CN115187944A - 一种车道线检测方法及装置 - Google Patents

一种车道线检测方法及装置 Download PDF

Info

Publication number
CN115187944A
CN115187944A CN202210751725.9A CN202210751725A CN115187944A CN 115187944 A CN115187944 A CN 115187944A CN 202210751725 A CN202210751725 A CN 202210751725A CN 115187944 A CN115187944 A CN 115187944A
Authority
CN
China
Prior art keywords
lane line
semantic map
grid
target
point
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
Application number
CN202210751725.9A
Other languages
English (en)
Inventor
王文爽
张灿
潘奇
赵天坤
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.)
Hozon New Energy Automobile Co Ltd
Original Assignee
Hozon New Energy Automobile 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 Hozon New Energy Automobile Co Ltd filed Critical Hozon New Energy Automobile Co Ltd
Priority to CN202210751725.9A priority Critical patent/CN115187944A/zh
Publication of CN115187944A publication Critical patent/CN115187944A/zh
Pending legal-status Critical Current

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
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车道线检测方法及装置，涉及车辆控制技术领域，主要目的在于提高车道线检测的准确度；主要技术方案包括：基于当前时刻车辆所处位置构建局部语义地图，其中，局部语义地图为多个栅格组成的栅格地图；获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率；基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云；基于车道线点云进行车道线检测。

