CN115166743B - 车道自动标定方法、装置、电子设备及存储介质 - Google Patents

车道自动标定方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN115166743B
CN115166743B CN202211047104.9A CN202211047104A CN115166743B CN 115166743 B CN115166743 B CN 115166743B CN 202211047104 A CN202211047104 A CN 202211047104A CN 115166743 B CN115166743 B CN 115166743B
Authority
CN
China
Prior art keywords
lane
line
estimated
center line
center
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
Application number
CN202211047104.9A
Other languages
English (en)
Other versions
CN115166743A (zh
Inventor
彭佳
谭俊杰
李仕贤
钟仁海
雷小平
肖石军
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.)
Changsha Falcon Eye Software Technology Co ltd
Original Assignee
Changsha Falcon Eye Software 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 Changsha Falcon Eye Software Technology Co ltd filed Critical Changsha Falcon Eye Software Technology Co ltd
Priority to CN202211047104.9A priority Critical patent/CN115166743B/zh
Publication of CN115166743A publication Critical patent/CN115166743A/zh
Application granted granted Critical
Publication of CN115166743B publication Critical patent/CN115166743B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/91—Radar or analogous systems specially adapted for specific applications for traffic control
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00

Abstract

本发明涉及一种车道自动标定方法、装置、电子设备及存储介质，其中方法包括：根据预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据得到所述目标道路的每条车道对应的估计车道中心线，针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算该估计车道中心线与道路边缘车道线的横向偏移量，而后根据所有估计车道中心线以及对应的所述横向偏移量确定最优车道中心线，对根据最优车道中心线、车道宽度、预设的车道数量以及最优车道中心线对应的横向偏移量对最优车道中心线进行复制以及平移以得到目标道路的所有实际车道对应的目标车道线，能够很好地适用于隧道等无法直接获得车道线数据的场所的车道线标定。

Description

车道自动标定方法、装置、电子设备及存储介质
技术领域
本发明涉及雷达技术领域，特别涉及一种车道自动标定方法、装置、电子设备及存储介质。
背景技术
智能交通技术是指将先进的信息技术、数据通讯传输技术、电子控制技术、计算机处理技术等应用于交通运输行业从而形成的一种信息化、智能化、社会化的新型运输系统，通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，对各种交通情况进行协调和处理，建立起一种实时、准确、高效的综合运输管理体系，从而使交通设施得以充分利用，提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展。
应用于智能交通领域的毫米波交通雷达，需要准确获取道路地图信息，例如，车道线坐标、车道类型、车道车流方向等，来实现车辆事件精准检测。一般道路地图的测绘，需要测绘车需借助卫星定位系统全程采集车道坐标数据来实现。而在隧道场景中，卫星信号不能穿透到地下，难以进行道路地图测绘，因此，对于这些路段，如何准确地标定车道成为亟需解决的问题。
发明内容
本发明提供了一种车道自动标定方法、装置、电子设备及存储介质，能够适用于在隧道等场景中的车道线标定，具体方案如下：
第一方面，提供一种车道自动标定方法，所述方法包括：
获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集；
针对每个所述车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线；
针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算道路边缘车道线与该估计车道中心线的横向偏移量；
根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线；
根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线。
进一步地，所述根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集包括：
从所述原始点迹数据中提取满足预设纵坐标条件的数据作为第一目标点迹数据；
对所述第一目标点迹数据进行横向搜索得到密度最大的N个区域，所述密度最大的N个区域与所述目标道路的每条所述实际车道一一对应；
针对所述N个区域中的每个区域，对该区域内的所述第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将所述多个密度中心点作为该区域对应的所述车道中心线原始点集。
进一步地，所述对该区域内的所述第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点包括：
对该区域内的所述第一目标点迹数据的横坐标以及纵坐标求平均得到密度中心的关联起始点的坐标；
从所述关联起始点开始，针对第i次关联执行如下操作，直至满足关联结束条件，以得到该区域对应的所述多个密度中心点：
根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标；
根据所述第i次关联的关联中心坐标计算该区域内的所述第一目标点迹数据对应的关联距离以确定该区域内满足关联条件的第二目标点迹数据；
将该区域内满足关联条件的所述第二目标点迹数据的横坐标以及纵坐标求平均得到第i次关联对应的密度中心点的坐标。
进一步地，所述根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标包括：
设所述预设的关联中心漂移距离为Rs，则根据下式确定第i次关联的关联中心坐标：
Figure 331680DEST_PATH_IMAGE001
；
并且，
Figure 769483DEST_PATH_IMAGE002
；
其中，n表示在点迹数据分布图上从左到右的第n条估计车道中心线；
Figure 282504DEST_PATH_IMAGE003
表示第n条估计车道中心线，第i次关联对应的漂移方向角，
Figure 540179DEST_PATH_IMAGE004
