CN116872926A - 一种自动驾驶车道保持方法、系统、装置及存储介质 - Google Patents
一种自动驾驶车道保持方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN116872926A CN116872926A CN202311036087.3A CN202311036087A CN116872926A CN 116872926 A CN116872926 A CN 116872926A CN 202311036087 A CN202311036087 A CN 202311036087A CN 116872926 A CN116872926 A CN 116872926A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- detection result
- current
- coefficient
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 239000011159 matrix material Substances 0.000 claims abstract description 145
- 238000001514 detection method Methods 0.000 claims abstract description 124
- 238000012937 correction Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims description 75
- 239000000758 substrate Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 description 16
- 238000012986 modification Methods 0.000 description 14
- 230000004048 modification Effects 0.000 description 14
- 230000006870 function Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 5
- 230000002349 favourable effect Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 235000008694 Humulus lupulus Nutrition 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本说明书实施例提供一种自动驾驶车道保持方法、系统、装置及存储介质,可以实现在定位信号较弱的直行车道和/或狭窄的直行车道上的高精度车道保持功能。该方法包括:按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定当前时刻对应的第二位置估计值,其中,车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置;基于第二位置估计值,对当前时刻对应的自车的当前位置进行修正,确定自车在当前时刻的修正位置;获取修正位置预设范围内的车道中心线信息;基于修正位置和车道中心线信息,生成自车的当前路径,并基于当前路径对自车进行车道保持控制。
Description
技术领域
本说明书涉及自动驾驶技术领域,特别涉及一种自动驾驶车道保持方法、系统、装置及存储介质。
背景技术
车道保持模式是自动驾驶技术的常用模式,可以通过识别并跟踪车道中心线,实现自动驾驶。然而,定位信号较弱的直行车道和/或狭窄的直行车道(例如,港口堆场的直行车道道路狭窄,且道理左右堆放的集装箱遮挡了GPS信号)由于定位不稳定,自动驾驶可能引发危险情况。
因此,希望提供一种自动驾驶车道保持方法、系统、装置及存储介质,可以实现在定位信号较弱的直行车道和/或狭窄的直行车道上的高精度车道保持功能。
发明内容
本说明书一个或多个实施例提供一种自动驾驶车道保持方法,所述方法包括:按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定所述当前时刻对应的第二位置估计值,其中,所述车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置,所述第一位置估计值为基于运动学确定的所述自车相对于所述车道中心线的相对位置;基于所述第二位置估计值,对所述当前时刻对应的所述自车的当前位置进行修正,确定所述自车在所述当前时刻的修正位置;获取所述修正位置预设范围内的车道中心线信息;基于所述修正位置和所述车道中心线信息,生成所述自车的当前路径,并基于所述当前路径对所述自车进行车道保持控制。
本说明书一个或多个实施例提供一种自动驾驶车道保持系统,所述系统包括:确定模块,用于按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定所述当前时刻对应的第二位置估计值,其中,所述车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置,所述第一位置估计值为基于运动学确定的所述自车相对于所述车道中心线的相对位置;修正模块,用于基于所述第二位置估计值,对所述当前时刻对应的所述自车的当前位置进行修正,确定所述自车在所述当前时刻的修正位置;获取模块,用于获取所述修正位置预设范围内的车道中心线信息;生成模块,用于基于所述修正位置和所述车道中心线信息,生成所述自车的当前路径,并基于所述当前路径对所述自车进行车道保持控制。
本说明书一个或多个实施例提供一种自动驾驶车道保持装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述实施例中任一项所述自动驾驶车道保持方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述自动驾驶车道保持方法。
附图说明
本说明书将以示例性实施例的方式进一步说明,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的自动驾驶车道保持系统的应用场景示意图;
图2是根据本说明书一些实施例所示的自动驾驶车道保持系统的示例性模块图;
图3是根据本说明书一些实施例所示的自动驾驶车道保持方法的示例性流程图;
图4是根据本说明书一些实施例所示的示例性检测周期和控制周期的示意图;
图5是根据本说明书一些实施例所示的示例性自车相对于车道中心线的相对位置的示意图;
图6A和图6B是根据本说明书一些实施例所示的示例性生成当前路径的示意图;
图7是根据本说明书一些实施例所示的确定当前时刻的卡尔曼系数矩阵的示例性流程图;
图8是根据本说明书一些实施例所示的示例性车道控制模式切换方法的示例性流程图。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明,图中相同标号代表相同结构或操作。
应当理解,本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而,如果其他词语可实现相同的目的,则可通过其他表达来替换所述词语。
如本说明书和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其它的步骤或元素。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
图1是根据本说明书一些实施例所示的自动驾驶车道保持系统的应用场景示意图。在一些实施例中,自动驾驶车道保持系统的应用场景100可以包括多种自动驾驶场景,例如,私人自动驾驶汽车、共享自动驾驶汽车、无人自动货运汽车等。在一些实施例中,自动驾驶车道保持系统的应用场景100可以通过实施本说明书披露的方法和/或过程,实现高精度的车道保持功能。
在一些实施例中,如图1所示,自动驾驶车道保持系统的应用场景100可以包括处理设备110、车辆120、终端设备130、存储设备140和网络150。
处理设备110可以用于处理来自自动驾驶车道保持系统的应用场景100的至少一个组件或外部数据源(例如,云数据中心)的数据和/或信息。例如,处理设备110可以按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定当前时刻对应的第二位置估计值。又例如,处理设备110可以基于所述第二位置估计值,对当前时刻对应的所述自车的当前位置进行修正,确定自车在所述当前时刻的修正位置。再例如,处理设备110可以获取修正位置预设范围内的车道中心线信息;基于修正位置和车道中心线信息,生成自车的当前路径,并基于当前路径对自车进行车道保持控制。
在一些实施例中,处理设备110可以包括中央处理单元(CPU)、数字信号处理器(DSP)、片上系统(SoC)、微控制器单元(MCU)、计算机、用户控制台等或其任意组合。在一些实施例中,处理设备110可以包括单个服务器或服务器组。服务器组可以是集中式或分布式的。在一些实施例中,处理设备110可以是本地的或远程的。在一些实施例中,处理设备110可以在云平台上实现。仅作为示例,云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
车辆120可以是用于自动驾驶车道保持系统的应用场景100的运输服务车辆。在一些实施例中,车辆120可以包括私人自动驾驶汽车、共享自动驾驶汽车、无人自动货运汽车等。在一些实施例中,车辆120可以接收处理设备110发出的指令,并依照指令完成对应的任务。例如,车辆120可以接收进入车道保持模式、退出车道保持模式等指令,并自动控制车辆120完成对应的操作。在一些实施例中,车辆120可以包括定位模块(例如,GPS模块)、图像获取装置(例如,摄像头)、传感器(例如,雷达传感器、超声波传感器、激光传感器、惯性测量单元传感器)等。在一些实施例中,车辆120可以通过网络150实现与处理设备110的通信。例如,车辆120可以通过网络150向处理设备110发送自车的当前位置。
终端设备130可以是用于显示电子地图和/或车辆路径的终端设备。在一些实施例中,终端设备130可以安装在车辆120上或者是车辆120的组件。在一些实施例中,终端设备130可以通过网络150从处理设备110接收电子地图、车辆的路径等,并通过屏幕向用户显示。在一些实施例中,终端设备130可以包括移动设备、平板计算机、膝上型计算机、其他具有输入和/或输出功能的设备等或其任意组合。
存储设备140可以用于存储数据、指令和/或任何其他信息。例如,存储设备140可以存储上一时刻对应的自车相对于车道中心线的相对位置、历史路径等。在一些实施例中,存储设备可包括随机存取存储器(RAM)、只读存储器(ROM)、大容量存储器、可移动存储器、易失性读写存储器等或其任意组合。在一些实施例中,存储设备140可以集成或包括在自动驾驶车道保持系统的应用场景100的一个或多个其他组件(例如,处理设备110、车辆120、终端设备130)。
网络150可以用于促进信息和/或数据的交换。在一些实施例中,自动驾驶车道保持系统的应用场景100的一个或以上组件(例如,处理设备110、车辆120、终端设备130、存储设备140)可以通过网络150向自动驾驶车道保持系统的应用场景100的其他组件发送信息和/或数据。
在一些实施例中,网络150可以包括有线网络或无线网络中的任意一种或多种。在一些实施例中,网络150可以包括电缆网络、光纤网络、电信网络、互联网、局域网络(LAN)、广域网络(WAN)、无线局域网络(WLAN)、城域网(MAN)、公共交换电话网络(PSTN)、蓝牙网络、紫蜂网络(ZigBee)、近场通信(NFC)、设备内总线、设备内线路、线缆连接等或其任意组合。在一些实施例中,自动驾驶车道保持系统的应用场景100各组件之间的网络连接可以采用上述一种方式,也可以采取多种方式。在一些实施例中,网络可以是点对点的、共享的、中心式的等各种拓扑结构或者多种拓扑结构的组合。
应当注意的是,自动驾驶车道保持系统的应用场景100仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,自动驾驶车道保持系统的应用场景100还可以包括数据库、信息源等。又例如,自动驾驶车道保持系统的应用场景100可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的自动驾驶车道保持系统200的示例性模块图。在一些实施例中,所述自动驾驶车道保持系统200可以包括确定模块210、修正模块220、获取模块230和生成模块240。
确定模块210可以用于按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定当前时刻对应的第二位置估计值,其中,车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置,第一位置估计值为基于运动学确定的自车相对于车道中心线的相对位置。
在一些实施例中,确定模块210还用于基于第一位置估计值对应的估计值协方差矩阵、车道检测结果对应的检测结果协方差矩阵以及上一时刻对应的估计误差对应的估计误差协方差矩阵,确定当前时刻对应的卡尔曼系数矩阵。
在一些实施例中,确定模块210进一步用于基于估计值协方差矩阵和上一时刻对应的估计误差协方差矩阵,确定当前时刻对应的误差矩阵;基于当前时刻对应的误差矩阵以及检测结果协方差矩阵,确定当前时刻的卡尔曼系数矩阵。
在一些实施例中,确定模块210还用于基于当前时刻对应的卡尔曼系数矩阵以及当前时刻对应的误差矩阵,确定下一时刻对应的估计误差协方差矩阵。
修正模块220可以用于基于第二位置估计值,对当前时刻对应的自车的当前位置进行修正,确定自车在所述当前时刻的修正位置。
获取模块230可以用于获取修正位置预设范围内的车道中心线信息。
生成模块240可以用于基于修正位置和所述车道中心线信息,生成自车的当前路径,并基于当前路径对自车进行车道保持控制。
在一些实施例中,生成模块240进一步用于当自车首次进入车道保持模式时,基于修正位置和车道中心线信息进行曲线连接,确定当前路径;当自车非首次进入车道保持模式时,基于修正位置,确定自车的历史路径;基于历史路径与车道中心线信息进行拼接处理,确定当前路径。
在一些实施例中,自动驾驶车道保持系统200还包括判断模块250。
判断模块250用于判断车道线检测结果是否有效以及车道检测结果是否满足预设条件;响应于车道线检测结果有效,且车道检测结果满足预设条件,确定自车在当前时刻的所述第二位置估计值,否则退出车道保持模式。
关于确定模块的更多内容可以参见图3和图7及其相关描述。关于修正模块、获取模块、生成模块的更多内容可以参见图3及其相关描述。关于判断模块的更多内容可以参见图8及其相关描述。
需要注意的是,以上对于自动驾驶车道保持系统200及其模块的描述,仅为描述方便,并不能把本说明书限制在所举实施例范围之内。可以理解,对于本领域的技术人员来说,在了解该系统的原理后,可能在不背离这一原理的情况下,对各个模块进行任意组合,或者构成子系统与其他模块连接。在一些实施例中,图2中披露的确定模块210、修正模块220、获取模块230、生成模块240和判断模块250可以是一个系统中的不同模块,也可以是一个模块实现上述的两个或两个以上模块的功能。例如,各个模块可以共用一个存储模块,各个模块也可以分别具有各自的存储模块。诸如此类的变形,均在本说明书的保护范围之内。
图3是根据本说明书一些实施例所示的自动驾驶车道保持方法的示例性流程图。在一些实施例中,流程300可以由处理设备110或自动驾驶车道保持系统200执行。例如,流程300可以以程序或指令的形式存储在存储设备中,当处理设备110或自动驾驶车道保持系统200执行指令时,可以实现流程300。下面呈现的流程300的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图3中示出的和下面描述的流程300的操作的顺序并非限制性的。
步骤310,按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定当前时刻对应的第二位置估计值。
控制周期是指对自车的位置进行修正的时间周期。也就是说,对自车的位置进行修正的当前时刻和对自车的位置进行修正的上一时刻可以间隔一个控制周期,例如,一个控制周期为25毫秒或者10毫秒。仅作为示例,如图4所示,控制周期为Δt,上一时刻tk对自车的位置进行修正后,在当前时刻t(k+1)=tk+Δt需要对自车的位置再次进行修正。
车道检测结果是指图像获取装置确定的自车相对于车道中心线的相对位置。
图像获取装置是指自车用于获取图像的装置设备。例如,图像获取装置可以包括设置在自车中的摄像头。
在一些实施例中,车道检测结果可以用自车相对于车道中心线的角偏和自车相对于车道中心线的横偏表示。其中,自车相对于车道中心线的角偏是指自车的竖轴线与车道中心线之间的夹角,自车相对于车道中心线的横偏是指自车后轮轴心中点(即后轮连线与自车竖轴线的交点)到车道中心线之间的距离。仅作为示例,如图5所示,自车相对于车道中心线的角偏为自车相对于车道中心线的横偏为Δy,车道检测结果可以表示
在一些实施例中,处理设备可以先通过自车的图像获取装置获取自车的当前位置所在车道的两侧车道边线图像,并基于两侧车道边线图像确定车道中心线位置,然后基于车道中心线位置和自车的当前位置,计算得到自车相对于车道中心线的角偏和横偏,确定自车相对于车道中心线的相对位置,即车道检测结果。
在一些实施例中,当前时刻对应的车道检测结果按照检测周期获取。检测周期是指对车道检测结果进行检测的时间周期。也就是说,对车道检测结果进行检测的相邻两个时刻之间可以间隔一个检测周期,例如检测周期为100毫秒。仅作为示例,如图4所示,检测周期为ΔT,对车道检测结果进行检测的相邻时刻T0和T1之间间隔一个检测周期ΔT,即第1个检测周期。
在一些实施例中,在一个相同检测周期内任意时刻的车道检测结果相同,为该检测周期内第1个时刻检测的车道检测结果。仅作为示例,如图4所示,第1个检测周期内任意时刻(例如,t0和t1)的车道检测结果等于该检测周期内第1个时刻T0检测的车道检测结果,即z(t0)=z(t1)=z(1)=z(T0)。
在一些实施例中,处理设备可以确定当前时刻对应的检测周期,然后将当前时刻对应的检测周期对应的车道检测结果确定为当前时刻对应的车道检测结果。仅作为示例,如图4所示,对自车的位置进行修正的当前时刻t(k+1)在第n+1个检测周期内,则将t(k+1)对应的第n+1个检测周期对应的车道检测结果作为当前时刻t(k+1)对应的车道检测结果,即z(t(k+1))=z(n+1)。
第一位置估计值是指基于运动学确定的自车相对于车道中心线的相对位置。
在一些实施例中,处理设备可以基于自车的横向速度和航向角变化率,确定上一时刻至当前时刻,即上一控制周期内自车相对于车道中心线的相对位置的增量;基于上一控制周期内自车相对于车道中心线的相对位置的增量和上一时刻对应的自车的第一位置估计值,确定当前时刻对应的自车的第一位置估计值。
自车的横向速度是指自车在上一时刻在横向偏差方向上(即横偏)的运动速度。例如,横向速度为vy(tk)。自车的航向角变化率是指自车在上一时刻在角度偏差方向上(即角偏)的旋转速度。例如,航向角变化率为ω(tk)。
上一控制周期内自车相对于车道中心线的相对位置的增量包括自车横偏在上一控制周期内的增量和自车角偏在上一控制周期内的增量。其中,自车横偏在上一控制周期内的增量是指自车从上一时刻到当前时刻的控制周期内,在自车横向偏差方向上的运动长度。自车角偏在上一控制周期内的增量是指自车从上一时刻到当前时刻的控制周期内,在自车角度偏差方向上的旋转角度。
具体的,处理设备可以基于自车的横向速度和控制周期的时间长度,确定上一控制周期内自车相对于车道中心线的自车横偏的增量;基于自车的航向角变化率和控制周期的时间长度,确定上一控制周期内自车相对于车道中心线的自车角偏的增量。在一些实施例中,处理设备可以通过公式(1)确定上一控制周期内自车相对于车道中心线的相对位置的增量。
Δμ(tk)=[vy(tk)*Δt,ω(tk)*Δt] (1)
其中,tk为上一时刻,vy(tk)为上一控制周期内自车的横向速度,ω(tk)为上一控制周期内自车的航向角变化率,Δt为控制周期的时间长度,Δμ(tk)为上一控制周期内自车相对于车道中心线的相对位置的增量。
在一些实施例中,处理设备可以基于上一控制周期内自车相对于车道中心线的相对位置的增量和上一时刻对应的自车的第一位置估计值的和,计算当前时刻对应的自车的第一位置估计值。在一些实施例中,处理设备可以通过公式(2)计算当前时刻对应的自车的第一位置估计值。
其中,tk为上一时刻,t(k+1)为当前时刻,为上一时刻对应的自车的第一位置估计值,Δμ(tk)为上一控制周期内自车相对于车道中心线的相对位置的增量,为当前时刻对应的自车的第一位置估计值。
应当理解的是,当上一时刻为自车运动的起始时刻时,对应的自车的第一位置估计值为0。例如,当前时刻为t1,则上一时刻t0对应的自车的第一位置估计值当上一时刻为自车运动的非起始时刻时,对应的自车的第一位置估计值可以通过前述方法确定。例如,当前时刻为t(k+1),则上一时刻tk对应的自车的第一位置估计值可以基于tk的上一时刻t(k-1)对应的自车的相对于车道中心线的相对位置在控制周期内的增量Δμ(t(k-1))和对应的自车的第一位置估计值确定。
卡尔曼系数矩阵是指用于对自车的车道检测结果和第一位置估计值进行综合评估的矩阵。
在一些实施例中,处理设备可以基于第一位置估计值对应的估计值协方差矩阵、车道检测结果对应的检测结果协方差矩阵以及上一时刻对应的估计误差对应的估计误差协方差矩阵,确定当前时刻对应的卡尔曼系数矩阵。
估计值协方差矩阵是指用于对第一位置估计值进行评估的矩阵。在一些实施例中,估计值协方差矩阵为对角矩阵,估计值协方差矩阵包括第一系数和第二系数。其中,第一系数与自车相对于车道中心线的横偏相关,第二系数与自车相对于车道中心线的角偏相关。
在一些实施例中,通过自车行驶实验,先基于运动学确定第一位置估计值,再实际测量得到自车相对于车道中心线的相对位置,计算第一位置估计值和相对位置的协方差,将横偏的协方差作为第一系数,将角偏的协方差作为第二系数。例如,第一系数为0.01,第二系数为0.003。
检测结果协方差矩阵是指用于对车道检测结果进行评估的矩阵。在一些实施例中,检测结果协方差矩阵为对角矩阵,检测结果协方差矩阵包括第三系数和第四系数。其中,第三系数与自车相对于车道中心线的横偏相关,第四系数与自车相对于车道中心线的角偏相关。
在一些实施例中,通过自车行驶实验,先基于图像获取装置确定车道检测结果,再实际测量得到自车相对于车道中心线的相对位置,计算车道检测结果和相对位置的协方差,将横偏的协方差作为第三系数,将角偏的协方差作为第四系数。例如,第三系数为8,第四系数为0.1。
估计误差协方差矩阵是指用于对检测误差进行评估的矩阵。在一些实施例中,估计误差协方差矩阵为对角矩阵,估计误差协方差矩阵包括第五系数和第六系数。其中,第五系数与自车相对于车道中心线的横偏相关,第六系数与自车相对于车道中心线的角偏相关。
在一些实施例中,当上一时刻为自车运动的起始时刻时,估计误差协方差矩阵可以是预设值,例如,第五系数为0.3,第六系数为0.001。当上一时刻为自车运动的非起始时刻时,估计误差协方差矩阵可以通过图7所述的方法确定。
在一些实施例中,对于不同车辆型号的自车,可以分别通过自车行驶实验,确定不同车辆型号的自车对应的估计值协方差矩阵、检测结果协方差矩阵和估计误差协方差矩阵。存储设备可以预先存储不同的车辆型号的自车和估计值协方差矩阵、检测结果协方差矩阵、估计误差协方差矩阵的对应关系,处理设备可以基于确定的自车的车辆型号访问存储设备,通过对应关系确定估计值协方差矩阵、检测结果协方差矩阵和估计误差协方差矩阵。
在一些实施例中,存储设备可以预先存储不同的估计值协方差矩阵、检测结果协方差矩阵以及估计误差协方差矩阵和卡尔曼系数矩阵的对应关系,处理设备可以基于确定的估计值协方差矩阵、检测结果协方差矩阵以及估计误差协方差矩阵访问存储设备,通过对应关系确定当前时刻对应的卡尔曼系数矩阵。
在一些实施例中,处理设备可以基于估计值协方差矩阵和上一时刻对应的估计误差协方差矩阵,确定当前时刻对应的误差矩阵;基于当前时刻对应的误差矩阵以及检测结果协方差矩阵,确定当前时刻对应的卡尔曼系数矩阵。关于前述实施例的更多内容可以参见图7及其相关描述。
本说明书一些实施例中,通过估计值协方差矩阵、检测结果协方差矩阵以及上一时刻对应的估计误差协方差矩阵确定当前时刻对应的卡尔曼系数矩阵,同时考虑了第一位置估计值和车道检测结果的误差,使得确定的卡尔曼系数矩阵更加准确合理,有利于减小后续确定第二位置估计值的误差。
第二位置估计值是指综合评估后确定的自车相对于车道中心线的相对位置。
在一些实施例中,处理设备可以通过公式(3)确定当前时刻对应的第二位置估计值。
其中,t(k+1)为当前时刻,为当前时刻对应的第二位置估计值,为当前时刻对应的第一位置估计值,K(t(k+1)为当前时刻对应的卡尔曼系数矩阵,z(t(k+1)为当前时刻对应的车道检测结果。
步骤320,基于第二位置估计值,对当前时刻对应的自车的当前位置进行修正,确定自车在当前时刻的修正位置。
当前时刻对应的自车的当前位置是指当前时刻自车在世界坐标系中的位置。在一些实施例中,处理设备可以通过自车的定位模块(例如,GPS模块)获取当前时刻的自车的当前位置。例如,当前时刻t(k+1)的自车的当前位置为p(t(k+1))。
在一些实施例中,处理设备可以将车体坐标系中当前时刻对应的第二位置估计值转换为世界坐标系中的当前时刻对应的转换第二位置估计值,然后用当前时刻对应的转换第二位置估计值对当前时刻对应的自车的当前位置进行修正,得到自车在当前时刻的修正位置。例如,将车体坐标系中转换为世界坐标系中的然后对当前时刻对应的自车的当前位置进行修正后得到世界坐标系中的修正位置本说明书的一些实施例通过对自车的当前位置进行修正,即使因为信号使得卫星定位获取的自车的当前位置存在跳变也能够较好实现车道保持。
步骤330,获取修正位置预设范围内的车道中心线信息。
车道中心线信息是指与车道中心线的位置有关的信息。
在一些实施例中,处理设备可以从电子地图上确定修正位置预设范围内的车道中心线的位置,作为车道中心线信息。其中,预设范围可以是预先设置的长度,例如,预设范围为50m。
步骤340,基于修正位置和车道中心线信息,生成自车的当前路径,并基于当前路径对自车进行车道保持控制。
在一些实施例中,处理设备可以基于修正位置和车道中心线信息,将修正位置和车道中心线中距离自车最近的端点平滑连接,生成当前路径。
在一些实施例中,当自车首次进入车道保持模式时,处理设备可以基于修正位置和车道中心线信息进行曲线连接,确定当前路径。具体地,处理设备可以先在电子地图上确定距离修正位置预设长度的点,然后用曲线连接该点和车道中心线上的点,生成当前路径。其中,预设长度可以是预先设置的长度,预设长度小于预设范围,例如,预设长度为20m。
仅作为示例,如图6A所示,当车辆首次进入车道保持模式,处理设备可以先从电子地图上确定距离修正位置20m的点A,然后采用杜宾(Dubin)曲线将点A和当前时刻对应的车道中心线上的点B连接起来,生成当前路径。
在一些实施例中,当自车非首次进入车道保持模式时,处理设备可以基于修正位置,确定自车的历史路径;基于历史路径与车道中心线信息进行拼接处理,确定当前路径。
历史路径是指上一时刻生成的路径。在一些实施例中,处理设备可以基于修正位置,通过访问存储设备获取自车的历史路径。
具体地,处理设备可以先在电子地图上从修正位置截取历史路径,然后与当前时刻对应的车道中心线拼接为当前路径。仅作为示例,如图6B所示,车辆非首次进入车道保持模式,处理设备可以在电子地图上从修正位置截取预设历史长度的历史路径,然后将截取的预设历史长度的历史路径和当前时刻对应的车道中心线拼接为当前路径。预设历史长度可以是默认值、预设值等。
为了避免当前路径上的点发生跳变,在一些实施例中,处理设备可以通过平滑算法,对当前路径进行平滑处理。
在本说明书的一些实施例中,基于修正后的自车位置拼接当前时刻对应的车道中心线信息,生成当前路径,可以防止当前路径上的点跳变,提高自动驾驶的安全性。
车道保持模式是通过横向控制器跟踪当前路径的辅助自动驾驶模式。在一些实施例中,处理设备可以将世界坐标系中的当前路径转换至车体坐标系中的当前车体路径,然后将当前车体路径输入自车的横向控制器中,从而通过横向控制器控制车辆进行车道保持控制。
在一些实施例中,在进入车道保持模式之前,处理设备可以先判断车辆是否进入车道保持模式。关于判断车辆是否进入车道保持模式的更多内容可以参见图8及其相关描述。
本说明书一些实施例中,通过卡尔曼系数矩阵对自车的车道检测结果和第一位置估计值进行综合评估确定第二位置估计值,对自车的当前位置进行修正后结合电子地图获取的车道中心线信息生成路径,利用卡尔曼系数矩阵有利于减小估计值与实际测量值之间可能存在的误差,从而实现高精度的车道保持功能,即使因为信号使得卫星定位获取的自车位置存在跳变也能够较好地实现车道保持效果。
应当注意的是,上述有关流程300的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程300进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
应当理解的是,对于相同车辆型号的不同自车,由于自车的差异(例如,自车使用年限、自车替换车辆零件等)导致不同的自车对应的检测结果协方差矩阵可能存在细微差异,处理设备可以在一个或多个调整周期中对检测结果协方差矩阵进行调整,并将调整后的检测结果协方差矩阵作为自车的检测结果协方差矩阵,以执行流程300。
在一些实施例中,针对每一调整周期,处理设备可以获取该调整周期中开始时刻的第一车道检测结果;基于第一车道检测结果、自车在该调整周期内的行驶参数(例如,自车在该调整周期内的行驶速度、行驶方向等)以及行驶路径,确定该调整周期中结束时刻的参考车道检测结果;获取该调整周期中结束时刻的第二车道检测结果;确定第二车道检测结果与参考车道检测结果的横偏差值和角偏差值,当横偏差值和/或角偏差值满足预设调整条件时,基于横偏差值和/或角偏差值对检测结果协方差矩阵进行调整,获得调整后的检测结果协方差矩阵。其中,预设调整条件可以包括横偏差值大于第一阈值;预设调整条件还可以包括角偏差值大于第二阈值。当横偏差值满足预设调整条件时,处理设备对检测结果协方差矩阵的第三系数进行调整;当角偏差值满足预设调整条件时,处理设备对检测结果协方差矩阵的第四系数进行调整。第一阈值和第二阈值可以是预设值、默认值等。例如,第一阈值可以为0.05m,第二阈值可以为5°。
调整周期是指车道保持控制过程中,对检测结果协方差矩阵进行调整的时间周期。一个调整周期至少包括一个控制周期。在一些实施例中,调整周期的开始时刻可以为自车进行车道保持控制的起始时刻。
第一车道检测结果是指图像获取装置确定的自车在调整周期中开始时刻的车道检测结果。第二车道检测结果是指图像获取装置确定的自车在调整周期中结束时刻的车道检测结果。关于车道检测结果的更多内容可以参见步骤310及其相关描述。
在一些实施例中,处理设备可以将自车在调整周期内的当前路径确定为自车在调整周期内的行驶路径。关于当前路径的更多内容可以参见步骤340及其相关描述。
在一些实施例中,当横偏差值大于第一阈值时,处理设备可以基于横偏差值,通过第一预设数据对照表确定处理设备对第三系数的调整量。其中,第一预设数据对照表中记录有不同的横偏差值对应的第三系数的调整量。第一预设数据对照表可以基于先验知识或历史数据预设得到。例如,当第一阈值为0.05m,横偏差值为0.2m>0.5m时,则处理设备通过第一预设数据表确定对第三系数的调整量为2。
在一些实施例中,当角偏差值大于第二阈值时,处理设备可以基于角偏差值,通过第二预设数据对照表确定处理设备对第四系数的调整量。其中,第二预设数据对照表中记录有不同的角偏差值对应的第四系数的调整量。例如,当第二阈值为5°,角偏差值为8°>5°时,则处理设备通过第二预设数据表确定对第四系数的调整量为0.005。
在一些实施例中,处理设备可以在一个或多个调整周期中不断对检测结果协方差矩阵进行调整,直至横偏差值和/或角偏差值不满足预设调整条件。
本说明书一些实施例中,在车道保持控制过程中,通过调整周期的第二车道检测结果与参考车道检测结果的横偏差值和角偏差值,对检测结果协方差矩阵进行调整,有利于实现高精度的车道保持功能,提高行驶安全性。
图7是根据本说明书一些实施例所示的确定当前时刻的卡尔曼系数矩阵的示例性流程图。在一些实施例中,流程700可以由处理设备110或自动驾驶车道保持系统200执行。例如,流程700可以以程序或指令的形式存储在存储设备中,当处理设备110或自动驾驶车道保持系统200执行指令时,可以实现流程700。下面呈现的流程700的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图7中示出的和下面描述的流程700的操作的顺序并非限制性的。
步骤710,基于估计值协方差矩阵和上一时刻对应的估计误差协方差矩阵,确定当前时刻对应的误差矩阵。
关于估计值协方差矩阵、估计误差协方差矩阵的更多内容可以参见图3及其相关描述。
误差矩阵是指用于对误差进行评估的矩阵。在一些实施例中,估计误差协方差矩阵为对角矩阵。
在一些实施例中,处理设备可以基于估计值协方差矩阵和上一时刻对应的估计误差协方差矩阵的和,计算当前时刻对应的误差矩阵。在一些实施例中,处理设备可以通过公式(4)计算当前时刻对应的误差矩阵。
其中,t(k+1)为当前时刻,p-(t(k+1))为当前时刻对应的误差矩阵,tk为上一时刻,p(tk)为上一时刻对应的估计误差协方差矩阵,Q为估计值协方差矩阵。
步骤720,基于当前时刻对应的误差矩阵以及检测结果协方差矩阵,确定当前时刻对应的卡尔曼系数矩阵。
关于检测结果协方差矩阵的更多内容可以参见图3及其相关描述。
在一些实施例中,处理设备可以通过公式(5)确定当前时刻的卡尔曼系数矩阵。
其中,t(k+1)为当前时刻,K(t(k+1))为当前时刻对应的卡尔曼系数矩阵,为当前时刻对应的误差矩阵,R为检测结果协方差矩阵。
本说明书一些实施例中,确定当前时刻对应的卡尔曼系数矩阵时,同时考虑了估计值协方差矩阵、上一时刻对应的估计误差协方差矩阵和检测结果协方差矩阵,使得确定的卡尔曼系数矩阵更加合理,有利于减少后续确定的第二位置估计值的误差。
在一些实施例中,处理设备还可以基于当前时刻对应的卡尔曼系数矩阵以及当前时刻对应的误差矩阵,确定当前时刻对应的估计误差协方差矩阵。
具体的,处理设备可以通过公式(6)确定当前时刻对应的估计误差协方差矩阵。
其中,t(k+1)为当前时刻,p(t(k+1))为当前时刻对应的估计误差协方差矩阵,K(t(k+1))为当前时刻对应的卡尔曼系数矩阵,当前时刻对应的误差矩阵,I为单位矩阵。
本说明书一些实施例中,确定当前时刻对应的估计误差协方差矩阵,可以用于计算下一时刻对应的卡尔曼系数矩阵,从而实现自动驾驶车道保持功能。
应当注意的是,上述有关流程700的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程700进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
图8是根据本说明书一些实施例所示的示例性车道控制模式切换方法的示例性流程图。在一些实施例中,流程800可以由处理设备110或自动驾驶车道保持系统200执行。例如,流程800可以以程序或指令的形式存储在存储设备中,当处理设备110或自动驾驶车道保持系统200执行指令时,可以实现流程800。下面呈现的流程800的操作示意图是说明性的。在一些实施例中,可以利用一个或以上未描述的附加操作和/或未讨论的一个或以上操作来完成该过程。另外,图8中示出的和下面描述的流程800的操作的顺序并非限制性的。
步骤810,判断车道线检测结果是否有效以及车道检测结果是否满足预设条件。
车道线检测结果是指自车当前位置所在车道的两侧车道边线图像。关于获取车道线检测结果的相关描述可以参见步骤310及其相关描述。
在一些实施例中,处理设备可以通过图像识别模型识别所述图像中的两侧车道边线是否缺失、破损、被遮挡等,是则判断车道线检测结果无效,反之则有效。
预设条件是指用于判断检测周期内检测的车道检测结果是否可以安全进入车道保持模式的条件。预设条件可以预先设置的条件。例如,预设条件可以为自车角偏自车横偏Δy≤5m。
步骤820,响应于车道线检测结果有效,且车道检测结果满足预设条件,确定自车在当前时刻的第二位置估计值,否则退出车道保持模式。
关于确定自车在当前时刻的第二位置估计值的更多内容可以参见图3及其相关描述。
仅作为示例,若当前时刻t(k+1)的车道线检测结果有效,且 Δy(t(k+1))=3m<5m,则可以确定当前时刻t(k+1)对应的第二位置估计值
在一些实施例中,处理设备响应于退出车道保持控制模式后,判断自车与车道中心线的相对位置关系是否满足驾驶预设条件。驾驶预设条件可以是用于判断当前自车与车道中心线的相对位置关系是否可以安全进入常规驾驶模式的条件。驾驶预设条件可以预先设置的条件。例如,驾驶预设条件可以为自车角度偏差自车横向偏差Δy≤2m。
在一些实施例中,处理设备响应于相对位置关系不满足驾驶预设条件,则实施停车。仅作为示例,若Δy(t(k+1))=3m>2m,则处理设备实施停车。
在一些实施例中,处理设备响应于相对位置关系满足驾驶预设条件,则进入常规控制模式。常规驾驶模式可以是结合车辆传感器和当前路径实现的完全自动驾驶模式。在一些实施例中,处理设备可以将当前车体路径输入自车的横向控制器中,使得横向控制器基于当前车体路径和传感器获取的其他信息控制车辆进行常规模式驾驶。仅作为示例,若Δy(t(k+1))=2m=2m,则处理设备退出车道保持控制模式并控制车辆进行常规驾驶模式。
本说明书的一些实施例中,通过预设条件和驾驶预设条件,确定车辆可以在行车道保持模式、常规驾驶模式和停车之间安全切换,同时将生成的当前路径同时作为车道保持模式和常规驾驶模式下横向控制器的输入,使得两种自动驾驶模式的切换更加平稳,从而提高自动驾驶的控制精度。
应当注意的是,上述有关流程800的描述仅仅是为了示例和说明,而不限定本说明书的适用范围。对于本领域技术人员来说,在本说明书的指导下可以对流程800进行各种修正和改变。然而,这些修正和改变仍在本说明书的范围之内。
本说明书一个或多个实施例提供一种自动驾驶车道保持装置,所述装置包括至少一个处理器以及至少一个存储器;所述至少一个存储器用于存储计算机指令;所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现上述实施例中任一项所述自动驾驶车道保持方法。
本说明书一个或多个实施例提供一种计算机可读存储介质,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如上述实施例中任一项所述自动驾驶车道保持方法。
本说明书实施例可能带来的有益效果包括但不限于:(1)通过卡尔曼系数矩阵对自车的车道检测结果和第一位置估计值进行综合评估确定第二位置估计值,对自车的当前位置进行修正后结合电子地图获取的车道中心线信息生成路径,利用卡尔曼系数矩阵有利于减小估计值与实际测量值之间可能存在的误差,从而实现高精度的车道保持功能,即使因为信号使得卫星定位获取的自车位置存在跳变也能够较好地实现车道保持效果;(2)通过估计值协方差矩阵、检测结果协方差矩阵以及上一时刻对应的估计误差协方差矩阵确定当前时刻对应的卡尔曼系数矩阵,同时考虑了第一位置估计值和车道检测结果的误差,使得确定的卡尔曼系数矩阵更加准确合理,有利于减小后续确定第二位置估计值的误差;(3)通过预设条件和驾驶预设条件,确定车辆可以在行车道保持模式、常规驾驶模式和停车之间安全切换,同时将生成的当前路径同时作为车道保持模式和常规驾驶模式下横向控制器的输入,使得两种自动驾驶模式的切换更加平稳,从而提高自动驾驶的控制精度。
上文已对基本概念做了描述,显然,对于本领域技术人员来说,上述详细披露仅仅作为示例,而并不构成对本说明书的限定。虽然此处并没有明确说明,本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议,所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时,本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外,本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,除非权利要求中明确说明,本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用,并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例,但应当理解的是,该类细节仅起到说明的目的,附加的权利要求并不仅限于披露的实施例,相反,权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如,虽然以上所描述的系统组件可以通过硬件设备实现,但是也可以只通过软件的解决方案得以实现,如在现有的服务器或移动设备上安装所描述的系统。
同理,应当注意的是,为了简化本说明书披露的表述,从而帮助对一个或多个发明实施例的理解,前文对本说明书实施例的描述中,有时会将多种特征归并至一个实施例、附图或对其的描述中。但是,这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上,实施例的特征要少于上述披露的单个实施例的全部特征。
一些实施例中使用了描述成分、属性数量的数字,应当理解的是,此类用于实施例描述的数字,在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明,“大约”、“近似”或“大体上”表明所述数字允许有±20%的变化。相应地,在一些实施例中,说明书和权利要求中使用的数值参数均为近似值,该近似值根据个别实施例所需特点可以发生改变。在一些实施例中,数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值,在具体实施例中,此类数值的设定在可行范围内尽可能精确。
针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料,如文章、书籍、说明书、出版物、文档等,特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外,对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是,如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方,以本说明书的描述、定义和/或术语的使用为准。
最后,应当理解的是,本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此,作为示例而非限制,本说明书实施例的替代配置可视为与本说明书的教导一致。相应地,本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种自动驾驶车道保持方法,其特征在于,所述方法包括:
按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定所述当前时刻对应的第二位置估计值,其中,所述车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置,所述第一位置估计值为基于运动学确定的所述自车相对于所述车道中心线的相对位置;
基于所述第二位置估计值,对所述当前时刻对应的所述自车的当前位置进行修正,确定所述自车在所述当前时刻的修正位置;
获取所述修正位置预设范围内的车道中心线信息;
基于所述修正位置和所述车道中心线信息,生成所述自车的当前路径,并基于所述当前路径对所述自车进行车道保持控制。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于所述第一位置估计值对应的估计值协方差矩阵、所述车道检测结果对应的检测结果协方差矩阵以及上一时刻对应的估计误差对应的估计误差协方差矩阵,确定所述当前时刻对应的所述卡尔曼系数矩阵。
3.根据权利要求2所述的方法,其特征在于,
所述估计值协方差矩阵、所述检测结果协方差矩阵以及所述估计误差协方差矩阵为对角矩阵,
所述估计值协方差矩阵包括第一系数和第二系数,所述检测结果协方差矩阵包括第三系数和第四系数,所述估计误差协方差矩阵包括第五系数和第六系数,其中,所述第一系数、所述第三系数和所述第五系数与所述自车相对于车道中心线的横偏相关,所述第二系数、所述第四系数和所述第六系数与所述自车相对于车道中心线的角偏相关。
4.根据权利要求2所述的方法,其特征在于,所述基于所述第一位置估计值对应的估计值协方差矩阵、所述车道检测结果对应的检测结果协方差矩阵以及上一时刻对应的估计误差对应的估计误差协方差矩阵,确定所述当前时刻对应的所述卡尔曼系数矩阵,包括:
基于所述估计值协方差矩阵和所述上一时刻对应的所述估计误差协方差矩阵,确定所述当前时刻对应的误差矩阵;
基于所述当前时刻对应的所述误差矩阵以及所述检测结果协方差矩阵,确定所述当前时刻对应的所述卡尔曼系数矩阵。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
基于所述当前时刻对应的所述卡尔曼系数矩阵以及所述当前时刻对应的所述误差矩阵,确定当前时刻对应的估计误差协方差矩阵。
6.根据权利要求1所述的方法,其特征在于,所述基于所述修正位置和车道中心线信息,生成所述自车的当前路径包括:
当所述自车首次进入车道保持模式时,
基于所述修正位置和所述车道中心线信息进行曲线连接,确定所述当前路径;
当所述自车非首次进入所述车道保持模式时,
基于所述修正位置,确定所述自车的历史路径;
基于所述历史路径与所述车道中心线信息进行拼接处理,确定所述当前路径。
7.根据权利要求1所述的方法,其特征在于,所述方法还包括:
判断车道线检测结果是否有效以及所述车道检测结果是否满足预设条件;
响应于所述车道线检测结果有效,且所述车道检测结果满足所述预设条件,确定所述自车在所述当前时刻的所述第二位置估计值,否则退出车道保持模式。
8.一种自动驾驶车道保持系统,其特征在于,所述系统包括:
确定模块,用于按照控制周期,基于当前时刻对应的车道检测结果、第一位置估计值及卡尔曼系数矩阵,确定所述当前时刻对应的第二位置估计值,其中,所述车道检测结果为图像获取装置确定的自车相对于车道中心线的相对位置,所述第一位置估计值为基于运动学确定的所述自车相对于所述车道中心线的相对位置;
修正模块,用于基于所述第二位置估计值,对所述当前时刻对应的所述自车的当前位置进行修正,确定所述自车在所述当前时刻的修正位置;
获取模块,用于获取所述修正位置预设范围内的车道中心线信息;
生成模块,用于基于所述修正位置和所述车道中心线信息,生成所述自车的当前路径,并基于所述当前路径对所述自车进行车道保持控制。
9.一种自动驾驶车道保持装置,其特征在于,所述装置包括至少一个处理器以及至少一个存储器;
所述至少一个存储器用于存储计算机指令;
所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1至7中任意一项所述的一种自动驾驶车道保持方法。
10.一种计算机可读存储介质,其特征在于,所述存储介质存储计算机指令,当计算机读取存储介质中的计算机指令后,计算机执行如权利要求1至7中任一项所述的一种自动驾驶车道保持方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036087.3A CN116872926A (zh) | 2023-08-16 | 2023-08-16 | 一种自动驾驶车道保持方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311036087.3A CN116872926A (zh) | 2023-08-16 | 2023-08-16 | 一种自动驾驶车道保持方法、系统、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116872926A true CN116872926A (zh) | 2023-10-13 |
Family
ID=88270107
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311036087.3A Pending CN116872926A (zh) | 2023-08-16 | 2023-08-16 | 一种自动驾驶车道保持方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116872926A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137376A1 (en) * | 2016-10-04 | 2018-05-17 | Denso Corporation | State estimating method and apparatus |
DE102018112177A1 (de) * | 2018-05-22 | 2019-11-28 | Connaught Electronics Ltd. | Fahrspurdetektion auf der Basis von Fahrspurmodellenn |
CN111429716A (zh) * | 2019-01-08 | 2020-07-17 | 威斯通全球技术公司 | 用于确定自车的位置的方法 |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN112837352A (zh) * | 2021-04-20 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 基于图像的数据处理方法、装置及设备、汽车、存储介质 |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
DE102020101837A1 (de) * | 2020-01-27 | 2021-07-29 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung des Zustands eines Fahrzeugs |
KR20220025585A (ko) * | 2020-08-24 | 2022-03-03 | 삼성전자주식회사 | 위치 추정 방법 및 장치 |
CN114407889A (zh) * | 2022-01-18 | 2022-04-29 | 上汽通用五菱汽车股份有限公司 | 车道保持方法、系统、设备及计算机可读存储介质 |
CN114494360A (zh) * | 2022-01-25 | 2022-05-13 | 东风商用车有限公司 | 一种车道保持控制方法、装置、设备及可读存储介质 |
CN116373902A (zh) * | 2023-03-27 | 2023-07-04 | 蔚来汽车科技(安徽)有限公司 | 自动驾驶车辆的环境信息预测、控制方法、装置及车辆 |
WO2023131715A1 (de) * | 2022-01-10 | 2023-07-13 | Robert Bosch Gmbh | Schätzen eines bewegungszustands eines fahrzeugs aus kameradaten mithilfe von maschinellem lernen |
-
2023
- 2023-08-16 CN CN202311036087.3A patent/CN116872926A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180137376A1 (en) * | 2016-10-04 | 2018-05-17 | Denso Corporation | State estimating method and apparatus |
DE102018112177A1 (de) * | 2018-05-22 | 2019-11-28 | Connaught Electronics Ltd. | Fahrspurdetektion auf der Basis von Fahrspurmodellenn |
CN111429716A (zh) * | 2019-01-08 | 2020-07-17 | 威斯通全球技术公司 | 用于确定自车的位置的方法 |
DE102020101837A1 (de) * | 2020-01-27 | 2021-07-29 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Ermittlung des Zustands eines Fahrzeugs |
CN113168708A (zh) * | 2020-04-28 | 2021-07-23 | 华为技术有限公司 | 车道线跟踪方法和装置 |
KR20220025585A (ko) * | 2020-08-24 | 2022-03-03 | 삼성전자주식회사 | 위치 추정 방법 및 장치 |
CN112733270A (zh) * | 2021-01-08 | 2021-04-30 | 浙江大学 | 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法 |
CN112837352A (zh) * | 2021-04-20 | 2021-05-25 | 腾讯科技(深圳)有限公司 | 基于图像的数据处理方法、装置及设备、汽车、存储介质 |
WO2023131715A1 (de) * | 2022-01-10 | 2023-07-13 | Robert Bosch Gmbh | Schätzen eines bewegungszustands eines fahrzeugs aus kameradaten mithilfe von maschinellem lernen |
CN114407889A (zh) * | 2022-01-18 | 2022-04-29 | 上汽通用五菱汽车股份有限公司 | 车道保持方法、系统、设备及计算机可读存储介质 |
CN114494360A (zh) * | 2022-01-25 | 2022-05-13 | 东风商用车有限公司 | 一种车道保持控制方法、装置、设备及可读存储介质 |
CN116373902A (zh) * | 2023-03-27 | 2023-07-04 | 蔚来汽车科技(安徽)有限公司 | 自动驾驶车辆的环境信息预测、控制方法、装置及车辆 |
Non-Patent Citations (1)
Title |
---|
姚佼、赵靖、韩印: "《基于车载数据的城市道路交通控制》", 中国铁道出版社, pages: 102 - 108 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10928825B2 (en) | Method, device and system for controlling vehicle passing through intersection | |
CN110969655B (zh) | 用于检测车位的方法、装置、设备、存储介质以及车辆 | |
US10552982B2 (en) | Method for automatically establishing extrinsic parameters of a camera of a vehicle | |
CN110316193B (zh) | 预瞄距离的设置方法、装置、设备及计算机可读存储介质 | |
EP4036870A1 (en) | Parking spot detection method and parking spot detection system | |
WO2019098353A1 (ja) | 車両位置推定装置および車両制御装置 | |
US9650043B2 (en) | Real-time anticipatory speed control | |
US8824741B2 (en) | Method for estimating the roll angle in a travelling vehicle | |
US9610942B2 (en) | Device and method for operating a vehicle | |
CN106314423A (zh) | 车辆行驶控制装置 | |
US10733889B2 (en) | Method and device for parking assistance | |
CN106004860A (zh) | 车辆行驶控制装置 | |
CN108973991A (zh) | 车辆控制装置、车辆控制方法及存储介质 | |
US11747833B2 (en) | Method and device for estimating distance to target, and unmanned aerial vehicle | |
WO2022247203A1 (zh) | 自动驾驶车辆的控制方法、装置、设备以及存储介质 | |
US20200117921A1 (en) | Apparatus and method for recognizing road shapes | |
CN112440990A (zh) | 用于自主和半自主车辆的路径规划 | |
WO2022222647A1 (zh) | 车辆意图预测方法、装置、设备及存储介质 | |
US20220126824A1 (en) | Vehicle control device, vehicle control method, and storage medium | |
CN116872926A (zh) | 一种自动驾驶车道保持方法、系统、装置及存储介质 | |
CN116811898A (zh) | 一种基于车道线的弯道自动驾驶路网生成方法与装置 | |
CN114919661B (zh) | 一种泊车控制方法、装置、设备和存储介质 | |
CN116729374B (zh) | 一种自动驾驶车道保持控制方法、系统、装置和存储介质 | |
CN112612289B (zh) | 轨迹跟踪控制方法、移动机器人、控制设备及存储介质 | |
US20220137629A1 (en) | Unmanned following vehicle |
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 |