Description

一种车道线检测方法及装置
技术领域
本申请涉及车辆控制技术领域，特别是涉及一种车道线检测方法及装置。
背景技术
在智能驾驶技术中，车道线检测是实现驾驶智能化的关键环节，其为车辆的路径规划与决策控制提供支持。
目前，车道线检测通常采用如下两种方法进行：一是，根据强度值等过滤条件从激光雷达采集的道路点云数据中筛选出车道线的点，并对筛选出的点进行聚类处理。然后对类别为车道线的点进行直线或曲线拟合，得到车道线。此种车道线检测方法依赖于过滤条件的设定，一旦过滤条件选取不当，则车道线检测的准确度不高。另外，在路况复杂的场景下，采用上述过滤条件筛选出的车道线的点中会存在一些诸如人行道、路面标识等非车道线的点，这些非车道线点的存在，也会造成车道线的准确度不同。二是，采用深度学习的算法进行车道线检测。比如通过语义分割网络得到类别为车道线的点，然后对所得到的点进行聚类和拟合，得到车道线。但是，现有的语义分割的准确率较低，因此此种车辆检测方法的车道线检测的准确度不同。
可见，现有的车道线检测方法进行车道线检测的准确度不高，因此亟需一种车道线检测方法以提高车道线检测的准确度。
发明内容
本申请提出了一种车道线检测方法及装置，主要目的在于提高车道线检测的准确度。
为了达到上述目的，本申请主要提供了如下技术方案：
第一方面，本申请提供了一种道线检测方法，该方法包括：
基于当前时刻车辆所处位置构建局部语义地图，其中，所述局部语义地图为多个栅格组成的栅格地图；
获取目标语义地图，其中，所述目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；
基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率；
基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云；
基于所述车道线点云进行车道线检测。
在一些实施例中，在基于所述车道线点云进行车道线检测之后，所述方法还包括：确定车道线检测后得到的车道线；基于所述道路点云数据中各点的类别以及坐标，将所述道路点云数据中类别为车道线，且在所述局部语义地图中存在对应的栅格的点确定为目标点；基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率。
在一些实施例中，基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率，包括：对于每一个所述目标点，计算所述目标点到每一条车道线的距离，若每条车道线对应的距离均在其各自对应的目标距离范围内，则调大所述目标点对应的栅格的车道线概率。
在一些实施例中，在基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率之后，所述方法还包括：将调整所述目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
在一些实施例中，在基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率之后，所述方法还包括：将确定车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
在一些实施例中，基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述当前时刻的局部语义地图中每一个栅格对应的车道线概率，包括：确定所述局部语义地图中的目标栅格，其中，所述目标栅格为同时存在于所述局部语义地图和所述目标语义地图中的栅格；将所述目标栅格在所述目标语义地图中的车道线概率，确定为所述目标栅格在所述局部语义地图中的车道线概率；基于所述局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率。
在一些实施例中，基于所述局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率，包括：对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。
在一些实施例中，在基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云之前，所述方法还包括：若所述局部语义地图为首个用于车道线检测的局部语义地图，则基于所述道路点云数据中各点的坐标和所述局部语义地图对应的坐标范围，选取位于所述坐标范围内的点以及确定所选取的点在所述局部语义地图中对应的栅格；基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率。
在一些实施例中，基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率，包括：初始化所述局部语义地图的各栅格对应的车道线概率；对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。
在一些实施例中，基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各所述栅格对应的车道线概率，确定车道线点云，包括：基于所述道路点云数据中各点的类别以及坐标，将类别为车道线，且对应的栅格的车道线概率大于第一概率的点，添加至车道线点集合；在对应的点未添加至所述车道线点集合的栅格中，选取车道线概率大于第二概率的栅格；将所选取的栅格对应的坐标转换为车身坐标系中的坐标；基于转换后的坐标生成点，并将生成的点添加至车道线点集合，形成所述车道线点云。
在一些实施例中，基于所述车道线点云进行车道线检测，包括：对所述车道线点云进行聚类处理，确定属于同一条车道线的点；对于属于同一条车道线的点进行车道线拟合。
在一些实施例中，基于当前时刻车辆所处位置构建局部语义地图，包括：将所述车辆所处位置的坐标转换为目标坐标系中的坐标，其中，所述目标坐标系为所述局部语义地图对应的坐标系；以转换后的坐标为原点构建尺寸为目标尺寸的局部语义地图。
第二方面，本申请提供了一种车道线检测装置，该装置包括：
构建单元，用于基于当前时刻车辆所处位置构建局部语义地图，其中，所述局部语义地图为多个栅格组成的栅格地图；
获取单元，用于获取目标语义地图，其中，所述目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；
第一确定单元，用于基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率；
第二确定单元，用于基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云；
检测单元，用于基于所述车道线点云进行车道线检测。
第三方面，本申请提供了一种控制器，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行的指令，所述指令由所述处理器加载并执行：以实现第一方面所述的车道线检测方法。
第四方面，本申请提供了一种车辆，所述车辆包括：第三方面所述的控制器。
