CN118057124A - 一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 - Google Patents
一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 Download PDFInfo
- Publication number
- CN118057124A CN118057124A CN202211463543.8A CN202211463543A CN118057124A CN 118057124 A CN118057124 A CN 118057124A CN 202211463543 A CN202211463543 A CN 202211463543A CN 118057124 A CN118057124 A CN 118057124A
- Authority
- CN
- China
- Prior art keywords
- intersection
- point
- information
- lane
- map
- 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 48
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006698 induction Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 11
- 238000009499 grossing Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Landscapes
- Navigation (AREA)
Abstract
本发明公开一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质,其中,方法包括:分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;根据所述带有诱导点图层的地图,生成路口各车道中心点;根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。本发明不需要高精地图即可完成路口的路径规划。
Description
技术领域
本发明属于智能网联汽车技术领域,具体涉及一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质。
背景技术
当前行业内城市自动驾驶方案依赖高精度地图,高精地图可提供每个车道精确的车道中线作为自动驾驶参考线,在路口处也会提供车道间的虚拟车道中线作为参考线。基于高精地图的路径规划算法一般在两条相邻的参考线及附近区域采样若干个样本点,形成若干条局部的待选路径,通过合适的代价函数设计,获得每条待选路径对应的代价值,最后选择代价最小的路径,得出对应的路径点输出至控制模块。但由于高精地图的维护成本高,更新频率慢,且覆盖范围不足,因此所对应的规划算法乃至自动驾驶方案在没有高精地图数据的地区受到极大的限制。
发明内容
本发明实施例所要解决的技术问题在于,提供一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质,以在不需要高精地图的情况下完成在路口以及城乡道路等场景下的路径规划,扩展自动驾驶的覆盖场景。
为解决上述技术问题,本发明提供一种自动驾驶路口路径规划方法,包括:
分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;
根据所述带有诱导点图层的地图,生成路口各车道中心点;
根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
进一步地,所述对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息,具体包括:
将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,获得所述当前路口的车道信息,所述当前路口的车道信息包括车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,具体包括:
将拼接后的图像中的任一像素点(u,v)按照下式转换到车辆坐标系下坐标点(XW,YW,ZW):
其中,u为空间点在图像中的x坐标;v为空间点在图像中的y坐标;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标;v0为摄像头中心点在图像中的y坐标;f为摄像头焦距;dx为单位像素在x方向的宽度;dy为单位像素在y方向的宽度;T3X1为摄像头中心点在车辆坐标系下的平移矩阵;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值,通过测量得到;m矩阵为三维车辆坐标向二维图像坐标转换的系数;
将上式展开得到下式:
求解上式得到ZC、XW、YW,使拼接后的图像中的任一像素点(u,v)均获得其对应车辆坐标系中的坐标(XW,YW,ZW)。
进一步地,所述将获得的当前路口的车道信息与导航地图的相应信息进行匹配,具体包括:
将映射到车辆坐标系下获得的车道数量N、道路总宽度L以及道路朝向φ,分别与导航地图中包含的车道数量n、道路宽度l以及道路朝向进行匹配,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功。
进一步地,诱导点为道路停止线中间点,通过下式将诱导点所处的车辆坐标系转换到UTM坐标系:
