CN117268424B - 一种多传感器融合的自动驾驶寻线方法及装置 - Google Patents
一种多传感器融合的自动驾驶寻线方法及装置 Download PDFInfo
- Publication number
- CN117268424B CN117268424B CN202311551888.3A CN202311551888A CN117268424B CN 117268424 B CN117268424 B CN 117268424B CN 202311551888 A CN202311551888 A CN 202311551888A CN 117268424 B CN117268424 B CN 117268424B
- Authority
- CN
- China
- Prior art keywords
- lane line
- automatic driving
- line
- driving vehicle
- information
- 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 61
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 230000002159 abnormal effect Effects 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 49
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012937 correction Methods 0.000 claims description 18
- 230000001133 acceleration Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 13
- 230000033001 locomotion Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种多传感器融合的自动驾驶寻线方法及装置。该多传感器融合的自动驾驶寻线方法，包括以下步骤：采集传感器的实时基本参数和定位信息，划分近景车道线和远景车道线，分析近景车道线与虚拟车辙线位置对应的契合指数，分析远景车道线与定位点附近车道线对应的契合指数，评定自动驾驶车辆的寻线准确度，对近景车道线、远景车道线和异常信息进行提示。本发明通过实时采集传感器数据和定位信息，分析近景和远景车道线，综合分析契合指数以评估车辆与车道线的匹配程度，从而及时适应复杂道路环境和标记变化，达到了提高自动驾驶车辆的寻线准确性和适应性的效果，解决了现有技术中存在车辆无法准确跟踪最新的车道线信息的问题。
Description
技术领域
本发明涉及自动驾驶技术领域，尤其涉及一种多传感器融合的自动驾驶寻线方法及装置。
背景技术
自动驾驶技术在近年来得到了快速发展，成为汽车行业的热门研究方向。而其中一个重要的挑战是实现精准的寻线，即让自动驾驶车辆能够准确地识别和跟踪道路线路。为了提高寻线的准确性和稳定性，研究人员开始关注开发一种多传感器融合的自动驾驶寻线方法，即利用多种传感器（如摄像头、激光雷达等）收集并融合多源数据，以提供更可靠的寻线信息和决策。
目前已有一些现有实现技术可用于多传感器融合的自动驾驶寻线。其中，摄像头和激光雷达是常用的传感器，用于获取道路信息和障碍物检测。利用计算机视觉和图像处理技术，可以从摄像头图像中提取道路特征和边界线信息。同时，激光雷达可以提供更精确的距离和深度信息，以补充和验证摄像头数据。此外，惯性测量单元（IMU）和全局定位系统（GPS）等传感器也可用于提供车辆的位置和运动信息。通过融合多个传感器的数据，并运用机器学习和感知算法，可以实现自动驾驶车辆的精准寻线和路径规划。
例如公开号为：CN113343742A的发明专利公开的一种车道线检测方法、一种车道线检测系统，包括：S1.获取行驶前方的前视图像；S2.对前视图像进行预处理；S3.在经预处理后的图像中获取感兴趣区域，并将所述感兴趣区域的图像由前视视角转换为俯视视角，得到俯视图像；S4.对所述俯视图像进行像素点划分，得到二值图；S5.在所述二值图中确定车道的搜寻起点；S6.以所述搜寻起点开始，在所述二值图中描绘出车道线路径；S7.将所述车道线路径进行拟合，得到最终车道线。
例如公开号为：CN108845315A的发明专利公开的基于车载激光雷达的车道线识别方法，包括：一、读取curb中间的道路点云数据，二、排序，三、均值滤波，四、寻找峰值，五、车道线高度信息筛选，六、多线束联合筛选峰值。将自车前方和后方的车道线识别出来。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
现有技术中，自动驾驶车辆的寻线算法往往针对特定的道路类型和交通情况进行设计，在实际道路上，道路标记可能会受到多种因素的影响而发生变化，例如施工、恶劣天气或者损坏，存在车辆无法准确跟踪最新的车道线信息的问题。
发明内容
本申请实施例通过提供一种多传感器融合的自动驾驶寻线方法及装置，解决了现有技术中存在车辆无法准确跟踪最新的车道线信息的问题，实现了提高自动驾驶车辆的寻线准确性和适应性。
本申请实施例提供了一种多传感器融合的自动驾驶寻线方法，包括以下步骤：S1，采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；S2，对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；S3，获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；S4，获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；S5，获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；S6，将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示。
进一步的，所述传感参数包括纹理信息、前方探测距离值、后方探测距离值、左方探测距离值、右方探测距离值和侧向加速度。
进一步的，所述定位信息包括当前定位点的高度定位信息和水平定位信息，还包括各地区的车道线信息。
进一步的，所述统计分析得到标准虚拟车辙线位置的具体步骤为：依据预设的自动驾驶车辆的近景车道线信息，其中，近景车道线包括预设的各种驾驶操作对应的虚拟车辙线、虚拟车辙线距离车道线两端的标准距离和标准距离允许差值，还包括虚拟车辙线与车道线之间的标准夹角和标准夹角允许差值；根据自动驾驶车辆的各种驾驶操作对应的虚拟车辙线与车道线两端的距离和虚拟车辙线与车道线之间的夹角，统计分析出标准虚拟车辙线的位置，设为标准虚拟车辙线位置。
进一步的，所述分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数的具体步骤为：提取自动驾驶车辆获取的纹理信息，并据此通过图像处理识别出初步近景车道线的位置；获取自动驾驶车辆的行驶虚拟车辙线的位置记录，其中，虚拟车辙线指在获取纹理信息的画面中根据自动驾驶车辆两个后轮间距预设的两个固定不动的点作为虚拟车辙起始点，当车辆行驶时，传感器获得道路的纹理信息产生变化，同时记录虚拟车辙起始点在纹理信息上留下的移动记录，该移动记录进行整合作为虚拟车辙线进行保存；根据初步近景车道线的位置和行驶虚拟车辙线的位置记录/>，分析出自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数/>，具体的分析公式为：
，其中，/>和/>分别为初步近景车道线的位置/>和行驶虚拟车辙线的位置记录/>的权重值，e为自然常数，/>为近景车道线与虚拟车辙线位置对应的契合指数的修正因子；当近景车道线与虚拟车辙线位置对应的契合指数高于一定阈值时，将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息；当近景车道线与虚拟车辙线位置对应的契合指数低于一定阈值时，分析自动驾驶车辆周围的环境，若正常则将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息，否则将近景车道线与虚拟车辙线位置对应的契合指数记为异常信息，并将异常信息进行提示。
进一步的，所述分析自动驾驶车辆周围的环境的具体过程为：提取前方探测距离值、后方探测距离值、左方探测距离值和右方探测距离值，并由其计算出自动驾驶车辆周围的环境和标准行驶环境/>的契合指数/>，契合指数的具体计算公式为：
，其中，/>为设置的契合指数的修正因子；当契合指数高于一定阈值时，记当前自动驾驶车辆周围的环境符合正常行驶的标准行驶环境，同时将低于一定阈值的近景车道线与虚拟车道线之间的契合指数时记为正常信息；当契合指数低于一定阈值时，分析自动驾驶车辆的变动许可度，当变动许可度高于一定阈值，即为正常信息时，记当前自动驾驶车辆周围环境的正常信息，否则记当前自动驾驶车辆周围环境的异常信息，并对该异常信息进行异常信息提示；所述分析自动驾驶车辆的变动许可度具体步骤为：根据自动驾驶车辆周围的环境，分析出对应的近景模拟车道线/>；根据近景模拟车道线和行驶虚拟车辙线的位置记录/>，分析出当前自动驾驶车辆的行驶过程中虚拟车辙线的变动指数：/>，其中，/>为设定的许可变动差值，/>为设置的虚拟车辙线的变动指数的修正因子；提取自动驾驶汽车的侧向加速度，通过公式：
计算出行驶自动驾驶车辆的变动许可度/>，其中，/>表示侧向加速度，/>和/>分别为预设的侧向加速度和变动指数的影响权重值，/>表示设置的行驶虚拟车辙线的标准变动指数，/>表示预设的行驶虚拟车辙线的变动许可度的修正因子；当变动许可度高于一定阈值时，记行驶虚拟车辙线的变动许可度为正常信息；当变动许可度低于一定阈值时，记行驶虚拟车辙线的变动许可度为异常信息，并将异常信息进行提示。
进一步的，所述分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数的具体步骤为：提取自动驾驶车辆获取的纹理信息，并据此图像处理识别分析出自动驾驶车辆前方的初步远景车道线的轨迹；提取当前定位点的高度定位信息和水平定位信息，并据其获取当前自动驾驶车辆的当前准确的定位点；提取各地区的车道线信息，根据当前自动驾驶车辆的当前准确的定位点找到定位点附近车道线，即当前自动驾驶车辆前方的车道线信息，并从中提取出当前自动驾驶车辆前方的标准远景车道线轨迹；计算识别到的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数。
进一步的，所述初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的具体计算表达式为：
，其中，/>和/>分别为识别到的初步远景车道线轨迹的轨迹和标准远景车道线轨迹，/>为初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的修正因子。
进一步的，所述计算自动驾驶车辆的寻线准确度的具体过程为：根据自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数以及初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数/>通过公式：
计算出自动驾驶车辆的寻线准确度/>，其中，/>为预设的近景车道线与虚拟车辙线位置对应的契合指数的影响因子，/>为预设的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的影响因子。
本申请实施例提供了一种使用多传感器融合的自动驾驶寻线方法的寻线装置，包括信息采集模块、寻线情况划分模块、近景车道线分析模块、远景车道线分析模块、寻线情况准确度评定模块和异常提示模块：所述信息采集模块：用于采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；所述寻线情况划分模块：用于对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；所述近景车道线分析模块：用于获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；所述远景车道线分析模块：用于获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；所述寻线情况准确度评定模块：用于获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；所述异常提示模块：用于将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示。
本申请实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：
1、通过实时采集传感器数据和定位信息，分析近景和远景车道线，综合分析契合指数以评估车辆与车道线的匹配程度，从而及时适应复杂道路环境和标记变化，进而实现了提高自动驾驶车辆的寻线准确性和适应性，有效解决了现有技术中存在车辆无法准确跟踪最新的车道线信息的问题。
2、通过对异常信息的提醒设置多层判断，即近景车道线与虚拟车辙线位置对应的契合指数低于一定阈值时，分析自动驾驶车辆周围的环境和标准行驶环境的契合指数，若其也低于一定阈值，则分析自动驾驶车辆的变动许可度，最终根据变动许可度来判断近景车道线与虚拟车辙线位置对应的契合指数，同时，若自动驾驶车辆周围的环境和标准行驶环境的契合指数高于一定阈值则不需要进行深层分析，若近景车道线与虚拟车辙线位置对应的契合指数亦不需要深层分析，从而有效排除偶发的误判和异常情况，避免契合指数高于阈值时进行不必要的深层分析，进而实现了增强自动驾驶系统的安全性和稳定性，提高系统的响应速度和处理效率。
3、通过在分析近景车道线与虚拟车辙线位置对应的契合指数的过程中设置用于作为车辆行驶轨迹参考线的虚拟车辙线和作为车道线标定依据的近景模拟车道线，从而在简单且灵活的记录虚拟车辙线的同时，能够适应不同道路类型和标记变化的情况，及时更新地图和车辆的车道线信息，进而实现了提高寻线算法的适应性和鲁棒性，近景车道线在标记损坏等情况下仍能有效工作。
附图说明
图1为本申请实施例提供的多传感器融合的自动驾驶寻线方法流程图；
图2为本申请实施例提供的远景车道线与定位点附近车道线之间契合指数的分析步骤流程图；
图3为本申请实施例提供的多传感器融合的自动驾驶寻线装置结构图。
具体实施方式
本申请实施例通过提供一种多传感器融合的自动驾驶寻线方法及装置，解决了现有技术中存在车辆无法准确跟踪最新的车道线信息的问题，通过通过实时采集传感器数据和定位信息，分析近景和远景车道线，综合分析契合指数以评估车辆与车道线的匹配程度，实现了提高自动驾驶车辆的寻线准确性和适应性。
本申请实施例中的技术方案为解决上述车辆无法准确跟踪最新的车道线信息的问题，总体思路如下：
通过将采集传感器的实时基本参数和定位信息，划分近景车道线和远景车道线，分析近景车道线与虚拟车辙线位置对应的契合指数，分析远景车道线与定位点附近车道线对应的契合指数，再根据近景车道线与虚拟车辙线位置之间的契合指数以及远景车道线与定位点附近车道线之间的契合指数评定自动驾驶车辆的寻线准确度，对近景车道线、远景车道线和异常信息进行提示，达到了提高自动驾驶车辆的寻线准确性和适应性。
为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示，为本申请实施例提供的多传感器融合的自动驾驶寻线方法流程图，该方法应用于多传感器融合的自动驾驶寻线装置中，该方法包括以下步骤：S1，采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；S2，对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；S3，获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；S4，获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；S5，获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；S6，将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示。
在本实施例中，获取自动驾驶车辆的前轮距和后轮距，设前轮距与后轮距的平均值为虚拟车辙线的标准宽度，将虚拟车辙线的标准宽度的中点与自动驾驶车辆车宽度的中线对齐，虚拟车辙线的标准宽度平行于自动驾驶车俩的宽度，并在虚拟车辙线标准宽度对应在自动驾驶车辆的两端分别设置标记点。这两个标记点用于在自动驾驶车辆前后方分别获取的车道线信息上实时留下虚拟车辙线对应的行驶轨迹，该行驶轨迹作为虚拟车辙位置，同时带有虚拟车辙线行驶轨迹的车道线信息将被保留，用于后续查看或使用。而标准虚拟车辙线是根据大量符合规定的虚拟车辙线的历史数据学习得出的最优虚拟车辙线。规定包括虚拟车辙线到车道线两端的距离符合一定数值等；学习方法包括机器学习和最佳尺度回归等。
上述预设自动驾驶车辆的近景车道线信息，其中，近景车道线信息包括：预设的各种驾驶操作对应的虚拟车辙线、虚拟车辙线距离车道线两端的标准距离和标准距离允许差值，还包括虚拟车辙线与车道线之间的标准夹角和标准夹角允许差值。
由于不同驾驶操作对应的虚拟车辙线的位置不同，例如，直行时虚拟车辙线是直的，转向时虚拟车辙线是朝向所转方向弯曲的，此处应当避免出现转向时虚拟车辙线依旧按照直线方式标注，尽量使得虚拟车辙线与行驶路过的车道线呈现一定夹角时，保持虚拟车辙线两端标记点与车道线两端距离尽量贴近虚拟车辙线距离车道线两端的标准距离，且偏移距离不超过标准距离允许差值。将不同驾驶操作对应的虚拟车辙线与车道线两端的距离历史记录输入深度学习模型，学习出距离位置特征。
同时不同驾驶操作对应的虚拟车辙线与车道线之间的夹角也不同，将各个不同驾驶操作对应的虚拟车辙线与车道线之间的历史虚拟车辙线与车道线之间的夹角记录输入深度学习模型，学习出标准夹角的角度位置特征，结合距离位置特征和角度位置特征学习出标准虚拟车辙线位置。
进一步的，传感参数包括纹理信息、前方探测距离值、后方探测距离值、左方探测距离值、右方探测距离值和侧向加速度。
在本实施例中，纹理信息是通过传感器获取的道路表面纹理特征，通过图像处理和计算机视觉技术进行识别和分析。前方、后方、左方和右方探测距离值用于感知车辆周围的环境和障碍物。这些距离值通过激光雷达、超声波传感器或摄像头等设备测量得到。在寻线过程中，这些距离值提供了车辆周围环境的空间信息，用于判断车道线的位置以及车辆与周围环境的相对位置关系。侧向加速度是指车辆在横向运动中的加速度值。通过测量车辆的侧向加速度，以了解车辆在转弯或变道等横向运动时的动态特性。在寻线过程中，侧向加速度用于对车辆的寻线行为进行评估和调整。
进一步的，定位信息包括当前定位点的高度定位信息和水平定位信息，还包括各地区的车道线信息。
在本实施例中，高度定位信息、水平定位信息以及各地区的车道线信息分别为自动驾驶车辆的定位精度和远景车道线对比提供数据支持，有助于实现车辆在复杂道路环境中的精确定位和准确寻线。
进一步的，统计分析得到标准虚拟车辙线位置的具体步骤为：依据预设的自动驾驶车辆的近景车道线信息，其中，近景车道线包括预设的各种驾驶操作对应的虚拟车辙线、虚拟车辙线距离车道线两端的标准距离和标准距离允许差值，还包括虚拟车辙线与车道线之间的标准夹角和标准夹角允许差值；根据自动驾驶车辆的各种驾驶操作对应的虚拟车辙线与车道线两端的距离和虚拟车辙线与车道线之间的夹角，统计分析出标准虚拟车辙线的位置，设为标准虚拟车辙线位置。
在本实施例中，通过收集并分析大量的驾驶数据，统计出虚拟车辙线的位置，即使在不同驾驶操作和道路情况下，也能得到虚拟车辙线的一致位置。这样得到的统计数据将作为标准虚拟车辙线的位置。
进一步的，分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数的具体步骤为：提取自动驾驶车辆获取的纹理信息，并据此通过图像处理识别出初步近景车道线的位置；获取自动驾驶车辆的行驶虚拟车辙线的位置记录，其中，虚拟车辙线指在获取纹理信息的画面中根据自动驾驶车辆两个后轮间距预设的两个固定不动的点作为虚拟车辙起始点，当车辆行驶时，传感器获得道路的纹理信息产生变化，同时记录虚拟车辙起始点在纹理信息上留下的移动记录，该移动记录进行整合作为虚拟车辙线进行保存；根据初步近景车道线的位置和行驶虚拟车辙线的位置记录/>，分析出自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数/>，具体的分析公式为：
，其中，/>和/>分别为初步近景车道线的位置/>和行驶虚拟车辙线的位置记录/>的权重值，e为自然常数，/>为近景车道线与虚拟车辙线位置对应的契合指数的修正因子；当近景车道线与虚拟车辙线位置对应的契合指数高于一定阈值时，将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息；当近景车道线与虚拟车辙线位置对应的契合指数低于一定阈值时，分析自动驾驶车辆周围的环境，若正常则将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息，否则将近景车道线与虚拟车辙线位置对应的契合指数记为异常信息，并将异常信息进行提示。
在本实施例中，上述的正常即对应的契合指数为正常信息，异常即对应的契合指数为异常信息，所以自动驾驶车辆周围的环境为正常指的是自动驾驶车辆周围的环境与标准行驶环境的契合指数高于一定阈值为正常信息，即前自动驾驶车辆周围的环境符合正常行驶的标准行驶环境。
进一步的，分析自动驾驶车辆周围的环境的具体过程为：提取前方探测距离值、后方探测距离值、左方探测距离值和右方探测距离值，并由其计算出自动驾驶车辆周围的环境和标准行驶环境/>的契合指数/>，契合指数的具体计算公式为：，其中，/>为设置的契合指数的修正因子；当契合指数高于一定阈值时，记当前自动驾驶车辆周围的环境符合正常行驶的标准行驶环境，同时将低于一定阈值的近景车道线与虚拟车道线之间的契合指数时记为正常信息；当契合指数低于一定阈值时，分析自动驾驶车辆的变动许可度，当变动许可度高于一定阈值，即变动许可度为正常信息时，记当前自动驾驶车辆周围环境的正常信息，否则记当前自动驾驶车辆周围环境的异常信息，并对该异常信息进行异常信息提示；分析自动驾驶车辆的变动许可度具体步骤为：根据自动驾驶车辆周围的环境，分析出对应的近景模拟车道线/>；根据近景模拟车道线和行驶虚拟车辙线的位置记录/>，分析出当前自动驾驶车辆的行驶过程中虚拟车辙线的变动指数：
，其中，/>为设定的许可变动差值，/>为设置的虚拟车辙线的变动指数的修正因子；提取自动驾驶汽车的侧向加速度，通过公式：
计算出行驶自动驾驶车辆的变动许可度/>，其中，/>表示侧向加速度，/>和/>分别为预设的侧向加速度和变动指数的影响权重值，/>表示设置的行驶虚拟车辙线的标准变动指数，/>表示预设的行驶虚拟车辙线的变动许可度的修正因子；当变动许可度高于一定阈值时，记行驶虚拟车辙线的变动许可度为正常信息；当变动许可度低于一定阈值时，记行驶虚拟车辙线的变动许可度为异常信息，并将异常信息进行提示。
在本实施例中，当实际道路上出现路障导致车道线临时改变，则需要根据自动驾驶车辆周围的环境分析出对应的近景模拟车道线，自动驾驶车辆周围的环境中共能够提取出周围多个车辆或建筑的排列，根据该排列得出近景模拟车道线，避免了因为车道线临时的更改导致的异常提示。
上述的标准行驶环境对应有标准前方探测距离值、标准后方探测距离值、标准左方探测距离值和标准右方探测距离值，即在标准行驶环境下，有标准的左、右、前和后方的标准空余空间。当行驶过程其中一方的探测距离值小于该方向的标准探测距离值，说明自动驾驶车辆过于贴近该方向，存在一定行驶风险。
而标准行驶环境与标准前方探测距离值/>、标准后方探测距离值/>、标准左方探测距离值/>和标准右方探测距离值/>之间的关系表示为：
，其中，/>为自动驾驶车辆的长度，D为自动驾驶车辆的宽度，/>和/>分别为自动驾驶车辆前方标准空余面积、自动驾驶车辆后方标准空余面积、自动驾驶车辆左方标准空余面积和自动驾驶车辆右方标准空余面积的影响因子，/>为标准行驶环境的修正因子，e为自然常数；自动驾驶车辆周围的环境/>与前方探测距离值/>、后方探测距离值/>、左方探测距离值/>和右方探测距离值/>之间的关系表示为：
，和/>分别为自动驾驶车辆前方实际空余面积、自动驾驶车辆后方实际空余面积、自动驾驶车辆左方实际空余面积和自动驾驶车辆右方实际空余面积的影响因子，/>为自动驾驶车辆周围的环境的修正因子。当自动驾驶车辆周围的环境/>的值小于标准行驶环境/>时，自动驾驶车辆周围的环境/>和标准行驶环境/>的契合指数/>将报错，意味着自动驾驶车辆周围的环境已不满足标准行驶环境，正处于高风险状态，根据实际情况对其设置相应的风险提示，该风险提示可区别于异常信息提示，以区分两种不同的危险状态。
针对异常信息提示设置了多级判断：
一级判断：关于近景车道线与虚拟车辙线位置对应的契合指数：
设置一个阈值H用于契合指数的判别，当近景车道线与虚拟车辙线位置对应的契合指数/>高于一定阈值H时，则记契合指数/>为正常信息。
当近景车道线与虚拟车辙线位置对应的契合指数低于一定阈值H时，则分析自动驾驶车辆周围的环境，若自动驾驶车辆周围的环境对应的契合指数/>为正常信息，则记契合指数/>为正常信息，若自动驾驶车辆周围的环境对应的契合指数/>为异常信息，则记契合指数/>为异常信息。
二级判断：关于自动驾驶车辆周围的环境对应的契合指数的判断：
设置一个阈值M用于契合指数的判别，当自动驾驶车辆周围的环境/>和标准行驶环境/>的契合指数/>高于M时，则记契合指数/>为正常信息。
当自动驾驶车辆周围的环境和标准行驶环境/>的契合指数/>低于M时，则将近景车道线与虚拟车辙线位置对应的契合指数/>记为正常信息，同时分析自动驾驶车辆的变动许可度/>，若变动许可度/>为正常信息，则记契合指数/>为正常信息，若变动许可度/>为异常信息，则记契合指数/>为异常信息。
三级判断：关于变动许可度的判断：
设置一个阈值N用于变动许可度的判别，当变动许可度/>高于一定阈值N时，记为正常信息，当变动许可度/>低于一定阈值N时，记为异常信息。
进一步的，如图2所示，为本申请实施例提供的远景车道线与定位点附近车道线之间契合指数的分析步骤流程图，分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数的具体步骤为：提取自动驾驶车辆获取的纹理信息，并据此图像处理识别分析出自动驾驶车辆前方的初步远景车道线的轨迹；提取当前定位点的高度定位信息和水平定位信息，并据其获取当前自动驾驶车辆的当前准确的定位点；提取各地区的车道线信息，根据当前自动驾驶车辆的当前准确的定位点找到定位点附近车道线，即当前自动驾驶车辆前方的车道线信息，并从中提取出当前自动驾驶车辆前方的标准远景车道线轨迹；计算识别到的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数。
在本实施例中，分析初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数，用于判断前方的远景车道线是否与标准的车道线一致。若远景车道线与标准的车道线一致，则当稍后检测到该段路程的近景车道线与实际不符时，同时检测周围环境和标准驾驶环境是否一致，若周围环境和标准驾驶环境不一致则需要进行异常提示，若周围环境和标准驾驶环境一致则认为远景车道线上有未识别到的障碍物，记为正常行驶。若远景车道线与标准的车道线不一致，提前向用户进行远景车道线的智能提示。
进一步的，初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的具体计算表达式为：
，其中，/>和/>分别为识别到的初步远景车道线轨迹的轨迹和标准远景车道线轨迹，/>为初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的修正因子。
进一步的，计算自动驾驶车辆的寻线准确度的具体过程为：根据自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数以及初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数/>通过公式：
计算出自动驾驶车辆的寻线准确度K，其中，/>为预设的近景车道线与虚拟车辙线位置对应的契合指数的影响因子，/>为预设的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的影响因子。/>
在本实施例中，由于契合指数为区域型判断，故不引入寻线准确度判断，此处只引用自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数/>以及初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数/>进行综合计算，通过寻线准确度公式计算出寻线准确度。当契合指数/>和契合指数/>的值越低时寻线准确度K越低，当契合指数/>和契合指数/>的值过低时寻线准确度K可能为负值，当/>时可设置报警提醒，意味着准确度极低，需要维修和调试。其次可根据各契合指数的影响因子和实际寻线效果，设置满足标准的寻线准确度的阈值上界和下界。
如图3所示，为本申请实施例提供的多传感器融合的自动驾驶寻线装置结构图，本申请实施例提供的使用多传感器融合的自动驾驶寻线方法的寻线装置包括：信息采集模块、寻线情况划分模块、近景车道线分析模块、远景车道线分析模块、寻线情况准确度评定模块和异常提示模块：信息采集模块：用于采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；寻线情况划分模块：用于对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；近景车道线分析模块：用于获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；远景车道线分析模块：用于获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；寻线情况准确度评定模块：用于获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；异常提示模块：用于将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示。
在本实施例中，首先通过信息采集模块收集并统计分析传感参数和定位信息；接着通过寻线情况划分模块将寻线问题进行拆解，拆解为近景车道线和远景车道线相关的问题，再通过近景车道线分析模块对近景车道的情况进行分析，得出近景车道线与虚拟车辙线位置对应的契合指数，然后通过远景车道线分析模块对远景车道进行分析，得出远景车道线与定位点附近车道线对应的契合指数，之后通过寻线情况准确度评定模块对寻线的准确度进行评定，最后通过异常提示模块将分析过程中的异常信息进行提示。
上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：通过实时采集传感器数据和定位信息，分析近景和远景车道线，综合分析契合指数以评估车辆与车道线的匹配程度，从而及时适应复杂道路环境和标记变化，进而实现了提高自动驾驶车辆的寻线准确性和适应性，有效解决了现有技术中存在车辆无法准确跟踪最新的车道线信息的问题。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (4)
1.一种多传感器融合的自动驾驶寻线方法，其特征在于，包括以下步骤：
S1，采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；
S2，对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；
S3，获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；
S4，获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；
S5，获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；
S6，将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示；
所述统计分析得到标准虚拟车辙线位置的具体步骤为：
依据预设的自动驾驶车辆的近景车道线信息，其中，近景车道线包括预设的各种驾驶操作对应的虚拟车辙线、虚拟车辙线距离车道线两端的标准距离和标准距离允许差值，还包括虚拟车辙线与车道线之间的标准夹角和标准夹角允许差值；
根据自动驾驶车辆的各种驾驶操作对应的虚拟车辙线与车道线两端的距离和虚拟车辙线与车道线之间的夹角，统计分析出标准虚拟车辙线的位置，设为标准虚拟车辙线位置；
所述分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数的具体步骤为：
提取自动驾驶车辆获取的纹理信息，并据此通过图像处理识别出初步近景车道线的位置；
获取自动驾驶车辆的行驶虚拟车辙线的位置记录，其中，虚拟车辙线指在获取纹理信息的画面中根据自动驾驶车辆两个后轮间距预设的两个固定不动的点作为虚拟车辙起始点，当车辆行驶时，传感器获得道路的纹理信息产生变化，同时记录虚拟车辙起始点在纹理信息上留下的移动记录，该移动记录进行整合作为虚拟车辙线进行保存；
根据初步近景车道线的位置和行驶虚拟车辙线的位置记录/>，分析出自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数/>，具体的分析公式为：
，其中，/>和/>分别为初步近景车道线的位置/>和行驶虚拟车辙线的位置记录/>的权重值，e为自然常数，/>为近景车道线与虚拟车辙线位置对应的契合指数的修正因子；
当近景车道线与虚拟车辙线位置对应的契合指数高于一定阈值时，将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息；
当近景车道线与虚拟车辙线位置对应的契合指数低于一定阈值时，分析自动驾驶车辆周围的环境，若正常则将近景车道线与虚拟车辙线位置对应的契合指数记为正常信息，否则将近景车道线与虚拟车辙线位置对应的契合指数记为异常信息，并将异常信息进行提示；
所述分析自动驾驶车辆周围的环境的具体过程为：
提取前方探测距离值、后方探测距离值、左方探测距离值和右方探测距离值，并由其计算出自动驾驶车辆周围的环境和标准行驶环境/>的契合指数/>，契合指数的具体计算公式为：
，其中，/>为设置的契合指数的修正因子；
当契合指数高于一定阈值时，记当前自动驾驶车辆周围的环境符合正常行驶的标准行驶环境，同时将当前低于一定阈值的近景车道线与虚拟车道线之间的契合指数记为正常信息；
当契合指数低于一定阈值时，分析自动驾驶车辆的变动许可度，当变动许可度高于一定阈值，即变动许可度为正常信息时，记当前自动驾驶车辆周围环境的正常信息，否则记当前自动驾驶车辆周围环境的异常信息，并对该异常信息进行异常信息提示；
所述分析自动驾驶车辆的变动许可度具体步骤为：
根据自动驾驶车辆周围的环境，分析出对应的近景模拟车道线；
根据近景模拟车道线和行驶虚拟车辙线的位置记录，分析出当前自动驾驶车辆的行驶过程中虚拟车辙线的变动指数：
，其中，/>为设定的许可变动差值，/>为设置的虚拟车辙线的变动指数的修正因子；
提取自动驾驶汽车的侧向加速度，通过公式：
计算出行驶自动驾驶车辆的变动许可度，其中，/>表示侧向加速度，/>和/>分别为预设的侧向加速度和变动指数的影响权重值，/>表示设置的行驶虚拟车辙线的标准变动指数，/>表示预设的行驶虚拟车辙线的变动许可度的修正因子；
当变动许可度高于一定阈值时，记行驶虚拟车辙线的变动许可度为正常信息；
当变动许可度低于一定阈值时，记行驶虚拟车辙线的变动许可度为异常信息，并将异常信息进行提示；
所述分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数的具体步骤为：
提取自动驾驶车辆获取的纹理信息，并据此图像处理识别分析出自动驾驶车辆前方的初步远景车道线的轨迹；
提取当前定位点的高度定位信息和水平定位信息，并据其获取当前自动驾驶车辆的当前准确的定位点；
提取各地区的车道线信息，根据当前自动驾驶车辆的当前准确的定位点找到定位点附近车道线，即当前自动驾驶车辆前方的车道线信息，并从中提取出当前自动驾驶车辆前方的标准远景车道线轨迹；
计算识别到的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数；
所述初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的具体计算表达式为：
，其中，/>和/>分别为识别到的初步远景车道线轨迹的轨迹和标准远景车道线轨迹，/>为初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的修正因子；
所述计算自动驾驶车辆的寻线准确度的具体过程为：
根据自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数以及初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数/>通过公式：
计算出自动驾驶车辆的寻线准确度/>，其中，为预设的近景车道线与虚拟车辙线位置对应的契合指数的影响因子，/>为预设的初步远景车道线的轨迹和标准远景车道线轨迹之间的契合指数的影响因子；
当自动驾驶车辆周围的环境的值小于标准行驶环境/>时，自动驾驶车辆周围的环境/>和标准行驶环境/>的契合指数/>将报错，意味着自动驾驶车辆周围的环境已不满足标准行驶环境，正处于高风险状态。
2.如权利要求1所述多传感器融合的自动驾驶寻线方法，其特征在于：所述传感参数包括纹理信息、前方探测距离值、后方探测距离值、左方探测距离值、右方探测距离值和侧向加速度。
3.如权利要求2所述多传感器融合的自动驾驶寻线方法，其特征在于：所述定位信息包括当前定位点的高度定位信息和水平定位信息，还包括各地区的车道线信息。
4.一种使用如权利要求1-3任意一项所述的多传感器融合的自动驾驶寻线方法的寻线装置，其特征在于，包括信息采集模块、寻线情况划分模块、近景车道线分析模块、远景车道线分析模块、寻线情况准确度评定模块和异常提示模块：
所述信息采集模块：用于采集传感器的实时基本参数，据此统计传感参数，并采集定位信息，进而在地图上标记出自动驾驶车辆当前位置；
所述寻线情况划分模块：用于对自动驾驶车辆的寻线情况进行划分，得到近景车道线和远景车道线；
所述近景车道线分析模块：用于获取预设自动驾驶车辆的近景车道线信息，统计分析得到标准虚拟车辙线位置，据此分析自动驾驶车辆的近景车道线与虚拟车辙线位置对应的契合指数；
所述远景车道线分析模块：用于获取预设自动驾驶车辆的远景车道线信息，识别分析得到定位点附近车道线，据此分析自动驾驶车辆的远景车道线与定位点附近车道线对应的契合指数；
所述寻线情况准确度评定模块：用于获取预设自动驾驶车辆的寻线情况数据，进而评定自动驾驶车辆的寻线准确度；
所述异常提示模块：用于将自动驾驶车辆所属的近景车道线和远景车道线进行智能提示，并对自动驾驶车辆所属寻线情况进行异常信息提示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551888.3A CN117268424B (zh) | 2023-11-21 | 2023-11-21 | 一种多传感器融合的自动驾驶寻线方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311551888.3A CN117268424B (zh) | 2023-11-21 | 2023-11-21 | 一种多传感器融合的自动驾驶寻线方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117268424A CN117268424A (zh) | 2023-12-22 |
| CN117268424B true CN117268424B (zh) | 2024-02-09 |
Family
ID=89216367
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311551888.3A Active CN117268424B (zh) | 2023-11-21 | 2023-11-21 | 一种多传感器融合的自动驾驶寻线方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117268424B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
| DE102019110942A1 (de) * | 2019-04-29 | 2020-10-29 | Valeo Schalter Und Sensoren Gmbh | Automatische Steuerung einer Bahn eines Kraftfahrzeugs bezüglich einer Fahrspur |
| CN114898332A (zh) * | 2022-04-29 | 2022-08-12 | 重庆电讯职业学院 | 一种基于自动驾驶的车道线识别方法及系统 |
| KR20220143404A (ko) * | 2021-04-16 | 2022-10-25 | 현대자동차주식회사 | 센서 정보 융합 방법 및 장치와 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체 |
| WO2023092451A1 (zh) * | 2021-11-26 | 2023-06-01 | 华为技术有限公司 | 预测可行驶车道的方法和装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10248124B2 (en) * | 2016-07-21 | 2019-04-02 | Mobileye Vision Technologies, Inc. | Localizing vehicle navigation using lane measurements |
| US11908164B2 (en) * | 2021-07-23 | 2024-02-20 | Embark Trucks Inc. | Automatic extrinsic calibration using sensed data as a target |
| US20230314599A1 (en) * | 2022-02-16 | 2023-10-05 | Aptiv Technologies Limited | Multi-Scan Sensor Fusion for Object Tracking |
-
2023
- 2023-11-21 CN CN202311551888.3A patent/CN117268424B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679520A (zh) * | 2017-10-30 | 2018-02-09 | 湖南大学 | 一种适用于复杂条件下的车道线视觉检测方法 |
| DE102019110942A1 (de) * | 2019-04-29 | 2020-10-29 | Valeo Schalter Und Sensoren Gmbh | Automatische Steuerung einer Bahn eines Kraftfahrzeugs bezüglich einer Fahrspur |
| KR20220143404A (ko) * | 2021-04-16 | 2022-10-25 | 현대자동차주식회사 | 센서 정보 융합 방법 및 장치와 이 방법을 실행하기 위한 프로그램을 기록한 기록 매체 |
| WO2023092451A1 (zh) * | 2021-11-26 | 2023-06-01 | 华为技术有限公司 | 预测可行驶车道的方法和装置 |
| CN114898332A (zh) * | 2022-04-29 | 2022-08-12 | 重庆电讯职业学院 | 一种基于自动驾驶的车道线识别方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| A review of lane detection methods based on deep learning;Jigang Tang 等;Pattern Recognition(第11期);第1-15页 * |
| 基于分段归类拟合算法的车道检测系统;许波文 等;计算机工程与设计;第30卷(第20期);第4766-4769页 * |
| 用于车辆自主导航的多传感器数据融合方法;安吉尧 等;汽车工程;第31卷(第07期);第640-645页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117268424A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20110320163A1 (en) | Method and system for determining road data | |
| CN109084786B (zh) | 一种地图数据的处理方法 | |
| CN110705458B (zh) | 边界检测方法及装置 | |
| CN110234957B (zh) | 行驶记录的存储方法、行驶轨迹模型的生成方法、自身位置推定方法及行驶记录的存储装置 | |
| EP3640622B1 (en) | Method and apparatus for determining coping capability boundary information of an unmanned vehicle and computer program therefore | |
| CN108573611B (zh) | 一种限速标识融合方法以及限速标识融合系统 | |
| CN109949594A (zh) | 实时的交通灯识别方法 | |
| US20050278112A1 (en) | Process for predicting the course of a lane of a vehicle | |
| CN102800207A (zh) | 交通信号检测系统和方法 | |
| CN108960083B (zh) | 基于多传感器信息融合的自动驾驶目标分类方法及系统 | |
| CN114758504B (zh) | 一种基于滤波校正的网联车超速预警方法及系统 | |
| WO2019073024A1 (en) | WAY DETECTION METHOD | |
| CN115993597A (zh) | 一种视觉雷达感知融合方法及终端设备 | |
| US20220314979A1 (en) | Apparatus and Method for Controlling Driving of Vehicle | |
| US20210397187A1 (en) | Method and system for operating a mobile robot | |
| CN113962301B (zh) | 一种多源输入信号融合的路面质量检测方法及系统 | |
| CN114084129A (zh) | 一种基于融合的车辆自动驾驶控制方法及系统 | |
| CN113071500A (zh) | 车道线的获取方法、装置、计算机设备和存储介质 | |
| CN116631187B (zh) | 一种案件现场勘查信息智能采集分析系统 | |
| CN117268424B (zh) | 一种多传感器融合的自动驾驶寻线方法及装置 | |
| CN117198057A (zh) | 一种面向路侧感知轨迹数据质量检评的实验方法及系统 | |
| US11183052B2 (en) | Enhanced vehicle operation | |
| Nguyen et al. | A survey of performance measures to evaluate ego-lane estimation and a novel sensor-independent measure along with its applications | |
| CN116611603A (zh) | 一种车辆路径调度方法、装置、计算机及存储介质 | |
| CN114842660B (zh) | 一种无人车道路轨迹预测方法、装置和电子设备 |
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 |