借由上述技术方案，本申请提供的车道线检测方法及装置，在需要针对当前时刻进行车道线检测时，首先基于当前时刻车辆所处位置构建局部语义地图，并获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定。然后基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率。最后基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云，并基于车道线点云进行车道线检测。可见，本申请提供的方案中当前时刻的局部语义地图中栅格对应的车道线概率的确定，不仅考虑了当前时刻的道路点云数据中各点的类别以及坐标，而且也考虑了前一时刻进行车道线检测后形成的目标语义地图中各栅格对应的车道线概率，因此当前时刻进行车道线检测时能够充分利用前面多个时刻的历史信息，使得在基于车道线概率确定的车道线点云更加准确，从而使得拟合出的车道线方程更为稳定和平滑，进而提高车道线检测的准确度。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，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示出了本申请一个实施例提供的一种车道线检测方法的流程图；
图2示出了本申请另一个实施例提供的另一种车道线检测方法的流程图；
图3示出了本申请一个实施例提供的一种车道线检测装置的结构示意图；
图4示出了本申请另一个实施例提供的一种车道线检测装置的结构示意图。
具体实施方式
下面将参照附图更加详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
目前，车道线检测通常采用如下两种方法进行：一是，根据强度值等过滤条件从激光雷达采集的道路点云数据中筛选出车道线的点，并对筛选出的点进行聚类处理。然后对类别为车道线的点进行直线或曲线拟合，得到车道线。此种车道线检测方法依赖于过滤条件的设定，一旦过滤条件选取不当，则车道线检测的准确度不高。另外，在路况复杂的场景下，采用上述过滤条件筛选出的车道线的点中会存在一些诸如人行道、路面标识等非车道线的点，这些非车道线点的存在，也会造成车道线的准确度不同。二是，采用深度学习的算法进行车道线检测。比如通过语义分割网络得到类别为车道线的点，然后对所得到的点进行聚类和拟合，得到车道线。但是，现有的语义分割的准确率较低，因此此种车辆检测方法的车道线检测的准确度不同。
可见，现有的车道线检测方法进行车道线检测的准确度不高。因此本申请实施例提供了一种车道线检测方法及装置，以提高车道线检测的准确度。本申请实施例提供的车道线检测方法及装置可以应用在任意一个存在车道线检测的车辆中，以在智能驾驶的场景中为车辆提供准确度较高的车道线检测，从而为后续车辆的路径规划与决策控制提供准确的数据支持。在实际应用中，车辆的类型本实施例不做限定。示例性的，车辆可以为纯电动汽车、燃油汽车或混合动力汽车。
下面对本申请实施例提供的车道线检测方法及装置进行具体说明。
如图1所示，本申请实施例提供了一种车道线检测方法，该方法主要包括：
101、基于当前时刻车辆所处位置构建局部语义地图，其中，局部语义地图为多个栅格组成的栅格地图。
车辆在行驶场景中或起步场景中，均需要进行车道线检测，以将车道线检测结果作为路径规划与决策控制的数据支持。当需要对当前时刻进行车道线检测时，需要构建当前时刻的局部语义地图。局部语义地图的构建需要基于当前时刻车辆所处位置进行，下面对基于当前时刻车辆所处位置构建局部语义地图的具体过程进行说明，该过程包括如下步骤101A至101B：
101A，将车辆所处位置的坐标转换为目标坐标系中的坐标，其中，目标坐标系为局部语义地图对应的坐标系。
由于是对当前时刻进行车道线检测，以基于车道线检测结果指导当前时刻车辆的运行，因此需要获取当前时刻车辆所处位置的坐标，以此坐标来构建当前时刻对应的局部语义地图。车辆所处位置的坐标体现车辆自身所处的位置，车辆所处位置的坐标为车身后轴中心点的坐标。
在获取到当前时刻车辆所处位置的坐标之后，将此坐标转换为局部语义地图对应的目标坐标系中的坐标，以便利用转换后而得的坐标构建局部语义地图。这里所述的坐标转换过程可以为：获取车辆所处位置的坐标对应的坐标系和目标坐标系之间的转换矩阵，根据转换矩阵将车辆所处位置的坐标转换为目标坐标系中的坐标。
101B，以转换后的坐标为原点构建尺寸为目标尺寸的局部语义地图。
以转换后的坐标为原点构建尺寸为目标尺寸的局部语义地图的具体过程为：获取目标尺寸对应的距离，然后以转换后的坐标为原点，以目标尺寸对应的距离构建地图边界，以及使用预设分辨率构建栅格。
示例性的，以转换后的坐标为原点。在原点前方，且与原点之间垂直距离为40米的位置处构建地图的上边界。在原点后方，且与原点之间垂直距离为40米的位置处构建地图的下边界。在原点左方，且与原点之间垂直距离为40米的位置处构建地图的左边界。在原点右方，且与原点之间垂直距离为40米的位置处构建地图的右边界。基于上述的四个边界以及分辨率0.1米，形成一个尺寸为800×800的栅格地图，该栅格地图即为基于当前时刻车辆所处位置构建的局部语义地图，在该局部语义地图中，每一个栅格的尺寸为0.1m×0.1m。
102、获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定。
车辆行驶是一个持续的过程，因此为了给车辆行驶提供数据支持，需要以设定频率持续的进行车道线检测，因此在当前时刻不是第一个进行车道线检测的时刻时，必然存在与当前时刻相邻的前一时刻，在前一时刻已进行过车道线检测。为了提高车道线检测的准确度，需要充分利用前一时刻的历史信息，因此在确定当前时刻的局部语义地图中各栅格对应的车道线概率时，需要获取前一时刻得到的目标语义地图，以基于目标语义地图中的栅格的车道线概率确定当前时刻的局部语义地图中各栅格对应的车道线概率。
目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定，该车道线概率被确定的含义包括有两种，在本步骤102中仅对其中一种含义进行说明，另一种含义在下述图2提供的车道线检测方法实施例的步骤202中进行说明。
在本步骤102中目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定的具体含义为：每针对一个当前时刻进行车道线检测时，需要在基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率之后，将确定车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。也就是说，在针对任意一个当前时刻进行车道线检测时，获取的目标语义地图即为上述中确定的目标语义地图。
103、基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率。
当前时刻的道路点云数据是进行道路线检测的数据基础，其是通过车载激光雷达采集的。在获取到道路点云数据之后，为了明确道路点云数据中各点的类别，需要对道路点云数据进行分类，以明确哪些点是车道线的点，哪些点是非车道线的点。对道路点云数据进行分类的过程可以为：基于深度学习的语义分割网络，对道路点云数据进行分类，得到道路点云数据的分类结果，其中，分类结果中明确了道路点云数据中各点对应的类别，从类别便可分辨出哪些点车道线的点，哪些点是非车道线的点。
在构建出局部语义地图之后，需要确定局部语义地图中每一个栅格对应的车道线概率，以利用车道线概率得到车道线检测所需的车道线点云。
基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率的具体执行过程包括如下步骤103A2至103E2：
103A2，确定局部语义地图中的目标栅格，其中，目标栅格为同时存在于局部语义地图和目标语义地图中的栅格。
目标栅格即为局部语义地图和目标语义地图中重复的栅格。在确定目标栅格时，对于目标语义地图中每一个栅格均执行：将该栅格的坐标转换为局部语义地图对应的目标坐标系中的坐标，判断转换后的坐标是否位于局部语义地图对应的坐标范围内；若判定转换后的坐标位于局部语义地图对应的坐标范围内，说明该栅格为局部语义地图和目标语义地图重复的栅格，则确定该栅格为目标栅格，并基于转换后的坐标确定目标栅格在局部语义地图中的位置；若判定转换后的坐标不位于局部语义地图对应的坐标范围内，说明该栅格在局部语义地图不存在，则跳过该栅格即可。
在实际应用中，栅格的坐标的确定方式可以基于业务需求，示例性的，将栅格中心的坐标确定为栅格的坐标。
103C2，将目标栅格在目标语义地图中的车道线概率，确定为目标栅格在局部语义地图中的车道线概率。
为了提高车道线检测的准确度，将目标栅格在目标语义地图中的车道线概率，直接确定为目标栅格在局部语义地图中的车道线概率，从而继承上一时刻的车道线概率，达到充分利用历史信息的目的。
103D2，基于局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率。
基于局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率的具体过程为：对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。
调大栅格的车道线概率的过程为：获取第一数值，将栅格的车道线概率调大第一数值，其中，第一数值基于多次试验标定而得，其主要用于提高栅格为车道线的概率。比如，该第一数值为0.1。
调小栅格的车道线概率的过程为：获取第二数值，将栅格的车道线概率调小第二数值，其中，第二数值基于多次试验标定而得，其主要用于降低栅格为车道线的概率。比如，该第一数值为-0.1。
104、基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云。
在确定局部语义地图中各栅格的车道线概率之后，基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云，所涉及的具体过程包括如下步骤104A至104D：
104A，基于道路点云数据中各点的类别以及坐标，将类别为车道线，且对应的栅格的车道线概率大于第一概率的点，添加至车道线点集合。
对于道路点云数据中每一个点均执行如下步骤一至步骤三：
步骤一，将该点的坐标转换为局部语义地图对应的目标坐标系中的坐标，判断转换后的坐标是否位于局部语义地图对应的坐标范围内；若位于执行步骤二；若不位于，则跳过该点。
步骤二，判断该点的类别是否为车道线；若是，执行步骤三；若否，则跳过该点。
步骤三，基于转换后的坐标确定点在局部语义地图中对应的栅格，并判断对应的栅格的车道线概率是否大于第一概率；若大于，则将该点添加至车道线集合；若不大于，执行步骤104B。
在判定对应的栅格的车道线概率大于第一概率，则说明该大概率为车道线上的点，因此将该点添加至车道线集合。第一概率为判定车道线上的点的一个界限值，其可以基于业务需求设定。
104B，在对应的点未添加至车道线点集合的栅格中，选取车道线概率大于第二概率的栅格。
为了补全一些缺失的车道线点云，则在对应的点未添加至车道线点集合的栅格中，选取车道线概率大于第二概率的栅格，这些栅格虽然其对应的点在当前时刻的类别为非车道线，但是其对应的车道线概率达到了车道线判定的界限，可能认定其对应的点为车道线的点，以补全一些丢失的车道线点，提高车道线检测的概率。
第二概率其为判定车道线上的点的一个界限值，其可以基于业务需求设定。需要说明的是，第一概率和第二概率可以设定的相同或不同。
104C，将所选取的栅格对应的坐标转换为车身坐标系中的坐标。
在选取车道线概率大于第二概率的栅格之后，将所选取的栅格对应的坐标转换为车身坐标系中的坐标，即将栅格转换为三维空间中的一个点，以将其作为车道线的点使用。
将所选取的栅格对应的坐标转换为车身坐标系中的坐标的过程为：获取局部语义地图对应的坐标系和车身坐标系之间的转换矩阵，根据转换矩阵将栅格的坐标转换为车身坐标系中的坐标。
104D，基于转换后的坐标生成点，并将生成的点添加至车道线点集合，形成车道线点云。
基于转换后的坐标生成三维空间中的一个点，将生成的点添加至车道线集合，以补全一些丢失的车道线点。在生成的点均添加至车道线集合之后，车道线集合中的点即形成了车道线点云。由于车道线点云中不仅存在道路点云数据中存在的点而且还存在后续一些补全的点，因此基于车道线点云进行的车道线检测，能够提高车道线检测的准确度。
105、基于车道线点云进行车道线检测。
基于车道线点云进行车道线检测的具体过程包括如下步骤105A至105B：
105A，对车道线点云进行聚类处理，确定属于同一条车道线的点。
采用预设车道线聚类模型对车道线点云进行聚类处理，得到属于同一条车道线的点，从而获取到每一条车道线对应的点云。
105B，对于属于同一条车道线的点进行车道线拟合。
在确定属于同一条车道线的点之后，对于属于同一车道线的点进行车道线拟合。对于每一条车道线对应的点云进行车道线拟合的具体过程为：使用最小二乘法进行三次多项式的拟合，最小二乘法通过最小化误差的平方和寻找数据的最优函数匹配，最终得到车道线。所得到的车道线的方程为：y＝a0+a1x+a2x2+a3x3，其中，y和x均表示车道线中的点的坐标，a0、a1、a2、a3均为使用最小二乘法进行三次多项式的拟合而得的参数。
由于车道线点云中不仅存在道路点云数据中存在的点而且还存在后续一些补全的点，因此基于车道线点云进行的车道线拟合，能够提高车道线检测的准确度。
本申请实施例提供的车道线检测方法，在需要针对当前时刻进行车道线检测时，首先基于当前时刻车辆所处位置构建局部语义地图，并获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定。然后基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率。最后基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云，并基于车道线点云进行车道线检测。可见，本申请实施例提供的方案中当前时刻的局部语义地图中栅格对应的车道线概率的确定，不仅考虑了当前时刻的道路点云数据中各点的类别以及坐标，而且也考虑了前一时刻进行车道线检测后形成的目标语义地图中各栅格对应的车道线概率，因此当前时刻进行车道线检测时能够充分利用前面多个时刻的历史信息，使得在基于车道线概率确定的车道线点云更加准确，从而使得拟合出的车道线方程更为稳定和平滑，进而提高车道线检测的准确度。
进一步的，根据图1所示的方法，本申请的另一个实施例还提供了一种车道线检测方法，如图2所示，该方法主要包括：
201、基于当前时刻车辆所处位置构建局部语义地图，其中，局部语义地图为多个栅格组成的栅格地图。
步骤201的具体描述基本与上述步骤101的相同，因此这里不再赘述。
202、判断当前时刻的局部语义地图是否为首个用于车道线检测的局部语义地图；若是，执行步骤211；否则执行步骤203。
203、获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定。
目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定，该车道线概率被确定的含义包括有两种，一种含义已经在上述步骤102中进行说明，另一种含义即在本步骤203中说明，且说明如下：
在本步骤203中目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定的具体含义为：每针对一个当前时刻进行车道线检测时，需要在步骤206基于车道线点云进行车道线检测之后，执行步骤207-210：确定车道线检测后得到的车道线；基于道路点云数据中各点的类别以及坐标，将道路点云数据中类别为车道线，且在局部语义地图中存在对应的栅格的点确定为目标点；基于目标点与所确定的车道线之间的距离关系，调整目标点对应的栅格的车道线概率。将调整目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。也就是说，在针对任意一个当前时刻进行车道线检测时，获取的目标语义地图即为上述中确定的目标语义地图。
204、基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率。
步骤204的具体描述基本与上述步骤103的相同，因此这里不再赘述。
205、基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云。
步骤205的具体描述基本与上述步骤104的相同，因此这里不再赘述。
206、基于车道线点云进行车道线检测。
步骤206的具体描述基本与上述步骤105的相同，因此这里不再赘述。
207、确定车道线检测后得到的车道线。
为了提高后一时刻车道线检测的准确度，在进行车道线检测之后，需要确定出车道线检测后得到的车道线，以基于检测得到的车道线，对当前时刻的局部语义地图中栅格的车道线概率进行调整更新。
208、基于道路点云数据中各点的类别以及坐标，将道路点云数据中类别为车道线，且在局部语义地图中存在对应的栅格的点确定为目标点。
对于道路点云数据中每一个点均执行如下步骤一至步骤三：
步骤一，将该点的坐标转换为局部语义地图对应的目标坐标系中的坐标，判断转换后的坐标是否位于局部语义地图对应的坐标范围内；若位于执行步骤二；若不位于，则跳过该点。
步骤二，判断该点的类别是否为车道线；若是，执行步骤三；若否，则跳过该点。
步骤三，基于转换后的坐标确定点在局部语义地图中对应的栅格，并将该点确定为目标点。
209、基于目标点与所确定的车道线之间的距离关系，调整目标点对应的栅格的车道线概率。
基于目标点与所确定的车道线之间的距离关系，调整目标点对应的栅格的车道线概率的具体过程为：对于每一个目标点，计算目标点到每一条车道线的距离，若每条车道线对应的距离均在其各自对应的目标距离范围内，则调大目标点对应的栅格的车道线概率。
对于一个目标点来说，计算得到其与每一条车道线的距离。若每条车道线对应的距离均在各条车道线对应的目标距离范围内，则说明目标点大概率是类别为车道线的点，因此为了提高下一时刻车道线检测的准确度，则调大目标点对应的栅格的车道线概率。调大栅格的车道线概率的过程为：获取第三数值，将栅格的车道线概率调大第三数值，其中，第三数值基于多次试验标定而得，其主要用于提高栅格为车道线的概率。
210、将调整目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用，并结束当前流程。
对于任意一个当前时刻来说，在针对其进行车道线检测之后，其将成为下一个当前时刻的前一时刻，需要保留其对应的局部语义地图供后一时刻使用，因此将调整目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图。
211、基于道路点云数据中各点的坐标和局部语义地图对应的坐标范围，选取位于坐标范围内的点以及确定所选取的点在局部语义地图中对应的栅格。
对于道路点云数据中每一个点均执行：将点的坐标转换为局部语义地图对应的目标坐标系中的坐标，判断转换后的坐标是否位于局部语义地图对应的坐标范围内；若判定转换后的坐标位于局部语义地图对应的坐标范围内，则基于转换后的坐标确定点在局部语义地图中对应的栅格；若判定转换后的坐标不位于局部语义地图对应的坐标范围内，则确定点已经超出车道线检测所涉及的区域，点为无效点，则剔除点即可。
通过对道路点云数据中各点均执行了上述的操作后，便可确定出道路点云数据中位于局部语义地图对应的坐标范围内的点，以及这些点在局部语义地图中对应的栅格。点与其对应的栅格在局部语义地图中的坐标相对应。
212、基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率，并执行步骤205。
这里所述的所选取的点即为：道路点云数据中位于局部语义地图对应的坐标范围内的点。在选取这些点之后，需要确定这些点对应的栅格的车道线概率，车道线概率表示栅格对应的点为车道线的点的可能性，其值越大则其对应的点为车道线的点的概率越大，反之，其值越小其对应的点为车道线的点的概率越小。
基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率的具体过程为：初始化局部语义地图的各栅格对应的车道线概率；对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。当局部语义地图为首个用于车道线检测的局部语义地图时，初始化局部语义地图的各栅格对应的车道线概率，以基于初始化得到的车道线概率，来确定各栅格对应的车道线概率。初始化局部语义地图的各栅格对应的车道线概率，是将各栅格对应的车道线概率均初始化一个预设值，该预设值的大小可以基于业务需求确定。示例性的，预设值为0.5。
本申请实施例提供的车道线检测方法的效果存在如下两点：一是当前时刻的局部语义地图中栅格对应的车道线概率的确定，不仅考虑了当前时刻的道路点云数据中各点的类别以及坐标，而且也考虑了前一时刻进行车道线检测后形成的目标语义地图中各栅格对应的车道线概率，因此当前时刻进行车道线检测时能够充分利用前一时刻的历史信息，使得在基于车道线概率确定的车道线点云更加准确；二是，为了补全一些缺失的车道线点云，则在对应的点未添加至车道线点集合的栅格中，选取车道线概率大于第二概率的栅格，这些栅格虽然其对应的点的类别为非车道线，但是其对应的车道线概率达到了车道线判定的界限，可能认定其对应的点为车道线的点，以补全一些丢失的车道线点，提高车道线检测的概率。综上两个效果，本申请实施例能够得到更为准确的车道线点云，从而使得拟合出的车道线方程更为稳定和平滑，进而提高车道线检测的准确度。
进一步的，依据上述方法实施例，本申请的另一个实施例还提供了一种车道线检测装置，如图3所示，所述装置包括：
构建单元31，用于基于当前时刻车辆所处位置构建局部语义地图，其中，所述局部语义地图为多个栅格组成的栅格地图；
获取单元32，用于获取目标语义地图，其中，所述目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；
第一确定单元33，用于基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率；
第二确定单元34，用于基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云；
检测单元35，用于基于所述车道线点云进行车道线检测。
本申请实施例提供的车道线检测装置，在需要针对当前时刻进行车道线检测时，首先基于当前时刻车辆所处位置构建局部语义地图，并获取目标语义地图，其中，目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定。然后基于目标语义地图中各栅格对应的车道线概率、当前时刻的道路点云数据中各点的类别以及坐标，确定局部语义地图中每一个栅格对应的车道线概率。最后基于道路点云数据中各点的类别以及坐标、局部语义地图中各栅格对应的车道线概率，确定车道线点云，并基于车道线点云进行车道线检测。可见，本申请实施例提供的方案中当前时刻的局部语义地图中栅格对应的车道线概率的确定，不仅考虑了当前时刻的道路点云数据中各点的类别以及坐标，而且也考虑了前一时刻进行车道线检测后形成的目标语义地图中各栅格对应的车道线概率，因此当前时刻进行车道线检测时能够充分利用前面多个时刻的历史信息，使得在基于车道线概率确定的车道线点云更加准确，从而使得拟合出的车道线方程更为稳定和平滑，进而提高车道线检测的准确度。
可选的，如图4所示，所述装置还包括：
调整单元36，用于在检测单元35基于所述车道线点云进行车道线检测之后，确定车道线检测后得到的车道线；基于所述道路点云数据中各点的类别以及坐标，将所述道路点云数据中类别为车道线，且在所述局部语义地图中存在对应的栅格的点确定为目标点；基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率。
可选的，如图4所示，调整单元36，具体用于对于每一个所述目标点，计算所述目标点到每一条车道线的距离，若每条车道线对应的距离均在其各自对应的目标距离范围内，则调大所述目标点对应的栅格的车道线概率。
可选的，如图4所示，所述装置还包括：
第三确定单元37，用于在调整单元36基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率之后，将调整所述目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
可选的，如图4所示，所述装置还包括：
第四确定单元38，用于在第一确定单元32基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率之后，将确定车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
可选的，如图4所示，第一确定单元33包括：
第一确定模块331，用于确定所述局部语义地图中的目标栅格，其中，所述目标栅格为同时存在于所述局部语义地图和所述目标语义地图中的栅格；
第二确定模块332，用于将所述目标栅格在所述目标语义地图中的车道线概率，确定为所述目标栅格在所述局部语义地图中的车道线概率；
调整模块333，用于基于所述局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率。
可选的，如图4所示，调整模块333，具体用于对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。
可选的，如图4所示，第一确定单元33，还用于若所述局部语义地图为首个用于车道线检测的局部语义地图，则基于所述道路点云数据中各点的坐标和所述局部语义地图对应的坐标范围，选取位于所述坐标范围内的点以及确定所选取的点在所述局部语义地图中对应的栅格；基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率。
可选的，如图4所示，第一确定单元33，具体用于初始化所述局部语义地图的各栅格对应的车道线概率；对于类别为车道线的点，调大其对应的栅格的车道线概率；对于类别为非车道线的点，调小其对应的栅格的车道线概率。
可选的，如图4所示，第二确定单元34包括：
第一添加模块341，用于基于所述道路点云数据中各点的类别以及坐标，将类别为车道线，且对应的栅格的车道线概率大于第一概率的点，添加至车道线点集合；
第二选取模块342，用于在对应的点未添加至所述车道线点集合的栅格中，选取车道线概率大于第二概率的栅格；
第二添加模块343，用于将所选取的栅格对应的坐标转换为车身坐标系中的坐标；基于转换后的坐标生成点，并将生成的点添加至车道线点集合，形成所述车道线点云。
可选的，如图4所示，检测单元35包括：
第三确定模块351，用于对所述车道线点云进行聚类处理，确定属于同一条车道线的点；
拟合模块352，用于对于属于同一条车道线的点进行车道线拟合。
可选的，如图4所示，构建单元31，具体用于将所述车辆所处位置的坐标转换为目标坐标系中的坐标，其中，所述目标坐标系为所述局部语义地图对应的坐标系；以转换后的坐标为原点构建尺寸为目标尺寸的局部语义地图。
本申请实施例提供的车道线检测装置中，各个功能模块运行过程中所采用的方法详解可以参见上述车道线检测方法实施例的对应方法详解，在此不再赘述。
进一步的，依据上述实施例，本申请的另一个实施例还提供了一种控制器，所述控制器包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行的指令，所述指令由所述处理器加载并执行：以实现上述的车道线检测方法。
本申请实施例提供的控制器的有益效果可以参照上述车道线检测方法的实施例中的描述，在此不予赘述。
进一步的，依据上述实施例，本申请的另一个实施例还提供了一种车辆，所述车辆包括：上述的控制器。
本申请实施例提供的车辆的有益效果可以参照上述车道线检测方法的实施例中的描述，在此不予赘述。
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述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
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。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的深度神经网络模型的运行方法、装置及框架中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (14)

1.一种车道线检测方法，其特征在于，所述方法包括：
基于当前时刻车辆所处位置构建局部语义地图，其中，所述局部语义地图为多个栅格组成的栅格地图；
获取目标语义地图，其中，所述目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；
基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率；
基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云；
基于所述车道线点云进行车道线检测。
2.根据权利要求1所述的方法，其特征在于，在基于所述车道线点云进行车道线检测之后，所述方法还包括：
确定车道线检测后得到的车道线；
基于所述道路点云数据中各点的类别以及坐标，将所述道路点云数据中类别为车道线，且在所述局部语义地图中存在对应的栅格的点确定为目标点；
基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率。
3.根据权利要求2所述的方法，其特征在于，基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率，包括：
对于每一个所述目标点，计算所述目标点到每一条车道线的距离，若每条车道线对应的距离均在其各自对应的目标距离范围内，则调大所述目标点对应的栅格的车道线概率。
4.根据权利要求2所述的方法，其特征在于，在基于所述目标点与所确定的车道线之间的距离关系，调整所述目标点对应的栅格的车道线概率之后，所述方法还包括：
将调整所述目标点对应的栅格的车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
5.根据权利要求1所述的方法，其特征在于，在基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率之后，所述方法还包括：
将确定车道线概率之后的局部语义地图，确定为后一时刻的目标语义地图，以供在后一时刻进行车道线检测时使用。
6.根据权利要求4或5所述的方法，其特征在于，基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述当前时刻的局部语义地图中每一个栅格对应的车道线概率，包括：
确定所述局部语义地图中的目标栅格，其中，所述目标栅格为同时存在于所述局部语义地图和所述目标语义地图中的栅格；
将所述目标栅格在所述目标语义地图中的车道线概率，确定为所述目标栅格在所述局部语义地图中的车道线概率；
基于所述局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率。
7.根据权利要求6所述的方法，其特征在于，基于所述局部语义地图中各栅格对应的点的类别，调整各栅格的车道线概率，包括：
对于类别为车道线的点，调大其对应的栅格的车道线概率；
对于类别为非车道线的点，调小其对应的栅格的车道线概率。
8.根据权利要求1-5中任一项所述的方法，其特征在于，在基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云之前，所述方法还包括：
若所述局部语义地图为首个用于车道线检测的局部语义地图，则基于所述道路点云数据中各点的坐标和所述局部语义地图对应的坐标范围，选取位于所述坐标范围内的点以及确定所选取的点在所述局部语义地图中对应的栅格；
基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率。
9.根据权利要求8所述的方法，其特征在于，基于所选取的点的类别，确定所选取的点对应的栅格的车道线概率，包括：
初始化所述局部语义地图的各栅格对应的车道线概率；
对于类别为车道线的点，调大其对应的栅格的车道线概率；
对于类别为非车道线的点，调小其对应的栅格的车道线概率。
10.根据权利要求1-5中任一项所述的方法，其特征在于，基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各所述栅格对应的车道线概率，确定车道线点云，包括：
基于所述道路点云数据中各点的类别以及坐标，将类别为车道线，且对应的栅格的车道线概率大于第一概率的点，添加至车道线点集合；
在对应的点未添加至所述车道线点集合的栅格中，选取车道线概率大于第二概率的栅格；
将所选取的栅格对应的坐标转换为车身坐标系中的坐标；
基于转换后的坐标生成点，并将生成的点添加至车道线点集合，形成所述车道线点云。
11.根据权利要求1-5中任一项所述的方法，其特征在于，基于所述车道线点云进行车道线检测，包括：
对所述车道线点云进行聚类处理，确定属于同一条车道线的点；
对于属于同一条车道线的点进行车道线拟合；
和/或，
基于当前时刻车辆所处位置构建局部语义地图，包括：
将所述车辆所处位置的坐标转换为目标坐标系中的坐标，其中，所述目标坐标系为所述局部语义地图对应的坐标系；
以转换后的坐标为原点构建尺寸为目标尺寸的局部语义地图。
12.一种车道线检测装置，其特征在于，所述装置包括：
构建单元，用于基于当前时刻车辆所处位置构建局部语义地图，其中，所述局部语义地图为多个栅格组成的栅格地图；
获取单元，用于获取目标语义地图，其中，所述目标语义地图中各栅格对应的车道线概率已在前一时刻执行车道线检测时被确定；
第一确定单元，用于基于所述目标语义地图中各栅格对应的车道线概率、所述当前时刻的道路点云数据中各点的类别以及坐标，确定所述局部语义地图中每一个栅格对应的车道线概率；
第二确定单元，用于基于所述道路点云数据中各点的类别以及坐标、所述局部语义地图中各栅格对应的车道线概率，确定车道线点云；
检测单元，用于基于所述车道线点云进行车道线检测。
13.一种控制器，其特征在于，包括处理器和机器可读存储介质，所述机器可读存储介质存储有能够被所述处理器执行的机器可执行的指令，所述指令由所述处理器加载并执行：以实现权利要求1-11中任一项所述的车道线检测方法。
14.一种车辆，其特征在于，所述车辆包括：权利要求13所述的控制器。
CN202210751725.9A 2022-06-29 2022-06-29 一种车道线检测方法及装置 Pending CN115187944A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210751725.9A CN115187944A (zh) 2022-06-29 2022-06-29 一种车道线检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210751725.9A CN115187944A (zh) 2022-06-29 2022-06-29 一种车道线检测方法及装置

Publications (1)

Publication Number Publication Date
CN115187944A true CN115187944A (zh) 2022-10-14

Family

ID=83515184

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210751725.9A Pending CN115187944A (zh) 2022-06-29 2022-06-29 一种车道线检测方法及装置

Country Status (1)

Country Link
CN (1) CN115187944A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168173A (zh) * 2023-04-24 2023-05-26 之江实验室 车道线地图生成方法、装置、电子装置和存储介质
CN116188334A (zh) * 2023-05-04 2023-05-30 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116168173A (zh) * 2023-04-24 2023-05-26 之江实验室 车道线地图生成方法、装置、电子装置和存储介质
CN116188334A (zh) * 2023-05-04 2023-05-30 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置
CN116188334B (zh) * 2023-05-04 2023-07-18 四川省公路规划勘察设计研究院有限公司 一种车道线点云自动修补方法及装置

Similar Documents

Publication Publication Date Title
KR102463720B1 (ko) 차량의 경로 생성 시스템 및 방법
US20210333108A1 (en) Path Planning Method And Device And Mobile Device
CN115187944A (zh) 一种车道线检测方法及装置
US20190094858A1 (en) Parking Location Prediction
CN107272680A (zh) 一种基于ros机器人操作系统的机器人自动跟随方法
CN107066953A (zh) 一种面向监控视频的车型识别、跟踪及矫正方法和装置
CN111667512A (zh) 基于改进卡尔曼滤波的多目标车辆轨迹预测方法
CN109948635B (zh) 一种基于激光扫描的目标识别方法及装置
CN110674705A (zh) 基于多线激光雷达的小型障碍物检测方法及装置
CN111860255A (zh) 驾驶检测模型的训练、使用方法、装置、设备及介质
CN112666573B (zh) 一种矿区卸载区车后方挡土墙及障碍物的检测方法
CN113312760B (zh) 一种基于交通仿真的网联机动车右转轨迹规划方法和装置
CN114639085A (zh) 交通信号灯识别方法、装置、计算机设备和存储介质
CN115100741B (zh) 一种点云行人距离风险检测方法、系统、设备和介质
CN114898319A (zh) 基于多传感器决策级信息融合的车型识别方法及系统
CN114241448A (zh) 障碍物航向角的获取方法、装置、电子设备及车辆
Nguyen et al. Toward real-time vehicle detection using stereo vision and an evolutionary algorithm
CN117130010B (zh) 用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车
CN116523970B (zh) 基于二次隐式匹配的动态三维目标跟踪方法及装置
CN116429145B (zh) 一种复杂场景下无人车与垃圾桶自动对接导航方法及系统
CN116630856A (zh) 一种基于视频的公共交通安全异常行为检测方法
CN112598007B (zh) 图片训练集的筛选方法、装置、设备和可读存储介质
US20220404503A1 (en) Three-dimensional object detection with ground removal intelligence
CN116299315A (zh) 一种使用激光雷达实时检测路面障碍物的方法和装置
CN115527187A (zh) 一种障碍物的分类方法以及装置

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
CB02 Change of applicant information

Address after: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant after: United New Energy Automobile Co.,Ltd.

Address before: 314500 988 Tong Tong Road, Wu Tong Street, Tongxiang, Jiaxing, Zhejiang

Applicant before: Hozon New Energy Automobile Co., Ltd.

CB02 Change of applicant information