CN115892027A - 基于路径规划的速度约束方法、可读存储介质及计算机 - Google Patents

基于路径规划的速度约束方法、可读存储介质及计算机 Download PDF

Info

Publication number
CN115892027A
CN115892027A CN202211643284.7A CN202211643284A CN115892027A CN 115892027 A CN115892027 A CN 115892027A CN 202211643284 A CN202211643284 A CN 202211643284A CN 115892027 A CN115892027 A CN 115892027A
Authority
CN
China
Prior art keywords
road surface
image
lane line
vehicle
curve
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
CN202211643284.7A
Other languages
English (en)
Inventor
孙俊
胡一明
曾德全
吴名芝
颜检
王旭华
张周平
涂培培
田玥
杨光程
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.)
Nanchang Intelligent New Energy Vehicle Research Institute
Original Assignee
Nanchang Intelligent New Energy Vehicle Research Institute
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 Nanchang Intelligent New Energy Vehicle Research Institute filed Critical Nanchang Intelligent New Energy Vehicle Research Institute
Priority to CN202211643284.7A priority Critical patent/CN115892027A/zh
Publication of CN115892027A publication Critical patent/CN115892027A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明提供一种基于路径规划的速度约束方法、可读存储介质及计算机，该方法包括：获取车辆行驶方向的前方路面的图像信息；建立路面类型识别网络，将前方路面的图像信息输入至路面类型识别网络进行路面类型识别，并将识别出的路面类型与典型路面类型进行匹配，以确定前方路面的路面附着系数；提取前方路面的图像信息中的车道线信息，通过多项式拟合和车道线信息确定车道线曲线方程，并通过车道线曲线方程计算出曲率半径；根据路面附着系数和曲率半径确定车辆的低附弯道工况安全行驶临界车速；根据低附弯道工况安全行驶临界车速和目标车速计算出车辆的约束速度。本发明可提高车辆自动驾驶状态下通过低附弯道工况的行驶安全性。