表示第n条估计车道中心线，第i-1次关联对应的漂移方向角，并令
Figure 924412DEST_PATH_IMAGE005
；
Figure 701875DEST_PATH_IMAGE006
表示第n条估计车道中心线，第i次关联对应的关联中心横坐标，
Figure 369485DEST_PATH_IMAGE007
表示第n条估计车道中心线，第i次关联对应的关联中心纵坐标，
Figure 130768DEST_PATH_IMAGE008
表示第n条估计车道中心线，第i次关联后对应的密度中心横坐标，
Figure 174816DEST_PATH_IMAGE009
表示第n条估计车道中心线，第i次关联后对应的密度中心纵坐标，
Figure 337944DEST_PATH_IMAGE010
表示第n条估计车道中心线，第i-1次关联后对应的密度中心横坐标；
Figure 176456DEST_PATH_IMAGE011
表示第n条估计车道中心线，第i-1次关联后对应的密度中心纵坐标。
进一步地，所述根据所述第i次关联的关联中心坐标计算该区域内的所述第一目标点迹数据对应的关联距离包括：
根据下式计算所述关联距离：
Figure 552598DEST_PATH_IMAGE012
；
ra为所述关联距离，x是所述第一目标点迹数据对应的点的横坐标，y是所述第一目标点迹数据对应的点的纵坐标，
Figure 151070DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 417972DEST_PATH_IMAGE014
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
进一步地，所述关联条件为：
Figure 568331DEST_PATH_IMAGE015
，其中，Rthr为预设的关联距离门限。
进一步地，所述关联结束条件为：
Figure 773047DEST_PATH_IMAGE016
；
其中，Rmax为原始点迹数据中的距离最大值，
Figure 158898DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 31039DEST_PATH_IMAGE014
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
进一步地，所述道路边缘车道线为道路最左侧边缘车道线，所述针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算所述道路边缘车道线与该估计车道中心线的横向偏移量包括：
设第n条估计车道中心线的曲线为fn(y)，所述车道宽度为W，则由第n条估计车道中心线推导出的所有预估车道对应的预估车道线的表达式为：
Figure 491581DEST_PATH_IMAGE017
其中，
Figure 183594DEST_PATH_IMAGE018
，
Figure 638715DEST_PATH_IMAGE019
表示由第n条车估计道中心线得到的第m条预估车道的左侧预估车道线，
Figure 489996DEST_PATH_IMAGE020
表示由第n条估计车道中心线得到的第m条预估车道的右侧预估车道线；
计算落入每个所述预估车道内的所述第二目标点迹数据的个数Nn，并从Nn个第二目标点迹数据中找出N个最大值，并确定每一个所述最大值对应的所述预估车道的位置In，并将所有In中的最小值Imin对应的预估车道的左侧预估车道线作为所述道路最左侧边缘车道线，以及，根据下式确定所述道路最左侧边缘车道线与所述第n条估计车道中心线的所述横向偏移量∆xn：
Figure 591944DEST_PATH_IMAGE021
。
进一步地，所述根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线包括：
针对每个所述估计车道中心线，设该估计车道中心线是第n条估计车道中心线，则执行如下操作：
基于该估计车道中心线对应的横向偏移量∆xn对所述第n条估计车道中心线进行复制、平移以形成N条实际车道对应的预估车道线，表示为：
Figure 20520DEST_PATH_IMAGE022
；
其中，
Figure 30065DEST_PATH_IMAGE023
，
Figure 863416DEST_PATH_IMAGE024
表示第n条估计车道中心线得到的第k个实际车道的左侧预估车道线，
Figure 401845DEST_PATH_IMAGE025
表示第n条估计车道中心线得到的第k个实际车道的右侧预估车道线。
进一步地，根据下式通过所述第n条估计车道中心线得到的所有实际车道的预估车道线确定该所述估计车道中心线对应的估计误差En：
Figure 193083DEST_PATH_IMAGE026
其中，
Figure 990007DEST_PATH_IMAGE027
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的横坐标，
Figure 425667DEST_PATH_IMAGE028
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的纵坐标，其满足如下条件：
Figure 384265DEST_PATH_IMAGE029
；
其中，
Figure 538166DEST_PATH_IMAGE030
，
Figure 17076DEST_PATH_IMAGE031
表示第n条估计车道中心线平移复制得到的第k个实际车道内的数据长度；
将所述估计误差最小的所述估计车道中心线作为所述最优车道中心线。
进一步地，所述根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以最优车道中心线还包括：
根据下式确定所述第n条估计车道中心线的拟合效果的评价值Sn：
Figure 822090DEST_PATH_IMAGE032
；
其中，Dn为所述第n条估计车道中心线的占空比，且
Figure 702321DEST_PATH_IMAGE033
；
将所述评价值最小的所述估计车道中心线作为所述最优车道中心线。
进一步地，所述根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线包括：
根据下式确定所述目标道路的所有实际车道对应的目标车道线：
Figure 592786DEST_PATH_IMAGE034
；
其中，
Figure 606878DEST_PATH_IMAGE023
，N表示车道数量，fopt(y)为所述最优车道中心线，
Figure 17131DEST_PATH_IMAGE035
为所述最优车道中心线对应的所述横向偏移量，W为车道宽度，
Figure 586040DEST_PATH_IMAGE036
为所述目标道路的第k条实际车道的左侧目标车道线，
Figure 448954DEST_PATH_IMAGE037
为第k条实际车道的右侧目标车道线。
第二方面，提供一种车道自动标定装置，所述装置包括：
原始点集确定单元，用于获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集；
估计车道中心线确定单元，用于针对每个所述车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线；
横向偏移量确定单元，用于针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算该估计车道中心线与最左边的车道中心线的横向偏移量；
估计误差确定单元，用于根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线；
目标车道线确定单元，用于根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线。
第三方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如前所述的车道自动标定方法。
