CN114973180A - 一种车道线跟踪方法、装置、设备及存储介质 - Google Patents

一种车道线跟踪方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114973180A
CN114973180A CN202210840358.XA CN202210840358A CN114973180A CN 114973180 A CN114973180 A CN 114973180A CN 202210840358 A CN202210840358 A CN 202210840358A CN 114973180 A CN114973180 A CN 114973180A
Authority
CN
China
Prior art keywords
lane line
current
information
historical
models
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
Application number
CN202210840358.XA
Other languages
English (en)
Other versions
CN114973180B (zh
Inventor
孙雅鸽
吴孟
喻清舟
郭志伟
崔晔
薛诺诺
高乐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Foss Hangzhou Intelligent Technology Co Ltd
Original Assignee
Foss Hangzhou Intelligent Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Foss Hangzhou Intelligent Technology Co Ltd filed Critical Foss Hangzhou Intelligent Technology Co Ltd
Priority to CN202210840358.XA priority Critical patent/CN114973180B/zh
Publication of CN114973180A publication Critical patent/CN114973180A/zh
Application granted granted Critical
Publication of CN114973180B publication Critical patent/CN114973180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/84—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using probabilistic graphical models from image or video features, e.g. Markov models or Bayesian networks
    • G06V10/85—Markov-related models; Markov random fields

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车道线跟踪方法、装置、设备及存储介质，该车道线跟踪方法包括：获取当前车道线预测信息和当前车道线信息，对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息，根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果，基于多个车道线模型，对当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；根据当前概率，从多个车道线模型中确定出目标车道线模型；根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。采用本申请的技术方案能够提高车道线跟踪处理的自适应性、精确性和稳定性。

Description

一种车道线跟踪方法、装置、设备及存储介质
技术领域
本申请涉及数据处理技术领域，具体涉及一种车道线跟踪方法、装置、设备及存储介质。
背景技术
智能驾驶技术是目前人工智能领域的主要焦点之一，其中车道线跟踪计算是智能驾驶系统的重要组成部分，精确的车道线跟踪计算方法对于道路安全具有重要的意义。
现有的车道线跟踪算法包含车道检测以及车道模型拟合，其中车道模型拟合是实现自动驾驶功能的关键。现阶段的车道模型拟合一般分为直线拟合和曲线拟合，其中直线拟合通常采用霍夫变换（Hough Transform，HT）、最小二乘法（Least Squares，LS）等，曲线拟合通常采用多项式曲线、样条曲线或贝塞尔曲线等，但仍存在一些缺陷和不足，对复杂多变的车道场景的自适应性不高，拟合准确性以及拟合稳定性较差。
发明内容
本申请实施例提供了一种车道线跟踪方法、装置、设备及存储介质，用于提高车道线拟合的自适应性、拟合精度以及拟合稳定性。
一方面，本申请实施例提供了一种车道线跟踪方法，该方法包括：
获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；
对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；
根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；
基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；
根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；
根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
进一步的，获取当前车道线预测信息,包括：
获取历史车道线信息、目标车辆在历史时刻的历史行驶状态信息和目标车辆在当前时刻的当前行驶状态信息；
根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息。
进一步的，历史行驶状态信息包括历史位置信息和历史行驶方向信息，当前行驶状态信息包括当前位置信息和当前行驶方向信息；
根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息，包括：
根据历史位置信息和当前位置信息，确定位置偏移信息；
根据历史行驶方向信息和当前行驶方向信息，确定行驶方向偏移信息；
基于位置偏移信息、行驶方向偏移信息和历史车道线信息，确定当前车道线预测信息。