Description

基于路径规划的速度约束方法、可读存储介质及计算机
技术领域
本发明涉及自动驾驶技术领域，特别涉及一种基于路径规划的速度约束方法、可读存储介质及计算机。
背景技术
随着汽车工业的快速发展以及智能化水平的不断提高，高阶智能驾驶技术越来越多的应用到量产车型，未来车辆将实现无人驾驶也已成为行业共识。无人驾驶汽车、辅助驾驶智能汽车机器接管阶段由自动驾驶系统负责感知周围环境、规划行驶路径并控制车辆安全行驶，自动驾驶系统的驾驶安全尤为重要。
当车辆行驶在湿滑、冰雪等附着系数较低的路面时，车辆容易出现侧滑、甩尾等危险情况，弯道行驶时情况尤甚。区别于驾驶员驾驶车辆，智能驾驶车辆当前的自动驾驶系统普遍不识别低附弯道工况，对于该危险工况并无预见性；在该工况下行车安全性主要由车辆稳定性程序(ESP)等主动安全模块保证，但当ESP触发以保护行车安全时，车辆已接近安全临界状态，存在一定的安全风险，因此提高智能汽车在低附弯道这一典型危险工况下的行驶安全极为重要。
发明内容
基于此，本发明的目的是提供一种基于路径规划的速度约束方法、可读存储介质及计算机，以至少解决上述技术中的不足。
本发明提出一种基于路径规划的速度约束方法，包括：
步骤一：获取车辆行驶方向的前方路面的图像信息；
步骤二：建立路面类型识别网络，将所述前方路面的图像信息输入至所述路面类型识别网络进行路面类型识别，并将识别出的路面类型与典型路面类型进行匹配，以确定所述前方路面的路面附着系数；
步骤三：提取所述前方路面的图像信息中的车道线信息，通过多项式拟合和所述车道线信息确定车道线曲线方程，并通过所述车道线曲线方程计算出曲率半径；
步骤四：根据所述路面附着系数和所述曲率半径确定所述车辆的低附弯道工况安全行驶临界车速；
步骤五：根据所述低附弯道工况安全行驶临界车速和目标车速计算出所述车辆的约束速度。
进一步的，所述步骤二包括：
分别建立路面图像数据集、图像路面区域提取模型以及路面类型识别模型；
将所述前方路面的图像信息输入至所述图像路面区域提取模型，以得到包含路面区域的图像；
将所述包含路面区域的图像输入至所述路面类型识别模型进行识别，并根据识别完成后的图像和不同类型路面附着系数范围确定所述前方路面的路面附着系数。
进一步的，分别建立路面图像数据集、图像路面区域提取模型以及路面类型识别模型的步骤包括：
将待识别的路面类型定义为若干个道路类型，并分别获取各所述道路类型的道路图像；
对各所述道路类型的道路图像进行路面范围标注以得到灰度标签图集，并将所述灰度标签图集作为所述路面图像数据集；
采用编码器-解码器结构的语义分割网络建立所述图像路面区域提取模型，并将所述路面图像数据集输入至所述图像路面区域提取模型进行训练，将各所述道路类型的道路图像输入至训练后的图像路面区域提取模型进行提取，以得到包含图像路面区域的数据集；
利用卷积神经网络建立路面类型识别模型，将所述包含图像路面区域的数据集输入至所述路面类型识别模型中进行训练，以得到路面类型识别网络。
进一步的，所述步骤三包括：
对所述前方路面的图像信息进行预处理，并以图像坐标系为参考坐标，提取预处理后的图像信息中的车道线像素，以获取对应的车道线二值图像；
将所述车道线二值图像划分为左侧图像和右侧图像，并分别对所述左侧图像和所述右侧图像在x方向做像素直方图，以像素最多的位置作为车道线的起始位置；
分别对所述左侧图像和所述右侧图像设置搜索窗口，并在所述x方向正方向做滑窗操作，以得到所述左侧图像和所述右侧图像中车道线的坐标；
以当前搜索窗口中像素点的平均x坐标作为下一个滑窗操作的中心位置，并将所述左侧图像和所述右侧图像中车道线的坐标进行二次多项式拟合，分别得到所述左侧图像和所述右侧图像中车道线的拟合曲线；
将所述拟合曲线从所述图像坐标系转换至车辆坐标系，以得到所述车辆坐标系下的二次拟合曲线，并根据所述二次拟合曲线得到最终的车道线曲率半径。
进一步的，根据所述二次拟合曲线得到最终的车道线曲率的步骤包括：
根据所述二次拟合曲线和所述车辆的前方车道线坐标计算出所述车道线的曲率半径；
根据所述车道线的曲率半径计算出所述最终的车道线曲率半径。
进一步的，所述车辆坐标系下的二次拟合曲线的表达式为：
x＝ay2+by+C；
所述车道线的曲率半径的表达式为：
Figure BDA0004008588310000031
所述最终的车道线曲率半径的表达式为：
Figure BDA0004008588310000032
式中，Rl和Rr分别表示左侧图像和右侧图像中车道线曲率。
进一步的，所述车辆的低附弯道工况安全行驶临界车速的表达式为：
Figure BDA0004008588310000033
式中，
Figure BDA0004008588310000034
表示路面附着系数，g为重力加速度。
进一步的，所述车辆的约束速度的表达式为：
vlim＝min(vref，vsafe)；
式中，vref表示不同场景输出的目标车速。
本发明还提出一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述的基于路径规划的速度约束方法。