第四方面，提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如前所述的车道自动标定方法。
在本发明中，根据预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集，针对每个车道中心线原始点集，对该车道中心线原始点集进行拟合以得到该车道中心线原始点集对应的估计车道中心线，针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算该估计车道中心线与道路边缘车道线的横向偏移量，而后根据所有估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线，对根据最优车道中心线、车道宽度、预设的车道数量以及最优车道中心线对应的横向偏移量对最优车道中心线进行复制以及平移以得到目标道路的所有实际车道对应的目标车道线，仅通过雷达得到的车辆的点迹数据就可以得到目标道路上的准确的目标车道线，无需借助其他数据设备，因此，能够很好地适用于隧道等无法直接获得车道线数据的场所的车道线标定，并且也能用于除隧道外的可以直接获得车道线数据的场所的车道线标定，具有较为宽广的应用范围。
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为本发明实施例中车道自动标定方法的流程图；
图2A为本发明实施例中以3车道为例确定密度中心点后的结果图；
图2B为本发明实施例中以3车道为例确定估计车道中心线后的结果图；
图2C为本发明实施例中以3车道为例确定预估车道的示意图；
图2D为本发明实施例中以3车道为例确定的目标车道线的结果图；
图3为本发明实施例中车道自动标定装置的示意图。
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，本领域技术人员在没有做出创造性劳动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。
在整个说明书中，对“一个实施方式”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“在一个实施方式中”、“在实施方式中”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和/或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。
如图1所示，本发明提供了一种车道自动标定方法，该方法包括：
S101、获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据原始点迹数据得到目标道路的每条车道对应的车道中心线原始点集。
在本步骤中，以雷达发射脉冲的方向所在直线为y轴，以发射脉冲方向为y轴正方向，以雷达所在位置为原点，以垂直于y轴的方向为x轴建立坐标系，目标道路上的车辆的原始点迹数据分布在该坐标系内，并根据原始点迹数据得到每条车道对应的车道中心线原始点集，具体地，车道中心线原始点集可以通过以下方法确定：
S1011、从原始点迹数据中提取满足预设纵坐标条件的数据作为第一目标点迹数据；
S1012、对第一目标点迹数据进行横向搜索得到密度最大的N个区域，密度最大的N个区域与目标道路的每条实际车道一一对应；
S1013、针对N个区域中的每个区域，对该区域内的第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将多个密度中心点作为该区域对应的车道中心线原始点集。
示例性地，在该步骤中，设车辆的原始点迹坐标数据表示为
Figure 860212DEST_PATH_IMAGE038
，其中，
Figure 390551DEST_PATH_IMAGE039
，
Figure 596273DEST_PATH_IMAGE040
，N为数据长度，且已知车道数为N，车道宽度为W，则最多可以找到N条车道中心线；从原始点迹数据D中提取满足预设纵坐标条件
Figure 336696DEST_PATH_IMAGE041
的第一目标点迹数据
Figure 302378DEST_PATH_IMAGE042
，其中，yst表示取数窗的中心坐标，yw表示取数窗的大小；对第一目标点迹数据D0进行横向搜索，找出密度最大的N个区域。
进一步地，S1013、针对N个区域中的每个区域，对该区域内的第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将多个密度中心点作为该区域对应的车道中心线原始点集包括：
对该区域内的第一目标点迹数据的横坐标以及纵坐标求平均得到密度中心的关联起始点的坐标；
从关联起始点开始，针对第i次关联执行如下操作，直至满足关联结束条件，以得到该区域对应的多个密度中心点：
根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标；
根据第i次关联的关联中心坐标计算该区域内的第一目标点迹数据对应的关联距离以确定该区域内满足关联条件的第二目标点迹数据；
将该区域内满足关联条件的第二目标点迹数据的横坐标以及纵坐标求平均得到第i次关联对应的密度中心点的坐标。
示例性地，针对N个区域中的每个区域内的第一目标点迹数据分别求平均，得到第n条估计车道中心线的密度中心的关联起始点的坐标记为
Figure 927701DEST_PATH_IMAGE043
，其中，
Figure 320637DEST_PATH_IMAGE044
。
设预设的关联中心漂移距离为Rs，则根据下式确定第i次关联的关联中心坐标：
Figure 407410DEST_PATH_IMAGE045
；
并且，
Figure 911204DEST_PATH_IMAGE046
；
其中，n表示在点迹数据分布图上从左到右的第n条估计车道中心线；
Figure 665402DEST_PATH_IMAGE047
表示第n条估计车道中心线，第i次关联对应的漂移方向角，
Figure 229239DEST_PATH_IMAGE048
表示第n条估计车道中心线，第i-1次关联对应的漂移方向角，并令
Figure 678675DEST_PATH_IMAGE049
；
Figure 503936DEST_PATH_IMAGE006
表示第n条估计车道中心线，第i次关联对应的关联中心横坐标，
Figure 597794DEST_PATH_IMAGE014
表示第n条估计车道中心线，第i次关联对应的关联中心纵坐标，
Figure 581799DEST_PATH_IMAGE050
表示第n条估计车道中心线，第i次关联后对应的密度中心横坐标，
Figure 393897DEST_PATH_IMAGE051
表示第n条估计车道中心线，第i次关联后对应的密度中心纵坐标，
Figure 895286DEST_PATH_IMAGE010
表示第n条估计车道中心线，第i-1次关联后对应的密度中心横坐标；
Figure 92918DEST_PATH_IMAGE011
表示第n条估计车道中心线，第i-1次关联后对应的密度中心纵坐标。
由于车道线不一定是直线，则关联方向是变化的，在关联过程中需实时调整关联方向。
根据第i次关联的关联中心坐标计算该区域内的第一目标点迹数据对应的关联距离包括：
根据下式计算关联距离：
Figure 264136DEST_PATH_IMAGE052
；
ra为关联距离，x是第一目标点迹数据对应的点的横坐标，y是第一目标点迹数据对应的点的纵坐标，
Figure 550148DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 465015DEST_PATH_IMAGE007
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
进一步地，关联条件为：
Figure 517153DEST_PATH_IMAGE053
，其中，Rthr为预设的关联距离门限，将满足关联条件的所有第一目标点迹数据确定为该区域内满足关联条件的第二目标点迹数据。
进一步地，关联结束条件为：
Figure 859273DEST_PATH_IMAGE016
；
其中，Rmax为原始点迹数据中的距离最大值，
Figure 770597DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 472843DEST_PATH_IMAGE014
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
若满足
Figure 395799DEST_PATH_IMAGE054
，则表示该区域的密度中心关联完毕，得到该区域对应的车道中心线原始点集，记为
Figure 161018DEST_PATH_IMAGE055
，其中，
Figure 90796DEST_PATH_IMAGE056
，表示的是车道中心线原始点迹中数据的横坐标集合，
Figure 347465DEST_PATH_IMAGE057
表示第n条估计车道中心线对应的第Mn个密度中心的横坐标，
Figure 639775DEST_PATH_IMAGE058
，表示的是车道中心线原始点迹中数据的纵坐标集合，
Figure 58118DEST_PATH_IMAGE059
表示第n条估计车道中心线对应的第Mn个密度中心的纵坐标，Mn表示第n条估计车道中心线对应的车道中心线原始点集的密度中心数据长度。
S102、针对每个车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线。
示例性地，对车道中心线数据Cn进行3阶多项式拟合，得到第n条估计车道中心线多项式表达式，根据数据的分布趋势，将y坐标作为拟合输入，以获得更好的拟合效果，则拟合后的估计车道中心线的拟合曲线可以表示为
Figure 803089DEST_PATH_IMAGE060
；
其中，
Figure 737152DEST_PATH_IMAGE061
表示多项式系数。
S103、针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算道路边缘车道线与该估计车道中心线的横向偏移量。
示例性地，道路边缘车道线可以为道路最左侧边缘车道线，针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算道路边缘车道线与该估计车道中心线的横向偏移量包括：
设第n条估计车道中心线的曲线为fn(y)，车道宽度为W，则由第n条估计车道中心线推导出的所有预估车道对应的预估车道线的表达式为：
Figure 369122DEST_PATH_IMAGE062
其中，
Figure 473213DEST_PATH_IMAGE063
，
Figure 456212DEST_PATH_IMAGE064
表示由第n条估计车道中心线得到的第m条预估车道的左侧预估车道线，
Figure 38372DEST_PATH_IMAGE065
表示由第n条估计车道中心线得到的第m条预估车道的右侧预估车道线；
计算落入每个预估车道内的第二目标点迹数据的个数Nn，并从Nn个第二目标点迹数据中找出N个最大值，并确定每一个最大值对应的预估车道的位置In，并将所有In中的最小值Imin对应的预估车道的左侧预估车道线作为道路最左侧边缘车道线，以及，根据下式确定道路最左侧边缘车道线与第n条估计车道中心线的横向偏移量∆xn：
Figure 56007DEST_PATH_IMAGE021
。
上述方法中道路边缘车道线为道路最左侧边缘车道线，道路边缘车道线为道路最右侧边缘车道线，采用的方法与道路最左侧边缘车道线对应的方法类似，在此不再赘述。
S104、根据所有估计车道中心线以及对应的横向偏移量确定每个估计车道中心线的估计误差，以确定最优车道中心线。
示例性地，根据所有估计车道中心线以及对应的横向偏移量确定每个估计车道中心线的估计误差包括：
针对每个估计车道中心线，设该估计车道中心线是第n条估计车道中心线，则执行如下操作：
基于第n条估计车道中心线对应的横向偏移量∆xn对所述第n条估计车道中心线进行复制、平移以形成N条实际车道对应的预估车道线，表示为：
Figure 330999DEST_PATH_IMAGE022
其中，
Figure 535716DEST_PATH_IMAGE066
，
Figure 65442DEST_PATH_IMAGE024
表示第n条估计车道中心线得到的第k个实际车道的左侧预估车道线，
Figure 186850DEST_PATH_IMAGE067
表示第n条估计车道中心线得到的第k个实际车道的右侧预估车道线。
进一步地，根据下式通过第n条估计车道中心线得到的所有实际车道的预估车道线确定该估计车道中心线对应的估计误差En：
Figure 383476DEST_PATH_IMAGE068
其中，
Figure 590336DEST_PATH_IMAGE069
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的横坐标
Figure 265031DEST_PATH_IMAGE070
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的纵坐标，其满足如下条件：
Figure 116312DEST_PATH_IMAGE071
；
其中，
Figure 1616DEST_PATH_IMAGE072
，
Figure 446504DEST_PATH_IMAGE031
表示第n条估计车道中心线平移复制得到的第k个实际车道内的数据长度；
将估计误差最小的估计车道中心线作为最优车道中心线。
进一步地，考虑到一种极端情况，若在关联起始点搜索阶段，原始点迹数据中存在干扰点迹，导致估计的密度中心线在车道覆盖范围外，由于车道外数据稀疏，可能导致车道中心线估计误差值En很小；
根据下式确定第n条估计车道中心线的拟合效果的评价值Sn：
Figure 908578DEST_PATH_IMAGE073
；
其中，Dn为第n条估计车道中心线的占空比，且
Figure 145524DEST_PATH_IMAGE074
；
Sn越小，车道中心线的估计值越准确，将评价值最小的估计车道中心线作为最优车道中心线。
S105、根据最优车道中心线、车道宽度、预设的车道数量以及最优车道中心线对应的横向偏移量对最优车道中心线进行复制以及平移以得到目标道路的所有实际车道对应的目标车道线。
示例性地，根据下式确定目标道路的所有实际车道对应的目标车道线：
Figure 683953DEST_PATH_IMAGE075
其中，
Figure 865404DEST_PATH_IMAGE066
，N表示车道数量，fopt(y)为最优车道中心线，
Figure 147481DEST_PATH_IMAGE076
为最优车道中心线对应的横向偏移量，W为车道宽度，
Figure 976284DEST_PATH_IMAGE077
为目标道路的第k条实际车道的左侧目标车道线，
Figure 200461DEST_PATH_IMAGE037
为目标道路的第k条实际车道的右侧目标车道线。
在本发明中，根据预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集，针对每个车道中心线原始点集，对该车道中心线原始点集进行拟合以得到该车道中心线原始点集对应的估计车道中心线，针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算该估计车道中心线与道路边缘车道线的横向偏移量，而后根据所有估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线，对根据最优车道中心线、车道宽度、预设的车道数量以及最优车道中心线对应的横向偏移量对最优车道中心线进行复制以及平移以得到目标道路的所有实际车道对应的目标车道线，仅通过雷达得到的车辆的点迹数据就可以得到目标道路上的准确的目标车道线，无需借助其他数据设备，因此，能够很好地适用于隧道等无法直接获得车道线数据的场所的车道线标定，并且也能用于除隧道外的可以直接获得车道线数据的场所的车道线标定，具有较为宽广的应用范围。
下面将结合3车道的目标道路的车道线标定的具体示例对本发明中的车道自动标定方法进行阐述：