其中,X、Y为诱导点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角;
所述诱导点信息包括诱导点在UTM坐标系下的坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述根据所述带有诱导点图层的地图,生成路口各车道中心点,具体包括:
根据所述带有诱导点图层的地图启用自动驾驶,结合全局路径规划,所述带有诱导点图层的地图生成前方预设范围内路口的诱导点信息;
根据所述诱导点信息获得每个车道的中心点坐标。
进一步地,根据所述诱导点信息按照下式获得每个车道的中心点坐标:
N为奇数;
或者
N为偶数。
其中,Xn、Yn为每个车道的中心点坐标。
进一步地,所述根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径,具体包括:
选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对所述初始参考线进行平滑,获得车辆至目标路口的未来行驶路径。
进一步地,所述自动驾驶路口路径规划方法还包括:按照车辆至目标路口的未来行驶路径自动驾驶过程中,如果识别到有效的车道线信息,则以识别到的车道线信息重新规划路径。
进一步地,将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,还包括:
获取诱导点信息并将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;
根据云端推送的带有诱导点图层的地图,生成路口各车道中心点。
本发明还提供一种自动驾驶路口路径规划装置,包括:
数据采集模块,用于分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
图像识别模块,用于对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
地图匹配模块,用于将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;
车道中心点生成模块,用于根据所述带有诱导点图层的地图,生成路口各车道中心点;
路径规划模块,用于根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
进一步地,所述图像识别模块具体用于:
将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,获得所述当前路口的车道信息,所述当前路口的车道信息包括车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,具体包括:
将拼接后的图像中的任一像素点(u,v)按照下式转换到车辆坐标系下坐标点(XW,YW,ZW):
其中,u为空间点在图像中的x坐标;v为空间点在图像中的y坐标;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标;v0为摄像头中心点在图像中的y坐标;f为摄像头焦距;dx为单位像素在x方向的宽度;dy为单位像素在y方向的宽度;T3X1为摄像头中心点在车辆坐标系下的平移矩阵;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值,通过测量得到;m矩阵为三维车辆坐标向二维图像坐标转换的系数;
将上式展开得到下式:
求解上式得到ZC、XW、YW,使拼接后的图像中的任一像素点(u,v)均获得其对应车辆坐标系中的坐标(XW,YW,ZW)。
进一步地,所述地图匹配模块将获得的当前路口的车道信息与导航地图的相应信息进行匹配,具体包括:
将映射到车辆坐标系下获得的车道数量N、道路总宽度L以及道路朝向φ,分别与导航地图中包含的车道数量n、道路宽度l以及道路朝向进行匹配,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功。
进一步地,诱导点为道路停止线中间点,所述地图匹配模块还用于通过下式将诱导点所处的车辆坐标系转换到UTM坐标系:
其中,X、Y为诱导点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角;
所述诱导点信息包括诱导点在UTM坐标系下的坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述车道中心点生成模块具体用于:
根据所述带有诱导点图层的地图启用自动驾驶,结合全局路径规划,所述带有诱导点图层的地图生成前方预设范围内路口的诱导点信息;
根据所述诱导点信息获得每个车道的中心点坐标。
进一步地,所述车道中心点生成模块根据所述诱导点信息按照下式获得每个车道的中心点坐标:
N为奇数;
或者
N为偶数。
其中,Xn、Yn为每个车道的中心点坐标。
进一步地,所述路径规划模块具体用于:
选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对所述初始参考线进行平滑,获得车辆至目标路口的未来行驶路径。
进一步地,所述路径规划模块还用于:按照车辆至目标路口的未来行驶路径自动驾驶过程中,如果识别到有效的车道线信息,则以识别到的车道线信息重新规划路径。
进一步地,所述地图匹配模块在将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,还用于:将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;
所述车道中心点生成模块还用于根据云端推送的所述带有诱导点图层的地图,生成路口各车道中心点。