进一步的，在对当前车道线预测信息分别进行一次拟合或多次拟合之前，方法还包括：
获取多个车道线模型各自对应的转移概率、各自在历史时刻的历史概率、各自在历史时刻的历史协方差以及各自在历史时刻的历史输出结果；
基于历史输出结果、转移概率、历史概率和历史协方差，确定预测协方差；
相应的，基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果，包括：
基于多个车道线模型，对当前输入结果、预测协方差和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果。
进一步的，基于历史输出结果、转移概率、历史概率和历史协方差，确定预测协方差，包括：
获取多个车道线模型各自在历史时刻的历史输出结果；
根据转移概率和历史概率，确定多个车道线模型各自在当前时刻的混合概率；
根据历史协方差、历史输出结果和混合概率，对多个车道线模型各自在当前时刻的协方差进行预测，得到多个车道线模型各自对应的预测协方差。
进一步的，根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型，包括：
将多个车道线模型各自对应的当前概率中，满足预设条件的当前概率，作为目标概率；
将目标概率对应的车道线模型确定为目标车道线模型。
进一步的，根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果，包括：
根据目标车道线模型对应的当前输出结果，确定目标拟合信息；
根据目标拟合信息，确定当前车道线融合输出结果。
另一方面，提供了一种车道线跟踪装置，该装置包括：
获取模块，用于获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；
拟合模块，用于对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；
第一确定模块，用于根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；
处理模块，用于基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；
第二确定模块，用于根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；
第三确定模块，用于根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
另一方面提供了一种车道线处理的设备，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如上述的车道线跟踪方法。
另一方面提供了一种计算机可读存储介质，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如上述的车道线跟踪方法。
本申请实施例提供的一种车道线跟踪方法、装置、设备及存储介质，具有如下技术效果：
获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。本申请通过多个车道线模型融合确定当前车道线，可以适用多种车道场景，通过采取当前车道线预测值和当前车道线观测值进行融合处理，提高了车道线拟合的精度和平滑度，进而提高了车道线拟合的稳定性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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是本申请实施例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跟踪方法的结构示意图；
图3是本申请实施例提供的一种车道线跟踪方法的流程示意图；
图4是本申请实施例提供的一种历史行驶状态信息和当前行驶状态信息的处理方法的流程示意图；
图5是本申请实施例提供的一种当前车道线预测信息的确定方法的流程示意图；
图6是本申请实施例提供的一种历史时刻与当前时刻车辆坐标系位置关系示意图；
图7是本申请实施例提供的一种预测协方差的确定方法的流程示意图；
图8是本申请实施例提供的一种目标车道线模型的确定方法的流程示意图；
图9是本申请实施例提供的一种当前车道线融合输出结果的确定方法的流程示意图；
图10是本申请实施例提供的一种车道线跟踪装置的结构示意图；
图11是本申请实施例提供的一种车道线跟踪方法的服务器的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，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。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。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“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的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
请参阅图1，图1是本申请实施例提供的一种应用环境的示意图，该示意图包括车辆101和服务器102，该车辆101可以是无人驾驶车辆，即自动驾驶车辆，还可以是半自动驾驶车辆。
一种可选的实施方式中，服务器102可以是一个大型的公共的服务器平台或者服务器集群，该服务器平台或者服务器集群可以为所有的自动驾驶车辆提供车道线处理服务。该种实施方式中，车辆可以通过设置在车辆上的相机以预定的频率实时获取车道线信息，和通过设置在车辆上的相关传感器等获取车辆的行驶状态信息，其中，车道线信息可以是通过视觉特征处理得到的车道线离散坐标点，随后将车道线信息和车辆的行驶状态信息传输给服务器平台或者服务器集群，利用其从车道线信息和车辆的行驶状态信息上得到的更新后的车道线信息，指导车辆进行行驶。该种方式中，在车辆上可以是设置基础配置的服务器，复杂的运算可以用公共的服务器平台或者服务器集群承担，因此，可以在提供高服务器的同时降低车价，使得车辆在市场中更有竞争。
另一种可选的实施方式中，该服务器102可以是设置在车辆101中的车载服务器，每一个车载服务器可以单独为所在的车辆提供车道线处理服务。具体的，该车载服务器可以通过设置在车辆上的摄像头以预定的频率实时获取车道线信息，和通过设置在车辆上的相关传感器获取车辆的行驶状态信息，通过对车道线信息和车辆的行驶状态信息进行处理，得到更新后的车道线信息。该种方式中，由于复杂的运算是由车辆上的车载服务器承担的，因此，车辆需要配置符合条件的硬件和软件设备。虽然，车价相对于第一种情况来说有所增加，但是由于不需要和公共的服务器平台进行交互，减少了交互时间，使得车辆可以更快的得到车道线处理结果，且服务器和车辆一对一，避免了传输出错的可能性，仅为更使得服务质量有所提升。
