CN118015571A - 车道线预测方法、装置、电子设备、存储介质和程序产品 - Google Patents
车道线预测方法、装置、电子设备、存储介质和程序产品 Download PDFInfo
- Publication number
- CN118015571A CN118015571A CN202211334367.8A CN202211334367A CN118015571A CN 118015571 A CN118015571 A CN 118015571A CN 202211334367 A CN202211334367 A CN 202211334367A CN 118015571 A CN118015571 A CN 118015571A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- reinforcement learning
- learning network
- boundary line
- lane
- 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 64
- 230000002787 reinforcement Effects 0.000 claims abstract description 113
- 238000004590 computer program Methods 0.000 claims description 15
- 238000009499 grossing Methods 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本公开实施例涉及一种车道线预测方法、装置、计算机设备、存储介质和程序产品。所述方法包括:获取所述目标车辆的宽度信息,并获取所述目标车辆的行驶轨迹信息;将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中;根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线。采用本方法能够提高对车辆所处环境边界线识别的准确度。
Description
技术领域
本公开实施例涉及智能驾驶技术领域,特别是涉及一种车道线预测方法、装置、电子设备、存储介质和程序产品。
背景技术
随着智能驾驶技术的发展,智能驾驶汽车在一定程度上减少了交通事故的发生并减轻了驾驶员的驾驶疲劳感。而智能驾驶时对车辆所处环境的边界线进行准确地识别,在规划车辆的行驶路径中是尤为重要的一步。
传统技术中,主要是将接收到的一段持续车道信息作为历史行驶轨迹,根据历史行驶轨迹中的车道边界线,对车辆当前所处环境的边界线进行识别。
然而,传统技术中存在对车辆当前所处环境的边界线识别的准确度较低的问题。
发明内容
本公开实施例提供一种车道线预测方法、装置、电子设备、存储介质和程序产品,可以用于提高对车辆所处环境边界线识别的准确度。
第一方面,本公开实施例提供一种车道线预测方法,所述方法包括:
获取所述目标车辆的宽度信息,并获取所述目标车辆的行驶轨迹信息;
将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中;
根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线。
第二方面,本公开实施例提供一种车道线预测装置,所述装置包括:
第一获取模块,用于获取所述目标车辆的宽度信息,并获取所述目标车辆的行驶轨迹信息;
输入模块,用于将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中;
预测模块,用于根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线。
第三方面,本公开实施例提供一种车辆,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述第一方面所述的方法。
第四方面,本公开实施例提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面所述的方法。
第五方面,本公开实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述第一方面所述的方法。
本公开实施例提供的一种车道线预测方法、装置、电子设备、存储介质和程序产品,通过获取目标车辆的宽度信息和目标车辆的行驶轨迹信息,并将获取的目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络中,能够根据强化学习网络的输出确定目标车辆的行驶车道的边界线,由于该强化学习网络的输入是目标车辆的宽度信息和目标车辆的行驶轨迹信息,这样通过强化学习网络能够使其利用输入的目标车辆的宽度信息和目标车辆的行驶轨迹信息进行多次预测,准确地得到目标车辆的行驶车道的边界线,从而可以得到精度较高的输出结果,也就是说,通过上述强化学习网络可以得到准确度更高的目标车辆的行驶车道的边界线。
