
7.根据权利要求1所述的车道线生成方法,其特征在于,所述多帧点云数据中包括多帧点云的全局坐标,通过以下方式生成所述多帧点云的所述全局坐标:
获取目标车辆周围环境的每一帧点云,基于每一帧点云的定位信息,生成每一帧所述点云的初始局部坐标信息;
基于目标车辆在行驶过程中位姿,对每一帧所述点云的初始局部坐标信息进行运动去畸变处理,确定每一帧所述点云的瞬时位置信息;
根据每一帧所述点云的初始局部坐标信息和每一帧所述点云的瞬时位置信息,确定每一帧所述点云的目标局部坐标信息;
根据所述每一帧点云的目标局部坐标信息和世界坐标系,生成多帧点云的全局坐标信息。
8.一种车道线生成装置,其特征在于,所述车道线生成装置包括:
生成模块,用于在目标车辆行驶过程中,将采集的所述目标车辆周围环境的多帧点云数据添加网格,生成网格化的点云数据;
识别模块,用于针对每个网格,从每个网格对应的点云数据中识别出属于车道线的点云数据,并根据属于车道线的点云数据,生成每个网格对应的候选车道线;
确定模块,用于针对每两个相邻的网格,确定出与该两个相邻网格之间的公共网格线相交的候选车道线,并确定出多个第一交点;
合并模块,用于根据每两个相邻网格中的各第一交点之间的目标距离,对各两个第一交点所对应的两个候选车道线进行合并,生成目标车道线。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当电子设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器运行时执行如上述权利要求1-7中任一所述的车道线生成方法的步骤。
10.一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上存储有计算机程序,所述计算机程序被处理器运行时执行如上述权利要求1-7中任一所述的车道线生成方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506915.6A CN114241083A (zh) | 2021-12-10 | 2021-12-10 | 一种车道线生成方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111506915.6A CN114241083A (zh) | 2021-12-10 | 2021-12-10 | 一种车道线生成方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114241083A true CN114241083A (zh) | 2022-03-25 |
Family
ID=80754854
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111506915.6A Pending CN114241083A (zh) | 2021-12-10 | 2021-12-10 | 一种车道线生成方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114241083A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304142A (zh) * | 2023-05-12 | 2023-06-23 | 智道网联科技(北京)有限公司 | 点云数据获取方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097444A (zh) * | 2016-05-30 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 高精地图生成方法和装置 |
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
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 |
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 |
US20210248390A1 (en) * | 2020-02-07 | 2021-08-12 | Shenzhen Sensetime Technology Co., Ltd. | Road marking recognition method, map generation method, and related products |
-
2021
- 2021-12-10 CN CN202111506915.6A patent/CN114241083A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570446A (zh) * | 2015-10-12 | 2017-04-19 | 腾讯科技(深圳)有限公司 | 车道线提取的方法和装置 |
CN106097444A (zh) * | 2016-05-30 | 2016-11-09 | 百度在线网络技术(北京)有限公司 | 高精地图生成方法和装置 |
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 |
US20210248390A1 (en) * | 2020-02-07 | 2021-08-12 | Shenzhen Sensetime Technology Co., Ltd. | Road marking recognition method, map generation method, and related products |
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 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116304142A (zh) * | 2023-05-12 | 2023-06-23 | 智道网联科技(北京)有限公司 | 点云数据获取方法、装置、设备及存储介质 |
CN116304142B (zh) * | 2023-05-12 | 2023-08-08 | 智道网联科技(北京)有限公司 | 点云数据获取方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109459734B (zh) | 一种激光雷达定位效果评估方法、装置、设备及存储介质 | |
CN110850439B (zh) | 一种高精度三维点云地图构建方法 | |
CN110019609B (zh) | 地图更新方法、装置以及计算机可读存储介质 | |
EP3620823B1 (en) | Method and device for detecting precision of internal parameter of laser radar | |
CN108801276B (zh) | 高精度地图生成方法及装置 | |
EP3506212A1 (en) | Method and apparatus for generating raster map | |
CN110443786B (zh) | 激光雷达点云滤波方法、装置、计算机设备和存储介质 | |
CN111179300A (zh) | 障碍物检测的方法、装置、系统、设备以及存储介质 | |
CN110673107B (zh) | 基于多线激光雷达的路沿检测方法及装置 | |
US20130257852A1 (en) | Synthetic vision systems and methods for displaying detached objects | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN114485698A (zh) | 一种交叉路口引导线生成方法及系统 | |
CN114295139A (zh) | 一种协同感知定位方法及系统 | |
CN115018879A (zh) | 目标检测方法、计算机可读存储介质及驾驶设备 | |
CN112348897A (zh) | 位姿确定方法及装置、电子设备、计算机可读存储介质 | |
CN114241083A (zh) | 一种车道线生成方法、装置、电子设备及存储介质 | |
CN114092660A (zh) | 高精地图生成方法、装置及用于生成地图的车辆 | |
JPWO2018159468A1 (ja) | 建築物高さ算出装置、建築物高さ算出方法、及びプログラム | |
CN110163880B (zh) | 一种在Unity中获取点云路面高度的方法 | |
KR102130687B1 (ko) | 다중 센서 플랫폼 간 정보 융합을 위한 시스템 | |
JP2023152480A (ja) | 地図データ生成方法、地図データ生成装置及び地図データ生成プログラム | |
US20220221585A1 (en) | Systems and methods for monitoring lidar sensor health | |
KR101181742B1 (ko) | 토지 이용 현황도 갱신 장치 및 방법 | |
CN111738051B (zh) | 点云处理方法、装置、计算机设备和存储介质 | |
JP2020034772A (ja) | 静止物データ生成装置、制御方法、プログラム及び記憶媒体 |
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 |