CN115326079A - 车辆车道级定位方法、装置、设备和计算机可读介质 - Google Patents

车辆车道级定位方法、装置、设备和计算机可读介质 Download PDF

Info

Publication number
CN115326079A
CN115326079A CN202211237418.5A CN202211237418A CN115326079A CN 115326079 A CN115326079 A CN 115326079A CN 202211237418 A CN202211237418 A CN 202211237418A CN 115326079 A CN115326079 A CN 115326079A
Authority
CN
China
Prior art keywords
vehicle
vehicle behavior
road
lane
identifier
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
CN202211237418.5A
Other languages
English (en)
Other versions
CN115326079B (zh
Inventor
胡禹超
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.)
Heduo Technology Guangzhou Co ltd
Original Assignee
HoloMatic Technology Beijing 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 HoloMatic Technology Beijing Co Ltd filed Critical HoloMatic Technology Beijing Co Ltd
Priority to CN202211237418.5A priority Critical patent/CN115326079B/zh
Publication of CN115326079A publication Critical patent/CN115326079A/zh
Application granted granted Critical
Publication of CN115326079B publication Critical patent/CN115326079B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3602—Input other than that of destination using image analysis, e.g. detection of road signs, lanes, buildings, real preceding vehicles using a camera
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3644—Landmark guidance, e.g. using POIs or conspicuous other objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/36—Input/output arrangements for on-board computers
    • G01C21/3626—Details of the output of route guidance instructions
    • G01C21/3658—Lane guidance
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开的实施例公开了车辆车道级定位方法、装置、设备和计算机可读介质。该方法的一具体实施方式包括：生成道路匹配信息；将当前车辆道路标识和车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：生成车辆行为标识组；确定与车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；确定与满足预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；将目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制当前车辆移动；确定车道序号概率分布曲线；生成车辆车道级定位结果。该实施方式可以提高车辆车道级定位结果的准确度。

Description

车辆车道级定位方法、装置、设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及车辆车道级定位方法、装置、设备和计算机可读介质。
背景技术
车辆车道级定位，是确定车辆具体在道路某一个车道的技术。目前，在进行车辆车道级定位时，通常采用的方式为：通过高精度定位设备（如车道级定位设备）定位车辆的位置坐标直接定位车辆所在车道，或者通过从道路图像中提取道路信息（如路牌、灯杆、车道线等）进行定位的方法，间接定位车辆具体所在车道，以此完成车辆车道级定位。
然而，发明人发现，当采用上述方式进行车辆车道级定位时，经常会存在如下技术问题：
第一，若高精定位设备信号被干扰（例如，车辆进入隧道）或者车辆未安装车道级定位设备，则无法直接为车辆提供准确的车道级定位结果，从而，导致车辆车道级定位结果的准确度不足；
第二，若无法提取到道路信息（例如，路牌、灯杆），则同样无法进行车辆车道级定位，即使可以提取到车道线信息，也会存在当前车辆所在车道处于多条虚线的道路中间（即，多条由虚线车道线隔开的车道）的情况，使得难以准确判定车辆具体所在的车道，从而，导致车辆车道级定位结果的准确度不足。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了车辆车道级定位方法、装置、设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种车辆车道级定位方法，该方法包括：对预获取的道路图像进行道路信息提取，得到道路信息，其中，上述道路信息包括当前车辆道路标识和车道线信息组；基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果；响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组；基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动；响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线；响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
第二方面，本公开的一些实施例提供了一种车辆车道级定位装置，该装置包括：提取单元，被配置成对预获取的道路图像进行道路信息提取，得到道路信息，其中，上述道路信息包括当前车辆道路标识和车道线信息组；第一生成单元，被配置成基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果；发送单元，被配置成响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组；基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动；确定单元，被配置成响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线；第二生成单元，被配置成响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
第五方面，本公开的一些实施例提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆车道级定位方法，可以提高车辆车道级定位结果的准确度。具体来说，造成车辆车道级定位结果的准确度不足的原因在于：若高精定位设备信号被干扰（例如，车辆进入隧道）或者车辆未安装车道级定位设备，则无法直接为车辆提供准确的车道级定位结果，从而，导致车辆车道级定位结果的准确度不足。基于此，本公开的一些实施例的车辆车道级定位方法，首先，对预获取的道路图像进行道路信息提取，得到道路信息。其中，上述道路信息包括当前车辆道路标识和车道线信息组。然后，基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果。通过生成道路匹配信息，可以用于确定车载定位设备的定位结果是否与通过道路图像提取的道路信息是否相匹配，以此可以判定车辆定位设备是否被干扰。其次，响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组。这里，通过引入预设的匹配条件，可以用于确定车辆定位设备的是否被干扰。在高精地图匹配结果不满足预设的匹配条件的情况下，通过生成车辆行为标识组，可以用于作为引导车辆移动的参考数据。接着，基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组。通过生成车辆行为状态熵减值，可以用于作为车辆行为标识的置信度。之后，响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列。通过引入预设行为条件，可以用于选出满足条件的目标车辆行为标识。而后，响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动。通过发送，可以用于引导车辆控制终端根据目标车辆行为标识进行车辆控制。由此，得以实现车辆主动移动，以供参考移动之前和移动之后的数据差进行车辆车道级定位。也因为只选取了第一个目标车辆行为标识，可以用于避免移动次数过多导致难以进行数据对比的情况。另外，响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线。通过确定车道序号概率分布曲线，可以用于确定是否可定位到车辆所在的车道。最后，响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。从而，在满足预设分布条件的情况下，可以实现车辆车道级定位，得到车辆车道级定位结果。以此，提高了车辆车道级定位结果的准确度。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的车辆车道级定位方法的一些实施例的流程图；
图2是根据本公开的车辆车道级定位装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1示出了根据本公开的车辆车道级定位方法的一些实施例的流程100。该车辆车道级定位方法，包括以下步骤：
步骤101，对预获取的道路图像进行道路信息提取，得到道路信息。
在一些实施例中，车辆车道级定位方法的执行主体可以对预获取的道路图像进行道路信息提取，得到道路信息。其中，上述道路信息可以包括当前车辆道路标识和车道线信息组。道路图像可以是通过当前车辆的车载相机拍摄的。可以通过预设的道路信息提取算法，对预获取的道路图像进行道路信息提取，得到道路信息。这里，道路信息可以包括但不限于以下至少一项：灯杆信息、指示牌信息、车道线信息、障碍物信息等。另外，车道线信息组中可以包括两个车道线信息，分别用于表征当前车辆所在道路的两条车道线。当前车辆道路标识可以是当前车辆所在车道的标识。可以将车载定位设备的车道定位结果作为车辆道路标识。
作为示例，上述道路信息提取算法可以包括但不限于以下至少一项：SIFT（Scale-invariant Feature Transform，尺度不变特征转换）算法、Surf（Speeded Up RobustFeatures，加速稳健特征）算法、harris角点检测、FAST角点检测、BRIEF（Binary RobustIndependent Elementary Features，特征描述子算法）。
步骤102，基于道路信息和预获取的车辆定位坐标，生成道路匹配信息。
在一些实施例中，上述执行主体可以基于上述道路信息和预获取的车辆定位坐标，通过各种方式生成道路匹配信息。其中，上述道路匹配信息可以包括高精地图匹配结果。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，可以包括以下步骤：
第一步，获取与上述车辆定位坐标对应的高精度地图车道线信息序列。其中，可以通过有线方式或无线方式获取与上述车辆定位坐标对应的高精度地图车道线信息序列。可以从预设的高精地图数据中选出车辆定位坐标所在的道路一定范围（例如，100米）内的高精地图车道线信息序列。高精地图车道线信息序列中的每个高精地图车道线可以表征当前车辆所在车道两侧的一条车道线。高精地图车道线信息可以包括地图车道线类型标识、地图车道线方程、地图车道线颜色标识等。
第二步，确定上述道路信息包括的车道线信息组中的各个车道线信息与上述高精度地图车道线信息序列中各个高精度地图车道线信息的匹配结果，得到高精地图匹配结果。其中，首先，可以确定高精度地图车道线信息序列中的各个高精度地图车道线信息与车道线信息组中的对应车道线信息之间的匹配结果。这里，对应的可以是表征当前车辆所在车道一侧的车道线的高精地图车道线信息和道路信息中的车道线信息。其次，若各个高精地图车道线和道路信息中对应的车道线信息中的车道线类型标识、车道线颜色标识等信息均相同，则车道线匹配成功，否则匹配不成功。最后，可以将匹配成功或匹配不成功的标识确定为高精地图匹配结果。匹配成功可以表征当前车辆的定位坐标准确度较高，无需进行车道级定位。匹配不成功可以表征车道定位结果与实际车辆所在车道不符，因此需要进行车道级定位。
第三步，将上述高精地图匹配结果确定为道路匹配信息。
步骤103，响应于确定道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将当前车辆道路标识和车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：
步骤1031，基于目标车道线信息组和目标道路标识，生成车辆行为标识组。
在一些实施例中，上述执行主体可以基于目标车道线信息组和目标道路标识，生成车辆行为标识组。其中，上述匹配条件可以是高精地图匹配结果为匹配成功。
在一些实施例的一些可选的实现方式中，上述目标车道线信息组中的每个目标车道线信息可以包括目标车道线类型标识和目标车道线颜色标识；以及上述执行主体基于目标车道线信息组和目标道路标识，生成车辆行为标识组，可以包括以下步骤：
第一步，基于上述目标车道线标识与上述目标车道线信息组中的各个目标车道线信息包括的目标车道线类型标识和目标车道线颜色标识，确定预设的可用行为标识集合中每个可用行为标识对应的行为标识熵减值，得到行为熵减值集。其中，车道线类型可以是实线或虚线。车道线颜色可以是白色或黄色。可用行为标识集合中的可用行为标识可以是用于引导当前车辆移动的行为标识。例如，保持直行行为标识、向左变道行为标识、向右变道行为标识等。另外，可以将目标车道线信息组中的各个（即，两个）目标车道线信息包括的目标车道线类型标识组合成二维向量，得到车道线类型向量。该二维向量中的第一个和第二个元素分别可以表征当前车辆所在车道左右两条车道线的车道线类型标识。相同的，可以得到车道线颜色向量。其次，可以通过上述道路信息提取算法，从上述道路图像中提取出与上述可用行为标识集合中每个可用行为标识对应的预测车道线信息组。对应的预测车道线信息组中的各个预测车道线信息可以是当前车辆的控制终端在依据可用行为标识移动后，所处车道的左右两侧车道线的车道线信息。预测车道线信息组中的每个预测车道线信息可以包括预测车道线类型标识和预测车道线颜色标识。然后，可以通过上述车道线类型向量的生成方式，确定预测车道线类型向量和预测车道线颜色向量。之后，还可以通过上述车道线类型向量的生成方式，确定高精度地图车道线信息序列对应的地图车道线类型向量和地图车道线颜色向量。
这里，可以通过以下公式，生成与上述可用行为标识对应的行为标识熵减值：
Figure DEST_PATH_IMAGE001
。
其中，
Figure 235988DEST_PATH_IMAGE002
表示上述可用行为标识。
Figure DEST_PATH_IMAGE003
表示与上述可用行为标识对应的行为标识熵减值。
Figure 7897DEST_PATH_IMAGE004
表示隐藏变量，即车道序号，表征当前车辆所在道路上某一车道的序号。
Figure DEST_PATH_IMAGE005
表示上述车道线类型向量。
Figure 242570DEST_PATH_IMAGE006
表示上述车道线颜色向量。
Figure DEST_PATH_IMAGE007
表示当前车辆所在车道左右两侧车道线的车道线类型向量为
Figure 522241DEST_PATH_IMAGE005
、车道线颜色向量为
Figure 198073DEST_PATH_IMAGE006
时，车道序号为
Figure 904998DEST_PATH_IMAGE004
的概率分布的熵。
Figure 95808DEST_PATH_IMAGE008
表示与上述可用行为标识对应的预测车道线类型向量。
Figure DEST_PATH_IMAGE009
表示与上述可用行为标识对应的预测车道线颜色向量。
Figure 880968DEST_PATH_IMAGE010
表示对括号中的数据求关于
Figure 145727DEST_PATH_IMAGE008
，
Figure 695657DEST_PATH_IMAGE009
的期望值。
Figure DEST_PATH_IMAGE011
表示当前车辆参考上述可用行为标识进行移动后所在车道的车道序号。
Figure 904922DEST_PATH_IMAGE012
表示在当前车辆参考上述可用行为标识进行移动后所在车道左右两侧车道线对应的车道线类型向量由
Figure 526396DEST_PATH_IMAGE005
变为
Figure 973558DEST_PATH_IMAGE008
、车道线颜色向量由
Figure 366493DEST_PATH_IMAGE006
变为
Figure 859791DEST_PATH_IMAGE009
的情况下，车道序号为
Figure 894743DEST_PATH_IMAGE011
的熵。
Figure DEST_PATH_IMAGE013
无具体含义，用于缩短公式长度。
Figure 556931DEST_PATH_IMAGE014
表示在当前车辆参考上述可用行为标识进行移动后所在车道左右两侧车道线对应的车道线类型向量由
Figure 120768DEST_PATH_IMAGE005
变为
Figure 101362DEST_PATH_IMAGE008
、车道线颜色向量由
Figure 940005DEST_PATH_IMAGE006
变为
Figure 96180DEST_PATH_IMAGE009
的情况下，车道序号为
Figure 221131DEST_PATH_IMAGE011
的概率分布。
Figure DEST_PATH_IMAGE015
表示当前车辆所在车道左右两侧车道线的车道线类型向量为
Figure 564387DEST_PATH_IMAGE005
、车道线颜色向量为
Figure 331355DEST_PATH_IMAGE006
时，车道序号为
Figure 545299DEST_PATH_IMAGE004
的概率分布的条件概率。
Figure 628703DEST_PATH_IMAGE016
表初始概率分布，可以用均匀分布表示。即，当前车辆所在道路有
Figure DEST_PATH_IMAGE017
个车道，则初始概率分布的概率值为
Figure 459256DEST_PATH_IMAGE017
分之一。
Figure 498756DEST_PATH_IMAGE018
表示当前车辆所在道路左右两侧车道线的车道线类型向量为
Figure 832785DEST_PATH_IMAGE005
的先验概率值。
Figure DEST_PATH_IMAGE019
表示当前车辆所在道路左右两侧车道线的车道线颜色向量为
Figure 830697DEST_PATH_IMAGE006
的先验概率值。
Figure 882967DEST_PATH_IMAGE020
表示数据是从道路图像中提取到的。
Figure DEST_PATH_IMAGE021
表示数据是从高精地图数据中提取到的。
Figure 929420DEST_PATH_IMAGE022
表示上述地图车道线类型向量。
Figure DEST_PATH_IMAGE023
表示上述地图车道线颜色向量。
Figure 275213DEST_PATH_IMAGE024
表示当前车辆所在车道左右两侧车道线的车道线类型向量为
Figure 381709DEST_PATH_IMAGE022
时，从道路图像中提取到的车道左右两侧车道线的车道线类型向量为
Figure 921275DEST_PATH_IMAGE005
的概率值。
Figure DEST_PATH_IMAGE025
表示当前车辆所在车道左右两侧车道线的车道线类型向量为
Figure 833736DEST_PATH_IMAGE026
时，从道路图像中提取到的车道左右两侧车道线的车道线颜色向量为
Figure 142358DEST_PATH_IMAGE006
的概率值。
第二步，将上述行为熵减值集中最大的行为熵减值对应的可用行为标识确定为车辆行为标识，得到车辆行为标识组。其中，存在行为熵减值集中同时包括多个最大的行为熵减值的情况。因此，车辆行为标识组可以包括至少一个车辆行为标识。
步骤1032，基于初始车辆行为标识信息列表，确定与车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组。
在一些实施例的一些可选的实现方式中，上述初始车辆行为标识信息列表中的每个初始车辆行为标识信息可以包括初始车辆行为标识组和对应的初始车辆行为熵减值组。以及基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，可以包括以下步骤：
第一步，对上述初始车辆行为标识信息列表中各个初始车辆行为标识信息包括的初始车辆行为标识组中随机选取操作，以生成选出后车辆行为标识组集合。其中，上述选出后车辆行为标识组集合中每两个选出后车辆行为标识组中可以包括至少一个从同一初始车辆行为标识组中选出的不相同的初始车辆行为标识，以此可以用于确保选出后车辆行为标识组集合中的各个选出后车辆行为标识组中的各个选出后车辆行为不完全重复。其次，上述随机选取操作可以是每次随机从每个初始车辆行为标识组中随机选出一个初始车辆行为标识作为选出后车辆行为标识，得到选出后车辆行为标识组。然后，通过此种方式多次进行随机选取操作，直到各个初始车辆行为标识组中的各个初始车辆行为标识均被选取到为止。以此可以得到选出后车辆行为标识组集合。这里，初始车辆行为标识信息列表可以用于存储单次进行车辆车道级定位过程中所生成的车辆行为标识组。另外，在初始车辆行为标识信息列表中存储的初始车辆行为标识信息可以是以时间顺序排列的。
第二步，将上述选出后车辆行为标识组集合中每个选出后车辆行为标识组中各个选出后车辆行为标识对应的初始车辆行为熵减值的和确定为融合状态熵减值，得到融合状态熵减值集。
第三步，将上述融合状态熵减值集中最大的融合状态熵减值确定为与上述车辆行为标识对应的车辆行为状态熵减值。
步骤1033，响应于确定车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列。
在一些实施例中，上述执行主体可以响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列。其中，上述预设行为条件可以是车辆行为状态熵减值为上述车辆行为状态熵减值组中的最大值，以及大于预设的行为状态阈值。
步骤1034，响应于确定当前车辆处于自动驾驶状态，将目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制当前车辆移动。
在一些实施例中，上述执行主体可以响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动。其中，确定当前车辆处于自动驾驶状态，可以表示当前车辆处于自动驾驶状态，因此可以直接将目标车辆行为表示序列中的第一个目标车辆行为标识（例如，向左变道）发送至车辆控制终端，以供控制当前车辆移动。
实践中，若当前车辆处于驾驶员驾驶的状态，可以将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至显示终端进行显示或者通过语音提示的方式辅助驾驶员控制车辆移动。
步骤104，响应于确定当前车辆移动完成，基于道路信息，确定车道序号概率分布曲线。
在一些实施例中，上述执行主体可以响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线。
在一些实施例的一些可选的实现方式中，上述执行主体基于上述道路信息，确定车道序号概率分布曲线，可以包括以下步骤：
第一步，基于上述道路信息包括的车道线信息组，生成车道序号先验概率分布曲线。其中，可以确定当前车辆所在车道左右两侧车道线的车道线类型和车道线颜色分别为车道线类型向量和车道线颜色向量时，车道序号的概率分布，作为车道序号先验概率分布曲线。这里，可以通过贝叶斯滤波方法进行求解。
第二步，对上述车道序号先验概率分布曲线进行更新，得到更新后概率分布曲线。其中，可以利用上述车道序号先验概率分布曲线，确定当前车辆在移动完成后，车道序号的后验概率分布曲线，作为更新后概率分布曲线。这里，可以通过贝叶斯滤波方法进行求解。
第三步，基于上述更新后概率分布曲线，生成车道序号概率分布曲线。其中，车道序号概率分布曲线的横坐标值可以是当前车辆所在道路的各个车道的车道序号，纵坐标值可以是当前车辆处于各个车道的概率。因此，车道序号概率分布曲线可以用于表征当前车辆处于某一车道的概率值。其次，可以通过以下公式生成车道序号概率分布曲线：
Figure DEST_PATH_IMAGE027
。
其中，
Figure 216493DEST_PATH_IMAGE028
表示上述车道序号概率分布曲线。
Figure DEST_PATH_IMAGE029
表示归一化系数。
Figure 804207DEST_PATH_IMAGE030
表示上述更新后概率分布曲线。
Figure DEST_PATH_IMAGE031
表示在当前车辆所在车道左右两侧车道线的车道线类型和车道线颜色分别为地图车道线类型向量和地图车道线颜色向量时，车道序号的概率分布。
这里，可以通过贝叶斯滤波方法进行求解。
步骤105，响应于确定车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
在一些实施例中，上述执行主体可以响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。其中，上述预设分布条件可以是车道序号概率分布曲线上仅存在一个大于预设概率阈值的波峰。车道序号概率分布曲线满足预设分布条件，表征可以确定当前车辆处于某一车道的概率极高。因此，可以将波峰的对应的横坐标值（即，车道序号）作为车辆车道级定位结果。
上述各个公式及其相关内容作为本公开的实施例的一个发明点，解决了背景技术提及的技术问题二“若无法提取到道路信息（例如，路牌、灯杆），则同样无法进行车辆车道级定位，即使可以提取到车道线信息，也会存在当前车辆所在车道处于多条虚线的道路中间（即，多条由虚线车道线隔开的车道）的情况，使得难以准确判定车辆具体所在的车道，从而，导致车辆车道级定位结果的准确度不足”。导致车辆车道级定位结果的准确度不足的因素往往如下：若无法提取到道路信息（例如，路牌、灯杆），则同样无法进行车辆车道级定位，即使可以提取到车道线信息，也会存在当前车辆所在车道处于多条虚线的道路中间（即，多条由虚线车道线隔开的车道）的情况，使得难以准确判定车辆具体所在的车道。如果解决了上述因素，就能进一步提高车辆车道级定位结果的准确度。为了达到这一效果，首先，考虑到当前车辆所在车道处于多条虚线的道路中间（即，多条由虚线车道线隔开的车道）的情况，使得难以准确判定车辆具体所在的车道这一情况，因此，引入了用于引导车辆移动的可用行为标识集。为了从可用行为标识集中选出符合定位需求的可用行为标识，引入了上述生成标识熵减值的公式。通过引入该公式，可以利用高精度地图车道线信息序列、目标道路标识和目标车道线信息组等数据，假设当前车辆在经过某一个可用行为标识参与车辆移动后所在道路的数据与当前车辆所在道路数据之间的差异，以此得到标识熵减值。接着，通过预设行为条件，可以选出符合定位需求，即最有利于车道级定位的可用行为标识。接着，在车辆移动之后，为了确定是否可以得到车道级定位结果，通过上述步骤104中的实施例所涉及的步骤和公式，生成车道序号概率分布曲线。从而，可以得到当前车辆在不同车道的概率值。进而，可以通过设置的预设分布条件，生成车辆车道级定位结果。以此实现了车辆车道级定位，提高了车辆车道级定位结果的准确度。
可选的，上述执行主体还可以响应于确定上述车辆行为状态熵减值组中不存在满足上述预设行为条件的车辆行为状态熵减值，将上述车辆行为标识组添加至上述初始车辆行为标识信息列表中，再次执行上述发送步骤。
可选的，上述执行主体还可以执行如下步骤：
第一步，响应于确定上述车道序号概率分布曲线不满足上述预设分布条件，将上述车辆行为标识组添加至上述初始车辆行为标识信息列表中，以及获取移动后道路图像和移动后车辆定位坐标。其中，车道序号概率分布曲线不满足上述预设分布条件可以用于表征不能确定当前车辆处于某一车道。因此，需要获取移动后道路图像和移动后车辆定位坐标，以供再次执行上述发送步骤。
第二步，基于上述移动后道路图像和上述移动后车辆定位坐标，生成调整后当前车辆道路标识和调整后车道线信息组，以及将上述调整后当前车辆道路标识和上述调整后车道线信息组分别作为目标道路标识和目标车道线信息组，再次执行上述发送步骤。其中，生成调整后当前车辆道路标识和调整后车道线信息组的具体实现方式及所带来的技术效果可以参考步骤101-102对应的那些实施例中的步骤，不在具体赘述。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的车辆车道级定位方法，可以提高车辆车道级定位结果的准确度。具体来说，造成车辆车道级定位结果的准确度不足的原因在于：若高精定位设备信号被干扰（例如，车辆进入隧道）或者车辆未安装车道级定位设备，则无法直接为车辆提供准确的车道级定位结果，从而，导致车辆车道级定位结果的准确度不足。基于此，本公开的一些实施例的车辆车道级定位方法，首先，对预获取的道路图像进行道路信息提取，得到道路信息。其中，上述道路信息包括当前车辆道路标识和车道线信息组。然后，基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果。通过生成道路匹配信息，可以用于确定车载定位设备的定位结果是否与通过道路图像提取的道路信息是否相匹配，以此可以判定车辆定位设备是否被干扰。其次，响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组。这里，通过引入预设的匹配条件，可以用于确定车辆定位设备的是否被干扰。在高精地图匹配结果不满足预设的匹配条件的情况下，通过生成车辆行为标识组，可以用于作为引导车辆移动的参考数据。接着，基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组。通过生成车辆行为状态熵减值，可以用于作为车辆行为标识的置信度。之后，响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列。通过引入预设行为条件，可以用于选出满足条件的目标车辆行为标识。而后，响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动。通过发送，可以用于引导车辆控制终端根据目标车辆行为标识进行车辆控制。由此，得以实现车辆主动移动，以供参考移动之前和移动之后的数据差进行车辆车道级定位。也因为只选取了第一个目标车辆行为标识，可以用于避免移动次数过多导致难以进行数据对比的情况。另外，响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线。通过确定车道序号概率分布曲线，可以用于确定是否可定位到车辆所在的车道。最后，响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。从而，在满足预设分布条件的情况下，可以实现车辆车道级定位，得到车辆车道级定位结果。以此，提高了车辆车道级定位结果的准确度。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种车辆车道级定位装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的车辆车道级定位装置200包括：提取单元201、第一生成单元202、发送单元203、确定单元204和第二生成单元205。其中，提取单元201，被配置成对预获取的道路图像进行道路信息提取，得到道路信息，其中，上述道路信息包括当前车辆道路标识和车道线信息组；第一生成单元202，被配置成基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果；发送单元203，被配置成响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组；基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动；确定单元204，被配置成响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线；第二生成单元205，被配置成响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
可以理解的是，该装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置（例如中央处理器、图形处理器等）301，其可以根据存储在只读存储器（ROM）302中的程序或者从存储装置308加载到随机访问存储器（RAM）303中的程序而执行各种适当的动作和处理。在RAM 303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出（I/O）接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器（LCD）、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从ROM 302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF（射频）等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP（Hyper Text TransferProtocol，超文本传输协议）之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信（例如，通信网络）互连。通信网络的示例包括局域网（“LAN”），广域网（“WAN”），网际网（例如，互联网）以及端对端网络（例如，ad hoc端对端网络），以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述装置中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：对预获取的道路图像进行道路信息提取，得到道路信息，其中，上述道路信息包括当前车辆道路标识和车道线信息组；基于上述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，上述道路匹配信息包括高精地图匹配结果；响应于确定上述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将上述当前车辆道路标识和上述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：基于目标车道线信息组和目标道路标识，生成车辆行为标识组；基于初始车辆行为标识信息列表，确定与上述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；响应于确定上述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足上述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；响应于确定上述当前车辆处于自动驾驶状态，将上述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制上述当前车辆移动；响应于确定上述当前车辆移动完成，基于上述道路信息，确定车道序号概率分布曲线；响应于确定上述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网（LAN）或广域网（WAN）——连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括提取单元、第一生成单元、发送单元、确定单元和第二生成单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，提取单元还可以被描述为“对预获取的道路图像进行道路信息提取的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、片上系统（SOC）、复杂可编程逻辑设备（CPLD）等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种车辆车道级定位方法，包括：
对预获取的道路图像进行道路信息提取，得到道路信息，其中，所述道路信息包括当前车辆道路标识和车道线信息组；
基于所述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，所述道路匹配信息包括高精地图匹配结果；
响应于确定所述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将所述当前车辆道路标识和所述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：
基于目标车道线信息组和目标道路标识，生成车辆行为标识组；
基于初始车辆行为标识信息列表，确定与所述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；
响应于确定所述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足所述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；
响应于确定所述当前车辆处于自动驾驶状态，将所述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制所述当前车辆移动；
响应于确定所述当前车辆移动完成，基于所述道路信息，确定车道序号概率分布曲线；
响应于确定所述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
2.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述车辆行为状态熵减值组中不存在满足所述预设行为条件的车辆行为状态熵减值，将所述车辆行为标识组添加至所述初始车辆行为标识信息列表中，再次执行所述发送步骤。
3.根据权利要求1所述的方法，其中，所述方法还包括：
响应于确定所述车道序号概率分布曲线不满足所述预设分布条件，将所述车辆行为标识组添加至所述初始车辆行为标识信息列表中，以及获取移动后道路图像和移动后车辆定位坐标；
基于所述移动后道路图像和所述移动后车辆定位坐标，生成调整后当前车辆道路标识和调整后车道线信息组，以及将所述调整后当前车辆道路标识和所述调整后车道线信息组分别作为目标道路标识和目标车道线信息组，再次执行所述发送步骤。
4.根据权利要求1所述的方法，其中，所述基于所述道路信息和预获取的车辆定位坐标，生成道路匹配信息，包括：
获取与所述车辆定位坐标对应的高精度地图车道线信息序列；
确定所述道路信息包括的车道线信息组中的各个车道线信息与所述高精度地图车道线信息序列中各个高精度地图车道线信息的匹配结果，得到高精地图匹配结果；
将所述高精地图匹配结果确定为道路匹配信息。
5.根据权利要求1所述的方法，其中，所述目标车道线信息组中的每个目标车道线信息包括目标车道线类型标识和目标车道线颜色标识；以及
所述基于目标车道线信息组和目标道路标识，生成车辆行为标识组，包括：
基于所述目标车道线标识与所述目标车道线信息组中的各个目标车道线信息包括的目标车道线类型标识和目标车道线颜色标识，确定预设的可用行为标识集合中每个可用行为标识对应的行为标识熵减值，得到行为熵减值集；
将所述行为熵减值集中最大的行为熵减值对应的可用行为标识确定为车辆行为标识，得到车辆行为标识组，其中，车辆行为标识组包括至少一个车辆行为标识。
6.根据权利要求5所述的方法，其中，所述初始车辆行为标识信息列表中的每个初始车辆行为标识信息包括初始车辆行为标识组和对应的初始车辆行为熵减值组；以及
所述基于初始车辆行为标识信息列表，确定与所述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，包括：
对所述初始车辆行为标识信息列表中各个初始车辆行为标识信息包括的初始车辆行为标识组中随机选取操作，以生成选出后车辆行为标识组集合，其中，所述选出后车辆行为标识组集合中每两个选出后车辆行为标识组中包括至少一个从同一初始车辆行为标识组中选出的不相同的初始车辆行为标识；
将所述选出后车辆行为标识组集合中每个选出后车辆行为标识组中各个选出后车辆行为标识对应的初始车辆行为熵减值的和确定为融合状态熵减值，得到融合状态熵减值集；
将所述融合状态熵减值集中最大的融合状态熵减值确定为与所述车辆行为标识对应的车辆行为状态熵减值。
7.根据权利要求6所述的方法，其中，所述基于所述道路信息，确定车道序号概率分布曲线，包括：
基于所述道路信息包括的车道线信息组，生成车道序号先验概率分布曲线；
对所述车道序号先验概率分布曲线进行更新，得到更新后概率分布曲线；
基于所述更新后概率分布曲线，生成车道序号概率分布曲线。
8.一种车辆车道级定位装置，包括：
提取单元，被配置成对预获取的道路图像进行道路信息提取，得到道路信息，其中，所述道路信息包括当前车辆道路标识和车道线信息组；
第一生成单元，被配置成基于所述道路信息和预获取的车辆定位坐标，生成道路匹配信息，其中，所述道路匹配信息包括高精地图匹配结果；
发送单元，被配置成响应于确定所述道路匹配信息包括的高精地图匹配结果不满足预设的匹配条件，将所述当前车辆道路标识和所述车道线信息组分别作为目标道路标识和目标车道线信息组，执行以下发送步骤：
基于目标车道线信息组和目标道路标识，生成车辆行为标识组；
基于初始车辆行为标识信息列表，确定与所述车辆行为标识组中每个车辆行为标识对应的车辆行为状态熵减值，得到车辆行为状态熵减值组；
响应于确定所述车辆行为状态熵减值组中存在满足预设行为条件的车辆行为状态熵减值，确定与满足所述预设行为条件的车辆行为状态熵减值对应的目标车辆行为标识序列；
响应于确定所述当前车辆处于自动驾驶状态，将所述目标车辆行为标识序列中的第一个目标车辆行为标识发送至车辆控制终端以控制所述当前车辆移动；
确定单元，被配置成响应于确定所述当前车辆移动完成，基于所述道路信息，确定车道序号概率分布曲线；
第二生成单元，被配置成响应于确定所述车道序号概率分布曲线满足预设分布条件，生成车辆车道级定位结果。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
CN202211237418.5A 2022-10-11 2022-10-11 车辆车道级定位方法、装置、设备和计算机可读介质 Active CN115326079B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211237418.5A CN115326079B (zh) 2022-10-11 2022-10-11 车辆车道级定位方法、装置、设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211237418.5A CN115326079B (zh) 2022-10-11 2022-10-11 车辆车道级定位方法、装置、设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN115326079A true CN115326079A (zh) 2022-11-11
CN115326079B CN115326079B (zh) 2023-01-13

Family

ID=83914613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211237418.5A Active CN115326079B (zh) 2022-10-11 2022-10-11 车辆车道级定位方法、装置、设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN115326079B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824233A (zh) * 2023-02-22 2023-03-21 禾多科技（北京）有限公司 行驶道路信息匹配方法、装置、设备和计算机可读介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
CN110556012A (zh) * 2019-09-16 2019-12-10 北京百度网讯科技有限公司 车道定位方法及车辆定位系统
CN112328731A (zh) * 2021-01-06 2021-02-05 禾多科技（北京）有限公司 车辆车道级定位方法、装置、电子设备和计算机可读介质
CN112797998A (zh) * 2020-12-23 2021-05-14 戴姆勒股份公司 车辆车道级定位方法及相应程序载体、产品、装置和车辆
WO2021196879A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 车辆驾驶行为的识别方法以及识别装置
CN113566817A (zh) * 2021-07-23 2021-10-29 北京经纬恒润科技股份有限公司 一种车辆定位方法及装置
CN114299464A (zh) * 2021-08-11 2022-04-08 腾讯科技（深圳）有限公司 车道定位方法、装置及设备
CN114743174A (zh) * 2022-03-21 2022-07-12 北京地平线机器人技术研发有限公司 观测车道线的确定方法、装置、电子设备和存储介质
DE102021129895A1 (de) * 2021-01-13 2022-07-14 GM Global Technology Operations LLC Verfahren zum mehrdimensionalen spurabgleich für autonome fahrzeuglokalisierung

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102011120497A1 (de) * 2010-12-13 2012-06-14 Gm Global Technology Operations Llc, ( N.D. Ges. D. Staates Delaware) Systeme und Verfahren zur präzisen Fahrzeugpositionsbestimmung innerhalb einer Fahrspur
CN110556012A (zh) * 2019-09-16 2019-12-10 北京百度网讯科技有限公司 车道定位方法及车辆定位系统
WO2021196879A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 车辆驾驶行为的识别方法以及识别装置
CN112797998A (zh) * 2020-12-23 2021-05-14 戴姆勒股份公司 车辆车道级定位方法及相应程序载体、产品、装置和车辆
CN112328731A (zh) * 2021-01-06 2021-02-05 禾多科技（北京）有限公司 车辆车道级定位方法、装置、电子设备和计算机可读介质
DE102021129895A1 (de) * 2021-01-13 2022-07-14 GM Global Technology Operations LLC Verfahren zum mehrdimensionalen spurabgleich für autonome fahrzeuglokalisierung
CN113566817A (zh) * 2021-07-23 2021-10-29 北京经纬恒润科技股份有限公司 一种车辆定位方法及装置
CN114299464A (zh) * 2021-08-11 2022-04-08 腾讯科技（深圳）有限公司 车道定位方法、装置及设备
CN114743174A (zh) * 2022-03-21 2022-07-12 北京地平线机器人技术研发有限公司 观测车道线的确定方法、装置、电子设备和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115824233A (zh) * 2023-02-22 2023-03-21 禾多科技（北京）有限公司 行驶道路信息匹配方法、装置、设备和计算机可读介质
CN115824233B (zh) * 2023-02-22 2023-05-23 禾多科技（北京）有限公司 行驶道路信息匹配方法、装置、设备和计算机可读介质

Also Published As

Publication number Publication date
CN115326079B (zh) 2023-01-13

Similar Documents

Publication Publication Date Title
CN109829432B (zh) 用于生成信息的方法和装置
CN115326099B (zh) 局部路径规划方法、装置、电子设备和计算机可读介质
CN115257727B (zh) 障碍物信息融合方法、装置、电子设备和计算机可读介质
CN112598762A (zh) 三维车道线信息生成方法、装置、电子设备和介质
CN110222775B (zh) 图像处理方法、装置、电子设备及计算机可读存储介质
CN113255619B (zh) 车道线识别及定位方法、电子设备和计算机可读介质
CN115540894B (zh) 车辆轨迹规划方法、装置、电子设备和计算机可读介质
CN113869293A (zh) 车道线识别方法、装置、电子设备和计算机可读介质
CN111784712B (zh) 图像处理方法、装置、设备和计算机可读介质
CN115326079B (zh) 车辆车道级定位方法、装置、设备和计算机可读介质
CN110956128A (zh) 生成车道线图像的方法、装置、电子设备和介质
CN110321854B (zh) 用于检测目标对象的方法和装置
CN111561946A (zh) 用于访客车辆的导航方法、装置、系统、介质及电子设备
CN113780247B (zh) 红绿灯检测方法、装置、电子设备和计算机可读介质
CN115610415A (zh) 车辆距离控制方法、装置、电子设备和计算机可读介质
CN112764629B (zh) 增强现实界面展示方法、装置、设备和计算机可读介质
CN115408609A (zh) 泊车路线推荐方法、装置、电子设备和计算机可读介质
CN112597174B (zh) 地图更新方法、装置、电子设备和计算机可读介质
CN113469159B (zh) 障碍物信息生成方法、装置、电子设备和计算机可读介质
CN112085035A (zh) 图像处理方法、装置、电子设备和计算机可读介质
CN113204661B (zh) 实时路况更新方法、电子设备和计算机可读介质
CN113743456B (zh) 一种基于无监督学习的场景定位方法及系统
CN112215789B (zh) 图像去雾方法、装置、设备和计算机可读介质
CN114782290B (zh) 视差图修正方法、装置、设备和计算机可读介质
CN116630436B (zh) 相机外参修正方法、装置、电子设备和计算机可读介质

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: 201, 202, 301, No. 56-4 Fenghuang South Road, Huadu District, Guangzhou City, Guangdong Province, 510806

Patentee after: Heduo Technology (Guangzhou) Co.,Ltd.

Address before: 100099 101-15, 3rd floor, building 9, yard 55, zique Road, Haidian District, Beijing

Patentee before: HOLOMATIC TECHNOLOGY (BEIJING) Co.,Ltd.