附图说明
图1为一个实施例中车道线预测方法的应用环境图;
图2为一个实施例中车道线预测方法的流程示意图;
图3为另一个实施例中车道线预测方法的流程示意图;
图4为另一个实施例中车道线预测方法的流程示意图;
图5为一个实施例中目标车辆中自车结构的整体示意图;
图6为一个实施例中环境理解模块的架构示意图;
图7为一个实施例中车道线预测装置的结构框图;
图8为一个实施例中电子设备的内部结构图。
具体实施方式
为了使本公开实施例的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本公开实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本公开实施例,并不用于限定本公开实施例。
首先,在具体介绍本公开实施例的技术方案之前,先对本公开实施例基于的技术背景或者技术演进脉络进行介绍。通常情况下,在智能驾驶领域,当前的技术背景是:在车辆行驶过程中边界线模糊或者车道边界线缺失的情况下,将导致车辆对所处环境的边界线识别的准确度较低的问题。基于该背景,申请人通过长期的模型模拟研发以及实验数据的搜集、演示和验证,发现在车辆所处的环境中边界线模糊或者没有边界线的情况下就会出现车辆对所处环境的边界线识别的准确度较低的问题。因此,如何在车辆所处环境中边界线模糊或者没有边界线的情况下,解决车辆对所处环境的边界线识别的准确度较低的问题,成为目前亟待解决的难题。另外,需要说明的是,从确定车辆行驶过程中边界线模糊或者没有边界线的情况下就会出现车辆对所处环境的边界线识别的准确度较低的问题以及下述实施例介绍的技术方案,申请人均付出了大量的创造性劳动。
下面结合本公开实施例所应用的场景,对本公开实施例涉及的技术方案进行介绍。
本公开实施例提供的车道线预测的方法,可以应用于如图1所示的应用环境中。其中,车辆101和车辆102可以为各种机动车辆,例如,小轿车、货车等等,可选的,车辆101可以为自车,车辆102可以为与车辆101的行驶意图相关的他车。车辆101和车辆102可以包括感知设备,例如,相机、雷达等等,车辆101和车辆102中设置有处理组件,其可以通过无线的方式与相机、雷达等感知设备进行通信,或者,也可以通过有线的方式与相机、雷达等感知设备进行通信,例如,相机可以将采集到的图像信号发送给处理组件,处理组件对接收到图像信号进行处理后,输出预测的车道边界线。车辆101和车辆102中还设置有显示组件,例如,显示屏,其可以与处理组件通过无线的方式进行通信,或者,通过有线的方式与处理组件进行通信,例如,处理组件可以将输出的预测的车道边界线传送到显示组件,由显示组件对预测的车道边界线进行显示。可选的,车辆行驶环境中的边界线可以如图1中虚线所示,边界线不明确可以是车道边界线模糊不清楚,也可以是没有车道边界线,本实施例在此对边界线不明确的情况不做限制。
在一个实施例中,如图2所示,提供了一种车道线预测方法,以该方法应用于图1中的车辆为例进行说明,包括以下步骤:
S201,获取目标车辆的宽度信息,并获取目标车辆的行驶轨迹信息。
可选的,目标车辆包括自车,也包括与自车的行驶意图相关的他车,例如,在车辆变道的场景中,目标车辆包括自车以及目标车辆将变道的车道上的其他车辆。可选的,目标车辆的宽度信息可以为目标车辆两侧的车门打开后,两侧的车门之间的间隔距离信息,目标车辆的行驶轨迹信息可以为目标车辆在历史时刻和当前时刻的实际行驶路径。
可选的,目标车辆中自车的车辆宽度信息可以预先存储在处理组件中,从处理组件中获取,或者,也可以通过感知设备实时获取自车的车辆宽度信息。可选的,目标车辆中他车的车辆宽度信息可以通过自车设置的感知设备获取,或者,也可以通过自车与他车之间的无线通信,向他车发送获取指令,通过该获取指令获取他车的车辆宽度信息。示例性的,可以通过自车的相机设备采集他车的图像,并将采集的图像传送至处理组件,经过处理组件处理得到他车的车辆宽度信息,或者,也可以通过自车的雷达设备采集他车的车辆外侧的点云数据以获取他车的车辆宽度信息。可选的,在本实施例中,可以根据车辆的感知设备获取目标车辆的行驶轨迹信息,或者,也可以通过从云端获取目标车辆的行驶轨迹信息。
示例性的,在本实施例中,目标车辆中可以设置11个相机设备、5个毫米波雷达设备以及12个超声波雷达设备。其中,可以利用多个相机设备采集目标车辆的宽度信息,并将多个相机采集到的多个目标车辆的宽度信息进行融合,将融合后的宽度信息确定为目标车辆的宽度信息,使得确定的目标车辆的宽度信息的准确度更高;或者,也可以利用多个毫米波雷达设备和多个超声波雷达设备采集目标车辆的宽度信息,并将采集到的多个目标车辆的宽度信息进行融合,将融合后的宽度信息确定为目标车辆的宽度信息,使得确定的目标车辆的宽度信息的准确度更高;又或者,可以利用多个相机设备和多个雷达设备采集目标车辆的宽度信息,并将多个相机设备和多个雷达设备采集的目标车辆的宽度信息进行融合,将融合后的宽度信息确定为目标车辆的宽度信息,以提高确定的目标车辆的宽度信息的准确度。
