CN117058506A - 车道线融合方法和装置 - Google Patents

车道线融合方法和装置 Download PDF

Info

Publication number
CN117058506A
CN117058506A CN202311022111.8A CN202311022111A CN117058506A CN 117058506 A CN117058506 A CN 117058506A CN 202311022111 A CN202311022111 A CN 202311022111A CN 117058506 A CN117058506 A CN 117058506A
Authority
CN
China
Prior art keywords
fitting function
function
lane line
data acquisition
fitting
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
CN202311022111.8A
Other languages
English (en)
Inventor
刘祺
万国强
刘祥
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.)
Beijing Jingwei Hirain Tech Co Ltd
Original Assignee
Beijing Jingwei Hirain Tech Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Jingwei Hirain Tech Co Ltd filed Critical Beijing Jingwei Hirain Tech Co Ltd
Priority to CN202311022111.8A priority Critical patent/CN117058506A/zh
Publication of CN117058506A publication Critical patent/CN117058506A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • 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
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请公开了一种车道线融合方法和装置。方法包括：根据第一数据采集周期内车辆的定位信息，确定车辆所在道路对应目标车道线的第一拟合函数；根据道路的图像数据，确定目标车道线的第二拟合函数；获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度；根据预设的校验条件，对第一拟合函数和第二拟合函数进行有效性检测；在第一拟合函数和第二拟合函数通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。如此提高了车道线参数可靠性。

Description

车道线融合方法和装置
技术领域
本申请涉及自动驾驶技术中的感知和定位技术领域，尤其涉及一种车道线融合方法和装置。
背景技术
车道线识别的效果对于自动驾驶车辆的安全性、舒适性等至关重要。目前车道线参数识别方式主要为计算机视觉检测(或摄像头检测)、高精地图定位，基于单一信号源的车道线信息抗噪能力较差、有效工况覆盖率较低，例如，在模糊车道线、连续弯道，纵向减速带(鱼骨线)或恶劣天气等复杂识别工况中，车道线参数可能有较大误差或出现漏检、误检等，车道线参数的可靠性难以保证。
发明内容
本申请实施例提供一种在车道线融合方法和装置，能够有效改善了传统单一信号源车道线参数识别方法抗噪能力差、覆盖工况有限的问题，提高了车道线数据信息的准确性和稳定性，进而提高了车道线参数可靠性。。
第一方面，本申请实施例提供一种车道线融合方法，方法包括：
获取第一数据采集周期内车辆的定位信息、第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，第二数据采集周期为第一数据采集周期之前的数据采集周期；
根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，其中，目标车道线为道路两侧车道线中的任一车道线；
根据道路的图像数据，确定目标车道线的第二拟合函数；
获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度；
根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测；
在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
在一个可能实现的实施例中，在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数，包括：
在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据预设函数平滑算法，分别对第一拟合函数和第二拟合函数进行预设平滑处理，得到第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数；
根据第一平滑函数、第二平滑函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
在一个可能实现的实施例中，根据预设函数平滑算法，分别对第一拟合函数和第二拟合函数进行预设平滑处理，得到第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函，包括：
获取数据采集周期的周期时长、车辆的运行参数和第二数据采集周期对应的车道线融合函数的系数，运行参数包括当前车辆的运行速度和横摆角速度；
根据数据采集周期的周期时长、当前车辆的运行速度和横摆角速度，对车道线融合函数的系数进行调整，生成平滑参数；
在车辆未变换车道的情况下，根据平滑参数和预设平滑公式，分别对第一拟合函数和第二拟合函数进行预设平滑处理，确定第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数，其中，预设平滑公式为：
其中，M′为第一平滑函数的系数，M为第一拟合函数的系数，为平滑参数，α为预设滤波系数，C′为第二平滑函数的系数，C为第二拟合函数的系数。
在一个可能实现的实施例中，第一数据采集周期包括多个采样时刻，定位信息包括多个采样时刻分别对应的经纬度信息；
根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，包括：
根据预设坐标转换关系，确定每个经纬度信息在车辆坐标系内坐标点的坐标信息，其中，预设坐标转换关系为经纬度信息所在的地面坐标系与车辆坐标系之间的转换关系；
对多个坐标点分别对应的坐标信息进行拟合处理，生成目标车道线的第一拟合函数。
在一个可能实现的实施例中，第一拟合函数对应第一目标置信度；获取第一拟合函数对应的第一目标置信度，包括：
获取车辆中定位系统对应的定位置信度、配置于定位系统内的地图数据的地图置信度；以及，
根据多个坐标点分别对应的坐标信息，确定每个坐标点与第一拟合函数的投影距离；
根据多个投影距离中最大投影距离对应的预设置信度范围，确定第一拟合函数的置信度，其中，预设置信度范围包括至少一个预设的数值范围，每个数值范围对应一个置信度；
计算地图置信度、定位置信度，以及第一拟合函数的置信度之积，得到第一拟合函数对应的第一目标置信度。
在一个可能实现的实施例中，根据预设的校验条件，对第一拟合函数进行有效性检测，包括：
获取第一拟合函数的校验参数，第一拟合函数的校验参数包括第一数据采集周期之前的L个数据采集周期分别对应的第三拟合函数的函数系数和每个第三拟合函数的函数系数对应的计数标识，第三拟合函数基于车辆的定位信息确定；
在第一拟合函数的校验参数满足第一预设有效性判定条件的情况下，第一拟合函数通过有效性检测；
第一预设有效性判定条件包括以下至少一个或多个判定条件：
L个第三拟合函数分别对应的函数系数均不同；
L个第三拟合函数的函数系数对应的计数标识依次变化；
基于第一拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量位于预设数值范围。
在一个可能实现的实施例中，其特征在于，根据道路的图像数据，确定目标车道线的第二拟合函数，包括：
对道路的图像数据进行识别分析，生成目标车道线的初始拟合函数和目标车道线的类别信息，其中，类别信息关联预设补偿参数和函数移动方向；
根据目标车道线的类别信息关联的补偿参数和函数移动方向，移动初始拟合函数，得到第二拟合函数。
在一个可能实现的实施例中，第二拟合函数对应第二目标置信度；第二目标置信度基于道路的图像数据的清晰度确定。
在一个可能实现的实施例中，根据预设的校验条件，对第二拟合函数进行有效性检测，包括：
获取第二拟合函数的校验参数，第二拟合函数的校验参数包括第一数据采集周期之前的M个数据采集周期分别对应的第四拟合函数的函数系数和每个第四拟合函数的函数系数对应的计数标识，第四拟合函数基于车辆的定位信息确定；
在第二拟合函数的校验参数满足第二预设有效性判定条件的情况下，第二拟合函数通过有效性检测；
第二预设有效性判定条件包括以下至少一个或多个判定条件：
M个第四拟合函数分别对应的函数系数均不同；
M个第四拟合函数的函数系数对应的计数标识依次变化；
基于第二拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量位于预设数值范围。
第二方面，本申请实施例提供了一种车道线融合装置，包括：
获取模块，用于获取第一数据采集周期内车辆的定位信息、第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，第二数据采集周期为第一数据采集周期之前的数据采集周期；
处理模块，用于根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，其中，目标车道线为道路两侧车道线中的任一车道线；以及，根据道路的图像数据，确定目标车道线的第二拟合函数；
获取模块，还用于获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度；
处理模块，还用于根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测；
处理模块，还用于在第一拟合函数和第二拟合函数进行有效性检测分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
第三方面，本申请实施例提供了一种电子设备，设备包括：
处理器以及存储有计算机程序指令的存储器；
处理器执行计算机程序指令时实现上述任意一项的在车道线融合方法。
第四方面，本申请实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现上述任意一项的车道线融合方法。
第五方面，本申请实施例提供了一种计算机程序产品，其特征在于，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备能够执行上述任意一项的车道线融合方法。
本申请实施例的车道线融合方法、装置、设备及计算机存储介质，通过获取第一数据采集周期内车辆的定位信息、第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，第二数据采集周期为第一数据采集周期之前的数据采集周期，根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，其中，目标车道线为道路两侧车道线中的任一车道线，根据道路的图像数据，确定目标车道线的第二拟合函数，获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度，根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测，在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。如此根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到的第一数据采集周期对应的目标车道线融合函数有效改善了传统单一信号源车道线参数识别方法抗噪能力差、覆盖工况有限的问题，提高了车道线数据信息的准确性和稳定性，进而提高了车道线参数可靠性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一个实施例提供的车道线融合方法的流程示意图；
图2是本申请另一个实施例提供的车道线融合方法的流程示意图；
图3是本申请又一个实施例提供的车道线融合方法的流程示意图；
图4是本申请再一个实施例涉及的第一拟合函数的示意图；
图5是本申请再一个实施例提供的车道线融合方法的流程示意图；
图6是本申请再一个实施例涉及的有效性检测的流程示意图；
图7是本申请再一个实施例涉及的第一拟合函数的表征位置示例图；
图8是本申请再一个实施例涉及的第二拟合函数的表征位置示例图；
图9是本申请再一个实施例涉及的有效性检测的流程示意图；
图10是本申请再一个实施例提供的车道线融合装置的结构示意图；
图11是本申请再一个实施例提供的电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例，为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本申请进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本申请，而不是限定本申请。对于本领域技术人员来说，本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
车道线识别的效果对于自动驾驶车辆的安全性、舒适性等至关重要。目前车道线参数识别方式主要为计算机视觉检测(或摄像头检测)、高精地图定位，基于单一信号源的车道线信息抗噪能力较差、有效工况覆盖率较低，例如，在模糊车道线、连续弯道，纵向减速带(鱼骨线)或恶劣天气等复杂识别工况中，车道线参数可能有较大误差或出现漏检、误检等，车道线参数的可靠性难以保证。
为了解决现有技术问题，本申请实施例提供了一种车道线融合方法、装置、设备及计算机存储介质。下面首先对本申请实施例所提供的车道线融合方法进行介绍。
图1示出了本申请一个实施例提供的车道线融合方法的流程示意图。
如图1所示，本申请实施例提供的车道线融合方法包括S110至S160。
S110、获取第一数据采集周期内车辆的定位信息、第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，第二数据采集周期为第一数据采集周期之前的数据采集周期。
这里，定位信息保存在高精地图中，是通过高精定位系统获得的，图像数据是通过摄像头获取到的，摄像头可以是道路侧的摄像头，也可以是车辆侧的摄像头，第二数据采集周期对应的车道线融合函数为第一数据采集周期之前的数据采集周期对应的车道线融合函数，例如，上一数据采集周期对应的车道线融合函数。
在一些实施例中，定位信息为不连续的定位信息，定位信息可以是车辆的定位信息，根据车辆的定位信息可以确定车道线的定位信息。
在一些实施例中，定位信息还可以是车道线的定位信息。
S120、根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，其中，目标车道线为道路两侧车道线中的任一车道线。
在一些实施例中，根据不连续的定位信息对车辆所在道路对应目标车道线进行拟合，得到第一拟合函数，其中，拟合方式可以包括多种，第一拟合函数是能够根据定位信息拟合出的任意函数。
作为一个示例，可以采用三次多项式拟合，第一拟合函数为：
y＝m0+m1x+m2x2+m3x3 (1)
其中，M＝[m0,m1,m2,m3]为第一拟合函数的系数。
在一些实施例中，车道线是有宽度的，根据定位信息确定的第一拟合函数表征目标车道线的中心位置。
S130、根据道路的图像数据，确定目标车道线的第二拟合函数。
在一些实施例中，车道线是有宽度的，根据道路的图像数据，确定的第二拟合函数表征目标车道线的内测边缘曲线，还可以是对该目标车道线的内测边缘曲线向车道线中心位置移动后的曲线。
在一些实施例中，根据道路的图像数据对车辆所在道路对应目标车道线进行拟合，得到第二拟合函数，其中，拟合方式可以包括多种，第二拟合函数是能够根据定位信息拟合出的任意函数。
作为一个示例，可以采用三次多项式拟合，第二拟合函数为：
y＝c0+c1x+c2x2+c3x3 (2)
其中，C＝[c0,c1,c2,c3]为第二拟合函数的系数。
S140、获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度。
在一些实施例中，第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数与实际情况之间是存在误差的，第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别有对应的置信度，其中，置信度的获取方式可以不同，置信度越高，第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数的可信度越高，函数表达越准确。
在一些实施例中，影响置信度的因素至少包括一个，置信度的取值可以设置为[0,1]，0表示完全不可信，1表示完全可信。
S150、根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测。
这里，预设的校验条件是提前设定好的检测条件，检测条件至少包括一个条件。
在一些实施例中，根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测，检测第一拟合函数和第二拟合函数是否存在异常。
S160、在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
在一些实施例中，对于第一拟合函数和第二拟合函数的权重可以将权重设置为关于置信度的权重函数。这里，权重函数中还可以以车道线类型(例如，实线、虚线、纵向减速带、双线等)、行驶模式(例如，人工驾驶、人机共驾、全自动驾驶等)和行驶区域(例如，高速公路、城市快速路、城市道路、封闭园区等)中的至少一个为自变量。
作为一个示例，第一拟合函数和第二拟合函数的权重函数分别为：
βM＝f(γM,LineType,DriveMode,DriveZone) (3)
βC＝f(γC,LineType,DriveMode,DriveZone) (4)
其中，γM、γC分别为第一拟合函数和第二拟合函数的置信度，LineType为车道线类型，DriveMode为行驶模式，DriveZone为行驶区域。
在一些实施例中，可以将第二数据采集周期对应车道线融合函数融合到第一数据采集周期对应的目标车道线融合函数，对于第二数据采集周期对应车道线融合函数的权重，可以设置为常数(例如，第二数据采集周期对应车道线融合函数的权重为0.5)，还可以根据第一拟合函数和第二拟合函数的权重、车道线类型、行驶模式和行驶区域中的至少一个进行调整。
作为一个示例，第二数据采集周期对应的车道线融合函数的权重函数为：
βP＝f(βM,βC,LineType,DriveMode,DriveZone) (5)
其中，βM,βC为第一拟合函数和第二拟合函数的权重函数，LineType为车道线类型，DriveMode为行驶模式，DriveZone为行驶区域。
在一些实施例中，对第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数对应的权重进行归一化处理，进行归一化处理后进行加权计算。
作为一个示例，第一拟合函数对应的权重βM、第二拟合函数对应的权重βC和第二数据采集周期对应的车道线融合函数对应的权重βP进行归一化处理后得到β′M、β′C和β′p，对第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数进行融合，第一数据采集周期对应的目标车道线融合函数的系数为：
Pfusion＝β′MM+β′CC+β′PPfusion_las (6)
其中，β′M、β′C和β′p为归一化后第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的权重，Pfusion_las为第二数据采集周期对应的车道线融合函数的系数。
这里，Pfusion＝[p0_fusion,p1_fusion,p2_fusion,p3_fusion]为第一数据采集周期对应的目标车道线融合函数的系数，第一数据采集周期对应的目标车道线融合函数为：
y＝p0_fusion+p1_fusionx+p2_fusionx2+p3_fusionx3 (7)
在一些实施例中，在第一拟合函数没有通过有效性检测的情况下，将第一拟合函数对应的置信度为低置信度(例如，第一拟合函数对应的置信度为0)，在第二拟合函数没有通过有效性检测的情况下，将第二拟合函数对应的置信度为低置信度(例如，第二拟合函数对应的置信度为0)。
在一些实施例中，对于第一数据采集周期对应的目标车道线融合函数对应的置信度可以通过第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的权重，车道线类型(例如，实线、虚线、纵向减速带、双线等)、行驶模式(例如，人工驾驶、人机共驾、全自动驾驶等)和行驶区域(例如，高速公路、城市快速路、城市道路、封闭园区等)中的至少一个来计算，在此不做具体限定。
作为一个示例，第一数据采集周期对应的目标车道线融合函数对应的置信度为：
γP＝f(βM,βC,βP,LineType,DriveMode,DriveZone) (8)
其中，第一拟合函数对应的权重为βM，第二拟合函数对应的权重为βC，第二数据采集周期对应的车道线融合函数对应的权重为βP，LineType为车道线类型，DriveMode为行驶模式，DriveZone为行驶区域。
这样，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到的第一数据采集周期对应的目标车道线融合函数有效改善了传统单一信号源车道线参数识别方法抗噪能力差、覆盖工况有限的问题，提高了车道线数据信息的准确性和稳定性，进而提高了车道线参数可靠性。
在一些实施例中，如图2所示，上述S160具体可以包括S210至S220。
S210、在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据预设函数平滑算法，分别对第一拟合函数和第二拟合函数进行预设平滑处理，得到第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数。
在一些实施例中，对第一拟合函数和第二拟合函数去噪声，进行预设平滑处理，这里，预设函数平滑算法可根据定位信息和图像数据的误差进行设计。
S220、根据第一平滑函数、第二平滑函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
其中，第一平滑函数为进行预设平滑处理后的第一拟合函数，第二平滑函数为进行预设平滑处理后的第二拟合函数，第一拟合函数的置信度为第一平滑函数的置信度，第二拟合函数的置信度为第二平滑函数的置信度。
这样，对第一拟合函数和第二拟合函数进行预设平滑处理，滤除了第一拟合函数和第二拟合函数的误差噪声，进而提高了第一数据采集周期对应的目标车道线融合函数的准确定。
在一些实施例中，如图3所示，上述S210具体可以包括S310至S330。
S310、获取数据采集周期的周期时长、车辆的运行参数和第二数据采集周期对应的车道线融合函数的系数，运行参数包括当前车辆的运行速度和横摆角速度。
在一些实施例中，获取定位信息和图像数据，在获取过程中存在时延，需要对这种时延进行补偿，补偿可以通过多种方式实现。
在一些实施例中，获取数据采集周期的周期时长，根据周期时长获取第二数据采集周期对应的车道线融合函数的系数。作为一个示例，第二数据采集周期对应的车道线融合函数的系数为Pfusion_last＝[p0_last,p1_last,p2_last,p3_last]，当前车辆的运行速度为v，横摆角速度为ω，周期时长为T。
S320、根据数据采集周期的周期时长、当前车辆的运行速度和横摆角速度，对车道线融合函数的系数进行调整，生成平滑参数。
作为一个示例，根据数据采集周期的周期时长、当前车辆的运行速度和横摆角速度，对车道线融合函数的系数进行调整，生成平滑参数为 其中，/>的计算公式(9-12)如下：
其中，p0_last,p1_last,p2_last,p3_last为第二数据采集周期对应的车道线融合函数的系数，v为当前车辆的运行速度，ω为横摆角速度，T为周期时长。
S330、在车辆未变换车道的情况下，根据平滑参数和预设平滑公式，分别对第一拟合函数和第二拟合函数进行预设平滑处理，确定第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数，其中，预设平滑公式为公式(13-14)：
其中，M′为第一平滑函数的系数，M为第一拟合函数的系数，为平滑参数，α为预设滤波系数，C′为第二平滑函数的系数，C为第二拟合函数的系数。
在一些实施例中，在第一拟合函数和第二拟合函数分别通过有效性检测且车辆未变换车道的情况下，对第一拟合函数和第二拟合函数的系数进行低通滤波(例如，低通滤波的系数可设置为α＝0.2)，根据平滑参数和预设平滑公式，分别对第一拟合函数和第二拟合函数进行预设平滑处理，确定第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数。
在一些实施例中，在第一平滑函数和第二平滑函数分别通过有效性检测且车辆变换车道的情况下，第一平滑函数和第二平滑函数的系数保留原始值，例如，M′＝M，C′＝C。
在一些实施例中，在第一拟合函数和第二拟合函数未通过有效性检测的情况下，第一平滑函数和第二平滑函数的系数设置为默认无效值(默认无效值可设置为高精地图协议约定的默认无效值、摄像头通信协议约定的默认无效值，或设置为与参数实际取值范围不重合的值，如Mdefault＝
[-99,-99,-99,-99],Cdefault＝[-99,-99,-99,-99])，此时第一平滑函数和第二平滑函数的系数为M′＝Mdefault，C′＝Cdefault。
这样，对第一拟合函数和第二拟合函数进行滤波处理，保证了第一拟合函数和第二拟合函数的平滑性。
基于此，在一些实施例中，第一数据采集周期包括多个采样时刻，定位信息包括多个采样时刻分别对应的经纬度信息；
根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，包括：
根据预设坐标转换关系，确定每个经纬度信息在车辆坐标系内坐标点的坐标信息，其中，预设坐标转换关系为经纬度信息所在的地面坐标系与车辆坐标系之间的转换关系；
对多个坐标点分别对应的坐标信息进行拟合处理，生成目标车道线的第一拟合函数。
在一些实施例中，根据预设坐标转换关系，将每个经纬度信息投影在车辆坐标系内，确定车辆坐标系内坐标点的坐标信息，对多个坐标点分别对应的坐标信息进行拟合处理，生成目标车道线的第一拟合函数，其中，车辆坐标系通过高精定位系统输出的车辆的经纬度信息和航向角确定的。
作为一个示例，图4为第一拟合函数的示意图，如图4所示，在车辆坐标系xoy内，根据预设坐标转换关系，确定每个经纬度信息在车辆坐标系内坐标点的坐标信息，对多个坐标点分别对应的坐标信息进行拟合处理，生成目标车道线的第一拟合函数。
这样，能够更加精确的对车道线进行拟合。
在一些实施例中，如图5所示，第一拟合函数对应第一目标置信度；获取第一拟合函数对应的第一目标置信度，包括S510至S540。
S510、获取车辆中定位系统对应的定位置信度、配置于定位系统内的地图数据的地图置信度。
在一些实施例中，定位置信度为高精定位置信度，高精定位结果越准确，第一拟合函数投影到车辆坐标系时的投影误差越小，定位置信度越高，反之，则置信度越低，其中，高精定位结果的准确性可以通过多种途径获得，例如，例如，通过高精定位系统输出的状态等级、高精定位系统输出的定位结果方差和GPS信号状态等级中的至少一个来确定高精定位结果的准确性。
在一些实施例中，配置于定位系统内的地图数据精度越高、更新的频率越快，地图置信度越高，反之，则地图置信度越低。这里，可以通过配置于定位系统内的地图数据的参考误差值和地图更新频率确定，更新频率一般以月、周、天为周期进行更新。
在一些实施例中，定位置信度为车辆中的定位系统自身进行测算，直接输出置信度。
S520、根据多个坐标点分别对应的坐标信息，确定每个坐标点与第一拟合函数的投影距离。
S530、根据多个投影距离中最大投影距离对应的预设置信度范围，确定第一拟合函数的置信度，其中，预设置信度范围包括至少一个预设的数值范围，每个数值范围对应一个置信度。
在一些实施例中，第一拟合函数越接近坐标点，第一拟合函数的置信度越高，反之，第一拟合函数的置信度越低。
作为一个示例，每个坐标点对于第一拟合函数都可以确定一个投影距离，根据多个投影距离中最大投影距离对应的预设置信度范围(例如，预设置信度范围为0.5m)，确定第一拟合函数的置信度，在最大投影距离超过预设置信度范围的情况下，第一拟合函数的置信度为0，第一拟合函数的置信度计算公式(15)如下：
其中，Dmax为最大投影距离，D0为预设置信度范围。
S540、计算地图置信度、定位置信度，以及第一拟合函数的置信度之积，得到第一拟合函数对应的第一目标置信度。
在一些实施例中，第一目标置信度可以通过多种方式进行判定，例如，第一目标置信度通过地图置信度、定位置信度，以及第一拟合函数的置信度之积确定。作为一个示例，第一拟合函数对应的第一目标置信度为：
γM＝γM1γM2γM3 (16)
其中，γM1为第一拟合函数的置信度，γM2，γM3分别为定位置信度和地图置信度。
这样，能够通过置信度的计算，确定第一拟函数的准确度。
基于此，在一些实施例中，根据预设的校验条件，对第一拟合函数进行有效性检测，包括：
获取第一拟合函数的校验参数，第一拟合函数的校验参数包括第一数据采集周期之前的L个数据采集周期分别对应的第三拟合函数的函数系数和每个第三拟合函数的函数系数对应的计数标识，第三拟合函数基于车辆的定位信息确定；
在第一拟合函数的校验参数满足第一预设有效性判定条件的情况下，第一拟合函数通过有效性检测；
第一预设有效性判定条件包括以下至少一个或多个判定条件：
L个第三拟合函数分别对应的函数系数均不同；
L个第三拟合函数的函数系数对应的计数标识依次变化；
基于第一拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量位于预设数值范围。
其中，计数标识通过定位信息的输出次数，每输出一次，计数标识增加1。
在一些实施例中，车辆在所在车道运动的同时第三拟合函数分别对应的函数系数会相应改变，在第三拟合函数分别对应的函数系数不变的情况下，第一拟合函数异常，未通过有效性检测。
在一些实施例中，在第一拟合函数确定的目标车道线的宽度小于正常车道宽度或高精地图提供的车道宽度的情况下，第一拟合函数异常，未通过有效性检测。
在一些实施例中，检测第一拟合函数的系数是否不存在跳动或抖动，也就是说，第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量位于预设数值范围，若变化量不在预设数值范围内则认为第一拟合函数存在跳动或抖动，未通过有效性检测。
在一些实施例中，若第一拟合函数未通过有效性检测，将第一拟合函数对应的置信度变为低置信度(例如，第一拟合函数对应的置信度为0)。
作为一个示例，图6为有效性检测的流程示意图，如图6所示，对第一拟合函数进行有效性检测，其中，参数为第一拟合函数的系数，参数是否更新为判断L个第三拟合函数分别对应的函数系数是否均不同，以及判断L个第三拟合函数的函数系数对应的计数标识是否依次变化，参数是否处于有效数值范围内为判断基于第一拟合函数确定的目标车道线的宽度是否小于预设车道线宽度，参数是否不存在跳动或抖动为判断第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量是否位于预设数值范围。
这样，对有效性进行检测，在拟合过程中出现异常时，能够及时发现。
基于此，在一些实施例中，上述S130具体可以包括：
对道路的图像数据进行识别分析，生成目标车道线的初始拟合函数和目标车道线的类别信息，其中，类别信息关联预设补偿参数和函数移动方向；
根据目标车道线的类别信息关联的补偿参数和函数移动方向，移动初始拟合函数，得到第二拟合函数。
在一些实施例中，车道线是有宽度的，根据道路的图像数据，确定的初始拟合函数表征目标车道线的内测边缘曲线，而且目标车道线的类别不同，确定的初始拟合函数不同，对不同类别车道线信息关联预设补偿参数和函数移动方向，例如，如图7和图8所示为不同类别车道线，图7中示出了非纵向减速带类型车道线初始拟合函数、第一拟合函数和第二拟合函数表征的实际位置，图8中示出了纵向减速带类型车道线初始拟合函数、第一拟合函数和第二拟合函数表征的实际位置，其中，第二拟合函数表征的实际位置包括根据图像数据识别出纵向减速带和未识别出纵向减速带的实际位置。
作为一个示例，对道路的图像数据进行识别分析，对于实际目标车道线的类别信息为纵向减速带类型车道线，若识别出非纵向减速带类型车道线，则补偿参数为1/2车道宽，初始拟合函数向车道中心位置移动1/2车道宽，得到第二拟合函数；对于实际目标车道线的类别信息为纵向减速带类型车道线，若识别出纵向减速带类型车道线，则补偿参数为1/2纵向减速带宽，初始拟合函数向车道中心位置移动1/2纵向减速带，得到第二拟合函数；对于实际目标车道线的类别信息为非纵向减速带类型车道线，若识别出非纵向减速带类型车道线，则补偿参数为1/2车道宽，初始拟合函数向车道中心位置移动1/2车道宽，得到第二拟合函数，这里，车道宽、纵向减速带宽可由高精地图获取，或采用经验值。
这样，补偿后的第二拟合函数与第一拟合函数都用于表征车道线的中心位置。
基于此，在一些实施例中，第二拟合函数对应第二目标置信度；第二目标置信度基于道路的图像数据的清晰度确定。
在一些实施例中，道路的图像数据易受到天气、光线、障碍物遮挡和原始车道线清晰度的影响，生成的目标车道线的类别信息可能存在错误，会影响最终第二拟合函数的准确性，第二目标置信度基于道路的图像数据的清晰度确定。
在一些实施例中，可以通过摄像头的检测质量判断第二拟合函数的置信度，检测质量越好，置信度越高，例如，若摄像头给出的检测质量为高，则第二拟合函数的置信度γC＝1，若检测质量为中，则γC＝0.7，若检测质量为低，则γC＝0.4。
这样，能够根据天气、光线、障碍物遮挡和原始车道线清晰度的影响设定图像数据的确定的第二拟合函数对应第二目标置信度。
基于此，在一些实施例中，根据预设的校验条件，对第二拟合函数进行有效性检测，包括：
获取第二拟合函数的校验参数，第二拟合函数的校验参数包括第一数据采集周期之前的M个数据采集周期分别对应的第四拟合函数的函数系数和每个第四拟合函数的函数系数对应的计数标识，第四拟合函数基于车辆的定位信息确定；
在第二拟合函数的校验参数满足第二预设有效性判定条件的情况下，第二拟合函数通过有效性检测；
第二预设有效性判定条件包括以下至少一个或多个判定条件：
M个第四拟合函数分别对应的函数系数均不同；
M个第四拟合函数的函数系数对应的计数标识依次变化；
基于第二拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量位于预设数值范围。
这里，M和L可以相同，也可以不同。
其中，计数标识通过摄像头对图像数据的输出次数确定，每输出一次，计数标识增加1。
在一些实施例中，车辆在所在车道运动的同时第四拟合函数分别对应的函数系数会相应改变，在第四拟合函数分别对应的函数系数不变的情况下，第二拟合函数异常，未通过有效性检测。
在一些实施例中，在第二拟合函数确定的目标车道线的宽度小于正常车道宽度或高精地图提供的车道宽度的情况下，第二拟合函数异常，未通过有效性检测。
在一些实施例中，检测第二拟合函数的系数是否不存在跳动或抖动，也就是说，第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量位于预设数值范围，若变化量不在预设数值范围内则认为第二拟合函数存在跳动或抖动，未通过有效性检测。
在一些实施例中，若第二拟合函数未通过有效性检测，将第二拟合函数对应的置信度变为低置信度(例如，第二拟合函数对应的置信度为0)。
作为一个示例，图8为有效性检测的流程示例图，如图8所示，对第二拟合函数进行有效性检测，其中参数为第二拟合函数的系数，参数是否更新为判断M个第四拟合函数分别对应的函数系数是否均不同，以及判断M个第四拟合函数的函数系数对应的计数标识是否依次变化，参数是否处于有效数值范围内为判断基于第二拟合函数确定的目标车道线的宽度是否小于预设车道线宽度，参数是否不存在跳动或抖动为判断第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量是否位于预设数值范围。
这样，对有效性进行检测，在拟合过程中出现异常时，能够及时发现。
基于上述实施例提供的车道线融合方法，相应地，本申请还提供了车道线融合装置的具体实现方式。请参见以下实施例。
首先参见图10，本申请实施例提供的车道线融合装置900包括：
获取模块1010，用于获取第一数据采集周期内车辆的定位信息、第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，第二数据采集周期为第一数据采集周期之前的数据采集周期；
处理模块1020，用于根据定位信息，确定车辆所在道路对应目标车道线的第一拟合函数，其中，目标车道线为道路两侧车道线中的任一车道线；以及，根据道路的图像数据，确定目标车道线的第二拟合函数；
获取模块1010，还用于获取第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数分别对应的置信度；
处理模块1020，还用于根据预设的校验条件，分别对第一拟合函数和第二拟合函数进行有效性检测；
处理模块1020，还用于在第一拟合函数和第二拟合函数进行有效性检测分别通过有效性检测的情况下，根据第一拟合函数、第二拟合函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
基于此，在一些实施例中，处理模块1020可以包括：
处理子模块，用于在第一拟合函数和第二拟合函数分别通过有效性检测的情况下，根据预设函数平滑算法，分别对第一拟合函数和第二拟合函数进行预设平滑处理，得到第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数；
计算子模块，用于根据第一平滑函数、第二平滑函数和第二数据采集周期对应的车道线融合函数，以及第一拟合函数、第二拟合函数和第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到第一数据采集周期对应的目标车道线融合函数。
基于此，在一些实施例中，处理子模块可以包括：
获取单元，用于获取数据采集周期的周期时长、车辆的运行参数和第二数据采集周期对应的车道线融合函数的系数，运行参数包括当前车辆的运行速度和横摆角速度；
调整单元，用于根据数据采集周期的周期时长、当前车辆的运行速度和横摆角速度，对车道线融合函数的系数进行调整，生成平滑参数；
处理单元，用于在车辆未变换车道的情况下，根据平滑参数和预设平滑公式，分别对第一拟合函数和第二拟合函数进行预设平滑处理，确定第一拟合函数对应的第一平滑函数和第二拟合函数对应的第二平滑函数，其中，预设平滑公式为：
其中，M′为第一平滑函数的系数，M为第一拟合函数的系数，为平滑参数，α为预设滤波系数，C′为第二平滑函数的系数，C为第二拟合函数的系数。
基于此，在一些实施例中，第一数据采集周期包括多个采样时刻，定位信息包括多个采样时刻分别对应的经纬度信息；
处理模块1020可以包括：
确定子模块，用于根据预设坐标转换关系，确定每个经纬度信息在车辆坐标系内坐标点的坐标信息，其中，预设坐标转换关系为经纬度信息所在的地面坐标系与车辆坐标系之间的转换关系；
拟合子模块，用于对多个坐标点分别对应的坐标信息进行拟合处理，生成目标车道线的第一拟合函数。
基于此，在一些实施例中，第一拟合函数对应第一目标置信度；获取模块1010可以包括：
获取子模块，用于获取车辆中定位系统对应的定位置信度、配置于定位系统内的地图数据的地图置信度；以及，
确定子模块，用于根据多个坐标点分别对应的坐标信息，确定每个坐标点与第一拟合函数的投影距离；
确定子模块，还用于根据多个投影距离中最大投影距离对应的预设置信度范围，确定第一拟合函数的置信度，其中，预设置信度范围包括至少一个预设的数值范围，每个数值范围对应一个置信度；
计算子模块，用于计算地图置信度、定位置信度，以及第一拟合函数的置信度之积，得到第一拟合函数对应的第一目标置信度。
基于此，在一些实施例中，处理模块1020可以包括：
获取子模块，用于获取第一拟合函数的校验参数，第一拟合函数的校验参数包括第一数据采集周期之前的L个数据采集周期分别对应的第三拟合函数的函数系数和每个第三拟合函数的函数系数对应的计数标识，第三拟合函数基于车辆的定位信息确定；
判断子模块，用于在第一拟合函数的校验参数满足第一预设有效性判定条件的情况下，第一拟合函数通过有效性检测；
第一预设有效性判定条件包括以下至少一个或多个判定条件：
L个第三拟合函数分别对应的函数系数均不同；
L个第三拟合函数的函数系数对应的计数标识依次变化；
基于第一拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量位于预设数值范围。
基于此，在一些实施例中，其特征在于，处理模块1020可以包括：
生成子模块，用于对道路的图像数据进行识别分析，生成目标车道线的初始拟合函数和目标车道线的类别信息，其中，类别信息关联预设补偿参数和函数移动方向；
处理子模块，还用于根据目标车道线的类别信息关联的补偿参数和函数移动方向，移动初始拟合函数，得到第二拟合函数。
基于此，在一些实施例中，第二拟合函数对应第二目标置信度；第二目标置信度基于道路的图像数据的清晰度确定。
基于此，在一些实施例中，处理模块1020可以包括：
获取子模块，还用于获取第二拟合函数的校验参数，第二拟合函数的校验参数包括第一数据采集周期之前的M个数据采集周期分别对应的第四拟合函数的函数系数和每个第四拟合函数的函数系数对应的计数标识，第四拟合函数基于车辆的定位信息确定；
判断子模块，还用于在第二拟合函数的校验参数满足第二预设有效性判定条件的情况下，第二拟合函数通过有效性检测；
第二预设有效性判定条件包括以下至少一个或多个判定条件：
M个第四拟合函数分别对应的函数系数均不同；
M个第四拟合函数的函数系数对应的计数标识依次变化；
基于第二拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量位于预设数值范围。
本申请实施例提供的车道线融合装置的各个模块，可以实现图1至图8提供车道线融合方法的各个步骤的功能，并能达到其相应的技术效果，为简洁描述，在此不再赘述。
基于同一发明构思，本申请实施例还提供了一种电子设备。
图11示出了本申请实施例提供的电子设备的硬件结构示意图。
在电子设备可以包括处理器1101以及存储有计算机程序指令的存储器1102。
具体地，上述处理器1101可以包括中央处理器(Central Processing Unit，CPU)，或者特定集成电路(Application Specific Integrated Circuit，ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器1102可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器1102可包括硬盘驱动器(Hard Disk Drive，HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus，USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器1102可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器1102可在综合网关容灾设备的内部或外部。在特定实施例中，存储器1102是非易失性固态存储器。
存储器可包括只读存储器(Read Only Memory，ROM)，随机存取存储器(RandomAccess Memory，RAM)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器1101通过读取并执行存储器1102中存储的计算机程序指令，以实现上述实施例中的任意一种车道线融合方法。
在一个示例中，电子设备还可包括通信接口1103和总线1110。其中，如图11所示，处理器1101、存储器1102、通信接口1103通过总线1110连接并完成相互间的通信。
通信接口1103，主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线1110包括硬件、软件或两者，将电子设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(Accelerated Graphics Port，AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture，EISA)总线、前端总线(Front Side Bus，FSB)、超传输(Hyper Transport，HT)互连、工业标准架构(IndustryStandard Architecture，ISA)总线、无限带宽互连、低引脚数(Linear PredictiveCoding，LPC)总线、存储器总线、微信道架构(MicroChannel Architecture，MCA)总线、外围组件互连(Peripheral Component Interconnect，PCI)总线、PCI-Express(PeripheralComponent Interconnect-X，PCI-X)总线、串行高级技术附件(Serial AdvancedTechnology Attachment，SATA)总线、视频电子标准协会局部(VESA Local Bus，VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线1110可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线，但本申请考虑任何合适的总线或互连。该电子设备可以执行本发明实施例中的车道线融合方法，从而实现图1至图8描述的车道线融合方法。
另外，结合上述实施例中的车道线融合方法，本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种车道线融合方法。
本申请还提供了一种计算机程序产品，所述计算机程序产品中的指令由电子设备的处理器执行时，使得所述电子设备执行实现上述任意一种车道线融合方法实施例的各个过程。
需要明确的是，本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本申请的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本申请的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、只读存储器(Read-Only Memory，ROM)、闪存、可擦除只读存储器(Erasable ReadOnly Memory，EROM)、软盘、只读光盘(Compact Disc Read-Only Memory，CD-ROM)、光盘、硬盘、光纤介质、射频(Radio Frequency，RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本申请中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本申请不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，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，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
以上，仅为本申请的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种车道线融合方法，其特征在于，包括：
获取第一数据采集周期内车辆的定位信息、所述第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，所述第二数据采集周期为第一数据采集周期之前的数据采集周期；
根据所述定位信息，确定所述车辆所在道路对应目标车道线的第一拟合函数，其中，所述目标车道线为所述道路两侧车道线中的任一车道线；
根据所述道路的图像数据，确定所述目标车道线的第二拟合函数；
获取所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数分别对应的置信度；
根据预设的校验条件，分别对所述第一拟合函数和所述第二拟合函数进行有效性检测；
在所述第一拟合函数和所述第二拟合函数分别通过所述有效性检测的情况下，根据所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数，以及所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到所述第一数据采集周期对应的目标车道线融合函数。
2.根据权利要求1所述的方法，其特征在于，所述在所述第一拟合函数和所述第二拟合函数分别通过所述有效性检测的情况下，根据所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数，以及所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数分别对应的置信度，进行加权计算，得到所述第一数据采集周期对应的目标车道线融合函数，包括：
在所述第一拟合函数和所述第二拟合函数分别通过所述有效性检测的情况下，根据预设函数平滑算法，分别对所述第一拟合函数和所述第二拟合函数进行预设平滑处理，得到所述第一拟合函数对应的第一平滑函数和所述第二拟合函数对应的第二平滑函数；
根据所述第一平滑函数、所述第二平滑函数和所述第二数据采集周期对应的车道线融合函数，以及所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到所述第一数据采集周期对应的目标车道线融合函数。
3.根据权利要求2所述的方法，其特征在于，所述根据预设函数平滑算法，分别对所述第一拟合函数和所述第二拟合函数进行预设平滑处理，得到所述第一拟合函数对应的第一平滑函数和所述第二拟合函数对应的第二平滑函，包括：
获取数据采集周期的周期时长、所述车辆的运行参数和所述第二数据采集周期对应的车道线融合函数的系数，所述运行参数包括当前所述车辆的运行速度和横摆角速度；
根据所述数据采集周期的周期时长、当前所述车辆的运行速度和横摆角速度，对所述车道线融合函数的系数进行调整，生成平滑参数；
在所述车辆未变换车道的情况下，根据所述平滑参数和预设平滑公式，分别对所述第一拟合函数和所述第二拟合函数进行预设平滑处理，确定所述第一拟合函数对应的第一平滑函数和所述第二拟合函数对应的第二平滑函数，其中，所述预设平滑公式为：
其中，M′为所述第一平滑函数的系数，M为所述第一拟合函数的系数，为所述平滑参数，α为预设滤波系数，C′为所述第二平滑函数的系数，C为所述第二拟合函数的系数。
4.根据权利要求1所述的方法，其特征在于，所述第一数据采集周期包括多个采样时刻，所述定位信息包括多个采样时刻分别对应的经纬度信息；
所述根据所述定位信息，确定所述车辆所在道路对应目标车道线的第一拟合函数，包括：
根据预设坐标转换关系，确定每个所述经纬度信息在车辆坐标系内坐标点的坐标信息，其中，所述预设坐标转换关系为经纬度信息所在的地面坐标系与所述车辆坐标系之间的转换关系；
对多个所述坐标点分别对应的坐标信息进行拟合处理，生成所述目标车道线的第一拟合函数。
5.根据权利要求4所述的方法，其特征在于，所述第一拟合函数对应第一目标置信度；获取所述第一拟合函数对应的第一目标置信度，包括：
获取所述车辆中定位系统对应的定位置信度、配置于所述定位系统内的地图数据的地图置信度；以及，
根据多个所述坐标点分别对应的坐标信息，确定每个所述坐标点与所述第一拟合函数的投影距离；
根据多个所述投影距离中最大投影距离对应的预设置信度范围，确定所述第一拟合函数的置信度，其中，所述预设置信度范围包括至少一个预设的数值范围，每个所述数值范围对应一个置信度；
计算所述地图置信度、所述定位置信度，以及所述第一拟合函数的置信度之积，得到所述第一拟合函数对应的第一目标置信度。
6.根据权利要求5所述的方法，其特征在于，根据预设的校验条件，对所述第一拟合函数进行有效性检测，包括：
获取所述第一拟合函数的校验参数，所述第一拟合函数的校验参数包括所述第一数据采集周期之前的L个数据采集周期分别对应的第三拟合函数的函数系数和每个所述第三拟合函数的函数系数对应的计数标识，所述第三拟合函数基于车辆的定位信息确定；
在所述第一拟合函数的校验参数满足第一预设有效性判定条件的情况下，所述第一拟合函数通过所述有效性检测；
所述第一预设有效性判定条件包括以下至少一个或多个判定条件：
L个所述第三拟合函数分别对应的函数系数均不同；
L个所述第三拟合函数的函数系数对应的计数标识依次变化；
基于所述第一拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第l个数据采集周期对应第三拟合函数的函数系数与第l个数据采集周期之前的数据采集周期对应第三拟合函数的函数系数的变化量位于预设数值范围。
7.根据权利要求1所述的方法，其特征在于，所述根据所述道路的图像数据，确定所述目标车道线的第二拟合函数，包括：
对所述道路的图像数据进行识别分析，生成所述目标车道线的初始拟合函数和所述目标车道线的类别信息，其中，类别信息关联预设补偿参数和函数移动方向；
根据所述目标车道线的类别信息关联的补偿参数和所述函数移动方向，移动所述初始拟合函数，得到所述第二拟合函数。
8.根据权利要求7所述的方法，其特征在于，所述第二拟合函数对应第二目标置信度；所述第二目标置信度基于所述道路的图像数据的清晰度确定。
9.根据权利要求8所述的方法，其特征在于，根据预设的校验条件，对所述第二拟合函数进行有效性检测，包括：
获取所述第二拟合函数的校验参数，所述第二拟合函数的校验参数包括所述第一数据采集周期之前的M个数据采集周期分别对应的第四拟合函数的函数系数和每个所述第四拟合函数的函数系数对应的计数标识，所述第四拟合函数基于车辆的定位信息确定；
在所述第二拟合函数的校验参数满足第二预设有效性判定条件的情况下，所述第二拟合函数通过所述有效性检测；
所述第二预设有效性判定条件包括以下至少一个或多个判定条件：
M个所述第四拟合函数分别对应的函数系数均不同；
M个所述第四拟合函数的函数系数对应的计数标识依次变化；
基于所述第二拟合函数确定的目标车道线的宽度小于预设车道线宽度；
第m个数据采集周期对应第四拟合函数的函数系数与第m个数据采集周期之前的数据采集周期对应第四拟合函数的函数系数的变化量位于预设数值范围。
10.一种车道线融合装置，其特征在于，所述装置包括：
获取模块，用于获取第一数据采集周期内车辆的定位信息、所述第一数据采集周期内车辆所在道路的图像数据，以及第二数据采集周期对应的车道线融合函数，其中，所述第二数据采集周期为第一数据采集周期之前的数据采集周期；
处理模块，用于根据所述定位信息，确定所述车辆所在道路对应目标车道线的第一拟合函数，其中，所述目标车道线为所述道路两侧车道线中的任一车道线；以及，根据所述道路的图像数据，确定所述目标车道线的第二拟合函数；
所述获取模块，还用于获取所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数分别对应的置信度；
所述处理模块，还用于根据预设的校验条件，分别对所述第一拟合函数和所述第二拟合函数进行有效性检测；
所述处理模块，还用于在所述第一拟合函数和所述第二拟合函数进行有效性检测分别通过所述有效性检测的情况下，根据所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应的车道线融合函数，以及所述第一拟合函数、所述第二拟合函数和所述第二数据采集周期对应车道线融合函数分别对应的置信度，进行加权计算，得到所述第一数据采集周期对应的目标车道线融合函数。
CN202311022111.8A 2023-08-14 2023-08-14 车道线融合方法和装置 Pending CN117058506A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311022111.8A CN117058506A (zh) 2023-08-14 2023-08-14 车道线融合方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311022111.8A CN117058506A (zh) 2023-08-14 2023-08-14 车道线融合方法和装置

Publications (1)

Publication Number Publication Date
CN117058506A true CN117058506A (zh) 2023-11-14

Family

ID=88654720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311022111.8A Pending CN117058506A (zh) 2023-08-14 2023-08-14 车道线融合方法和装置

Country Status (1)

Country Link
CN (1) CN117058506A (zh)

Similar Documents

Publication Publication Date Title
CN114093171B (zh) 基于多源数据融合的交通运行状态监测方法及装置
CN112578419A (zh) 一种基于gru网络和卡尔曼滤波的gps数据重构方法
CN112465193A (zh) 多传感器数据融合的参数优化方法及装置
CN110413942B (zh) 车道线方程筛选方法及其筛选模块
CN115390086A (zh) 用于自动驾驶的融合定位方法、装置及电子设备、存储介质
CN116968733B (zh) 车辆安全风险评估方法及其装置、设备、介质
CN112560689B (zh) 一种车位检测方法、装置、电子设备和存储介质
CN117058506A (zh) 车道线融合方法和装置
CN116295490A (zh) 车辆定位方法、装置及电子设备、存储介质
CN116224317A (zh) 非机动车运动轨迹的预测方法、装置及相关设备
CN112598314B (zh) 智能驾驶汽车的感知置信度确定方法、装置、设备及介质
CN113470070A (zh) 驾驶场景目标跟踪方法、装置、设备及存储介质
CN113763483B (zh) 行车记录仪俯仰角标定方法及装置
CN117351338B (zh) 一种自动校桩方法、系统和设备
CN110987945A (zh) 缺陷检测方法、检测装置及触控显示面板的检测方法
JP2003185466A (ja) 距離係数算出装置
CN117572335B (zh) 激光定位置信度的更新方法、装置及电子设备
CN110341716B (zh) 车速计算方法、装置、自动驾驶系统及存储介质
CN116794654A (zh) 道路护栏的检测方法及装置
CN115049996B (zh) 基于证据推理规则的双传感器目标检测融合方法和系统
CN113888602B (zh) 一种雷达车辆目标与视觉车辆目标的关联方法及装置
CN112629553B (zh) 一种智能网联环境下车辆协同定位方法、系统及装置
CN115805948B (zh) 车辆异常行驶行为检测方法、装置、电子设备和存储介质
CN116736327B (zh) 定位数据优化方法、装置、电子设备和可读存储介质
JP4983770B2 (ja) 変換係数の導出方法およびナビゲーション装置

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