从原始点迹数据中提取满足预设纵坐标的第一目标点数据，并进行横向搜索得到密度最大的3个区域。
对3个区域中的每个区域，第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将多个密度中心点作为该区域对应的车道中心线原始点集，如图2A所示，实心的圆点代表车辆点迹，一个空心的圆圈代表一个密度中心点。
对三个区域中，每个区域的多个密度中心点进行曲线拟合得到拟合后的三条估计车道中心线，如图2B所示，三条预估车道中心线为虚线从左到右标为1，2，3。
确定三条车道中心线相比于道路最左侧边缘车道线的横向偏移量：
设第1条估计车道中心线的曲线为f1(y)，车道宽度为W，则由第1条车道中心线推导出的所有预估车道对应的预估车道线的表达式为：
Figure 10154DEST_PATH_IMAGE078
其中，m=-2，-1,0,1,2，由此得到，如图2C所示，虚线为预估车道的车道线，实线为估计车道中心线，第-2条估计车道的左侧预估车道线为f1(y)-2.5W，第-2条估计车道的右侧预估车道线为f1(y)-1.5W，第-1条估计车道的左侧预估车道线为f1(y)-1.5W，第-1条估计车道的右侧预估车道线，第0条估计车道的左侧预估车道线为f1(y)-0.5W，第0条估计车道的右侧预估车道线为f1(y)+0.5W，第1条估计车道的左侧预估车道线为f1(y)+0.5W，第1条估计车道的右侧预估车道线为f1(y)+1.5W，第2条估计车道的左侧预估车道线为f1(y)+1.5W，第2条估计车道的右侧预估车道线为f1(y)+2.5W。
计算落入每个预估车道内的第二目标点迹数据的个数Nn，其中第-2条估计车道以及第-1条估计车道并非实际车道，因此，从Nn个第二目标点迹数据中找出N个最大值，并确定每一个最大值对应的预估车道的位置In，In的位置为0,1,2，并将所有In中的最小值Imin对应的预估车道的左侧预估车道线作为道路最左侧边缘车道线，也即是，所有的实际车道的最左侧车道的左侧车道线，在本实施例中Imin为0，根据下式确定道路最左侧边缘车道线与第1条估计车道中心线的横向偏移量
Figure 95922DEST_PATH_IMAGE079
：
Figure 900936DEST_PATH_IMAGE080
；
得到
Figure 46746DEST_PATH_IMAGE081
为-0.5W，也即是，将第1条估计车道中心线复制以后向左侧移动-0.5W得到道路最左侧边缘车道线。
第1条估计车道中心线对应的横向偏移量
Figure 803788DEST_PATH_IMAGE081
对第1条估计车道中心线进行复制、平移以形成3条实际车道对应的预估车道线，表示为：
Figure 676935DEST_PATH_IMAGE082
；
其中，
Figure 352767DEST_PATH_IMAGE083
，
Figure 918746DEST_PATH_IMAGE084
表示第1条估计车道中心线得到的第k个实际车道的左侧预估车道线，
Figure 781660DEST_PATH_IMAGE085
表示第1条估计车道中心线得到的第k个实际车道的右侧预估车道线。
确定第1条估计车道中心线对应的估计误差E1，再确定第1条估计车道中心线的拟合效果的评价值S1。
同样地，计算出第2条估计车道中心线对应的评价值S2，计算出第2条估计车道中心线对应的评价值S3，将S1、S2、S3中最小值对应的估计车道中心线作为最优车道中心线。
根据下式确定目标道路的所有实际车道对应的目标车道线：
Figure 192919DEST_PATH_IMAGE086
;
其中，k=1,2,3，fopt(y)为最优车道中心线，
Figure 192099DEST_PATH_IMAGE087
为最优车道中心线对应的横向偏移量，W为车道宽度，
Figure 807275DEST_PATH_IMAGE088
为目标道路的第k条实际车道的左侧目标车道线，
Figure 406753DEST_PATH_IMAGE089
为目标道路的第k条实际车道的右侧目标车道线，最终结果如图2D所示。
如图3所示，本发明还提供了一种车道自动标定装置，装置包括：
原始点集确定单元301，用于获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据原始点迹数据得到目标道路的每条车道对应的车道中心线原始点集；
估计车道中心线确定单元302，用于针对每个车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线；
横向偏移量确定单元303，用于针对每个估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算道路边缘车道线与该估计车道中心线的横向偏移量；
估计误差确定单元304，用于根据所有估计车道中心线以及对应的横向偏移量确定每个估计车道中心线的估计误差，以确定最优车道中心线；
目标车道线确定单元305，用于根据最优车道中心线、车道宽度、预设的车道数量以及最优车道中心线对应的横向偏移量对最优车道中心线进行复制以及平移以得到目标道路的所有实际车道对应的目标车道线。
进一步地，原始点集确定单元301还用于：
从原始点迹数据中提取满足预设纵坐标条件的数据作为第一目标点迹数据；
区域确定对第一目标点迹数据进行横向搜索得到密度最大的N个区域，密度最大的N个区域与目标道路的每条实际车道一一对应；
针对N个区域中的每个区域，对该区域内的第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将多个密度中心点作为该区域对应的车道中心线原始点集。
进一步地，原始点集确定单元301还用于：
对该区域内的第一目标点迹数据的横坐标以及纵坐标求平均得到密度中心的关联起始点的坐标；
从关联起始点开始，针对第i次关联执行如下操作，直至满足关联结束条件，以得到该区域对应的多个密度中心点：
根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标；
根据第i次关联的关联中心坐标计算该区域内的第一目标点迹数据对应的关联距离以确定该区域内满足关联条件的第二目标点迹数据；
将该区域内满足关联条件的第二目标点迹数据的横坐标以及纵坐标求平均得到第i次关联对应的密度中心点的坐标。
进一步地，原始点集确定单元301还用于：
设预设的关联中心漂移距离为Rs，则根据下式确定第i次关联的关联中心坐标：
Figure 372435DEST_PATH_IMAGE001
；
并且，
Figure 6547DEST_PATH_IMAGE002
；
其中，n表示在点迹数据分布图上从左到右的第n条估计车道中心线；
Figure 399483DEST_PATH_IMAGE047
表示第n条估计车道中心线，第i次关联对应的漂移方向角，
Figure 486256DEST_PATH_IMAGE090
表示第n条估计车道中心线，第i-1次关联对应的漂移方向角，并令
Figure 255629DEST_PATH_IMAGE005
；
Figure 747178DEST_PATH_IMAGE006
表示第n条估计车道中心线，第i次关联对应的关联中心横坐标，
Figure 45435DEST_PATH_IMAGE007
表示第n条估计车道中心线，第i次关联对应的关联中心纵坐标，
Figure 619505DEST_PATH_IMAGE008
表示第n条估计车道中心线，第i次关联后对应的密度中心横坐标，
Figure 317202DEST_PATH_IMAGE009
表示第n条估计车道中心线，第i次关联后对应的密度中心纵坐标，
Figure 145481DEST_PATH_IMAGE010
表示第n条估计车道中心线，第i-1次关联后对应的密度中心横坐标；
Figure 129486DEST_PATH_IMAGE091
表示第n条估计车道中心线，第i-1次关联后对应的密度中心纵坐标。
进一步地，原始点集确定单元301还用于根据下式计算关联距离：
Figure 941585DEST_PATH_IMAGE092
；
ra为关联距离，x是第一目标点迹数据对应的点的横坐标，y是第一目标点迹数据对应的点的纵坐标，
Figure 304957DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 518901DEST_PATH_IMAGE014
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
进一步地，关联条件为：
Figure 673808DEST_PATH_IMAGE053
，其中，Rthr为预设的关联距离门限。
进一步地，关联结束条件为：
Figure 973202DEST_PATH_IMAGE016
；
其中，Rmax为原始点迹数据中的距离最大值，
Figure 871757DEST_PATH_IMAGE013
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 64841DEST_PATH_IMAGE014
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
进一步地，道路边缘车道线为道路最左侧边缘车道线，横向偏移量确定单元303还用于：
设第n条估计车道中心线的曲线为fn(y)，车道宽度为W，则由第n条估计车道中心线推导出的所有预估车道对应的预估车道线的表达式为：
Figure 141381DEST_PATH_IMAGE093
；
其中，
Figure 191988DEST_PATH_IMAGE018
，
Figure 910545DEST_PATH_IMAGE094
表示由第n条车估计道中心线得到的第m条预估车道的左侧预估车道线，
Figure 754873DEST_PATH_IMAGE095
表示由第n条估计车道中心线得到的第m条预估车道的右侧预估车道线；
计算落入每个预估车道内的第二目标点迹数据的个数Nn，并从Nn个第二目标点迹数据中找出N个最大值，并确定每一个最大值对应的预估车道的位置In，并将所有In中的最小值Imin对应的预估车道的左侧预估车道线作为道路最左侧边缘车道线，以及，根据下式确定道路最左侧边缘车道线与第n条估计车道中心线的横向偏移量∆xn：
Figure 251582DEST_PATH_IMAGE096
。
进一步地，估计误差确定单元304还用于针对每个估计车道中心线，设该估计车道中心线是第n条估计车道中心线，则执行如下操作：
基于该估计车道中心线对应的横向偏移量∆xn对第n条估计车道中心线进行复制、平移以形成N条实际车道对应的预估车道线，表示为：
Figure 525569DEST_PATH_IMAGE022
其中，
Figure 906872DEST_PATH_IMAGE083
，
Figure 202111DEST_PATH_IMAGE097
表示第n条估计车道中心线得到的第k个实际车道的左侧预估车道线，
Figure 886033DEST_PATH_IMAGE025
表示第n条估计车道中心线得到的第k个实际车道的右侧预估车道线；
进一步地，估计误差确定单元304还用于根据下式通过第n条估计车道中心线得到的所有实际车道的预估车道线确定该估计车道中心线对应的估计误差En：
Figure 631004DEST_PATH_IMAGE026
其中，
Figure 815998DEST_PATH_IMAGE098
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的横坐标
Figure 713547DEST_PATH_IMAGE070
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的纵坐标，其满足如下条件：
Figure 817638DEST_PATH_IMAGE099
；
其中，
Figure 800638DEST_PATH_IMAGE030
，
Figure 651306DEST_PATH_IMAGE031
表示第n条估计车道中心线平移复制得到的第k个实际车道内的数据长度；
将估计误差最小的估计车道中心线作为最优车道中心线。
进一步地，还包括评价值确定单元，用于根据下式确定第n条估计车道中心线的拟合效果的评价值Sn：
Figure 527996DEST_PATH_IMAGE100
；
其中，Dn为第n条估计车道中心线的占空比，且
Figure 553720DEST_PATH_IMAGE101
；
将评价值最小的估计车道中心线作为最优车道中心线。
进一步地，目标车道线确定单元305还用于根据下式确定目标道路的所有实际车道对应的目标车道线：
Figure 273284DEST_PATH_IMAGE102
其中，
Figure 675446DEST_PATH_IMAGE083
，N表示车道数量，fopt(y)为最优车道中心线，
Figure 531275DEST_PATH_IMAGE076
为最优车道中心线对应的横向偏移量，W为车道宽度，
Figure 121044DEST_PATH_IMAGE103
为目标道路的第k条实际车道的左侧目标车道线，
Figure 813057DEST_PATH_IMAGE037
为第k条实际车道的右侧目标车道线。
本发明中的车道自动标定装置与车道自动标定方法对应，能够实现运动目标跟踪方法的所有有益效果，在此不再赘述。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可处理器上运行的计算机程序，处理器执行所述程序时实现车道自动标定方法。
本发明还提供了一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现车道自动标定方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
综上所述，虽然本发明已以优选实施例揭露如上，但上述优选实施例并非用以限制本发明，本领域的普通技术人员，在不脱离本发明的精神和范围内，均可作各种更动与润饰，因此本发明的保护范围以权利要求界定的范围为准。

Claims (15)

1.一种车道自动标定方法，其特征在于，所述方法包括：
获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集；
针对每个所述车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线；
针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算道路边缘车道线与该估计车道中心线的横向偏移量；
根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线；
根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线。
2.如权利要求1所述的方法，其特征在于，所述根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集包括：
从所述原始点迹数据中提取满足预设纵坐标条件的数据作为第一目标点迹数据；
对所述第一目标点迹数据进行横向搜索得到密度最大的N个区域，所述密度最大的N个区域与所述目标道路的每条所述实际车道一一对应；
针对所述N个区域中的每个区域，对该区域内的所述第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点，并将所述多个密度中心点作为该区域对应的所述车道中心线原始点集。
3.如权利要求2所述的方法，其特征在于，所述对该区域内的所述第一目标点迹数据进行多次关联以得到该区域对应的多个密度中心点包括：
对该区域内的所述第一目标点迹数据的横坐标以及纵坐标求平均得到密度中心的关联起始点的坐标；
从所述关联起始点开始，针对第i次关联执行如下操作，直至满足关联结束条件，以得到该区域对应的所述多个密度中心点：
根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标；
根据所述第i次关联的关联中心坐标计算该区域内的所述第一目标点迹数据对应的关联距离以确定该区域内满足关联条件的第二目标点迹数据；
将该区域内满足关联条件的所述第二目标点迹数据的横坐标以及纵坐标求平均得到第i次关联对应的密度中心点的坐标。
4.如权利要求3所述的方法，其特征在于，所述根据预设的关联中心漂移距离以及第i次关联对应的漂移方向角确定第i次关联的关联中心坐标包括：
设所述预设的关联中心漂移距离为Rs，则根据下式确定第i次关联的关联中心坐标：
Figure 821694DEST_PATH_IMAGE001
；
并且，
Figure 321946DEST_PATH_IMAGE002
；
其中，n表示在点迹数据分布图上从左到右的第n条估计车道中心线；
Figure 555612DEST_PATH_IMAGE003
表示第n条估计车道中心线，第i次关联对应的漂移方向角，
Figure 497024DEST_PATH_IMAGE004
表示第n条估计车道中心线，第i-1次关联对应的漂移方向角，并令
Figure 469528DEST_PATH_IMAGE005
；
Figure 863600DEST_PATH_IMAGE006
表示第n条估计车道中心线，第i次关联对应的关联中心横坐标，
Figure 139772DEST_PATH_IMAGE007
表示第n条估计车道中心线，第i次关联对应的关联中心纵坐标，
Figure 794745DEST_PATH_IMAGE008
表示第n条估计车道中心线，第i次关联后对应的密度中心横坐标，
Figure 813516DEST_PATH_IMAGE009
表示第n条估计车道中心线，第i次关联后对应的密度中心纵坐标，
Figure 570251DEST_PATH_IMAGE010
表示第n条估计车道中心线，第i-1次关联后对应的密度中心横坐标；
Figure 394987DEST_PATH_IMAGE011
表示第n条估计车道中心线，第i-1次关联后对应的密度中心纵坐标。
5.如权利要求3所述的方法，其特征在于，所述根据所述第i次关联的关联中心坐标计算该区域内的所述第一目标点迹数据对应的关联距离包括：
根据下式计算所述关联距离：
Figure 45412DEST_PATH_IMAGE012
；
ra为所述关联距离，x是所述第一目标点迹数据对应的点的横坐标，y是所述第一目标点迹数据对应的点的纵坐标，
Figure 343407DEST_PATH_IMAGE006
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 305546DEST_PATH_IMAGE007
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
6.如权利要求5所述的方法，其特征在于，所述关联条件为：
Figure 419127DEST_PATH_IMAGE013
，其中，Rthr为预设的关联距离门限。
7.如权利要求3所述的方法，其特征在于，所述关联结束条件为：
Figure 189637DEST_PATH_IMAGE014
；
其中，Rmax为原始点迹数据中的距离最大值，
Figure 143686DEST_PATH_IMAGE006
表示第n条估计车道中心线第i次关联对应的关联中心横坐标，
Figure 999647DEST_PATH_IMAGE007
表示第n条估计车道中心线第i次关联对应的关联中心纵坐标。
8.如权利要求7所述的方法，其特征在于，所述道路边缘车道线为道路最左侧边缘车道线，所述针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算所述道路边缘车道线与该估计车道中心线的横向偏移量包括：
设第n条估计车道中心线的曲线为fn(y)，所述车道宽度为W，则由第n条估计车道中心线推导出的所有预估车道对应的预估车道线的表达式为：
Figure 212191DEST_PATH_IMAGE015
其中，
Figure 165104DEST_PATH_IMAGE016
，
Figure 696579DEST_PATH_IMAGE017
表示由第n条车估计道中心线得到的第m条预估车道的左侧预估车道线，
Figure 649623DEST_PATH_IMAGE018
表示由第n条估计车道中心线得到的第m条预估车道的右侧预估车道线；
计算落入每个所述预估车道内的所述第二目标点迹数据的个数Nn，并从Nn个第二目标点迹数据中找出N个最大值，并确定每一个所述最大值对应的所述预估车道的位置In，并将所有In中的最小值Imin对应的预估车道的左侧预估车道线作为所述道路最左侧边缘车道线，以及，根据下式确定所述道路最左侧边缘车道线与所述第n条估计车道中心线的所述横向偏移量∆xn：
Figure 291957DEST_PATH_IMAGE019
。
9.如权利要求1所述的方法，其特征在于，所述根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线包括：
针对每个所述估计车道中心线，设该估计车道中心线是第n条估计车道中心线，则执行如下操作：
基于该估计车道中心线对应的横向偏移量∆xn对所述第n条估计车道中心线进行复制、平移以形成N条实际车道对应的预估车道线，表示为：
Figure 896114DEST_PATH_IMAGE020
；
其中，
Figure 910075DEST_PATH_IMAGE021
，
Figure 740628DEST_PATH_IMAGE022
表示第n条估计车道中心线得到的第k个实际车道的左侧预估车道线，
Figure 45707DEST_PATH_IMAGE023
表示第n条估计车道中心线得到的第k个实际车道的右侧预估车道线，fn(y)为第n条估计车道中心线的曲线，W为车道宽度。
10.如权利要求9所述的方法，其特征在于，根据下式通过所述第n条估计车道中心线得到的所有实际车道的预估车道线确定该所述估计车道中心线对应的估计误差En：
Figure 458365DEST_PATH_IMAGE024
其中，
Figure 66064DEST_PATH_IMAGE025
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的横坐标，
Figure 508546DEST_PATH_IMAGE026
，表示第n条估计车道中心线平移复制得到的第k个车道的第j个数据的纵坐标，其满足如下条件：
Figure 227104DEST_PATH_IMAGE027
；
其中，
Figure 275961DEST_PATH_IMAGE028
，
Figure 444774DEST_PATH_IMAGE029
表示第n条估计车道中心线平移复制得到的第k个实际车道内的数据长度；
将所述估计误差最小的所述估计车道中心线作为所述最优车道中心线。
11.如权利要求10所述的方法，其特征在于，所述根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以最优车道中心线还包括：
根据下式确定所述第n条估计车道中心线的拟合效果的评价值Sn：
Figure 984340DEST_PATH_IMAGE030
；
其中，Dn为所述第n条估计车道中心线的占空比，且
Figure 585216DEST_PATH_IMAGE031
；
将所述评价值最小的所述估计车道中心线作为所述最优车道中心线。
12.如权利要求1所述的方法，其特征在于，所述根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线包括：
根据下式确定所述目标道路的所有实际车道对应的目标车道线：
Figure 18472DEST_PATH_IMAGE032
；
其中，
Figure 967973DEST_PATH_IMAGE021
，N表示车道数量，fopt(y)为所述最优车道中心线，
Figure 103157DEST_PATH_IMAGE033
为所述最优车道中心线对应的所述横向偏移量，W为车道宽度，
Figure 694675DEST_PATH_IMAGE034
为所述目标道路的第k条实际车道的左侧目标车道线，
Figure 982437DEST_PATH_IMAGE035
为第k条实际车道的右侧目标车道线。
13.一种车道自动标定装置，其特征在于，所述装置包括：
原始点集确定单元，用于获取预设时间内目标道路上的车辆在雷达视场范围内的原始点迹数据，并根据所述原始点迹数据得到所述目标道路的每条车道对应的车道中心线原始点集；
估计车道中心线确定单元，用于针对每个所述车道中心线原始点集，对该车道中心线原始点集中的数据进行拟合以得到该车道中心线原始点集对应的估计车道中心线；
横向偏移量确定单元，用于针对每个所述估计车道中心线，基于该估计车道中心线以及预设的车道宽度估算该估计车道中心线与最左边的车道中心线的横向偏移量；
估计误差确定单元，用于根据所有所述估计车道中心线以及对应的所述横向偏移量确定每个所述估计车道中心线的估计误差，以确定最优车道中心线；
目标车道线确定单元，用于根据所述最优车道中心线、所述车道宽度、预设的车道数量以及所述最优车道中心线对应的所述横向偏移量对所述最优车道中心线进行复制以及平移以得到所述目标道路的所有实际车道对应的目标车道线。
14.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至12中任一项所述的车道自动标定方法。
15.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至12中任一项所述的车道自动标定方法。
CN202211047104.9A 2022-08-30 2022-08-30 车道自动标定方法、装置、电子设备及存储介质 Active CN115166743B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211047104.9A CN115166743B (zh) 2022-08-30 2022-08-30 车道自动标定方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211047104.9A CN115166743B (zh) 2022-08-30 2022-08-30 车道自动标定方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN115166743A CN115166743A (zh) 2022-10-11
CN115166743B true CN115166743B (zh) 2022-12-09

Family

ID=83481875

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211047104.9A Active CN115166743B (zh) 2022-08-30 2022-08-30 车道自动标定方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN115166743B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116679293B (zh) * 2023-08-01 2023-09-29 长沙隼眼软件科技有限公司 基于高精地图的多雷达目标轨迹拼接方法及装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102146451B1 (ko) * 2018-08-17 2020-08-20 에스케이텔레콤 주식회사 좌표계 변환 정보 획득 장치 및 방법
CN109583418B (zh) * 2018-12-13 2021-03-12 武汉光庭信息技术股份有限公司 一种基于平行关系的车道线偏离自校正方法和装置
CN111717189B (zh) * 2019-03-18 2022-03-29 毫末智行科技有限公司 车道保持控制方法、装置及系统
CN110276293B (zh) * 2019-06-20 2021-07-27 百度在线网络技术（北京）有限公司 车道线检测方法、装置、电子设备及存储介质
CN113494917A (zh) * 2020-04-07 2021-10-12 上汽通用汽车有限公司 地图构建方法及系统、制定导航策略的方法以及存储介质
CN111537990B (zh) * 2020-04-27 2022-02-22 西安象德信息技术有限公司 一种车道的标定方法、装置以及电子设备
CN112382092B (zh) * 2020-11-11 2022-06-03 成都纳雷科技有限公司 交通毫米波雷达自动生成车道的方法、系统及介质
CN113408504B (zh) * 2021-08-19 2021-11-12 南京隼眼电子科技有限公司 基于雷达的车道线识别方法、装置、电子设备及存储介质
CN114399748A (zh) * 2022-01-19 2022-04-26 东南大学 一种基于视觉车道检测的农机实时路径校正方法
CN114701494B (zh) * 2022-04-15 2024-04-12 合众新能源汽车股份有限公司 一种车道偏离预警方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN115166743A (zh) 2022-10-11

Similar Documents

Publication Publication Date Title
CN109901139B (zh) 激光雷达标定方法、装置、设备和存储介质
CN109870680B (zh) 一种目标分类方法及装置
DE102015122825B4 (de) Techniken zum Gruppieren von Zielelementen für eine Objektfusion
CN107481292B (zh) 车载摄像头的姿态误差估计方法和装置
CN111007495B (zh) 一种基于双重融合最大熵模糊聚类jpda的目标航迹优化方法
CN115166743B (zh) 车道自动标定方法、装置、电子设备及存储介质
CN111121849B (zh) 传感器的方位参数的自动校准方法、边缘计算单元和路侧传感系统
CN113835102B (zh) 车道线生成方法和装置
CN103760556A (zh) 基于集中式mimo雷达的多目标认知跟踪方法
CN111339802A (zh) 实时相对地图的生成方法及装置、电子设备和存储介质
DE102018107677A1 (de) Verfahren und Vorrichtung zur Erkennung von Fahrzeugen unter Verwendung einer Laserstrahlabtastung
CN110288826B (zh) 基于多源数据融合和milp的交通控制子区聚类划分方法
CN116125461A (zh) 一种基于高精地图的跨雷达多目标接力跟踪方法
CN113093191A (zh) 一种基于毫米波雷达的道路车辆检测系统
CN115512175A (zh) 模型训练、点云数据处理方法、装置、设备及存储介质
CN107480592B (zh) 一种多车道检测方法及跟踪方法
CN114137562B (zh) 一种基于改进全局最邻近的多目标跟踪方法
CN114194219B (zh) 一种自动驾驶车辆行驶道路模型预测方法
CN112036422B (zh) 一种基于多传感器信息融合的航迹管理方法、系统及计算机可读介质
Guo et al. Automatic parking system based on improved neural network algorithm and intelligent image analysis
CN113567951A (zh) 一种基于时空信息的跨毫米波雷达目标跟踪方法
CN113253269B (zh) 一种基于图像分类的sar自聚焦方法
CN110675631A (zh) 一种交通流溯源分析方法及系统
CN116679293B (zh) 基于高精地图的多雷达目标轨迹拼接方法及装置
CN112967316A (zh) 一种面向3d多目标追踪的运动补偿优化方法及系统

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