JP2017500595A - 正確な車線レベル地図の生成方法 - Google Patents

Abstract

本発明は、コース地図情報と、センサ搭載の車両が道路に沿って通過をする間に取得されたライダデータとに基づいて正確な車線レベルの地図を生成する方法に関する。本方法は、パーティクルフィルタリングの対象とされるコース地図データ及びライダデータについてのコンピュータ実装方法を使用して、各車線の中心、車線の数、二輪車用パスの存在及び入口や出口の照明を含めて、正確な車線の推定を生成する。【選択図】図５

Description

本発明は、一般に、正確な地図を生成する方法と装置、より具体的には、道路車線地図を生成する方法と装置に関する。

地図は、印刷又はデジタルのいずれの表示形式においても、一車線として又は狭い間隔の二車線として道路を示す。間隔や線の幅は実際の道路幅に比例する。しかし、これらの地図は、道路にある車線の数又は追加的な出口用車線、二輪車用車線等を示さない。

完全自動操縦システムは、運転手の介入又は他の外部制御なく、例えば、自動運転車や自立走行車のように、道路で車両を操縦するように設計されている。このようなシステムには、車線レベルの情報を高精度で符号化する地図を必要とする。車線レベルの情報は、多くの状況で使用される。例えば、他の車両の行動を予測し、パス（通過）計画にとって円滑な経路を生成し、又は、交差点に適した車両の行動を計画し且つ推論する。

多くの場合、これらの地図は、煩雑な手操作によるアノテーション（注釈）プロセスを介して、又は、試験車両とともに実際に車線を走行することによって又はＧＰＳ経路の収集を分析することによってのいずれかで生成される。これらの方法は、アノテーションを介して又は収集のいずれにおいても、膨大な量の手作業を要する。

正確な車線レベルの地図をより少ない準備努力で提供することが望ましい。

本方法は、コンピュータで実行され、道路の道路車線特徴を決定するために、
道路の道路マーカーのライダデータを取得することと、道路地図データにアクセスすることと、道路地図データから道路区分ノードの位置を決定することと、ライダ生成道路車線マーカーデータを、各々の道路区分ノードの位置に対して結びつけることと、及び、道路車線特徴を推定するために、パーティクルフィルタを、道路車線マーカー及び道路区分ノードの位置に対して適用することと、を含める方法に関する。

本方法において、パーティクルフィルタを適用し、通常のパーティクルフィルタ、デュアルパーティクルフィルタ、及び、通常のパーティクルフィルタ及びデュアルパーティクルフィルタのミックスのうち１つを使用することを含む。

本方法において、二輪車用車線及び道路の１つの車線に隣接する道路出口又は入口のうち１つの特徴を推定するために、デュアルパーティクルフィルタを使用することを含む。

本方法において、１つの道路車線から少なくとも１つの別の道路車線への変更、及び２つの隣り合う道路車線から１つの道路車線への変更を検出するために、通常のパーティクルフィルタ及びデュアルパーティクルフィルタのミックスを使用することを含む。

本方法において、ライダデータから道路車線マーカーデータを抽出することを含む。

本方法において、GraphSlamアルゴリズムの使用により前記道路車線マーカーデータを精緻化することを含む。

本方法において、ライダ生成道路車線マーカーデータを、道路区分ノードの位置に対して結びつけることには、各々の地図道路区分ノードの位置を一つずつ生成すること、隣接ノード位置に対する１つのノード位置の角度を計算すること、１つのノード位置に対して側方の線マーカーを検索すること、長方形内にある全ての線区分のセットを形成すること、長方形内にある線区分のセットをフィルタリングすること、車線マーカーに対する線区分をクラスタリングすること、各ノードからの平均オフセット距離を計算すること、車線マーカーを長手方向にグルーピングすること、及び、ライダ生成マーカーデータ及び地図ノードの２値特徴を計算することと、を含む。

本方法において、道路車線特徴の推定に、車線の数、車線の幅及び各車線の中心のうち少なくとも１つを含む。

道路マーカーのライダデータを取得する方法は、ＧＰＳロケーター、回転レーザー光線及び反射レーザー光線検出器を車両に搭載すること、車両を道路の１つの車線に沿って移動させること、及び、車両が道路の１つの車線に沿って移動するにつれて、道路の全ての車線上にある反射性道路マーカーから反射されたレーザー光線の強度を検出することと、を含む。

正確な車線レベルの地図を生成する本方法の様々な機能、利点、他の用途は、以下の詳細な説明及び図面を参照してより明確にされる。

開示された方法を実施するコンピュータ装置のブロック図である。 ライダ情報の収集の際に辿る道路コースを図示したものである。 本方法により作成された初期の車線の特徴を図示したものである。 本方法により作成された初期の車線の特徴を図示したものである。 本方法により作成された初期の車線の特徴を図示したものである。 パーティクルフィルタアルゴリズムを使用して実装された道路車線を図示したものである。 デュアルパーティクル機能により作成された道路車線の特徴を図示したものである。 本方法により生成された道路車線の推定を図示したものである。 本方法により生成された道路車線の推定を図示したものである。 本方法により生成された道路車線の推定を図示したものである。 本方法により生成された道路車線の推定を図示したものである。 正確な車線レベルの地図を生成するために、本方法で使用するステップを描いたブロック図である。

正確な車線レベルの地図を生成する本方法は、図１中、ブロック図の形式で示すコンピュータ装置１００で実行される。すなわち、コンピュータ装置１００は携帯端末、デスクトップ、他の形態をした単一のコンピュータ装置、又は、複数のコンピュータ装置を成しえるものを含めて、いかなるコンピュータ装置であってもよい。コンピュータ装置１００の内部にあるＣＰＵ１０２は、情報の操作又は処理が可能な従来の中央処理装置又は他のあらゆる形態の装置、又は複数の装置であってもよい。コンピュータ装置１００の内部にあるメモリ１０４は、ランダムアクセスメモリ装置（ＲＡＭ）又は他のあらゆる適切な記憶媒体であってもよい。メモリ１０４は、オペレーティングシステム１１０及びインストール済みのアプリケーション１１２を含んでもよい。インストール済みのアプリケーション１１２は、ＣＰＵ１０２に本文中に記載された車線レベルの地図生成方法の実行を許可するプログラムを含む。

コンピュータ装置１００は、第２の、追加的な、又は外部の記憶装置１１４、例えば、メモリカード、フラッシュドライブ、又は他のあらゆる形態のコンピュータ読取可能メディアを含んでもよい。インストール済みのアプリケーション１１２は、第２記憶装置１１４の全体又は一部に記憶され、そして処理の必要に応じてメモリ１０４に読み込まれてもよい。

コンピュータ装置１００は、大まかな又はコース地図データの形式で入力１１６を受け取る。例えば、オープンストリートマップ（ＯＳＭ）プロジェクト及びセンサから受け取ったコース地図データがある。あるいは、コンピュータ装置１００は、３次元のライダ入力１１８を高精度の車両測位システムを有する車両に取り付けられたセンサから受け取る。

地図データ１１６及びライダデータ１１８は、メモリ１０４及び／又は第２記憶装置１１４に保存されてもよい。

試験車両搭載センサは、自律型車両システムにおいて一般的に使用され、ライダデータ１１８を生成する。停止及び動きの予測は、Applanix POS-LV 220の慣性ＧＰＳ航法システムからくる。このシステムは、停止予測を１００Ｈｚで生成する。ライダデータ１１８は、６４本のレーザー光を使用し且つ１０Ｈｚで回転するVelodyne HDL-64 Eによる。各ライダ戻り値の３次元位置に加えて、HDL 64Eは８ビットの強度値を測定する。各ライダ回転の適切なサブセットは、Applanixデータにタイムスタンプが押されるので、後述するアルゴリズムの使用で停止車両を精緻化することにより、ライダ位置が精緻化する結果となる。

試験車両は、前方向き高精度色カメラ、前方向きレーダー、ＧＰＳアンテナ及び慣性測定ユニット、側方向きレーダー及び車両移動距離情報用の回転エンコーダを含む。

試験車両は、図２の例に見られるように、ルート１３０沿いを特定の方向に走る。ルート１３０は、様々な異なる道路を含み、入口及び出口に照明がある多車線の高速道路、２車線の田舎道及び多車線の双方向道路といった道路を含む。

試験用車両は、最低でも１回はルート１３０沿いの特定の車線を走る。後述するように、近隣の交通量、ポールの反射、車両速度及びその他の要因により非表示又は破壊の可能性がある付加的な道路インジケータを拾いあげ、ライダデータの精度を向上するために、複数回の通過が採用されてもよい。

本方法は、コースが構成されている従来の地図データと、試験車両が道路沿いを１回限り通過することで、正確な道路レベルの情報を生成する複数の推論アルゴリズムによる正確なライダ測定とを組み合わせた推論問題をモデル化したものである。本方法は、コースと正確なライダデータから、車線の数、二輪車用道路、入口及び出口の照明及び車線の数の変化等の有無とともに各車線の中心を生成する。

本方法の第１ステップ１３０は、図７に示すように、ライダデータにアクセスする。これは図３Ａ及び図７のステップ１３２に図示する一般的な車線の特徴を生成する。

一貫性のあるデータセットは、Graph Slamアルゴリズムの異型、つまり、ライダデータから速やかに特定される複数の特徴に応じて、車両の経路を最適化するように修正したものを適用して生成される。これらの特徴は、車線マーカー／塗装、カーブ、道路標識及びポールを含む。車線マーカーは、車線の推定に使用する第１センサのデータを構成可能であるので特に重要である。

最初のステップである一貫性のあるデータの生成ステップは、１次元のラプラシアンフィルタを３次元レーザーの各光線の強度（反射）戻り値に適用する。これは、路面とは異なる反射特徴をもつ道路塗装により反応を得る。次に、RANSACアルゴリズムは、各反応に関連付けられた３次元の位置データを使用し適用され、外れ値を除外し、図３Ａ中の３本の線で示す車線の区分特徴を生成する。

Graph Slamアルゴリズム、図７のステップ１３４は、データ関連付けステップと最適化ステップとの間を繰り返す。データ関連付けステップは、距離に基づく閾値を使用する。各データ関連ステップにおいて、新しい位置は、最適化ステップにより生成する新しい車両の位置に基づく各特徴について計算される。この閾値は、次第に狭くなり、収束するまで繰り返す。Graph Slamアルゴリズムの出力は、精緻化した車両の軌跡であり、図３Ａ及び図７のステップ１３６に示すライダスキャンデータを再投影するために、後に使用される。

本方法は、Open Street Map（ＯＳＭ）地図情報といった、従来の弱点のある又はコース地図の情報を利用する。この情報は、大きな位置ずれは数メートルまでに限られ、そして特定の道路における車線の数のデータは含まない。本方法は、ある道路における全ての車線の正確な位置の推定値を測るために、ライダスキャンデータを利用する。

ＯＳＭ地図データは、図７のステップ１３８を参照すれば、位置や道路の存在について弱点がある従前のデータとして用いられる。ＯＳＭ上での道路は、道に沿ったノードの集合｛p1,p2, … pn｝により定義される。これらのノードは、δo=1メートル間隔で均等に配置される。車線マーカー推定プロセスは、Graph Slamアルゴリズムで使用した車線マーカー／塗装といった同じ特徴を使用し、この特徴は、図７のステップ１４０において、両端点の３次元の座標により特定した比較的短い（０．５から２メートル）車線区分λの形式をとる。各ＯＳＭノードp1に対して、まず、ノードp_i+1についての角度θ_iが算出され、そしてＯＳＭノードの側方にある車線マーカーを探すために検索が実行される。検索は、θ_iに沿って前進・後進する距離δo/2の複数のベクトル及びθ_iに対する垂直方向の両方が一定距離であることにより定義される長方形の上で行われる。この直方形の範囲内にある全ての線区分は、

のセットに集められる。このセットは、各区分をθ_iごとに配列したものに基づいてフィルタにかけられる。その結果、

となる。そして全ての車線区分λは、隔離距離に基づく貪欲法を使用しクラスタ化される。これによるクラスタは、車線マーカーと呼ばれる。各車線マーカーについて、ＯＳＭノードp_iから平均オフセット距離z_iが算出される。このオフセット距離は、図３Ｂに示すように、パーティクルフィルタ内の特定のＯＳＭノードに関する考察に使用される。

次に、車線マーカーは、貪欲法、長手方向におけるflood-fillアルゴリズムを使用して、長手方向にグループ化される。このステップの目的は、各車線マーカーについて付加的な２値特徴を生成することにある。あるグループ、例えば、重厚、よく塗装された車線に対応するグループの車線マーカーは、田舎又はやや田舎の道では長い長手方向の距離（数十又は数百メートル）にわたっている。一方で、ほかの場合、例えば、破線や多くの交差点を伴うエリアでは、グループの車線マーカーは短く、およそ数メートルである。

これら所定のグループについて、３つの付加的な特徴が計算され、車線の推定にとって有益であることが判明する。最初の２つの２値特徴は、車線マーカーのどちら側（又は両方）に車線が存在するか（例えば、最右の車線マーキングに対しては、右側に車線は存在しない）を符号化して計算される。これらの２値特徴、つまりhas-l 及びhas-rは、車線の区分データ全体をみることにより計算される。車線の区分全体について、車線の数がカウントされ、一方側

にある観察値(z_i)が、次にカウントされる。すなわち、

となる。ここで、δcは閾値である。第３の２値変数は、車線マーカーが破線のものについて符号化する。米国で見られる標準的な破線よりも大きな全ての車線は除外される。次に、車線マーカーグループは、離れた距離に位置するものと関連付けられて、類似する方向性をもつ。これらは破線としてマークされる。

図３Ｃに示す上記の２値特徴は、後述するパーティクルフィルタ用の測定機能の開発において、車線データを読み取るために重要な手がかりを与える。

この領域に対するパーティクルフィルタ化する複数のアプローチが存在する。これらのアプローチは、いくつかの一般的な基本定義とともに、以下概略を説明する。上述した通り、パーティクルフィルタの進化は、ＯＳＭノードの構造に基づき、あるＯＳＭノードから次のノードへのフィルタ移動の際に一連のステップを伴う。各パーティクルの状態は、ＯＳＭノード（物理的位置と関連付けられている）との関係に基づいている。これを踏まえ、フィルタリング方程式は、推定される地図の状態の基本定義から導き出される。

ここでｍは、ＯＳＭの道路上ｎ番目のノードに位置する推定の車線の数であり、

は、推定の車線の状態である。各車線の状態は、ＯＳＭノードからの車線のオフセット及び車線の幅

である。観測値z_nを使用→車線マーカーは、ｎ番目のＯＳＭノードで観測され、その信念状態は、

である。

再帰ベイズフィルタリングを使用すると、定義する方程式(1)は、

となる。

図７中のステップ１４２において、パーティクルフィルタを実施するために、p(z_n|x_n)及びp(z_n|x_n-1)Bel(x_n-1)の値が推定される。全てのアルゴリズムについて、Bel(x_n)は、重みｍのパーティクルのセットとして表される。

ここでx⁽ⁱ⁾は、状態（推定車線）のサンプル及びφ⁽ⁱ⁾は、重要因子又は重みと称される非負変数である。その他の必要な量については、後述するセクションでそれぞれ詳細に説明する。

通常のパーティクルフィルタの実施は、以下の３つのステップに従う：

１．サンプリング：Bel(x_n-1)を表す重みづけされたサンプルセットからのサンプル

２．提案分布：

をサンプリングする。パーティクルフィルタの状態は、ＯＳＭノードと関連して進化するのみであり、ＯＳＭ地図は、位置と方向の両方において著しく不正確であるので、x_nは、ガウス雑音を

に加えることによりサンプリングされる。

また、

によれば、一対の

が分布される。

３）関数の更新：各サンプルの重みは、以下の分布により更新される。

z_n:｛l₁, l₂, … l_k｝、ここでl_jは、ｎ番目のノードで観測される車線マーカーである。

各

について、車線の観測値と関連するデータを実行する。すなわち、

についての関連する車線マーキングを決定する。

観測値から新しく観測された車線のオフセット及び車線の幅を計算する。

以下の方程式を用いて

を計算する。

σo及びσwは、我々のデータに基づく幅と位置に適する特有の標準偏差が選択された変数である。

データの関連付けの間、適切な２値変数has-l 及び has-rがチェックされ、あいまいなデータの関連付けは削除される。（例えば、もしパーティクルの状態が最左にある車線の左にあれば、いずれの車線マーカーとも関連付けられない。）もし、上記のデータの関連付けが失敗すれば、

は、ペナルティ要素γによりペナルティが課される。もし破線の車線マーカーが、周期的に欠落があると考えられるマーカーとして表わされる場合は、このペナルティ要素は緩和される。

自然な道路環境での車線の追加又は出口を改善するため、上述のサンプリングスキームは拡張される。本システム中に更新ごとに導入する新しいパーティクルの割合、新しい変数tが導入される。故に、アルゴリズム１によりサンプリングが実行され、μwが車線の幅と予想される。なお、大きい標準偏差を選択することは、新しく提案した多くのパーティクル（及び付随する計算）が、空間の状態を十分に埋めることを必要とする。さらに、大きな標準偏差をもつことは、データ中のノイズに合致する誤りのあるパーティクルを提案する機会を増加させる。

図４は、図７のステップ１４４で、ＯＳＭノードのうちの１つの推定車線について、通常のパーティクルフィルタの出力を図示する。

通常のパーティクルフィルタを適用するとき、図４に示すように、通常とは異なる形態（例えば、二輪車用車線又は幅広の照明）とともに車線を捉え損ねるといった問題がみられる。一方で、新たなパーティクルの標準偏差を増加することにより、上述の理由から次善の解決となる。パーティクルフィルタリングのデュアル方式は、この問題に改めて取組むために詳述する。上述の通り、デュアルパーティクルフィルタリングの構成では、提案分布及び計測機能の役割は逆になる。それぞれの繰り返しにおいて、新しいパーティクルは、観測値

及び以下の方程式を用いて設定する重要因子の一致に基づいて、サンプリングされる。

そしてアルゴリズムは、

１）提案分布： 新しいパーティクルは、これらの観測値に基づいて提案される。
Z_n:｛l₁, …l_k｝をｎ番目のＯＳＭノードで観測される車線マーカーとして、位置j ∈ ｛1, (k - 1)｝は、均一に選択され、そして；

更新関数： 各パーティクルの重要因子は、以前の信念状態Bel(x_n-1)を用いて修正される。連続した空間の状態にわたり分散を近似するには、カーネル密度アプローチをとる。従来のパーティクルフィルタで、提案する分散においても、最初にｍサンプルが生成される。

は、分散を近似するパラメータ化されたカーネル密度関数を表し、各パーティクルの重要因子は、以下により与えられる。

図５に示すように、デュアルパーティクルフィルタは、通常のパーティクルフィルタでは捉え損えることができなかった非標準的な二輪車用車線の推定が可能である。

純粋なデュアルパーティクルフィルタは、通常ではない車線の形態をとらえることができるが、新しい車線が追加されたり、図６Ｂに示すように多車線が１つの車線に統合されたりといった状況では失敗する。新しい車線についての提案パーティクルは、前回の分散においては、いずれにも合致することができず、それ故、実質的に重みゼロとなる。上述のアプローチは、通常及びデュアルパーティクルフィルタの両方をミックスして使用し、この問題を解決する。ミックスアプローチでは、変数ミックス比率θ(0 ＜ θ ＜ 1)が使用され、確率1 - θで通常のパーティクルフィルタ方法を、確率θでデュアルパーティクルフィルタを用いてサンプルを採取する。

さらに、ミックスパーティクルフィルタは、状況情報に基づいてより柔軟なモデリングを可能にさせる。例えば、ミックス比率θは、ＯＳＭ地図からの構造情報に基づいて変化させることができる。具体的には、車線マーカーの欠落が原因でデュアルパーティクルフィルタの実効性を著しく損なう交差点に近くなるほど、比率は低くなる。

生成された地図は、有限個の車線のみを含め、各々の単一車線の位置及び幅は、図７のステップ１４４の各ＯＳＭノードについて推定する。さらに、これらの車線は、IDを用いて繰返しリンクされるべきである。これは、さらにもう一つの処理ステップを必要とする。上記のパーティクルフィルタは、パーティクルのセットにより表わされるBel(x_n|z_n)の離散近似をもたらす。この分散は、図４においてみられる分散は複合的であり、モードの数は不明、先天的である。ＥＭ法ベースの重み付けクラスタリングアルゴリズムは、最大の後天的モードを検索し、分散に使用する。これらのクラスタの中心は、最後の車線の推定である。このクラスタリングは、ｘの空間（すなわち、オフセットと幅の両方において）において実行される。

イテレーションの間で一時的なリンクを生成するには、インデックスが、クラスタインデクシングアルゴリズムを用いて各クラスタに割当てられる。

図６Ａ及び図６Ｂを参照すると、本方法を用いた車線の推定が図示されている。図６Ａ及び図６Ｂは、田舎道における車線の推定を示す。交差点のデータ欠落があるにも関わらず、２つの道路車線を辿ることに成功している。

図６Ｃは、破線を伴う高速道路の車線の推定を表示する。図６Ｄは、多車線の都市道路における車線の推定を図示する。

図６Ａから図６Ｄに示す全ての車線の推定状況において、この方法は、それぞれの道路について車線数のいかなる事前情報を有さない。

Claims (11)

1. 道路の道路車線特徴を決定する方法であって、
   道路の道路マーカーのライダデータを取得することと、
   道路地図データにアクセスすることと、
   前記地図データから道路区分ノードの位置を決定することと、
   コンピュータによって、前記ライダ生成道路マーカーデータを、前記道路区分ノードの位置に対して結びつけることと、及び、
   道路車線地図用に道路車線特徴の推定を生成するために、パーティクルフィルタを、前記道路区分ノードの位置に対して適用することと、を含む、道路の道路車線特徴を決定する方法。
2. 請求項１に記載の方法であって、パーティクルフィルタを適用する前記ステップは、
   通常のパーティクルフィルタ、デュアルパーティクルフィルタ、及び、前記通常のパーティクルフィルタ及び前記デュアルパーティクルフィルタのミックスのうち１つを使用することを含む、道路の道路車線特徴を決定する方法。
3. 請求項２に記載の方法であって、二輪車用車線及び道路の１つの車線に隣接する道路出口又は入口のうち１つの前記特徴を推定するために、前記デュアルパーティクルフィルタを使用することをさらに含む、道路の道路車線特徴を決定する方法。
4. 請求項３に記載の方法であって、１つの道路車線のうちの１から少なくとも１つの別の道路車線への変更、及び２つの隣り合う道路車線から１つの道路車線への変更を検出するために、前記通常のパーティクルフィルタ及び前記デュアルパーティクルフィルタの前記ミックスを使用することをさらに含む、道路の道路車線特徴を決定する方法。
5. 請求項２に記載の方法であって、前記ライダデータから道路車線マーカーデータを抽出することをさらに含む、道路の道路車線特徴を決定する方法。
6. 請求項５に記載の方法であって、ＧｒａｐｈＳｌａｍの使用により、前記車線マーカーデータを精緻化することをさらに含む、道路の道路車線特徴を決定する方法。
7. 請求項１に記載の方法であって、前記ライダデータから道路車線マーカーデータを抽出することをさらに含む、道路の道路車線特徴を決定する方法。
8. 請求項７に記載の方法であって、ＧｒａｐｈＳｌａｍアルゴリズムの使用により、前記車線マーカーデータを精緻化することをさらに含む、道路の道路車線特徴を決定する方法。
9. 請求項１に記載の前記方法であって、前記ライダ生成道路車線マーカーデータを、前記道路区分ノードの位置に対して結びつけることは、
   各々の前記地図道路区分ノードの位置を一つずつ生成すること、
   １つのノード位置と隣接ノード位置との間の角度を計算すること、
   前記１つのノード位置に対して側方の線マーカーを検索すること、
   長方形内にある全ての線マーカーのセットを形成すること、
   長方形内にある線マーカーの前記セットをフィルタリングすること、
   各ノードからの平均オフセット距離を計算することにより前記車線マーカーに関連する線区分をクラスタリングすること、
   車線区分を形成するために車線マーカーを長手方向にグルーピングすること、及び、
   関連付けた車線区分を定義するために車線区分特徴を計算することと、を含む、道路の道路車線特徴を決定する方法。
10. 請求項１に記載の方法であって、前記車線特徴の推定は、車線の前記数、車線の前記幅及び各車線の前記中心のうち少なくとも１つを含む、道路の道路車線特徴を決定する方法。
11. 請求項１に記載の方法であって、道路マーカーのライダデータを取得する前記ステップは、
    ＧＰＳロケーター、及び回転レーザー光線及び反射レーザー光線検出器を車両に搭載すること、
    前記車両を道路の１つの車線に沿って移動させること、及び、
    前記車両が前記道路の１つの車線に沿って移動するにつれて、前記道路の全ての車線上にある反射性道路マーカーから反射されたレーザー光線の強度を検出することと、を含む、道路の道路車線特徴を決定する方法。

Images