请参阅图2，图2是本申请实施例提供的一种车道线跟踪方法的结构示意图，该示意图包括多个滤波器，多个滤波器包括各自对应的卡尔曼滤波模型，即车道线模型，各个滤波器可以同时进行曲线拟合，并根据得到初始拟合信息确定多个车道线模型各自对应的滤波输入值，基于多个车道线模型对各自对应的滤波输入值进行处理，得到多个车道线模型各自对应的模型概率，根据模型概率选择相应的拟合曲线。
一种可选的实施方式中，车道线跟踪方法可以基于交互式多模型（InteractingMultiple Model，IMM）滤波器结构进行，交互式多模型算法能够有效地对各个模型概率进行处理更新，选取最优模型曲线拟合当前车道线场景，具有自适应的特点；在各个模型进行车道线拟合处理的过程中，考虑车道线的连续性，可以采用历史时刻对当前时刻的预测值和当前时刻的测量值进行融合处理，防止拟合参数出现大幅度跳变，提高拟合精度和鲁棒性。
以下介绍本申请一种车道线跟踪方法的具体实施例，图3是本申请实施例提供的一种车道线跟踪方法的流程示意图，本说明书提供了如实施例或流程图的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种执行方式，不代表唯一的执行顺序。在实际中的系统或服务器产品执行时，可以按照实施例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3所示，该方法可以包括：
S301：获取当前车道线预测信息和当前车道线信息。
具体地，当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息。
在一种实施方式中，可以通过以下方式获取当前车道线信息：在目标车辆启动行驶，通过设置在目标车辆上的摄像头对目标车辆前方进行不间断的摄像，并通过视觉特征处理得到车道线离散坐标点，实现以预定的频率实时获取当前车道线信息。
例如，摄像头进行预定频率的、不间断的摄像可以得到连续的多帧车道线图像包括P5、P4、P3、P2、P1、P0，本申请实施例可以将P0作为当前时刻采集到的车道线图像，对P0进行视觉特征处理，得到当前车道线信息，P1作为P0的前一帧，可以将P1作为在历史时刻采集的历史车道线图像，对该历史车道线图像进行视觉特征处理，得到历史车道线信息。
在一种可选的实施方式中，历史时刻还可以是与当前时刻相隔预定帧数的时间间隔的时刻。例如相隔预定帧数为1帧时，可以将P0作为当前时刻采集到的车道线图像，对P0进行视觉特征处理，得到当前车道线信息，P2作为P0相隔一帧的历史帧，可以将P2作为在历史时刻采集的历史车道线图像，对该历史车道线图像进行视觉特征处理，得到历史车道线信息。
图4是本申请实施例提供的一种历史行驶状态信息和当前行驶状态信息的处理方法的流程示意图，具体可以包括：
S401：获取历史车道线信息、历史行驶状态信息和当前行驶状态信息。
在一种实施方式中，可以通过以下方式获取历史车道线信息：在目标车辆行驶过程中，基于上述的摄像头在历史时刻采集到的历史车道线图像，并对该历史车道线图像进行视觉特征处理得到。
可选地，历史行驶状态信息为目标车辆在历史时刻的行驶状态信息，作为一种示例，该历史行驶状态信息可以包括目标车辆在历史时刻的历史位置信息和历史行驶方向信息。作为另一种示例，该历史行驶状态信息可以包括目标车辆在历史时刻的行驶速度和横摆角速度（Yawrate）。
可选地，当前行驶状态信息为目标车辆在当前时刻的行驶状态信息，作为一种示例，该当前行驶方向信息可以包括目标车辆在当前时刻的当前位置信息和当前行驶方向信息。作为另一种示例，该当前行驶方向信息可以包括目标车辆在当前时刻的行驶速度和横摆角速度。
S402：根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息。
图5是本申请实施例提供的一种当前车道线预测信息的确定方法的流程示意图，具体可以包括：
S501：根据历史位置信息和当前位置信息，确定位置偏移信息。
可选地，位置偏移信息为目标车辆在历史位置和当前位置之间的位置偏移距离。作为一种示例，该位置偏移距离可以包括横向偏移距离和纵向偏移距离。
可选地，历史位置信息可以包括目标车辆在历史时刻的横向位置信息和纵向位置信息，当前位置信息可以包括目标车辆在当前时刻的横向位置信息和纵向位置信息，其中，横向为目标车辆垂直于车道线的方向，纵向为目标车辆前进的方向，因此，可以根据历史位置信息中的横向位置信息和当前位置信息中的横向位置信息确定目标车辆在历史时刻与当前时刻之间的横向偏移距离，以及根据历史位置信息中的纵向位置信息和当前位置信息中的纵向位置信息确定目标车辆在历史时刻和当前时刻之间的纵向偏移距离。
S502：根据历史行驶方向信息和当前行驶方向信息，确定行驶方向偏移信息。
可选地，行驶方向偏移信息为目标车辆在历史位置的历史行驶方向和目标车辆在当前位置的当前行驶方向之间的方向偏移角度。
可选地，历史行驶方向信息可以是指目标车辆在历史时刻的前进方向，当前行驶方向信息可以是指目标车辆在当前时刻的前进方向，因此，可以根据历史行驶方向和当前行驶方向确定目标车辆在历史时刻与当前时刻之间的行驶方向偏移信息。
一种可选的实施方式中，还可以获取历史时刻和当前时刻的时间间隔，步骤S501和步骤S502中的位置偏移信息和行驶方向偏移信息，可以基于目标车辆在历史时刻的行驶速度和横摆角速度，以及历史时刻和当前时刻的时间间隔进行确定。由于历史时刻和当前时刻的间隔时间很短，通常为两帧之间，因此可以将目标车辆在历史时刻至当前时刻的运动视为以恒定速度模型（Constant Velocity,CV）运动，通过获取目标车辆在历史时刻的行驶速度和横摆角速度，以及历史时刻和当前时刻的时间间隔，就可以确定出位置偏移信息和行驶方向偏移信息。
S503：基于位置偏移信息、行驶方向偏移信息和历史车道线信息，确定当前车道线预测信息。
下面基于一个具体实施例对上述步骤进行说明，图6是本申请实施例提供的一种历史时刻与当前时刻车辆坐标系位置关系示意图。
在一个可选的实施例中，可以将历史时刻即上一时刻记为k时刻，将当前时刻记为k+1时刻，根据步骤S401，获取历史车道线信息
Figure 453332DEST_PATH_IMAGE002
，历史车道线信息
Figure 891267DEST_PATH_IMAGE002
表示k时刻的车道线的离散坐标点集合，如式（1）所示。
Figure 577463DEST_PATH_IMAGE003
其中，n为坐标点的数量，
Figure 50033DEST_PATH_IMAGE004
为k时刻的车道线坐标点。
根据步骤S401和S402，确定目标车辆在k时刻和k+1时刻之间的角度差
Figure 694641DEST_PATH_IMAGE005
，其中，
Figure 619871DEST_PATH_IMAGE006
，