本发明还提供一种非暂时性计算机可读存储介质,所述非暂时性计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述非暂时性计算机可读存储介质所在的设备执行所述的自动驾驶路口路径规划方法。
实施本发明具有如下有益效果:本发明可以通过普通导航地图和诱导点元素数据,同时接入感知到的车辆定位信息和车道线信息,不依赖高精地图便可完成在路口以及城乡道路等场景下的路径规划,大大地扩展了自动驾驶的覆盖场景。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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是本发明实施例一种自动驾驶路口路径规划方法的流程示意图。
图2是本发明实施例一种自动驾驶路口路径规划方法的具体流程示意图。
图3是本发明实施例中图像数据拼接示意图。
图4是本发明实施例中车道线识别和诱导点生成示意图。
图5是本发明实施例中路口车道中心点生成示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例一提供一种自动驾驶路口路径规划方法,包括:
分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;
根据所述带有诱导点图层的地图,生成路口各车道中心点;
根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
具体地,请结合图2-图5所示,进行路口环境信息和车辆定位信息采集时,具体是通过车辆前端安装的摄像头进行路口行车环境数据采集,摄像头分别为左前摄像头、前向摄像头和右前摄像头,其中前向摄像头安装位置为车辆纵向对称轴线且接近挡风玻璃上边缘,FOV角度为120度,左前摄像头和右前摄像头分别安装在车辆左右后视镜下侧,摄像头中轴线与车辆纵向对称面夹角分别为60°和-60°,FOV角度为100°。三个摄像头进行图像拼接可进行前方160°范围环境感知,拼接后图像如图3所示。车辆同时安装有实时差分定位(RTK)装置,定位精度可达到厘米级,RTK可以实时输出车辆定位信息(x,y,z,θ),其中x,y,z是通用横墨卡托格网系统(UTM)坐标系下车辆在地面的绝对位置,θ是UTM坐标系下车辆在地面与正北方向的夹角。
当车辆接近路口时,如图4所示,感知系统从拼接后的图像中识别出当前道路的车道线和停止线,当前路口的车道信息具体包括当前路口的车道数量、车道宽度和车道朝向。利用平面假设的单目测距原理可以将图像空间的任一像素点(u,v)转换到车辆坐标系下坐标点(XW,YW,ZW),如公式(1)所示:
其中,u为空间点在图像中的x坐标,单位为像素;v为空间点在图像中的y坐标,单位为像素;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标,单位为像素;v0为摄像头中心点在图像中的y坐标,单位为像素;f为摄像头焦距,单位为毫米;dx为单位像素在x方向的宽度,单位为毫米/像素;dy为单位像素在y方向的宽度,单位为毫米/像素;T3X1为摄像头中心点在车辆坐标系下的平移矩阵,单位为米;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值,单位为米;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值;m矩阵为三维车辆坐标向二维图像坐标转换的系数。
将公式(1)展开可得到公式(2):
其中,X、Y为空间点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角。ZW可通过测量获得,未知参数为ZC、XW、YW,通过公式(2)三个方程得到三个未知参数的解,这样图像任一像素点(u,v)均可获得其对应车辆坐标系中的坐标(XW,YW,ZW)。通过将图像上的感知结果映射到车辆坐标系下,可以获得车道数量N、道路总宽度L以及道路朝向φ,同时在导航地图中也包含车道数量n、道路宽度l以及道路朝向等信息,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功,表明当前路口识别结果有效。
本实施例中,诱导点设为道路停止线中间点,如图4所示,车辆前方车道为三车道,则诱导点为三车道停止线的中间点(具体位于三车道中的中间车道的中间点);左右侧车道为两车道,则诱导点为两车道停止线的中间点(具体位于两车道之间的分隔线顶端)。
由于目前诱导点所处的坐标系为车辆坐标系,需要将其转换到UTM坐标系下,坐标转换公式如公式(3)所示:
获取诱导点信息后,本实施例根据所述诱导点信息和所述导航地图(已预先下载并存储在车端),在车端生成带有诱导点图层的地图;;这样在没有网络或者网络连接状况不佳时,仍然能够在本地进行路口路径规划,扩展了本发明的实用性。从另一方面来说,本发明实施例在将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,也可以获取诱导点信息并将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;然后根据云端推送的带有诱导点图层的地图,生成路口各车道中心点。这种机制的好处在于,对车端算力要求不高,且云端生成的该路口的带有诱导点图层的地图可以共享给经过该路口的其它车辆,无需其它车辆自身再去获取诱导点信息来重新生成带有诱导点图层的地图,增强了本发明实施例的通用性。
对于将相关信息上传云端,具体是将此刻记录的原始图像、车辆的定位信息(x,y,z,θ)、车道线感知结果以及诱导点信息(X,Y,N,L,φ)上传至云端,云端收到诱导点信息后会与其他车辆收到的诱导点信息进行融合,融合的结果将会合并到导航地图诱导点图层,在获得所有路口信息后形成带有诱导点图层的初步地图,然后通过网络对车端地图进行更新。在使用过程中,如果车道发生变化可以通过动态更新的方式进行诱导点图层更新。同时,当诱导点图层发生严重错误时,可以通过人工检查的方式对诱导点图层进行更新。