同样地,也可以利用多个相机设备采集目标车辆的行驶轨迹信息,并将采集到的多个目标车辆的行驶轨迹信息进行融合,将融合后的行驶轨迹信息确定为目标车辆的行驶轨迹信息,使得确定的目标车辆的行驶轨迹准确度更高;也可以利用多个毫米波雷达设备和多个超声波雷达设备采集目标车辆的行驶轨迹信息,并将采集到的多个目标车辆的行驶轨迹信息进行融合,将融合后的行驶轨迹信息确定为目标车辆的行驶轨迹信息,使得确定的目标车辆的行驶轨迹准确度更高;又或者,可以利用多个相机设备和多个雷达设备采集目标车辆的行驶轨迹信息,并将利用多个相机设备和多个雷达设备采集目标车辆的行驶轨迹信息进行融合,将融合后的行驶轨迹信息确定为目标车辆的行驶轨迹信息,以提高确定的目标车辆的行驶轨迹信息的准确度。
S202,将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络中。
其中,强化学习网络指的是执行迭代操作,并对每次迭代输出的结果进行评价,从而根据评价对该网络的参数进行调整,使得该网络输出的结果与预测结果一致的网络。需要说明的是,强化学习网络的原理是通过智能体(Agent)以“试错”的方式进行学习,把学习看作试探评价过程,Agent选择一个动作用于环境,环境接受该动作后状态发生变化,同时产生一个强化信号(奖或惩)反馈给Agent,Agent根据强化信号和环境当前状态再选择下一个动作,选择的原则是使受到正强化(奖)的概率增大,选择的动作不仅影响立即强化值,而且影响环境下一时刻的状态及最终的强化值,通过与环境进行交互获得的奖赏指导行为,其目标是使得Agent获得最大的奖赏,通常,强化学习网络可以应用于无人驾驶、工业自动化、金融贸易等众多场景中,在本申请中,将强化学习网络应用于智能驾驶场景中,以提高预测的目标车辆的行驶车道的边界线的准确度。
可选的,本实施例中的强化学习网络包括输入层网络,第一卷积层网络,第二附加层网络,第三卷积层网络,全连接网络,输出层网络,强化学习网络的训练过程可以在服务器或者其他计算机设备上完成。在本实施例中,服务器通过获取目标车辆的宽度信息和目标车辆的行驶轨迹信息,进而将获取的目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络中,执行迭代操作,以获取强化学习网络的输出。
S203,根据强化学习网络的输出确定目标车辆的行驶车道的边界线。
其中,行驶车道的边界线为强化学习网络输出的较为清晰的目标车辆的行驶车道的边界线。在本实施例中,可以直接将强化学习网络的输出结果作为目标车辆的行驶车道的边界线,或者,也可以对强化学习网络的输出结果进行平滑滤波处理,得到目标车辆的行驶车道的边界线。
上述车道线预测方法中,通过获取目标车辆的宽度信息和目标车辆的行驶轨迹信息,并将获取的目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络中,能够根据强化学习网络的输出确定目标车辆的行驶车道的边界线,由于该强化学习网络的输入是目标车辆的宽度信息和目标车辆的行驶轨迹信息,这样通过强化学习网络能够使其利用输入的目标车辆的宽度信息和目标车辆的行驶轨迹信息进行多次预测,准确地得到目标车辆的行驶车道的边界线,从而可以得到精度较高的输出结果,也就是说,通过上述强化学习网络可以得到准确度更高的目标车辆的行驶车道的边界线。
在上述将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络中的场景中,需要强化学习网络执行多次输入步骤,直至强化学习网络的输出满足预设的曲线特征条件。在一个实施例中,如图3所示,上述S202,包括:
S301,执行至少一次将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络中的输入步骤,并在每次执行输入步骤之后,确定强化学习网络的输出是否满足预设的曲线特征条件。
其中,曲线特征条件为强化学习网络输出的边界线要满足的曲线特征条件,可选的,该曲线特征条件可以包括目标车辆的行驶车道的边界线的曲率大于第一阈值的条件以及目标车辆的行驶车道的边界线的平滑度大于第二阈值的条件中的至少一种。也就是说,目标车辆的行驶车道的边界线满足目标车辆的行驶车道的边界线的曲率大于第一阈值以及目标车辆的行驶车道的边界线的平滑度大于第二阈值中的至少一种,则可以确定强化学习网络的输出满足预设的曲线特征条件。可选的,在本实施例中,可以将目标车辆的宽度信息和目标车辆的行驶轨迹信息分别输入强化学习网络中,或者,也可以将目标车辆的宽度信息和目标车辆的行驶轨迹信息融合后输入强化学习网络中。
S302,在强化学习网络的输出满足曲线特征条件的情况下,停止执行输入步骤。
可选的,若强化学习网络输出的边界线的曲率大于第一阈值,或者,强化学习网络输出的边界线的平滑度大于第二阈值,则可以确定强化学习网络的输出满足曲线特征条件,又或者,若强化学习网络输出的边界线的曲率大于第一阈值且强化学习网络输出的边界线的平滑度大于第二阈值,则可以停止执行将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络的步骤。
S303,在强化学习网络的输出不满足曲线特征条件的情况下,根据强化学习网络的输出对强化学习网络的参数进行调整,并执行下一次输入步骤。
其中,当强化学习网络的输出不满足所述曲线特征条件时,可以根据当前强化学习网络的输出对强化学习网络的参数进行调整,例如,调整网络宽度、网络层数、更新次数等等,并利用调整参数后的强化学习网络执行下一次输入步骤。
可选的,若强化学习网络输出的边界线的曲率小于等于第一阈值,或者,强化学习网络输出的边界线的平滑度小于等于第二阈值,则可以确定强化学习网络的输出不满足曲线特征条件,可以根据学习网络的输出对强化学习网络的参数进行调整,并执行下一次将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络的步骤。
本实施例中,通过执行至少一次将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络中的输入步骤,并在每次执行输入步骤之后,确定强化学习网络的输出是否满足预设的曲线特征条件,在强化学习网络的输出满足曲线特征条件的情况下,停止执行输入步骤,在强化学习网络的输出不满足曲线特征条件的情况下,根据强化学习网络的输出对强化学习网络的参数进行调整,并执行下一次输入步骤,由于每次执行输入步骤之后,都进行强化学习网络的输出是否满足预设的曲线特征条件的判定,并根据判定结果对强化学习网络的参数进行调整,然后再执行下一次输入步骤,因此,可以通过多次的参数调整和迭代操作逐渐提高强化学习网络的精度,从而可以得到精度较高的强化学习网络,进而得到精度较高的输出结果,也就是说,提高了强化学习网络输出的目标车辆的行驶车道的边界线的准确度。
在上述将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络的场景的基础上,在一个实施例中,上述S203,包括:
根据最后一次输入步骤对应的强化学习网络的输出,确定目标车辆的行驶车道的边界线。
可以理解的是,根据目标车辆的宽度信息和目标车辆的行驶轨迹信息作为强化学习网络的输入,并根据强化学习网络的输出对该强化学习网络的参数进行调整,随着每一次参数的调整和每一次输入步骤的执行,该强化学习网络的精度越来越高,因此,该强化学习网络的输出结果的准确度也越来越高。可选的,在本实施例中,可以将执行最后一次输入步骤对应的强化学习网络作为精度最高的强化学习网络,并将最后一次输入步骤对应的强化学习网络的输出结果作为目标车辆的行驶车道的边界线。
本实施例中,根据最后一次输入步骤对应的强化学习网络的输出,确定目标车辆的行驶车道的边界线,由于是将强化学习网络达到精度最高时的输出结果,确定为目标车辆的行驶车道的边界线,使得确定的目标车辆的行驶车道的边界线的精度最高,从而有效地提高了目标车辆的行驶车道的边界线的准确度。
在上述获取目标车辆的行驶轨迹信息场景中,可以通过多途径获取行驶轨迹信息。在一个实施例中,如图4所示,上述S201,包括:
S401,从云端或者目标车辆的感知设备中获取目标车辆的初始行驶轨迹信息。
其中,云端指的是用于存储海量车辆行驶轨迹信息的储存端,感知设备可以包括车载相机、毫米波雷达、超声波雷达等,感知设备可以与处理组件通过无线通信的方式连接,或者,感知设备也可以与处理组将通过有线通信的方式连接,相机可以用于检测图像,以获取车辆所处的环境,或者获取车辆行驶车道的边界线,雷达可以用于检测障碍物的距离,或者用于检测车辆与车道线的距离。初始行驶轨迹信息指的是从云端或者目标车辆的感知设备直接获取的,未经处理的行驶轨迹信息。
示例性地,在本实施例中,可以通过相机获取自车和他车所行驶车道的图像信息,并将上述图像信息传输至处理组件中,处理组件可以对上述图像信息进行处理以获取目标车辆的初始行驶轨迹信息,
S402,对初始行驶轨迹进行平滑和滤波处理,得到行驶轨迹信息。
其中,平滑和滤波处理指的是对图像信息进行相应的处理,以消除图像信息在采集、获取、传送和转换过程中所混入的噪声干扰,可选的,平滑和滤波处理可以通过滤波器对噪声进行滤波,例如,邻域平滑滤波器、中值滤波器、高斯滤波器等,本实施例在此不作限制。
示例性地,在本实施例中,可以通过中值滤波器对感知设备采集的自车的车道边界线的图像信息进行平滑滤波处理,去除噪声并保留图像的边缘信息,得到既更加清晰又能保留边界线的边缘信息的车道边界线。
本实施例中,通过从云端或者目标车辆的感知设备中获取目标车辆的初始轨迹信息,并且对初始轨迹信息进行平滑和滤波处理得到了行驶轨迹信息,由于对获取的初始轨迹信息进行了平滑和滤波处理,使得获取的初始轨迹信息消除了在信号传送过程受到的噪声干扰,从而得到了更清晰的行驶轨迹信息;另外,通过从云端获取初始轨迹信息,增加了目标车辆的行驶轨迹信息的数量,从而可以得到更加丰富的强化学习网络的训练样本,进一步地,可以通过上述训练样本训练出精度更高的强化学习网络。
在上述强化学习网络输出目标车辆的行驶车道的边界线的场景的基础上,在一个实施例中,上述方法还包括:对边界线进行平滑和滤波处理,得到目标车辆的行驶车道的目标边界线。
可以理解的是,强化学习网络输出的目标车辆的行驶车道的边界线在传送至其他车载设备时可能会受到噪声干扰,造成边界线不清晰的问题。可选的,在本实施例中,可以对边界线进行平滑和滤波处理,得到比较清晰的目标车辆的行驶车道的目标边界线。
本实施例中,通过对边界线进行平滑和滤波处理,得到目标车辆的行驶车道的目标边界线,可以消除边界线信息在传送过程中受到的噪声干扰,提高了接收到的目标边界线的清晰度和准确度,也保证了强化学习网络的输出结果的准确性。
在上述得到目标车辆的行驶车道的边界线的场景的基础上,在一个实施例中,上述方法还包括:在电子地图中与行驶车道的目标边界线对应的位置展示目标边界线。
可以理解的是,在车辆中可以设置显示组件用于实时的显示地图信息,以及车辆的感知设备获取的车辆所处环境的车道线、绿化带等信息。可选的,在本实施例中,可以将上述强化学习网络输出的目标车辆的行驶车道的目标边界线传送至显示组件,并在显示组件上进行展示,可选的,目标边界线可以在采集到的车辆所处环境实际的行驶车道的边界线位置展示目标边界线。
本实施例中,可以在电子地图中与行驶车道的目标边界线对应的位置展示目标边界线,能够直观的展示所预测的目标车辆的行驶车道的目标边界线,驾驶人员可以对所预测的目标边界线是否准确进行及时反馈。
图5为本申请中目标车辆中自车结构的整体示意图,在一个具体的实施例中,目标车辆中自车包括传感器、域控制器和系统级芯片(System on Chip,SOC)。
其中,目标车辆中自车的传感器可以包括视觉传感器、距离传感器、定位传感器。例如,目标车辆中自车的传感器可以包括相机、毫米波雷达、超声波雷达,目标车辆中自车的域控制器可以包括感知模块、融合模块、环境理解模块,SOC可以包括预测模块。
具体的,感知模块可以获取传感器在预设时间段内各时间帧的检测数据,得到目标物的速度信息、属性信息和与目标物的距离等等;融合模块,可以用于对相同类别的传感器得到的检测数据进行融合关联,和/或,对同一个目标物,将不同类别得到的检测数据得到的数据进行相互融合;环境理解模块根据传感器的检测数据,例如相机采集的图像数据和毫米波雷达采集的点云数据,以确定行驶车道的边界线信息,预测模块可以利用融合模块的输出确定目标车辆行驶车道的目标边界线。
在图5的基础上,图6为环境理解模块的架构示意图。如图6所示,目标车辆的环境理解模块包括强化学习网络子模块和状态机子模块。
其中,强化学习网络子模块包括宽度信息采集单元、行驶轨迹信息采集单元、环境理解融合单元和环境理解输出单元;状态机子模块可以根据强化学习网络输出的目标车辆的行驶车道的目标边界线,控制目标车辆中自车在未来时间段内的行驶轨迹。
下面结合一个具体的出行场景来介绍本公开的一个实施例,该方法包括如下步骤:
S1,获取目标车辆的宽度信息。
S2,获取目标车辆的初始轨迹信息,并对初始轨迹信息进行平滑和滤波处理,得到目标车辆的行驶轨迹信息。
S3,将获取的目标车辆的宽度信息和目标车辆的行驶轨迹信息输入强化学习网络中。
S4,在每次执行输入步骤之后,判断对应的强化学习网络的输出是否满足预设的曲线特征条件。
S5,若对应的强化学习网络的输出满足预设的曲线特征条件,则停止执行输入步骤。
S6,若对应的强化学习网络的输出不满足预设的曲线特征条件,则根据强化学习网络的输出对强化学习网络的参数进行调整,并执行下一次输入步骤。
S4,根据最后一次输入步骤对应的强化学习网络的输出,确定目标车辆的行驶车道的边界线。
S5,对上述S4确定的目标车辆的行驶车道的边界线进行平滑和滤波处理,得到目标车辆的行驶车道的目标边界线。
应该理解的是,虽然图2-6的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-6中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图7所示,提供了一种车道线预测装置,包括:第一获取模块、输入模块和预测模块,其中:
第一获取模块,用于获取目标车辆的宽度信息,并获取目标车辆的行驶轨迹信息。
输入模块,用于将目标车辆的宽度信息和目标车辆的行驶轨迹信息输入预设的强化学习网络中。
预测模块,用于根据强化学习网络的输出确定目标车辆的行驶车道的边界线。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述输入模块,包括:
第一确定单元,用于执行至少一次将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入所述强化学习网络中的输入步骤,并在每次执行所述输入步骤之后,确定所述强化学习网络的输出是否满足预设的曲线特征条件。
第一执行单元,用于在强化学习网络的输出满足曲线特征条件的情况下,停止执行输入步骤。
第二执行单元,用于在强化学习网络的输出不满足曲线特征条件的情况下,根据强化学习网络的输出对强化学习网络的参数进行调整,并执行下一次输入步骤。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述预测模块,包括:
第二确定单元,用于根据最后一次输入步骤对应的强化学习网络的输出,确定目标车辆的行驶车道的边界线。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述第一获取模块,包括:
第一获取单元,用于从云端或者目标车辆的感知设备中获取目标车辆的初始行驶轨迹信息;
第二获取单元,对初始行驶轨迹进行平滑和滤波处理,得到行驶轨迹信息。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述装置还包括:
第二获取模块,用于对边界线进行平滑和滤波处理,得到目标车辆的行驶车道的目标边界线。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
在其中一个实施例中,上述装置还包括:
展示模块,用于在电子地图中与行驶车道的目标边界线对应的位置展示目标边界线。
本实施例提供的车道线预测装置,可以执行上述方法实施例,其实现原理和技术效果类似,在此不再赘述。
关于车道线预测装置的具体限定可以参见上文中对于车道线预测方法的限定,在此不再赘述。上述车道线预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以以硬件形式内嵌于或独立于电子设备中的处理器中,也可以以软件形式存储于电子设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图8是根据一示例性实施例示出的一种电子设备1300的框图。例如,电子设备1300可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图8,电子设备1300可以包括以下一个或多个组件:处理组件1302,存储器1304,电源组件1306,多媒体组件1308,音频组件1310,输入/输出(I/O)的接口1312,传感器组件1314,以及通信组件1316。其中,存储器上存储有在处理器上运行的计算机程序或者指令。
处理组件1302通常控制电子设备1300的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件1302可以包括一个或多个处理器1320来执行指令,以完成上述方法的全部或部分步骤。此外,处理组件1302可以包括一个或多个模块,便于处理组件1302和其他组件之间的交互。例如,处理组件1302可以包括多媒体模块,以方便多媒体组件1308和处理组件1302之间的交互。
存储器1304被配置为存储各种类型的数据以支持在电子设备1300的操作。这些数据的示例包括用于在电子设备1300上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器1304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件1306为电子设备1300的各种组件提供电力。电源组件1306可以包括电源管理系统,一个或多个电源,及其他与为电子设备1300生成、管理和分配电力相关联的组件。
多媒体组件1308包括在所述电子设备1300和用户之间的提供一个输出接口的触控显示屏。在一些实施例中,触控显示屏可以包括液晶显示器(LCD)和触摸面板(TP)。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件1308包括一个前置摄像头和/或后置摄像头。当电子设备1300处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件1310被配置为输出和/或输入音频信号。例如,音频组件1310包括一个麦克风(MIC),当电子设备1300处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器1304或经由通信组件1316发送。在一些实施例中,音频组件1310还包括一个扬声器,用于输出音频信号。
I/O接口1312为处理组件1302和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件1314包括一个或多个传感器,用于为电子设备1300提供各个方面的状态评估。例如,传感器组件1314可以检测到电子设备1300的打开/关闭状态,组件的相对定位,例如所述组件为电子设备1300的显示器和小键盘,传感器组件1314还可以检测电子设备1300或电子设备1300一个组件的位置改变,用户与电子设备1300接触的存在或不存在,电子设备1300方位或加速/减速和电子设备1300的温度变化。传感器组件1314可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件1314还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件1314还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件1316被配置为便于电子设备1300和其他设备之间有线或无线方式的通信。电子设备1300可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件1316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件1316还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备1300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述车道线预测方法。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器1304,上述指令可由电子设备1300的处理器1320执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
在示例性实施例中,还提供了一种计算机程序产品,该计算机程序被处理器执行时,可以实现上述方法。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行这些计算机指令时,可以全部或部分地按照本公开实施例所述的流程或功能实现上述方法中的部分或者全部。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本公开实施例所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本公开实施例的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本公开实施例构思的前提下,还可以做出若干变形和改进,这些都属于本公开实施例的保护范围。因此,本公开实施例专利的保护范围应以所附权利要求为准。
Claims (11)
1.一种车道线预测方法,其特征在于,所述方法包括:
获取所述目标车辆的宽度信息,并获取所述目标车辆的行驶轨迹信息;
将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中;
根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线。
2.根据权利要求1所述的方法,其特征在于,所述将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中,包括:
执行至少一次将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入所述强化学习网络中的输入步骤,并在每次执行所述输入步骤之后,确定所述强化学习网络的输出是否满足预设的曲线特征条件;
在所述强化学习网络的输出满足所述曲线特征条件的情况下,停止执行所述输入步骤;
在所述强化学习网络的输出不满足所述曲线特征条件的情况下,根据所述强化学习网络的输出对所述强化学习网络的参数进行调整,并执行下一次所述输入步骤。
3.根据权利要求2所述的方法,其特征在于,所述根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线,包括:
根据最后一次所述输入步骤对应的所述强化学习网络的输出,确定所述目标车辆的行驶车道的边界线。
4.根据权利要求2所述的方法,其特征在于,所述曲线特征条件包括所述边界线的曲率大于第一阈值的条件以及所述边界线的平滑度大于第二阈值的条件中的至少一种。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述获取所述目标车辆的行驶轨迹信息,包括:
从云端或者所述目标车辆的感知设备中获取所述目标车辆的初始行驶轨迹信息;
对所述初始行驶轨迹进行平滑和滤波处理,得到所述行驶轨迹信息。
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:
对所述边界线进行平滑和滤波处理,得到所述目标车辆的行驶车道的目标边界线。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在电子地图中与所述行驶车道的目标边界线对应的位置展示所述目标边界线。
8.一种车道线预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取所述目标车辆的宽度信息,并获取所述目标车辆的行驶轨迹信息;
输入模块,用于将所述目标车辆的宽度信息和所述目标车辆的行驶轨迹信息输入预设的强化学习网络中;
预测模块,用于根据所述强化学习网络的输出确定所述目标车辆的行驶车道的边界线。
9.一种车辆,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
11.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334367.8A CN118015571A (zh) | 2022-10-28 | 2022-10-28 | 车道线预测方法、装置、电子设备、存储介质和程序产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211334367.8A CN118015571A (zh) | 2022-10-28 | 2022-10-28 | 车道线预测方法、装置、电子设备、存储介质和程序产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118015571A true CN118015571A (zh) | 2024-05-10 |
Family
ID=90945021
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211334367.8A Pending CN118015571A (zh) | 2022-10-28 | 2022-10-28 | 车道线预测方法、装置、电子设备、存储介质和程序产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118015571A (zh) |
-
2022
- 2022-10-28 CN CN202211334367.8A patent/CN118015571A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
RU2656933C2 (ru) | Способ и устройство для предупреждения о встречном транспортном средстве | |
CN113442950B (zh) | 基于多车辆的自动驾驶控制方法、装置和设备 | |
CN114764911A (zh) | 障碍物信息检测方法、装置、电子设备及存储介质 | |
CN113627277A (zh) | 一种识别车位的方法和装置 | |
CN114802233B (zh) | 车辆控制方法、装置、电子设备及存储介质 | |
CN115907566A (zh) | 自动驾驶感知检测能力的评测方法、装置及电子设备 | |
CN118015571A (zh) | 车道线预测方法、装置、电子设备、存储介质和程序产品 | |
CN116052106A (zh) | 检测掉落物体的方法及电子设备 | |
CN113460092A (zh) | 车辆控制的方法、装置、设备、存储介质及产品 | |
CN113561970A (zh) | 初始泊车位置信息确定的方法、装置、设备及存储介质 | |
CN115743098B (zh) | 泊车方法、装置、存储介质、电子设备及车辆 | |
CN113450298B (zh) | 基于多传感器的视野图处理方法、装置和设备 | |
CN116030551B (zh) | 车辆自动驾驶软件的测试方法、装置、设备及存储介质 | |
CN117622111A (zh) | 车位推荐方法、装置、电子设备、存储介质和程序产品 | |
CN115071704B (zh) | 轨迹预测方法、装置、介质、设备、芯片和车辆 | |
CN118012030A (zh) | 路径规划方法、装置、车辆、存储介质和计算机程序产品 | |
CN114633764B (zh) | 交通信号灯检测方法、装置、存储介质、电子设备及车辆 | |
CN115042819A (zh) | 车辆控制方法、装置、介质、设备、芯片和车辆 | |
CN116757965B (zh) | 图像增强方法、装置和存储介质 | |
CN114834463B (zh) | 车辆控制方法、装置、存储介质、电子设备、芯片及车辆 | |
CN117804484A (zh) | 行驶路径的规划方法、装置、设备、存储介质和程序产品 | |
CN117681879A (zh) | 一种车辆变道方法、装置、电子设备及存储介质 | |
CN116901935A (zh) | 一种泊车车位边界调节方法、装置、设备及可读介质 | |
CN117319963A (zh) | 信息传输方法、装置、车辆、服务器、介质和程序产品 | |
CN117864151A (zh) | 横向速度方向确定方法及装置、存储介质及电子设备 |
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 |