Figure 375338DEST_PATH_IMAGE007
为目标车辆在k时刻的角度，
Figure 436835DEST_PATH_IMAGE009
为目标车辆在k+1时刻的角度，单位为弧度（rad），
Figure 3076DEST_PATH_IMAGE010
、
Figure 415603DEST_PATH_IMAGE011
分别为目标车辆在k时刻与k+1时刻之间的纵向位置差和横向位置差。
基于上述
Figure 974760DEST_PATH_IMAGE012
，可以得到目标车辆在k时刻的车辆坐标与k+1时刻的车辆坐标的转换关系，如式（2）和式（3）所示。
Figure 156343DEST_PATH_IMAGE013
Figure 877174DEST_PATH_IMAGE014
因此，可以基于k时刻的车道线坐标集
Figure 776997DEST_PATH_IMAGE015
对当前时刻的车道线坐标集进行预测，得到k时刻预测k+1时刻的车道线预测坐标集
Figure 874266DEST_PATH_IMAGE016
，即当前车道线预测信息，如式（4）所示。
Figure 175934DEST_PATH_IMAGE017
其中
Figure 316935DEST_PATH_IMAGE018
为k时刻预测k+1时刻的车道线坐标点，如式（5）所示。
Figure 704054DEST_PATH_IMAGE019
本申请实施例根据历史车道线信息、历史行驶状态信息和当前行驶状态信息进行处理，进而可以实现对当前时刻的当前车道线信息进行预测。
S303：对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息。
可选地，对当前车道线预测信息分别进行一次拟合或多次拟合，是指对当前车道线预测信息进行拟合一次多项式曲线或拟合更高次的多项式曲线，例如二次多项式曲线、三次多项式曲线等。
在一个可选的实施例中，可以基于上述的当前车道线预测信息
Figure 605014DEST_PATH_IMAGE020
，对当前车道线预测信息分别进行一次曲线拟合、二次曲线拟合和三次曲线拟合。因此，可以定义三次曲线模型来确定和求解一次曲线、二次曲线、三次曲线分别对应的车道线拟合系数，k时刻预测k+1时刻的三次曲线模型如式（6）所示。
Figure 495609DEST_PATH_IMAGE021
其中，
Figure 823822DEST_PATH_IMAGE022
、
Figure 432658DEST_PATH_IMAGE023
、
Figure 137309DEST_PATH_IMAGE024
、
Figure 147990DEST_PATH_IMAGE025
是车道线拟合系数结果，分别表示基于k时刻预测k+1时刻的车道线距离目标车辆的横向距离，角度，曲率以及曲率变化率。
依据最小二乘法来求解上述车道线拟合系数结果，如式（7）、（8）、（9）所示，基于式（7）、（8）、（9）即可确定车道线拟合系数结果，即k时刻预测k+1时刻的车道线方程系数C，也即初始拟合信息，如式（10）所示。
Figure 397837DEST_PATH_IMAGE026
其中，
Figure 493969DEST_PATH_IMAGE027
Figure 736732DEST_PATH_IMAGE028
Figure 601920DEST_PATH_IMAGE029
S305：根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果。
在一个可选的实施例中，根据上述的当前车道线预测信息
Figure 271935DEST_PATH_IMAGE030
，以及初始拟合信息C，可以确定3个车道线模型各自对应的当前输入结果，如式（11）、（12）、（13）所示。
Figure 855363DEST_PATH_IMAGE031
Figure 636238DEST_PATH_IMAGE032
Figure 621511DEST_PATH_IMAGE033
其中，
Figure 723415DEST_PATH_IMAGE034
为
Figure 794139DEST_PATH_IMAGE035
的集合，
Figure 378704DEST_PATH_IMAGE036
为3个车道线模型各自对应的当前输入结果，即3个卡尔曼滤波模型在k+1时刻的输入。
S307：基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果。
一种可选的实施方式中，在步骤S303，即对当前车道线预测信息分别进行一次拟合或多次拟合之前，车道线跟踪方法还可以包括：
获取多个车道线模型各自对应的转移概率、各自在历史时刻的历史概率以及各自在历史时刻的历史协方差。
本申请实施例中的车道线跟踪方法可以基于交互式多模型滤波器结构进行，该交互式多模型滤波器结构的多个车道线模型的模型概率切换在马尔科夫链进行，其中，模型概率指示多个车道线模型在车道线的总体处理过程中的影响程度；该交互式多模型滤波器结构的转移概率可以先验给定，转移概率指示由历史时刻多个车道线模型中的一个转移至当前时刻多个车道线模型中的另一个的概率，多个车道线模型各自在历史时刻的历史概率为多个车道线模型各自在历史时刻的模型概率，历史协方差为多个车道线模型各自在历史时刻的协方差，基于上述设置可以对该交互式多模型滤波器结构进行初始化。
比如，k时刻多个车道线模型中的模型i转移到k+1时刻模型j的转移概率为
Figure 218484DEST_PATH_IMAGE037
，如式（14）所示，令
Figure 230302DEST_PATH_IMAGE038
为k时刻模型j的模型概率，
Figure 522743DEST_PATH_IMAGE039
为相应的k时刻的协方差。
Figure 910999DEST_PATH_IMAGE040
在一个可选的实施例中，还可以获取多个车道线模型各自在历史时刻的历史输出结果，并基于历史输出结果、转移概率、历史概率和历史协方差，确定多个车道线模型各自对应的预测协方差。
图7是本申请实施例提供的一种预测协方差的确定方法的流程示意图，具体的，可以包括如下步骤：
S701：获取多个车道线模型各自在历史时刻的历史输出结果。
比如，可以用
Figure 605286DEST_PATH_IMAGE041
表示历史输出结果，即模型i在k时刻的输出结果。
S702：根据转移概率和历史概率，确定多个车道线模型各自在当前时刻的混合概率。
由于多个车道线模型在车道线的总体处理过程中的影响程度不同，即多个车道线模型的模型概率不同，因此，需要根据历史时刻的转移概率和历史概率，对车道线模型在当前时刻的模型概率进行修正更新，从而得到当前时刻的混合概率，混合概率指示车道线模型在当前时刻修正后的模型概率。
比如，可以用
Figure 538738DEST_PATH_IMAGE042