当融合诱导点图层的地图更新到自动驾驶车辆时,车辆可启用自动驾驶功能。在自动驾驶运行过程中,结合全局路径规划,地图会发出前方200m内路口诱导点信息,每个诱导点包括了诱导点坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ,根据诱导点信息可以获得每个车道的中心点坐标,如图5所示,坐标计算如公式(4)和(5)所示:
其中,n=-(N-1)/2,…0,…(N-1)/2,N为奇数。
其中,n=-(N-2)/2,…0,…N/2,N为偶数。
根据生成的路口各车道中心点,选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对参考线进行平滑,获得车辆至目标路口的未来行驶路径。车辆到达路口时,当有障碍物遮挡导致无法正确感知到目标路口位置,则继续按照车辆至目标路口的未来行驶路径将车辆逐渐引导到目标路口;在逐渐接近路口过程中,一旦可以识别到有效的车道线信息,则以感知到的车道线信息重新规划路径,通过该策略可以使得车辆在没有高精度地图的情况下完成路口的自动驾驶功能。
本实施例的自动驾驶路口路径规划方法的工作流程是:首先通过车辆上的车载传感器进行图像和定位信息数据采集,然后将采集的图像进行拼接,通过感知算法对图像中的车道线和停止线进行识别,获得当前路口的车道数量、车道宽度和车道朝向,通过与普通导航地图的信息进行匹配,如果匹配成功则获取诱导点信息并将信息上传至云端,云端收到信息后会对导航地图进行更新,当所有路口更新完毕后则将地图推送到车辆上。当自动驾驶车辆具有完备的地图信息后,可开启自动驾驶功能。车辆到达路口时,当有障碍物遮挡导致无法正确感知到目标路口位置,则通过诱导点生成的车辆未来行驶路径将车辆逐渐引导到目标路口;在逐渐接近路口过程中,一旦可以识别到有效的车道线信息,则以感知到的车道线信息重新规划路径。执行完当前路口后,则会开启下一个路口的路径规划,当整个驾驶任务结束后则结束整个路径规划流程。
相应于前述本发明实施例一所述的自动驾驶路口路径规划方法,本发明实施例二提供一种自动驾驶路口路径规划装置,包括:
数据采集模块,用于分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
图像识别模块,用于对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
地图匹配模块,用于将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;
车道中心点生成模块,用于根据所述带有诱导点图层的地图,生成路口各车道中心点;
路径规划模块,用于根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
进一步地,所述图像识别模块具体用于:
将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,获得所述当前路口的车道信息,所述当前路口的车道信息包括车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,具体包括:
将拼接后的图像中的任一像素点(u,v)按照下式转换到车辆坐标系下坐标点(XW,YW,ZW):
其中,u为空间点在图像中的x坐标;v为空间点在图像中的y坐标;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标;v0为摄像头中心点在图像中的y坐标;f为摄像头焦距;dx为单位像素在x方向的宽度;dy为单位像素在y方向的宽度;T3X1为摄像头中心点在车辆坐标系下的平移矩阵;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值,通过测量得到;m矩阵为三维车辆坐标向二维图像坐标转换的系数;
将上式展开得到下式:
求解上式得到ZC、XW、YW,使拼接后的图像中的任一像素点(u,v)均获得其对应车辆坐标系中的坐标(XW,YW,ZW)。
进一步地,所述地图匹配模块将获得的当前路口的车道信息与导航地图的相应信息进行匹配,具体包括:
将映射到车辆坐标系下获得的车道数量N、道路总宽度L以及道路朝向φ,分别与导航地图中包含的车道数量n、道路宽度l以及道路朝向进行匹配,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功。
进一步地,诱导点为道路停止线中间点,所述地图匹配模块还用于通过下式将诱导点所处的车辆坐标系转换到UTM坐标系:
其中,X、Y为诱导点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角;
所述诱导点信息包括诱导点在UTM坐标系下的坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ。
进一步地,所述车道中心点生成模块具体用于:
根据云端推送的带有诱导点图层的地图启用自动驾驶,结合全局路径规划,所述带有诱导点图层的地图生成前方预设范围内路口的诱导点信息;
根据所述诱导点信息获得每个车道的中心点坐标。
进一步地,所述车道中心点生成模块根据所述诱导点信息按照下式获得每个车道的中心点坐标:
N为奇数;
或者
N为偶数。
其中,Xn、Yn为每个车道的中心点坐标。
进一步地,所述路径规划模块具体用于:
选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对所述初始参考线进行平滑,获得车辆至目标路口的未来行驶路径。
进一步地,所述路径规划模块还用于:按照车辆至目标路口的未来行驶路径自动驾驶过程中,如果识别到有效的车道线信息,则以识别到的车道线信息重新规划路径。
进一步地,所述地图匹配模块在将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,还用于:将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;
所述车道中心点生成模块还用于根据云端推送的所述带有诱导点图层的地图,生成路口各车道中心点。
有关本实施例的工作原理和过程,参见前述本发明实施例一的说明,此处不再赘述。
本发明实施例三还提供一种非暂时性计算机可读存储介质,所述非暂时性计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述非暂时性计算机可读存储介质所在的设备执行如前述实施例一所述的自动驾驶路口路径规划方法。
优选地,所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序1、计算机程序2、……),所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述装置中的执行过程。
所述处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等,通用处理器可以是微处理器,或者所述处理器也可以是任何常规的处理器,所述处理器是所述装置的控制中心,利用各种接口和线路连接所述装置的各个部分。
所述存储器主要包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需的应用程序等,数据存储区可存储相关数据等。此外,所述存储器可以是高速随机存取存储器,还可以是非易失性存储器,例如插接式硬盘,智能存储卡(SmartMedia Card,SMC)、安全数字(Secure Digital,SD)卡和闪存卡(Flash Card)等,或所述存储器也可以是其他易失性固态存储器件。
需要说明的是,上述装置可包括,但不仅限于,处理器、存储器,本领域技术人员可以理解。
通过上述说明可知,与现有技术相比,本发明的有益效果在于:本发明可以通过普通导航地图和诱导点元素数据,同时接入感知到的车辆定位信息和车道线信息,不依赖高精地图便可完成在路口以及城乡道路等场景下的路径规划,大大地扩展了自动驾驶的覆盖场景。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明的权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (21)
1.一种自动驾驶路口路径规划方法,其特征在于,包括:
分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息,并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图
根据所述带有诱导点图层的地图,生成路口各车道中心点;
根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
2.根据权利要求1所述的自动驾驶路口路径规划方法,,其特征在于,所述对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息,具体包括:
将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,获得所述当前路口的车道信息,所述当前路口的车道信息包括车道数量N、道路总宽度L以及道路朝向φ。
3.根据权利要求2所述的自动驾驶路口路径规划方法,,其特征在于,所述将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,具体包括:
将拼接后的图像中的任一像素点(u,v)按照下式转换到车辆坐标系下坐标点(XW,YW,ZW):
其中,u为空间点在图像中的x坐标;v为空间点在图像中的y坐标;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标;v0为摄像头中心点在图像中的y坐标;f为摄像头焦距;dx为单位像素在x方向的宽度;dy为单位像素在y方向的宽度;T3X1为摄像头中心点在车辆坐标系下的平移矩阵;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值,通过测量得到;m矩阵为三维车辆坐标向二维图像坐标转换的系数;
将上式展开得到下式:
求解上式得到ZC、XW、YW,使拼接后的图像中的任一像素点(u,v)均获得其对应车辆坐标系中的坐标(XW,YW,ZW)。
4.根据权利要求1所述的自动驾驶路口路径规划方法,,其特征在于,所述将获得的当前路口的车道信息与导航地图的相应信息进行匹配,具体包括:
将映射到车辆坐标系下获得的车道数量N、道路总宽度L以及道路朝向φ,分别与导航地图中包含的车道数量n、道路宽度l以及道路朝向进行匹配,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功。
5.根据权利要求4所述的自动驾驶路口路径规划方法,,其特征在于,诱导点为道路停止线中间点,通过下式将诱导点所处的车辆坐标系转换到UTM坐标系:
其中,X、Y为诱导点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角;
所述诱导点信息包括诱导点在UTM坐标系下的坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ。
6.根据权利要求5所述的自动驾驶路口路径规划方法,,其特征在于,所述根据所述带有诱导点图层的地图,生成路口各车道中心点,具体包括:
根据所述带有诱导点图层的地图启用自动驾驶,结合全局路径规划,所述带有诱导点图层的地图生成前方预设范围内路口的诱导点信息;
根据所述诱导点信息获得每个车道的中心点坐标。
7.根据权利要求6所述的自动驾驶路口路径规划方法,,其特征在于,根据所述诱导点信息按照下式获得每个车道的中心点坐标:
N为奇数;
或者
N为偶数。
其中,Xn、Yn为每个车道的中心点坐标。
8.根据权利要求7所述的自动驾驶路口路径规划方法,,其特征在于,所述根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径,具体包括:
选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对所述初始参考线进行平滑,获得车辆至目标路口的未来行驶路径。
9.根据权利要求1所述的自动驾驶路口路径规划方法,,其特征在于,还包括:按照车辆至目标路口的未来行驶路径自动驾驶过程中,如果识别到有效的车道线信息,则以识别到的车道线信息重新规划路径。
10.根据权利要求1所述的自动驾驶路口路径规划方法,其特征在于,将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,还包括:
获取诱导点信息并将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;
根据云端推送的带有诱导点图层的地图,生成路口各车道中心点。
11.一种自动驾驶路口路径规划装置,其特征在于,包括:
数据采集模块,用于分别获取路口环境图像信息和车辆定位信息,并将获取的路口环境图像信息进行拼接;
图像识别模块,用于对拼接后的图像中的车道线和停止线进行识别,获得当前路口的车道信息;
地图匹配模块,用于将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,则获取诱导点信息并根据所述诱导点信息和所述导航地图,生成带有诱导点图层的地图;
车道中心点生成模块,用于根据所述带有诱导点图层的地图,生成路口各车道中心点;
路径规划模块,用于根据生成的路口各车道中心点,获得车辆至目标路口的未来行驶路径。
12.根据权利要求11所述的自动驾驶路口路径规划装置,其特征在于,所述图像识别模块具体用于:
将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,获得所述当前路口的车道信息,所述当前路口的车道信息包括车道数量N、道路总宽度L以及道路朝向φ。
13.根据权利要求12所述的自动驾驶路口路径规划装置,其特征在于,所述将拼接后的图像中的任一像素点转换为车辆坐标系下坐标点,具体包括:
将拼接后的图像中的任一像素点(u,v)按照下式转换到车辆坐标系下坐标点(XW,YW,ZW):
其中,u为空间点在图像中的x坐标;v为空间点在图像中的y坐标;ZC为三维至二维转换过程中的待定系数;u0为摄像头中心点在图像中的x坐标;v0为摄像头中心点在图像中的y坐标;f为摄像头焦距;dx为单位像素在x方向的宽度;dy为单位像素在y方向的宽度;T3X1为摄像头中心点在车辆坐标系下的平移矩阵;R3X3为摄像头坐标系转换到车辆坐标系时的旋转矩阵;XW、YW、ZW为空间点在车辆坐标系下的坐标值;其中ZW为定值,其值为道路平面在车辆坐标系下垂直方向的值,通过测量得到;m矩阵为三维车辆坐标向二维图像坐标转换的系数;
将上式展开得到下式:
求解上式得到ZC、XW、YW,使拼接后的图像中的任一像素点(u,v)均获得其对应车辆坐标系中的坐标(XW,YW,ZW)。
14.根据权利要求11所述的自动驾驶路口路径规划装置,其特征在于,所述地图匹配模块将获得的当前路口的车道信息与导航地图的相应信息进行匹配,具体包括:
将映射到车辆坐标系下获得的车道数量N、道路总宽度L以及道路朝向φ,分别与导航地图中包含的车道数量n、道路宽度l以及道路朝向进行匹配,当车道数量匹配并且道路宽度和道路朝向差异在预设阈值范围内,则判定匹配成功。
15.根据权利要求14所述的自动驾驶路口路径规划装置,其特征在于,诱导点为道路停止线中间点,所述地图匹配模块还用于通过下式将诱导点所处的车辆坐标系转换到UTM坐标系:
其中,X、Y为诱导点在UTM坐标系下的坐标值;XW、YW为空间点在车辆坐标系下的坐标值;x、y为UTM坐标系下车辆在地面的绝对位置,θ为UTM坐标系下车辆在地面与正北方向的夹角;
所述诱导点信息包括诱导点在UTM坐标系下的坐标X和Y、车道数量N、道路总宽度L以及道路朝向φ。
16.根据权利要求15所述的自动驾驶路口路径规划装置,其特征在于,所述车道中心点生成模块具体用于:
根据所述带有诱导点图层的地图启用自动驾驶,结合全局路径规划,所述带有诱导点图层的地图生成前方预设范围内路口的诱导点信息;
根据所述诱导点信息获得每个车道的中心点坐标。
17.根据权利要求16所述的自动驾驶路口路径规划装置,其特征在于,所述车道中心点生成模块根据所述诱导点信息按照下式获得每个车道的中心点坐标:
N为奇数;
或者
N为偶数。
其中,Xn、Yn为每个车道的中心点坐标。
18.根据权利要求17所述的自动驾驶路口路径规划装置,其特征在于,所述路径规划模块具体用于:
选择当前车辆所在的车道中心点以及目标车道的中心点,同时结合车道朝向,通过混合A*搜索算法获得初始参考线,并通过曲线平滑方法对所述初始参考线进行平滑,获得车辆至目标路口的未来行驶路径。
19.根据权利要求11所述的自动驾驶路口路径规划装置,其特征在于,所述路径规划模块还用于:按照车辆至目标路口的未来行驶路径自动驾驶过程中,如果识别到有效的车道线信息,则以识别到的车道线信息重新规划路径。
