JP7437512B2 - 撮像システムのための車線の検出および追跡方法 - Google Patents

Description

本出願は、２０２０年１月６日に出願された米国特許仮出願第６２／９５７６５０号、２０２０年７月８日に出願された米国特許出願第１６／９２４１２９号、および２０２０年７月９日に出願された米国特許出願第１６／９２５１９０号の優先権を主張し、これらの全体は参照により明示的に本出願に組み込まれる。

本開示は、一般に、自律車両システムの物体検出能力に関し、より詳細には、自律車両の動作中に車線境界位置を正確に検出し、予測することに関する。

専用車線を有する道路に沿って移動する自律車両（または「自動運転車両」）は、車線境界および車線境界に対する車両位置の知識を必要とする。高精度測位と高精細（ＨＤ：High Definition）地図が利用できる場合、自律車両はこのデータに基づいて車線境界を決定することができる。しかし、多くの場合、ＨＤ地図は利用できないため、自律車両は、車載イメージセンサとコンピュータビジョン技術を使用してリアルタイムに車線境界を識別することになる。例えば、車載イメージセンサは、車両前方の路面を描写するピクセル（画素）のアレイを生成する光検出および測距（ライダー）（light detection and ranging: lidar）デバイスを含むものであってもよい。

しかしながら、車載イメージセンサとコンピュータビジョン技術を使用して車線境界位置を決定することは、リアルタイムのデータ収集および解析のプロセッサ負荷が高いことを主な理由として、困難な課題である。特に高速では、自律車両がリアルタイムデータで示される領域に到達する前に、車線境界位置を正確に決定することが不可能な場合がある。車線境界位置の正確な決定ができない場合、自律車両が隣接する車線にドリフトしたり、他の車両と衝突したりする可能性がある。

一般に、本開示の方法は、車線境界位置を正確かつ効率的に識別することによって、道路の車線を検出する。さらに、本開示の方法は、識別された車線境界位置に基づいて、撮像システム（例えば、ライダーシステム）のレンジを超える車線境界位置の位置を予測するものであってもよい。このように、本開示のシステムおよび方法は、特に、車線境界位置を識別するために必要な計算資源を削減することによって、従来のシステムおよび方法に対する顕著な技術的改善を達成する。

一実施形態では、道路上の車線境界を検出するための方法は、１つまたは複数のプロセッサが、撮像システムから車線標示に関連付けられたピクセルの集合を受け取ることを含む。本方法は、１つまたは複数のプロセッサが、ピクセルの集合を複数のグループに分割することをさらに含み、複数のグループの各々は、１つまたは複数の制御点に関連付けられる。本方法は、１つまたは複数のプロセッサが、複数のグループの制御点を通るスプラインを、そのスプラインが車線境界を記述するように、生成することをさらに含む。

図１は、車両環境内の車線標示の検出および／または車線標示の延長予測に基づいて、車両の１つまたは複数の動作を制御するための例示的なソフトウェアアーキテクチャを示すブロック図である。 図２は、図１のセンサ制御アーキテクチャを使用して制御され得る例示的な光検出および測距（ライダー）システムのブロック図である。 図３は、図２のライダーシステムが動眼視野内のターゲットを識別する際に生成する可能性のある走査パターンの例を示す図である。 図４Ａは、図２のライダーシステムが動作することができる例示的な車両を示す図である。 図４Ｂは、図２のライダーシステムが動作することができる別の例示的な車両を示す図である。 図５は、自律車両の進行方向の例示的な環境を示す図である。 図６Ａは、図５の環境と同様の環境に対して生成され得る点群の例を示す図である。 図６Ｂは、図６Ａの例示的な点群の点を連結するための例示的なリンク方法を示す図である。 図６Ｃは、図６Ａの例示的な点群の点を連結するための別の例示的なリンク方法を示す図である。 図６Ｄは、図６Ａの例示的な点群の点を連結するためのさらに別の例示的なリンク方法を示す図である。 図６Ｅは、図６Ｂ～６Ｄの点の連結部分をサブセクションに分離する細分化方法の例を示す図である。 図６Ｆは、図６Ｅの各サブセクションの主成分を決定するための方法の例を示す図である。 図６Ｇは、図６Ｆの主成分に基づいて図６Ｅのサブセクションを結合する関連付け方法の例を示す図である。 図６Ｈは、道路上の車線標示に対応する図６Ｇの結合されたサブセクションに曲線を適合させるためのスプライン生成方法の例を示す。 図７Ａは、車両の動き、先行の車線標示検出、および先行の車線標示予測に基づく車線標示延長方法の例を示す図である。 図７Ｂ、図７Ａからの延長スプラインが実際の車線標示にどれだけ適合するかを決定するための尤度評価方法の一例を示す図である。 図８は、道路上の車線境界を検出する方法を示すフローチャートである。 図９は、車線標示に関連するピクセルを識別する方法を示すフローチャートである。 図１０は、道路上の車線を追跡する方法を示すフローチャートである。

本開示のソフトウェアベースの技術は、車線標示が自律車両の制御操作に情報を提供し得るように、車道上の車線標示を検出および追跡するために使用される。車両は、完全な自動運転または「自律」車両、人間の運転手によって制御される車両、またはその２つのハイブリッド型の車両であってもよい。例えば、開示された技術は、自律車両の安全性／性能を向上させるために車両環境情報を取得するため、人間の運転手のための警告を生成するため、または単に特定の運転に関連するデータを収集するために使用されるものであってもよい。センサは、ライダー、レーダー、カメラ、および／または他のタイプのセンサなど、車両が移動している環境を感知することができる任意の１つまたは複数のタイプのセンサであってもよい。車両はまた、慣性測定装置（ＩＭＵ）などの他のセンサを含むものであってもよく、および／または、車両の現在位置に関する情報を提供する他のタイプの装置（例えば、ＧＰＳ装置）を含むものであってもよい。

車線標示検出の概要
上述したように、本開示の方法は、自律車両のための車線標示の検出および識別能力を提供し得る。より具体的には、本開示の方法を実施するシステムは、車線標示を表す複数のピクセルを受け取り、それらのピクセル同士をリンクすることを進めてもよい。システムはまた、リンクされたピクセルが同様の車線に対応することを確実にするために、１つまたは複数の方法を実行してもよい。全てのピクセルが最大で２つの他のピクセルにリンクされると、システムは、１つまたは複数の制御点を含む１つまたは複数のグループを作成してもよい。最後に、システムは、制御点を通るスプラインを生成してもよい。このようにして、システムは、各車線の位置を、スプラインによって縁取られた領域によって表されるように、効果的に決定することができる。これらの技術について、以下に詳しく説明する。

車線の縁を検出するためのシステムは、最初に、車道の車線に関連するピクセルの集合を受け取るものであってもよい。受け取られた各ピクセルは、ピクセルの特定の部分集合が車線識別情報を含むように、識別情報を含んでもよい。例えば、ピクセルの集合の各ピクセルは、車線標示、車線標示の何らかの閾値距離内のピクセル、または車線標示を接続する帯状体を表すものであってよい。このように、車線標示を表すピクセルは、車線識別情報を含むことになる。いくつかの実施形態では、ピクセルの集合は、画像の上部に近いピクセルが車両からさらに離れるように、車道に沿って走行する車両の前方に延びる車道の部分を表してもよい。一例として、車道の部分は、右にカーブしており、車両の前方に２つの車線の間の分岐を含む２つの車線を有していてもよい。

次に、本開示の方法を実施するシステムは、ピクセルの集合のピクセル同士をリンクして、リンクされたピクセルのセクションを作成してもよい。特定の実現態様では、システムは、「開始ピクセル」の各々から開始し、開始ピクセルの各々から一定の半径内の最近接ピクセルについてピクセルの集合を評価することによって、ピクセルをリンクしてもよい。システムは、各開始ピクセルについて最近接ピクセルを見つけ、最近接ピクセルをそれぞれの開始ピクセルに関連付け（例えば、リンクする）、最近接ピクセルを現行ピクセルとして指定し、現行ピクセルを前方向（例えば、車両から離れる方向）の最近接ピクセルにリンクしようと進行するものであってもよい。システムは、各ピクセルが少なくとも１つの他のピクセルとリンクされるまで、ピクセル同士を反復してリンクするものであってもよい。

あるいは、システムは、受信時にピクセルのセットをバウンディングすることによって、リンク処理を実行してもよい。ピクセルのセットは、各外接ボックスに含まれるピクセルに基づいて各車線のマークを画定する一組の外接ボックスによって境界付けされてもよい。一旦境界が設定されると、システムは、先に説明したのと同様の方法で、または他の任意の適切な方法でピクセルを連結することを進めてもよいが、境界ボックスを越えて2つのピクセルを連結しないようにしてもよい。このようにして、システムは、リンクされたピクセルが２つの異なる車線識別に関連しないことを保証する。

さらに、特定の実施態様では、車線識別は、接続インジケータをさらに含んでもよい。これらの接続インジケータは、2つのピクセル間の接続の方向依存性を表すことがある。例えば、2つのピクセル（第1のピクセルおよび第2のピクセル）は、同じ車線識別に関連付けられ、第2のピクセルが第1のピクセルの下方および右側に位置するように接続されてもよい。したがって、第1のピクセルの接続インジケータは、第2のピクセルが、第1のピクセルの下方および第1のピクセルの右側にある接続を介して第1のピクセルに接続されていることを示してもよい。

いずれにしても、本開示の方法を実施するシステムは、ピクセルのセットの各ピクセルをピクセルのセットからの少なくとも１つの他のピクセルにリンクさせ、リンクされたピクセルのセットを作成することを進める。その後、システムは、リンクされたピクセルのセットをリンクされたピクセルのグループに細分化する。リンクされたピクセルの各グループは２つの端点を含み、本明細書では "制御点 "とも呼ばれる。システムは、リンクされたピクセルの各グループの制御点を使用して、リンクされたピクセルの他のグループ間および他のグループ間の接続を決定する。例えば、システムは、リンクされたピクセルのグループの主成分を決定してもよい。主成分は、車両の進行方向に平行な方向、車両の進行方向に垂直な方向、または他の任意の潜在的な方向など、関連する方向を有していてもよい。

したがって、本開示の方法を実施するシステムは、ピクセルのグループの様々な制御点間および制御点間の空間的関係を調査してもよい。例えば、システムは、２つの制御点間の距離を測定して、それぞれの制御点に関連するピクセルのグループがリンクされるべきかどうかを判断するために、2つの制御点間の制御リンクを決定してもよい。特定の実装では、システムが2つの制御点の間の距離が最小閾値以下であると決定した場合、リンクされたピクセルのそれぞれのグループは、２つの制御点によってリンクされてもよい。システムが、2つの制御点の間の距離が最小閾値以上であるが最大閾値未満であると決定する場合、システムは、2つの制御点をリンクする制御リンクと、リンクされたピクセルのそれぞれのグループの主成分の間の角度を測定してもよい。さらに、または代替的に、システムは、リンクされたピクセルのそれぞれのグループの主成分間の角度を測定して、それぞれのグループが一緒にリンクされるべきかどうかを決定してもよい。いずれの場合も、角度が閾値以上であるとシステムが判断する場合、システムはそれぞれの制御グループをリンクさせないことができる。最後に、システムが、2つの制御点間の距離が最大閾値を超えていると判断する場合、システムは、リンクされたピクセルのそれぞれのグループをリンクさせないことができる。

あるいは、特定の実装において、システムは、リンクされたピクセルのグループをリンクするためにグラフ理論を利用してもよい。システムは、最初に制御点の各々をグラフのノードとして割り当てることによって、グラフを構築してもよい。次に、システムは、ノードの各対の間にスプラインを当てはめることによって、各ノードをグラフの他のすべてのノードに接続してもよい。システムは、線、三次螺旋など、任意の適切なスプラインを使用してノードの各ペアを接続してもよいことを理解されたい。次に、システムは、2つの制御点間の各接続をグラフのそれぞれのエッジとして指定することができる。システムは、その後、障壁（例えば、異なる方向に走行する道路の間の領域、車道の縁など）を横断する縁にペナルティを課し、車線標示に従う縁にインセンティブを与えることによって、グラフの各縁に対するコストを決定してもよい。また、コスト評価には、道路の種類（例えば、州間道路、都市道路）と比較して、任意の特定のエッジの鋭さを示すドライバビリティ係数など、他の様々なパラメータが含まれてもよい。最後に、システムは、グラフを横断するために、ソースノードとターゲットノードを指定し、グラフを横断するための最低コストのルートを決定してもよい。システムは、車道の車線を表す最低コスト経路のグループを出力してもよい。例えば、最低コストパスの各々は、ノードのペアを含み、ノードの各ペアはスプラインによって結合され、最低コストパスのノードの各ペアの間のスプラインは、車線の表現を形成するために一緒に結合されてもよい。

いずれの場合も、システムは、一緒にリンクされるべきリンクされたピクセルのグループを生成してもよい。したがって、システムは、システムが一緒にリンクされるべきであると決定したリンクされたピクセルのグループの制御点の間にスプラインを適合させてもよい。制御点間にスプラインを適合させることによって、システムは、リンクされたピクセルのグループの全てのピクセル間にスプラインを適合させるための面倒でプロセッサ集約的な計算に従事することなく、車線標示の正確な表現を生成してよい。このように、本開示の方法を実施するシステムは、車線標示を識別するために必要な計算資源を低減することによって、従来のシステムに対する顕著な技術的改善を達成する。前述したように、本システムは、任意の適切なスプライン技術を利用してもよいことが理解されよう。例えば、制御点を互いにリンクするために、システムは、キャットムル‐ロム（Catmull-Rom）スプライン法（スプライン作成法）を利用してもよい。

（車線の追跡および予測の概要）
大まかに言えば、本開示の方法を実施するシステムは、上述の車線標示検出プロセスの一部として生成されたスプラインを使用することによって、部分的に、車道車線の位置を予測してもよい。特に、システムは、車線標示に関連付けられたピクセルのセットを受信し、車道車線の境界を定義するスプラインの生成を進めてもよい。その後、システムは、スプラインの少なくとも一部の曲率に基づいて、撮像システムが移動している方向におけるスプラインの予測される延長を生成してもよい。スプラインとスプラインの予測延長を合わせて、予測スプラインと呼ぶことがある。

したがって、システムは、決定された車線標示を使用して、将来の車線標示の位置を予測することができる。システムは、以前の車線検出に基づいて、決定された車線標示を車両の現在位置のさらに前方に拡張することによって、予測プロセスを開始してもよい。例えば、システムが、車道の車線が右に湾曲していると判断した場合、システムは、将来の車線標示が、決定された車線標示よりもさらに車両の右側に変位することを予測してもよい。システムは、さらに、車両の動きに基づいて、将来の車線位置を更新してもよい。さらに、システムは、将来の車線標示の位置を予測する際に、事前の車線標示の予測を利用してもよい。

いずれにしても、システムは、予測された車線標示の位置に適合するようにスプラインを生成してもよい。その後、システムは、車線標示の真の位置を示すセンサデータを受信してもよい。センサデータを使用して、システムは、本開示において「尤度スコア」（「L」）として参照される、予測された車線標示位置の精度を決定してもよい。システムは、多数の予測を生成し、各予測について尤度スコアLを決定してもよい。各予測に対して、システムは対応する尤度スコアLを使用して、予測プロセスで使用されるフィルタを更新し、洗練させることができる。

（車線標示の検出および追跡のための技術例）
以下の説明において、最初に、図１を参照して、車線標示の延長を検出および／または予測することに基づいて車両の１つまたは複数の動作を制御するための例示的なソフトウェアアーキテクチャが説明される。本明細書で説明されるアーキテクチャおよび方法の多くは、ライダーセンサを利用することができるため、次に、図２～図５を参照して、例示的なライダーシステムについて説明する。図６Ａ～７Ｂは、車線標示の検出および車線標示の延長の予測におけるソフトウェアアーキテクチャの使用を説明するものである。最後に、図８～図１０のフローチャートに関して、車線標示の検出、識別、および追跡（例えば、延長の予測）に関連する例示的な方法が説明される。

図１は、自律車両の動作中に車線標示を動的に検出および追跡するために使用される、ソフトウェアベースの車線標示検出および追跡アーキテクチャ１００の一例を示す図である。車線標示の検出および追跡アーキテクチャ１００は、自律車両によって（例えば、車両の現在の環境に基づいてインテリジェントな運転決定を行うために）、または非自律車両によって他の目的のために（例えば、特定の運転に関連するデータを収集するために）、利用され得る１つまたは複数のセンサ１０１を含んでいる。

本明細書で使用される用語として、「自律」車両または「自動運転」車両は、その環境を感知し、人間の入力は全くない状態で、人間の入力がほとんどない状態で、人間の入力が任意に選択できる状態で、および／または、状況特有の人間の入力とともに、ナビゲートまたは運転するように構成された車両である。例えば、自律車両は、任意の適切な場所まで走行し、全行程の安全上重要な機能（例えば、運転、ステアリング、ブレーキ、駐車）を制御または実行し、いかなる時も運転者による車両の制御は期待されないように（あるいは、制御できないようにすら）構成され得る。別の例として、自律車両は、特定の環境（例えば、高速道路上）および／または特定の走行モードにおいて、運転者が運転作業から安全に注意をそらすことができるようにすることができる。

自律車両は、車両内に人間の運転手が存在する状態で運転するように構成されてもよく、または人間の運転手が存在しない状態で運転するように構成されてもよい。一例として、自律車両は、関連する制御装置（例えば、ステアリングホイール、アクセルペダル、およびブレーキペダル）を有する運転席を含んでもよく、車両は、運転席に誰も座っていない状態で、または運転席に座る人からの入力が限定的、条件付き、またはない状態で運転するよう構成されてもよい。別の例として、自律車両は、運転席または関連する運転席の制御装置を一切含まず、車両は、人間の入力なしに実質的にすべての運転機能（例えば、運転、ステアリング、ブレーキ、駐車、およびナビゲート）を常時実行してもよい（例えば、車両は、車両に運転者が存在することなく人間の乗客または貨物を輸送するように構成されてもよい）。別の例として、自律車両は、人間の乗客なしで動作するように構成されてもよい（例えば、車両は、車両に人間の乗客を乗せることなく、貨物の輸送のために構成されてもよい）。

本明細書で使用される場合、「車両」は、人または貨物を輸送するように構成された移動機を指すものであってもよい。例えば、車両は、乗用車、自動車、原動機付き車両、トラック、バス、バン、トレーラー、オフロード車両、農耕用作業車、芝刈り機、建設機械、ゴルフカート、キャンピングカー、タクシー、オートバイ、スクーター、自転車、スケートボード、列車、スノーモービル、水上機（例えば、船またはボート）、航空機（例えば、固定翼機、ヘリコプター、または飛行船）、または宇宙機を含むか、その形態をとるか、またはこれらを指すものであってもよい。特定の実施形態において、車両は、車両の推進力を提供する内燃機関または電気モータを含むものであってもよい。

図１に示されるように、車両は、Ｎ個の異なるセンサ１０１を含む。ここで、Ｎは任意の適切な整数（例えば、１、２、３、５、１０、２０など） である。センサ１０１のうち少なくとも「センサ１」は、環境中の物体で反射するまたは散乱されるレーザー光を送受信する（例えば、センサがライダー装置である場合）、環境中の物体から反射する無線または音響信号を送受信する（例えば、センサがレーダーまたはソナー装置である場合）、環境の様々な領域から発生または反射する光波を単に受信する（例えば、センサがカメラである場合）等々、何らかの方法で環境と物理的に相互作用することにより自律車両の環境を感知するように構成されている。実施形態では、センサ１０１（例えば、「センサ１」、「センサ２」、・・・、および「センサＮ」）の全てが、環境の一部を感知するように構成されてもよく、またはセンサ１０１の１つまたは複数が外部環境と物理的に相互作用しなくてもよい（例えば、センサ１０１の１つが慣性測定装置（ＩＭＵ）である場合）。センサ１０１は、全て同じタイプであってもよく、または複数の異なるセンサタイプ（例えば、異なる視角を有する複数のライダー装置、および／またはライダー、カメラ、レーダー、および熱撮像装置の組み合わせなど）を含むものであってもよい。

センサ１０１によって生成されたデータは、車線標示の検出および追跡アーキテクチャ１００の知覚コンポーネント１０２に入力され、知覚コンポーネント１０２によって処理されて、車両の環境の現在の状態を記述する知覚信号１０３が生成される。「現在」という用語は、例えば、知覚コンポーネント１０２の少なくとも一部の部分および他の要因によってもたらされる短い処理遅延のために、実際には、任意の与えられた知覚信号１０３の生成に先立つ非常に短い時間を指す場合があることを理解されたい。別個の車線標示検出モジュール１０４は、例えば、物体分類に関連するより計算負荷の高いモジュールよりも短い処理遅延で、検出された車線標示に関連する知覚信号を生成するものであってもよい。

車線標示の検出および追跡アーキテクチャ１００はまた、知覚信号１０３を処理して、車両の環境の１つまたは複数の予測される将来の状態を記述する予測信号１０６を生成する、車線追跡および予測モジュール１０５を含む。例えば、車線追跡および予測モジュール１０５は、車線標示検出モジュール１０４によって生成された知覚信号１０３において識別された車線標示の位置および方向を解析して、車線標示の１つまたは複数の延長を予測することができる。比較的単純な例として、車線追跡および予測モジュール１０５は、あらゆる移動物体がその現在の方向および速度に変更を加えずに移動を続けると仮定してもよく、場合によっては、継続的に方向を変えている物体、加速している物体などをより良く追跡するために、１次または高次の微分を考慮に入れてもよい。加えて、または代わりに、車線追跡および予測モジュール１０５は、予測信号１０６を生成する際に車線追跡および予測モジュール１０５の動作を補足および／または改善するために、車線標示検出モジュール１０４によって生成された過去の知覚信号１０３を利用してもよい。

いくつかの実施形態において、知覚信号１０３および予測信号１０６は、車両の１つまたは複数の動作を制御するために使用される。例えば、信号１０３、１０６は、車両の１つまたは複数の動作を制御する車両制御信号（図示せず）を生成するために信号１０３、１０６を処理する車両制御コンポーネント１０７に入力されるものであってもよい。特に、車両制御コンポーネント１０７は、車両の前輪の向きを調整するための車両制御信号を生成してもよい。車両は、車両制御信号に従って前輪の向きを調整することにより、信号１０３、１０６で記述される車線標示によって定められる車線内の安全な中心位置を維持するものであってもよい。

上述した様々な例に示されるように、車両によって収集されたセンサデータは、いくつかの実施形態において、１つまたは複数のライダー装置またはより一般的にはライダーシステムによって生成される点群データを含むものであってもよい。次に、ライダーシステムによって生成され得るデータの種類、およびライダーシステムおよびデバイスが機能し得る態様のより良い理解を提供するために、例示的なライダーシステムおよび点群について、図２～５を参照して説明する。

まず図２を参照すると、ライダーシステム２００は、例えば、図１のセンサ１０１の少なくとも１つとして使用されるものであってもよい。様々なライダーシステムの構成要素および特性が本明細書に記載されているが、任意の適切な１つまたは複数のライダー装置または１つまたは複数のライダーシステム、および／または、任意の他の適切なタイプのセンサが、本明細書に記載されるソフトウェアアーキテクチャを使用して処理するためのセンサデータを提供し得ることは理解されるであろう。

例示的なライダーシステム２００は、光源２１０、ミラー２１５、スキャナ２２０、受光器２４０、およびコントローラ２５０を含むものであってもよい。光源２１０は、例えば、電磁スペクトルの赤外、可視、または紫外領域における特定の動作波長を有する光を出射するレーザー（例えば、レーザーダイオード）であってもよい。光源２１０は、動作において、所定の用途に適した任意の方法で連続波、パルス、または変調波の光の出力ビーム２２５を出射する。光の出力ビーム２２５は、ライダーシステム２００から距離Ｄに位置し、システム２００の動眼視野（field of regard）内に少なくとも部分的に含まれる遠隔ターゲット２３０に向かって射程に沿って向けられる。

出力ビーム２２５が射程に沿った範囲のターゲット２３０に到達すると、ターゲット２３０は、出力ビーム２２５からの光の少なくとも一部を散乱させ、または場合によっては反射し、散乱光または反射光の一部がライダーシステム００に向かって戻る可能性がある。図２の例では、散乱または反射された光は、スキャナ２２０（ビームスキャナ、光学スキャナ、またはレーザースキャナと呼ばれる場合もある）を通過する入力ビーム２３５によって表される。入力ビーム２３５は、スキャナ２２０を通過して、ミラー２１５（オーバーラップミラー、重ね合わせミラー、またはビームコンバイナミラーと呼ばれる場合もある）に向かう。ミラー２１５は、今度は、入力ビーム２３５を受光器２４０に向ける。

入力ビーム２３５は、ターゲット２３０によって散乱された出力ビーム２２５からの光、ターゲット２３０によって反射された出力ビーム２２５からの光、またはターゲット２３０からの散乱光と反射光の組合せを含むことができる。いくつかの実施形態において、ライダーシステム２００は、人の目に損傷を与える可能性がほとんどまたは全く存在しない「アイセーフ」レーザーを含むことができる。入力ビーム２３５は、出力ビーム２２５からの光の比較的小さな部分のみを含むものであってもよい。

受光器２４０は、入力ビーム２３５から光子を受信または検出し、それを表す１つまたは複数の信号を生成してもよい。例えば、受光器２４０は、入力ビーム２３５を表す出力電気信号２４５を生成してもよい。受光器は、電気信号２４５をコントローラ２５０に送信してもよい。実現態様によっては、コントローラ２５０は、ライダーシステム２００からの距離などといったターゲット２３０の１つまたは複数の特性を決定するために、電気信号２４５の１つまたは複数の特性を解析するように構成された１つまたは複数の命令実行プロセッサ、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡA）、および／または他の適切な回路を含むものであってもよい。より詳細には、コントローラ２５０は、光源２１０によって送信された光ビーム２２５に対する飛行時間または位相変調を解析してもよい。ライダーシステム２００がＴの飛行時間（例えば、Ｔは、出射された光パルスがライダーシステム２００からターゲット２３０に移動してライダーシステム２００に戻るまでの往復飛行時間を表す）を測定した場合、ターゲット２３０からライダーシステム２００までの距離Ｄは、Ｄ＝ｃ・Ｔ／２と表すことができる。ここで、ｃは光速（約３．０×１０^８ ｍ／ｓ）である。

ライダーシステム２００からの距離Ｄは、ライダーシステム２００の最大レンジＲ_ＭＡＸ以下である。ライダーシステム２００の最大レンジＲ_ＭＡＸ（最大距離とも呼ばれ得る）は、ライダーシステム２００がライダーシステム２００の動眼視野内に現れるターゲットを感知または識別するように構成される最大距離に対応するものであってもよい。ライダーシステム２００の最大レンジは、例えば、５０ｍ、２００ｍm、５００ｍ、または１ｋｍなど、任意の適切な距離であってもよい。

いくつかの実現態様では、光源２１０、スキャナ２２０、および受光器２４０は、ライダーシステム２００の全てまたは一部を保持するまたは含む箱、ケース、または筐体である得る単一のハウジング２５５内に一緒にパッケージ化されていてもよい。ハウジング２５５は、ビーム２２５および２３５が通過する窓２５７を含む。コントローラ２５０は、構成要素２１０、２２０、および２４０と同じハウジング２５５内に存在してもよく、またはコントローラ２５０は、ハウジング２５５の外部に存在するものであってもよい。例えば、一実施形態では、コントローラ２５０は、代わりに図１に示す車線標示の検出および追跡アーキテクチャ１００の知覚コンポーネント１０２内に存在する、または部分的に存在するものであってもよい。いくつかの実現態様では、ハウジング２５５は、複数のライダーセンサを含み、複数のライダーセンサのそれぞれは、それぞれのスキャナおよび受光器を含む。特定の実現態様に応じて、複数のセンサの各々は、別個の光源または共通の光源を含むことができる。実現態様に応じて、複数のセンサは、例えば、重複することなく隣接する複数の動眼視野または部分的に重複する複数の動眼視野を射程に入れるように構成することができる。

図２を引き続き参照すると、出力ビーム２２５および入力ビーム２３５は、実質的に同軸であってもよい。言い換えれば、出力ビーム２２５および入力ビーム２３５は、入力ビーム２３５および出力ビーム２２５が（反対方向ではあるが）実質的に同じ光路に沿って進行するように、少なくとも部分的に重なるかまたは共通の伝搬軸を共有するものであってもよい。ライダーシステム２００が出力ビーム２２５を動眼視野にわたって走査すると、入力ビーム２３５は、２つのビームの間の同軸関係が維持されるように、出力ビーム２２５に追従するものであってもよい。

一般に、スキャナ２２０は、出力ビーム２２５を射程に沿った範囲の１つまたは複数の方向に向ける。これを達成するために、スキャナ２２０は、１つまたは複数の走査ミラーと、例えば１つまたは複数の軸回りにミラーを回転、傾斜、旋回、または角度的に移動させるようにミラーを駆動する１つまたは複数のアクチュエータとを含んでいてもよい。図２には、単一のミラー２１５のみが示されているが、ライダーシステム２００は、出力ビーム２２５または入力ビーム２３５を方向付けるまたは集束するための任意の適切な数の平面または曲面ミラー（例えば、凹面、凸面、または放物面のミラー）を含むものであってもよい。例えば、スキャナの第１のミラーは、第１の方向に沿って出力ビーム２２５を走査してもよく、第２のミラーは、第１の方向と実質的に直交する第２の方向に沿って出力ビーム２２５を走査するものであってもよい。

ライダーシステム２００の「動眼視野」は、ライダーシステム２００が距離情報を走査または捕捉するように構成され得る範囲、領域、または角度範囲を指すものであってもよい。例えば、ライダーシステム２００が３０度の走査範囲内で出力ビーム２２５を走査する場合、ライダーシステム２００は、３０度の角度的な動眼視野を有すると言うものであってもよい。スキャナ２２０は、出力ビーム２２５を水平方向および垂直方向に走査するように構成されてもよく、ライダーシステム２００の動眼視野は、水平方向に沿った特定の角度幅および垂直方向に沿った別の特定の角度幅を有していてもよい。例えば、ライダーシステム２００は、１０°～１２０°の水平方向の動眼視野と、２°～４５°の垂直方向の動眼視野とを有していてもよい。

スキャナ２２０の１つまたは複数の走査ミラーは、コントローラ２５０に通信可能に結合されてもよく、コントローラ２５０は、出力ビーム２２５を射程に沿った範囲の所望の方向にまたは所望の走査パターンに沿って誘導するように１つまたは複数の走査ミラーを制御し得る。一般に、走査（または走査ライン）パターンは、出力ビーム２２５が向けられるパターンまたは経路を指すものであってもよい。ライダーシステム２００は、走査パターンを使用して、実質的に動眼視野を覆う点または「ピクセル」を有する点群を生成することができる。ピクセルは、動眼視野にわたってほぼ均等に分布していてもよく、または特定の非均一分布に従って分布していてもよい。

動作中、光源２１０は、スキャナ２２０がライダーシステム２００の動眼視野にわたって走査する光パルスを出射することができる。ターゲット２３０は、出射されたパルスの１つまたは複数を散乱させてもよく、受光器２４０は、ターゲット２３０によって散乱された光のパルスの少なくとも一部分を検出してもよい。受光器２４０は、入力ビーム２３５の少なくとも一部を受信または検出し、入力ビーム２３５に対応する電気信号を生成してもよい。コントローラ２５０は、光源２１０、スキャナ２２０、および受光器２４０のうちの１つまたは複数に電気的に結合されていてもよく、そうでなければ通信可能に結合されていてもよい。コントローラ２５０は、光源２１０がいつ光パルスを生成すべきか、および場合によってはパルスの特性（例えば、持続時間、周期、ピークパワー、波長など）を示す命令、制御信号、またはトリガ信号を光源２１０に提供してもよい。コントローラ２５０は、光源２１０によってパルスが出射されたとき、及び、パルスの一部（例えば、入力ビーム２３５）が受光器２４０によって検出または受信されたときに関連するタイミング情報に基づいて、光パルスの飛行時間値を決定することもできる。