本发明还提出一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述的基于路径规划的速度约束方法。
与现有技术相比，本发明的有益效果是：
(1)本发明在获取道路路面图像的同时，完成对路面附着系数的识别和车道线的检测，能够低成本完成对低附弯道这一典型危险工况的识别；
(2)本发明通过获取车辆行驶前方道路信息，针对低附弯道有一定的预知性，车辆提前减速入弯，降低车辆紧急制动几率，提高行驶平顺性；
(3)本发明通过路面附着系数与车道线曲率半径确定弯道行驶约束车速，降低车辆过弯时触发ESP功能的几率，提高弯道行驶的稳定性，降低安全风险。
附图说明
图1为本发明第一实施例中基于路径规划的速度约束方法的流程图；
图2为图1中步骤S102的详细流程图；
图3为本发明第一实施例中路面类型识别网络建立流程图；
图4为本发明第一实施例中路面类型识别流程图；
图5为图1中步骤S103的详细流程图；
图6为本发明第二实施例中的计算机的结构框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是，当元件被称为“固设于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的基于路径规划的速度约束方法，所述方法具体包括步骤S101至S105：
S101，获取车辆行驶方向的前方路面的图像信息；
在具体实施时，通过单目摄像头获取车辆行驶方向的前方路面的图像信息，其中，单目摄像头的分辨率不低于1920X 1200，视频帧率不小于每秒50帧，最大有效拍摄距离不小于80米，该单目摄像头具备宽动态技术以实现快速适应光线强度的变化，其安装位置为确保图像中有效路面区域占比不低于图像区域的百分之五十。
S102，建立路面类型识别网络，将所述前方路面的图像信息输入至所述路面类型识别网络进行路面类型识别，并将识别出的路面类型与典型路面类型进行匹配，以确定所述前方路面的路面附着系数；
请参阅图2，所述步骤S102具体包括步骤S1021～S1023：
S1021，分别建立路面图像数据集、图像路面区域提取模型以及路面类型识别模型；
S1022，将所述前方路面的图像信息输入至所述图像路面区域提取模型，以得到包含路面区域的图像；
S1023，将所述包含路面区域的图像输入至所述路面类型识别模型进行识别，并根据识别完成后的图像和不同类型路面附着系数范围确定所述前方路面的路面附着系数。
在具体实施时，建立路面图像数据集。将需要识别的路面类型定义为干燥沥青路面、干燥水泥路面、湿沥青路面、湿水泥路面、压实雪路面和结冰路面共6种类型。通过上述的摄像头分别获取这6种类型路面的道路图片，对原始图片进行路面范围标注，降低图片中非路面区域对附着系数获取的影响，完成标注后即得到灰度标签图集，此灰度标签图集即为道路图像数据集；
具体的，建立并训练图像路面区域提取模型。采用编码器-解码器结构的语义分割网络建立图像路面区域提取模型，将上述得到的数据集输入到该模型进行训练，训练完成后保存模型及模型参数，即得到训练好的图像路面区域提取模型，将采集的原始图片输入到该模型即可完成图像路面区域的提取；
请参阅图3，建立并训练路面类型识别模型。采用卷积神经网络建立路面类型识别模型，将上述得到的只包含路面区域的数据集输入到该路面类型识别模型进行训练，训练完成后保存模型及模型参数，即得到训练好的路面类型识别网络；
进一步的，获取路面附着系数。车辆行驶过程中摄像头拍摄车辆前方的路面图像信息，并将该图像信息传输到图像路面区域提取模型，该模型输出只包含路面区域的图像到路面类型识别模型对路面类型进行识别(如图4所示)，路面类型识别完成后根据不同类型路面附着系数范围，取附着系数范围的中间值作为最终的输出结果
Figure BDA0004008588310000061
不同路面附着系数范围如表1所示。
表1不同路面附着系数
Figure BDA0004008588310000062
S103，提取所述前方路面的图像信息中的车道线信息，通过多项式拟合和所述车道线信息确定车道线曲线方程，并通过所述车道线曲线方程计算出曲率半径；
请参阅图5，所述步骤S103具体包括步骤S1031～S1035：
S1031，对所述前方路面的图像信息进行预处理，并以图像坐标系为参考坐标，提取预处理后的图像信息中的车道线像素，以获取对应的车道线二值图像；
S1032，将所述车道线二值图像划分为左侧图像和右侧图像，并分别对所述左侧图像和所述右侧图像在x方向做像素直方图，以像素最多的位置作为车道线的起始位置；
S1033，分别对所述左侧图像和所述右侧图像设置搜索窗口，并在所述x方向正方向做滑窗操作，以得到所述左侧图像和所述右侧图像中车道线的坐标；
S1034，以当前搜索窗口中像素点的平均x坐标作为下一个滑窗操作的中心位置，并将所述左侧图像和所述右侧图像中车道线的坐标进行二次多项式拟合，分别得到所所述左侧图像和所述右侧图像中车道线的拟合曲线；