20.根据权利要求11所述的自动驾驶路口路径规划装置,其特征在于,所述地图匹配模块在将获得的当前路口的车道信息与导航地图的相应信息进行匹配,如果匹配成功,还用于:将所述诱导点信息连同路口环境图像信息、当前路口的车道信息和所述车辆定位信息上传至云端,供云端生成带有诱导点图层的地图;
所述车道中心点生成模块还用于根据云端推送的所述带有诱导点图层的地图,生成路口各车道中心点。
21.一种非暂时性计算机可读存储介质,其特征在于,所述非暂时性计算机可读存储介质包括存储的计算机程序;其中,所述计算机程序在运行时控制所述非暂时性计算机可读存储介质所在的设备执行如权利要求1~10任一项所述的自动驾驶路口路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463543.8A CN118057124A (zh) | 2022-11-21 | 2022-11-21 | 一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211463543.8A CN118057124A (zh) | 2022-11-21 | 2022-11-21 | 一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118057124A true CN118057124A (zh) | 2024-05-21 |
Family
ID=91069203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211463543.8A Pending CN118057124A (zh) | 2022-11-21 | 2022-11-21 | 一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118057124A (zh) |
-
2022
- 2022-11-21 CN CN202211463543.8A patent/CN118057124A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111442776B (zh) | 顺序地面场景图像投影合成与复杂场景重构的方法及设备 | |
US10896539B2 (en) | Systems and methods for updating highly automated driving maps | |
CN108303103B (zh) | 目标车道的确定方法和装置 | |
CN110758246B (zh) | 一种自动泊车方法及装置 | |
US11370422B2 (en) | Method and system in a vehicle for improving prediction results of an advantageous driver assistant system | |
CN111815641A (zh) | 相机和雷达融合 | |
CN111178122B (zh) | 道路场景中三维车道的检测及平面表示 | |
TW202001924A (zh) | 基於雙目影像更新高解析度地圖的系統和方法 | |
WO2018060313A1 (en) | Methods and systems for generating and using localisation reference data | |
CN111874006A (zh) | 路线规划处理方法和装置 | |
EP3939863A1 (en) | Overhead-view image generation device, overhead-view image generation system, and automatic parking device | |
US10996337B2 (en) | Systems and methods for constructing a high-definition map based on landmarks | |
CN110555407A (zh) | 路面车辆空间识别方法及电子设备 | |
WO2022021982A1 (zh) | 可行驶区域判定的方法、智能驾驶系统和智能汽车 | |
CN110969055A (zh) | 用于车辆定位的方法、装置、设备和计算机可读存储介质 | |
JP7010535B2 (ja) | 情報処理装置 | |
CN116997771A (zh) | 车辆及其定位方法、装置、设备、计算机可读存储介质 | |
CN116386000A (zh) | 基于高精地图和单目摄像头测量障碍物距离的方法、系统 | |
CN117576652B (zh) | 道路对象的识别方法、装置和存储介质及电子设备 | |
CN114120254A (zh) | 道路信息识别方法、装置及存储介质 | |
Park et al. | Vehicle localization using an AVM camera for an automated urban driving | |
KR102316818B1 (ko) | 도로 네트워크를 갱신하는 방법 및 장치 | |
KR102003387B1 (ko) | 조감도 이미지를 이용한 교통 장애물의 검출 및 거리 측정 방법, 교통 장애물을 검출하고 거리를 측정하는 프로그램을 저장한 컴퓨터 판독가능 기록매체 | |
JP5435294B2 (ja) | 画像処理装置及び画像処理プログラム | |
CN118057124A (zh) | 一种自动驾驶路口路径规划方法及装置、非暂时性计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |