CN115352455A - 道路特征的预测方法和装置、存储介质及电子装置 - Google Patents
道路特征的预测方法和装置、存储介质及电子装置 Download PDFInfo
- Publication number
- CN115352455A CN115352455A CN202211277033.1A CN202211277033A CN115352455A CN 115352455 A CN115352455 A CN 115352455A CN 202211277033 A CN202211277033 A CN 202211277033A CN 115352455 A CN115352455 A CN 115352455A
- Authority
- CN
- China
- Prior art keywords
- lane line
- line data
- target
- road
- lane
- 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
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种道路特征的预测方法和装置、存储介质及电子装置，该方法包括：将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将目标车辆的定位车道线数据第二可信度与第二阈值进行比对得到第二比对结果；根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定目标车道线数据；检测目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性；根据一致性对初始道路特征进行修正，得到目标道路特征，采用上述技术方案，解决了相关技术中，预测道路特征的准确率较低等问题。
Description
技术领域
本申请涉及汽车领域，具体而言，涉及一种道路特征的预测方法和装置、存储介质及电子装置。
背景技术
在汽车自动驾驶领域，如何及时准确的输出当前道路的情况对汽车自动驾驶的安全性和准确性具有重要意义。现有技术中，往往采用单一车道线数据对自动驾驶汽车的可视范围内的道路特征进行预测，比如：高精度地图，或者感知数据等等。仅仅采用高精度地图数据的预测方式，一方面，可能会在定位失效的情况下导致无法及时获取地图数据，另一方面获取到的地图数据可能是未及时更新的，也可能会导致预测的道路特征的准确率较低。仅仅采用感知数据进行预测的方式，在环境的光线较暗的情况下，可能会导致感知识别到的道路特征的准确率较低。
针对相关技术中，预测道路特征的准确率较低等问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种道路特征的预测方法和装置、存储介质及电子装置，以至少解决相关技术中，预测道路特征的准确率较低等问题。
根据本申请的一个实施例，提供了一种道路特征的预测方法，包括：
将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据的第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测初始道路特征的车道线数据；
根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
可选的，所述根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，包括：
在所述第一可信度大于或者等于所述第一阈值并且所述第二可信度大于或者等于所述第二阈值的情况下，根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据；
在所述第一可信度大于或者等于所述第一阈值但所述第二可信度小于所述第二阈值的情况下，将所述感知车道线数据确定为所述目标车道线数据；
在所述第一可信度小于所述第一阈值但所述第二可信度大于或者等于所述第二阈值的情况下，将所述定位车道线数据确定为所述目标车道线数据。
可选的，其特征在于，所述根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据，包括：
在所述差值大于第三阈值并且所述第一可信度高于所述第二可信度的情况下，将所述感知车道线数据确定为所述目标车道线数据；
在所述差值大于所述第三阈值并且所述第一可信度低于所述第二可信度的情况下，将所述定位车道线数据确定为所述目标车道线数据；
在所述差值小于或者等于所述第三阈值的情况下，从所述感知车道线数据与所述定位车道线数据中随机选取所述目标车道线数据。
可选的，所述根据所述一致性对初始道路特征进行修正，得到目标道路特征，包括：
在所述第一数据来源类型与所述第二数据来源类型一致的情况下，将所述初始道路特征确定为所述目标道路特征；
在所述第一数据来源类型与所述第二数据来源类型不一致的情况下，预测所述目标车道线数据所对应的参考道路特征；将所述初始道路特征与所述参考道路特征融合，得到所述目标道路特征。
可选的，在所述根据所述一致性对初始道路特征进行修正，得到目标道路特征之前，所述方法还包括：
检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据；
预测所述目标对象数据所对应的对象道路特征，其中，所述对象道路特征用于指示所述目标道路对象在所述目标车道上所在路段的路段状态；
将所述对象道路特征与候选道路特征进行融合，得到所述初始道路特征，其中，所述候选道路特征是预测出的所述感知车道线数据所对应的道路特征。
可选的，所述检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据，包括：
获取进入所述目标车辆所在范围内的道路对象的动态特征；
根据所述动态特征从所述道路对象中筛选位于所述目标车辆前方的所述目标道路对象；
感知所述目标道路对象的所述目标对象数据。
可选的，所述将所述对象道路特征与候选道路特征进行融合，包括以下至少之一：
将在所述对象道路特征所具有的元素中所述候选道路特征中缺失的元素添加到所述候选道路特征中；
依据所述对象道路特征中所具有的元素对所述候选道路特征中的对应元素进行调整。
根据本申请的另一个实施例，还提供了一种道路特征的预测装置，包括：
比对模块，用于将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据的第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
确定模块，用于根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
第一检测模块，用于检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测初始道路特征的车道线数据；
修正模块，用于根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
根据本申请实施例的又一方面，还提供了一种计算机可读的存储介质，该计算机可读的存储介质中存储有计算机程序，其中，该计算机程序被设置为运行时执行上述道路特征的预测方法。
根据本申请实施例的又一方面，还提供了一种电子装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，上述处理器通过计算机程序执行上述的道路特征的预测方法。
在本申请实施例中，将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将目标车辆的定位车道线数据第二可信度与第二阈值进行比对得到第二比对结果，其中，感知车道线数据是目标车辆在目标车道上感知到的车道线数据，定位车道线数据是目标车辆在目标车道上通过定位地图得到的车道线数据，目标车道是目标车辆当前所在的车道；根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定目标车道线数据，其中，目标车道线数据所对应的可信度高于预设可信度条件；检测目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，参考车道线数据是用于预测初始道路特征的车道线数据；根据一致性对初始道路特征进行修正，得到目标道路特征，其中，初始道路特征用于表征预测出的目标车道的车道状态，即在目标车辆在目标道路上的的自动驾驶的过程中，可以将目标车辆在目标车道上感知到的车道线数据的第一可信度和第一阈值进行比对，得到第一比对结果，并将目标车辆在目标车道上通过定位地图得到的车道线数据的第二可信度与第二阈值进行比对，得到第二比对结果，在这样的情况下，可以根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定可信度高于预设可信度条件的目标车道线数据，也就是说，目标车道线数据是感知车道线数据与定位车道线数据中可信度较高的车道线数据，然后可以根据目标车道线数据的第一数据来源类型与用于预测初始道路特征的车道线数据的第二数据来源类型之间的一致性，对目标道路的初始道路特征进行修正，得到能准确反应目标道路的实际道路情况的目标道路特征，提升了预测出的道路特征的准确率。采用上述技术方案，解决了相关技术中，预测道路特征的准确率较低等问题，实现了提升预测道路特征的准确率的技术效果。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
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，对于本领域普通技术人员而言，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是根据本申请实施例的一种道路特征的预测方法的硬件环境示意图；
图2是根据本申请实施例的一种道路特征的预测方法的流程图；
图3是根据本申请实施例的一种获取初始道路特征的示意图一；
图4是根据本申请实施例的一种获取初始道路特征的示意图二；
图5是根据本申请实施例的一种筛选目标道路目标的示意图；
图6是根据本申请实施例的一种将对象道路特征与候选道路特征进行融合的示意图；
图7是根据本申请实施例的一种获取目标道路特征的示意图；
图8是根据本申请实施例的一种道路特征的预测装置的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当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、产品或设备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。
本申请实施例所提供的方法实施例可以在计算机终端、设备终端或者类似的运算装置中执行。以运行在计算机终端上为例，图1是根据本申请实施例的一种道路特征的预测方法的硬件环境示意图。如图1所示，计算机终端可以包括一个或多个（图1中仅示出一个）处理器102（处理器102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）和用于存储数据的存储器104，在一个示例性实施例中，上述计算机终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述计算机终端的结构造成限定。例如，计算机终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示等同功能或比图1所示功能更多的不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的道路特征的预测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输设备106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计算机终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器（Network Interface Controller，简称为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，传输设备106可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。
在本实施例中提供了一种方法，应用于上述计算机终端，图2是根据本申请实施例的一种道路特征的预测方法的流程图，如图2所示，该流程包括如下步骤：
步骤S202，将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
步骤S204，根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
步骤S206，检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测初始道路特征的车道线数据；
步骤S208，根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
通过上述步骤，在目标车辆在目标道路上的的自动驾驶的过程中，可以将目标车辆在目标车道上感知到的车道线数据的第一可信度和第一阈值进行比对，得到第一比对结果，并将目标车辆在目标车道上通过定位地图得到的车道线数据的第二可信度与第二阈值进行比对，得到第二比对结果，在这样的情况下，可以根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定可信度高于预设可信度条件的目标车道线数据，也就是说，目标车道线数据是感知车道线数据与定位车道线数据中可信度较高的车道线数据，然后可以根据目标车道线数据的第一数据来源类型与用于预测初始道路特征的车道线数据的第二数据来源类型之间的一致性，对目标道路的初始道路特征进行修正，得到能准确反应目标道路的实际道路情况的目标道路特征，提升了预测出的道路特征的准确率。采用上述技术方案，解决了相关技术中，预测道路特征的准确率较低等问题，实现了提升预测道路特征的准确率的技术效果。
在上述步骤S202提供的技术方案中，可以但不限于在自动驾驶目标车辆行驶在目标车道的过程中，获取在目标车辆的感知范围内的在目标车道上感知到的车道线位置、车道数量、车道线的曲率、车道的长度和车道宽度以及目标车辆的速度、航向角等等车道线数据，实现了在自动驾驶目标车辆的过程中，及时获取目标车辆的感知范围内的车道线数据。
可选地，在本实施例中，可以但不限于通过目标车辆经纬度坐标或者GPS（GlobalPositioning System，全球定位系统）等等方式定位目标车辆的位置，并获取定位地图上记录的目标车辆的定位所对应的车道线位置、车道数量、车道线的曲率、车道的长度和车道宽度等等车道线数据，而定位地图的定位精度往往较高，保证了定位车道线数据的准确性。
可选的，在本实施例中，第一阈值和第二阈值可以但不限于为不同，或者，相同的阈值等等，感知车道线数据和定位车道线数据的可信度是相对于其所对应的预设阈值而言。感知车道线数据和定位车道线数据可能具有不同的可信度，但第一对比结果和第二对比结果可能是相同的或者不同的。
在上述步骤S204提供的技术方案中，在获取到目标车辆的感知车道线数据以及定位车道线数据的情况下，可以但不限于根据感知车道线数据的第一可信度以及定位车道线数据的第二可信度，从感知车道线数据和定位车道线数据中确定出可信度高于可信度条件的目标车道线数据，实现了结合感知车道线数据和定位车道线数据获取可信度更高的车道线数据作为目标车道线数据，保证了获取的目标车道线数据的可信度。
可选地，在本实施例中，目标车道线数据可以但不限于为定位车道线数据或者感知车道线数据，在光线良好的结构化道路中，感知车道线数据的实时性强，并且能够及时感知真实道路所发生的发生临时变化（比如：前方车道线被遮挡、前方车道线转弯等等情况下），其可信度较高，能够及时准确的反映目标车辆所在的车道的实际情况。
可选地，在本实施例中，在非结构化道路或弱势场景（比如：雨、雪、雾等等天气）下，由于车辆上的传感器的感知能力受限，可能会导致感知车道线数据不够准确，在这样的情况下，定位高精地图提供的定位车道线数据的可信度更高。
可选地，在本实施例中，可以但不限于在第一阈值与第二阈值为不同的阈值的情况下，通过第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据和定位车道线数据中确定可信度较高的车道线数据作为目标车道线数据，通过这样的方式可以避免因为第一阈值和第二阈值的预设阈值不同，而导致的虽然感知车道线数据和定位车道线数据的可信度均高于对应的预设阈值，但是感知车道线数据或者定位车道线数中存在因为可信度阈值设置的太低而导致的车道线数据实际并不准确有效的问题，进而提升了目标车道线数据的准确度。
在一个示例性实施例中，根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定目标车道线数据可以但不限于包括以下几种情形：
情形一，在所述第一可信度大于或者等于所述第一阈值并且所述第二可信度大于或者等于所述第二阈值的情况下，根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据。
可选的，在本实施例中，在第一可信度大于或者等于第一阈值并且第二可信度大于或者等于第二阈值的情况下，可以表明感知车道线数据与定位车道线数据均是较为准确的，在这样的情况下，可以根据第一可信度与第二可信度之间的差值，将感知车道线数据与定位车道线数据中所对应的可信度最高的车道线数据确定为目标车道线数据。
情形二，在所述第一可信度大于或者等于所述第一阈值但所述第二可信度小于所述第二阈值的情况下，将所述感知车道线数据确定为所述目标车道线数据。
可选的，在本实施例中，在第一可信度大于或者等于第一阈值但第二可信度小于所述第二阈值的情况下，可以表明感知车道线数据相较于定位车道线数据是更加可信准确的，在这样的情况下，可以将感知车道线数据确定为目标车道线数据，避免了因为目标车辆的定位不准、定位失败以及定位地图没有及时更新等等而导致的难以获取到准确的定位车道线数据，进而导致车辆退出自动驾驶，影响用户的驾驶体验。
情形三，在所述第一可信度小于所述第一阈值但所述第二可信度大于或者等于所述第二阈值的情况下，将所述定位车道线数据确定为所述目标车道线数据。
可选的，在本实施例中，在第一可信度小于所述第一阈值但第二可信度大于或者等于第二阈值的情况下，可以表明定位车道线数据相较于感知车道线数据是更为可信准确的，在这样的情况下，可以将定位车道线数据确定为目标车道线数据，避免了在非结构化道路或弱势场景（比如：雨、雪、和雾等等天气）下，因为传感器的感知能力受限，而导致的感知车道线数据不准确，保证了车辆进行自动驾驶的过程的安全性和准确性。
在一个示例性实施例中，根据第一可信度与第二可信度之间的差值，将感知车道线数据与定位车道线数据中所对应的可信度最高的车道线数据确定为目标车道线数据可以但不限于包括以下几种情形：
情形一，在所述差值大于第三阈值并且所述第一可信度高于所述第二可信度的情况下，将所述感知车道线数据确定为所述目标车道线数据。
可选的，在本实施例中，在差值大于第三阈值并且第一可信度高于第二可信度的情况下，可以表明感知车道线数据的第一可信度和定位车道线数据的可信度之间相差过大，而在正常情况下，如果感知车道线数据和定位车道线数据均是准确的，那么感知车道线数据的第一可信度和定位车道线数据的第二可信度是相近的，第一可信度和第二可信度之间的差值应该小于第三阈值，因此感知车道线数据和定位车道线数据中可能存在不准确的车道线数据，在这样的情况下，可以将可信度更高的感知车道线数据确定为目标车道线数据。
情形二，在所述差值大于所述第三阈值并且所述第一可信度低于所述第二可信度的情况下，将所述定位车道线数据确定为所述目标车道线数据。
可选的，在本实施例中，在差值大于第三阈值并且第一可信度低于第二可信度的情况下，可以表明感知车道线数据的第一可信度和定位车道线数据的可信度之间相差过大，而在正常情况下，如果感知车道线数据和定位车道线数据均是准确的，那么感知车道线数据的第一可信度和定位车道线数据的第二可信度是相近的，即第一可信度和第二可信度之间的差值应该小于第三阈值，因此感知车道线数据和定位车道线数据中可能存在不准确的车道线数据，在这样的情况下，可以将可信度更高的定位车道线数据确定为目标车道线数据。
情形三，在所述差值小于或者等于所述第三阈值的情况下，从所述感知车道线数据与所述定位车道线数据中随机选取所述目标车道线数据。
可选的，在本实施例中，在差值小于或者等于第三阈值的情况下，可以表明感知车道线数据的第一可信度和定位车道线数据的可信度之间相差较小，即感知车道线数据和定位车道线数据均是准确的，在这样的情况下，可以但不限于从感知车道线数据与定位车道线数据中随机选取目标车道线数据。
在上述步骤S206提供的技术方案中，可选的，在本实施例中，在获取到目标车道线数据的情况下，可以但不限于通过检测第一数据来源类型的第一一致性参数与第二数据来源类型的第二一致性参数之间的差值是否小于或者等于一致性参数阈值的方式，检测目标车道线数据和参考车道线数据之间的一致性。
可选的，在本实施例中，可以但不限于在检测到第一一致性参数与第二一致性参数之间的差值小于或者等于一致性参数阈值的情况下，可以确定目标车道线数据与参考车道线数据的数据来源一致；可以但不限于在检测到第一一致性参数与第二一致性参数之间的差值大于一致性参数阈值的情况下，可以确定目标车道线数据与参考车道线数据的数据来源不一致。
可选的，在本实施例中，第一数据来源类型的目标车道线数据可以但不限于包括来源于感知类型的车道线数据或者来源于定位类型的车道线数据。参考车道线数据的第二数据来源类型可以但不限于包括感知类型的车道线数据或者定位类型的车道线数据等等。
在一个示例性实施例中，根据一致性对初始道路特征进行修正，得到目标道路特征可以但不限于包括以下几种情形：
情形一，在所述第一数据来源类型与所述第二数据来源类型一致的情况下，将所述初始道路特征确定为所述目标道路特征。
可选的，在本实施例中，在第一数据来源类型与第二数据来源类型一致的情况下，可以表明预测初始道路特征的参考车道线数据即为感知车道线数据与定位车道线数据中可信度更高、更准确的车道线数据，参考车道线数据预测出的初始道路特征是准确可信的，在这样的情况下，无需对初始道路特征进行修正，可以但不限于直接将初始道路特征确定为目标道路特征。
情形二，在所述第一数据来源类型与所述第二数据来源类型不一致的情况下，预测所述目标车道线数据所对应的参考道路特征；将所述初始道路特征与所述参考道路特征融合，得到所述目标道路特征。
可选的，在本实施例中，在第一数据来源类型与第二数据来源类型不一致的情况下，可以表明目标车道线数据的可信度比用于预测初始道路特征的参考车道线数据的可信度更高，即通过参考车道线数据预测出的初始道路特征可能存在不准确的问题，在这样的情况下，可以但不限于预测目标车道线数据所对应的参考道路特征；将初始道路特征与参考道路特征融合，得到目标道路特征，提升了目标道路特征的准确度。
可选的，在本实施例中，在光线良好的结构化道路中，感知车道线数据的实时性较强，检测也较为准确，感知车道线数据的置信度较高，协方差较小，在车道线状态量测修正（即上述一致性对初始道路特征进行修正，得到目标道路特征）时，相较定位车道线数据，感知车道线数据所占权重更大，融合系统更加相信感知车道线数据。在真实道路发生临时变化的情况下，如果定位地图未及时更新，通过感知车道线数据的修正仍可输出稳定可靠的车道线数据，提升了车道线数据的可靠性和准确度。
可选的，在本实施例中，在非结构化道路或弱势场景（比如：雨、雪和雾等等天气）下，由于车辆的传感器的感知能力受限，感知车道线数据可能会不准确，在这样的情况下，定位高精地图提供的定位车道线数据的置信度更高，协方差更小，在车道线状态量测修正（即上述一致性对初始道路特征进行修正，得到目标道路特征）时，定位车道线数据所占的权重更大，融合系统更加相信定位高精地图提供的定位车道线数据。
在上述步骤S208提供的技术方案中，在从感知车道线数据和定位车道线数据中获取到可信度满足预设可信度条件的目标车道线数据的情况下，可以表明目标车道线数据的可信度是感知车道线数据和定位车道线数据中最高的，在这样的情况下，可以但不限于检测目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，根据一致性对目标车辆所在的目标道路的初始道路特征进行修正，得到符合目标车道的真实的道路状态的目标道路特征，提升了目标道路特征的准确度。
可选的，在本实施例中，可以但不限于通过在目标车辆的可视范围内的目标车道的曲率、长度、宽度、航向角等等特征表征预测出的目标车道的车道状态，通过可信度最高的目标车道线数据对预测出的目标车道的车道状态进行修正，在在实现预测出的目标车道的车道状态符合目标车道的真实的车道状态的同时，还能保证目标车道的车道状态的准确性，进而提升了目标车辆自动驾驶过程中的安全性和准确性。
在一个示例性实施例中，可以但不限于通过以下方式获取初始道路特征：检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据；预测所述目标对象数据所对应的对象道路特征，其中，所述对象道路特征用于指示所述目标道路对象在所述目标车道上所在路段的路段状态；将所述对象道路特征与候选道路特征进行融合，得到所述初始道路特征，其中，所述候选道路特征是预测出的所述感知车道线数据所对应的道路特征。
可选的，在本实施例中，目标道路对象可以但不限于包括在目标车辆的行驶方向的前方位于目标车辆的感知范围内的车辆，可以但不限于通过检测目标道路对象的目标对象数据，通过目标对象数据预测出可以表示目标道路对象在目标车道上所在路段的路段状态的对象道路特征，可以但不限于将对象道路特征与预测出的感知车道线数据所对应的道路特征进行融合，得到初始道路特征，保证了初始道路特征与目标车道的真实道路状态之间的一致性。
可选的，在本实施例中，感知车道线数及目标道路对象可以在一定程度上可反映当前道路环境的特征，图3是根据本申请实施例的一种获取初始道路特征的示意图一，如图3所示，可以但不限于将感知车道线数据进行特征提取拟合，得到当前目标道路可视范围内的航向角、曲率、长度、宽度等等特征作为候选道路特征；而结构化道路中的感知运动目标（即上述的目标道路对象）一般较符合道路特征，通过将多个感知传感器提供的运动目标的动态信息、特征信息以及本车运动信息作为训练集，采用集成学习的方法训练出运动目标筛选模型，并对本车前向的道路对象进行筛选，得到目标车道上的有效运动目标（即上述的目标道路对象），可以但不限于预测目标道路对象的目标对象数据的对象道路特征经过时间同步，可以但不限于采用融合滤波算法对道路环境的特征进行补充修正，弥补由于障碍物遮挡对感知道路环境带来的影响，得到与车道的真实状态最为符合的初始道路特征。
可选的，在本实施例中，通过将对象道路特征与预测出的感知车道线数据所对应的道路特征进行融合，使得初始道路特征能更真实的表示目标车道真实的道路状态，图4是根据本申请实施例的一种获取初始道路特征的示意图二，如图4所示，目标车辆A可以但不限于行驶在目标道路上，在目标车辆的前方可以但不限于行驶着车辆B（即上述的目标道路对象），可以但不限于实时感知目标车辆A的行驶过程中在目标车辆A的可视范围内的感知车道线数据，并根据感知车道线数据预测出候选道路特征；同时可以但不限于通过检测车辆B的目标对象数据，根据车辆B的目标对象数据预测出表示车辆B在目标道路上所在的路段的曲率较大的对象道路特征，那么将对象道路特征与候选道路特征进行融合，可以得到车辆B所在的目标车道的路段的曲率大的初始道路特征。
在一个示例性实施例中，可以但不限于通过以下方式检测进入目标车辆所在范围内的目标道路对象的目标对象数据：获取进入所述目标车辆所在范围内的道路对象的动态特征；根据所述动态特征从所述道路对象中筛选位于所述目标车辆前方的所述目标道路对象；感知所述目标道路对象的所述目标对象数据。
可选的，在本实施例中，可以但不限于通过获取多个感知传感器提供的道路对象的动态信息（可以但不限于包括航向角、速度和位置等等）、特征信息以及本车运动信息（可以但不限于包括航向角、速度和位置等等信息）等等作为道路对象的动态特征。
可选的，在本实施例中，可以但不限于将道路对象的动态特征输入的道路目标筛选模型，筛选出位于目标车辆前方的目标道路对象。图5是根据本申请实施例的一种筛选目标道路目标的示意图，如图5所示，可以但不限于将获取到的进入目标车辆所在范围内的道路对象的动态特征和感知车道线数据，或者将进入目标车辆所在范围内的道路对象的动态特征和感知车道线数据以及车辆的状态信息输入采用集成学习的方法训练出的道路目标筛选模型，筛选出位于目标车辆前方的目标道路对象。可以但不限于将目标道路对象的目标对象数据、目标车辆的感知车道线数、目标车辆的车辆状态以及目标车辆的定位车道线数据进行融合，得到稳定可靠的目标车道线数据。
在一个示例性实施例中，将对象道路特征与候选道路特征进行融合，可以但不限于包括以下情形至少之一：
情形一，将在所述对象道路特征所具有的元素中所述候选道路特征中缺失的元素添加到所述候选道路特征中。
可选的，在本实施例中，在将对象道路特征与候选道路特征进行融合的时候，可以但不限于在目标车辆前方的车道线被其它车辆遮挡的情况下，可以但不限于将在对象道路特征所具有的元素中候选道路特征中缺失的元素添加到候选道路特征中。图6是根据本申请实施例的一种将对象道路特征与候选道路特征进行融合的示意图，如图6所示，目标车辆C可以但不限于行驶在目标车道上，在目标车辆C的前方可以但不限于行驶着车辆D，车辆D可以但不限于阻挡了部分车道线，在这样的情况下，可以但不限于根据对象道路特征所具有的元素，将被车辆D遮挡住的车道线补齐，提升了车道线数据的准确度和可靠性。
情形二，依据所述对象道路特征中所具有的元素对所述候选道路特征中的对应元素进行调整。
可选的，在本实施例中，在候选道路特征未缺失对象道路特征中所具有的元素的情况下，可以表明候选道路特征可能不够准确，在这样的情况下，可以但不限于依据对象道路特征中所具有的元素对候选道路特征中的对应元素进行调整，得到与目标车道的真实状态最为符合的初始道路特征。
为了更好的理解上述获取目标道路特征的过程，以下再结合可选实施例对上述目标道路特征的获取流程进行说明，但不用于限定本申请实施例的技术方案。
在本实施例中提供了一种目标道路特征的获取方法，图7是根据本申请实施例的一种获取目标道路特征的示意图，如图7所示，在检验车道线数据的可信度之前，可以但不限于先对车道线数据进行预处理。感知车道线数据的预处理可以但不限于包括重采样和有效性检查两部分，可以但不限于先对目标车辆所感知到的车道线进行重采样，获取目标车辆的一定范围内的车道线数据。
在计算定位车道线数据的第二可信度之前，可以但不限于先对定位车道线数据进行预处理，该预处理可以但不限于包括坐标转换、重采样和可信度检验三部分，可以但不限于先通过检验目标车辆的定位置信度是否大于置信度域值的方式，检验目标车辆的定位信息是否准确，可以但不限于在定位置信度大于置信度域值的情况下，可以确定目标车辆的定位信息是准确的，然后可以但不限于先将定位地图所获取的车道线经纬度点转换为目标车辆的坐标系下的相对坐标点；然后对定位高精地图车道线（即上述的定位车道线数据）进行重采样，获取目标车辆一定范围内的定位车道线数据；然后可以但不限于通过卡方检验算法检验定位车道线数据的可信度。
在对定位车道线数据和感知车道线数据进行预处理之后，可以但不限于通过卡方检验算法检验感知车道线数据的第一可信度和定位车道线数据的第二可信度，可以但不限于将定位车道线数据和感知车道线数据作为观测量，分别通过公式（1）定义各采样点横向偏移距离的均差：
其中，
为车道线数据中各采样点横向偏移距离均差；
为状态观测量；
为观测变换矩阵；
为状态预测量。
可以但不限于通过公式（2）获取均方差：
其中，
为状态预测量协方差；
为状态观测量协方差。
可以但不限于通过公式（3）求解预测量到观测量的马氏距离（即上述的第一可信度或者第二可信度，马氏距离越小，可信度越高）：
其中，
（即上述的第一可信度或者第二可信度）为满足自由度为
的
分布，通过预设门限值
（即上述的第一阈值或者第二阈值），可以但不限于分别将感知车道线数据和定位车道线数据所对应的
与对应的预设门限值
进行比对，得到基于
检验的感知车道线数据的第一比对结果和定位车道线数据的第二比对结果。可以但不限于在
的情况下，确定观测量车道线数据（即上述的感知车道线数据的第一可信度小于第一阈值，或者定位车道线数据的第二可信度小于第二阈值）无效；在
的情况下，确定观测量车道线数据有效（即上述的感知车道线数据的第一可信度大于或者等于第一阈值，和/或,定位车道线数据的第二可信度大于或者等于第二阈值）。
可以但不限于在感知车道线数据的马氏距离和定位车道线数据的马氏距离均小于对应的门限值的情况下，根据感知车道线数据的马氏距离和定位车道线数据的马氏距离之间的差值（即上述的根据第一可信度与第二可信度之间的差值），对感知车道线数据和定位车道线数据的可信度进行检验。
可以但不限于在感知车道线数据的马氏距离和定位车道线数据的马氏距离之间的差值小于或者等于预设域值（即上述的第一可信度与第二可信度之间的差值小于或者等于第三域值）的情况下，随机从感知车道线数据和定位车道线数据中获取目标车道线数据。
可以但不限于在感知车道线数据的马氏距离和定位车道线数据的马氏距离之间的差值大于预设域值（即上述的第一可信度与第二可信度之间的差值大于第三域值）的情况下，将感知车道线数据和定位车道线数据中马氏距离较小的车道线数据确定为目标车道线数据。也就是说，在感知车道线数据的马氏距离小于定位车道线数据的马氏距离的情况下（即上述的第一可信度高于第二可信度的情况下），将感知车道线数据确定为目标车道线数据；在定位车道线数据的马氏距离小于感知车道线数据的马氏距离的情况下（即上述的第一可信度低于第二可信度的情况下），将定位车道线数据确定为目标车道线数据。
在获取到目标车道线数据的情况下，可以但不限于通过公式（4）实现获取感知车道线数据和定位车道线数据的时间和车辆系统的时间的同步：
其中，
为
时刻车道线观测量，sys下标代表着车辆系统system；
为
时刻车道线观测量；
为
时刻车辆的车速；
为
时刻车辆加速度。
在进行时间同步的情况下，可以但不限于预测目标车道线数据所对应的参考道路特征；将预测的参考车道线数据所对应的初始道路特征与参考道路特征融合，得到目标道路特征。
图8是根据本申请实施例的一种道路特征的预测装置的结构框图，如图8所示，包括：
比对模块802，用于将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据的第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
确定模块804，用于根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
第一检测模块806，用于检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测初始道路特征的车道线数据；
修正模块808，用于根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
通过上述实施例，在目标车辆在目标道路上的的自动驾驶的过程中，可以将目标车辆在目标车道上感知到的车道线数据的第一可信度和第一阈值进行比对，得到第一比对结果，并将目标车辆在目标车道上通过定位地图得到的车道线数据的第二可信度与第二阈值进行比对，得到第二比对结果，在这样的情况下，可以根据第一比对结果，第二比对结果以及第一可信度与第二可信度之间的关系，从感知车道线数据与定位车道线数据中确定可信度高于预设可信度条件的目标车道线数据，也就是说，目标车道线数据是感知车道线数据与定位车道线数据中可信度较高的车道线数据，然后可以根据目标车道线数据的第一数据来源类型与用于预测初始道路特征的车道线数据的第二数据来源类型之间的一致性，对目标道路的初始道路特征进行修正，得到能准确反应目标道路的实际道路情况的目标道路特征，提升了预测出的道路特征的准确率。采用上述技术方案，解决了相关技术中，预测道路特征的准确率较低等问题，实现了提升预测道路特征的准确率的技术效果。
在一个示例性实施例中，所述确定模块，包括：
第一确定单元，用于在所述第一可信度大于或者等于所述第一阈值并且所述第二可信度大于或者等于所述第二阈值的情况下，根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据；
第二确定单元，用于在所述第一可信度大于或者等于所述第一阈值但所述第二可信度小于所述第二阈值的情况下，将所述感知车道线数据确定为所述目标车道线数据；
第三确定单元，用于在所述第一可信度小于所述第一阈值但所述第二可信度大于或者等于所述第二阈值的情况下，将所述定位车道线数据确定为所述目标车道线数据。
在一个示例性实施例中，所述第一确定单元，用于：
在所述差值大于第三阈值并且所述第一可信度高于所述第二可信度的情况下，将所述感知车道线数据确定为所述目标车道线数据；
在所述差值大于所述第三阈值并且所述第一可信度低于所述第二可信度的情况下，将所述定位车道线数据确定为所述目标车道线数据；
在所述差值小于或者等于所述第三阈值的情况下，从所述感知车道线数据与所述定位车道线数据中随机选取所述目标车道线数据。
在一个示例性实施例中，所述修正模块，包括：
第四确定单元，用于在所述第一数据来源类型与所述第二数据来源类型一致的情况下，将所述初始道路特征确定为所述目标道路特征；
处理单元，用于在所述第一数据来源类型与所述第二数据来源类型不一致的情况下，预测所述目标车道线数据所对应的参考道路特征；将所述初始道路特征与所述参考道路特征融合，得到所述目标道路特征。
在一个示例性实施例中，所述装置还包括：
第二检测模块，用于在所述根据所述一致性对初始道路特征进行修正，得到目标道路特征之前，检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据；
预测模块，用于预测所述目标对象数据所对应的对象道路特征，其中，所述对象道路特征用于指示所述目标道路对象在所述目标车道上所在路段的路段状态；
融合模块，用于将所述对象道路特征与候选道路特征进行融合，得到所述初始道路特征，其中，所述候选道路特征是预测出的所述感知车道线数据所对应的道路特征。
在一个示例性实施例中，所述第二检测模块，包括：
获取单元，用于获取进入所述目标车辆所在范围内的道路对象的动态特征；
筛选单元，用于根据所述动态特征从所述道路对象中筛选位于所述目标车辆前方的所述目标道路对象；
感知单元，用于感知所述目标道路对象的所述目标对象数据。
在一个示例性实施例中，所述融合模块，包括以下至少之一：
添加单元，用于将在所述对象道路特征所具有的元素中所述候选道路特征中缺失的元素添加到所述候选道路特征中；
调整单元，用于依据所述对象道路特征中所具有的元素对所述候选道路特征中的对应元素进行调整。
本申请的实施例还提供了一种存储介质，该存储介质包括存储的程序，其中，上述程序运行时执行上述任一项的方法。
可选地，在本实施例中，上述存储介质可以被设置为存储用于执行以下步骤的程序代码：
S11，将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
S12，根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
S13，检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测所述初始道路特征的车道线数据；
S14，根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
可选地，在本实施例中，上述存储介质还可以被设置为存储用于执行以下步骤的程序代码：
S11，将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
S12，根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
S13，检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测所述初始道路特征的车道线数据；
S14，根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
本申请的实施例还提供了一种电子装置，包括存储器和处理器，该存储器中存储有计算机程序，该处理器被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
可选地，上述电子装置还可以包括传输设备以及输入输出设备，其中，该传输设备和上述处理器连接，该输入输出设备和上述处理器连接。
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（Read-Only Memory，简称为ROM）、随机存取存储器（Random Access Memory，简称为RAM）、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
可选地，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种道路特征的预测方法，其特征在于，包括：
将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据的第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测所述初始道路特征的车道线数据；
根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，包括：
在所述第一可信度大于或者等于所述第一阈值并且所述第二可信度大于或者等于所述第二阈值的情况下，根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据；
在所述第一可信度大于或者等于所述第一阈值但所述第二可信度小于所述第二阈值的情况下，将所述感知车道线数据确定为所述目标车道线数据；
在所述第一可信度小于所述第一阈值但所述第二可信度大于或者等于所述第二阈值的情况下，将所述定位车道线数据确定为所述目标车道线数据。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一可信度与所述第二可信度之间的差值，将所述感知车道线数据与所述定位车道线数据中所对应的可信度最高的车道线数据确定为所述目标车道线数据，包括：
在所述差值大于第三阈值并且所述第一可信度高于所述第二可信度的情况下，将所述感知车道线数据确定为所述目标车道线数据；
在所述差值大于所述第三阈值并且所述第一可信度低于所述第二可信度的情况下，将所述定位车道线数据确定为所述目标车道线数据；
在所述差值小于或者等于所述第三阈值的情况下，从所述感知车道线数据与所述定位车道线数据中随机选取所述目标车道线数据。
4.根据权利要求1所述的方法，其特征在于，所述根据所述一致性对初始道路特征进行修正，得到目标道路特征，包括：
在所述第一数据来源类型与所述第二数据来源类型一致的情况下，将所述初始道路特征确定为所述目标道路特征；
在所述第一数据来源类型与所述第二数据来源类型不一致的情况下，预测所述目标车道线数据所对应的参考道路特征；将所述初始道路特征与所述参考道路特征融合，得到所述目标道路特征。
5.根据权利要求1所述的方法，其特征在于，在所述根据所述一致性对初始道路特征进行修正，得到目标道路特征之前，所述方法还包括：
检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据；
预测所述目标对象数据所对应的对象道路特征，其中，所述对象道路特征用于指示所述目标道路对象在所述目标车道上所在路段的路段状态；
将所述对象道路特征与候选道路特征进行融合，得到所述初始道路特征，其中，所述候选道路特征是预测出的所述感知车道线数据所对应的道路特征。
6.根据权利要求5所述的方法，其特征在于，所述检测进入所述目标车辆所在范围内的目标道路对象的目标对象数据，包括：
获取进入所述目标车辆所在范围内的道路对象的动态特征；
根据所述动态特征从所述道路对象中筛选位于所述目标车辆前方的所述目标道路对象；
感知所述目标道路对象的所述目标对象数据。
7.根据权利要求5所述的方法，其特征在于，所述将所述对象道路特征与候选道路特征进行融合，包括以下至少之一：
将在所述对象道路特征所具有的元素中所述候选道路特征中缺失的元素添加到所述候选道路特征中；
依据所述对象道路特征中所具有的元素对所述候选道路特征中的对应元素进行调整。
8.一种道路特征的预测装置，其特征在于，包括：
比对模块，用于将目标车辆的感知车道线数据的第一可信度与第一阈值进行比对得到第一比对结果，并将所述目标车辆的定位车道线数据的第二可信度与第二阈值进行比对得到第二比对结果，其中，所述感知车道线数据是所述目标车辆在目标车道上感知到的车道线数据，所述定位车道线数据是所述目标车辆在所述目标车道上通过定位地图得到的车道线数据，所述目标车道是所述目标车辆当前所在的车道；
确定模块，用于根据所述第一比对结果，所述第二比对结果以及所述第一可信度与所述第二可信度之间的关系，从所述感知车道线数据与所述定位车道线数据中确定目标车道线数据，其中，所述目标车道线数据所对应的可信度高于预设可信度条件；
第一检测模块，用于检测所述目标车道线数据的第一数据来源类型与参考车道线数据的第二数据来源类型之间的一致性，其中，所述参考车道线数据是用于预测初始道路特征的车道线数据；
修正模块，用于根据所述一致性对初始道路特征进行修正，得到目标道路特征，其中，所述初始道路特征用于表征预测出的所述目标车道的车道状态。
9.一种计算机可读的存储介质，其特征在于，所述计算机可读的存储介质包括存储的程序，其中，所述程序运行时执行权利要求1至7中任一项所述的方法。
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211277033.1A CN115352455B (zh) | 2022-10-19 | 2022-10-19 | 道路特征的预测方法和装置、存储介质及电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211277033.1A CN115352455B (zh) | 2022-10-19 | 2022-10-19 | 道路特征的预测方法和装置、存储介质及电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115352455A true CN115352455A (zh) | 2022-11-18 |
| CN115352455B CN115352455B (zh) | 2023-01-17 |
Family
ID=84008041
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211277033.1A Active CN115352455B (zh) | 2022-10-19 | 2022-10-19 | 道路特征的预测方法和装置、存储介质及电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115352455B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060233424A1 (en) * | 2005-01-28 | 2006-10-19 | Aisin Aw Co., Ltd. | Vehicle position recognizing device and vehicle position recognizing method |
| CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
| WO2019065564A1 (ja) * | 2017-09-29 | 2019-04-04 | 日立オートモティブシステムズ株式会社 | 自動運転制御装置及び方法 |
| CN112172810A (zh) * | 2019-06-18 | 2021-01-05 | 广州汽车集团股份有限公司 | 车道保持装置、方法、系统及汽车 |
| CN114347991A (zh) * | 2022-02-07 | 2022-04-15 | 中国第一汽车股份有限公司 | 一种车辆的自动换道方法、装置、存储介质及车辆 |
| CN114719840A (zh) * | 2022-04-07 | 2022-07-08 | 岚图汽车科技有限公司 | 一种基于道路特征融合的车辆智能驾驶保障方法与系统 |
-
2022
- 2022-10-19 CN CN202211277033.1A patent/CN115352455B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060233424A1 (en) * | 2005-01-28 | 2006-10-19 | Aisin Aw Co., Ltd. | Vehicle position recognizing device and vehicle position recognizing method |
| CN104573311A (zh) * | 2013-10-17 | 2015-04-29 | 福特全球技术公司 | 道路特征预测系统和方法 |
| CN108303103A (zh) * | 2017-02-07 | 2018-07-20 | 腾讯科技（深圳）有限公司 | 目标车道的确定方法和装置 |
| US20180373941A1 (en) * | 2017-06-26 | 2018-12-27 | Here Global B.V. | Method, apparatus, and system for estimating a quality of lane features of a roadway |
| WO2019065564A1 (ja) * | 2017-09-29 | 2019-04-04 | 日立オートモティブシステムズ株式会社 | 自動運転制御装置及び方法 |
| CN112172810A (zh) * | 2019-06-18 | 2021-01-05 | 广州汽车集团股份有限公司 | 车道保持装置、方法、系统及汽车 |
| CN114347991A (zh) * | 2022-02-07 | 2022-04-15 | 中国第一汽车股份有限公司 | 一种车辆的自动换道方法、装置、存储介质及车辆 |
| CN114719840A (zh) * | 2022-04-07 | 2022-07-08 | 岚图汽车科技有限公司 | 一种基于道路特征融合的车辆智能驾驶保障方法与系统 |
Non-Patent Citations (1)
| Title |
|---|
| 李明明等: "道路场景中基于视频的多目标检测", 《软件》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115352455B (zh) | 2023-01-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105793669B (zh) | 车辆位置推定系统、装置、方法以及照相机装置 | |
| US11092444B2 (en) | Method and system for recording landmarks in a traffic environment of a mobile unit | |
| CN109410735B (zh) | 反射值地图构建方法和装置 | |
| JP2016156973A (ja) | 地図データ記憶装置、制御方法、プログラム及び記憶媒体 | |
| CN109891192B (zh) | 用于定位车辆的方法和系统 | |
| CN114636993A (zh) | 一种激光雷达与imu的外参标定方法、装置及设备 | |
| US11002553B2 (en) | Method and device for executing at least one measure for increasing the safety of a vehicle | |
| CN111856499B (zh) | 基于激光雷达的地图构建方法和装置 | |
| CN114174137A (zh) | Adas或ad特征的源横向偏移 | |
| CN112462368A (zh) | 一种障碍物检测方法、装置、车辆及存储介质 | |
| CN112699765A (zh) | 评估视觉定位算法的方法、装置、电子设备及存储介质 | |
| US20200200870A1 (en) | Radar Sensor Misalignment Detection for a Vehicle | |
| US11442913B2 (en) | Method and device for creating a localization map | |
| CN115352455B (zh) | 道路特征的预测方法和装置、存储介质及电子装置 | |
| CN114641701A (zh) | 使用表面穿透雷达和深度学习的改进的导航和定位 | |
| US20220404170A1 (en) | Apparatus, method, and computer program for updating map | |
| CN111103584A (zh) | 用于获知车辆的环境中的物体的高度信息的设备和方法 | |
| CN111435565A (zh) | 道路交通状态检测方法、装置、电子设备及存储介质 | |
| CN115291262A (zh) | 卫星定位数据校正方法、装置、电子设备及存储介质 | |
| CN114490904A (zh) | 停车场入口生成方法、装置、设备及存储介质 | |
| Jomrich et al. | Lane Accurate Detection of Map Changes based on Low Cost Smartphone Data. | |
| CN111164460A (zh) | 依据匹配的星座信息来确定和使用距离的电子设备、方法和计算机程序 | |
| US11466991B2 (en) | Sensor data system for a vehicle | |
| CN115790666B (zh) | 对路内停车智能巡检车惯导定位进行校正的方法和系统 | |
| CN117456318A (zh) | 基于融合数据评估地面真值装置的方法和系统 |
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 |