CN115468579B - 路径规划方法、装置、电子设备和计算机可读介质 - Google Patents
路径规划方法、装置、电子设备和计算机可读介质 Download PDFInfo
- Publication number
- CN115468579B CN115468579B CN202211365331.6A CN202211365331A CN115468579B CN 115468579 B CN115468579 B CN 115468579B CN 202211365331 A CN202211365331 A CN 202211365331A CN 115468579 B CN115468579 B CN 115468579B
- Authority
- CN
- China
- Prior art keywords
- traffic light
- obstacle
- coordinate
- transverse
- longitudinal
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000004888 barrier function Effects 0.000 claims description 32
- 230000004044 response Effects 0.000 claims description 18
- 238000000605 extraction Methods 0.000 claims description 16
- 238000007499 fusion processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 230000000903 blocking effect Effects 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G01C21/34—Route searching; Route guidance
- G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
- G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
- G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开的实施例公开了路径规划方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括:对目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息;获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;对道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;生成横向红绿灯遮挡区域坐标集;生成纵向红绿灯遮挡区域坐标集;对横向红绿灯遮挡区域坐标集和纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;在目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划得到规划路径。该实施方式可以提高车辆行驶安全和车辆通行效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及路径规划方法、装置、电子设备和计算机可读介质。
背景技术
路径规划方法,是自动驾驶领域中的一项基础技术。目前,在进行路径规划时,通常采用的方式为:通过路径规划算法,确定可以绕开障碍物的规划路径。另外,若当前车辆前方的红绿灯被遮挡,当前车辆处于红绿灯的盲区内,则停止进行路径规划,采用被动跟车的方式,跟随前方车辆进行移动。
然而,发明人发现,当采用上述方式进行路径规划时,经常会存在如下技术问题:
第一,在当前车辆未进入实线路段时,若进入跟车移动的模式,会使得当前车辆盲目跟车,即前方车辆通过路口后红绿灯变为红灯或即将变为红灯,当前车辆也仍然在进行跟车,以此导致当前车辆容易出现闯红灯的可能,存在较高的安全隐患,降低了驾驶安全,另外,若与前车保持较远的距离,则容易被其它车辆加塞,导致降低当前车辆的通行效率;
第二,未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响和规划路径对车辆通行效率的影响,导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区且降低车辆的通行效率,从而,导致当前车辆进入跟车模式,由此降低了驾驶安全。
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路径规划方法、装置、电子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路径规划方法,该方法包括:响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息;响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
第二方面,本公开的一些实施例提供了一种路径规划装置,该装置包括:信息提取单元,被配置成响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息;获取单元,被配置成响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;检测单元,被配置成对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;第一生成单元,被配置成基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;第二生成单元,被配置成基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;融合处理单元,被配置成对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;路径规划单元,被配置成在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
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。
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路径规划方法,可以降低当前车辆闯红灯的可能性和提高当前车辆的通行效率。具体来说,造成当前车辆容易出现闯红灯的可能和降低通行效率的原因在于:在当前车辆未进入实线路段时,若进入跟车移动的模式,会使得当前车辆盲目跟车,即前方车辆通过路口后红绿灯变为红灯或即将变为红灯,当前车辆也仍然在进行跟车,以此导致当前车辆容易出现闯红灯的可能,存在较高的安全隐患,降低了驾驶安全,另外,若与前车保持较远的距离,则容易被其它车辆加塞,导致降低当前车辆的通行效率。基于此,本公开的一些实施例的路径规划方法,首先,响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息。通过确定目标道路图像中是否存在纵向红绿灯信息,可以用于确定当前车辆是否处于红绿灯遮挡区域。由于目标道路图像中不存在纵向红绿灯信息,因此,可以通过横向红绿灯信息提取,用于辅助判断当前道路的纵向红绿灯。接着,响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组。考虑到不同方向的红绿灯存在的遮挡区域的差别,因此同时获取纵向红绿灯坐标和横向红绿灯坐标,以便提高后续生成红绿灯遮挡区域的准确度。然后,对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列。通过检测,可以用于提取当前车辆所在道路的障碍物的位置信息。而后,基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集。之后,基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集。由于不同方向的红绿灯对应的遮挡区域存在差别,因此,分别生成横向红绿灯遮挡区域坐标集和纵向红绿灯遮挡区域坐标集。再然后,对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集。通过融合处理,可以将各个红绿灯对应的遮挡区域融合到一起,以便进行路径规划。最后,在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。通过路径规划,可以在目标红绿灯遮挡区域坐标集对应的遮挡区域确定一条最优的规划路径,使得当前车辆在沿路径移动后,可以最大限度的避开遮挡区域。同时,可以确保当前车辆的通行效率。从而,可以降低当前车辆闯红灯的可能性和提高当前车辆的通行效率。
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是根据本公开的路径规划方法的一些实施例的流程图;
图2是根据本公开的路径规划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路径规划方法的一些实施例的流程100。该路径规划,包括以下步骤:
步骤101,响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息。
在一些实施例中,路径规划方法的执行主体响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息。其中,上述执行主体可以通过预先设置的图像检测算法,确定目标道路图像中是否存在纵向红绿灯信息。其次,目标道路图像可以是当前车辆车载相机拍摄的道路图像。纵向红绿灯信息可以是处于当前车辆同一道路正前方路口的红绿灯的信息。可以通过上述图像检测算法,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息。横向红绿灯信息可以是处于当前车辆正前方路口的其它道路的红绿灯的信息。纵向红绿灯信息可以包括红绿灯的颜色信息。横向红绿灯信息可以包括红灯颜色信息。
作为示例,上述图像检测算法可以包括但不限于以下至少一项:FCN(FullyConvolutional Networks,全卷机神经网络)模型、Resnet(Residual Network,残差神经网络)模型、VGG(Visual Geometry Group Network,卷积神经网络)模型和Google Net(深度神经网络)模型等。横向红绿灯信息可以是:“直行为红灯”。
实践中,在纵向红绿灯被遮挡的情况下,若横向红绿灯为绿色,那么可确定纵向红绿灯为红色。若横向红绿灯为黄色或红色,则无法判断纵向红绿灯的颜色。由此,可以用于辅助判断纵向红绿灯的颜色。另外,纵向红绿灯与横向红绿灯处于同一路口。红绿灯的颜色可以是对应当前车辆所在车道的红绿灯。例如,当前车辆直行,则红灯为直行的红绿灯。
步骤102,响应于确定横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组。
在一些实施例中,上述执行主体可以响应于确定上述横向红绿灯信息满足预设的红绿灯条件,通过有线的方式或者无线的方式获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组。其中,上述红绿灯条件可以是:横向红绿灯信息为黄色或红色。
在一些实施例的一些可选的实现方式中,上述执行主体响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组,可以包括以下步骤:
第一步,获取当前车辆的车辆定位坐标和当前车辆车载相机在预设时间段内拍摄的道路图像序列。其中,可以从当前车辆的车载定位设备中获取车辆定位坐标。上述预设时间段可以是预先设置的时长。道路图像序列中的道路图像可以是连续帧的。目标道路图像与道路图像序列中的道路图像不同的是,目标道路图像拍摄时间在道路图像之前。
作为示例,预设时间段可以是2秒。
第二步,从预设的高精地图数据中选出与上述车辆定位坐标相匹配的纵向红绿灯坐标和横向红绿灯坐标组。其中,上述纵向红绿灯坐标可以是与处于当前车辆同一道路前方路口处的红绿灯的坐标。上述横向红绿灯坐标组中的横向红绿灯坐标可以是处于当前车辆前方路口处其它道路的红绿灯的坐标。其次,相匹配可以是红绿灯坐标表征的红绿灯与当前车辆定位坐标处于同一道路。这里,纵向红绿灯坐标和横向红绿灯坐标可以是从高精地图数据中选出的地图坐标系中的高精地图红绿灯坐标转换到上述车载相机的相机坐标系得到的。横向红绿灯坐标组中可以包括至少一个横向红绿灯坐标。每个横向红绿灯坐标可以对应路口的一个方向的红绿灯。
步骤103,对道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列。
在一些实施例中,上述执行主体可以对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列。
在一些实施例的一些可选的实现方式中,上述执行主体对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列,可以包括以下步骤:
第一步,对上述道路图像进行障碍物识别,得到障碍物识别信息组。其中,上述障碍物识别信息组中的每个障碍物识别信息可以包括:障碍物尺寸信息和障碍物位置姿态矩阵。其次,可以通过上述图像检测算法进行障碍物识别。这里,障碍物识别信息组中的每个障碍物识别信息可以用于表征道路图像中的一个障碍物的信息。障碍物尺寸信息可以是障碍物的尺寸值。例如,障碍物尺寸信息可以包括障碍物长度值、高度值和宽度值等。障碍物位置姿态矩阵可以用于表征障碍物的位置坐标和姿态。
第二步,利用上述障碍物识别信息组中的每个障碍物识别信息包括的障碍物尺寸信息和障碍物位置姿态矩阵生成障碍物外接边框信息,得到障碍物外接边框信息组。其中,上述障碍物外接边框信息组中的每个障碍物外接边框信息可以包括障碍物外接矩形和障碍物外接边框顶点坐标组。障碍物外接矩形可以是上述车载相机的相机坐标系中的三维矩形。障碍物外接边框顶点坐标组可以包括八个障碍物外接边框顶点坐标。障碍物外接边框顶点坐标可以表征障碍物外接矩形的顶点。这里,首先可以确定障碍物位置姿态矩阵中的障碍物坐标和方向向量。其次,在方向向量表征的方向上,依据障碍物尺寸信息包括的障碍物长度值、宽度值和高度值,构建障碍物外接矩形。同时,可以得到障碍物外接边框顶点坐标组。最后,可以将对应同一障碍物的障碍物外接边框和障碍物外接边框顶点坐标组确定为障碍物外接边框信息。由此,可以得到障碍物外接边框信息组。
步骤104,基于障碍物外接边框信息组序列和横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集。
在一些实施例中,上述执行主体可以基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,通过各种方式生成横向红绿灯遮挡区域坐标集。
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障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集,可以包括以下步骤:
第一步,基于上述车载相机的坐标点,构建相机平面。其中,上述相机平面可以是相机坐标系中相机纵坐标所在的平面。这里,可以确定相机平面与地面是平行的。因此,可以通过车载相机的坐标点的纵坐标确定相机平面。
实践中,生成红绿灯盲区坐标集,不仅是将各个障碍物对应的障碍物外接矩形的五个面(除去底面)投影至相机平面,得到投影面。还需要确定不同位置红绿灯对应的障碍物在相机平面的投影面。这里,对面投影可以是对每个面对应的四个顶点坐标进行投影,投影后的点以此连接所围成的面即投影面。然后,取各个投影面的并集作为完整投影面。最后,完整投影面上的各个坐标点即为红绿灯盲区坐标集中的红绿灯盲区坐标。
第二步,对于上述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息和上述横向红绿灯坐标组中的每个横向红绿灯坐标,执行以下步骤以生成第一投影后区域坐标集:
第一子步骤,确定上述相机平面与上述障碍物外接边框信息包括的障碍物外接矩形之间相交四边形的四个平面顶点坐标。其中,相交四边形可以是相机平面在障碍物外接矩形中的截面。可以通过以下步骤生成四个平面顶点坐标中的每个平面顶点坐标:
其中,表示坐标点。/>表示上述障碍物外接边框信息包括的障碍物外接边框顶点坐标组中对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标中的第一个障碍物外接边框顶点坐标。/>表示上述障碍物外接边框信息包括的障碍物外接边框顶点坐标组中对应障碍物外接边框底面的四个障碍物外接边框顶点坐标中与上述第一个障碍物外接边框顶点坐标对应的障碍物外接边框顶点坐标。/>表示上述平面顶点坐标。/>表示上述相机平面中相机坐标的纵坐标值。/>表示取括号内向量的前两个数据。/>表示取括号内向量的第三个数据。
实践中,p1和p5可以是对应障碍物外接矩形中的一条棱,因此,p1、p5、p9存在对应关系。以此类推,其它顶点坐标也相互对应。由此,可以得到四个平面顶点坐标。
第二子步骤,以上述横向红绿灯坐标为起点,分别确定过上述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于上述相机平面的四个横向红绿灯射线交点坐标。其中,可以通过以下公式生成四个横向红绿灯射线交点坐标中的每个横向红绿灯射线交点坐标:
第三子步骤,基于上述四个横向红绿灯射线交点坐标与上述四个平面顶点坐标,生成第一投影后区域坐标集。其中,首先,可以确定上述四个横向红绿灯射线交点坐标与上述四个平面顶点坐标中的各个四个平面顶点坐标之间的横向投影最小外接多边形。这里,横向投影最小外接多边形即可以表征对应上述横向红绿灯坐标的完整投影面。其次,可以将上述横向投影最小外接多边形所在区域的各个坐标确定为第一投影后区域坐标,得到第一投影后区域坐标集。
第三步,对所生成的各个第一投影后区域坐标集中的各个第一投影后区域坐标进行组合处理,以生成横向红绿灯遮挡区域坐标集。其中,组合处理可以是确定所生成的各个第一投影后区域坐标集中的各个第一投影后区域坐标的并集,以此得到横向红绿灯遮挡区域坐标集。
步骤105,基于障碍物外接边框信息组序列和纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集。
在一些实施例中,上述执行主体基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,可以通过各种方式生成纵向红绿灯遮挡区域坐标集。
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障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集,可以包括以下步骤:
第一步,对于上述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息和上述纵向红绿灯坐标,执行以下步骤以生成第二投影后区域坐标集:
第一子步骤,以上述纵向红绿灯坐标为起点,分别确定过上述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于上述相机平面的四个纵向红绿灯射线交点坐标。其中,可以通过上述生成横向红绿灯射线交点坐标的公式,分别确定过上述四个障碍物外接边框顶点坐标相交于上述相机平面的四个纵向红绿灯射线交点坐标。
第二子步骤,基于上述四个纵向红绿灯射线交点坐标与上述四个平面顶点坐标,生成第二投影后区域坐标集。其中,首先,可以确定上述四个纵向红绿灯射线交点坐标与上述四个平面顶点坐标中的各个四个平面顶点坐标之间的纵向投影最小外接多边形。这里,纵向投影最小外接多边形即可以表征对应上述纵向红绿灯坐标的完整投影面。其次,可以将上述纵向投影最小外接多边形所在区域的各个坐标确定为第二投影后区域坐标,得到第二投影后区域坐标集。
第二步,对所生成的各个第二投影后区域坐标集中的各个第二投影后区域坐标进行组合处理,以生成纵向红绿灯遮挡区域坐标集。其中,组合处理可以是确定所生成的各个第二投影后区域坐标集中的各个第二投影后区域坐标的并集,以此得到横向红绿灯遮挡区域坐标集。
步骤106,对横向红绿灯遮挡区域坐标集和纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集。
在一些实施例中,上述执行主体可以通过各种方式对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集。
在一些实施例的一些可选的实现方式中,上述执行主体对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集,可以包括以下步骤:
第一步,确定上述横向红绿灯遮挡区域坐标集中每个横向红绿灯遮挡区域坐标与对应的横向红绿灯坐标之间的距离值,得到横向距离值集。其中,可以通过两点之间距离公式,确定横向红绿灯遮挡区域坐标与对应的横向红绿灯坐标之间的距离值。
第二步,确定上述纵向红绿灯遮挡区域坐标集中每个纵向红绿灯遮挡区域坐标与上述纵向红绿灯坐标之间的距离值,得到纵向距离值集。其中,可以通过两点之间距离公式,确定纵向红绿灯遮挡区域坐标与纵向红绿灯坐标之间的距离值。
第三步,将上述横向红绿灯遮挡区域坐标集中对应横向距离值满足预设距离条件的横向红绿灯遮挡区域坐标确定为目标横向红绿灯遮挡区域坐标,得到目标横向红绿灯遮挡区域坐标集。其中,上述预设距离条件可以是距离值小于预设距离阈值(例如,50米)。
第四步,将上述纵向红绿灯遮挡区域坐标集中对应纵向距离值满足上述预设距离条件的纵向红绿灯遮挡区域坐标确定为目标纵向红绿灯遮挡区域坐标,得到目标纵向红绿灯遮挡区域坐标集。
第五步,基于上述目标横向红绿灯遮挡区域坐标集中目标横向红绿灯遮挡区域坐标对应的时间戳和上述目标纵向红绿灯遮挡区域坐标集中目标纵向红绿灯遮挡区域坐标对应的时间戳,将各个目标横向红绿灯遮挡区域坐标和各个目标纵向红绿灯遮挡区域坐标投影至预先构建的时空坐标系以生成目标红绿灯遮挡区域坐标,得到目标红绿灯遮挡区域坐标集。其中,上述时空坐标系的竖轴为时间轴。这里,时空坐标系可以是与相机坐标系处于同一原点。以此,时空坐标系的横纵坐标轴可以与相机坐标系保持一致,不同的是时空坐标系的竖轴为时间轴,原点的时间可以是车载相机拍摄上述目标道路图像的时间。沿时间轴向上时间递增。因此,上述投影可以是将平面区域坐标集中的每个平面区域坐标的纵坐标值变更为对应的时间戳,以作为目标红绿灯盲区坐标,得到目标红绿灯盲区坐标集。
步骤107,在目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
在一些实施例中,上述执行主体可以在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。其中,可以通过以下公式在上述时空坐标系中进行路径规划,以生成规划路径:
其中,表示上述规划路径。/>表示最小化目标函数。/>表示最小化目标函数的目标为处于迭代过程中的规划路径。/>表示时刻。/>表示上述道路图像序列中第一个道路图像对应的时刻。/>表示上述道路图像序列中最后一个道路图像对应的时刻。/>表示损失函数,用于生成规划路径上路径坐标的损失值。/>表示规划路径上/>时刻的路径坐标。/>表示规划路径上/>时刻的路径坐标的损失值。表示规划路径上路径坐标的横坐标值。/>表示当前车辆通行效率损失函数。/>表示在/>到/>时间段之内规划路径的通行效率的损失值。/>表示换道次数损失函数。/>表示移动速度项的权重系数(例如,0.8)。/>表示换到次数项的权重系数(例如,0.2)。/>表示在/>到/>时间段之内的路径u所需换道的次数。 />表示规划路径上/>时刻的路径坐标的横坐标值。/>表示规划路径上路径坐标的纵坐标值。/>表示规划路径上/>时刻的路径坐标的纵坐标值。/>、/>表示预设的权重值,用于参与计算损失值(例如,/>取值可以为0.7,/>取值可以为0.3)。/>表示目标横向红绿灯遮挡区域坐标集。/>表示目标纵向红绿灯遮挡区域坐标集。其它可以表示路径坐标不属于目标横向红绿灯遮挡区域坐标集和目标纵向红绿灯遮挡区域坐标集。/>表示2范式。
另外,在迭代过程中,规划路径的生成需要满足路径坐标在时空坐标系中只能向正方向移动的条件。同时,可以通过预设的路径规划算法,为上述公式提供迭代过程中的规划路径。这里,规划路径算法可以包括但不限于以下至少一项:A星算法、人工势场、随机树算法、迪克斯特拉(Dijkstra)算法等。最后,上述公式可以通过ISAM(IncrementalSmoothing And Mapping,增量平滑和建图方法)、GTSAM(非线性优化库)等方法进行求解。
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“未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响和规划路径对车辆通行效率的影响,导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区且降低车辆的通行效率,从而,导致当前车辆进入跟车模式,由此降低了驾驶安全”。导致降低了驾驶安全和通行效率的因素往往如下:未充分考虑红绿灯盲区对当前车辆的规划路径所产生的影响和规划路径对车辆通行效率的影响,导致生成的规划路径使当前车辆在移动过程中不能较好的避开红绿灯盲区且降低车辆的通行效率。如果解决了上述因素,就能提高驾驶安全和通行效率。为了达到这一效果,首先,通过生成障碍物外接矩形和障碍物外接边框顶点坐标,可以用于确定障碍物在相机坐标系中的位置坐标和空间占用区域。接着,考虑到自动驾驶车辆是通过车载相机拍摄道路图像进行红绿灯信息识别的。因此,通过构建相机平面,可以用于提高生成的遮挡红绿灯区域的准确度。然后,通过生成平面顶点坐标的公式,可以用于确定障碍物对应的障碍物外接矩形在相机平面内的截面的四个顶点坐标。再然后,通过上述生成横向红绿灯射线交点坐标的公式,可以确定在纵向红绿灯和每个横向红绿灯分别为光源的情况下,障碍物对应的障碍物外接矩形在相机平面内所能呈现的阴影区域的角点坐标。之后,通过组合处理,可以确定所有被遮挡的区域中的目标红绿灯盲区坐标。而后,通过引入时空坐标系,可以便于在时间序列中寻找最优的规划路径。另外,考虑到较远处的红绿灯盲区坐标的存在对当前车辆来说没有必要,因此通过预设距离条件过滤掉不符合条件的红绿灯盲区坐标。以此,提高生成的目标盲区坐标的准确度。另外,若只考虑到生成规划路径需要避开遮挡区域,则容易导致生成的规划路径需要多次的进行变道。由此,不仅会导致降低车辆的安全性还会降低车辆通行效率。因此,考虑了影响车辆通行效率的因素,引入了当前车辆通行效率损失函数。以此,可以在一定程度上提高车辆的通行效率。其次,由于不同的红绿灯对应的遮挡区域不同,考虑到纵向的红绿灯对应的遮挡区域对当前车辆产生的影响较为重要。由此,为不同的遮挡区域中的红绿灯盲区坐标设置不同的权重值。从而,可以便于在时空坐标系中选出损失值最小的规划路径。从而,可以提高驾驶安全和通行效率。
可选的,上述执行主体还可以将上述规划路径发送至上述当前车辆的控制终端以供控制当前车辆移动。
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路径规划方法,可以降低当前车辆闯红灯的可能性和提高当前车辆的通行效率。具体来说,造成当前车辆容易出现闯红灯的可能和降低通行效率的原因在于:在当前车辆未进入实线路段时,若进入跟车移动的模式,会使得当前车辆盲目跟车,即前方车辆通过路口后红绿灯变为红灯或即将变为红灯,当前车辆也仍然在进行跟车,以此导致当前车辆容易出现闯红灯的可能,存在较高的安全隐患,降低了驾驶安全,另外,若与前车保持较远的距离,则容易被其它车辆加塞,导致降低当前车辆的通行效率。基于此,本公开的一些实施例的路径规划方法,首先,响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息。通过确定目标道路图像中是否存在纵向红绿灯信息,可以用于确定当前车辆是否处于红绿灯遮挡区域。由于目标道路图像中不存在纵向红绿灯信息,因此,可以通过横向红绿灯信息提取,用于辅助判断当前道路的纵向红绿灯。接着,响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组。考虑到不同方向的红绿灯存在的遮挡区域的差别,因此同时获取纵向红绿灯坐标和横向红绿灯坐标,以便提高后续生成红绿灯遮挡区域的准确度。然后,对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列。通过检测,可以用于提取当前车辆所在道路的障碍物的位置信息。而后,基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集。之后,基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集。由于不同方向的红绿灯对应的遮挡区域存在差别,因此,分别生成横向红绿灯遮挡区域坐标集和纵向红绿灯遮挡区域坐标集。再然后,对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集。通过融合处理,可以将各个红绿灯对应的遮挡区域融合到一起,以便进行路径规划。最后,在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。通过路径规划,可以在目标红绿灯遮挡区域坐标集对应的遮挡区域确定一条最优的规划路径,使得当前车辆在沿路径移动后,可以最大限度的避开遮挡区域。同时,可以确保当前车辆的通行效率。从而,可以降低当前车辆闯红灯的可能性和提高当前车辆的通行效率。
进一步参考图2,作为对上述各图所示方法的实现,本公开提供了一种路径规划装置的一些实施例,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,一些实施例的路径规划装置200包括:信息提取单元201、获取单元202、检测单元203、第一生成单元204、第二生成单元205、融合处理单元206和路径规划单元207。其中,信息提取单元201,被配置成响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息;获取单元202,被配置成响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;检测单元203,被配置成对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;第一生成单元204,被配置成基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;第二生成单元205,被配置成基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;融合处理单元206,被配置成对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;路径规划单元207,被配置成在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
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301(例如中央处理器、图形处理器等),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:响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对上述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息;响应于确定上述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;对上述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;基于上述障碍物外接边框信息组序列和上述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;基于上述障碍物外接边框信息组序列和上述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;对上述横向红绿灯遮挡区域坐标集和上述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;在上述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
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:一种处理器包括信息提取单元、获取单元、检测单元、第一生成单元、第二生成单元、融合处理单元和路径规划单元。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,信息提取还可以被描述为“对目标道路图像进行横向红绿灯信息提取的单元”。
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)
1.一种路径规划方法,包括:
响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对所述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息,其中,纵向红绿灯信息是处于当前车辆同一道路正前方路口的红绿灯的信息,横向红绿灯信息是处于当前车辆正前方路口的其它道路的红绿灯的信息,目标道路图像是当前车辆车载相机拍摄的道路图像;
响应于确定所述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;
对所述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;
基于所述障碍物外接边框信息组序列和所述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;
基于所述障碍物外接边框信息组序列和所述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;
对所述横向红绿灯遮挡区域坐标集和所述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;
在所述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
2.根据权利要求1所述的方法,其中,所述方法还包括:
将所述规划路径发送至所述当前车辆的控制终端以供所述控制终端控制当前车辆沿所述规划路径进行移动。
3.根据权利要求1所述的方法,其中,所述获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组,包括:
获取当前车辆的车辆定位坐标和当前车辆车载相机在预设时间段内拍摄的道路图像序列;
从预设的高精地图数据中选出与所述车辆定位坐标相匹配的纵向红绿灯坐标和横向红绿灯坐标组,其中,所述纵向红绿灯坐标是与处于当前车辆同一道路前方路口处的红绿灯的坐标,所述横向红绿灯坐标组中的横向红绿灯坐标是处于当前车辆前方路口处其它道路的红绿灯的坐标。
4.根据权利要求1所述的方法,其中,所述对所述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列,包括:
对所述道路图像进行障碍物识别,得到障碍物识别信息组,其中,所述障碍物识别信息组中的每个障碍物识别信息包括:障碍物尺寸信息和障碍物位置姿态矩阵;
利用所述障碍物识别信息组中的每个障碍物识别信息包括的障碍物尺寸信息和障碍物位置姿态矩阵生成障碍物外接边框信息,得到障碍物外接边框信息组,其中,所述障碍物外接边框信息组中的每个障碍物外接边框信息包括障碍物外接矩形和障碍物外接边框顶点坐标组。
5.根据权利要求4所述的方法,其中,所述基于所述障碍物外接边框信息组序列和所述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集,包括:
基于所述车载相机的坐标点,构建相机平面;
对于所述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息和所述横向红绿灯坐标组中的每个横向红绿灯坐标,执行以下步骤以生成第一投影后区域坐标集:
确定所述相机平面与所述障碍物外接边框信息包括的障碍物外接矩形之间相交四边形的四个平面顶点坐标;
以所述横向红绿灯坐标为起点,分别确定过所述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于所述相机平面的四个横向红绿灯射线交点坐标;
基于所述四个横向红绿灯射线交点坐标与所述四个平面顶点坐标,生成第一投影后区域坐标集;
对所生成的各个第一投影后区域坐标集中的各个第一投影后区域坐标进行组合处理,以生成横向红绿灯遮挡区域坐标集。
6.根据权利要求5所述的方法,其中,所述基于所述障碍物外接边框信息组序列和所述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集,包括:
对于所述障碍物外接边框信息组序列中的每个障碍物外接边框信息组中的每个障碍物外接边框信息和所述纵向红绿灯坐标,执行以下步骤以生成第二投影后区域坐标集:
以所述纵向红绿灯坐标为起点,分别确定过所述障碍物外接边框信息中障碍物外接边框顶点坐标组包括的对应障碍物外接边框顶面的四个障碍物外接边框顶点坐标相交于所述相机平面的四个纵向红绿灯射线交点坐标;
基于所述四个纵向红绿灯射线交点坐标与所述四个平面顶点坐标,生成第二投影后区域坐标集;
对所生成的各个第二投影后区域坐标集中的各个第二投影后区域坐标进行组合处理,以生成纵向红绿灯遮挡区域坐标集。
7.根据权利要求6所述的方法,其中,所述对所述横向红绿灯遮挡区域坐标集和所述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集,包括:
确定所述横向红绿灯遮挡区域坐标集中每个横向红绿灯遮挡区域坐标与对应的横向红绿灯坐标之间的距离值,得到横向距离值集;
确定所述纵向红绿灯遮挡区域坐标集中每个纵向红绿灯遮挡区域坐标与所述纵向红绿灯坐标之间的距离值,得到纵向距离值集;
将所述横向红绿灯遮挡区域坐标集中对应横向距离值满足预设距离条件的横向红绿灯遮挡区域坐标确定为目标横向红绿灯遮挡区域坐标,得到目标横向红绿灯遮挡区域坐标集;
将所述纵向红绿灯遮挡区域坐标集中对应纵向距离值满足所述预设距离条件的纵向红绿灯遮挡区域坐标确定为目标纵向红绿灯遮挡区域坐标,得到目标纵向红绿灯遮挡区域坐标集;
基于所述目标横向红绿灯遮挡区域坐标集中目标横向红绿灯遮挡区域坐标对应的时间戳和所述目标纵向红绿灯遮挡区域坐标集中目标纵向红绿灯遮挡区域坐标对应的时间戳,将各个目标横向红绿灯遮挡区域坐标和各个目标纵向红绿灯遮挡区域坐标投影至预先构建的时空坐标系以生成目标红绿灯遮挡区域坐标,得到目标红绿灯遮挡区域坐标集,其中,所述时空坐标系的竖轴为时间轴。
8.一种路径规划装置,包括:
信息提取单元,被配置成响应于检测到预获取的目标道路图像中不存在纵向红绿灯信息,对所述目标道路图像进行横向红绿灯信息提取,得到横向红绿灯信息,其中,纵向红绿灯信息是处于当前车辆同一道路正前方路口的红绿灯的信息,横向红绿灯信息是处于当前车辆正前方路口的其它道路的红绿灯的信息,目标道路图像是当前车辆车载相机拍摄的道路图像;
获取单元,被配置成响应于确定所述横向红绿灯信息满足预设的红绿灯条件,获取道路图像序列、与当前车辆所在位置对应的纵向红绿灯坐标和横向红绿灯坐标组;
检测单元,被配置成对所述道路图像序列中的每个道路图像进行障碍物检测以生成障碍物外接边框信息组,得到障碍物外接边框信息组序列;
第一生成单元,被配置成基于所述障碍物外接边框信息组序列和所述横向红绿灯坐标组,生成横向红绿灯遮挡区域坐标集;
第二生成单元,被配置成基于所述障碍物外接边框信息组序列和所述纵向红绿灯坐标,生成纵向红绿灯遮挡区域坐标集;
融合处理单元,被配置成对所述横向红绿灯遮挡区域坐标集和所述纵向红绿灯遮挡区域坐标集进行融合处理,以生成目标红绿灯遮挡区域坐标集;
路径规划单元,被配置成在所述目标红绿灯遮挡区域坐标集对应的遮挡区域进行路径规划,得到规划路径。
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365331.6A CN115468579B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、装置、电子设备和计算机可读介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211365331.6A CN115468579B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、装置、电子设备和计算机可读介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115468579A CN115468579A (zh) | 2022-12-13 |
CN115468579B true CN115468579B (zh) | 2023-03-24 |
Family
ID=84338173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211365331.6A Active CN115468579B (zh) | 2022-11-03 | 2022-11-03 | 路径规划方法、装置、电子设备和计算机可读介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115468579B (zh) |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105091886A (zh) * | 2014-05-14 | 2015-11-25 | 广州杰赛科技股份有限公司 | 一种基于交通灯的导航方法 |
CN110542931B (zh) * | 2018-05-28 | 2021-12-28 | 北京京东乾石科技有限公司 | 红绿灯检测方法、装置、电子设备及计算机可读介质 |
JP7067536B2 (ja) * | 2018-08-31 | 2022-05-16 | 株式会社デンソー | 車両制御装置、方法および記憶媒体 |
US20210027629A1 (en) * | 2019-07-25 | 2021-01-28 | Baidu Usa Llc | Blind area processing for autonomous driving vehicles |
CN111444810A (zh) * | 2020-03-23 | 2020-07-24 | 东软睿驰汽车技术(沈阳)有限公司 | 一种红绿灯信息识别方法、装置、设备及存储介质 |
EP4145339A4 (en) * | 2020-05-11 | 2023-05-24 | Huawei Technologies Co., Ltd. | VEHICLE DRIVING ZONE DETECTION METHOD AND SYSTEM, AND SELF-DRIVING VEHICLE IMPLEMENTING THE SYSTEM |
CN112330961B (zh) * | 2020-11-03 | 2022-11-08 | 厦门理工学院 | 一种基于时序规律的交通指示红黄绿灯的图像识别方法 |
CN113409608A (zh) * | 2021-06-25 | 2021-09-17 | 阿波罗智联(北京)科技有限公司 | 针对交通信号灯的提示方法、装置、车辆和电子设备 |
CN114179826A (zh) * | 2021-12-17 | 2022-03-15 | 中汽创智科技有限公司 | 自动驾驶车辆的起步控制方法、装置、设备及存储介质 |
CN114973208B (zh) * | 2022-08-02 | 2022-11-29 | 所托(杭州)汽车智能设备有限公司 | 车辆盲区监测预警方法及相关设备 |
-
2022
- 2022-11-03 CN CN202211365331.6A patent/CN115468579B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115468579A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111462275B (zh) | 一种基于激光点云的地图生产方法和装置 | |
CN111079619B (zh) | 用于检测图像中的目标对象的方法和装置 | |
US20240124017A1 (en) | Determination of lane connectivity at traffic intersections for high definition maps | |
US10991156B2 (en) | Multi-modal data fusion for enhanced 3D perception for platforms | |
US10678256B2 (en) | Generating occlusion-aware bird eye view representations of complex road scenes | |
CN111874006B (zh) | 路线规划处理方法和装置 | |
CN111542860A (zh) | 用于自主车辆的高清地图的标志和车道创建 | |
WO2022141910A1 (zh) | 一种基于行车安全风险场的车路激光雷达点云动态分割及融合方法 | |
CN112740268B (zh) | 目标检测方法和装置 | |
CN112258519B (zh) | 一种高精度地图制作中道路的让行线自动化提取方法及装置 | |
CN110895826A (zh) | 图像处理的训练数据生成方法、图像处理方法及其装置 | |
CN115540896A (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
WO2021003487A1 (en) | Training data generation for dynamic objects using high definition map data | |
CN116740667B (zh) | 路口面数据生成方法、装置、电子设备及存储介质 | |
CN115761702B (zh) | 车辆轨迹生成方法、装置、电子设备和计算机可读介质 | |
CN115468578B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN115540894A (zh) | 车辆轨迹规划方法、装置、电子设备和计算机可读介质 | |
CN116279596B (zh) | 车辆控制方法、装置、电子设备和计算机可读介质 | |
CN115468579B (zh) | 路径规划方法、装置、电子设备和计算机可读介质 | |
CN115507873B (zh) | 基于公交车尾红绿灯的路径规划方法、装置、设备和介质 | |
CN116452911A (zh) | 目标检测模型训练方法及装置、目标检测方法及装置 | |
CN114067120B (zh) | 基于增强现实的导航铺路方法、装置、计算机可读介质 | |
CN116091716A (zh) | 一种基于深度学习的高精度地图自动化制作系统及方法 | |
US20220237402A1 (en) | Static occupancy tracking | |
CN114643984A (zh) | 驾驶避险方法、装置、设备、介质及产品 |
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 |