上述したように、ライダーシステム２００は、射程に沿った範囲の１つまたは複数のターゲット２３０までの距離を決定するために使用され得る。ライダーシステム２００を動眼視野にわたって走査することによって、システムは、動眼視野内の多数の点への距離をマッピングするために使用され得る。これらの深度マッピングされた点の各々は、ピクセルまたはボクセルと呼ばれることがある。連続して取得されたピクセルの集まり（深度マップ、点群、または点群フレームと呼ばれる場合がある）は、画像としてレンダリングされてもよく、物体を識別または検出するため、または動眼視野内の物体の形状または距離を決定するために解析されるものであってもよい。例えば、深度マップは、水平方向に６０°および垂直方向に１５°広がる動画視野を対象にするものであってもよく、深度マップは、１００～２０００ピクセル（水平方向）×４～４００ピクセル（垂直方向）のフレームを含んでいてもよい。

ライダーシステム２００は、例えば、約０．１フレーム／秒（ＦＰＳ）～約１０００ＦＰＳの間の任意の適切なフレームレートで、関心領域の点群を繰り返し捕捉または生成するように構成されてもよい。点群フレームレートは、実現態様に応じて、実質的に固定されていてもよく、または動的に調整可能であってもよい。一般に、ライダーシステム２００は、より遅いフレームレート（例えば、１Ｈｚ）を使用して１つまたは複数の高解像度点群を取得することができ、より速いフレームレート（例えば、１０Ｈｚ）を使用して複数の低解像度点群を迅速に取得することができる。

ライダーシステム２００の動眼視野は、ターゲット２３０の少なくとも一部に重なる、包含する、または囲むものであってもよく、このターゲットは、ライダーシステム２００に対して移動または静止している物体の全てまたは一部を含むものであってもよい。例えば、ターゲット２３０は、人、車両、オートバイ、トラック、列車、自転車、車椅子、歩行者、動物、道路標識、交通信号、車線標示、路面標示、駐車スペース、パイロン、ガードレール、交通障壁、ポットホール、踏切、道路内またはその近くの障害物、縁石、道路上または横の停止車両、電柱、家、建物、ゴミ箱、郵便受け、木、他の任意の適切な物体、あるいは２以上の物体の全てまたは一部の任意の適切な組み合わせの全てまたは一部を含むものであってもよい。

図３は、図２のライダーシステム２００が生成する可能性のある例示的な走査パターン２６０を示す。特に、ライダーシステム２００は、出力光ビーム２２５を走査パターン２６０に沿って走査するように構成され得る。いくつかの実現態様では、走査パターン２６０は、任意の適切な水平動眼視野（ＦＯＲ_Ｈ）および任意の適切な垂直動眼視野（ＦＯＲ_Ｖ）を有する任意の適切な動眼視野にわたる走査に相当する。例えば、ある走査パターンは、角度寸法（例えば、ＦＯＲ_Ｈ×ＦＯＲ_Ｖ）４０°×３０°、９０°×４０°、または６０°×１５°によって表される動眼視野を有することができる。図３には「ジグザグ」パターン２６０が描かれているが、他の実現態様では、代わりに、他のパターン（例えば、平行、水平走査線）を採用してもよく、および／または特定の状況において他のパターンが採用されてもよい。

図３の例示的な実現態様および／またはシナリオにおいて、基準線２６２は、走査パターン２６０の動眼視野の中心を表す。図３において、走査パターン２６０が６０°×１５°の動眼視野を有する場合、走査パターン２６０は、基準線２６２に対して±３０°の水平範囲と、基準線２６２に対して±７．５°の垂直範囲とをカバーする。方位（方位角と呼ぶこともある）は、基準線２６２に対する水平方向の角度を表すことができ、高度（高度角、仰角と呼ぶこともある）は、基準線２６２に対する垂直方向の角度を表すことができる。

走査パターン２６０は、複数の点またはピクセル２６４を含んでもよく、各ピクセル２６４は、1つまたは複数のレーザーパルスおよび１つまたは複数の対応する距離測定値と関連付けられてもよい。走査パターン２６０の１サイクルは、総数でＰ_ｘ×Ｐ_ｙ個のピクセル２６４（例えば、Ｐ_ｘ×Ｐ_ｙ個のピクセルの２次元分布）を含んでもよい。水平方向に沿ったピクセル２６４の数は、走査パターン２６０の水平解像度と呼ばれることがあり、垂直方向に沿ったピクセル２６４の数は、走査パターン２６０の垂直解像度と呼ばれることがある。

各ピクセル２６４は、距離／深度（例えば、対応するレーザーパルスが散乱されたターゲット２３０の部分までの距離）および１つまたは複数の角度値と関連付けられてもよい。一例として、ピクセル２６４は、距離値、およびライダーシステム２００に対するピクセル２６４の角度位置を表す２つの角度値（例えば、方位および高度）と関連付けられてもよい。ターゲット２３０の一部への距離は、対応するパルスの飛行時間測定に少なくとも部分的に基づいて決定されてもよい。より一般的には、各点またはピクセル２６４は、その２つの角度値に加えて、１つまたは複数のパラメータ値に関連付けられてもよい。例えば、各点またはピクセル２６４は、その点またはピクセルの角度値に加えて、深さ（距離）値、受信した光パルスから測定された強度値、および／または１つまたは複数の他のパラメータ値に関連付けられてもよい。

角度値（例えば、方位または高度）は、（例えば、対応するパルスがライダーシステム２００から出射されるときの）出力ビーム２２５の角度、または、または（例えば、入力信号がライダーシステム２００によって受信されるときの）入力ビーム２３５の（例えば、基準線２６２に対する）角度に対応し得る。いくつかの実現態様では、ライダーシステム２００は、スキャナ２２０の構成要素の位置に少なくとも部分的に基づいて角度値を決定する。例えば、ピクセル２６４に関連する方位値または高度値は、スキャナ２２０の１つまたは複数の対応する走査ミラーの角度位置から決定されてもよい。基準線２６２に対応する高度ゼロかつ方位角ゼロの方向は、ライダーシステム２００のニュートラルルック方向（またはニュートラル視線方向）と呼ばれる場合もある。

図４Ａは、ライダーシステム３０２を備えた例示的な車両３００を図示している。ライダーシステム３０２は、複数のセンサヘッド３１２Ａ～３１２Ｄを含み、それらの各々は、それぞれのレーザーを備える。あるいは、センサヘッド３１２Ａ～Ｄは、適切なレーザーセンサリンクを介して単一のレーザーに結合され得る。一般に、センサヘッド３１２の各々は、図２に図示されたライダーシステム２００の構成要素の一部または全部を含むことができる。

図４Ａのセンサヘッド３１２は、車両の周囲の環境の３０度より大きい視野を提供するように配置または配向される。より一般的には、複数のセンサヘッドを有するライダーシステムは、約３０°、４５°、６０°、９０°、１２０°、１８０°、２７０°、または３６０°の車両周りの水平視野を提供してもよい。センサヘッド３１２の各々は、バンパー、フェンダー、グリル、サイドパネル、スポイラー、ルーフ、ヘッドライトアセンブリ、テールライトアセンブリ、バックミラーアセンブリ、フード、トランク、窓、または車両の他の任意の適切な部分に取り付けられてもよく、またはそれらに組み込まれてもよい。

図４Ａの例では、４つのセンサヘッド３１２が車両の四隅またはその近くに配置され（例えば、センサヘッド３１２の各々がライトアセンブリ、サイドパネル、バンパー、またはフェンダーに組み込まれてもよい）、レーザー３１０は、車両３００内（例えば、トランク内またはその近く）に配置されてもよい。４つのセンサヘッド３１２は、それぞれ９０°～１２０°の水平動眼視野（ＦＯＲ）を備えるものであってもよく、４つのセンサヘッド３１２は、共に車両周りの完全な３６０度の動眼視野を備えるように配向されてもよい。別の例では、ライダーシステム３０２は、車両３００上または周囲に配置された６つのセンサヘッド３１２を含んでもよく、センサヘッド３１２の各々は、６０°～９０°の水平方向のＦＯＲを備えるものであってもよい。別の例では、ライダーシステム３０２は、８つのセンサヘッド３１２を含んでもよく、センサヘッド３１２の各々は、４５°～６０°の水平方向のＦＯＲを備えるものであってもよい。さらに別の例として、ライダーシステム３０２は、６つのセンサヘッド３１２を含んでもよく、センサヘッド３１２の各々は、隣接するＦＯＲ間に約１０°の重複を有する７０°の水平ＦＯＲを備えるものであってもよい。別の例として、ライダーシステム３０２は、連携して３０°以上の前方向水平ＦＯＲを備える２つのセンサヘッド３１２を含むものであってもよい。

センサヘッド３１２の各々からのデータは、車両周りの３０度以上の水平視野に広がる点群を生成するために結合または組み合わされるものであってもよい。例えば、レーザー３１０は、センサヘッド３１２のそれぞれから（例えば、対応する電気リンク３２０を介して）データを受信し、受信したデータを処理して、車両周りの３６０度の水平視野に広がる点群を構築するまたは１つまたは複数のターゲットへの距離を決定するコントローラまたはプロセッサを含むものであってもよい。点群または点群からの情報は、対応する電気的、光学的、または無線のリンク３２０を介して、車両コントローラ３２２に提供されてもよい。車両コントローラ３２２は、１つまたは複数のＣＰＵ、ＧＰＵ、および、永続的コンポーネント（例えば、フラッシュメモリ、光ディスク）を備えた非一時的なメモリおよび／または非永続的コンポーネント（例えば、ＲＡＭ）を含んでいてもよい。

いくつかの実現態様では、点群は、レーザー３１０内に含まれるコントローラで複数のセンサヘッド３１２のそれぞれからのデータを結合することによって生成され、車両コントローラ３２２に提供される。他の実現態様では、センサヘッド３１２の各々は、車両周りの３６０度の水平視野の一部について点群を構築し、それぞれの点群を車両コントローラ３２２に提供するコントローラまたはプロセッサを含む。次に、車両コントローラ３２２は、それぞれのセンサヘッド３１２からの点群を結合または組合せて、３６０度の水平視野に広がる結合点群を構築する。さらに、いくつかの実現態様における車両コントローラ３２２は、点群データを処理するためにリモートサーバと通信する。

いずれの場合も、車両３００は、車両コントローラ３２２が車両３００内の様々な構成要素３３０に制御信号を提供し、車両３００の操縦およびその他の動作を制御する自律車両であってもよい。図４Ａにおいて、構成要素３３０は、説明を容易にすることのみを目的として、拡大図で示されている。構成要素３３０は、アクセル３４０、ブレーキ３４２、車両エンジン３４４、ステアリング機構３４６、ブレーキライト、ヘッドライト、バックライト、非常灯などのライト３４８、ギアセレクタ３５０、ＩＭＵ３４３、追加のセンサ３４５（例えば、以下に示すカメラ、レーダー、音響センサ、大気圧センサ、水分センサ、周囲光センサ）、および／または車両３００の移動を効果的に制御する他の適切な構成要素を含んでいてもよい。ギアセレクタ３５０は、パークギア、リバースギア、ニュートラルギア、ドライブギアなどを含んでもよい。構成要素３３０の各々は、構成要素が車両コントローラ３２２から「速度を上げる」、「速度を下げる」、「左に５度曲がる」、「左折の方向指示器を起動する」等の指令を受け取り、場合によっては、車両コントローラ３２２にフィードバックを提供するインターフェースを含んでいてもよい。

車両コントローラ３２２は、構成要素３００から入力を受信し、知覚機械学習（ＭＬ）モデル３５４を使用して、検出された物体、道路標識などの表示をモーションプランナー３５６に提供する知覚モジュール３５２を含むものであってもよく、モーションプランナー３５６は、車両３００を操縦するための構成要素３３０の指令を生成する、図１に戻って参照すると、一実施形態における構成要素３５２～３５６は、任意の好適な構成で、構成要素１０２～１０７を実現している。

いくつかの実現態様では、車両コントローラ３２２は、センサヘッド３１２からリンク３２０を介して点群データを受信し、受信した点群データを、本明細書に開示する集積型または個別のＳＤＣＡのいずれか１つまたは複数を使用して解析し、ターゲット２３０（図２参照）およびそれらのそれぞれの位置、距離、速度、形状、サイズ、ターゲットのタイプ（例えば、車両、人間、木、動物）などについて感知または識別する。次に、車両コントローラ３２２は、解析された情報に基づいて車両の動作を制御するために、別のリンク３２０を介して構成要素３３０に制御信号を提供する。

ライダーシステム３０２に加えて、車両３００は、カメラ、熱撮像装置、従来のレーダー等の他のセンサ３４５（図の煩雑さを避けるために図示されていない）を装備することもできる。これらのセンサは、有線または無線の通信リンクを介して車両コントローラ３２２に追加のデータを提供することができる。さらに、例示的な実施形態における車両３００は、音源を決定するように構成された音響音源定位システムの一部として動作するマイクロホンアレイを含む。

別の例として、図４Ｂは、複数のセンサヘッド３７２がボンネットの前部およびトランク上に配置されている車両３６０を示す。複数のセンサヘッド３７２は、それぞれが図４Ａのセンサヘッド３１２の１つと同様もものであってもよい。特に、センサヘッド３７２Ｂおよび３７２Ｃは、車両３６０の向きに対して後方を向くように配向され、センサヘッド３７２Ａおよび３７２Ｄは、車両３６０の向きに対して前方を向くように配向される。別の実施態様では、追加のセンサは、例えば、ドアミラーに配置される。

図５には、例示的な実世界の運転環境３８０が描かれており、図６Ａは、環境３８０を走査するライダーシステム（例えば、図２および図３のライダーシステム２００、または図４Ａのライダーシステム３０２）により生成される例示的な点群６００が描かれている。図５に示されるように、環境３８０は、交通の２つの方向を分割する中央壁を有し、、各方向に複数の車線を備えた高速道路を含んでいる。図６Ａの点群６００は、ライダー装置が、各ピクセル６０１が車道の車線に関連付けられた車線標示に対応する複数のピクセルデータを取得する例示的な実施形態に対応するものである。点群６００のピクセル６０１は、全点群に対して分類操作が実行された後に得られるものであってもよい。全点群は、ライダーシステムによって取得されたシーンの３次元レンダリングを含んでもよく、分類操作は、全点群の各ピクセルを特定のタイプのピクセル（例えば、路面、車線標示、車線境界、車両、自転車、標識など）として分類してもよい。図６Ａのピクセル６０１は、全点群から車線の検出または追跡に関連するピクセルのみを含むように選択されてもよい。例えば、ピクセル６０１は、次のように指定されている場合に選択されてもよい。すなわち、車線標示のピクセル、車線境界のピクセル、または、車線標示もしくは車線境界の閾値距離内の路面のピクセルである。点群６００は、例えば、図４Ａのセンサヘッド３１２Ａおよび３１２Ｄ、または図４Ｂのセンサヘッド３７２Ａおよび３７２Ｄを用いて生成されたものであってもよい。点群６００は、複数のセンサヘッド（例えば、センサヘッド３７２Ａおよび３７２Ｄ）からのデータを融合することによって、各点に対して、共通の原点および基準視線方向に関して、範囲、方位、および仰角を割り当ててもよい。共通の原点は、複数のセンサヘッドの平均位置およびニュートラル視線方向として指定されてもよく、または、任意の他の都合のよい点および／もしく視線方向として指定されてもよい。図６Ａは視覚的な画像として描かれているが、いくつかの実施形態では、点群６００は、いかなるときにも実際にはレンダリングまたは表示されないものである。

本明細書で使用する場合、「車線境界」という用語は、例えば、白色または黄色の実線、もしくは白色または黄色の破線などの車線標示を指す場合がある。２つの隣接する車線境界は、車両が走行することができる車線の縁を定めるものである。さらに、「左境界」および「右境界」は、それぞれ、車線境界の左端および右端に対応するものであってもよい。例えば、隣接する車線境界は、車線の幅に相当する約３．６６メートル（１２フィート）の距離で分離されてもよく、左境界と右境界は、車線境界を定める一般的なマークの幅に相当する約１５．２センチメートル（６インチ）で分離されてもよい。

図６Ａに示されるように、点群６００は、車道の２つの車線および出口ランプ（exit ramp）に関連する車線標示を表している。分かりやすくするために、図６Ａに示された物体のうち少数のものだけに参照番号が付けられている。図１に戻って、点群６００内の物体の明確なもの（例えば、ピクセル６０１）は、知覚コンポーネント１０２によって識別され得る。例えば、知覚コンポーネント１０２は、点群６００の地表面の走査線における実質的なギャップおよび／または他の不連続性を検出し、それらの不連続性の近傍にある点のグループを別個の物体として識別してもよい。知覚コンポーネント１０２は、任意の適切な規則、アルゴリズム、またはモデルを用いて、どの点が同じ物体に属するかを決定してもよい。物体が識別されると、知覚コンポーネント１０２および／または図１の車線追跡および予測モジュール１０５は、点群６００と同様の将来の点群にわたって（すなわち、複数の点群フレームにわたって）物体を分類および／または追跡することを試みてもよい。

より具体的には、知覚コンポーネント１０２は、点群６００を受信し、そこに表される各ピクセル（例えば、ピクセル６０１）を車線標示として識別してもよい。いくつかの実施形態では、点群６００の各ピクセルは、既定の識別情報を伴って知覚コンポーネント１０２に到着し、それによって、知覚コンポーネント１０２は車線標示ピクセルを自動的に関連付けるものであってもよい。しかし、図６Ａに示されるように、複数のピクセル（例えば、ピクセル６０１）のそのようなばらばらな関連付けは、車両が車道に沿って移動する際に車両を誘導するには不十分である可能性がある。車両制御ユニット（例えば、車両制御コンポーネント１０７）は、車線標示ピクセル間のギャップを誤認し、車両に予期せぬ旋回、ブレーキ、加速、および／または他の任意の制御操作をさせる可能性がある。そのような異常な制御動作を回避するために、知覚コンポーネント１０２、具体的には車線標示検出モジュール１０４は、点群６００に表されたピクセル同士をリンクして、実際の車線標示の近似を作成してもよい。近似された車線標示により、知覚コンポーネント１０２は、車道の車線内の車両の位置を正確に反映する知覚信号１０３を生成し、車両制御コンポーネント１０７に送信してもよい。

図１の車線標示検出モジュール１０４は、図６Ｂに図示された例示的なリンク方法６０２に従って車線標示ピクセルをリンクしてもよい。一般に、例示的なリンク方法６０２は、開始ピクセルを選択し、開始ピクセルに最も近いピクセルを探索し、それら２つのピクセルをリンクさせることを含む。この例示的なリンク方法６０２は、点群（例えば、点群６００）に含まれる全てのピクセルがリンクされるまで継続されるものであってもよい。その結果、この例示的なリンク方法６０２は、車線標示位置の粗い推定を提供することになる。この推定は、車線検出モジュール１０４が後の段階で改善することができる。

より具体的には、車線検出モジュール１０４は、開始ピクセル６０３を選択し、開始ピクセル６０３の周りに境界ボックス６０４を構築することによって例示的なリンク方法６０２を開始するものであってもよい。図６Ｂに例示された開始ピクセル６０３は、車両に最も近接したピクセルではないが、車線検出モジュール１０４は、車両に近接したピクセルを優先して開始ピクセルとすることができることを理解されたい。さらに、車線検出モジュール１０４は、開始ピクセル６０３の周囲の任意の点で、かつ任意の適切なサイズで境界ボックス５０４を構築してもよい。

いくつかの実施形態において、車線検出モジュール１０４は、境界ボックス６０４が一方向に偏るように境界ボックス６０４を構築してもよい。例えば、車線検出モジュール１０４は、境界ボックス６０４が一端に開始ピクセル６０３を含み、他端が車両の移動方向に車両から離れる方向に延びるように境界ボックス６０４を構築してもよい（例えば、「前方バイアス」）。前方バイアスを使用すると、車線検出モジュール１０４は、車両の前方に位置するピクセルをより容易にリンクすることができ、したがって、車両の移動方向にピクセルを効率的にリンクすることができる。境界ボックス６０４は、図６Ｂでは矩形として図示されているが、境界ボックス６０４は、円、楕円、多角形、または任意の他の適切な形状として構築されてもよいものである。

境界ボックス６０４を構築した後、車線検出モジュール１０４は、近接ピクセルを探して境界ボックス６０４によって囲まれた領域を探索してもよい。車線検出モジュール１０４は、境界ボックス６０４内の近接ピクセル６０５の位置を特定し、近接ピクセル６０５と開始ピクセル６０３との間の距離を測定してもよい。いくつかの実施形態において、境界ボックス６０４は、開始ピクセル６０３および複数の他のピクセルを囲むことができる。これらの実施形態において、車線検出モジュール１０４は、複数の他のピクセルのそれぞれの位置を特定し、開始ピクセル６０３と複数の他のピクセルのそれぞれとの間のそれぞれの距離を測定し、開始ピクセルからの最小のそれぞれの距離を有する複数の他のピクセルのそれぞれのピクセルを決定してもよい。そして、車線検出モジュール１０４4は、開始ピクセルからのそれぞれの距離が最小のそれぞれのピクセルを開始ピクセルにリンクさせてもよい。しかしながら、拡大図６０６に示すように、車線検出モジュール１０４が境界ボックス６０４内の単一のピクセル（例えば、近傍ピクセル６０５）のみを検出する場合、モジュール１０４は、開始ピクセル６０３を近傍ピクセル６０５と自動的にリンクしてもよい。

一旦リンクされると、車線検出モジュール１０４は、以後、開始ピクセル６０３と近傍ピクセル６０５をリンクされたグループとして参照することができる。例えば、図６Ｂに示されるように、車線検出モジュール１０４は、他のピクセル、例えばピクセル６０７、が共有しない類似のパターンによってリンクされたグループ（６０３、６０５）を識別してもよい。リンクされたピクセルグループは、車線検出モジュール１０４がリンクされたピクセル同士を正確に識別することができるように、同様のタグ、色、および／または任意の他の適切な表示によって識別されるものであってもよい。

次に、車線検出モジュール１０４は、例えば、近傍ピクセル６０５の周囲に境界ボックスを構築して、他の近傍ピクセル（例えば、ピクセル６０７）を探索することによって、例示的なリンク方法６０２を進めてもよい。車線検出モジュール１０４は、車線検出モジュール１０４がピクセルの周りに境界ボックスを構築し、他のピクセルが境界ボックス内に現れなくなるまで、例示的なリンク方法６０２を反復して実行してもよい。したがって、車線検出モジュール１０４は、開始ピクセル６０８ａ～６０８ｅの各々を選択し、上述した例示的なリンク方法６０２と整合的に、開始ピクセル６０８ａ～６０８ｅにピクセルを反復的にリンクし、リンクセクション６０９ａ～６０９ｅの各々を構築するものであってもよい。

代わりに、車線検出モジュール１０４は、図６Ｃに示された例示的なリンク方法６１０に基づいて、点群（例えば、点群６００）のピクセル同士をリンクしてもよい。一般に、例示的なリンク方法６１０は、車線検出モジュール１０４が、ピクセルのそれぞれを囲む境界領域に基づいて、点群のピクセルをリンクすることを含む。例示的な拡大図６１１に示すように、車線検出モジュール１０４は、境界領域６１４を定める関連する距離６１３を有するピクセル６１２を受信してもよい。境界領域６１４は、車線標示の境界の予測される位置を表すものであってもよい。例えば、ピクセル６１２は、車線標示の境界が個々のピクセル６１２の境界を越えて延びるように、車線標示（例えば、ペイントストライプ）内の点を表すことができる。したがって、車線検出モジュール１０４は、車線標示の境界の予測される位置を定める領域内で、近くのピクセルを探索してもよい。ピクセルが境界領域６１４の外側に外れる場合、車線検出モジュール１０４は、そのピクセルがピクセル６１２に対応する特定の車線標示と関連しないと結論付けてもよい。

例示的な拡大図６１１に示されるように、車線検出モジュール１０４は、最初に定められた境界領域６１４内に近くのピクセルを見つけられない場合がある。しかしながら、車線標示は、通常、単一のピクセルによって識別される領域よりも大きいので、車線検出モジュール１０４は、ピクセル６１２の車線標示に対応するより多くのピクセルの探索を試みて、境界領域６１４を拡張してもよい。例えば、車線検出モジュール１０４は、領域成長アルゴリズムを境界領域６１４に適用することによって境界領域６１４を拡張してもよい。

一旦拡張されると、車線検出モジュール１０４は、境界領域６１４を解析して、境界領域６１４のいずれの境界も越えないピクセルを探索してもよい。車線検出モジュール１０４が、境界領域６１４内でいずれの境界も越えないピクセルを見つけた場合、車線検出モジュール１０４は、２つのピクセルをリンクさせてもよい。一例として、車線検出モジュール１０４は、ピクセル６１２の境界領域６１４を拡張し、境界領域６１４の境界内に位置するピクセルを反復的にリンクさせてもよい。いくつかの（図示の例では３個の）ピクセルをリンクした後、車線検出モジュール１０４は、境界領域６１４を拡張し、ピクセル６１５に到達するものであってもよい。ピクセル６１５は、境界領域６１４のいずれの境界も越えていないので、車線検出モジュール１０４は、ピクセル６１５をピクセル６１２にリンクされたピクセルの連鎖にリンクさせてもよい。

しかし、上述したように、例示的なリンク方法６１０では、車線検出モジュール１０４が境界領域に基づく連結からピクセルを除外する結果になる場合がある。例えば、線検出モジュール１０４がピクセル６１６に到達し、境界領域６２１を拡張するとき、車線検出モジュール１０４は、境界領域６２１によって包含される領域を解析し、ピクセル６１７および６１８の位置を特定してもよい。例示的な拡大図６１９に示すように、ピクセル６１７が境界領域６２１内に入ることは明らかであるが、ピクセル６１８は境界領域６２１の１つの境界と交わっている。したがって、車線検出モジュール１０４がピクセル（６１７、６１８）を解析するとき、車線検出モジュール１０４は、ピクセル６１７を（同様の模様によって示される）ピクセル６１６とリンクし、ピクセル６１８を（異なる模様によって示される）ピクセル６１６から分離するものであってもよい。上述のように、リンクされたピクセルグループは、車線検出モジュール１０４がリンクされたピクセル同士を正確に識別し得るように、類似のタグ、色、および／または他の任意の適切な表示によって識別されてもよいものである。

ピクセル６１７をピクセル６１６とリンクさせた後、車線検出モジュール１０４は、ピクセル６１７に関連する境界領域６２０に領域成長アルゴリズムを適用し、同様にピクセル６１８に関連する別個の境界領域６２２に領域成長アルゴリズムを適用して、ピクセル６１７および６１６を含むものから別のリンクされたピクセルグループを形成してもよい。このように、車線検出モジュール１０４は、予測される境界領域に基づいてピクセルを反復的に検出し、リンクさせてもよい。したがって、車線検出モジュール１０４は、同様に、境界領域６２３ａ～６２３ｃに関連するピクセルをリンクさせてもよい。

加えてまたは代わりに、車線検出モジュール１０４は、図６Ｄに例示される例示的なリンク方法６２４に基づいて、点群（例えば、点群６００）のピクセル同士をリンクしてもよい。一般に、例示的なリンク方法６２４は、隣接するピクセル間の接続方向を予測することと、予測された接続方向に位置するピクセルをリンクさせることとを含む。いくつかの実施形態において、ピクセルの予測される接続方向は、例えば、このピクセルに関連するピクセルのリンクセクションに含まれる他のピクセルの先行する接続方向に基づく、ピクセルの既定の性質であってもよい。あるいは、予測される接続方向は、車線検出モジュール１０４によって使用される機械学習モデルに基づいてピクセルに割り当てられる性質であってもよい。

例えば、例示的な拡大図６２５に示されるように、車線検出モジュール１０４は、ピクセル６２６を別のピクセル６２７にリンクすることを試みてもよい。ピクセル６２６は、ピクセル６２８のリンクセクションと関連してもよく、（ピクセル６２６の模様によって表されるような）予測される接続方向を有してもよい。ピクセル６２６の予測される接続方向は、ピクセル６２６が、ピクセル６２６の前方に直接位置するピクセルに接続される可能性が高いことを示していてもよい。ピクセル６２６に関連する予測された接続方向に従って、車線検出モジュール１０４は、近くの接続ピクセルを探索するためにピクセル６２６の周りに前方に偏らせて境界ボックス６２９を構築してもよい。図示されるように、境界ボックス６２９は、ピクセル６２７を含んでもよく、車線検出モジュール１０４は、２つのピクセル（６２６、６２７）をリンクすることを決定してもよい。

その後、車線検出モジュール１０４は、ピクセル６２７をピクセル６２８のリンクセクションに含め、ピクセル６２７に対する近くのピクセルを見つけることを試みてもよい。しかしながら、ピクセル６２７は、（ピクセル６２７に模様がないことによって表されるように）予測された接続方向を含まなくてもよい。上述したように、各ピクセルは、車線検出モジュール１０４によって受信されたときに予測される接続方向を含むものであってもよく、または車線検出モジュール１０４が、機械学習モデルに基づいて各ピクセルに対して予測される接続方向を生成するものであってもよい。したがって、いくつかの実施形態において、車線検出モジュール１０４は、機械学習モデルに基づいて、ピクセル６２７の近接半径内にピクセルが存在しないため、ピクセル６２７が予測される接続方向を有していないと決定してもよい。さらに、これらの実施形態において、車線検出モジュール１０４は、ピクセル６２７の近接半径内の全てのピクセルが、ピクセル６２７からピクセル６２８のリンクセクションの残りの部分と十分に同様の方向にないため、ピクセル６２７は予測される接続方向を有しないと決定してもよい。例えば、車線検出モジュール１０４は、ピクセル６２７の右に近接するピクセルがあることを検出する可能性もある。しかし、ピクセル６２８のリンクセクションのピクセルの全てが実質的に直線状にリンクされているので、車線検出モジュール１０４は、ピクセル６２７の右に近接するピクセルがリンクされると、車線標示の方向の変化がきつすぎることになるため、そのピクセルは、ピクセル６２８のリンクセクションにリンクされるべきではないと決定してもよい。

別の例として、例示的な拡大図６３０に示されるように、車線検出モジュール１０４は、ピクセル６３１を別のピクセル６３２とリンクすることを試みてもよい。ピクセル６３１は、ピクセル６３３のリンクセクションと関連付けられてもよく、（ピクセル６３１の模様によって表されるような）予測される接続方向を有してもよい。ピクセル６３１の予測される接続方向は、ピクセル６３１が、ピクセル６３１の右側前方に位置するピクセルに接続される可能性が高いことを示すものであってもよい。ピクセル６３１に関連する予測される接続方向に従って、車線検出モジュール１０４は、ピクセル６３１の周りに右側前方に偏らせて境界ボックス６３４を構築し、近くの接続ピクセルを探索してもよい。図示のように、境界ボックス６３４は、ピクセル６３２を含んでもよく、車線検出モジュール１０４は、２つのピクセル（６３１、６３２）をリンクすることを決定してもよい。

その後、車線検出モジュール１０４は、ピクセル６３２をピクセル６３３のリンクセクションに含め、ピクセル６３２に対して近くのピクセルを見つけることを試みてもよい。いくつかの実施形態において、車線検出モジュール１０４は、機械学習モデルに基づいて、ピクセル６３２が、ピクセル６３１およびピクセル６３３のリンクセクション内の他のピクセルと同様に、右側前方への予測される接続方向を有すると決定してもよい。その後、車線検出モジュール１０４は、予測される接続方向および結果として得られる境界ボックスに含まれるピクセルに基づいて、ピクセル６３３のリンクセクションにピクセルを反復的にリンクさせてもよい。いずれにしても、車線検出モジュール１０４は、同様に、点群（例えば、点群６００）からのピクセルを結合して、ピクセル６３４ａ～６３４ｄのリンクセクションを生成してもよい。

実装されたリンク方法（例えば、例示的なリンク方法６０２、６１０、および６２４）に関わらず、車線検出モジュール１０４は、その後、リンクセクションをサブセクションに細分化してもよい。細分化によって、後続の処理タスクが必要とする処理時間および電力を低減するように、より直線的なサブセクションを提供してもよい。したがって、車線検出モジュール１０４は、図６Ｅに例示される例示的な細分化方法６３５を実行してもよい。図６Ｅに図示されるように、車線検出モジュール１０４は、ピクセルのリンクセクション（例えば、図６Ｄのピクセルのリンクセクション６３４ｄ）の開始ピクセル６３６および終了ピクセル６３８を識別することによって、例示的な細分化方法６３５を開始することができる。そして、車線検出モジュール１０４は、開始ピクセル６３６と終了ピクセル６３８との間にテストライン６３９を構築し、テストライン６３９からのピクセルのリンクセクションの各ピクセルの距離を測定してもよい。

例えば、例示的な拡大図６４０に示すように、車線検出モジュール１０４は、テストライン６３９からのそれぞれの距離（６４３、６４４）を測定することによって、テストライン６３９を参照して第１のピクセル６４１および第２のピクセル６４２を解析してもよい。車線検出モジュール１０４は、測定された距離（６４３、６４４）を閾値距離と比較してもよい。閾値距離は、機械学習モデルの一部として予め決定されてもよく、または動的に決定されてもよい。車線検出モジュール１０４が、第１のピクセル６４１に関連する距離６４３が閾値距離未満であると判定した場合、車線検出モジュール１０４は、第１のピクセル６４１を、サブセクション６４５ａにおいて、開始ピクセル６３６および距離の閾値条件を満たすその間の任意の他のピクセルとリンクすべきであると決定するものであってもよい。対照的に、車線検出モジュール１０４が、第２のピクセル６４２に関連する距離６４４が閾値距離より大きいと判定した場合、車線検出モジュール１０４は、第２のピクセル６４２を第１のピクセル６４１とは異なるサブセクション６４５ｂに含めてもよい。

車線検出モジュール１０４は、点群に含まれるピクセルの他のすべてのリンクセクションに対して、例示的なバブル６４０に例示された例示的な細分化方法６３５を同様に実行してもよい。例えば、車線検出モジュール１０４は、開始ピクセル６４６および終了ピクセル６４７を有するピクセルのリンクセクションを評価してもよい。この状況において、車線検出モジュール１０４は、開始ピクセル６４６と終了ピクセル６４７との間の全てのピクセルが実質的に線状に並び、開始ピクセル６４６と終了ピクセル６４７との間の全てのピクセルのグループ化がサブセクション６４８にまとめられるように決定してもよい。同様に、車線検出モジュール１０４は、サブセクション６４９ａ、６４９ｂ、６５０ａ～６５０ｃ、６５１、６５２ａ、および６５２ｂ、を評価し指定することができる。

サブセクションを指定した後、車線検出モジュール１０４は、図６Ｆに示されるように、各サブセクションの主成分を決定してもよい。各サブセクションの主成分は、直線または任意の他の高次曲線であってもよい。車線検出モジュール１０４は、主成分フィッティング方法６５３に従って、サブセクションの端部ピクセル間で主成分をフィッティングしてもよい。例えば、車線検出モジュール１０４は、サブセクション６４９ａの開始ピクセル６５４ａおよび終了ピクセル６５４ｂを解析して、主成分６５５を決定してもよい。あるいは、車線検出モジュール１０４は、サブセクションの全てのピクセルを解析し、（例えば、サブセクションのピクセルへの線または曲線のフィッティングに基づいて）、サブセクションの主成分を決定してもよい。図示されるように、主成分６５５は、開始ピクセル６５４ａと終了ピクセル６５４ｂとの間の直線フィットに類似する勾配と、車両の進行方向に類似する方向とを有する。

さらに、線状でないサブセクションについても、車線検出モジュール１０４は、主成分を決定してもよい。一例として、車線検出モジュール１０４は、サブセクション６５０ｂの開始ピクセル６５６ａと終了ピクセル６５６ｂとの間に直線をフィットさせて、主成分６５７を決定してもよい。したがって、残りの全てのサブセクション（６４５ａ、６４５ｂ、６４８、６４９ｂ、６５０ａ、６５０ｃ、６５１、６５２ａ、および６５２ｂ）に対して、車線検出モジュール１０４は、主成分（６５３～６６６）を決定してもよい。重要なことに、車線検出モジュール１０４は、本明細書でさらに説明するように、主成分を生成するために使用される開始ピクセル（例えば、６５４ａ、６５６ａ）および終了ピクセル（例えば、６５４ｂ、６５６ｂ）（本明細書では、「制御点」としてさらに参照される）のそれぞれを、後の使用のためにメモリ内に格納してもよい。あるいは、車線検出モジュール１０４は、各主成分の開始点および終了点を制御点として指定してもよい。いずれにせよ、車線検出モジュール１０４は、各サブセクションの主成分を利用して、サブセクションを互いにリンクさせてもよい。

車線検出モジュール１０４は、図６Ｇに図示されたサブセクション関連付け方法６６７に従って、サブセクション同士をリンクする（本明細書では、「サブセクションを関連付ける」とも言う）ことを進めてもよい。一般に、サブセクション関連付け方法６６７は、車線検出モジュール１０４が、サブセクションの隣接する制御点間の距離および角度差を比較することを含む。例示的な拡大図６６８に示されるように、車線検出モジュール１０４は、最初に、２つのサブセクション（６４９ａ、６４９ｂ）の制御点（６７０６７１）間の距離６６９を決定してもよい。次に、車線検出モジュール１０４は、距離６６９を閾値距離と比較して、対応するサブセクション（６４９ａ、６４９ｂ）がリンクされるべきかどうかを決定してもよい。

いくつかの実施形態において、距離閾値は、下側距離閾値および上側距離閾値を含んでもよい。これらの実施形態において、距離６６９が下側距離閾値よりも小さい場合、車線検出モジュール１０４は、２つのサブセクション（６４９ａ、６４９ｂ）を自動的に連結する。対照的に、距離６６９が上側距離閾値よりも大きい場合、車線検出モジュール１０４は、２つのサブセクション（６４９ａ、６４９ｂ）を自動的に連結しない。しかし、距離６６９が下側距離閾値よりも大きくかつ上側距離閾値よりも小さいと車線検出モジュール１０４が判定した場合、車線検出モジュール１０４は、制御点（６７０、６７１）を角度閾値に関して解析してもよい。

車線検出モジュール１０４によって実行される角度閾値解析の例が、例示的な拡大図６７２に示されている。サブセクション（６４８、６４９ａ）の２つの制御点を解析するとき、車線検出モジュール１０４は、制御点を分離する距離６７３が下側距離閾値よりも大きくかつ上側距離閾値よりも小さいと判定してもよい。その結果、車線検出モジュール１０４は、制御点間の距離６７３を表す線と各サブセクション（６４８、６４９ａ）の主成分（６５５、６５８）との間の角度分離６７４を比較してもよい。制御点間の距離６７３を表す線と各主成分（６５５、６５８）との間の角度分離６７４が角度閾値よりも小さい場合、車線検出モジュール１０４は、サブセクション（６４８、６４９ａ）を自動的に連結してもよい。

別の例として、車線検出モジュール１０４は、サブセクション６４８と６５０ｂを連結することを試みてもよい。制御点のいずれかのセットの間の距離は、車線検出モジュール１０４が２つのサブセクション（６４８、６５０ｂ）の間で角度閾値解析を行うことができるように、下側距離閾値よりも大きくかつ上側距離閾値よりも小さいものであってもよい。しかし、サブセクション６４８の上部制御点からサブセクション６５０ｂの下部制御点へ引かれる線は、両方のサブセクション（６４８、６５０ｂ）の主成分（６５８、６５７）の方向に対して実質的に垂直である。したがって、車線検出モジュール１０４が、両方の主成分（６５８、６５７）の角度分離を２つのサブセクション（６４８、６５０ｂ）の制御点の間に引かれた線と比較すると、車線検出モジュール１０４は、角度分離が角度閾値よりも大きいと判定することになる。２つのサブセクション（６４８、６５０ｂ）の間に引かれた線が角度閾値よりも大きいと判定することによって、車線検出モジュール１０４は、サブセクション（６４８、６５０ｂ）を自動的に連結しない。このようにして、車線検出モジュール１０４は、車道として非現実的な角度のまたは「鋭い」車線標示を表しているサブセクション、または連結を回避しなければ自律車両が車線標示内で操縦するために危険な制御操作を行うことになるサブセクションの連結を回避することができる。

車線検出モジュール１０４は、同様に、各サブセクションの制御点を評価して、サブセクション間の適切な関連付けを決定してもよい。したがって、図示されているように、車線検出モジュール１０４は、サブセクション６４８、６４９ａ、および６４９ｂを連結してもよく、関連する線６７５ａおよび６７５ｂによりサブセクション６５０ａ、６５０ｂ、および６５０ｃを連結してもよく、関連する線６７５ｃおよび６７５ｄによりサブセクション６５０ｃ、６４５ａ、および６４５ｂを連結してもよく、関連線６７５ｅおよび６７５ｆを介してサブセクション６５１、６５２ａ、および６５２ｂを結合してもよい。さらに、サブセクション６５０ｃとサブセクション６５０ｂおよびサブセクション６４５ａとの関連付けによって示されるように、車線検出モジュール１０４は、１つのサブセクションを複数の他のサブセクションと関連付け、１つの制御点を複数の他の制御点と関連付けるものであってもよい。

最後に、車線検出モジュール１０４は、リンクされたサブセクションの制御点を介してスプラインを適合させてもよい。図６Ｈに示されるように、車線検出モジュール１０４は、制御点６７７ａ～６７７ｆを解析して、リンクされたサブセクション（例えば、サブセクション６４８）によって示される車線標示を表すスプライン６７８を適合させるものであってもよい。同様に、車線検出モジュール１０４は、制御点６７９ａ～６７９ｅ、６７９ｅ～６７９ｆ、６７９ｅ～６７９ｊ、および６８１ａ～６８１ｆを解析して、スプライン６８０ａ～６８０ｃ、および６８２をそれぞれ適合させてもよい。一般に、車線検出モジュール１０４は、スプラインを生成するために任意の適切なスプライン法を使用してもよい。いくつかの実施形態では、車線検出モジュール１０４は、制御点を通るスプラインを生成するためにキャットムル‐ロムスプライン法を使用してもよい。

スプラインを適合させるために制御点６７７ａ～６７７ｆのみを使用することによって、スプラインを生成するために従来使用されていた点の数を劇的に削減し、したがって、結果として得られるスプライン６７８を生成するためのシステムに対する処理要求を劇的に減少させることができる。その結果、（各サブセクションのピクセルを使用するのではなく）各サブセクションの制御点のみを使用することにより、図６Ｈに例示されたスプライン作成方法６７６は、車線標示を表すスプラインを適合させるために必要な時間および処理能力を削減することによって、従来の車線識別技術に対する技術的改善を実現するものである。

他の実施形態では、車線検出モジュール１０４は、グラフ理論法によってサブセクションの関連付けおよびスプライン作成を実行してもよい。車線検出モジュール１０４は、各サブセクションの制御点を用いてグラフを構築することから開始してもよい。一例として、車線検出モジュール１０４は、制御点をノードとして利用してもよく、グラフを生成するために各ノード間に線を構築してもよい。各ノードを接続する線は、グラフのエッジを構成してもよく、グラフは、すべてのノードがエッジによってすべての他のノードに接続されることを意味する「クリーク」または「完全グラフ」であってもよい。さらに、車線検出モジュール１０４は、ノードの各対の間にスプラインを適合させることによって、各エッジを形成してもよい。車線検出モジュール１０４は、３次螺旋などの任意の適切なスプラインを使用してもよい。３次螺旋では、曲率Ｋが螺旋に沿った距離ｓの関数として
Ｋ（ｓ）＝ａ_０＋ａ_１ ｓ＋ａ_２ ｓ^２＋ａ_３ ｓ^３
と表される。

車線検出モジュール１０４がグラフを生成した後、車線検出モジュール１０４は、グラフ内の各エッジに対するコストを決定してもよい。車線検出モジュール１０４は、いくつかの制約条件に基づいてコストを決定してもよい。例えば、第１の制約は、障壁を横断するエッジにペナルティを課すことであってもよく、これらのエッジが高い関連コストを有するようにするものである。分類の間、車線に関連するピクセルが識別されるとき、障壁も識別される。障壁は、道路の端／境界における区画、または異なる方向に進む道路間の領域に対応する。したがって、車線検出モジュール１０４は、障壁を横切る任意のエッジに高いコストを適用してもよい。

第２の制約は、車線標示を通過するエッジにインセンティブを与えることであってもよい。一般に、識別された車線標示に従うか、そうでなければ識別された車線標示に実質的に平行であるエッジは、実際に存在する車線標示の間の接続を示すため、低コストに相当する。これに対応して、車線検出モジュール１０４は、識別された車線標示に従うエッジに低いコストを与えてもよい。

第３の制約は、全てのエッジに関連するドライバビリティを評価することであってよい。車線検出モジュール１０４は、道路の種類を考慮して、エッジの鋭さ、曲率などに基づいて、エッジにコストを適用してもよい。高速道路の場合、鋭いエッジには高いコストが適用される（例えば、急激な横方向の変化には高いコストが適用される）。対照的に、都市環境の場合、鋭いエッジは、走行速度が低いことにより車両がそのような急速な横方向の変化を合理的に実行する能力が増大する結果、比較的低いコストを有する。このように、車線検出モジュール１０４は、走行環境に基づいて、各エッジに対してより高いまたはより低いコスト評価を適用することができる。

車線検出モジュール１０４がグラフを確立し、グラフのノードに全てのコストを適用すると、車線検出モジュール１０４は、グラフを辿る最低コストの経路を決定してもよい。車線検出モジュール１０４は、車線検出モジュール１０４が起点ノードから目標ノードまでグラフを辿るように、グラフ内の起点ノードおよび目標ノードを指定してもよい。次に、車線検出モジュール１０４は、車両の関心領域（例えば、車両の現在位置から±１００ｍ）を特定し、車両の後方１００ｍに起点ノードを設け、車両の前方＋１００ｍに目標ノードを設けてもよい。起点ノードを車両の後方に設けることにより、リンクされた車線標示の一貫性が確保され、より高い予測能力を得ることができる。

最後に、車線検出モジュール１０４は、グラフ理論を適用して、様々なノードを介してグラフを辿る最低コストの経路を見つけることができる。例えば、グラフは、行および列がノードに対応し、行列の各セルが対応するコストである行列として表されてもよい。さらに、車線検出モジュール１０４は、車線の分岐および合流を考慮するために、全てのノードが最大で２つのノードに入るエッジと最大で２つのノードから出るエッジを有するようにグラフに制約を適用してもよい。車線検出モジュール１０４は、最低コストの経路を見つけるために、任意の標準的なグラフ・トラバーサル法（例えば、ダイクストラのアルゴリズム）を利用してもよい。適切なグラフ・トラバーサル法の適用に続いて、車線検出モジュール１０４は、車道の車線標示に対応する最低コストパスの経路の集合を生成してもよい。したがって、最低コストの経路は、グラフに含まれる各ノードを同時にカバーしながらグラフを辿る低コストの経路の集合を表すことができる。低コストの経路の各々は、１つまたは複数のノードのペアを含んでもよく、ノードの各ペアは、スプラインによって連結されてもよい。車線の表現を形成するため、低コストの経路のノードのペアの間のスプライン同士が連結されるものであってもよい。

適用されるスプライン法にかかわらず、車線検出モジュール１０４が点群（例えば、点群６００）に適合する１つまたは複数のスプラインを決定すると、車線検出モジュール１０４は、点群および関連するスプラインを知覚信号１０３に含めてもよい。図１を参照して上述したように、知覚信号は、車両制御コンポーネント１０７および車線追跡および予測モジュール１０５に送信されてもよい。したがって、車線追跡および予測モジュール１０５は、車両が車道に沿って前進する際に車道の車線の位置を追跡および予測する際に使用するために、１つまたは複数のスプラインを受信してもよい。

したがって、車線追跡および予測モジュール１０５は、図７Ａに示される例示的な車線標示延長方法７００を実行してもよい。一般的に言えば、例示的な車線標示延長方法７００は、車両のシミュレーションされた運動、先行する車線標示検出、および先行する車線標示予測に基づいて、車線検出モジュール１０４から受信したスプラインを車両からさらに離れるように（車両の進行方向に）延長することを含む。車両から離れる方向にスプラインを延長すること、および車両のシミュレーションされた運動は、一連の位置モデル７０２、７０４、および７０６に図示されている。図７Ａを参照して実行される全ての処理および操作は、車両の実際の運動の前にまたは実際の運動がなくとも実行され得ることを理解されたい。

位置モデル７０２を参照して、車線追跡および予測モジュール１０５は、道路の車線標示を表す適合スプライン７０８を示す知覚信号１０３に含まれるデータを受信してもよい。車線追跡および予測モジュール１０５はまた、適合スプライン７０８を含む車両７１２のセンサ（例えば、図１のセンサ１、センサ２ 、センサＮ）の視野の少なくとも一部にわたって延びる第１の距離基準線７１０ａ～７１０ｆの集合を表示および／または構築してもよい。距離基準線７１０ａ～７１０ｆの第１の集合は、車両７１２に関する選択された距離を表すために車線追跡および予測モジュール１０５によって使用されるデジタル構成物であってもよく、車両の実際の環境（例えば、環境３８０）には投影されない、もしくは他の方法でレンダリングされないことは理解されよう。

位置モデル７０４に図示されているように、車線追跡および予測モジュール１０５は、適合スプライン７０８および距離基準線７１０ａ～７１０ｆの第１の集合に対して車両７１２の位置を前進させてもよい。例えば、車線追跡および予測モジュール１０５は、車両７１２を位置モデル７０２に図示された位置から第１の距離基準線７１０ａの真上に位置変更してもよい。加えてまたは代わりに、車線追跡および予測モジュール１０５は、車両７１２を移動させることなく、適合スプライン７０８および第１の距離基準線７１０ａ～７１０ｆの集合を下方にまとめてシフトさせてもよい。いずれにしても、車線追跡および予測モジュール１０５は、車両７１２が再配置されると、位置モデル７０６に図示されているように、適合スプライン７０８を延長することを進めてもよい。

位置モデル７０６は、一般に、車線追跡および予測モジュール１０５の車両７１２のセンサの範囲を超えた距離の車線標示位置の予測を表す。位置モデル７０６は、車両７１２と、距離基準線７１０ｂ～７１０ｇの第２の集合と、延長スプライン７１４とを含む。簡単のために、距離基準線７１０ｂ～７１０ｇの第２の集合は、距離基準線７１０ａ～７１０ｆの第１の集合からのいくつかの距離基準線（例えば、７１０ｂ～７１０ｆ）を含む。しかし、距離線７１０ｂ～７１０ｇの第２の集合のうちの少なくとも１つ（例えば、７１０ｇ）は、車線追跡および予測モジュール１０５が位置モデル７０６を生成する時点で車両７１２センサの範囲外の距離を表していてもよい。したがって、距離基準線７１０ｂ～７１０ｇの第２の集合は、距離基準線７１０ａ～７１０ｇの第１の集合からの距離基準線の一部または全部を含んでもよいことを理解されたい。

このように、車線追跡および予測モジュール１０５は、以前の車線標示検出および車線標示位置の以前の予測に基づいて、車両７１２のセンサの範囲を超える車線標示の位置を予測するように構成されてもよい。例えば、車線追跡および予測モジュール１０５は、車両７１２の前進運動および適合スプライン７０８を解析して、車線標示が車両７１２に対して右側に湾曲していることを認識してもよい。事前の車線標示位置予測に基づいて、車線追跡および予測モジュール１０５は、そのような湾曲を解釈して、将来検出される車線標示は、車両７１２の位置に対してさらに右側に位置する可能性があることを示してもよい。

さらに、いくつかの実施形態において、車線追跡および予測モジュール１０５は、適合スプライン７０８を先行スプラインに類似していると認識してもよい。例えば、車線追跡および予測モジュール１０５は、位置情報（例えば、ＧＰＳ座標）および／またはスプライン比較アルゴリズム（例えば、スプライン曲率、スプライン長、類似スプラインの数学的定式化の比較等）を利用して、適合スプライン７０８を先行スプラインに関連付けることができる。そのような先行スプラインが識別される場合、車線追跡および予測モジュール１０５は、適合スプライン７０８に関連する任意の予測（例えば、延長スプライン７１４）を、先行スプラインの予測されたスプライン延長または観測された車線標示位置と比較し得る。本明細書で使用されるように、「先行」または「類似」スプラインは、例えば、上述のスプライン生成方法および本明細書に記載の例示的スプライン延長方法によって生成および／または延長／予測された例示的スプラインより前の時間に車線追跡および予測モジュール１０５によって生成されたスプラインを参照するものであってもよい。

したがって、車線追跡および予測モジュール１０５は、延張スプライン７１４を生成するために、以前の車線標示検出および車線標示位置の以前の予測を利用してもよい。実施形態において、延張スプライン７１４は、適合スプライン７０８および延長スプライン部分（例えば、距離線７１０ｆ～７１０ｇの間に延在する延長スプライン７１４の部分）を含んでもよい。あるいは、図示されているように、延長スプライン７１４は、車線追跡および予測モジュール１０５によって生成される新規の独立したスプラインであってもよい。車線追跡および予測モジュール１０５は、例えば、適合スプライン７０８の残りの制御点（例えば、距離線７１０ｂ～７１０ｆ内の適合スプライン７０８の制御点）と車両７１２センサの到達範囲を超えた距離の１つまたは複数の予測される制御点との間でスプラインを適合することによって、新しい単独のスプラインとして延長スプライン７１４を生成し得る。予測される制御点は、車線追跡および予測モジュール１０５の、上述したデータのいずれかに基づく車線標示の可能性が高い位置に関連する予測を表すものであってもよい。

車線追跡および予測モジュール１０５は、予測された結果（例えば、延長スプライン７１４）を検出された結果と比較することによって、上述した予測方法を改善することができる。例えば、上述の予測の後のある時間に、車両７１２は、距離線７１０ａと７１０ｂの間のギャップによって表される距離を横断することがある。そのとき、距離線７１０ｆと７１０ｇとの間のギャップによって表される距離内の物体は、車両７１２のセンサの範囲内にある可能性がある。したがって、車両７１２の知覚コンポーネント（例えば、車線標示検出モジュール１０４）は、これらの物体を表すデータを受信して解析し、車道上の検出された車線標示に対応する新しいスプラインを生成してもよい。

一般に、予測された結果と検出された結果とを比較することは、それぞれのデータセットを最も忠実に表現する方法で、両方の結果の集合を量子化することを含む。これは、検出された結果が車両の物理的環境における車線標示を表すピクセル（例えば、ピクセル６０１）であってもよく、一方、予測された結果は、上述の予測方法に従って発見的原理および事前観測から推測されるデータであってもよいため、難しい問題であることが分かる場合もある。したがって、車線追跡および予測モジュール１０５は、予測された結果および検出された結果の統計的解釈を利用して、実行可能な数学的定式化を達成するものであってもよい。

例えば、図７Ｂを参照すると、車線追跡および予測モジュール１０５は、予測された車線標示の位置モデル７２０を生成してもよい。予測された車線標示の位置モデル７２０は、距離線７２２の集合を含んでもよく、各距離線は、車両からの別個の距離を表すものである。予測された車線標示の位置モデル７２０はまた、第１の予測スプライン７２４ａおよび第２の予測スプライン７２４ｂを含んでもよい。第１の予測スプライン７２４ａおよび第２の予測スプライン７２４ｂの各々の全てまたは一部は、道路の車線標示の予測位置を表してもよい。上述したように、第１の予測スプライン７２４ａまたは第２の予測スプライン７２４ｂのいずれか一方の、車線標示の予測された位置ではない部分は、道路の車線標示の事前に検出された位置を表していてもよい。

重要なことは、第１の予測スプライン７２４ａおよび第２の予測スプライン７２４ｂの予測された部分は、車両センサからの受信データに基づいていない可能性があることである。その結果、車線追跡および予測モジュール１０５は、スプラインの予測された部分を生成するために使用される任意の制御点の位置を正確に表すことができない可能性がある。しかしながら、車線追跡および予測モジュール１０５は、分布モデル７３０に例示されるように、スプライン７２４ａ、７２４ｂの分布プロットを生成してもよい。

分布モデル７３０は、単位線７３２ａの集合と、横方向分割７３２ｂの集合とを含んでもよい。単位線７３２ａの集合は、車線追跡および予測モジュール１０５の解析の文脈における、測定のための任意の適切な単位の離散的集合を表わしてもよい。例えば、単位線７３２ａの集合は、横方向分割のペアのそれぞれに含まれる対応するスプライン７２４ａ、７２４ｂの面積百分率を表わすものであってもよい。

横方向分割の集合７３２ｂは、車両センサの水平方向の動眼視野にわたる離散的な横方向の距離の集合を表すものであってもよい。例えば、図３に示されるように、ライダーシステムが動眼視野を走査すると、車両の知覚コンポーネントは、ライダーシステムの角度変位と動眼視野にわたる対応する横方向距離とを相関させることができる。したがって、車両の知覚コンポーネントは、横方向分割７３２ｂの集合を記録してもよく、車線追跡および予測モジュール１０５は、分布モデル７３０を作成する際に、単位線７３２ａの集合上に横方向分割７３２ｂの集合を重ね合わせてもよい。

単位線７３２ａの集合および横方向分割７３２ｂの集合の両方は、車両（例えば、車両７１２）に関して離散的な距離を表すために、車線標示検出モジュール１０４および／または車線追跡および予測モジュール１０５によって生成されるデジタル構成物であってもよい。これらの構成要素（７３２ａ、７３２ｂ）は、例示の目的でのみ使用され、車両の実際の環境（例えば、環境３８０）には投影されない、または他の方法でレンダリングされないものであってもよい。

分布モデル７３０はまた、分布の集合７３４を含んでもよい。分布の集合７３４は、第１の分布７３６ａおよび第２の分布７３６ｂを含んでもよい。第１の分布７３６ａは、第１の予測スプライン７２４ａに対応してもよく、第２の分布７３６ｂは、第２の予測スプライン７２４ｂに対応してもよい。図７Ｂには、２つの分布（例えば、７３６ａ、７３６ｂ）を含むものとして図示されているが、車線追跡および予測モジュール１０５は、任意の数の予測スプラインおよび対応する分布を生成してもよいことが理解されよう。実施形態において、分布の集合７３４の各分布は、ガウス核であってもよい。さらに、実施形態において、分布の集合７３４における各分布は、各分布が同一の領域を囲むように正規化されてもよい。

この文脈において、第１の分布７３６ａは、横方向分割のそれぞれのペア内で第１の分布７３６ａによって囲まれる面積のそれぞれの百分率が、横方向分割のそれぞれのペアによって囲まれる第１の予測スプライン７２４ａのそれぞれの百分率と同一であり得るため、第１の予測スプライン７２４ａに「対応する」と言うことができる。例えば、第２の分布７３６ｂは、第２の予測スプライン７２４ｂが同様に横方向分割のペア内のスプラインの大部分を含むので、横方向分割の１組のペア内に主に集中した大きなピーク部分を有してもよい。図示されるように、横方向分割の集合７３２ｂは、予測された車線標示位置モデル７２０に含まれなくてもよい。それにもかかわらず、車線追跡および予測モジュール１０５は、分布モデル７３０を生成するために予測された車線標示位置モデル７２０を解析する際に、横方向分割の集合７３２ｂを生成するために使用されたデータにアクセスしてもよい。

これに対応して、車両の知覚コンポーネントは、更新された位置モデル７４０を生成してもよい。更新された位置モデル７４０は、距離線７２２の集合、横方向分割７３２ｂの集合、車線標示インジケータ７４２ａの第１の集合、および車線標示インジケータ７４２ｂの第２の集合を含んでもよい。車線標示インジケータ７４２ａの第１の集合および車線標示インジケータ７４２ｂの第２の集合は、検出された車線標示の位置を表し、車線標示検出モジュール１０４によって生成されてもよい。図示されるように、車線標示インジケータの第１の集合７４２ａおよび車線標示インジケータの第２の集合７４２ｂに含まれる車線標示インジケータの各々は、横方向分割の１つのペアによって定義されるとおりに、更新された位置モデル７４０の１つの領域内に入る。

有用なことに、車線標示インジケータの第１の集合７４２ａおよび車線標示インジケータの第２の集合７４２ｂは、容易に定量化可能なデータの集合を表している。車線追跡および予測モジュール１０５は、分布モデル７３０の生成と同様に、横方向分割のペアを利用して、横方向分割のそれぞれのペアによって定義されるとおりに、更新された位置モデル７４０のそれぞれの領域に存在する車線標示インジケータの数を計数してもよい。各車線標示インジケータが計数された後、車線追跡および予測モジュール１０５は、ヒストグラムモデル７５０によって示されるように、データを表すためにヒストグラムを生成してもよい。

ヒストグラムモデル７５０は、単位線の集合７５２、横方向分割の集合７３２ｂ、およびヒストグラムの集合７５４を含んでもよい。単位線の集合７５２は、横方向分割のそれぞれのペアに含まれる車線標示インジケータの数を表してもよい。ヒストグラムの集合７５４は、第１のヒストグラム７５６ａおよび第２のヒストグラム７５６ｂを含んでもよい。第１のヒストグラム７５６ａは、車線標示インジケータの第１の集合７４２ａに対応してもよく、第２の分布７５４ｂは、車線標示インジケータの第２の集合７４２ｂに対応してもよい。図７Ｂでは、２つのヒストグラム（例えば、７５６ａ、７５６ｂ）を含むように図示されているが、車線追跡および予測モジュール１０５は、受信したデータセット（例えば、７４２ａ、７４２ｂ）の数に対応する任意の適切な数のヒストグラムを生成してもよいことが理解されよう。

この文脈において、第１のヒストグラム７５６ａは、一組の単位線７５２によって示されるように、横方向の区分のそれぞれの組内に含まれる第1の車線標示指標７４２ａからの車線標示指標の数が、横方向の区分のそれぞれの組内に含まれる第1のヒストグラム７５６ａの個々のバーの高さと同一であってもいいので、車線標示指標の第1の組に「対応」すると言われてもよい。例えば、第2のヒストグラム７５６ｂは、第2の車線標示インジケータ７４２ｂのセットが同様に横方向の区分の組内に様々な数の車線標示インジケータを含むので、横方向の区分の組内に様々な高さの3つのバーを含んでもよい。

分布の集合７３４およびヒストグラムの集合７５４の生成に続いて、車線追跡および予測モジュール１０５は、予測された結果（例えば、分布の集合７３４）を検出された結果（例えば、ヒストグラムの集合７５４）と比較するために進行してもよい。いくつかの実施形態において、車線追跡および予測モジュール１０５は、数学的に以下のように表されるように、両セットの機能的実施形態を畳み込むことによって、予測された結果を検出された結果と比較してもよい。

ここで、ｉは予測された結果および検出された結果のそれぞれのスプラインを表し、Ｇ（ｉ）は分布の集合７３４からの分布を表し、Ｈ（ｉ）はヒストグラムの集合７５４からのヒストグラムを表し、Ｌは予測された結果および検出された結果に含まれる全てのスプラインについてＧ（ｉ）およびＨ（ｉ）を畳み込んだ結果の尤度スコアを表している。

一般に、尤度スコアＬは、予測された結果と検出された結果との間の適合度を表すことができる。予測された結果と検出された結果との間の重複が高いほど、尤度スコアＬはより高くてもよい。例えば、車線追跡および予測モジュール１０５が、結果として検出された結果（例えば、車線標示インジケータの第１のセット７４２ａ及び車線標示インジケータの第２のセット７４２ｂ）と比較されたときに高い尤度スコアＬをもたらす予測されたスプラインのセット（例えば、第1予測スプライン７２４ａおよび第2予測スプライン７２４ｂ）を生成すると仮定する。高尤度スコアLは、車線追跡および予測モジュール１０５が車線標示位置の非常に近い近似を生成したことを示し、その結果、車線追跡および予測モジュール１０５は、高尤度スコアＬを使用して将来の予測に影響を与える可能性がある。同様に、車線追跡および予測モジュール１０５は、任意の質の尤度スコアＬ（例えば、高尤度スコア、平均／中尤度スコア、低尤度スコア）の任意の適切な数を利用して、任意の後続の予測に影響を及ぼしてもよい。

上述した車線検出機能を実行するために、コンピューティングシステム（例えば、車線標示検出モジュール１０４）は、図8に示される流れ図に従って方法800を実施することができる。方法800は、車線標示に関連する一組のピクセルを受信することによって始まる（ブロック８０２）。例えば、図1の車線標示検出モジュール１０４は、1つ以上のセンサ１０１からピクセルのセットを受信してもよい。１つ以上のセンサ１０１は、車線標示検出モジュール１０４が車線標示に関連付けられたピクセルを認識するように、ピクセルのセットの各ピクセルを自動的に分類してもよい。加えてまたは代替的に、車線標示検出モジュール１０４は、車両環境から様々なオブジェクトを含むピクセルのセットを受信してもよく、車線標示検出モジュール１０４は、その後、車線標示に関連するピクセルを分類してもよい。ブロック８０２は、例えば、図1の車線標示検出モジュール１０４、または任意の適切なプロセッサが実行するものであってもよい。

ブロック８０４において、車線標示検出モジュール１０４または適切なプロセッサは、ピクセルのセットを複数のグループに分割してよい。複数のグループの各々は、1つまたは複数の制御点に関連してもよい。車線標示検出モジュール１０４、または他の適切なプロセッサは、任意の適切な方法でピクセルのセットを分割してもよい。

例えば、実施形態において、車線標示検出モジュール１０４または好適なプロセッサは、ピクセルのセットからピクセルの1つ以上のリンクされたセクションに反復的にリンクすることによって、ピクセルのセットの分割を開始してもよい（例えば、図６Ｂ～図６Ｄに示されているように）。その後、車線標示検出モジュール１０４は、（例えば、図６Ｆに例示されているように）ピクセルの１つ以上のリンクされたセクションの各リンクされたセクションの主成分を決定してもよい。各主成分は、１つ以上の制御点の制御点を含んでもよい。一般に、ピクセルの各リンクセクションの主成分は、１つ以上の制御点によってピクセルのリンクセクションに含まれる点を結合するのに適した線または任意の他の高次曲線であってよい。実施形態では、ピクセルの各リンクされたセクションのための主成分は、ピクセルの各リンクされたセクションのための制御点によって境界が決められてもよい。

先の例を継続し、実施形態では、車線標示検出モジュール１０４または適切なプロセッサは、各主成分に対応するそれぞれの制御点に基づいて制御点のセットを定義してもよい。次に、車線標示検出モジュール１０４は、（例えば、図６Ｇに例示されるように）ピクセルのリンクされたセクションを結合するために関連付けアルゴリズムを実行してもよい。関連付けアルゴリズムは、制御点のそれぞれの対の間の終点距離および制御点のそれぞれの対の間の終点角度を決定することを含んでもよい。したがって、車線標示検出モジュール１０４は、制御点のそれぞれの対の間の距離および角度を決定するために、ピクセルの異なるリンクされたセクションの制御点の対を識別してもよい。次に、車線標示検出モジュール１０４は、制御点のそれぞれの対の端点角度を閾値端点角度と比較し、制御点のそれぞれの対の端点距離を閾値端点距離と比較してもよい。i）制御点のそれぞれの対についての端点距離が閾値端点距離以下であり、（ii）制御点のそれぞれの対についての端点角度が閾値端点角度以下であると決定することに応答して、車線標示検出モジュール１０４は、それぞれの制御点を介してピクセルのリンクしたセクションを関連付け（例えば、結合）てもよい。

別の例として、車線標示検出モジュール１０４または適切なプロセッサは、リンクアルゴリズムを実行することによって、ピクセルのセットのパーティショニングを開始してもよい。連結アルゴリズムは、ピクセルの集合の第1のピクセルの周りに境界ボックスを生成することを含んでもよい。実施形態において、境界ボックスは、矩形であってよく、第1のピクセルに関して前方バイアスを含んでよい。上述のように、車線標示検出モジュール１０４は、車両から進行方向（例えば、離れる方向）に延びる方向にピクセルをリンクしてもよい。したがって、車線標示検出モジュール１０４は、車両の動きに関して関心のありそうな領域を考慮するために、前方バイアスを有する境界ボックスを生成してもよい。

この例をさらに進めるために、車線標示検出モジュール１０４は、次に、境界ボックスによって包含される領域を走査して第2のピクセルを探し出してもよい。第2のピクセルは、（車両の動きに関して）第1のピクセルの真正面に位置してもよく、または第2のピクセルは、境界ボックス内に留まりながら第１のピクセルの真正面に位置することから任意の量だけ変位させてもよい。さらに、境界ボックスは、車線標示検出モジュール１０４が第１のピクセル以外の複数のピクセルから第2のピクセルを決定するように、複数のピクセルを含んでもよい。その例では、車線標示検出モジュール１０４は、例えば、第1のピクセルからの境界ボックス内の他の各ピクセルの距離に基づいて、第2のピクセルを決定してもよい。車線標示検出モジュール１０４は、第１のピクセルから最短距離である他のピクセルを第2のピクセルであると自動的に決定してもよい。しかしながら、車線標示検出モジュール１０４は、任意の適切な方法で第2のピクセルを決定してもよいことを理解されたい。

第２のピクセルを決定した後、車線標示検出モジュール１０４は、第1のピクセルと第2のピクセルをリンクさせてもよい。ピクセルのセットに含まれる各ピクセルが少なくとも1つの他のピクセルにリンクされることを確実にするために、車線標示検出モジュール１０４は、ピクセルのセット内の各ピクセルがピクセルのセット内の他のピクセルにリンクされるまでリンクアルゴリズムを反復的に実行してもよい。実施形態において、車線標示検出モジュール１０４は、ピクセルのセット内の各ピクセルをピクセルのセット内の最大2つの他のピクセルにのみリンクさせてもよい。

さらに、実施形態では、車線標示検出モジュール１０４は、ピクセルのリンクされたセクションを分割するために、パーティショニングアルゴリズムを実行してもよい。パーティショニングアルゴリズムは、ピクセルのセットの開始ピクセルとピクセルのセットの終了ピクセルとの間に線を構築することを含んでもよい（例えば、図6Eに図示されるように）。次いで、車線標示検出モジュール１０４は、線からの開始ピクセルと終了ピクセルとの間の各ピクセルの距離を決定してもよい。各ピクセルに対応する距離に基づいて、車線標示検出モジュール１０４は、開始ピクセルと終了ピクセルとの間の各ピクセルを複数のグループのうちの1つのグループに分割してもよい。さらに、車線標示検出モジュール１０４は、ピクセルの集合の各ピクセルが複数のグループのうちの1つのグループに含まれるまで、分割アルゴリズムを反復して実行する。

ブロック８０６において、車線標示検出モジュール１０４または他の適切なプロセッサは、複数のグループの制御点を横断するスプラインを生成してもよい。一般に、スプラインは、車線の境界を記述する。スプラインは、線または任意の高次曲線であってよく、任意の適切なスプライン技術によって生成されてもよい。例えば、車線標示検出モジュール１０４は、１つまたは複数の制御点のみを利用するスプライン技法を実行してもよい。いくつかの実施形態において、スプライン法は、キャットムルーロムスプライン法であってもよい。このように、車線標示検出モジュール１０４は、従来の技術と比較して、スプライン処理で使用される点の数を減らすことによって、車線標示を識別するために必要な計算資源を大幅に削減する。

しかしながら、実施形態では、コンピューティングシステム（例えば、車線標示検出モジュール１０４）は、図6Cに例示されたものと同様の方法で、受信されたピクセルを一緒にリンクさせてもよい。したがって、コンピューティングシステムは、図9に図示された流れ図に従って方法９００を実施してもよい。方法９００は、画像が複数のピクセルで構成されている路面の画像を受信することによって始まる（ブロック９０２）。ブロック９０２は、例えば、図１の車線標示検出モジュール１０４、または任意の適切なプロセッサが実行するものであってもよい。

画像は、車線標示検出モジュール１０４がピクセルの複数のグループを生成すべきように、車線標示の複数の組に対応する（例えば、車線の複数の組を定義する）ピクセルを含む場合がある。したがって、ブロック904において、車線標示検出モジュール１０４は、車線標示に対応する車線標示ピクセルを識別することによって、ピクセルの複数のグループの決定を開始してもよい。車線標示検出モジュール１０４は、任意の適切な方法を通じて車線標示ピクセルを識別してもよいが、実施形態では、機械学習モデルを画像に適用してもよい。機械学習モデルは、画像内のどのピクセルがピクセルの第1のグループまたはピクセルの第2のグループと関連付けられるかを予測するように構成されてもよい。加えてまたは代替的に、車線標示検出モジュール１０４は、車線標示に対応する画像内のピクセルに関するオペレータからの指示を適用してもよい。

車線標示ピクセルが識別されると、車線標示検出モジュール１０４は、車線標示ピクセルに対して左境界および右境界を推定してよい（ブロック９０６）。左境界および右境界は、車線標示ピクセルによって示される車線の方向と実質的に整列していてもよい。例えば、車線標示検出モジュール１０４は、上述した機械学習モデルを用いてそれぞれの予測を生成することにより、各グループの左境界および右境界を推定してもよい。さらにこの例では、車線標示検出モジュール１０４は、機械学習モデルを構成して、左境界および右境界に関する予測を道路セグメンテーションに関する予測と同時に生成してもよい。このように、車線標示検出モジュール１０４は、道路セグメンテーションと車線境界の予測機能を並行して実行することにより、より効率的に車線標示を決定することができる。

一般に、セグメンテーションとは、画像を複数のセグメントに分割することであり、各セグメントは、同じオブジェクトまたは画像の一部を描写している可能性が高い。より具体的には、道路セグメンテーションは、近接するピクセルのどのセットが道路（例えば、高速道路、橋など）の一部を表している可能性が高いかを決定することを意味する。したがって、例えば、車線標示検出モジュール１０４は、高速道路の表面を描写している可能性が高いピクセルを、車のタイヤを描写している可能性が高い近くのピクセルから分離し、これらのピクセルがその後の画像処理の目的のために異なるセグメントに属するように、セグメント化を実行することができる。

ブロック９０８において、車線標示検出モジュール１０４は、左境界および右境界内のピクセルを対応するグループと関連付けてもよい。例えば、車線標示検出モジュール１０４は、ピクセルを、第1の組の車線を分離する車線標示に関連する第1のグループ、または第2の組の車線を分離する車線標示に関連する第2のグループのいずれかに関連付けることができる。実施形態において、車線標示検出モジュール１０４は、最初に車線標示ピクセルのみを含むクラスタを成長させるために、領域成長アルゴリズムを適用してもよい。さらに、車線標示検出モジュール１０４は、領域成長アルゴリズムを制限して、第1のグループのピクセルが第2のグループのいずれかの境界を横断することを防止してもよい。

別の例として、路面の画像は、車線の方向に対して実質的に垂直な複数の行を含むと仮定する。ある行の車線標示ピクセルについて、車線標示検出モジュール１０４は、そのピクセルが隣接する行のどの次の行のピクセルに接続されているかを推定してもよい。一般に、次列ピクセルは、（i）車線標示ピクセルの直下、（ii）マークピクセルの直下かつ左の1ピクセル、または（iii）マークピクセルの直下かつ右の1ピクセルであってよいが、マークピクセルからの任意の適切な変位であってよい。その後、車線標示検出モジュール１０４は、接続されたピクセルに沿って、第1のグループまたは第2のグループに関連するピクセルのクラスタを成長させてもよい。

加えて、または代わりに、車線標示検出モジュール１０４は、（i）事前の複数のピクセルと、（ii）第１の隣接行ピクセルが（a）第２の隣接行ピクセルの直下、（b）第２の隣接行ピクセルの直下および左側の１ピクセル、または（c）第２の隣接行ピクセルの直下および右側の１ピクセルである場合に、事前の複数のピクセルにおける第１の隣接行ピクセルと第2の隣接行ピクセルが接続しているという1または複数の示唆を用いて学習した機械学習モデルを適用し得る。

いずれにしても、本開示のコンピューティングシステムは、上述のスプライン生成技術を利用して、車線標示の位置を予測および／または追跡することができる。車線標示の位置を予測および／または追跡することは、コンピューティングシステムが、図１０に示される流れ図に従った方法１０００を実施することを含み得る。方法１０００は、車線標示に関連するピクセルのセットを受信することによって始まる（ブロック１００２）。例えば、コンピューティングシステム（例えば、車線標示検出モジュール１０４）は、上述した方法に従って、ピクセルのセットを受信してもよい。同様に上述した方法に従って、車線標示検出モジュール１０４は、ピクセルのセットに基づいて車線の境界を記述するスプラインを生成してもよい（ブロック１００４）。

ブロック１００６において、コンピューティングシステム（例えば、車線トラッキングおよび予測モジュール１０５）は、撮像システムが移動している方向におけるスプラインの予測された延長を生成してもよい。スプラインの予測された延長は、スプラインの少なくとも一部の曲率に基づくものであってよい。さらに、スプラインの予測される延びは、道路の形状、方向、または曲率に関する情報を含む地図データにさらに基づいてもよい。例えば、地図データは、前方の道路が右にカーブしていることを示す場合があり、それに応じて、右向きの曲率がスプラインの予測された延長に適用される場合がある。実施形態において、ピクセルのセットは、道路の第1の部分について第1の時間に生成されたピクセルの第１のセットであってよい。これらの実施形態において、車線標示検出モジュール１０４は、例えば、１つ以上のセンサ１０１から車線標示に関連するピクセルの第2のセットを受信してもよい。その後、車線標示検出モジュール１０４は、車線の境界を記述する更新されたスプラインを生成し、スプラインの予測された延長を更新されたスプラインと比較して、尤度スコアを決定してもよい。

上述したように、車線標示検出モジュール１０４は、（i）予測スプラインから得られたガウス核と（ii）ピクセルの第２の集合（セット）を表すヒストグラムのそれぞれの値を畳み込むことによって尤度スコアを決定し得る。さらに、予測スプラインは、コンボリューションがコンボリューションされた値のセットを生成するように、複数の予測スプラインを含んでもよい。その後、車線標示検出モジュール１０４は、畳み込まれた値のセットにわたって合計することによって、尤度スコアを決定してもよい。

実施形態において、車線追跡および予測モジュール１０５は、撮像システムが移動している方向におけるスプラインの複数の予測された延長を生成してもよい。車線追跡および予測モジュール１０５は、スプラインの少なくとも一部の曲率に基づいて、複数の予測された延長を生成してもよい。さらにこれらの実施形態において、車線追跡および予測モジュール１０５は、機械学習モデルを用いて複数の予測された延長を生成し、スプラインの複数の予測された延長のそれぞれを更新されたスプラインと比較して、複数の尤度スコアを決定してもよい。その後、車線追跡および予測モジュール１０５は、複数の尤度スコアを解析することによって、機械学習モデルを調整してもよい。

実施形態において、車線追跡および予測モジュール１０５は、粒子フィルタ技術を適用することによって、スプラインの予測された延長を生成してもよい。大まかに言えば、車線追跡および予測モジュール１０５は、車両センサの範囲を超えて位置する車線標示に関連するピクセルの位置を予測し、関連するスプラインの事前予測延長と比較して車線標示の位置の事前観測に基づいてスプラインの予測延長の幾何学的構造を推定してもよい。粒子フィルタ技術は、複数の予測スプラインを生成することを含んでもよく、各予測スプラインは、（i）第１のスプラインと、（ii）第１のスプラインの予測された延長とを含む。各第１スプラインは、車線標示に関連する受信されたピクセルのセットに基づいて生成されてもよく、第１のスプラインの各予測された拡張は、第１スプラインの少なくとも一部の曲率に少なくとも部分的に基づくことができる。各予測されたスプラインは、粒子と呼ばれてもよく、尤度スコアは、予測されたスプラインの各々について決定されてもよい。複数の予測されたスプラインは、それらの関連する尤度スコアに基づいて一緒に結合されてもよく、結合されたスプラインは、予測された車線境界線に対応してもよい。例えば、複数の予測されたスプラインは、期待値または加重平均に基づいて一緒に結合されてもよく、各予測されたスプラインは、その尤度スコアに従って加重される。以前の反復からの粒子の少なくとも一部は、後続の反復において（後続の点群データのセットと共に）、後続の車線境界予測に対応する、後続の結合スプラインを予測するために使用されてもよい。

実施形態において、車線追跡および予測モジュール１０５は、スプラインの予測された延長にノイズ信号を適用してもよい。複数の予測されたスプラインが生成されてもよく、各予測されたスプラインは、（i）第1のスプラインと、（ii）第1のスプラインの予測された伸長部とを含む。ノイズ信号の形態の摂動が、第1のスプラインの各々および／または予測される延長の各々に加えられてもよい。ノイズ信号は、予測された延長部の各々に適用されてもよく、予測された延長部の曲率の量の変化を含んでもよい。例えば、曲率の増加が予測される延長部のいくつかに適用され、曲率の減少が他の予測される延長に適用されてもよい。予測された延長に曲率を追加または削除するノイズ信号は、曲率の変化が現時点では分からない前方の車線の曲率の変化を説明することができる。別の例として、前方の道路の形状、方向、または曲率を示す地図データが利用可能な場合、地図データに基づいてノイズ信号に偏りまたはシフトを与えてもよい。例えば、前方の道路が左に曲がっていることを地図データが示している場合、ノイズ信号は、予測される延長に対して左向きのバイアスを持つ曲率を適用するように構成されてもよい。

道路上の車線の境界を検出するための様々な例示的な態様を指示された方法を以下に説明する。

態様１。道路上の車線の境界を検出する方法であって、撮像システムから1つ以上のプロセッサによって、車線標示に関連するピクセルのセットを受け取ることと、1つ以上のプロセッサによって、ピクセルのセットを複数のグループに分割し、複数のグループの各々が1つ以上の制御点に関連付けられることと、1つ以上のプロセッサによって、複数のグループの制御点を横断するスプラインを生成し、スプラインが車線の境界を説明することを含む、方法。

態様２。ピクセルのセットを複数のグループに分割することは、1つ以上のプロセッサによって、ピクセルのセットからのピクセルを１つ以上のピクセルのリンクされたセクションに反復的にリンクすることと、１つ以上のプロセッサによって、ピクセルの１つ以上のリンクされたセクションを複数のグループに分割することと、をさらに含む、態様１に記載の方法。

態様３．ピクセルのリンクされたセクションを複数のグループに分割することが、1つ以上のプロセッサによって、複数のグループの各グループの主成分を決定することであって、各主成分が1つ以上の制御点の少なくとも1つを含む、ことと、1つ以上のプロセッサによって、それぞれの主成分に基づき複数のグループのグループを関連付けることと、をさらに備える、態様２に記載の方法。

態様４。各グループについて主成分を決定することが、1つ以上のプロセッサによって、各グループに含まれるピクセルに主成分線を適合させることをさらに含み、主成分線が2つの制御点によって境界を定められる、態様３に記載の方法。

態様５。各主成分に対応するそれぞれの2つの制御点が制御点の組を定義し、ピクセルの組を複数のグループに分割することが、1つ以上のプロセッサによって、関連付けアルゴリズムを実行することをさらに含み、関連付けアルゴリズムが以下を含む、アスペクト4に記載の方法。つの異なるグループからの制御点のそれぞれの対の間の終点距離を決定すること、制御点のそれぞれの対の終点距離を最小閾値終点距離と比較すること、および制御点のそれぞれの対の終点距離が最小閾値終点距離以下であると決定することに応答して、制御点のそれぞれの対を含む2つのグループを関連付けること、である。

態様６。態様４に記載の方法であって、関連付けアルゴリズムは、以下をさらに含む。制御点のそれぞれの対の間の終点角度を決定することと、（i）制御点のそれぞれの対に対する終点角度を閾値終点角度と比較することと、（ii）制御点のそれぞれの対に対する終点距離を最小閾値終点距離および最大閾値終点距離と比較することと、を含む。とを決定することに応答して、（i）制御点のそれぞれの対についての端点角度が閾値端点角度以下であり、（ii）制御点のそれぞれの対についての端点距離が最小閾値端点距離以上かつ最大閾値端点距離以下である、制御点のそれぞれの対を含む2つのグループを関連付ける、ことを含む。

態様７。各主成分に対応するそれぞれの2つの制御点が制御点のセットを定義し、ピクセルのセットを複数のグループに分割することが、1つ以上のプロセッサによって、グラフベースの関連付けアルゴリズムを実行することをさらに含み、関連付けアルゴリズムが以下を含む、アスペクト4に記載の方法。制御点のセットの各制御点をグラフのノードに割り当てること、グラフのノードの各対の間にエッジを形成すること、グラフの各エッジのコストを決定すること、グラフにソースノードとターゲットノードを追加すること、ソースノードからターゲットノードまでグラフを横断する１以上の低コストのパスを決定し、低コストの各パスに沿った制御点が車線に対応する、こと。

態様８。グラフ内のノードの各対の間にエッジを形成することは、ノードの対の間にスプラインを適合させることに対応する、態様７に記載の方法。

態様９。各エッジのコストを決定することは、道路バリアを横切るエッジに高いコストを割り当てること、１つ以上の車線標示に従うエッジに低いコストを割り当てること、または運転環境から見て高いシャープネスに相当するエッジに高いコストを割り当てることのうちの1つ以上に含む、側面７に記載の方法。

態様１０。ピクセルのセットを複数のグループに分割することが、1つ以上のプロセッサによって、リンクアルゴリズムを実行することをさらに含み、リンクアルゴリズムは、1つ以上のプロセッサによって、ピクセルのセットの第1のピクセルの周りに境界ボックスを生成すること、１つ以上のプロセッサによって、第2のピクセルを見つけるために境界ボックスによって包含される領域を走査すること、１つ以上のプロセッサによって、第１のピクセルおよび第2のピクセルをリンクすることを備える、態様１に記載の方法。

態様１１。境界ボックスは矩形であり、境界ボックスは、第1のピクセルに関して前方バイアスを含む、態様１０に記載の方法。

態様１２。ピクセルのセット内の各ピクセルがピクセルのセット内の別のピクセルにリンクされるまで、1つ以上のプロセッサによって、リンクアルゴリズムを繰り返し実行することをさらに含み、ピクセルのセット内の各ピクセルがピクセルのセット内の最大2つの他のピクセルにリンクされ、ピクセルのセット内の各ピクセルがピクセルの１つまたは複数のリンクセクションの一部である、態様１０に記載の方法。

態様１３。ピクセルのセットを複数のグループに分割することが、１つ以上のプロセッサが分割アルゴリズムを実行することをさらに備え、分割アルゴリズムは、１つ以上のプロセッサが、ピクセルのリンクされたセクションの開始ピクセルとピクセルのリンクされたセクションの終了ピクセルとの間に線を構築すること、１つ以上のプロセッサが、開始ピクセルと終了ピクセルとの間の各ピクセルの線からの距離を決定すること、１つ以上のプロセッサが、閾値より大きい数のピクセルが線から閾値の距離を超えて位置すると決定すること、１つ以上のプロセッサが、閾値より大きい数のピクセルが閾値の距離を超えて位置すると決定することに応答して、ピクセルのリンクセクションを２以上の別々のピクセルのリンクセクションに切り離すこと、を含む態様１に記載の方法。

態様４。ピクセルのセットの各ピクセルが複数のグループの１つのグループに含まれるまで、１つまたは複数のプロセッサがパーティショニングアルゴリズムを反復して実行することをさらに含む、態様１３に記載の方法。

態様１５。スプラインを生成することが、1つ以上のプロセッサによって、スプライン法を実行することをさらに含み、スプライン法が、１つまたは複数の制御点のみを利用する、態様１に記載の方法。

態様１６。スプライン法がキャットムル‐ロムスプライン法である、態様１５に記載の方法。

態様１７。車線標示に関連するピクセルのセットを特定することをさらに含む、態様１に記載の方法であって、１つ以上のプロセッサが、撮像システムから、路面の画像であって、該画像はピクセルのセットで構成されているものを受け取ることと、１つ以上のプロセッサが、ピクセルのセット内で、第１の対の車線を分離する車線標示に関連するピクセルの第１のグループ、および第2の対の車線を分離する車線標示に関連するピクセルの第２のグループ、第１および第２のグループごとに、車線標示に対応する車線標示ピクセルを識別するステップと、車線標示ピクセルに対して左境界および右境界を推定し、左境界および右境界が車線標示ピクセルによって示される車線の方向と実質的に一致するようにするステップと、左境界および右境界内のピクセルを対応するグループに関連付けるステップと、を含む。態様１に記載の方法。

態様18。左境界および右境界内に関連付けることは、領域成長アルゴリズムを適用して、最初は車線標示ピクセルのみを含むクラスタを成長させることを含む、態様１７に記載の方法。

態様１９。領域成長アルゴリズムを適用することは、第１のグループのピクセルが第２のグループのいずれかの境界を横断することを防止することを含む、態様１８に記載の方法。

態様２０。第１および第２のグループのピクセルを決定することは、画像に機械学習モデルを適用することを含み、機械学習モデルは、画像内のどのピクセルが第１のグループのピクセルまたは第２のグループのピクセルに関連付けられるかを予測するように構成され、各グループについて左および右境界を推定することは、機械学習モデルを使用してそれぞれの予測を生成することを含む、態様１７に記載の方法。

態様２１。道路セグメンテーションに関連する予測と同時に、左境界および右境界に関連する予測を生成するように機械学習モデルを構成することをさらに含む、態様２０に記載の方法。

態様２２。機械学習モデルを適用することは、特徴ラベルとして、車線標示に対応する画像内のピクセルに関するオペレータからの指示を適用することを含む、態様２０に記載の方法。

態様２３。画像が、車線の向きに実質的に垂直な複数の行を含み；方法が、ある行の車線標示ピクセルについて、そのピクセルが隣接する行のどの次行ピクセルに接続されているかを推定することであって、次行ピクセルが（i）車線標示ピクセルのすぐ下、（ii）すぐ下でマークピクセルの１ピクセル左、または（iii）すぐ下でマークピクセルの1ピクセル右にあることをさらに含む態様１７に記載の方法。

態様２４。接続されたピクセルに沿って、第１のグループまたは第２のグループに関連するピクセルのクラスタを成長させることをさらに含む、態様２３に記載の方法。

態様２５。隣接する行のどの次の行のピクセルにピクセルが接続されているかを推定することが、（i）事前の複数のピクセルと、（ii）事前の複数のピクセルにおける第1の隣接行ピクセルと第2の隣接行ピクセルが、第１の隣接行ピクセルが（a）第２の隣接行ピクセルの直下、（b）直下かつ第2の隣接行ピクセルの１ピクセル左、または（c）直下かつ第２の隣接行ピクセルの１ピクセル右にある場合に接続されるという１以上の示唆を用いてトレーニングした機械学習モデルの適用を含む、態様２３に記載の方法。

Claims (20)

1. 道路上の車線を追跡する方法であって、１つまたは複数のプロセッサが、撮像システムから車線標識に関連するピクセルの集合を受け取るステップと、１つまたは複数のプロセッサが、（ｉ）第１のスプラインと、（ｉｉ）撮像システムが移動する方向における第１のスプラインの予測される延長とを含む予測スプラインを生成するステップと、を含み、前記第１のスプラインは、車線境界を記述し、前記ピクセルの集合に基づいて生成され、前記第１のスプラインの予測される延長は、前記撮像システムが移動する方向において前記ピクセルの集合の範囲を超えて延び、前記第１のスプラインの少なくとも一部の曲率に少なくとも部分的に基づいて生成される、ことを特徴とする方法。
2. 前記第１のスプラインの予測される延長を生成することは、さらに道路の形状、方向、または曲率を含む地図データに基づいて行われる、請求項１に記載の方法。
3. 前記ピクセルの集合は、道路の第１の部分について第１の時間に生成されたピクセルの第１の集合であり、この方法は、１つまたは複数のプロセッサが、撮像システムから車線標識に関連するピクセルの第２の集合を受け取ること、および１つまたは複数のプロセッサが、車線の境界を記述する更新されたスプラインを生成することと、前記予測スプラインを前記ピクセルの第２の集合と比較して尤度スコアを決定することをさらに含むことを特徴とする請求項１に記載の方法。
4. 尤度スコアを決定するために、前記予測スプラインを前記ピクセルの第２の集合と比較することは、（i）前記予測スプラインから導出されたガウス核と、（ii）前記ピクセルの第２の集合を表すヒストグラムのそれぞれの値を畳み込むことであって、該畳み込みが、畳み込み値の集合を生成することと、畳み込み値の集合上で合計して尤度スコアを決定することとを含むことを特徴とする請求項３に記載の方法。
5. 各ガウス核は、面積に正規化されることを特徴とする請求項４に記載の方法。
6. 前記尤度スコアは、前記予測スプラインに関連するドライバビリティの測定値にさらに基づいており、該ドライバビリティの測定値は、前記予測スプラインの少なくとも一部の曲率に基づいていることを特徴とする請求項３に記載の方法。
7. （i）車線標識に関連するピクセルの事前集合、（ii）ピクセルの事前集合に基づく第１のスプラインの事前集合、および（iii）更新されたスプラインの事前集合を用いてスプラインの予測される延長を生成する機械学習モデルを訓練することと、該機械学習モデルをピクセルの集合に対して適用して第１のスプラインの予測される延長を生成することと、をさらに含むことを特徴とする請求項３に記載の方法。
8. 前記機械学習モデルを適用することは、特徴ラベルとして、前記車線標識に対応するピクセルに関するオペレータからの指示を適用することを含むことを特徴とする請求項７に記載の方法。
9. 前記予測スプラインを生成することは、複数の予測スプラインを生成することを含み、各予測スプラインは、第１のスプラインと、第１のスプラインの少なくとも一部の曲率に少なくとも部分的に基づいて生成された、撮像システムが移動する方向における第１のスプラインの予測される延長とを含むことを特徴とする請求項１に記載の方法。
10. 前記ピクセルの集合は、道路の第１の部分について第１の時間に生成されたピクセルの第１の集合であり、この方法は、１つまたは複数のプロセッサが、撮像システムから車線標識に関連するピクセルの第２の集合を受け取ることを含み、
    前記第１のスプラインの予測される延長は、機械学習モデルを用いて生成され、前記予測スプラインを前記ピクセルの第２の集合に比較することは、前記複数の予測スプラインのそれぞれを前記ピクセルの第２の集合と比較して複数の尤度スコアを決定することを含んでおり、さらに、前記複数の尤度スコアの解析に基づいて機械学習モデルを調整することを含むことを特徴とする請求項９に記載の方法。
11. 前記予測スプラインを生成することは、複数の粒子を生成することを含み、各粒子は、（i）第１のスプラインと（ii）第１のスプラインの予測される延長とを含む予測スプラインを含み、第１のスプラインの予測される延長は、第１のスプラインの少なくとも一部の曲率に少なくとも部分的に基づいており、複数の予測スプラインのそれぞれに対して尤度スコアを決定することを含む粒子フィルタ技術を適用することを含むことを特徴とする請求項１に記載の方法。
12. 前記粒子フィルタ技術は、関連する尤度スコアに従って前記複数の粒子を結合することにより、前記車線の境界の位置を決定することをさらに含むことを特徴とする請求項１１に記載の方法。
13. 複数の粒子を組み合わせることは、車線の境界の位置を決定するために前記予測スプラインの加重平均を決定するステップであって、各予測スプラインはその関連する尤度スコアに従って加重されるステップを含むことを特徴とする請求項１２に記載の方法。
14. 前記予測スプラインを生成することは、複数の予測スプラインを生成することを含み、各スプラインは、（i）第１のスプラインと、（ii）第１のスプラインの少なくとも一部の曲率に少なくとも部分的に基づく第１のスプラインの予測される延長を含んでおり、各予測される延長に特定のノイズ信号を付加して各予測される延長に摂動を適用することを含むことを特徴とする請求項１に記載の方法。
15. 特定のノイズ信号を加えることは、前記予測スプラインの第１の部分について予測される延長の曲率の量を増加させ、前記予測スプラインの第２の部分について予測される延長の曲率の量を減少させることを含むことを特徴とする請求項１４に記載の方法。
16. 特定のノイズ信号を加えることは、道路の形状、方向、または曲率を含む地図データに基づいて、前記予測スプラインの第１の部分について予測される延長の曲率量を増加または減少させることを含むことを特徴とする請求項１４に記載の方法。
17. 前記複数の予測スプラインは、少なくとも５０個の予測スプラインを含むことを特徴とする請求項１４に記載の方法。
18. １つまたは複数のプロセッサが、ピクセルの集合を複数のグループに分割するステップであって、複数のグループの各々は１つまたは複数の制御点に関連付けられるステップと、１つまたは複数のプロセッサが、複数のグループの制御点を通るスプラインを生成し、スプラインが車線の境界を記述するステップをさらに含むことを特徴とする、請求項１に記載の方法。
19. 前記スプラインを生成することは、前記１つまたは複数のプロセッサが、スプライン法を実行することをさらに含み、前記スプライン法が、前記１つまたは複数の制御点のみを利用することを特徴とする請求項１８に記載の方法。
20. スプライン法がキャットムル‐ロムスプライン法であることを特徴とする請求項１９に記載の方法。

Images