CN117848334A - 用于自动驾驶的方法、设备、系统以及车辆 - Google Patents

Abstract

本公开涉及一种用于自动驾驶的方法，包括：获取车辆的周围环境数据；获取车辆的位置数据；获取地图数据；从周围环境数据中提取路面标记数据；查明在路面标记数据中是否存在迷惑标记；如果在路面标记数据中存在迷惑标记，则查明在地图数据中是否存在与该位置数据相关联的迷惑标记校正数据；如果在地图数据中存在所述迷惑标记校正数据，则基于所述迷惑标记校正数据生成驾驶策略；如果在地图数据中不存在所述迷惑标记校正数据，则将所述迷惑标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据。此外，本公开还涉及一种用于自动驾驶的设备、车辆和用于自动驾驶的系统。

Description

用于自动驾驶的方法、设备、系统以及车辆

技术领域

本公开涉及自动驾驶领域，更具体地，涉及一种用于自动驾驶的方法、用于自动驾驶的设备、车辆和用于自动驾驶的系统。

背景技术

自动驾驶是当前车辆研究的主要主题。自动驾驶的前提是明确车辆的周围环境，即所谓的“环境模型”，使得能够识别涉及的道路网络以及周围环境中的对象。为此，通常可以利用摄像头和/或激光雷达获取道路网络的数据以及感测车辆的周围环境中的对象的距离和/或运动行为。

为了车辆的高度可用、安全和舒适的运行，在确定环境模型时，可融合多个数据源的测量数据。数据融合在此是指融合多个数据源的数据。典型的数据源例如可以是传感数据源、如摄像头、雷达或激光雷达，或数字地图。这种数字地图可以是低分辨率(SD)地图或高分辨率(HD)地图。这种数据融合具有多种可能性。

随着自动驾驶技术的发展，对道路网络和/或周围环境感测的实时性、准确性和/或高效性也提出了更高的要求。此外，对于自动驾驶而言准确的路面标记至关重要，如何可靠和/或高效地改善路面标记的识别是本领域技术人员亟待解决的技术问题。

发明内容

本公开的目的在于提供一种用于自动驾驶的方法、用于自动驾驶的设备、车辆和用于自动驾驶的系统，其可以在实时性、准确性和/或高效性方面改善车辆的自动驾驶、尤其是可靠和/或高效地改善路面标记的识别。

根据本公开的第一方面，提供一种用于自动驾驶的方法，其特征在于，所述方法包括：

获取车辆的周围环境数据；

获取车辆的位置数据；

获取地图数据；

从周围环境数据中提取路面标记数据、尤其是车道线标记数据；

查明在路面标记数据中是否存在迷惑标记；

如果在路面标记数据中存在迷惑标记，则查明在地图数据中是否存在与该位置数据相关联的迷惑标记校正数据；

如果在地图数据中存在所述迷惑标记校正数据，则基于所述迷惑标记校正数据生成驾驶策略；

如果在地图数据中不存在所述迷惑标记校正数据，则将所述迷惑标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据。

在一些实施例中，“查明在路面标记数据中是否存在迷惑标记”包括：查明路面标记数据中的影响路面标记识别的干扰元素；将与干扰元素相关联的路面标记确定为迷惑标记。

在一些实施例中，所述干扰元素涉及一个或多个以下情况：

-未清除干净的路面标记；

-相应的路面标记不清晰；

-相应的路面标记带修补印记；

-多个路面标记混淆在一块；

-相应的路面标记被污染物干扰；

-相应的路面标记覆盖有轮胎印记；

-相应的路面标记带色块印记。

在一些实施例中，“获取地图数据”包括：获取迷惑标记校正图层，所述迷惑标记校正图层包括与多个位置数据相关联的多个迷惑标记校正数据。

在一些实施例中，“从周围环境数据中提取路面标记数据”包括：

借助于第一感测设备获取车辆的第一周围环境数据；

借助于第二感测设备获取车辆的第二周围环境数据；

对第一周围环境数据和第二周围环境数据进行场景融合；

从融合的场景中提取路面标记数据；

基于融合的场景生成车辆的环境模型；

基于所述环境模型生成驾驶策略。

在一些实施例中，在路面标记数据中存在迷惑标记的情况下：如果在地图数据中存在相应的迷惑标记校正数据，那么基于所述迷惑标记校正数据来校正迷惑标记，并生成带有经校正的路面标记的环境模型；如果在地图数据中不存在相应的迷惑标记校正数据，那么为识别出的路面标记配设置信度，并基于如下路面标记生成环境模型，所述路面标记配设的置信度高于一预定阈值。

在一些实施例中，所述方法还包括：在路面标记数据中存在迷惑标记的情况下如果在地图数据中不存在相应的迷惑标记校正数据，那么生成针对车辆用户的干预请求，以便获取车辆用户的主动干预。

在一些实施例中，所述干预请求在如下情况下才发生，即，识别出的路面标记的置信度低于一预定阈值。

在一些实施例中，车辆用户的主动干预包括：由车辆用户主动地选择或确认相应的路面标记，和/或由车辆用户手动驾驶相关路段。

在一些实施例中，所述方法还包括：生成第一显示指令，促使向车辆用户显示有关路面标记的图像以及识别出的一个或多个路面标记，以供车辆用户选择或确认，优选地，在抬头显示屏或全息显示屏中进行显示。

在一些实施例中，所述方法还包括：生成第二显示指令，促使向车辆用户显示需要车辆用户手动驾驶的告警信号，以请求车辆用户手动驾驶相关路段；

在一些实施例中，所述方法还包括：

获取车辆用户的主动干预；

基于所述车辆用户的主动干预确定有效的路面标记；

将所述有效的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据，和/或更新地图数据。

在一些实施例中，所述方法还包括：如果在地图数据中不存在相应的迷惑标记校正数据，那么聚合在预定时段或预定路段内的路面标记数据，并将经聚合的路面标记数据以及相关联的位置数据发送给迷惑标记处理装置。

在一些实施例中，所述方法还包括：如果在路面标记数据中不存在迷惑标记，但在地图数据中存在相应的迷惑标记校正数据，则将确定的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于更新地图数据。

在一些实施例中，所述方法还包括：查明与迷惑标记校正数据相关联的位置数据；当车辆即将行驶或正行驶到相应的位置数据处时，限制车辆的驾驶行为，优选地，当车辆即将行驶或正行驶到相应的位置数据处时，将行驶速度限制在一预定阈值之下。

根据本公开的第二方面，提供一种用于自动驾驶的方法，其特征在于，所述方法包括：获取路面标记数据，所述路面标记数据包括迷惑标记以及与所述迷惑标记相关联的位置数据，优选地，所述迷惑标记以及与所述迷惑标记相关联的位置数据涉及根据本公开一些实施例所述的方法中发送给迷惑标记处理装置的迷惑标记以及相关联的位置数据；

借助于深度学习模型识别获取的路面标记数据中的迷惑标记；

借助于深度学习模型针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据；

将生成的迷惑标记校正数据按照相关联的位置数据集成到地图数据中。

在一些实施例中，所述方法包括：基于多个迷惑标记校正数据以及相关联的多个位置数据生成迷惑标记校正图层，并将所述迷惑标记校正图层作为地图数据的附加图层加载到地图数据中。

在一些实施例中，所述方法包括：聚合涉及同一迷惑标记的多个路面标记数据；基于经聚合的路面标记数据，借助于深度学习模型识别迷惑标记并针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据。

在一些实施例中，所述方法包括：获取经主动干预的第一有效的路面标记以及相关联的位置数据；基于所述第一有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

在一些实施例中，所述方法包括：

借助于深度学习模型为针对识别出的迷惑标记配设置信值；

使置信值低于一预定阈值的迷惑标记经受人工校验；

基于人工校验确定第二有效的路面标记；

基于所述第二有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

根据本公开的第三方面，提供一种用于自动驾驶的设备，其特征在于，所述设备包括：

至少一个存储器，被配置为存储一系列计算机可执行指令；以及

至少一个处理器，被配置为执行所述一系列计算机可执行指令，

其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行如本公开一些实施例所述的方法。

根据本公开的第四方面，提供一种车辆，包括：

感测设备，被配置为感测车辆的周围环境数据，优选地，所述感测设备包括至少一个摄像头和/或至少一个激光雷达；

定位模块，被配置为确定车辆的位置数据；

控制设备，所述控制设备构成为根据本公开一些实施例所述的用于自动驾驶的设备。

根据本公开的第五方面，提供一种用于自动驾驶的系统，包括：

根据本公开一些实施例所述的车辆；

服务器，所述服务器包括：至少一个存储器，被配置为存储一系列计算机可执行指令；以及至少一个处理器，被配置为执行所述一系列计算机可执行指令，其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行如本公开一些实施例所述的方法；

车辆能与服务器建立通信连接，使得车辆能将迷惑标记以及相关联的位置数据发送给作为迷惑标记处理装置的服务器，并且服务器能将具有迷惑标记校正图层的地图数据传输给车辆。

通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。

附图说明

构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。

图1是根据本公开一些示例性实施例的系统的示意图。

图2是根据本公开一些示例性实施例的车辆的示意性框图。

图3是车辆侧的用于自动驾驶的设备的示意性框图。

图4是车辆侧的用于自动驾驶的方法的示例性流程图。

图5是根据本公开一些示例性实施例的服务器的示意性框图。

图6是服务器侧的用于自动驾驶的方法的示例性流程图。

图7A-7G是一些示例性的迷惑标记的示意图。

注意，在以下说明的实施方式中，有时在不同的附图之间共同使用同一附图标记来表示相同部分或具有相同功能的部分，而省略其重复说明。在一些情况中，使用相似的标号和字母表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。

为了便于理解，在附图等中所示的各结构的位置、尺寸及范围等有时不表示实际的位置、尺寸及范围等。因此，本公开并不限于附图等所公开的位置、尺寸及范围等。

具体实施方式

以下将参照附图描述本公开，其中的附图示出了本公开的若干实施例。然而应当理解的是，本公开可以以多种不同的方式呈现出来，并不局限于下文描述的实施例；事实上，下文描述的实施例旨在使本公开的公开更为完整，并向本领域技术人员充分说明本公开的保护范围。还应当理解的是，本文公开的实施例能够以各种方式进行组合，从而提供更多额外的实施例。

应当理解的是，本文中的用语仅用于描述特定的实施例，并不旨在限定本公开的范围。本文使用的所有术语(包括技术术语和科学术语)除非另外定义，均具有本领域技术人员通常理解的含义。为简明和/或清楚起见，公知的功能或结构可以不再详细说明。

在本文中，用语“A或B”包括“A和B”以及“A或B”，而不是排他地仅包括“A”或者仅包括“B”，除非另有特别说明。

在本文中，用语“示例性的”意指“用作示例、实例或说明”，而不是作为将被精确复制的“模型”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。

在本文中，用语“基本上”意指包含由设计或制造的缺陷、器件或元件的容差、环境影响和/或其它因素所致的任意微小的变化。用语“基本上”还允许由寄生效应、噪声以及可能存在于实际的实现方式中的其它实际考虑因素所致的与完美的或理想的情形之间的差异。

另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且因而并非意图限定。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。

还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、步骤、操作、单元和/或组件以及/或者它们的组合。

对于自动驾驶而言，以准确且高效的方式建构道路网络是关键的。在道路网络中，通常设置有多种多样的路面标记，以便引导车辆规范地行驶。虽然一些数字地图、例如高精度静态地图预先存储有关联于道路网络的路面标记，但是这些数字地图作为静态地图无法实时地反映路面标记的更新。数字地图通俗来说是精度更高、数据维度更多的电子地图。数字地图将大量的行车辅助信息存储为结构化数据，并且例如可包括三维向量模型，其中，道路的每一车道连同与其它车道的连接性数据一起被呈现出来。然而，目前的数字地图通常是由地图厂商提前制作完成，无法就实时的道路参数信息和/或道路上的实时路况呈现到静态的数字地图上。由此，可能存在数字地图中有关的路面标记与实际的路面标记存在差异。这种差异显然是不期望的。

此外，自动驾驶车辆可以借助于感测设备、例如摄像头、雷达和/或激光雷达实时地感测周围环境，使得能够实时地识别涉及的道路网络以及周围环境中的对象。然而，发明人发现：在一些车道上可能存在一些迷惑性的路面标记(以下称为“迷惑标记”)，这些迷惑标记通常存在影响路面标记识别的干扰元素，使得相应的识别算法无法高准确度地识别出“真正有效的路面标记”，从而负面地影响自动驾驶的可靠性和安全性。

本公开提出一种用于自动驾驶的方法、设备、系统以及具备自动驾驶功能的车辆，借此可以改善对“迷惑标记”的有效识别，从而在实时性、准确性和/或高效性方面改善车辆的自动驾驶。

根据本公开的一些实施例，为数字地图额外地添加迷惑标记校正数据、尤其是迷惑标记校正图层，基于所述迷惑标记校正数据可以为车辆实时地校正所面对的迷惑标记，避免因对“迷惑标记”的错误识别而负面地影响自动驾驶的可靠性和安全性。

根据本公开的一些实施例，迷惑标记校正数据、尤其是迷惑标记校正图层的创建以从大量车辆接收到的有关迷惑标记的大数据——这些大数据包括由不同车辆在相同或不同位置处发送的大量图像数据或点云数据——为基础，借助人工智能算法、尤其是深度学习模型以高效的方式实现。

现在结合各附图详细描述根据本公开的各方面。

图1示出了根据本公开一些示例性实施例的系统的示意图。

系统10可以包括多个车辆20、20-1、20-2；网络14、14-1、14-2和服务器60。所述多个车辆20、20-1、20-2可以包括自车12以及多辆其他车辆20-1、12-2，这些车辆可以在服务器处注册并使用服务器60所提供的服务。

车辆20、20-1、20-2可以经由相应的网络14、14-1、14-2与服务器60建立通信连接。网络可以是支持车辆和服务器之间的通信的无线网络。例如，网络可以是移动通信网络，诸如3G、4G或5G网络、例如CDMA网络，或者可以是WLAN、诸如WiFi网络。服务器可以是由车辆服务提供商维护的分布式系统。服务器可以包括云服务器。

在文本中，车辆20、20-1、20-2可以是一种带有自动驾驶功能的可移动车辆(即，自动驾驶车辆)。在一些实施例中，车辆20、20-1、20-2可以是轿车、客车、卡车、货车、火车、船舶、摩托车、三轮车二轮车或其他可移动装置。

在文本中，自动驾驶车辆的自动驾驶级别可以是按照SAE(国际车辆工程师协会)的标准中的L2、L3、L4或L5级别。关于自动驾驶的分级，国际上普遍认可的是SAE标准，分为L0-L5，共六级。L0级别：该级别完全由驾驶员进行操作驾驶，包括转向、制动、油门等都由驾驶员自行判断，车辆只负责命令的执行。L1级别：能够辅助驾驶员完成某些驾驶任务，例如许多车型装配的自适应巡航(ACC)功能，雷达实时控制车距和车辆加减速。L2级别：可自动完成某些驾驶任务，并经过处理分析，自动调整车辆状态，像车道保持功能就属于此级别，除了能控制加减速，同时还能对方向盘进行控制，驾驶员需观察周围情况提供车辆安全操作。L3级别：该级别通过更有逻辑性的行车电脑控制车辆，驾驶员不需要手脚待命，车辆能够在特定环境下独立完成操作驾驶，但驾驶员无法进行睡眠或休息，在人工智能不能准确判断时，仍需人工操作。L4级别：车辆自动做出自主决策，并且驾驶者无需任何操作，一般需依靠可实时更新的道路信息数据支持，实现自动取还车、自动编队巡航、自动避障等出行的真实场景。L5级别：与L4级别最大的区别是完全不需要驾驶员配合任何操作，实现全天候、全地域的自动驾驶，并能应对环境气候及地理位置的变化，驾驶员可将注意力放在休息或其它工作上。

为了执行自动驾驶任务，车辆20、20-1、20-2可以一方面从服务器60处下载本地地图数据，另一方面可以借助于车载的感测设备、例如摄像头、雷达或激光雷达实时地获取车辆的周围环境数据。当从服务器60处获取的地图数据具有迷惑标记校正数据、尤其是迷惑标记校正图层时，可以有效地为车辆实时地校正所面对的迷惑标记，避免因对“迷惑标记”的错误识别而负面地影响自动驾驶的可靠性和安全性。

为了创建迷惑标记校正数据、尤其是迷惑标记校正图层，车辆20、20-1、20-2可以分别从由各自的感测设备所获取的周围环境数据中提取涉及“迷惑标记”的部分，并反馈给服务器60，以便借助于服务器60处的大数据处理功能创建出期望的迷惑标记校正数据。

接下去，参照图2、3和4分别详细地介绍根据本公开一些示例性实施例的车辆的示意性框图、车辆侧的用于自动驾驶的设备的示意性框图以及车辆侧的用于自动驾驶的方法的示例性流程图。

如图2所示，车辆20可以包括一个或多个感测设备21、22，被配置为感测车辆20的周围环境数据。在一些实施例中，感测设备21、22可以包括一个或多个摄像头(例如左侧摄像头、前摄像头和/或右侧摄像头)，以用于采集车辆20的周围环境的图像数据。来自摄像头的图像数据可以是摄像头的原始输出，或者可以是摄像头的经预处理的数据。在一些实施例中，感测设备21、22可以包括激光雷达，以用于采集车辆20的周围环境的点云数据。激光雷达可被配置成基于发射光(例如，脉冲激光)，并测量从在激光雷达附近的物体反射的光的一部分来获取激光雷达的点云数据。激光雷达的点云数据可包含如目标距离、方位、高度、速度、姿态、甚至形状等信息数据。在一些实施例中，感测设备21、22还可以包括雷达，以用于采集车辆20的周围环境的雷达图像。

车辆20可以包括定位模块23，被配置为确定车辆20的位置数据。应理解的是，车辆20可以包括多种定位模块23。这些定位模块23可以包括一个或多个以下模块：卫星定位模块23、视觉定位模块23、激光雷达定位模块23、SLAM定位模块23、惯性导航定位模块23等。

车辆20可以包括通信模块24，以用于与外界、例如服务器60建立通信连接。

车辆20可以包括控制设备50，其可以构成为车辆侧的用于自动驾驶的设备。如图3所示，控制设备50可以包括：至少一个存储器501，被配置为存储一系列计算机可执行指令；以及至少一个处理器502，被配置为执行所述一系列计算机可执行指令，其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行车辆侧的用于自动驾驶的方法。

根据本发明，控制设备50可以构成为包括处理器502的具有数据处理和分析功能的任何装置。例如，控制设备50可以构成为域控制器、整车控制器、车载电脑、计算机、服务器甚至其他智能手持设备。控制设备50的处理器502可以经由互连总线连接到存储器501。存储器可以包括主存储器，只读存储器以及大容量存储设备，诸如各种磁盘驱动器，磁带驱动器等。主存储器通常包括动态随机存取存储器和高速缓存存储器。在操作中，主存储器存储至少部分指令和数据以供处理器执行。

接下去，结合图3和4，详细地介绍车辆侧的用于自动驾驶的设备的示意性框图以及车辆侧的用于自动驾驶的方法的示例性流程图。

参照图3，控制设备50的处理器502可以被划分成多个功能模块。应理解的是，这些功能模块仅是从功能上加以区分，在物理位置方面不存在严格的限定。在一些实施例中，各功能模块可以实现在处理器内。在一些实施例中，一些功能模块可以构成为一个单独的处理器，而另一些功能模块可以构成为另一个单独的处理器。

参考图4，示出了根据本公开一些示例性实施例的方法的流程图。以下呈现的方法的步骤旨在说明。在一些实施例中，方法可以用一个或多个附加的未描述的步骤，和/或没有一个或多个所讨论的步骤来完成。此外，在图中示出并且如下描述方法的步骤的次序并不旨在进行限制。

如图4所示，车辆侧的用于自动驾驶的方法可以包括如下步骤：

S00：获取车辆20的周围环境数据；

S10：获取车辆20的位置数据；

S20：获取地图数据；

S30：从周围环境数据中提取路面标记数据、尤其是车道线标记数据；

S40：查明在路面标记数据中是否存在迷惑标记；

S50：如果在路面标记数据中存在迷惑标记，则查明在地图数据中是否存在与该位置数据相关联的迷惑标记校正数据；

S60：如果在地图数据中存在所述迷惑标记校正数据，则基于所述迷惑标记校正数据生成驾驶策略；

S70：如果在地图数据中不存在所述迷惑标记校正数据，则将所述迷惑标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据。

在步骤S00中，控制设备50可以从车辆20的感测设备21、22接收车辆20的周围环境数据，并将相应的周围环境数据存储在预定的存储模块51内。在一些实施例中，控制设备50可以从车辆20的第一感测设备21、例如摄像头处获取车辆20的第一周围环境数据，并且从车辆20的第二感测设备22、例如另一摄像头或激光雷达处获取车辆20的第二周围环境数据。

在步骤S10中，控制设备50可以从车辆20的定位模块23处获取车辆20的位置数据。

在步骤S20中，控制设备50可以调用或获取来自数字地图25的地图数据。

在步骤S30中，控制设备50可以具有路面标记分析模块52，以用于从周围环境数据中提取路面标记数据、尤其是车道线标记数据。路面标记可以涉及设置在道路或车道表面的任意交通标记或标线，以用于引导交通参与者的规范行驶。

附加地或备选地，所述方法可以包括以下步骤：

S301：对第一周围环境数据和第二周围环境数据进行场景融合；

S302：从融合的场景中提取路面标记数据。

S303：基于融合的场景生成车辆20的环境模型；

S304：基于所述环境模型生成驾驶策略。

在步骤S301中，控制设备50可以具有场景融合模块53，以用于对第一周围环境数据和第二周围环境数据进行场景融合，从而获得全面且准确的周围环境数据。

在步骤S302中，控制设备50的路面标记分析模块52可以从融合的场景中提取路面标记数据，以便获得全面且准确的路面标记数据。

在步骤S303中，控制设备50可以具有环境模型创建模块54，其被配置为基于融合的场景生成车辆20的环境模型。

在步骤S304中，控制设备50可以具有驾驶策略制定模块55，其可以包括行为预测子模块和运动规划子模块，以用于基于所述环境模型生成自动驾驶策略，使得车辆20按照预定的行驶行为和运动规划运行。

在步骤S40中，控制设备50的路面标记分析模块可以查明在路面标记数据中是否存在可能干扰自动驾驶的迷惑标记。为了查明在路面标记数据中的迷惑标记，路面标记分析模块可以被配置为：查明路面标记数据中的影响路面标记识别的干扰元素；将与干扰元素相关联的路面标记确定为迷惑标记。迷惑标记可以是一个完整的路面标记、例如车道线的一部分或者全部。

在一些实施例中，干扰元素可以涉及未清除干净的路面标记。如图7A所示，中间的车道线从原先的实线更改为了虚线。然而，由于原先的实线并未完全清楚干净，使得路面标记数据中不仅包括当前有效的虚线而且还包括原先的无效的实线。由此，针对中间的车道线，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法可能会识别为虚线、实线、虚实双线等。

在一些实施例中，干扰元素可以涉及相应的路面标记不清晰。如图7B所示，右侧的车道线至少局部区段不清晰。如图7C所示，设置在中间车道端部的左转箭头标记不清晰。在一些情况下，不清晰的路面标记可能由于路面标记的褪色引起。在一些情况下，不清晰的路面标记可能由于被污染物(例如刹车印记、尘土、油渍、油漆、沥青漆、雨水等)的污染引起。由此，在图7B中，针对右侧的车道线，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法可能会识别为实线、虚线、实线或点划线。在图7C中，针对中间车道，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法可能会识别为直行箭头标记而忽视了左转箭头标记。

在一些实施例中，干扰元素可以涉及相应的路面标记带修补印记。如图7D所示，由于车道修补等原因，在中间车道线附近存在修补印记。这些修补印记也可能会影响路面标记的可靠识别。

在一些实施例中，干扰元素可以涉及多个路面标记混淆在一块。如图7E所示，中间的车道线被错误地标记，使得其被混淆了实线和虚线。由此，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法无法准确地确定真正有效的车道线。

在一些实施例中，干扰元素可以涉及相应的路面标记带色块印记。如图7F所示，设置在车道内的限速标记“限速30”的数字“3”被带色块印记。色块印记可能由于被污染物(例如刹车印记、尘土、油渍、油漆、沥青漆、雨水等)的污染引起。由此，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法无法准确地确定真正有效的限速标记。

在一些实施例中，干扰元素可以涉及相应的路面标记覆盖有轮胎印记。如图7G所示，在右侧车道以及斑马线上被覆盖有大量的轮胎印记。大量的轮胎印记一方面影响路面标记的有效识别，另一方面也意味着该区域内重型车辆20较多或者交通较密集，从而带来安全隐患。由此，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法无法准确地确定前方的斑马线。此外，控制设备50的路面标记分析模块基于预定的识别算法、例如已知的可行的图像识别算法可以识别到路面上的大量轮胎印记。有利地，对于轮胎印记的识别可以考虑到驾驶策略中，使得当车辆20即将行驶或正行驶到覆盖有轮胎印记的区域时，可以限制车辆20的驾驶行为、例如将行驶速度限制在一预定阈值之下，从而保证驾驶的安全性。

优选地，所述方法可以包括方法步骤：

S80：查明与迷惑标记校正数据相关联的位置数据；

S90：当车辆20即将行驶或正行驶到相应的位置数据处时，限制车辆20的驾驶行为，优选地，当车辆20即将行驶或正行驶到相应的位置数据处时，将行驶速度限制在一预定阈值之下。

对于迷惑标记的识别可以考虑到驾驶策略中，使得当车辆20即将行驶或正行驶到带有相应的迷惑标记的区域时，可以限制车辆20的驾驶行为、例如将行驶速度限制在一预定阈值之下，从而保证驾驶的安全性，避免因对“迷惑标记”的错误识别负面地影响车辆20驾驶。

在步骤S50中，控制设备50的路面标记分析模块可以在识别到路面标记数据中的迷惑标记时，查明在地图数据中是否存在相关联的迷惑标记校正数据。控制设备50的路面标记分析模块可以直接访问本地数字地图25来查明相关联的迷惑标记校正数据，也可以从预先存储有相应的迷惑标记校正数据的存储器中查明相关联的迷惑标记校正数据。

在一些实施例中，“迷惑标记校正数据”可以包括在相应的位置数据处应遵循的路面标记。例如，“迷惑标记校正数据”可以包括校正图像数据，在该校正图像数据内设置有应遵循的路面标记，通过该校正图像数据可以直接替换或者说覆盖路面标记数据中涉及迷惑标记的部分。在一些实施例中，“迷惑标记校正数据”可以构成为路面标记补丁，基于所述路面标记补丁可以修正迷惑标记上的干扰因素、例如修补印记、色块、轮胎印记、不清晰标记部分等。

在一些实施例中，数字地图25可以具有迷惑标记校正图层，所述迷惑标记校正图层可以包括与多个位置数据相关联的多个迷惑标记校正数据。控制设备50的路面标记分析模块可以基于当前的位置数据查明是否有相关联的迷惑标记校正数据。

在步骤S60中，在路面标记数据中存在迷惑标记的情况下，如果在地图数据中存在相应的迷惑标记校正数据，控制设备50的路面标记分析模块可以基于所述迷惑标记校正数据来校正迷惑标记。由此，环境模型创建模块可以基于经校正的路面标记创建环境模型。

在步骤S70中，在路面标记数据中存在迷惑标记的情况下，如果在地图数据中不存在所述迷惑标记校正数据，控制设备50的路面标记分析模块可以经由车辆20的通信模块将所述迷惑标记以及相关联的位置数据发送给迷惑标记处理装置。应理解的是，在本公开中，迷惑标记处理装置可以是远程的服务器，也可以是车辆20本地的处理模块、甚至是控制设备50内的处理模块。

在一些实施例中，控制设备50的路面标记分析模块可以经由车辆20的通信模块将带有迷惑标记的图像数据和/或点云数据连同相关联的位置数据发送给迷惑标记处理装置。迷惑标记处理装置可以基于自身的识别算法生成与该位置数据相关联的迷惑标记校正数据。迷惑标记校正数据与位置数据之间的关联性可以理解为迷惑标记校正数据被存储为在该位置数据处的地图数据的组成部分。当调用该位置数据处的地图数据时可以访问到相应的迷惑标记校正数据。

优选地，在路面标记数据中存在迷惑标记的情况下，如果在地图数据中不存在所述迷惑标记校正数据，控制设备50的路面标记分析模块可以聚合在预定时段或预定路段内的路面标记数据，并将经聚合的路面标记数据以及相关联的位置数据发送给迷惑标记处理装置。在一些实施例中，路面标记分析模块可以将涉及迷惑标记的一系列路面标记数据打包成一个聚合路面标记数据，由此不仅可以改善迷惑标记处理装置后续数据处理的效率，而且可以提高后续数据处理的准确性和全面性，以便形成更加完整且可靠的迷惑标记校正数据。

在一些实施例中，在路面标记数据中存在迷惑标记的情况下，如果在地图数据中不存在迷惑标记校正数据，车辆20可以依靠本地的识别功能实时地识别当前面对的迷惑标记。在一些实施例中，路面标记分析模块可以为识别出的路面标记配设相应的置信度，并基于如下路面标记生成环境模型，所述路面标记配设的置信度高于一预定阈值、例如70％或80％。由此，自动驾驶车辆20仍能保持持续的自动驾驶功能，改善用户体验且保证行驶安全性。

在一些实施例中，在路面标记数据中存在迷惑标记的情况下，如果在地图数据中不存在迷惑标记校正数据，路面标记分析模块可以生成针对车辆20用户的干预请求，以便获取车辆20用户的主动干预。

附加地或备选地，干预请求的生成可以基于如下情况，即，由路面标记分析模块识别出的各个路面标记的置信度均低于一预定阈值。

优选地，车辆20用户的主动干预可以包括：由车辆20用户主动地选择或确认相应的路面标记，和/或由车辆20用户手动驾驶相关路段。

附加地或备选地，所述方法可以包括步骤S100：生成第一显示指令，促使向车辆20用户显示有关路面标记的图像以及识别出的一个或多个路面标记，以供车辆20用户选择或确认。

在步骤S100中，为了获取车辆20用户的主动干预，路面标记分析模块可以生成第一显示指令，使得在抬头显示屏或全息显示屏中进行显示有关路面标记的图像以及识别出的一个或多个路面标记，以供车辆20用户选择或确认。车辆20用户可以通过基于显示的图像选择或确认一个路面标记作为有效的路面标记。基于车辆20用户的主动干预可以显著改善路面标记的识别准确性。

附加地或备选地，所述方法可以包括步骤S110：生成第二显示指令，促使向车辆20用户显示需要车辆20用户手动驾驶的告警信号，以请求车辆20用户手动驾驶相关路段。

在步骤S110中，为了获取车辆20用户的主动干预，路面标记分析模块可以生成第二显示指令，使得在车辆20内生成视觉、听觉、和/或触觉告警信号，以请求车辆20用户手动驾驶相关路段。基于车辆20用户的手动驾驶可以显著改善驾驶安全性。

附加地或备选地，所述方法还可以包括

步骤S120：获取车辆20用户的主动干预；

步骤S130：基于所述车辆20用户的主动干预确定有效的路面标记；

步骤S140：将所述有效的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据，和/或更新地图数据。

由此，由多个车辆20共同创建迷惑标记校正数据、尤其是迷惑标记校正图层，有利地实现了迷惑标记校正数据的创建共同性和使用共享性。

附加地或备选地，所述方法还可以包括

步骤S150：如果在路面标记数据中不存在迷惑标记，但在地图数据中存在相应的迷惑标记校正数据，则将确定的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于更新地图数据。

步骤S150涉及迷惑标记中原本存在的干扰因素被清除的情况，例如，污染物或色块被清洗干净。也就是说，该迷惑标记不再迷惑性，而是可以被明确地识别出。然而，鉴于目前不该存在的迷惑标记校正数据仍存在。因此，需要对地图数据、尤其是迷惑标记校正层进行更新。为此，路面标记分析模块可以将确定的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于更新地图数据，使得该迷惑标记校正数据被删除。

接下去，结合图5和6，详细地介绍根据本公开一些实施例的服务器60的示意性框图以及服务器侧的用于自动驾驶的方法的示例性流程图。

应理解的是，服务器60可以包括：至少一个存储器，被配置为存储一系列计算机可执行指令；以及至少一个处理器，被配置为执行所述一系列计算机可执行指令，其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行车辆侧的用于自动驾驶的方法。参照图5，服务器60的处理器可以被划分成多个功能模块、例如后续的深度学习模块、聚合模块、和/或加载模块。应理解的是，这些功能模块仅是从功能上加以区分，在物理位置方面不存在严格的限定。在一些实施例中，各功能模块可以实现在处理器内。在一些实施例中，一些功能模块可以构成为一个单独的处理器，而另一些功能模块可以构成为另一个单独的处理器。

参考图6，示出了根据本公开一些示例性实施例的方法的流程图。以下呈现的方法的步骤旨在说明。在一些实施例中，方法可以用一个或多个附加的未描述的步骤，和/或没有一个或多个所讨论的步骤来完成。此外，在图中示出并且如下描述方法的步骤的次序并不旨在进行限制。

如图6所示，服务器侧的用于自动驾驶的方法可以包括如下步骤：

S200：获取路面标记数据，所述路面标记数据包括迷惑标记以及与所述迷惑标记相关联的位置数据。

S210：借助于深度学习模型识别获取的路面标记数据中的迷惑标记。

S220：借助于深度学习模型针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据。

S230：将生成的迷惑标记校正数据按照相关联的位置数据集成到地图数据中。

附加地或备选地，所述方法可以包括：

S240：获取经(车辆20用户)主动干预的第一有效的路面标记以及相关联的位置数据。

S250：基于所述第一有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

附加地或备选地，所述方法可以包括：

S260：借助于深度学习模型为针对识别出的迷惑标记配设置信值。

S270：使置信值低于一预定阈值的迷惑标记经受人工校验。

S280：基于人工校验确定第二有效的路面标记。

S290：基于所述第二有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

在步骤S200中，服务器60的通信模块61可以从不同的车辆20接收大量的迷惑标记以及相关联的位置数据，并将迷惑标记以及相关联的位置数据存储在预先设定的存储模块62内。优选地，所述迷惑标记以及与所述迷惑标记相关联的位置数据涉及根据上述车辆侧的方法中发送给迷惑标记处理装置的迷惑标记以及相关联的位置数据。

在步骤S210中，服务器60的深度学习模块63可以借助于经训练的深度学习模型、例如人工神经网络识别获取的路面标记数据中的迷惑标记。

在步骤S220中，服务器60的深度学习模块可以借助于深度学习模型、例如人工神经网络针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据。相应的标记标签可以给迷惑标记进行分类且标记出迷惑标记的干扰因素。服务器60的深度学习模块可以基于迷惑标记的分类以及迷惑标记的干扰因素根据预定的校正算法、例如图像处理算法生成相应的迷惑标记校正数据。

附加地或备选地，服务器60可以具有聚合模块64，以用于聚合涉及同一迷惑标记的多个路面标记数据。于是，服务器60的深度学习模块可以借基于经聚合的路面标记数据，借助于深度学习模型识别迷惑标记并针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据。由此，不仅可以改善大数据处理效率而且可以提高大数据处理质量，提高迷惑标记校正数据的准确性和全面性。

在步骤S220中，服务器60的加载模块65可以将生成的迷惑标记校正数据按照相关联的位置数据集成到地图数据、即、数字地图25中。

优选地，服务器60的加载模块可以基于多个迷惑标记校正数据以及相关联的多个位置数据生成迷惑标记校正图层，并将所述迷惑标记校正图层作为地图数据的附加图层加载到地图数据中。

说明和附图仅仅举例描述本公开的原理。此外，本文中列举的所有例子主要意图是明确地仅仅用于阐述目的，以帮助读者理解本公开的原理，和发明人对促进现有技术所贡献的概念。本文中详述本公开的原理、方面和例子的所有陈述，及其具体例子都意图包含其等同物。

虽然已经描述了本公开的示例性实施例，但是本领域技术人员应当理解的是，在本质上不脱离本公开的精神和范围的情况下能够对本公开的示范实施例进行多种变化和改变。因此，所有变化和改变均包含在本公开所限定的保护范围内。

Claims (15)

1.一种用于自动驾驶的方法，其特征在于，所述方法包括：

获取车辆的周围环境数据；

获取车辆的位置数据；

获取地图数据；

从周围环境数据中提取路面标记数据、尤其是车道线标记数据；

查明在路面标记数据中是否存在迷惑标记；

如果在路面标记数据中存在迷惑标记，则查明在地图数据中是否存在与该位置数据相关联的迷惑标记校正数据；

如果在地图数据中存在与该位置数据相关联的所述迷惑标记校正数据，则基于所述迷惑标记校正数据生成驾驶策略；

如果在地图数据中不存在与该位置数据相关联的所述迷惑标记校正数据，则将所述迷惑标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据。

2.根据权利要求1所述的方法，其特征在于，“查明在路面标记数据中是否存在迷惑标记”包括：

查明路面标记数据中的影响路面标记识别的干扰元素；

将与干扰元素相关联的路面标记确定为迷惑标记；

优选地，所述干扰元素涉及一个或多个以下情况：

-未清除干净的路面标记；

-相应的路面标记不清晰；

-相应的路面标记带修补印记；

-多个路面标记混淆在一块；

-相应的路面标记被污染物干扰；

-相应的路面标记覆盖有轮胎印记；

-相应的路面标记带色块印记。

3.根据权利要求1所述的方法，其特征在于，“获取地图数据”包括：

获取迷惑标记校正图层，所述迷惑标记校正图层包括与多个位置数据相关联的多个迷惑标记校正数据。

4.根据权利要求1所述的方法，其特征在于，“从周围环境数据中提取路面标记数据”包括：

借助于第一感测设备获取车辆的第一周围环境数据；

借助于第二感测设备获取车辆的第二周围环境数据；

对第一周围环境数据和第二周围环境数据进行场景融合；

从融合的场景中提取路面标记数据；

基于融合的场景生成车辆的环境模型；

基于所述环境模型生成驾驶策略；

优选地，

在路面标记数据中存在迷惑标记的情况下：

如果在地图数据中存在相应的迷惑标记校正数据，那么基于所述迷惑标记校正数据来校正迷惑标记，并生成带有经校正的路面标记的环境模型；

如果在地图数据中不存在相应的迷惑标记校正数据，那么为识别出的路面标记配设置信度，并基于如下路面标记生成环境模型，所述路面标记配设的置信度高于一预定阈值。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在路面标记数据中存在迷惑标记的情况下

如果在地图数据中不存在相应的迷惑标记校正数据，那么生成针对车辆用户的干预请求，以便获取车辆用户的主动干预，尤其是，干预请求在如下情况下才发生，即，识别出的路面标记的置信度低于一预定阈值，优选地，车辆用户的主动干预包括：由车辆用户主动地选择或确认相应的路面标记，和/或由车辆用户手动驾驶相关路段；

优选地，所述方法还包括：

生成第一显示指令，促使向车辆用户显示有关路面标记的图像以及识别出的一个或多个路面标记，以供车辆用户选择或确认，优选地，在抬头显示屏或全息显示屏中进行显示；和/或

生成第二显示指令，促使向车辆用户显示需要车辆用户手动驾驶的告警信号，以请求车辆用户手动驾驶相关路段；

优选地，所述方法还包括：

获取车辆用户的主动干预；

基于所述车辆用户的主动干预确定有效的路面标记；

将所述有效的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于生成与该位置数据相关联的迷惑标记校正数据，和/或更新地图数据。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

如果在地图数据中不存在相应的迷惑标记校正数据，那么聚合在预定时段或预定路段内的路面标记数据，并将经聚合的路面标记数据以及相关联的位置数据发送给迷惑标记处理装置。

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：

如果在路面标记数据中不存在迷惑标记，但在地图数据中存在相应的迷惑标记校正数据，则将确定的路面标记以及相关联的位置数据发送给迷惑标记处理装置，以用于更新地图数据。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

查明与迷惑标记校正数据相关联的位置数据；

当车辆即将行驶或正行驶到相应的位置数据处时，限制车辆的驾驶行为，优选地，当车辆即将行驶或正行驶到相应的位置数据处时，将行驶速度限制在一预定阈值之下。

9.一种用于自动驾驶的方法，其特征在于，所述方法包括：

获取路面标记数据，所述路面标记数据包括迷惑标记以及与所述迷惑标记相关联的位置数据，优选地，所述迷惑标记以及与所述迷惑标记相关联的位置数据涉及根据权利要求1至8之一所述的方法中发送给迷惑标记处理装置的迷惑标记以及相关联的位置数据；

借助于深度学习模型识别获取的路面标记数据中的迷惑标记；

借助于深度学习模型针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据；

将生成的迷惑标记校正数据按照相关联的位置数据集成到地图数据中，优选地，基于多个迷惑标记校正数据以及相关联的多个位置数据生成迷惑标记校正图层，并将所述迷惑标记校正图层作为地图数据的附加图层加载到地图数据中。

10.根据权利要求9所述的方法，其特征在于，所述方法包括：

聚合涉及同一迷惑标记的多个路面标记数据；

基于经聚合的路面标记数据，借助于深度学习模型识别迷惑标记并针对识别出的迷惑标记创建标记标签，并基于创建的标记标签生成相应的迷惑标记校正数据。

11.根据权利要求9所述的方法，其特征在于，所述方法包括：

获取经主动干预的第一有效的路面标记以及相关联的位置数据；

基于所述第一有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

12.根据权利要求9所述的方法，其特征在于，所述方法包括：

借助于深度学习模型为针对识别出的迷惑标记配设置信值；

使置信值低于一预定阈值的迷惑标记经受人工校验；

基于人工校验确定第二有效的路面标记；

基于所述第二有效的路面标记以及相关联的位置数据生成迷惑标记校正数据和/或更新地图数据。

13.一种用于自动驾驶的设备，其特征在于，所述设备包括：

至少一个存储器，被配置为存储一系列计算机可执行指令；以及

至少一个处理器，被配置为执行所述一系列计算机可执行指令，

其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行根据权利要求1至8或9至12中任一项所述的方法。

14.车辆，包括：

感测设备，被配置为感测车辆的周围环境数据，优选地，所述感测设备包括至少一个摄像头和/或至少一个激光雷达；

定位模块，被配置为确定车辆的位置数据；

控制设备，所述控制设备构成为根据权利要求13所述的用于自动驾驶的设备。

15.一种用于自动驾驶的系统，包括：

根据权利要求14所述的车辆；

服务器，所述服务器包括：至少一个存储器，被配置为存储一系列计算机可执行指令；以及至少一个处理器，被配置为执行所述一系列计算机可执行指令，其中，所述一系列计算机可执行指令在由处理器执行时使所述处理器执行根据权利要求9至12中任一项所述的方法；

车辆能与服务器建立通信连接，使得车辆能将迷惑标记以及相关联的位置数据发送给作为迷惑标记处理装置的服务器，并且服务器能将具有迷惑标记校正图层的地图数据传输给车辆。