表示k+1时刻模型i转移为模型j的混合概率。
S703：根据历史协方差、历史输出结果和混合概率，对多个车道线模型各自在当前时刻的协方差进行预测，得到多个车道线模型各自对应的预测协方差。
同样的由于多个车道线模型在车道线的总体处理过程中的影响程度不同，即多个车道线模型的模型概率不同，需要根据历史协方差、历史输出结果和混合概率，对当前时刻的多个车道线模型进行预测更新，从而得到多个车道线各自对应的预测协方差。
在一个可选地实施例中，可以用
Figure 584054DEST_PATH_IMAGE043
表示k+1时刻模型j的预测协方差，如式（15）所示。
Figure 510422DEST_PATH_IMAGE044
其中，
Figure 59215DEST_PATH_IMAGE045
Figure 678415DEST_PATH_IMAGE046
基于多个车道线模型，对当前输入结果、预测协方差和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果。
本申请实施例中，可以将多个车道线模型的各自对应的当前输入结果、预测协方差及其当前车道线信息，通过标准卡尔曼滤波器进行计算，从而得到多个车道线模型各自对应的当前输出结果、当前概率以及当前协方差。当前概率指示车道线模型在当前时刻更新后的模型概率，当前协方差指示车道线模型在当前时刻更新后的协方差。
在一个具体实施例中，假设滤波过程中模型j的新息为
Figure 945448DEST_PATH_IMAGE047
，相应的新息协方差为
Figure 675507DEST_PATH_IMAGE048
，则模型j的可能性可以基于式（18）进行确定。
Figure 78807DEST_PATH_IMAGE049
式中，
Figure 118176DEST_PATH_IMAGE050
Figure 872505DEST_PATH_IMAGE051
其中，
Figure 140675DEST_PATH_IMAGE052
为k+1时刻的测量值，F为状态转移矩阵，Q，H，R分别为过程噪声矩阵，测量矩阵和测量噪声矩阵，则可以确定更新后的当前协方差与当前输出结果，其分别如式（21）和式（22）所示：
Figure 664061DEST_PATH_IMAGE053
Figure 625063DEST_PATH_IMAGE054
式中，
Figure 601110DEST_PATH_IMAGE055
以及可以确定当前概率，即更新后的模型概率，如式（24）所示。
Figure 672971DEST_PATH_IMAGE056
如此，本申请实施例可以实现对多个车道线模型在当前时刻的当前概率进行实时更新，进而可以通过更新之后的当前概率选取最优的车道线模型；且将当前车道线预测信息和当前车道线信息进行卡尔曼滤波计算，减少了当前车道线信息在观测时的偏差，可以起到平滑车道线的作用，提高车道线的稳定性。
S309：根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型。
可选地，目标车道线模型的确定可以根据多个车道线模型各自对应的当前概率的最大值进行确定，当前概率最大值对应的车道线模型即为目标车道线模型。
图8是本申请实施例提供的一种目标车道线模型的确定方法的流程示意图，具体的，可以包括如下步骤：
S801：将多个车道线模型各自对应的当前概率中，满足预设条件的当前概率，作为目标概率。
S802：将目标概率对应的车道线模型确定为目标车道线模型。
在一个可选的实施例中，预设条件可以是指：对多个车道线模型各自对应的当前概率进行降序排序得到的降序概率序列中的首个当前概率。当然，预设条件还可以是指：对多个车道线模型各自对应的当前概率进行升序排序得到的升序概率序列中的最后一个当前概率。
在另一个可选的实施例中，预设条件还可以是：通过对多个车道线模型各自对应的当前概率进行遍历确定出的概率最大值。作为一种示例，可以是先从多个车道线模型各自对应的当前概率中选定一个当前概率作为选定概率，然后遍历剩下的当前概率，如果剩下的某个当前概率比该选定概率大，就将这个当前概率作为选定概率，直至遍历完成后，将该选定概率作为目标概率。
如此，本申请实施例可以在多个车道线模型中选取最优车道线模型，从而实现了对多个道路场景的自适应性。
S311：根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
图9是本申请实施例提供的一种当前车道线融合输出结果的确定方法的流程示意图，具体的，可以包括如下步骤：
S901：根据目标车道线模型对应的当前输出结果，确定目标拟合信息。
目标拟合信息为当前时刻更新后的车道线方程系数，即k+1时刻的车道线方程系数。
S902：根据目标拟合信息，确定当前车道线融合输出结果。
当前车道线融合输出结果为目标车道线模型对应的拟合曲线，将目标车道线模型的当前输出结果确定目标拟合信息作为该拟合曲线的车道线方程系数。
如此，本申请实施例可以通过车道线方程系数得到最适合当前道路场景的拟合曲线。
本申请实施例还提供了一种车道线跟踪装置，图10是本申请实施例提供的一种车道线跟踪装置的结构示意图，如图10所示，该车道线跟踪装置可以包括：
获取模块1001，用于获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；
拟合模块1003，用于对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；
第一确定模块1005，用于根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；
处理模块1007，用于基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；
第二确定模块1009，用于根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；
第三确定模块1011，用于根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
在一种可选的实施方式中，该获取模块1003，可以包括：
第一获取单元，用于获取历史车道线信息、目标车辆在历史时刻的历史行驶状态信息和目标车辆在当前时刻的当前行驶状态信息；其中，历史行驶状态信息包括历史位置信息和历史行驶方向信息，当前行驶状态信息包括当前位置信息和当前行驶方向信息；
第一确定单元，用于根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息。
在一种可选的实施方式中，该第一确定单元可以包括：
第二确定单元，用于根据历史位置信息和当前位置信息，确定位置偏移信息；
第三确定单元，用于根据历史行驶方向信息和当前行驶方向信息，确定行驶方向偏移信息；
第四确定单元，用于基于位置偏移信息、行驶方向偏移信息和历史车道线信息，确定当前车道线预测信息。
在一种可选的实施方式中，该车道线跟踪装置还可以包括：
初始化设置模块，用于获取多个车道线模型各自对应的转移概率、各自在历史时刻的历史概率、各自在历史时刻的历史协方差以及各自在历史时刻的历史输出结果；基于历史输出结果、转移概率、历史概率和历史协方差，确定预测协方差。
相应的，该处理模块1007可以包括：
处理单元，用于基于多个车道线模型，对当前车道线信息、当前输入结果和预测协方差进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果。
在一种可选的实施方式中，该初始化设置模块可以包括：
第二获取单元，用于获取多个车道线模型各自在历史时刻的历史输出结果；
第五确定单元，用于根据转移概率和历史概率，确定多个车道线模型各自在当前时刻的混合概率；
第六确定单元，用于根据历史协方差、历史输出结果和混合概率，对多个车道线模型各自在当前时刻的协方差进行预测，得到多个车道线模型各自对应的预测协方差。
在一种可选的实施方式中，该第二确定模块1009可以包括：
第七确定单元，用于从多个车道线模型各自对应的当前概率中确定出目标概率，并将目标概率对应的车道线模型确定为目标车道线模型。
在一种可选的实施方式中，该第三确定模块1011可以包括：
第八确定单元，用于根据目标车道线模型对应的当前输出结果，确定目标拟合信息；根据目标拟合信息，确定当前车道线融合输出结果。
本申请实施例中的装置与方法实施例基于同样地申请构思。
本申请实施例所提供的方法实施例可以在计算机终端、服务器或者类似的运算装置中执行。以运行在服务器上为例，图11是本申请实施例提供的一种车道线跟踪方法的服务器的硬件结构框图。如图11所示，该服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（Central Processing Units，CPU）1111（处理器1111可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）、用于存储数据的存储器1130，一个或一个以上存储应用程序1123或数据1122的存储介质1120（例如一个或一个以上海量存储设备）。其中，存储器1130和存储介质1120可以是短暂存储或持久存储。存储在存储介质1120的程序可以包括一个或一个以上模块，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1111可以设置为与存储介质1120通信，在服务器1100上执行存储介质1120中的一系列指令操作。服务器1100还可以包括一个或一个以上电源1160，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1140，和/或，一个或一个以上操作系统1121，例如Windows ServerTM，Mac OS XTM，UnixTM,Linux，FreeBSD等等。
输入输出接口1140可以用于经由一个网络接收或者发送数据。上述的网络具体实例可包括服务器1100的通信供应商提供的无线网络。在一个实例中，输入输出接口1140包括一个网络适配器（Network Interface Controller，NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，输入输出接口1140可以为射频（RadioFrequency，RF）模块，其用于通过无线方式与互联网进行通讯。
本领域普通技术人员可以理解，图11所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，服务器1100还可包括比图11中所示更多或者更少的组件，或者具有与图11所示不同的配置。
本申请实施例还提供了一种存储介质，所述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跟踪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跟踪方法。
可选地，在本申请实施例中，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：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。
由上述本申请实施例提供的车道线跟踪方法、装置、设备或存储介质可见，本申请实施例中，通过获取当前车道线预测信息和当前车道线信息，当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息，对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息，根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果，基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果，根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型，根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。本申请实施例通过多个车道线模型融合确定当前车道线，可以适用多种车道场景，提高了车道线拟合的自适应性，通过采取当前车道线预测值和当前车道线观测值进行融合滤波处理，提高了车道线拟合的精度和平滑度，进而提高了车道线拟合的稳定性。
需要说明的是：上述本申请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，对于设备实施例而言，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，所述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。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种车道线跟踪方法，其特征在于，所述方法包括：
获取当前车道线预测信息和当前车道线信息；所述当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，所述当前车道线信息为所述目标车辆在当前时刻采集的车道线信息；
对所述当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；
根据所述当前车道线预测信息和所述初始拟合信息，确定所述多个车道线模型各自对应的当前输入结果；
基于所述多个车道线模型，对所述多个车道线模型各自对应的当前输入结果和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果；
根据所述多个车道线模型各自对应的当前概率，从所述多个车道线模型中确定出目标车道线模型；
根据所述目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
2.根据权利要求1所述的方法，其特征在于，所述获取当前车道线预测信息,包括：
获取所述历史车道线信息、所述目标车辆在所述历史时刻的历史行驶状态信息和所述目标车辆在所述当前时刻的当前行驶状态信息；
根据所述历史车道线信息、所述历史行驶状态信息和所述当前行驶状态信息，确定所述当前车道线预测信息。
3.根据权利要求2所述的方法，其特征在于，所述历史行驶状态信息包括历史位置信息和历史行驶方向信息，所述当前行驶状态信息包括当前位置信息和当前行驶方向信息；
所述根据所述历史车道线信息、所述历史行驶状态信息和所述当前行驶状态信息，确定所述当前车道线预测信息，包括：
根据所述历史位置信息和所述当前位置信息，确定位置偏移信息；
根据所述历史行驶方向信息和所述当前行驶方向信息，确定行驶方向偏移信息；
基于所述位置偏移信息、所述行驶方向偏移信息和所述历史车道线信息，确定所述当前车道线预测信息。
4.根据权利要求1所述的方法，其特征在于，在所述对所述当前车道线预测信息分别进行一次拟合或多次拟合之前，所述方法还包括：
获取所述多个车道线模型各自对应的转移概率、各自在所述历史时刻的历史概率、各自在所述历史时刻的历史协方差以及各自在所述历史时刻的历史输出结果；
基于所述历史输出结果、所述转移概率、所述历史概率和所述历史协方差，确定预测协方差；
相应的，所述基于所述多个车道线模型，对所述多个车道线模型各自对应的当前输入结果和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果，包括：
基于所述多个车道线模型，对所述当前输入结果、所述预测协方差和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果。
5.根据权利要求4所述的方法，其特征在于，所述基于所述历史输出结果、所述转移概率、所述历史概率和所述历史协方差，确定预测协方差，包括：
获取所述多个车道线模型各自在所述历史时刻的历史输出结果；
根据所述转移概率和所述历史概率，确定所述多个车道线模型各自在所述当前时刻的混合概率；
根据所述历史协方差、所述历史输出结果和所述混合概率，对所述多个车道线模型各自在所述当前时刻的协方差进行预测，得到所述多个车道线模型各自对应的所述预测协方差。
6.根据权利要求1所述的方法，其特征在于，所述根据所述多个车道线模型各自对应的当前概率，从所述多个车道线模型中确定出目标车道线模型，包括：
将所述多个车道线模型各自对应的当前概率中，满足预设条件的所述当前概率，作为目标概率；
将所述目标概率对应的车道线模型确定为目标车道线模型。
7.根据权利要求1所述的方法，其特征在于，所述根据所述目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果，包括：
根据所述目标车道线模型对应的当前输出结果，确定目标拟合信息；
根据所述目标拟合信息，确定所述当前车道线融合输出结果。
8.一种车道线跟踪装置，其特征在于，所述装置包括：
获取模块，用于获取当前车道线预测信息和当前车道线信息；所述当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，所述当前车道线信息为所述目标车辆在当前时刻采集的车道线信息；
拟合模块，用于对所述当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；
第一确定模块，用于根据所述当前车道线预测信息和所述初始拟合信息，确定所述多个车道线模型各自对应的当前输入结果；
处理模块，用于基于所述多个车道线模型，对所述多个车道线模型各自对应的当前输入结果和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果；
第二确定模块，用于根据所述多个车道线模型各自对应的当前概率，从所述多个车道线模型中确定出目标车道线模型；
第三确定模块，用于根据所述目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
9.一种车道线处理的电子设备，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如权利要求1至7任一所述的车道线跟踪方法。
10.一种计算机可读存储介质，其特征在于，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至7任一所述的车道线跟踪方法。
CN202210840358.XA 2022-07-18 2022-07-18 一种车道线跟踪方法、装置、设备及存储介质 Active CN114973180B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210840358.XA CN114973180B (zh) 2022-07-18 2022-07-18 一种车道线跟踪方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210840358.XA CN114973180B (zh) 2022-07-18 2022-07-18 一种车道线跟踪方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114973180A true CN114973180A (zh) 2022-08-30
CN114973180B CN114973180B (zh) 2022-11-01

Family

ID=82969288

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210840358.XA Active CN114973180B (zh) 2022-07-18 2022-07-18 一种车道线跟踪方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114973180B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115583243A (zh) * 2022-10-27 2023-01-10 阿波罗智联(北京)科技有限公司 确定车道线信息的方法、车辆控制方法、装置和设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318258A (zh) * 2014-09-29 2015-01-28 南京邮电大学 一种基于时域模糊和卡尔曼滤波器的车道线检测方法
CN110503009A (zh) * 2019-07-31 2019-11-26 华为技术有限公司 车道线跟踪方法及相关产品
US20200019165A1 (en) * 2018-07-13 2020-01-16 Kache.AI System and method for determining a vehicles autonomous driving mode from a plurality of autonomous modes
CN111241224A (zh) * 2020-01-10 2020-06-05 福瑞泰克智能系统有限公司 目标距离估计的方法、系统、计算机设备和存储介质
CN111731382A (zh) * 2020-06-30 2020-10-02 中国第一汽车股份有限公司 车辆横向控制方法、系统、车辆及存储介质
CN112487861A (zh) * 2020-10-27 2021-03-12 爱驰汽车（上海）有限公司 车道线识别方法、装置、计算设备及计算机存储介质
CN113011285A (zh) * 2021-03-02 2021-06-22 北京三快在线科技有限公司 车道线检测方法、装置、自动驾驶车辆及可读存储介质
CN114241444A (zh) * 2021-12-20 2022-03-25 浙江大华技术股份有限公司 车道线的识别方法和装置、存储介质及电子装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318258A (zh) * 2014-09-29 2015-01-28 南京邮电大学 一种基于时域模糊和卡尔曼滤波器的车道线检测方法
US20200019165A1 (en) * 2018-07-13 2020-01-16 Kache.AI System and method for determining a vehicles autonomous driving mode from a plurality of autonomous modes
CN110503009A (zh) * 2019-07-31 2019-11-26 华为技术有限公司 车道线跟踪方法及相关产品
CN111241224A (zh) * 2020-01-10 2020-06-05 福瑞泰克智能系统有限公司 目标距离估计的方法、系统、计算机设备和存储介质
CN111731382A (zh) * 2020-06-30 2020-10-02 中国第一汽车股份有限公司 车辆横向控制方法、系统、车辆及存储介质
CN112487861A (zh) * 2020-10-27 2021-03-12 爱驰汽车（上海）有限公司 车道线识别方法、装置、计算设备及计算机存储介质
CN113011285A (zh) * 2021-03-02 2021-06-22 北京三快在线科技有限公司 车道线检测方法、装置、自动驾驶车辆及可读存储介质
CN114241444A (zh) * 2021-12-20 2022-03-25 浙江大华技术股份有限公司 车道线的识别方法和装置、存储介质及电子装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WENTAO DU等: "DSSF-net: Dual-Task Segmentation and Self-supervised Fitting Network for End-to-End Lane Mark Detection", 《 2020 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *
龙众鹏 等: "基于动态划分感兴趣区域的车道线检测算法", 《电子制作》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115583243A (zh) * 2022-10-27 2023-01-10 阿波罗智联(北京)科技有限公司 确定车道线信息的方法、车辆控制方法、装置和设备
CN115583243B (zh) * 2022-10-27 2023-10-31 阿波罗智联(北京)科技有限公司 确定车道线信息的方法、车辆控制方法、装置和设备

Also Published As

Publication number Publication date
CN114973180B (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN109211251B (zh) 一种基于激光和二维码融合的即时定位与地图构建方法
JP6855524B2 (ja) 低速特徴からのメトリック表現の教師なし学習
CN111591306B (zh) 自动驾驶车辆的行驶轨迹规划方法、相关设备及存储介质
CN108280866B (zh) 道路点云数据处理方法及系统
CN110488816B (zh) 自动驾驶纵向规划方法及相关设备
CN111209978B (zh) 三维视觉重定位方法、装置及计算设备、存储介质
CN114973180B (zh) 一种车道线跟踪方法、装置、设备及存储介质
CN104517275A (zh) 对象检测方法和系统
CN109584299B (zh) 一种定位方法、定位装置、终端及存储介质
CN115690146A (zh) 一种多目标跟踪方法、装置、计算设备和存储介质
CN111024082B (zh) 一种规划机器人局部路径的方法、装置及机器人
CN112415999B (zh) 自动驾驶路径点的处理方法、装置、设备及存储介质
CN110705385B (zh) 一种障碍物角度的检测方法、装置、设备及介质
CN112347205A (zh) 一种车辆误差状态的更新方法和装置
CN112330702A (zh) 点云补全方法、装置、电子设备及存储介质
CN114943952A (zh) 多相机重叠视域下障碍物融合方法、系统、设备和介质
CN114663529B (zh) 一种外参确定方法、装置、电子设备及存储介质
CN114834484A (zh) 一种车辆轨迹跟随控制方法、装置、电子设备及存储介质
CN111798482A (zh) 一种目标跟踪方法及设备
CN114771551A (zh) 自动驾驶车辆轨迹规划方法、装置和自动驾驶车辆
CN112964263B (zh) 自动建图方法、装置、移动机器人及可读存储介质
CN111290406B (zh) 一种路径规划的方法、机器人及存储介质
CN111192327B (zh) 用于确定障碍物朝向的方法和装置
CN113139696A (zh) 一种轨迹预测模型构建方法及轨迹预测方法、装置
CN115083199A (zh) 一种车位信息确定方法及其相关设备

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