S1035，将所述拟合曲线从所述图像坐标系转换至车辆坐标系，以得到所述车辆坐标系下的二次拟合曲线，并根据所述二次拟合曲线得到最终的车道线曲率半径。
在具体实施时，将摄像头获取的道路图像进行透视变化，图像视图转换为鸟瞰图；以图像坐标系为参考坐标系，将上述的鸟瞰图从RGB色彩空间转换到HLS色彩空间，采用x方向的Sobel算子进行边缘检测，并组合HLS饱和度阈值过滤，提取车道线像素，获取车道线二值图像；
进一步的，以图像坐标系为参考坐标系，划分搜索区域，按照x方向将上述得到的二值图像划分为左右两个部分，分别对两部分在x方向做像素直方图，像素最多的位置作为车道线的起始位置；分别对两部分设置搜索窗口，向x方向正方向做滑窗操作，求出每个窗口中像素点的x和y坐标作为车道线的x、y坐标；以当前窗口像素的平均x坐标作为下一个滑窗的中心位置；将车道线坐标进行二次多项式拟合，分别得到左右两车道线的曲线方程；
具体的，标定完成像素高度对车道长度和像素宽对车道宽度的比率，完成拟合曲线从图像坐标系到车辆坐标系的转换，对于车辆坐标系下的车道线二次拟合曲线方程：x＝ay2+by+C则在车辆前方车道线(x，y)点处，曲率半径为：
Figure BDA0004008588310000081
以Rl和Rr分别表示左侧图像和右侧图像中车道线曲率，取左右车道线曲率的均值
Figure BDA0004008588310000082
作为最终的车道线曲率。
S104，根据所述路面附着系数和所述曲率半径确定所述车辆的低附弯道工况安全行驶临界车速；
在具体实施时，采用上述获取的路面附着系数
Figure BDA0004008588310000083
和上述获取的车道线曲率半径Rlane，根据车辆运动学原理，计算出安全行驶临界车速
Figure BDA0004008588310000084
其中g为重力加速度；
S105，根据所述低附弯道工况安全行驶临界车速和目标车速计算出所述车辆的约束速度。
在具体实施时，自动驾驶决策模块根据不同场景输出目标速度vref，取vref与上述得得到的临界车速vsafe的较小值作为最终的路径规划约束速度：vlim＝min(vref，vsafe)。
综上，本发明上述实施例中的基于路径规划的速度约束方法，通过使用单目相机获取道路路面图像，同时完成对路面附着系数的识别和车道线的检测，能够低成本完成对低附弯道这一典型危险工况的识别；通过摄像头获取车辆行驶前方道路信息，针对低附弯道有一定的预知性，车辆提前减速入弯，降低车辆紧急制动几率，提高行驶平顺性；通过路面附着系数与车道线曲率半径确定弯道行驶约束车速，降低车辆过弯时触发ESP功能的几率，提高弯道行驶的稳定性，降低安全风险。
实施例二
本发明还提出一种计算机，请参阅图6，所示为本发明第三实施例中的计算机，包括存储器10、处理器20以及存储在所述存储器10上并可在所述处理器20上运行的计算机程序30，所述处理器20执行所述计算机程序30时实现上述的基于路径规划的速度约束方法。
其中，存储器10至少包括一种类型的存储介质，所述存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、磁性存储器、磁盘、光盘等。存储器10在一些实施例中可以是计算机的内部存储单元，例如该计算机的硬盘。存储器10在另一些实施例中也可以是外部存储装置，例如插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器10还可以既包括计算机的内部存储单元也包括外部存储装置。存储器10不仅可以用于存储安装于计算机的应用软件及各类数据，还可以用于暂时地存储已经输出或者将要输出的数据。
其中，处理器20在一些实施例中可以是电子控制单元(Electronic ControlUnit，简称ECU，又称行车电脑)、中央处理器(Central Processing Unit,CPU)、控制器、微控制器、微处理器或其他数据处理芯片，用于运行存储器10中存储的程序代码或处理数据，例如执行访问限制程序等。
需要指出的是，图6示出的结构并不构成对计算机的限定，在其它实施例当中，该计算机可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
本发明实施例还提出一种可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述的基于路径规划的速度约束方法。
本领域技术人员可以理解，在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或它们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于路径规划的速度约束方法，其特征在于，包括：
步骤一：获取车辆行驶方向的前方路面的图像信息；
步骤二：建立路面类型识别网络，将所述前方路面的图像信息输入至所述路面类型识别网络进行路面类型识别，并将识别出的路面类型与典型路面类型进行匹配，以确定所述前方路面的路面附着系数；
步骤三：提取所述前方路面的图像信息中的车道线信息，通过多项式拟合和所述车道线信息确定车道线曲线方程，并通过所述车道线曲线方程计算出曲率半径；
步骤四：根据所述路面附着系数和所述曲率半径确定所述车辆的低附弯道工况安全行驶临界车速；
步骤五：根据所述低附弯道工况安全行驶临界车速和目标车速计算出所述车辆的约束速度。
2.根据权利要求1所述的基于路径规划的速度约束方法，其特征在于，所述步骤二包括：
分别建立路面图像数据集、图像路面区域提取模型以及路面类型识别模型；
将所述前方路面的图像信息输入至所述图像路面区域提取模型，以得到包含路面区域的图像；
将所述包含路面区域的图像输入至所述路面类型识别模型进行识别，并根据识别完成后的图像和不同类型路面附着系数范围确定所述前方路面的路面附着系数。
3.根据权利要求2所述的基于路径规划的速度约束方法，其特征在于，分别建立路面图像数据集、图像路面区域提取模型以及路面类型识别模型的步骤包括：
将待识别的路面类型定义为若干个道路类型，并分别获取各所述道路类型的道路图像；
对各所述道路类型的道路图像进行路面范围标注以得到灰度标签图集，并将所述灰度标签图集作为所述路面图像数据集；
采用编码器-解码器结构的语义分割网络建立所述图像路面区域提取模型，并将所述路面图像数据集输入至所述图像路面区域提取模型进行训练，将各所述道路类型的道路图像输入至训练后的图像路面区域提取模型进行提取，以得到包含图像路面区域的数据集；
利用卷积神经网络建立路面类型识别模型，将所述包含图像路面区域的数据集输入至所述路面类型识别模型中进行训练，以得到路面类型识别网络。
4.根据权利要求1所述的基于路径规划的速度约束方法，其特征在于，所述步骤三包括：
对所述前方路面的图像信息进行预处理，并以图像坐标系为参考坐标，提取预处理后的图像信息中的车道线像素，以获取对应的车道线二值图像；
将所述车道线二值图像划分为左侧图像和右侧图像，并分别对所述左侧图像和所述右侧图像在x方向做像素直方图，以像素最多的位置作为车道线的起始位置；
分别对所述左侧图像和所述右侧图像设置搜索窗口，并在所述x方向正方向做滑窗操作，以得到所述左侧图像和所述右侧图像中车道线的坐标；
以当前搜索窗口中像素点的平均x坐标作为下一个滑窗操作的中心位置，并将所述左侧图像和所述右侧图像中车道线的坐标进行二次多项式拟合，分别得到所所述左侧图像和所述右侧图像中车道线的拟合曲线；
将所述拟合曲线从所述图像坐标系转换至车辆坐标系，以得到所述车辆坐标系下的二次拟合曲线，并根据所述二次拟合曲线得到最终的车道线曲率半径。
5.根据权利要求4所述的基于路径规划的速度约束方法，其特征在于，根据所述二次拟合曲线得到最终的车道线曲率的步骤包括：
根据所述二次拟合曲线和所述车辆的前方车道线坐标计算出所述车道线的曲率半径；
根据所述车道线的曲率半径计算出所述最终的车道线曲率半径。
6.根据权利要求5所述的基于路径规划的速度约束方法，其特征在于，所述车辆坐标系下的二次拟合曲线的表达式为：
x＝ay2+by+c；
所述车道线的曲率半径的表达式为：
Figure FDA0004008588300000031
所述最终的车道线曲率半径的表达式为：
Figure FDA0004008588300000032
式中，Rl和Rr分别表示左侧图像和右侧图像中车道线曲率。
7.根据权利要求6所述的基于路径规划的速度约束方法，其特征在于，所述车辆的低附弯道工况安全行驶临界车速的表达式为：
Figure FDA0004008588300000033
式中，
Figure FDA0004008588300000034
表示路面附着系数，g为重力加速度。
8.根据权利要求7所述的基于路径规划的速度约束方法，其特征在于，所述车辆的约束速度的表达式为：
vlim＝min(vref，vsafe)；
式中，vref表示不同场景输出的目标车速。
9.一种可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一所述的基于路径规划的速度约束方法。
10.一种计算机，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一所述的基于路径规划的速度约束方法。
CN202211643284.7A 2022-12-20 2022-12-20 基于路径规划的速度约束方法、可读存储介质及计算机 Pending CN115892027A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211643284.7A CN115892027A (zh) 2022-12-20 2022-12-20 基于路径规划的速度约束方法、可读存储介质及计算机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211643284.7A CN115892027A (zh) 2022-12-20 2022-12-20 基于路径规划的速度约束方法、可读存储介质及计算机

Publications (1)

Publication Number Publication Date
CN115892027A true CN115892027A (zh) 2023-04-04

Family

ID=86488052

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211643284.7A Pending CN115892027A (zh) 2022-12-20 2022-12-20 基于路径规划的速度约束方法、可读存储介质及计算机

Country Status (1)

Country Link
CN (1) CN115892027A (zh)

Similar Documents

Publication Publication Date Title
US9514366B2 (en) Vehicle detection method and system including irrelevant window elimination and/or window score degradation
CN109657632B (zh) 一种车道线检测识别方法
KR101848019B1 (ko) 차량 영역 검출을 통한 차량 번호판 검출 방법 및 장치
US11023744B2 (en) Road parameter calculator
KR101067437B1 (ko) 차선검출방법 및 이를 이용한 차선이탈검출시스템
KR101968349B1 (ko) 영상 정보를 이용한 차선 경계 검출 방법
JP5223675B2 (ja) 車両検知装置，車両検知方法並びに車両検知プログラム
CN109948552B (zh) 一种复杂交通环境中的车道线检测的方法
JP7185419B2 (ja) 車両のための、対象物を分類するための方法および装置
CN113297881B (zh) 一种目标检测方法及相关装置
KR101584907B1 (ko) 관심 영역을 이용한 차선 인식 방법 및 그 장치
US20110216202A1 (en) Traffic sign classification system
CN114841910A (zh) 车载镜头遮挡识别方法及装置
CN106803066B (zh) 一种基于Hough变换的车辆偏航角确定方法
CN107194342A (zh) 基于逆透视变换的车道线检测方法
CN107977608B (zh) 一种应用于公路视频图像道路区域提取的方法
CN113221739A (zh) 基于单目视觉的车距测量方法
CN115892027A (zh) 基于路径规划的速度约束方法、可读存储介质及计算机
CN111414857A (zh) 一种基于视觉的多特征融合的前方车辆检测方法
CN114898306B (zh) 一种检测目标朝向的方法、装置及电子设备
CN114511832B (zh) 车道线分析方法、装置、电子设备及存储介质
CN110321973B (zh) 一种基于视觉的组合车辆检测方法
KR102109841B1 (ko) 주행 영상으로부터 차량을 검출하는 방법 및 장치
CN114359233A (zh) 图像分割模型训练方法、装置、电子设备及可读存储介质
CN113743226A (zh) 一种日间前车灯语识别及预警方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination