WO2021000787A1 - 道路几何识别方法及装置 - Google Patents

道路几何识别方法及装置 Download PDF

Info

Publication number
WO2021000787A1
WO2021000787A1 PCT/CN2020/098278 CN2020098278W WO2021000787A1 WO 2021000787 A1 WO2021000787 A1 WO 2021000787A1 CN 2020098278 W CN2020098278 W CN 2020098278W WO 2021000787 A1 WO2021000787 A1 WO 2021000787A1
Authority
WO
WIPO (PCT)
Prior art keywords
grid
measurement data
road geometry
weight value
cluster
Prior art date
Application number
PCT/CN2020/098278
Other languages
English (en)
French (fr)
Inventor
罗竞雄
万广南
王建国
Original Assignee
华为技术有限公司
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 华为技术有限公司 filed Critical 华为技术有限公司
Publication of WO2021000787A1 publication Critical patent/WO2021000787A1/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques

Definitions

  • the first parameters corresponding to the M second grid units with the largest weight value are determined, and (x, y) are the position coordinates of the road geometry.
  • the embodiments of the present application also provide a computer program product, including instructions, which when run on a computer, cause the computer to execute the road geometry recognition method in any one of the first aspect and the first aspect.
  • an embodiment of the present application provides a road geometry recognition device.
  • the device may be a chip system.
  • the chip system includes a processor and a memory for realizing the functions of the foregoing method.
  • the chip system can be composed of chips, or can include chips and other discrete devices.
  • a road geometry recognition device in a ninth aspect, is provided.
  • the device may be a circuit system.
  • the circuit system includes a processing circuit configured to execute the road geometry recognition method of any one of the first aspect and the first aspect.
  • an embodiment of the present application provides a system.
  • the system includes the device of any one of the second to fifth aspects and the eighth and ninth aspects and/or the readable storage medium and/or the sixth aspect Computer program products in seven aspects.
  • FIG. 3 is a schematic structural diagram of a computer system provided by an embodiment of this application.
  • FIG. 6 is a schematic diagram 1 of the flow of a road geometry recognition method provided by an embodiment of this application.
  • FIG. 6d is a schematic diagram of a location grid provided by an embodiment of this application.
  • FIG. 6e is a first schematic diagram of at least one first grid unit corresponding to the first measurement data in the location grid according to an embodiment of this application;
  • FIG. 10 is a first structural diagram of a road geometry recognition device provided by an embodiment of this application.
  • FIG. 11 is a second structural diagram of a road geometry recognition device provided by an embodiment of this application.
  • Euclidean distance is a commonly used distance definition, which refers to the true distance between two points in an n-dimensional space, or the natural length of a vector (ie The distance from this point to the origin).
  • the Euclidean distance in two-dimensional and three-dimensional space is the actual distance between two points. In n-dimensional space, the coordinates of two points are (x 1 , x 2 ,..., x n ) and (y 1 , y 2 ,..., y n ), then the Euclidean distance between these two points is
  • the vehicle 100 may include various subsystems, such as a traveling system 110, a sensor system 120, a control system 130, a wireless communication system 140, and a power source 150, a computer system 160, and a user interface 170.
  • the vehicle 100 may include more or fewer subsystems, and each subsystem may include multiple elements.
  • each subsystem and element of the vehicle 100 may be interconnected by wire or wirelessly.
  • the radar sensor 123 may use electromagnetic wave signals to sense objects in the surrounding environment of the vehicle 100. In some embodiments, in addition to sensing the position of the object, the radar sensor 123 may also be used to sense the radial velocity of the object and/or the radar cross-sectional area RCS of the object.
  • the sonar sensor 127 may use sound waves to sense objects in the surrounding environment of the vehicle 100. In some embodiments, in addition to sensing the position of the object, the sonar sensor 127 can also be used to sense the radial velocity of the object and/or the sonar target intensity sonar TS of the object.
  • the route control system 132 is used to determine the travel route of the vehicle 100.
  • the route control system 132 may combine data from the radar sensor 123, the positioning system 121, and one or more predetermined maps to determine the driving route for the vehicle 100.
  • control system 130 may additionally or alternatively include components other than those shown and described. Alternatively, a part of the components shown above may be reduced.
  • the processor may be located away from the vehicle and wirelessly communicate with the vehicle.
  • some of the processes described herein are executed on a processor disposed in the vehicle and others are executed by a remote processor, including taking the necessary steps to perform a single manipulation.
  • Autonomous driving on the road or a car with an assisted driving system can recognize the road geometry in its surrounding environment to determine its driving strategy or give corresponding auxiliary warnings.
  • the road geometry can be lane lines, guardrails, green belts, road edges, or other objects.
  • each identified road geometry can be considered independently, and based on the respective characteristics of the road geometry, such as its position, distance from the vehicle, and the speed of the vehicle, the next route planning can be used To determine the driving strategy of the self-driving car.
  • the self-driving car vehicle 100 or the computing device associated with the self-driving vehicle 100 may predict the measurement data based on the recognized measurement data. And identify road geometry.
  • each identified road geometry depends on each other. Therefore, all the acquired measurement data can also be considered together to predict and identify a single road geometry.
  • the vehicle 100 can adjust its driving strategy based on the predicted road geometry identified. In other words, self-driving cars can determine where the vehicle will need to be adjusted based on the predicted road geometry. In this process, other factors may also be considered to determine the location of the vehicle 100, such as the state of surrounding vehicles and weather conditions during the driving of the vehicle 100.
  • the above-mentioned vehicle 100 can be a car, truck, motorcycle, bus, boat, airplane, helicopter, lawn mower, recreational vehicle, playground vehicle, construction equipment, tram, golf cart, train, and trolley, etc.
  • the application examples are not particularly limited.
  • the vehicle may include the following modules:
  • the environment perception module 201 is used to obtain measurement data information of the target object detected by the roadside sensor and the vehicle-mounted sensor.
  • Roadside sensors and vehicle sensors can be lidar, millimeter wave radar, ultrasonic sensors, sonar sensors, etc.
  • the data acquired by the environmental sensing module can be point cloud data detected by radar, and the environmental sensing module can process these data into The position, radial speed, angle, size and other measurement data of the identified target object are passed to the rule control module so that the two control modules can generate driving strategies.
  • In-vehicle communication module 204 (not shown in FIG. 2): used for information exchange between the own vehicle and other vehicles.
  • the storage component 205 (not shown in FIG. 2) is used to store the executable codes of the aforementioned modules. Running these executable codes can implement part or all of the method procedures in the embodiments of the present application.
  • the computer system 160 shown in FIG. 1 includes a processor 301, which is coupled to a system bus 302.
  • the processor 301 may be one or more processors, where each processor may include one or more processor cores.
  • a display adapter (video adapter) 303, the display adapter 303 can drive the display 309, and the display 309 is coupled to the system bus 302.
  • the system bus 302 is coupled with an input/output (I/O) bus (BUS) 305 through a bus bridge 304.
  • the I/O interface 306 and the I/O bus 305 are coupled.
  • the processor 301 may be any traditional processor, including a reduced instruction set computer (RISC) processor, a complex instruction set computer (CISC) processor, or a combination of the foregoing.
  • the processor may be a dedicated device such as an application specific integrated circuit (ASIC).
  • the processor 301 may be a neural network processor or a combination of a neural network processor and the foregoing traditional processors.
  • the computer system 160 may be located far away from the autonomous vehicle and may communicate with the autonomous vehicle 100 wirelessly.
  • some of the processes described herein may be configured to be executed on a processor in an autonomous vehicle, and other processes may be executed by a remote processor, including taking actions required to perform a single manipulation.
  • the signal-bearing medium 501 may include a computer-readable medium 503, such as, but not limited to, a hard disk drive, compact disk (CD), digital video compact disk (DVD), digital tape, memory, only Read-only memory (ROM) or random access memory (RAM), etc.
  • the signal bearing medium 501 may include a computer recordable medium 504, such as, but not limited to, memory, read/write (R/W) CD, R/W DVD, and so on.
  • the signal-bearing medium 501 may include a communication medium 505, such as, but not limited to, digital and/or analog communication media (eg, fiber optic cables, waveguides, wired communication links, wireless communication links, etc.).
  • the signal bearing medium 501 may be communicated by a wireless communication medium 505 (for example, a wireless communication medium that complies with the IEEE 802.11 standard or other transmission protocols).
  • the one or more program instructions 502 may be, for example, computer-executable instructions or logic-implemented instructions.
  • computing devices such as those described with respect to FIGS. 1 to 4 may be configured to respond to one or more of the computer-readable medium 503, and/or computer recordable medium 504, and/or communication medium 505
  • a program instruction 502 communicated to the computing device provides various operations, functions, or actions. It should be understood that the arrangement described here is for illustrative purposes only.
  • the measurement data includes at least the position information of the target object, and the position information of the target object includes the distance between the target object and the sensor and/or the angle information of the target object relative to the sensor (the angle information includes the azimuth angle and/or the pitch angle).
  • the sensors in the embodiments of the present application are radar sensors, ultrasonic sensors, or sonar sensors, and may also be other sensors, such as lidar.
  • the measurement data also includes the echo intensity EI of the target object and/or the radial velocity of the target object relative to the sensor.
  • the EI in the measurement data is the radar cross-sectional area RCS.
  • the EI in the measurement data is the sonar target intensity sonar TS.
  • the EI in the measurement data is the echo amplitude.
  • the echo intensity is the intensity of the electromagnetic wave or acoustic wave reflected from the corresponding medium interface after the electromagnetic wave or acoustic wave is sent to the interface of different media.
  • the sensor is a radar sensor
  • the measurement data includes the position information of the target object, the RCS of the target object, and the radial velocity of the target object relative to the radar sensor
  • the angle information in the position information of the target object is the azimuth angle: example.
  • the schematic diagram of measuring the target object is shown in Figure 6a.
  • the coordinate system is established with the position of the radar sensor (that is, the position of the vehicle) as the origin O, the x-axis direction is the movement direction of the radar sensor, and the y-axis direction is perpendicular to the movement of the radar sensor Direction, perpendicular to the x-axis and y-axis to establish the z-axis.
  • the coordinates of the x-axis and y-axis respectively represent the direct distance and lateral distance of the target object relative to the radar sensor, and the coordinates of the z-axis represent the radial velocity of the target object.
  • the coordinates of the x-axis and y-axis can be collected by the radar sensor. If the distance measurement and azimuth angle measurement are obtained, the measurement data obtained by measuring the target object can be represented by a vector (x, y, z).
  • the measurement data obtained by the sensor measuring A is (x A , y A , z A ), where x A and y A represent the direct distance and lateral distance of A relative to the radar sensor, ⁇ Represents the azimuth angle of A relative to the radar sensor, the length of the line segment OA is the distance from the radar sensor to A, and z A represents the radial velocity of A.
  • the measurement data includes the position information of the target object (including the distance and azimuth angle of the target object and the sensor), and the clustering algorithm is DBSCAN as an example.
  • the measurement data can be represented by a vector (x, y), x represents the direct distance of the target object relative to the sensor, y represents the lateral distance of the target object relative to the sensor, x and y can be the distance measurement and azimuth measurement collected by the sensor Find.
  • These 9 measurement data use vectors (x A , y A ), (x B , y B ), (x C , y C ), (x D , y D ), (x E , y E ), (x F , y F ), (x G , y G ), (x H , y H ), (x I , y I ) said.
  • Calculate the Euclidean distance between the 9 measurement data and according to the size of the Euclidean distance between the 9 measurement data, classify the measurement data with a smaller Euclidean distance and not greater than the preset threshold into the same cluster, and get more Clusters, as shown in Figure 6b.
  • the first cluster is a cluster including A, B, and C, or a cluster including D, E, and F, or a cluster including G, H, and I.
  • the measurement data includes the position information of the target object and the radial velocity of the target object
  • the clustering algorithm is DBSCAN as an example.
  • the measurement data can be represented by vectors (x, y, z), x represents the direct distance of the target object relative to the sensor, y represents the lateral distance of the target object relative to the sensor, z represents the radial velocity of the target object, x and y can be Obtained by the distance measurement and azimuth measurement collected by the sensor.
  • These 6 measurement data are respectively (x A , y A , v A ), (x B , y B , v B ), ( x C , y C , v C ), (x D , y D , v D ), (x E , y E , v E ), (x F , y F , v F ).
  • Calculate the Euclidean distance between the 6 measurement data and classify the measurement data with the Euclidean distance between the 6 measurement data into the same cluster according to the size of the Euclidean distance between the 6 measurement data. , Get multiple clusters.
  • the first cluster is a cluster containing A, B, and C or a cluster containing D, E, and F.
  • the first cluster is obtained as a cluster containing A, B, and C.
  • the measurement data includes the position information of the target object (including the distance between the target object and the sensor, the azimuth angle of the target object relative to the sensor), the radial velocity of the target object relative to the sensor, and the clustering algorithm is DBSCAN as an example.
  • Vector for measurement data Means d means the distance between the target object and the sensor, Represents the azimuth angle of the target object relative to the sensor, and z represents the radial velocity of the object.
  • the measurement data when the measurement data includes the echo intensity EI of the target object, this parameter can be added during clustering.
  • the measurement data contains the three-dimensional position information of the target object, which can be expressed as a vector (x, y, v), x represents the direct distance of the target object relative to the sensor, y represents the tangential distance of the target object relative to the sensor, and v represents The height of the target object relative to the sensor, x, y and v can be obtained from the distance measurement, azimuth angle measurement and pitch angle measurement collected by the sensor.
  • the measurement data also includes the echo intensity EI of the target object, the measurement data can be expressed as a vector (x, y, v, e), and e represents the echo intensity EI of the target object. Euclidean distance to determine the clustering result.
  • the first preset condition is
  • (x k , y k ) is the position coordinate of the kth first measurement data
  • ( ⁇ i , ⁇ j ) is at least one first parameter corresponding to the first grid unit (i, j)
  • d Thresh is a first preset value
  • k is an integer greater than 0.
  • the first preset algorithm is or or or ⁇ w i,j is the weight value of at least one first grid cell (i,j) corresponding to the kth first measurement data in the location grid
  • RCS k is the radar scattering in the kth first measurement data Cross-sectional area RCS
  • N is the number of all first measurement data in the first cluster where the k-th first measurement data is located
  • ⁇ RCS and RCS RB/GR are the inherent attributes of the road geometry
  • ⁇ RCS is the road geometry
  • the standard deviation of RCS, RCS RB/GR is the average value of RCS of road geometry
  • ⁇ is the second preset value.
  • S104 Determine the cumulative weight value of the first grid unit according to all the first measurement data in the first cluster.
  • the cumulative weight value of the first grid unit is obtained by accumulating at least one weight value corresponding to the first grid unit.
  • At least one first grid unit corresponding to the first first measurement data in the location grid is grid units s, b, c, and e, and the corresponding weight values are 1, 2 respectively.
  • At least one first grid unit corresponding to the second first measurement data in the location grid is grid unit b, d, c, e, and f
  • the corresponding weight values are 1, 2, 3, 4, and 5
  • at least one first grid unit corresponding to the third first measurement data in the location grid is grid units b, d, c, e, f, g, and h
  • the corresponding weight values are respectively It is 1, 2, 3, 4, 5, 6, and 7. Therefore, the cumulative weight values of the first grid cells s, b, c, e, f, g, and h corresponding to the first cluster in the location grid are 1, 4, 9, 12, 10, 6, and 7, respectively.
  • the value of k is 1, 2.
  • at least one first grid cell corresponding to the first first measurement data in the location grid is grid cell a, and the corresponding weight value is 6, and the second first measurement data is
  • the corresponding at least one first grid unit in the location grid is grid units a and c, and the corresponding weight values are 5 and 9, respectively. Therefore, the cumulative weight values of the first grid cells a and c corresponding to the first cluster in the location grid are 11 and 9, respectively.
  • the cumulative weight value of the first grid unit the position information of the target object collected by the sensor, the echo intensity EI of the target object and/or the diameter of the target object relative to the sensor are considered. To speed, consider the comprehensive factors, so that the cumulative weight value can more reflect the characteristics of the target object, reduce the impact of non-road information, thereby improving the accuracy of determining the road geometry.
  • S105 Determine, according to the cumulative weight value of the first grid unit, the target object corresponding to the first measurement data included in the first cluster as the road geometry.
  • the predefined threshold of 11 as an example. If the cumulative weight values of the first grid cells s, b, c, e, f, g, and h corresponding to the first cluster in the location grid are 1, 4, 9, 12, 10, 6, and 7, respectively, The cumulative weight value of the first grid unit e corresponding to the first cluster is greater than a predefined threshold, and the target object corresponding to the first measurement data in the first cluster is road geometry. If the cumulative weight values of the first grid units a and c corresponding to the first cluster in the location grid are 11 and 9, respectively, the cumulative weight values of the first grid units corresponding to the first cluster do not exceed the preset value. Define the threshold, then the target object corresponding to the first measurement data in the first cluster is not road geometry.
  • S102 determines that the first grid unit corresponding to each first measurement data is an optional step. If this step is skipped and S103 is executed directly, each The first grid unit corresponding to the first measurement data location grid is all grid units in the location grid. When calculating the weight value, the weight value of all the grid units is initialized to 0. S102 can effectively reduce the computational complexity of determining the weight value of the subsequent first grid unit. In addition, if step S102 is skipped and step S103 is executed directly, the first preset algorithm is or
  • the first grid unit corresponding to all the measurement data (not clustered) collected by the sensor in the location grid is determined according to the first preset condition. According to the measurement data, the weight value of the first grid unit is determined. Then, according to all the measurement data, the cumulative weight value of the first grid unit is determined.
  • the 5 measurement data there are 5 measurement data. According to the position information in the 5 measurement data and the first preset condition
  • 0, the 5 measurement data can be determined The corresponding five straight lines in the location grid. According to the grid cells passed by the five straight lines, the first grid cell corresponding to each measurement data can be determined.
  • the first grid cell corresponding to measurement data 1 is a
  • the first grid cell corresponding to measurement data 2 Is a, b
  • the first grid unit corresponding to measurement data 3 is a, b, c
  • the first grid unit corresponding to measurement data 4 is a, b, c, d
  • the first grid corresponding to measurement data 5 The units are a, b, c, d, and e.
  • the weight value of the first grid unit is 1, and the first grid unit a, b corresponding to the measurement data 2
  • the weight values of the first grid unit a, b, and c corresponding to the measurement data 3 are 1, 2, and 3, and the first grid unit a, b, c, and the measurement data 4 corresponding to the
  • the weight values of d are 1, 2, 3, and 4 respectively, and the weight values of the first grid cells a, b, c, d, and e corresponding to the measurement data 5 are 1, 2, 3, 4, and 5, respectively.
  • the cumulative weight value of the first grid unit determines the cumulative weight value of the first grid unit, the cumulative weight value of the first grid unit a is 5, the cumulative weight value of the first grid unit b is 8, and the cumulative weight value of the first grid unit c
  • the weight value is 6, the cumulative weight value of the second grid unit d is 8, and the cumulative weight value of the first grid unit e is 5.
  • the predefined threshold is 7
  • there are two first grid units that exceed the predetermined threshold the first grid unit b and the first grid unit d, and the coordinates of the two first grid units are ( ⁇ 1 , ⁇ 1 ) and ( ⁇ 2 , ⁇ 2 ). Cluster these two network units.
  • the two grid units are located in the same cluster, and the corresponding measurement of the two grid units If the data is the measurement data 2-5, it is determined that the target object corresponding to the measurement data 2-5 is the same road geometry.
  • the straight lines corresponding to these 5 measurement data are determined according to the first preset condition as shown in Fig. 6e and Fig. 6f, and then it is determined that the 5 measurement data respectively correspond to the position grid.
  • the first grid unit, and the weight value of the first grid unit corresponding to each measurement data, and then the cumulative weight value of each of these first grid units is determined according to all the measurement data. Taking the first grid units exceeding the predefined threshold as the first grid units a and d as an example, if the Euclidean distance of the first grid units a and d exceeds the preset threshold, the first grid units a and d are located at In different clusters, the measurement data corresponding to the cluster containing the first grid unit a is measurement data 1-2.
  • the determination of the weight value takes into account the target object
  • the location information and the echo intensity of the target object can further filter out the interference of non-road information. Therefore, through the above process, the interference of non-road information can be reduced, the workload and complexity of determining the road geometry can be reduced, and the accuracy of determining the road geometry can be improved, so as to better assist the vehicle in determining the driving strategy.
  • an embodiment of the present application also provides a road geometry recognition method, which can further determine the first shape of the road geometry.
  • steps S201-S202 are further included. The following describes an embodiment of the present application with reference to FIG. 7:
  • S202 Determine a first expression according to all first grid units whose cumulative weight value is greater than a predefined threshold.
  • the first expression is used to represent the first shape of the road geometry.
  • the parameters are determined, (x, y) are the position coordinates of the road geometry.
  • the first expression is determined according to the first parameter corresponding to the first grid unit whose cumulative weight value exceeds a predefined threshold determined in step S201.
  • the target object corresponding to the first cluster is road geometry
  • the first cluster corresponds to the first grid cells d, f, g, and h in the position grid, where the cumulative weight value is greater than the first predefined threshold.
  • the at least one first parameter corresponding to the first grid unit g with the largest cumulative weight value make sure that the first expression is Or for the first parameter corresponding to the first grid unit g
  • the first parameter corresponding to the first grid unit f Take the mean and get among them, Make sure that the first expression is
  • the weight value of the first grid unit is determined.
  • the cumulative weight value of the first grid unit is determined. Determine all the first grid cells whose cumulative weight value is greater than the predefined threshold, perform clustering processing on the first grid cells whose cumulative weight value is greater than the predefined threshold, and classify the first grid cells with a similar distance (not exceeding the preset threshold)
  • the grid cells are divided into the same cluster, and the measurement data corresponding to the first grid cell in the same cluster can be regarded as the measurement data of the same road geometry.
  • the at least one first parameter corresponding to the first grid unit in the same cluster is averaged, and the cluster is based on the first expression of the first shape of the obtained road geometry.
  • the cluster contains two first grid units ( ⁇ m1 , ⁇ n1 ) and ( ⁇ m2 , ⁇ n2 )
  • the first shape of the road geometry determined according to the cumulative weight value of the first grid unit is multiple short line segments (multiple short line segments can be combined into a uniform curve). Therefore, this method is more suitable for determining straight roads and uniform curves.
  • the geometric shape of the road on a curved road so as to better assist the vehicle in determining a driving strategy on a straight road and a uniform curve in order to adjust the speed, position and/or direction of the vehicle.
  • the second cluster includes at least one second measurement data.
  • S304 Determine the cumulative weight value of the second grid unit according to all the second measurement data in the second cluster.
  • S305 Determine, according to the cumulative weight value of the second grid unit, the target object corresponding to the second measurement data included in the second cluster as the road geometry.
  • steps S301-S305 can refer to the embodiments in the steps S101-S105, and the same step S302 is optional.
  • step S306 For the specific implementation process of the above step S306, refer to the embodiment in step S201.
  • the second expression is used to represent the second shape of the road geometry.
  • the second preset condition is
  • the target object corresponding to the first cluster is Road Geometry 1.
  • the first cluster corresponds to the first grid units a and c in the location grid, wherein there is only one first grid unit whose cumulative weight value is greater than the predefined threshold, that is, the first grid unit a with the largest cumulative weight value. At least one first parameter corresponding to the first grid unit a is Then the first expression used to express the shape of road geometry 1 is
  • the target object corresponding to the second cluster is Road Geometry 2.
  • the second cluster corresponds to the second grid cells d, f, g, and h in the location grid, and the second grid cell whose cumulative weight value is greater than the predefined threshold There are two, namely, the second grid unit g with the largest cumulative weight value and another second grid unit f.
  • At least one first parameter corresponding to these two second grid units is with Find the mean value of at least one first parameter corresponding to the two second grid units among them If with Meet the second preset condition, namely or Then the second expression is determined to be among them, or It should be noted that the parameters of the second expression can not only be weighted average by the grid unit, but also by the weighted average of the number of measurement data corresponding to the grid unit. For example, there are 3 measurement data corresponding to the grid unit g.
  • the cumulative weight value of the first grid unit is determined.
  • the cluster contains two first grid units ( ⁇ m1 , ⁇ n1 ) and ( ⁇ m2 , ⁇ n2 )
  • the second expression used to represent the second shape of the road geometry can be obtained.
  • the shape of the road geometry represented by the second expression is closer to reality, and it combines multiple similarities.
  • the line segment removes unnecessary interference, has higher accuracy, and can better assist the vehicle in determining the driving strategy.
  • the cumulative weight value is determined by comprehensively considering the position of the target object and the echo intensity of the target object, so the cumulative weight value is used to determine the second shape of the road geometry.
  • the second expression can reduce the influence of non-road factors and improve the accuracy of determining the second shape of the road geometry.
  • the second shape of the road geometry determined according to all the first grid units whose cumulative weight value is greater than the predefined threshold and all the second grid units whose cumulative weight value is greater than the predefined threshold is at least one long line segment or a relatively uniform curve, therefore,
  • This method can well determine the geometric shape of the road on a long straight road, so as to better assist the vehicle in determining a driving strategy on a long straight or even turning road to adjust the speed, position and/or direction of the vehicle.
  • the embodiment of the present application also provides another road geometry recognition method, which can be further used to indicate that the third shape of the road geometry is a spiral spiral. As shown in FIG. 9, after step S305 shown in FIG. 8, steps S308-S310 are further included. The following describes an embodiment of the present application with reference to FIG. 9:
  • the third cluster includes at least one third measurement data
  • the third measurement data includes first measurement data in the first cluster and second measurement data in the second cluster.
  • the first cluster and the second cluster are merged , Obtain a third cluster, where the third cluster includes at least one third measurement data.
  • the second preset condition is
  • the first clusters corresponding to all first grid units whose cumulative weight values are greater than the predefined threshold and the first clusters corresponding to all second grid units whose cumulative weight values are greater than the predefined threshold are selected to meet the second preset condition.
  • the two clusters are merged to obtain the third cluster.
  • the first cluster contains two first measurement data, A and B
  • the second cluster contains three second measurement data, C, D, and E, respectively.
  • the first cluster and the second cluster After merging, a third cluster is obtained.
  • the third cluster contains multiple third measurement data, and the multiple third measurement data are A, B, C, D, and E, respectively.
  • S309 Perform calculations according to the third measurement data in the third cluster and the second preset algorithm to determine multiple second parameters.
  • the second preset algorithm may be a least square method or a gradient descent method, and the third measurement data in the same third cluster corresponds to the same road geometry.
  • the third measurement data in the third cluster is calculated according to the least square method or the gradient descent method, and a set of second parameters is determined as c 0 , c 1 , c 2 , and c 3 .
  • the cumulative weight value of the first grid unit is determined. Determine all the first grid cells whose cumulative weight value is greater than the predefined threshold, perform clustering processing on the first grid cells whose cumulative weight value is greater than the predefined threshold, and classify the first grid cells with a similar distance (not exceeding the preset threshold) The cells are divided into the same cluster.
  • the convoluted spiral representing the third shape of the road geometry can be obtained.
  • the convoluted spiral represents the road geometry shape which is closer to reality and more accurate. High, it can better assist the vehicle to determine the driving strategy.
  • the third shape of the road geometry is determined according to the measurement data in the third cluster obtained after the first cluster and the second cluster are merged. There are more measurement data, and it can be considered that the data in the same third cluster belongs to the same road geometry, which can represent the road geometry more completely and accurately. Therefore, the third shape of the road geometry determined by the above road geometry recognition method more acurrate.
  • the third shape of the road geometry expressed by the spiral spiral is more practical, and can more accurately determine the road geometry shape of the turn and other non-straight roads, so as to better assist the vehicle in determining the turning or other non-straight roads. Autonomous driving strategy on straight roads to adjust the speed, position and/or direction of the vehicle.
  • the embodiment of the present application also provides another road geometry recognition method, which can further determine the speed of the sensor.
  • the embodiment of the present application also provides a road geometry recognition method, which further includes step S401 (not shown in the drawings). Step S401 is described below:
  • H is the radial velocity observation matrix of road geometry
  • H T is the transposed matrix of H.
  • the sensor speed is determined according to the measurement data corresponding to the road geometry and the sensor speed estimation algorithm to improve the accuracy of determining the speed of the sensor, so that the autonomous vehicle can better determine the sensor speed and road geometry Autonomous driving strategy to adjust its own speed, position and/or direction.
  • the generating module 401 is configured to generate at least one first cluster according to the measurement data of the sensor.
  • the first cluster includes at least one piece of first measurement data
  • the measurement data includes at least position information of the target object.
  • the determining module 402 is configured to determine the weight value of at least one first grid unit corresponding to the first measurement data in the location grid.
  • the determining module 402 is configured to determine the weight value of at least one first grid unit corresponding to the first measurement data in the location grid according to the first preset algorithm.
  • the measurement data also includes the echo intensity EI of the target object.
  • ⁇ w i,j is the weight value of at least one first grid unit (i,j) corresponding to the k-th first measurement data in the location grid
  • EI k is the weight value of the k-th first measurement data Echo intensity EI
  • N is the number of first measurement data in the first cluster where the k-th first measurement data is located
  • ⁇ EI and EI RB/GR are the inherent attributes of the road geometry
  • ⁇ EI is the road geometry EI standard deviation
  • EI RB/GR is the average value of EI of road geometry
  • ⁇ is the second preset value
  • ⁇ is the fifth preset value.
  • the generating module 401 is further configured to, according to the detection range of the sensor and the size of the resolution unit of the sensor, Determine the location grid.
  • the location grid includes at least one grid unit, and each grid unit corresponds to at least one first parameter.
  • the determining module 402 is further configured to determine at least one first grid unit corresponding to the first measurement data in the location grid.
  • the determining module 402 is configured to determine at least one first grid unit corresponding to the first measurement data in the location grid according to the first preset condition.
  • the first preset condition is
  • (x k , y k ) is the position coordinate of the kth first measurement data
  • ( ⁇ i , ⁇ j ) is at least one first parameter corresponding to the first grid unit (i, j)
  • d Thresh is a first preset value
  • k is an integer greater than 0.
  • the determining module 402 is further configured to determine the cumulative weight value of the first grid unit according to all the first measurement data in the first cluster. According to the cumulative weight value of the first grid unit, it is determined that the target object corresponding to the first measurement data included in the first cluster is the road geometry.
  • the road geometry includes at least one of road edges, guardrails, and lane lines.
  • the determining module 402 is also used to determine all the first grid cells whose cumulative weight value is greater than a predefined threshold.
  • the determining module 402 is further configured to determine the first expression according to all the first grid units whose cumulative weight value is greater than a predefined threshold.
  • the first parameters corresponding to all the first grid units larger than the predefined threshold are determined, and (x, y) are the position coordinates of the road geometry.
  • the determining module 402 is also used to determine all second grid units whose cumulative weight value is greater than a predefined threshold. Then, when all the first grid cells whose cumulative weight value is greater than the predefined threshold and all the second grid cells whose cumulative weight value is greater than the predefined threshold meet the second preset condition, the determining module 402 determines that the cumulative weight value is greater than the predefined threshold. All the first grid cells of the threshold and the second grid cells whose cumulative weight value is greater than the predefined threshold determine the second expression, and the second expression is used to represent the second shape of the road geometry.
  • the second preset condition is
  • the determining module 402 determines the convoluted spiral according to the multiple second parameters, and the convoluted spiral is used to represent the third shape of the road geometry.
  • the second preset condition is
  • the measurement data further includes the radial velocity of the target object
  • the position information of the target object includes the distance between the target object and the sensor and the angle information of the target object relative to the sensor.
  • the determining module 402 is also used to perform calculations based on all measurement data corresponding to the road geometry and the sensor speed estimation algorithm to determine the sensor speed estimation value.
  • the sensor speed estimation algorithm is v is the sensor speed estimation value
  • H is the radial speed observation matrix of the road geometry
  • H is determined according to the angle information of the road geometry relative to the sensor in the measurement data corresponding to the road geometry
  • H T is the transposition matrix of H
  • this application also provides a road geometry recognition device, including a processor 510 and a memory 520.
  • the processor 510 and the memory 520 are connected (for example, connected to each other through a bus 540).
  • the road geometry recognition device may further include a transceiver 530, which is connected to the processor 510 and the memory 520, and the transceiver is used to receive/send data.
  • a transceiver 530 which is connected to the processor 510 and the memory 520, and the transceiver is used to receive/send data.
  • the processor 510 may perform operations of any one of the implementations corresponding to FIGS. 6-9 and various feasible implementation manners thereof. For example, it is used to perform the operations of the generating module 401 and the determining module 402, and/or other operations described in the embodiment of the present application.
  • the aforementioned processor 510 may implement or execute various exemplary logical blocks, unit modules, and circuits described in conjunction with the disclosure of this application.
  • the processor or controller may be a central processing unit, a general-purpose processor, a digital signal processor, an application specific integrated circuit, a field programmable gate array or other programmable logic devices, transistor logic devices, hardware components, or any combination thereof. It can implement or execute various exemplary logical blocks, unit modules and circuits described in conjunction with the disclosure of this application.
  • the processor may also be a combination of computing functions, for example, a combination of one or more microprocessors, a combination of a DSP and a microprocessor, and so on.
  • the bus 540 may be an extended industry standard architecture (Extended Industry Standard Architecture, EISA) bus or the like.
  • EISA Extended Industry Standard Architecture
  • the bus 540 can be divided into an address bus, a data bus, a control bus, and so on. For ease of representation, only one thick line is used to represent in FIG. 11, but it does not mean that there is only one bus or one type of bus.
  • This application also provides a road geometry recognition device, including a non-volatile storage medium and a central processing unit.
  • the non-volatile storage medium stores an executable program.
  • the central processing unit is connected to the non-volatile storage medium and executes The program can be executed to realize the road geometry recognition method shown in Figs. 6-9 in the embodiment of the present application.
  • the present application further provides a computer-readable storage medium.
  • the computer-readable storage medium includes one or more program codes.
  • the one or more programs include instructions.
  • the processor executes the program codes
  • the The road geometry recognition device executes the road geometry recognition method shown in Figs. 6-9.
  • a computer program product in another embodiment, includes computer-executable instructions, and the computer-executable instructions are stored in a computer-readable storage medium.
  • At least one processor of the road geometry recognition device can read the computer-executable instructions from a computer-readable storage medium, and at least one processor executes the computer-executed instructions to make the road geometry recognition device implement the road geometry recognition shown in FIGS. 6-9. The corresponding steps in the method.
  • the disclosed device and method may be implemented in other ways.
  • the device embodiments described above are merely illustrative.
  • the division of the modules or units is only a logical function division.
  • there may be other division methods for example, multiple units or components may be It can be combined or integrated into another device, or some features can be omitted or not implemented.
  • the displayed or discussed mutual coupling or direct coupling or communication connection may be indirect coupling or communication connection through some interfaces, devices or units, and may be in electrical, mechanical or other forms.
  • the units described as separate parts may or may not be physically separate.
  • the parts displayed as units may be one physical unit or multiple physical units, that is, they may be located in one place, or they may be distributed to multiple different places. . Some or all of the units may be selected according to actual needs to achieve the objectives of the solutions of the embodiments.
  • each unit in each embodiment of the present application may be integrated into one processing unit, or each unit may exist alone physically, or two or more units may be integrated into one unit.
  • the above-mentioned integrated unit can be implemented in the form of hardware or software functional unit.
  • the function is implemented in the form of a software function module and sold or used as an independent product, it can be stored in a computer readable storage medium.
  • the technical solution of this application essentially or the part that contributes to the existing technology or the part of the technical solution can be embodied in the form of a software product, and the computer software product is stored in a storage medium, including Several instructions are used to make a computer device (which may be a personal computer, a server, or a network device, etc.) execute all or part of the steps of the method described in each embodiment of the present application.
  • the aforementioned storage media include: U disk, mobile hard disk, read-only memory (read-only memory, ROM), random access memory (random access memory, RAM), magnetic disk or optical disk and other media that can store program code .

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请提供了一种道路几何识别方法及装置，涉及辅助驾驶或者无人驾驶领域，用于根据传感器测量数据确定道路几何，减少非道路因素的影响，以提高确定道路几何的准确性，更好地辅助车辆确定驾驶策略。该方法包括：根据传感器的测量数据生成至少一个第一聚类，第一聚类中包括至少一个第一测量数据，测量数据中至少包括目标物体的位置信息。然后确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值，位置网格包括至少一个网格单元，每个网格单元对应至少一个第一参数。最后根据第一网格单元的累计权重值确定第一聚类包含的第一测量数据对应的目标物体为道路几何。

Description

道路几何识别方法及装置
本申请要求于2019年7月2日提交国家知识产权局、申请号为201910591331.X、申请名称为“道路几何识别方法及装置”的中国专利申请的优先权，其全部内容通过引用结合在本申请中。
技术领域
本申请涉及自动驾驶(包括辅助驾驶和无人驾驶)技术领域，尤其涉及一种道路几何识别方法及装置。
背景技术
自动驾驶(包含辅助驾驶和无人驾驶)是智能汽车发展的重要方向，并且越来越多的车辆中开始应用自动驾驶系统来实现车辆的自动驾驶功能。通常地，自动驾驶系统能需要随时地确定车辆的可行驶区域，在确定可行驶区域的过程中，一个重要的方面是需要确定出当前行驶道路的道路几何。
目前现有的道路几何检测技术是，利用摄像头采集道路图像，经图像识别系统进行提取分析后，确定道路几何，但是摄像头采集到的图像易受环境，天气，光照等多重因素的干扰，且车辆行驶过程中，道路几何易被其他车辆遮挡。因此，在天气、光照或遮挡等因素的影响下，采用现有技术对同一道路采集到的图像中的颜色、道路边缘等信息可能会与实际情况存在较大差异，从而降低确定道路几何的准确性。
发明内容
本申请提供一种道路几何识别方法及装置，提高确定道路几何的准确性，以减少非道路因素的影响，更好的辅助车辆确定驾驶策略。
为达到上述目的，本申请采用如下技术方案：
第一方面，本申请实施例提供一种道路几何识别方法，该方法应用于具有自动驾驶(包含辅助驾驶)功能的装置中，如车辆，车辆中的芯片系统，以及处理器上运行的操作系统和驱动，该方法包括：根据传感器的测量数据生成至少一个第一聚类，第一聚类中包括至少一个第一测量数据，测量数据中至少包括目标物体的位置信息。然后确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，进而根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值，位置网格中包括至少一个网格单元，每个网格单元对应至少一个第一参数。最后根据第一网格单元的累计权重值，确定第一聚类包含的第一测量数据对应的目标物体为道路几何。
在本申请实施例所描述的道路几何识别方法中，首先，本申请对测量数据进行聚类处理，可以滤除部分不相关的杂波信号和其他物体的测量数据，因此可以降低确定道路几何的工作量和复杂度，并提高根据测量数据来确定道路几何的准确性。其次，根据测量数据确定第一网格单元的累计权重值，再根据累计权重值来确定测量数据对应的目标物体是否为道路几何，可以进一步滤除非道路信息的干扰，提高确定道路几何的准确性，从而更好地辅助车辆确定驾驶策略。
在一种可能的设计中，道路几何包括道路边沿、护栏和车道线中的至少一种。
在一种可能的设计中，根据传感器的探测范围和/或传感器的分辨单元大小，确定 位置网格。
在一种可能的设计中，在确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值之前，还包括：根据第一预设条件|x kcosθ i+y ksinθ i-ρ j|≤d Thresh，确定第一测量数据在位置网格中对应的至少一个第一网格单元，其中(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。在一种可能的设计中，测量数据还包括目标物体的回波强度(echo intensity，EI)。
在一种可能的设计中，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，包括：根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
在一种可能的设计中，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，包括：根据第一预设算法确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。其中，第一预设算法可以为指数函数形式：
Figure PCTCN2020098278-appb-000001
或
Figure PCTCN2020098278-appb-000002
或者第一预设算法可以为对数函数形式：
Figure PCTCN2020098278-appb-000003
或
Figure PCTCN2020098278-appb-000004
或者第一预设算法可以为常数形式：△w i,j＝λ/N。
其中，△w i,j为第k个第一测量数据在位置网格中对应的至少一个第一网格单元(i，j)的权重值，(θ i，ρ j)是第一网格单元(i，j)对应的至少一个第一参数，EI k为第k个第一测量数据中的回波强度EI，N为第k个第一测量数据所在的第一聚类中的第一测量数据的个数，σ EI和EI RB/GR为道路几何的自带属性，σ EI为道路几何的EI的标准差，EI RB/GR是道路几何的EI平均值，σ为第二预设数值，λ为第五预设数值。
在一种可能的设计中，先确定累计权重值大于预定义门限的所有第一网格单元，再根据累计权重值大于预定义门限的所有第一网格单元确定用于表示道路几何的第一形状的第一表达式x*cosθ i*+y*sinθ i*＝ρ j*。第一表达式中的(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。需要说明的是，预定义门限可以根据需要进行自定义，在一种可能设计中，可以直接选择累计权重最大的M个第一网络单元，其等价于设定预定义门限，使其仅小于累计权重值最大的M个第一网格单元，根据这M个第一网格单元对应的第一参数确定用于表示道路几何的第一形状的第一表达式。
在本申请实施例所描述的道路几何识别方法中，确定第一网格单元的权重值时综合考虑到了测量数据中的回波强度EI以及位置信息。因此，利用第一网格单元的累计权重值对目标物体对应的测量数据进行过滤，确定道路几何的第一形状的技术方案，可以很好的减少非道路因素的影响，提高确定道路几何的第一形状的准确性。其次，根据第一网格单元的累计权重值确定的道路几何的第一形状为至少一条短线段(可比较容易地表示直线道路和均匀弯道)，因此，该方法更适用于确定直线道路和 均匀弯道上的道路几何的形状，从而更好地辅助车辆确定在直线道路和均匀弯道上的驾驶策略。
在一种可能的设计中，根据测量数据生成至少一个第二聚类，第二聚类包括至少一个第二测量数据。然后确定第二测量数据在位置网格中对应的至少一个第二网格单元的权重值，进而根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值。最后根据第二网格单元的累计权重值确定第二聚类包含的第二测量数据对应的道路几何。
在一种可能的设计中，先确定累计权重值大于预定义门限的所有第二网格单元，若累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的所有第二网格单元满足第二预设条件，则根据累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的第二网格单元确定第二表达式，第二表达式用于表示道路几何的第二形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，对预定义门限的值进行自定义，以确定M个累计权重值最大的第二网格单元和M个累计权重值最大的第一网格单元。若累计权重值最大的M个第一网格单元以及累计权重值最大的M个第二网格单元满足第二预设条件，则根据累计权重值最大的M个第一网格单元以及累计权重值最大的M个第二网格单元确定第二表达式，第二表达式用于表示道路几何的第二形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值最大的M个第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值最大的M个第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值最大的M个第一网格单元对应的第一参数以及累计权重值最大的M个第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在本申请实施例所描述的道路几何识别方法中，首先，累计权重值的确定综合考虑到了目标物体的位置以及目标物体的回波强度EI，因此利用累计权重值确定用于表示道路几何的第二形状的第二表达式，可以减少非道路因素的影响，提高确定道路几何的第二形状的准确性。其次，根据所有选出的第一网格单元和第二网格单元确定的道路几何的第二形状为至少一条长线段，因此，该方法可以很好的确定长直道路上的道路几何的形状，从而更好地辅助车辆确定在长直道路上的驾驶策略。
在一种可能的设计中，先确定累计权重值大于预定义门限的所有第二网格单元，若累计权重值大于预定义门限的所有第一网格单元(或者累计权重值最大的M个第一网格单元)和累计权重值大于预定义门限的所有第二网格单元(或者累计权重值最大的M个第二网格单元)满足第二预设条件，则将第一聚类和第二聚类进行合并，得到第三聚类，第三聚类包括至少一个第三测量数据。根据第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数，其中，第二预设算法可以为最小二乘法 或梯度下降法。根据多个第二参数，确定回旋螺线，回旋螺线用于表示道路几何的第三形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值，回旋螺线的表达形式为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为多个第二参数，(x，y)为道路几何的位置坐标。
在本申请的实施例所描述的道路几何识别方法中，根据第一聚类和第二聚类合并后得到的第三聚类中的测量数据确定道路几何的第三形状，可以认为第三聚类中的数据属于同一道路几何，排除噪声和其他物体或其他道路几何的干扰，因此采用上述道路几何识别方法所确定的道路几何的第三形状更完整。另外，利用回旋螺线来表示道路几何的第三形状更加贴合实际，可以较为准确的确定转弯处以及各种直线/非直道路的道路几何的形状，从而更好地辅助车辆确定在弯道、直道等各种道路情况下的驾驶策略。
在一种可能的实现方式中，测量数据还包括目标物体的径向速度，目标物体的位置信息：包括目标物体与传感器的距离以及目标物体相对于传感器的角度信息。根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值。其中，传感器速度估计算法为
Figure PCTCN2020098278-appb-000005
v为传感器速度估计值，H为道路几何的径向速度观测矩阵，H根据道路几何对应的测量数据中的道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
Figure PCTCN2020098278-appb-000006
为道路几何对应的测量数据中的径向速度矩阵。
采用上述道路几何识别方法，根据道路几何对应的测量数据以及传感器速度估计算法，确定传感器的速度，一般也对应于自动驾驶车辆自车速度，使得自动驾驶车辆能够根据传感器速度以及道路几何更好地确定驾驶策略，以调整其自身的速度、位置和/或方向。
第二方面，本申请实施例提供一种道路几何识别装置，该装置具有实现上述第一方面中任一项的道路几何识别方法的功能。该功能可以通过硬件实现，也可以通过硬件执行相应的软件来实现。该硬件或软件包括一个或多个与上述功能相对应的模块。
第三方面，本申请提供一种道路几何识别装置，该装置可以为车辆，也可以是能够支持车辆实现自动驾驶功能的装置，可以和车辆匹配使用，例如车辆中的装置(比如车辆中的传感器，或者车辆的计算机系统上运行的操作系统和/或驱动等)。该装置包括生成模块、确定模块，这些模块可以执行上述第一方面任一种设计示例中的道路几何识别装置执行的相应功能，具体的：
生成模块，用于根据测量数据生成至少一个第一聚类，第一聚类包含至少一个第一测量数据，测量数据至少包括目标物体的位置信息。
确定模块，用于确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，位置网格包括至少一个网格单元，其中每个网格单元对应至少一个第一参数。
确定模块，用于根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值。根据第一网格单元的累计权重值确定第一聚类包含的第一测量数据对应的目标物体为 道路几何。
在一种可能的设计中，道路几何包括道路边沿、护栏和车道线中的至少一种。
在一种可能的设计中，生成模块，还用于根据传感器的探测范围和/或传感器的分辨单元大小，确定位置网格。
在一种可能的设计中，确定模块，还用于根据第一预设条件，确定第一测量数据在位置网格中对应的至少一个第一网格单元。其中，第一预设条件为|x kcosθ i+y ksinθ i-ρ j|≤d Thresh，(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。
在一种可能的设计中，测量数据还包括目标物体的回波强度EI。
在一种可能的设计中，确定模块，具体用于根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
在一种可能的设计中，确定模块，具体用于根据第一预设算法，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
其中，第一预设算法可以为指数函数形式：
Figure PCTCN2020098278-appb-000007
或
Figure PCTCN2020098278-appb-000008
或者第一预设算法可以为对数函数形式：
Figure PCTCN2020098278-appb-000009
或者第一预设算法可以为常数形式：△w i,j＝λ/N。
其中，△w i,j为第k个第一测量数据在位置网格中对应的至少一个第一网格单元(i，j)的权重值，(θ i，ρ j)是第一网格单元(i，j)对应的至少一个第一参数，EI k为第k个第一测量数据中的回波强度EI，N为第k个第一测量数据所在的第一聚类中的第一测量数据的个数，σ EI和EI RB/GR为道路几何的自带属性，σ EI为道路几何的EI的标准差，EI RB/GR是道路几何的EI平均值，σ为第二预设数值，λ为第五预设数值。
在一种可能的设计中，确定模块，还用于确定累计权重值大于预定义门限的所有第一网格单元。然后由确定模块根据累计权重值大于预定义门限的所有第一网格单元确定用于表示道路几何的第一形状的第一表达式。其中，第一表达式为x*cosθ i*+y*sinθ i*＝ρ j*，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，生成模块，还用于根据测量数据生成至少一个第二聚类；第二聚类包括至少一个第二测量数据。
确定模块，还用于确定第二测量数据在位置网格中对应的第二网格单元的权重值。然后由确定模块根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值。最后根据第二网格单元的累计权重值确定第二聚类包含的第二测量数据对应的目标物体为道路几何。
在一种可能的设计中，确定模块，还用于确定累计权重值大于预定义门限的所有第二网格单元。然后由确定模块在累计权重值大于预定义门限的所有第一网格单元以及累计权 重值大于预定义门限的所有第二网格单元满足第二预设条件时，根据累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的第二网格单元确定第二表达式，第二表达式用于表示道路几何的第二形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，对预定义门限的值进行自定义，确定模块，还用于确定累计权重值最大的M个第二网格单元以及M个累计权重值最大的第一网格单元。确定模块用于在累计权重值累计权重值最大的M个第一网格单元以及累计权重值最大的M个第二网格单元满足第二预设条件时，根据累计权重值最大的M个第一网格单元以及累计权重值最大的M个第二网格单元确定第二表达式，第二表达式用于表示道路几何的第二形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值最大的M个第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值最大的M个第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值最大的M个第一网格单元对应的第一参数以及累计权重值最大的M个第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，确定模块，用于在确定累计权重值大于预定义门限的所有第二网格单元(或者累计权重值最大的M个第二网格单元)后，由确定模块在累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元(或者累计权重值最大的M个第二网格单元)满足第二预设条件时，将第一聚类和第二聚类进行合并，得到第三聚类，第三聚类包括至少一个第三测量数据。根据第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数，其中，第二预设算法为最小二乘法或梯度下降法。确定模块再根据多个第二参数，确定用于表示道路几何的第三形状的回旋螺线，其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。回旋螺线为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为多个第二参数，(x，y)为道路几何的位置坐标。
在一种可能的设计中，确定模块，还用于根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值。其中，传感器速度估计算法为
Figure PCTCN2020098278-appb-000010
v为传感器速度估计值，H为道路几何的径向速度观测矩阵，H根据道路几何对应的测量数据中的道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
Figure PCTCN2020098278-appb-000011
为道路几何对应的测量数据中的径向速度矩阵。
第四方面，提供一种道路几何识别装置，包括：处理器和存储器；该存储器用于 存储计算机执行指令，当该道路几何识别装置运行时，该处理器执行该存储器存储的该计算机执行指令，以使该道路几何识别装置执行如上述第一方面以及第一方面中任一项的道路几何识别方法。
第五方面，提供一种道路几何识别装置，包括：处理器；处理器用于与存储器耦合，并读取存储器中的指令之后，根据指令执行如上述第一方面以及第一方面中任一项的道路几何识别方法。
第六方面，本申请实施例中还提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上述第一方面以及第一方面中任一项的道路几何识别方法。
第七方面，本申请实施例中还提供一种计算机程序产品，包括指令，当其在计算机上运行时，使得计算机执行如上述第一方面以及第一方面中任一项的道路几何识别方法。
第八方面，本申请实施例提供一种道路几何识别装置，该装置可以为芯片系统，该芯片系统包括处理器，还可以包括存储器，用于实现上述方法的功能。该芯片系统可以由芯片构成，也可以包含芯片和其他分立器件。
第九方面，提供一种道路几何识别装置，该装置可以为电路系统，电路系统包括处理电路，处理电路被配置为执行如上述第一方面以及第一方面中任一项的道路几何识别方法。
第十方面，本申请实施例提供了一种系统，系统包括第二至第五方面以及第八、九方面中的任一方面的装置和/或第六方面的可读存储介质和/或第七方面中的计算机程序产品。
附图说明
图1为本申请实施例提供的一种自动驾驶车辆的结构示意图一；
图2为本申请实施例提供的一种自动驾驶车辆的结构示意图二；
图3为本申请实施例提供的一种计算机系统的结构示意图；
图4为本申请实施例提供的一种云侧指令自动驾驶车辆的应用示意图；
图5为本申请实施例提供的一种计算机程序产品的结构示意图；
图6为本申请实施例提供的道路几何识别方法流程示意图一；
图6a为本申请实施例提供的一种对目标物体进行测量的示意图；
图6b为本申请实施例提供的一种二维第一聚类的示意图；
图6c为本申请实施例提供的一种三维第一聚类的示意图；
图6d为本申请实施例提供的一种位置网格的示意图；
图6e为本申请实施例提供的一种第一测量数据在位置网格中对应的至少一个第一网格单元的示意图一；
图6f为本申请实施例提供的一种第一测量数据在位置网格中对应的至少一个第一网格单元的示意图二；
图7为本申请实施例提供的道路几何识别方法示意图二；
图8为本申请实施例提供的道路几何识别方法示意图三；
图9为本申请实施例提供的道路几何识别方法示意图四；
图10为本申请实施例提供的道路几何识别装置的结构示意图一；
图11为本申请实施例提供的道路几何识别装置的结构示意图二。
具体实施方式
为了便于理解，对本申请实施例中涉及到的相关术语进行说明，如下所示：
自动驾驶：自动驾驶技术是依靠人工智能、视觉计算、雷达、监控装置和全球定位系统协同合作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆的技术。根据美国汽车工程师协会(society of automotive engineers，SAE)的分类标准，自动驾驶技术分为：无自动化(L0)、驾驶支援(L1)、部分自动化(L2)、有条件自动化(L3)、高度自动化(L4)和完全自动化(L5)。
径向速度：物理学名词，一般指物体运动速度在观察者视线方向的速度分量，即速矢量在视线方向的投影。
雷达散射截面积(radar cross section，RCS)：RCS是一个等效面积，当这个面积所截获的雷达照射能量各同性地向周围散射时，在单位立体角内散射的功率恰好等于目标向接收天线方向单位立体角内散射的功率。对于某雷达数据点，雷达散射截面积反应了该点对应的目标物体的反射强度。
声纳目标强度(sonar target strength,sonar TS)：目标强度(target strength，TS)定量描述目标反射本领的大小，从回声强度角度描述目标的声学特性。
欧氏距离：欧几里得度量(euclidean metric)(也称欧氏距离)是一个通常采用的距离定义，指在n维空间中两个点之间的真实距离，或者向量的自然长度(即该点到原点的距离)。在二维和三维空间中的欧氏距离就是两点之间的实际距离。在n维空间中，两点的坐标分别为(x 1，x 2，…，x n)和(y 1，y 2，…，y n)，则这两点之间的欧氏距离为
Figure PCTCN2020098278-appb-000012
本申请实施例提供的道路几何识别方法应用在具有自动驾驶或者辅助驾驶功能的车辆上，或者应用于具有控制自动驾驶功能的其他设备(比如云端服务器)中。车辆可通过其包含的组件(包括硬件和软件)实施本申请实施例提供的道路几何识别方法，识别道路几何。或者，其他设备(比如服务器)用于实施本申请实施例的道路几何识别方法，识别道路几何，并确定车辆速度(即传感器速度)，以制定驾驶策略。
图1是本申请实施例提供的车辆100的功能框图。在一个实施例中，将车辆100配置为辅助驾驶或者完全的自动驾驶模式。例如，车辆100可以在处于辅助驾驶或完全的自动驾驶模式的同时识别道路几何，并且基于所识别的道路几何来制定驾驶策略，进而控制车辆100进行自动化驾驶。车辆100还可以在识别道路几何后，将道路几何与已存储的地图信息进行匹配，得到更准确的环境信息，从而确定更好的驾驶策略。在车辆100处于自动驾驶模式时，车辆100不与驾驶员发生交互，自主完成避障、跟车、车道保持、自动泊车等动作。在车辆100处于辅助驾驶模式时，车辆100根据驾驶策略对驾驶员进行提示，驾驶员根据提示完成避障、跟车、车道保持、自动泊车等动作。
车辆100可包括各种子系统，例如行进系统110、传感器系统120、控制系统130、无线通信系统140以及电源150、计算机系统160和用户接口170。可选地，车辆100可包括更多或更少的子系统，并且每个子系统可包括多个元件。另外，车辆100的每 个子系统和元件可以通过有线或者无线互连。
行进系统110可包括为车辆110提供动力的组件，例如引擎、传动装置等。
传感器系统120可包括感测关于车辆100周边的环境的信息的若干个传感器。例如，传感器系统120可包括定位系统121(定位系统可以是GPS系统，也可以是北斗系统或者其他定位系统)、惯性测量单元(inertial measurement unit，IMU)122、雷达传感器123、激光雷达124、视觉传感器125、超声波传感器126以及声纳传感器127中的至少一个。可选地，传感器系统120还可包括被监视车辆100的内部系统的传感器(例如，车内空气质量监测器、燃油量表、机油温度表等)。来自这些传感器中的一个或多个的传感器数据可用于检测对象及其相应特性(位置、形状、方向、速度等)。这种检测和识别是自主车辆100的安全操作的关键功能。
定位系统121可用于估计车辆100的地理位置。IMU 122用于基于惯性加速度来感测车辆100的位置和朝向变化。在一个实施例中，IMU 122可以是加速度计和陀螺仪的组合。
雷达传感器123可利用电磁波信号来感测车辆100的周边环境内的物体。在一些实施例中，除了感测物体的位置以外，雷达传感器123还可用于感测物体的径向速度和/或该物体的雷达散射截面积RCS。
超声波传感器126可利用超声波来感测车辆100的周边环境内的物体。在一些实施例中，除了感测物体的位置外，超声波传感器126还可用于感测物体的径向速度和/或该物体的回波幅度。
声纳传感器127可利用声波来感测车辆100的周边环境内的物体。在一些实施例中，除了感测物体的位置以外，声纳传感器127还可用于感测物体的径向速度和/或该物体的声纳目标强度sonar TS。
激光雷达124可利用激光来感测车辆100所位于的环境中的物体。在一些实施例中，激光雷达124可包括一个或多个激光源、激光扫描器以及一个或多个检测器，以及其他系统组件。
视觉传感器125可用于捕捉车辆100的周边环境的多个图像。视觉传感器125可以是静态相机或视频相机。
控制系统130可控制车辆100及其组件的操作。控制系统130可包括各种元件，例如计算机视觉系统131、路线控制系统132以及障碍规避系统133等系统中的至少一个。
计算机视觉系统131可以操作来处理和分析由视觉传感器125捕捉的图像以及由雷达传感器123得到的测量数据，以便识别车辆100周边环境中的物体和/或特征。所述物体和/或特征可包括交通信号、道路边界和障碍物。计算机视觉系统131可使用物体识别算法、运动中恢复结构(structure from motion，SFM)算法、视频跟踪和其他计算机视觉技术。在一些实施例中，计算机视觉系统131可以用于为环境绘制地图、跟踪物体、估计物体的速度等等。
路线控制系统132用于确定车辆100的行驶路线。在一些实施例中，路线控制系统132可结合来自雷达传感器123、定位系统121和一个或多个预定地图的数据以为车辆100确定行驶路线。
障碍规避系统133用于识别、评估和避免或者以其他方式越过车辆100的环境中的潜在障碍物。
当然，在一个实例中，控制系统130可以增加或替换地包括除了所示出和描述的那些以外的组件。或者也可以减少一部分上述示出的组件。
车辆100可利用无线通信系统140获取所需信息，其中，无线通信系统140可以直接地或者经由通信网络来与一个或多个设备无线通信。例如，无线通信系统140可使用3G蜂窝通信，例如CDMA、EVD0、GSM/GPRS，或者4G蜂窝通信，例如LTE。或者5G蜂窝通信。无线通信系统140可利用WiFi与无线局域网(wireless local area network，WLAN)通信。在一些实施例中，无线通信系统140可利用红外链路、蓝牙或ZigBee与设备直接通信。其他无线协议，例如各种车辆通信系统，例如，无线通信系统140可包括一个或多个专用短程通信(dedicated short range communications，DSRC)设备。
车辆100的部分或所有功能受计算机系统160控制。计算机系统160可包括至少一个处理器161，处理器161执行存储在例如数据存储装置162这样的非暂态计算机可读介质中的指令1621。计算机系统160还可以是采用分布式方式控制车辆100的个体组件或子系统的多个计算设备。
处理器161可以是任何常规的处理器，诸如商业可获得的中央处理单元(central processing unit，CPU)。替选地，该处理器可以是诸如专用集成电路(application specific integrated circuit，ASIC)或其它基于硬件的处理器的专用设备。尽管图1功能性地图示了处理器、存储器、和在相同物理外壳中的其它元件，但是本领域的普通技术人员应该理解该处理器、计算机系统、或存储器实际上可以包括可以存储在相同的物理外壳内的多个处理器、计算机系统、或存储器，或者包括可以不存储在相同的物理外壳内的多个处理器、计算机系统、或存储器。例如，存储器可以是硬盘驱动器，或位于不同于物理外壳内的其它存储介质。因此，对处理器或计算机系统的引用将被理解为包括对可以并行操作的处理器或计算机系统或存储器的集合的引用，或者可以不并行操作的处理器或计算机系统或存储器的集合的引用。不同于使用单一的处理器来执行此处所描述的步骤，诸如转向组件和减速组件的一些组件每个都可以具有其自己的处理器，所述处理器只执行与特定于组件的功能相关的计算。
在此处所描述的各个方面中，处理器可以位于远离该车辆并且与该车辆进行无线通信。在其它方面中，此处所描述的过程中的一些在布置于车辆内的处理器上执行而其它则由远程处理器执行，包括采取执行单一操纵的必要步骤。
可选地，上述组件只是一个示例，实际应用中，上述各个模块中的组件有可能根据实际需要增添或者删除，图1不应理解为对本申请实施例的限制。
在道路行进的自动驾驶或带有辅助驾驶系统的汽车，如上面的车辆100，可以识别其周围环境内的道路几何以确定其驾驶策略或作出相应辅助警告。道路几何可以是车道线、护栏、绿化带、道路边沿或者其它物体。在一些示例中，可以独立地考虑每个识别的道路几何，并且基于道路几何的各自的特性，诸如它的位置、与车辆的间距等以及本车的行驶速度、接下来的路线规划，可以用来确定自动驾驶汽车的驾驶策略。
可选地，自动驾驶汽车车辆100或者与自动驾驶车辆100相关联的计算设备(如 图1的计算机系统160、计算机视觉系统131、数据存储装置162)可以基于所识别的测量数据来预测所述和识别道路几何。可选地，每一个所识别的道路几何都依赖于彼此，因此，还可以将所获取的所有测量数据全部一起考虑来预测和识别单个道路几何。车辆100能够基于预测的所述识别的道路几何来调整它的驾驶策略。换句话说，自动驾驶汽车能够基于所预测的道路几何来确定车辆将需要调整到什么位置。在这个过程中，也可以考虑其它因素来确定车辆100的位置，诸如，车辆100在行驶过程中周围车辆的状态、天气状况等等。
除了提供用于识别道路几何，以调整自动驾驶汽车的驾驶策略之外，计算设备还可以提供调整车辆100的速度的指令，以使得自动驾驶汽车在遵循给定的轨迹和/或维持与自动驾驶汽车附近的物体(例如，道路上的相邻车道中的轿车)的安全横向和纵向距离的同时，调整其速度(例如，加速、减速、转向或者停止)为安全速度，达到稳定状态，或者在辅助驾驶模式下，驾驶员根据显示器上的转向、加速、制动指示，做出相应的操作，使车辆达到稳定状态。
上述车辆100可以为轿车、卡车、摩托车、公共汽车、船、飞机、直升飞机、割草机、娱乐车、游乐场车辆、施工设备、电车、高尔夫球车、火车、和手推车等，本申请实施例不做特别的限定。
在本申请的另一些实施例中，自动驾驶车辆还可以包括硬件结构和/或软件模块，以硬件结构、软件模块、或硬件结构加软件模块的形式来实现上述各功能。上述各功能中的某个功能以硬件结构、软件模块、还是硬件结构加软件模块的方式来执行，取决于技术方案的特定应用和设计约束条件。
参见图2，示例性的，车辆中可以包括以下模块：
环境感知模块201，用于获取路侧传感器与车载传感器探测的目标物体的测量数据信息。路侧传感器与车载传感器可以是激光雷达、毫米波雷达、超声波传感器、声纳传感器等，环境感知模块获取到的数据可以是雷达探测到的点云数据，环境感知模块可以将这些数据处理成可识别的目标物体的位置、径向速度、角度、尺寸大小等测量数据，并向规则控制模块传递这些数据，以便于这两个控制模块生成驾驶策略。
规则控制模块202：该模块是自动驾驶车辆所具备的传统控制模块，用于从环境感知模块接收车辆自身的状态信息(比如速度、位置等)和环境信息(比如道路几何、路面条件、天气条件等)，并基于这些信息识别出道路几何，并生成相应的驾驶策略，输出驾驶策略对应的动作指令，并向车辆控制模块203发送该动作指令，该动作指令用于指示车辆控制模块203对车辆进行自动驾驶控制。
车辆控制模块203：用于从规则控制模块202接收动作指令，以控制车辆完成自动驾驶的操作。
车载通信模块204(图2中并未示出)：用于自车和其他车之间的信息交互。
存储组件205(图2中并未示出)，用于存储上述各个模块的可执行代码。运行这些可执行代码可实现本申请实施例的部分或全部方法流程。
在本申请实施例的一种可能的实现方式中，如图3所示，图1所示的计算机系统160包括处理器301，处理器301和系统总线302耦合。处理器301可以是一个或者多个处理器，其中每个处理器都可以包括一个或多个处理器核。显示适配器(video  adapter)303，显示适配器303可以驱动显示器309，显示器309和系统总线302耦合。系统总线302通过总线桥304和输入输出(I/O)总线(BUS)305耦合。I/O接口306和I/O总线305耦合。I/O接口306和多种I/O设备进行通信，比如输入设备307(如：键盘，鼠标，触摸屏等)，多媒体盘(media tray)308,(例如，CD-ROM，多媒体接口等)。收发器315(可以发送和/或接收无线电通信信号)，摄像头310(可以捕捉静态和动态数字视频图像)和外部通用串行总线(universal serial bus，USB)接口311。其中，可选地，和I/O接口306相连接的接口可以是USB接口。
其中，处理器301可以是任何传统处理器，包括精简指令集计算(reduced instruction set computer，RISC)处理器、复杂指令集计算(complex instruction set computer，CISC)处理器或上述的组合。可选地，处理器可以是诸如专用集成电路(ASIC)的专用装置。可选地，处理器301可以是神经网络处理器或者是神经网络处理器和上述传统处理器的组合。
可选地，在本文所述的各种实施例中，计算机系统160可位于远离自动驾驶车辆的地方，并且可与自动驾驶车辆100无线通信。在其它方面，本文所述的一些过程可设置在自动驾驶车辆内的处理器上执行，其它一些过程由远程处理器执行，包括采取执行单个操纵所需的动作。
计算机系统160可以通过网络接口312和软件部署服务器(deploying server)313通信。网络接口312是硬件网络接口，比如，网卡。网络(network)314可以是外部网络，比如因特网，也可以是内部网络，比如以太网或者虚拟私人网络(VPN)。可选地，网络314还可以为无线网络，比如WiFi网络，蜂窝网络等。
在本申请的另一些实施例中，本申请实施例的道路几何识别方法还可以由芯片系统执行。本申请实施例提供了一种芯片系统。由主CPU(Host CPU)和神经网络处理器(neural processing unit，NPU)共同配合，可实现图1中车辆100所需功能的相应算法，也可实现图2所示车辆所需功能的相应算法，也可以实现图3所示计算机系统160所需功能的相应算法。
在本申请的另一些实施例中，计算机系统160还可以从其它计算机系统接收信息或转移信息到其它计算机系统。或者，从车辆100的传感器系统120收集的传感器数据可以被转移到另一个计算机，由另一计算机对此数据进行处理。来自计算机系统160的数据可以经由网络被传送到云侧的计算机系统用于进一步的处理。网络以及中间节点可以包括各种配置和协议，包括因特网、万维网、内联网、虚拟专用网络、广域网、局域网、使用一个或多个公司的专有通信协议的专用网络、以太网、WiFi和HTTP、以及前述的各种组合。这种通信可以由能够传送数据到其它计算机和从其它计算机传送数据的任何设备执行，诸如调制解调器和无线接口。
参见图4，为自主驾驶车辆和云服务中心(云服务器)交互的示例。云服务中心可以经诸如无线通信网络的网络411，从其操作环境400内的自动驾驶车辆413、412接收信息(诸如车辆传感器收集到的数据或者其它信息)。
云服务中心420根据接收到的数据，运行其存储的道路几何识别的相关的程序，对自动驾驶车辆413、412行驶的道路几何进行识别。根据测量数据识别道路几何的相关的程序可以为：对测量数据进行聚类的程序，或者确定道路几何的形状的程序， 或者确定传感器速度的程序。
示例性的，云服务中心420通过网络411可将地图的部分提供给车辆413、412。在其它示例中，可以在不同位置之间划分操作。例如，多个云服务中心可以接收、证实、组合和/或发送信息报告。在一些示例中还可以在车辆之间发送信息报告和/传感器数据。其它配置也是可能的。
如图5所示，在一些示例中，信号承载介质501可以包含计算机可读介质503，诸如但不限于，硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等等。在一些实施方式中，信号承载介质501可以包含计算机可记录介质504，诸如但不限于，存储器、读/写(R/W)CD、R/W DVD、等等。在一些实施方式中，信号承载介质501可以包含通信介质505，诸如但不限于，数字和/或模拟通信介质(例如，光纤电缆、波导、有线通信链路、无线通信链路、等等)。因此，例如，信号承载介质501可以由无线形式的通信介质505(例如，遵守IEEE 802.11标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令502可以是，例如，计算机可执行指令或者逻辑实施指令。在一些示例中，诸如针对图1至图4描述的计算设备可以被配置为，响应于通过计算机可读介质503、和/或计算机可记录介质504、和/或通信介质505中的一个或多个传达到计算设备的程序指令502，提供各种操作、功能、或者动作。应该理解，这里描述的布置仅仅是用于示例的目的。因而，本领域技术人员将理解，其它布置和其它元素(例如，机器、接口、功能、顺序、和功能组等等)能够被取而代之地使用，并且一些元素可以根据所期望的结果而一并省略。另外，所描述的元素中的许多是可以被实现为离散的或者分布式的组件的、或者以任何适当的组合和位置来结合其它组件实施的功能实体。
本申请实施例提供的道路几何识别方法均应用在自动/半自动驾驶场景中，可以由图1-图4所示的处理器161和处理器301执行。下面结合各个附图详细描述本申请实施例的道路几何识别方法。
本申请实施例提供一种道路几何识别方法，如图6所示，该方法包括如下步骤，下面结合图6，对本申请的实施例进行描述：
S101、根据传感器的测量数据生成至少一个第一聚类。
其中，第一聚类中的测量数据为第一测量数据，第一聚类中包括至少一个第一测量数据，测量数据至少包括目标物体的位置信息，目标物体为道路几何或者其他车辆等非道路几何的物体。
值得说明的是，在进行步骤S101之前，还需要先获取传感器探测目标物体的测量数据。其中，测量数据至少包括目标物体的位置信息，目标物体的位置信息包括目标物体与传感器的距离和/或目标物体相对于传感器的角度信息(角度信息包括方位角和/或俯仰角)。
可选的，本申请实施例中的传感器为雷达传感器、超声波传感器或者声纳传感器，也可以为其他传感器，例如激光雷达等。此时，测量数据中还包括目标物体的回波强度EI和/或目标物体相对于传感器的径向速度。当传感器为雷达传感器或者激光雷达时，测量数据中的EI为雷达散射截面积RCS，当传感器为声纳传感器时，测量数据 中的EI为声纳目标强度sonar TS，当传感器为超声波传感器时，测量数据中的EI为回波幅度。其中，回波强度是电磁波或者声波等发送到不同媒质界面上后，从相应的媒质界面反射回来的电磁波或声波的强度。
示例性的，以传感器为雷达传感器，测量数据包括目标物体的位置信息、目标物体的RCS，以及目标物体相对于雷达传感器的径向速度，且目标物体的位置信息中的角度信息为方位角为例。对目标物体进行测量的示意图如图6a所示，以雷达传感器所在位置(即车辆所在位置)为原点O建立坐标系，x轴方向为雷达传感器的运动方向，y轴方向垂直于雷达传感器的运动方向，垂直于x轴和y轴建立z轴。x轴和y轴的坐标分别表示目标物体相对于雷达传感器的正对距离和横向距离，z轴的坐标表示目标物体的径向速度，其中，x轴和y轴的坐标可以由雷达传感器收集到的距离测量和方位角测量求得，则对于目标物体进行测量所得到的测量数据可以用向量(x，y，z)表示。若A为目标物体，传感器对A进行测量得到的测量数据为(x A，y A，z A)，其中，x A和y A分别表示A相对于雷达传感器的正对距离和横向距离，α表示A相对于雷达传感器的方位角，线段OA的长度即从雷达传感器到A的距离，z A表示A的径向速度。若用A的体积(或面积)大小表示A的RCS大小，此时测量数据可以用向量(x A，y A，z A，RCS A)表示，若再加上目标物体的俯仰角信息，则可将原向量扩展为(x A，y A，z A，v A，RCS A)。
在一种可能的实现方式中，在获取传感器的测量数据之后，通过聚类算法，对测量数据进行聚类，得到至少一个第一聚类。
示例性的，聚类算法可以为基于密度的噪声应用空间聚类(density-based spatial clustering of applications with noise，DBSCAN)方法、基于点排序的聚类结构识别(ordering points to identify the clustering structure，OPTICS)方法、或者基于层次密度的噪声应用空间聚类(hierarchical density-based spatial clustering of applications with noise，HDBSCAN)方法。值得说明的是，聚类算法还可以为基于模型的聚类(model-based methods)方法，并不局限于本申请实施例中提及到的聚类算法。
示例性的，以测量数据包括目标物体的位置信息(包括目标物体与传感器的距离和方位角)，聚类算法为DBSCAN为例。测量数据可以用向量(x，y)表示，x表示目标物体相对于传感器的正对距离，y表示目标物体相对于传感器的横向距离，x和y可以由传感器收集到的距离测量和方位角测量求得。测量数据有9个，分别为A、B、C、D、E、F、G、H、I，这9个测量数据分别用向量(x A，y A)、(x B，y B)、(x C，y C)、(x D，y D)、(x E，y E)、(x F，y F)、(x G，y G)、(x H，y H)、(x I，y I)表示。计算这9个测量数据之间的欧氏距离，并根据这9个测量数据之间的欧式距离的大小，将欧式距离较小且不大于预设阈值的测量数据划入同一聚类，得到多个聚类，如图6b所示。其中，第一聚类为包含A、B、C的聚类，或者包含D、E、F的聚类，或者包含G、H、I的聚类。
示例性的，以测量数据包括目标物体的位置信息和目标物体的径向速度，聚类算法为DBSCAN为例。测量数据可以用向量(x，y，z)表示，x表示目标物体相对于传感器的正对距离，y表示目标物体相对于传感器的横向距离，z表示目标物体的径向速度，x和y可以由传感器收集到的距离测量和方位角测量求得。测量数据有6个， 分别为A、B、C、D、E、F，这6个测量数据分别用(x A，y A，z A)、(x B，y B，z B)、(x C，y C，z C)、(x D，y D，z D)、(x E，y E，z E)、(x F，y F，z F)表示。计算这6个测量数据之间的欧氏距离，根据这6个测量数据之间的欧氏距离的大小，将欧氏距离较小且不大于预设阈值的测量数据划入同一聚类，得到多个聚类，如图6c所示。其中，第一聚类为包含A、B、C的聚类或者包含D、E、F的聚类。
示例性的，以测量数据包括目标物体的位置信息(包括目标物体与传感器的距离、目标物体相对于传感器的方位角和俯仰角)，聚类算法为DBSCAN为例。测量数据用向量(x，y，v)表示，其中，x表示目标物体相对于传感器的正对距离，y表示目标物体相对于传感器的横向距离，v表示目标物体相对于传感器的高度，x、y和v可以由传感器收集到的距离测量、方位角测量和俯仰角测量求得。测量数据有6个，分别为A、B、C、D、E、F，这6个测量数据分别用(x A，y A，v A)、(x B，y B，v B)、(x C，y C，v C)、(x D，y D，v D)、(x E，y E，v E)、(x F，y F，v F)表示。计算这6个测量数据之间的欧氏距离，根据将这6个测量数据之间的欧氏距离的大小，将欧氏距离较小且不大于预设阈值)的测量数据划入同一聚类，得到多个聚类。其中，第一聚类为包含A、B、C的聚类或者包含D、E、F的聚类。
示例性的，以测量数据包括目标物体的位置信息(包括目标物体与传感器的距离、目标物体相对于传感器的方位角)，聚类算法为DBSCAN为例。测量数据用向量
Figure PCTCN2020098278-appb-000013
Figure PCTCN2020098278-appb-000014
表示，d表示目标物体与传感器的距离，
Figure PCTCN2020098278-appb-000015
表示目标物体相对于传感器的方位角。测量数据有3个，分别为A、B、C，这3个测量数据分别用
Figure PCTCN2020098278-appb-000016
和
Figure PCTCN2020098278-appb-000017
表示。计算这3个测量数据之间的欧氏距离，并根据这3个测量数据之间的欧氏距离的大小进行聚类，将欧氏距离较小且不大于预设阈值的测量数据划分到同一聚类中，得到第一聚类为包含A、B、C的聚类。
示例性的，以测量数据包括目标物体的位置信息(包括目标物体与传感器的距离、目标物体相对于传感器的方位角)、目标物体相对于传感器的径向速度，聚类算法为DBSCAN为例。测量数据用向量
Figure PCTCN2020098278-appb-000018
表示，d表示目标物体与传感器的距离，
Figure PCTCN2020098278-appb-000019
表示目标物体相对于传感器的方位角，z表示物体的径向速度。测量数据有3个，分别为A、B和C，用
Figure PCTCN2020098278-appb-000020
和
Figure PCTCN2020098278-appb-000021
表示。计算这3个测量数据之间的欧氏距离，并根据将这3个测量数据之间的欧氏距离的大小进行聚类，将欧氏距离较小且不大于预设阈值的测量数据划分到同一聚类中，得到第一聚类为包含A、B、C的聚类。
可选的，当测量数据包括目标物体的回波强度EI时，可以在聚类时可以加上该参数。例如，测量数据包含目标物体的三维位置信息，可以表示为向量(x，y，v)，x表示目标物体相对于传感器的正对距离，y表示目标物体相对于传感器的切向距离，v表示目标物体相对于传感器的高度，x、y和v可以由传感器收集到的距离测量、方位角测量和俯仰角测量求得。若测量数据中还包括目标物体的回波强度EI，则测量数据则可表示为向量(x，y，v，e)，e表示目标物体的回波强度EI，同样根据各个测量数据向量之间的欧式距离，确定聚类结果。
需要说明的是，首先，相对于利用摄像头采集到的图像确定道路边沿的方案来说，本申请实施例中所用到的雷达传感器、声纳传感器或者超声波传感器等传感器，采集 到的测量数据的准确度和稳定性更高，不易受到光照等因素的影响，因此根据测量数据确定道路几何，可以提高确定道路几何的准确率。另外，通过上述过程，对传感器收集到的测量数据进行聚类处理，可以有效滤除测量数据中的干扰信息，例如不相关的杂波信号和其他物体的测量数据，降低数据处理的工作量和复杂度，提高确定道路几何的准确性，从而更好的辅助车辆确定驾驶策略。
S102、确定第一测量数据在位置网格中对应的至少一个第一网格单元。
其中，第一聚类中的测量数据为第一测量数据，每个第一聚类中包括至少一个第一测量数据，位置网格包括至少一个网格单元，每个网格单元对应至少一个第一参数。
可选的，在步骤S102之前，还需要根据传感器的探测范围和传感器的分辨单元大小，确定位置网格，其中，传感器的探测范围用于确定位置网格的大小，传感器的分辨单元大小用于确定预设网格分辨单元大小，进而根据位置网格的大小和预设网格分辨单元大小确定位置网格，预设网格分辨单元的大小也可以根据实际情况确定。
示例性的，如图6d所示，位置网格中的每个网格单元对应的至少一个第一参数(即该网格单元左下角的坐标)为(ρ，θ)。若传感器的最大探测距离为Rm，分辨单元大小为0.1m，则ρ的取值范围为[0，2R]或[-R，R]，θ的取值范围为[0，π]或[-π/2，π/2]，ρ的分辨单元大小ρ res大小可以为0.1m，θ的分辨单元大小θ res大小可以为0.1°。
在一种可能的实现方式中，根据第一预设条件，确定第一测量数据在位置网格中对应的至少一个第一网格单元。第一预设条件用于根据第一测量数据确定位置网格中的一个区域，该区域中的网格单元为该第一测量数据在位置网格中对应的至少一个第一网格单元。其中，第一预设条件为|x kcosθ i+y ksinθ i-ρ j|≤d Thresh，(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。
示例性的，第一预设数值d Thresh＝0，第一预设条件为|x kcosθ i+y ksinθ i-ρ j|＝0。若包含测量数据A、B的聚类为第一聚类，则对于该第一聚类来说，k的取值为1和2，根据第一聚类中的第一测量数据A，B以及第一预设条件可以得到位置网格中的2条直线，分别为直线1、直线2，如图6e所示，每条直线经过至少一个第一网格单元，第一聚类中的第一测量数据与第一网格单元的对应关系如下表1所示。若包含测量数据C、D和E的聚类为第一聚类，则对于第一聚类来说，k的取值为1、2和3，根据第一聚类中的第一测量数据C、D、E以及第一预设条件可以得到位置网格中的3条直线，分别为直线3、直线4和直线5，如图6f所示，每条直线经过至少一个第一网格单元，第一聚类中的第一测量数据与第一网格单元的对应关系如下表2所示。
表1
Figure PCTCN2020098278-appb-000022
表2
Figure PCTCN2020098278-appb-000023
Figure PCTCN2020098278-appb-000024
需要说明的是，第一预设条件中的第一预设数值d Thresh并不局限于上述实施例中提到的0，还可以为2ρ res等预设值，具体的，第一预设数值d Thresh可以根据实际情况来确定。
S103、确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
可选的，在一种可能的实现方式中，在利用步骤S102确定第一测量数据在位置网格中对应的至少一个第一网格单元后，再根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，以及第一预设算法确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
第一预设算法可以为指数函数形式：
Figure PCTCN2020098278-appb-000025
或
Figure PCTCN2020098278-appb-000026
或者第一预设算法可以为对数函数形式：
Figure PCTCN2020098278-appb-000027
或者第一预设算法可以为常数形式：△w i,j＝λ/N。
其中，△w i,j为第k个第一测量数据在位置网格中对应的至少一个第一网格单元(i，j)的权重值，(θ i，ρ j)是第一网格单元(i，j)对应的至少一个第一参数，EI k为第k个第一测量数据中的回波强度EI，N为第k个第一测量数据所在的第一聚类中的第一测量数据的个数，σ EI和EI RB/GR为道路几何的自带属性，σ EI为道路几何的EI的标准差，EI RB/GR是道路几何的EI平均值，σ为第二预设数值，λ为第五预设数值。
示例性的，如上表1所示，若第一聚类为包含测量数据A、B的聚类，则第一聚类中的第一测量数据有两个，即N＝2，第一聚类中的第1个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元a，若σ＝2ρ res，EI RB/GR＝0.1，σ EI＝0.1，第五预设数值λ＝1，则第一网格单元a的权重值为
Figure PCTCN2020098278-appb-000028
或者
Figure PCTCN2020098278-appb-000029
或者
Figure PCTCN2020098278-appb-000030
或者
Figure PCTCN2020098278-appb-000031
或者
Figure PCTCN2020098278-appb-000032
若第一聚类为包含测量数据C、D、E的聚类，则第一聚类中的第一测量数据有三个，即N＝3，第一聚类中的第2个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元b、c、d、e和f，若σ＝2ρ res，EI RB/GR＝0.1，σ EI＝0.1，第五预设数值λ＝1，σ＝2ρ res，第一网格单元d的权重值
Figure PCTCN2020098278-appb-000033
或者
Figure PCTCN2020098278-appb-000034
或者
Figure PCTCN2020098278-appb-000035
或者
Figure PCTCN2020098278-appb-000036
或者
Figure PCTCN2020098278-appb-000037
需要说明的是，σ的值可以根据实际情况确定，并不局限于本申请实施例中涉及到的σ＝2ρ res。
示例性的，当传感器为雷达传感器时，第一预设算法为
Figure PCTCN2020098278-appb-000038
或者
Figure PCTCN2020098278-appb-000039
或者
Figure PCTCN2020098278-appb-000040
或者
Figure PCTCN2020098278-appb-000041
△w i,j为第k个第一测量数据在位置网格中对应的至少一个第一网格单元(i，j)的权重值，RCS k为第k个第一测量数据中的雷达散射截面积RCS，N为第k个第一测量数据所在的第一聚类中所有第一测量数据的个数，σ RCS和RCS RB/GR为道路几何的自带属性，σ RCS为道路几何的RCS的标准差，RCS RB/GR是道路几何的RCS平均值，σ为第二预设数值。
S104、根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值。
第一网格单元的累计权重值由第一网格单元对应的至少一个权重值累加得到。
示例性的，第一聚类对应的第一测量数据有两个，因此N＝2，k的取值为1或2。在该第一聚类中，第1个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元a，其权重值为
Figure PCTCN2020098278-appb-000042
第2个第一测量数据的对应的第一网格单元为网格单元a和c，第一网格单元a的权重值为
Figure PCTCN2020098278-appb-000043
第一网格单元c的权重值为
Figure PCTCN2020098278-appb-000044
因此，第一聚类对应的第一网格单元a的累计权重值为
Figure PCTCN2020098278-appb-000045
第一网格单元c的累计权重值为
Figure PCTCN2020098278-appb-000046
其余网格单元累计权重为零。
示例性的，若第一聚类对应的第一测量数据有3个，则N＝3，k的取值为1、2或3。在该第一聚类中，第1个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元s、b、c和e，对应的权重值分别为1、2、3和4，第2个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元b、d、c、e和f，对应的权重值分别为1、2、3、4和5，第3个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元b、d、c、e、f、g和h，对应的权重值分别为1、2、3、4、5、6和7。因此第一聚类在位置网格中对应的第一网格单元s、b、c、e、f、g和h的累计权重值分别为1、4、9、12、10、6和7。若第一聚类对应的第一测量数据有2个，则N＝2，k的取值为1、2。在该第一聚类中，第1个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元a，对应的权重值为6，第2个第一测量数据在位置网格中对应的至少一个第一网格单元为网格单元a和c，对应的权重值分别为5和9。因此第一聚类在位置网格中对应的第一网格单元a和c对应的累计权重值分别为11和9。
需要说明的是，在确定第一网格单元的累计权重值的过程中，考虑到了传感器所收集到的目标物体的位置信息、目标物体的回波强度EI和/或目标物体相对于传感器的径向速度，考虑因素全面，使得累计权重值更能够反应目标物体的特性，减少非道 路信息的影响，从而提高确定道路几何的准确性。
S105、根据第一网格单元的累计权重值确定第一聚类包含的第一测量数据对应的目标物体为道路几何。
其中，道路几何包括道路边沿、护栏和车道线中的至少一种。
可选的，在一种可能的实现方式中，若第一聚类中的所有第一测量数据在位置网格中对应的至少一个第一网格单元中，存在累计权重值大于预定义门限的第一网格单元，则该第一聚类中包含的第一测量数据对应的目标物体为道路几何。
示例性的，以预定义门限为11为例。若第一聚类在位置网格中对应的第一网格单元s、b、c、e、f、g和h的累计权重值分别为1、4、9、12、10、6和7，该第一聚类对应的第一网格单元e的累计权重值大于预定义门限，则该第一聚类中的第一测量数据对应的目标物体为道路几何。若第一聚类在位置网格中对应的第一网格单元a和c的累计权重值分别为11和9，该第一聚类对应的第一网格单元的累计权重值均未超过预定义门限，则该第一聚类中的第一测量数据对应的目标物体不是道路几何。
可选的，在一种可能的实现方式中，若第一聚类中的所有第一测量数据在位置网格中对应的至少一个第一网格单元中，存在累计权重值大于预定义门限的第一网格单元，则确定累计权重值大于预定义门限的第一网格单元对应的第一测量数据所对应的目标物体为道路几何。
在另一种可能的实现方式中，首先确定第一聚类对应的第一网格单元中累计权重值最大的第一网格单元p，然后判断该第一网格单元p的累计权重值是否大于预定义门限，若大于，确定该第一聚类中的第一测量数据对应的目标物体为道路几何。
示例性的，以预定义门限为9为例。若第一聚类在位置网格中对应的第一网格单元s、b、c、e、f、g和h的累计权重值分别为1、4、9、12、10、6和7，该第一聚类对应的第一网格单元中，累计权重值最大的第一网格单元为第一网格单元e，12>9，则该第一聚类中的第一测量数据对应的目标物体为道路几何。若第一聚类在位置网格中对应的第一网格单元a和c的累计权重值为11和9，在该第一聚类对应的第一网格单元中，累计权重值最大的第一网格单元为第一网格单元a，11>9，则该第一聚类中的第一测量数据对应的目标物体为道路几何。
可选的，在另一种可能的实现方式中，认为第一聚类中的第一测量数据必定对应道路几何，可直接根据M的取值，从第一聚类对应的第一网格单元中筛选出M个第一网格单元，确定与这M个第一网格单元相对应的第一测量数据对应的目标物体为道路几何。
示例性的，设定M＝1，若第一聚类在位置网格中对应的第一网格单元a和c，对应的累计权重值为11和9，则可以根据M的取值，从第一聚类中筛选出1个累计权重值较大的第一网格单元a，确定与该第一聚类相对应的第一测量数据对应的目标物体为道路几何。
可选的，在另一种可能的实现方式中，需要说明的是，S102确定每个第一测量数据对应的第一网格单元为可选步骤，若跳过此步骤直接执行S103，则每个第一测量数据位置网格中对应的第一网格单元为该位置网格中的所有网格单元，在计算权重值时，初始化所有的网格单元权重值为0。S102可以有效减少确定后续第一网格单元的权重值的计算复杂度。另外，若跳过步骤S102直接执行步骤S103时，第一预设算法 为
Figure PCTCN2020098278-appb-000047
或者
Figure PCTCN2020098278-appb-000048
在一种可能的实现中，先根据第一预设条件，确定传感器收集到的所有的测量数据(未聚类)在位置网格中对应的第一网格单元。根据测量数据，确定第一网格单元的权重值。之后根据所有测量数据，确定第一网格单元的累计权重值。确定所有累计权重值大于预定义门限的第一网格单元(或选取累计权重值最大的M个第一网格单元)，在位置网格空间中，根据坐标向量(θ i，ρ j)对这些第一网格单元进行聚类处理，将距离相近(不超过预设阈值)的第一网格单元划分到同一聚类中，同一聚类中的第一网格单元所对应的测量数据可以认为是同一个道路几何的测量数据。
示例性的，测量数据有5个，根据这5个测量数据中的位置信息以及第一预设条件|x kcosθ i+y ksinθ i-ρ j|＝0，可以确定这5个测量数据在位置网格中对应的五条直线。根据这5条直线经过的网格单元，可以确定每个测量数据对应的第一网格单元，例如，测量数据1对应的第一网格单元为a，测量数据2对应的第一网格单元为a、b，测量数据3对应的第一网格单元为a、b、c，测量数据4对应的第一网格单元为a、b、c、d，测量数据5对应的第一网格单元为a、b、c、d、e。再根据第一预设算法和测量数据确定第一网格单元的权重值，测量数据1对应的第一网格单元a的权重值为1，测量数据2对应的第一网格单元a、b的权重值分别为1、2，测量数据3对应的第一网格单元a、b、c的权重值为1、2、3，测量数据4对应的第一网格单元a、b、c、d的权重值分别为1、2、3、4，测量数据5对应的第一网格单元a、b、c、d、e的权重值分别为1、2、3、4、5。根据所有测量数据，确定第一网格单元的累计权重值，第一网格单元a的累计权重值为5，第一网格单元b的累计权重值为8，第一网格单元c的累计权重值为6，第二网格单元d的累计权重值为8，第一网格单元e的累计权重值为5。若预定义门限为7，则超过预定门限的第一网格单元有两个，分别为第一网格单元b和第一网格单元d，这两个第一网格单元的坐标分别为(θ 1，ρ 1)和(θ 2，ρ 2)。对这2个网络单元进行聚类，若第一网格单元b、d的欧式距离不超过预设阈值，则这两个网格单元位于同一聚类，且这两个网格单元对应的测量数据为测量数据2-5，则确定测量数据2-5所对应的目标物体为同一道路几何。
示例性的，测量数据有5个，根据第一预设条件分别确定这5个测量数据对应的直线如图6e和图6f所示，进而确定这5个测量数据在位置网格中分别对应的第一网格单元，以及各个测量数据对应的第一网格单元的权重值，再根据所有测量数据确定这些第一网格单元各自的累计权重值。以超过预定义门限的第一网格单元为第一网格单元a和d为例，若第一网格单元a、d的欧式距离超过预设阈值，则第一网格单元a和d位于不同聚类中，包含第一网格单元a的聚类对应的测量数据为测量数据1-2，确定测量数据1-2对应的目标物体为同一道路几何，包含第一网格单元d的聚类对应的测量数据为测量数据3-5，确定测量数据3-5对应的目标物体为另一道路几何。
需要说明的是，测量数据中包含目标物体的位置信息，以及回波强度EI和/或目标物体相对于传感器的径向速度，因此根据测量数据确定位置网格中每个网格单元的累计权重值，再通过累计权重值确定道路几何，可以有效滤除非道路信息，即无关物体(如车辆等)的测量数据的干扰，提高确定道路几何的准确性，从而更好的辅助车 辆确定驾驶策略。
本申请实施例提供了一种道路几何识别方法，根据传感器的测量数据生成至少一个第一聚类，第一聚类中包含至少一个第一测量数据，测量数据中至少包括目标物体的位置信息。然后确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，进而根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值。最后根据第一网格单元的累计权重值确定第一聚类包含的第一测量数据对应的目标物体为道路几何。在本申请实施例所描述的道路几何识别方法中，对测量数据进行聚类处理，可以滤除部分不相关的杂波信号和其他物体的测量数据，另外，权重值的确定考虑到了目标物体的位置信息以及目标物体的回波强度，可以进一步滤除非道路信息的干扰。因此，通过上述过程，可以减少非道路信息的干扰，降低确定道路几何的工作量和复杂度，并提高确定道路几何的准确性，从而更好地辅助车辆确定驾驶策略。
基于图6所示的道路几何识别方法确定道路几何后，本申请实施例还提供了一种道路几何识别方法，可以进一步确定道路几何的第一形状。如图7所示，在图6所示的步骤S105之后，还包括步骤S201-S202，下面结合图7，对本申请实施例进行描述：
S201、确定累计权重值大于预定义门限的所有第一网格单元。
对于对应道路几何的第一聚类，根据预定义门限，来确定该第一聚类对应的第一网格单元中累计权重值大于预定义门限的第一网格单元。
示例性的，若第一聚类中的第一测量数据对应的目标物体为道路几何，且该第一聚类在位置网格中对应的第一网格单元a和c的累计权重值为9和11，预定义门限为8，则对于该第一聚类来说，累计权重值大于预定义门限的第一网格单元为第一网格单元a和c。
可选的，在对应道路几何的第一聚类对应的第一网格单元中，直接选取累计权重值最大的M个第一网格单元。
S202、根据累计权重值大于预定义门限的所有第一网格单元确定第一表达式。
其中，第一表达式用于表示道路几何的第一形状。第一表达式为x*cosθ i*+y*sinθ i*＝ρ j*，其中(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的实现方式中，根据步骤S201中确定的累计权重值超过预定义门限的第一网格单元对应的第一参数来确定第一表达式。
当累计权重值大于预定义门限的第一网格单元仅有一个，即累计权重值最大的第一网格单元，将累计权重值最大的第一网格单元(i*，j*)对应的至少一个参数(θ i*，ρ j*)用来确定第一表达式。
示例性的，第一聚类中的第一测量数据对应的目标物体为道路几何。第一聚类在位置网格中对应第一网格单元a和c，其中累计权重值大于预定义门限的第一网格单元仅有一个，即累计权重值最大的第一网格单元a。对于该第一聚类，根据第一网格单元a对应的至少一个第一参数
Figure PCTCN2020098278-appb-000049
确定第一表达式为
Figure PCTCN2020098278-appb-000050
可选的，当累计权重值大于预定义门限的第一网格单元有多个时，根据累计权重值最大的第一网格单元(i*，j*)对应的至少一个参数(θ i*，ρ j*)确定第一表达式，或者对累计权重大于预定义门限的多个第一网格单元对应的至少一个第一参数取均值，根据这多个第一网格单元对应的第一参数的均值，确定第一表达式。
示例性的，第一聚类对应的目标物体为道路几何，第一聚类在位置网格中对应第一网格单元d、f、g和h，其中累计权重值大于预定义门限的第一网格单元有2个，即累计权重值最大的第一网格单元g以及另一第一网格单元f。则可以根据累计权重值最大的第一网格单元g对应的至少一个第一参数
Figure PCTCN2020098278-appb-000051
确定第一表达式为
Figure PCTCN2020098278-appb-000052
或者对第一网格单元g对应的第一参数
Figure PCTCN2020098278-appb-000053
和第一网格单元f对应的第一参数
Figure PCTCN2020098278-appb-000054
取均值，得到
Figure PCTCN2020098278-appb-000055
其中，
Figure PCTCN2020098278-appb-000056
Figure PCTCN2020098278-appb-000057
确定第一表达式为
Figure PCTCN2020098278-appb-000058
可选的，对于对应道路几何的第一聚类，也可以根据各个第一网格单元对应的第一测量数据的个数，对超过预定义门限的第一网格单元对应的第一参数进行加权运算并求均值，最后根据计算结果确定该第一聚类中的第一测量数据对应的道路几何的第一形状的表达式。
示例性的，第一聚类对应的目标物体为道路几何2，第一聚类在位置网格中对应第一网格单元d、f、g和h，其中累计权重值大于预定义门限的第一网格单元有2个，即累计权重值最大的第一网格单元g以及另一第一网格单元f。第一网格单元g对应的第一测量数据有3个，第一网格单元f对应的第一测量数据有1个。对第一网格单元g对应的第一参数
Figure PCTCN2020098278-appb-000059
和第一网格单元f对应的第一参数
Figure PCTCN2020098278-appb-000060
取加权平均值，得到
Figure PCTCN2020098278-appb-000061
其中，
Figure PCTCN2020098278-appb-000062
确定第一表达式为
Figure PCTCN2020098278-appb-000063
在一种可能的实现中，先利用传感器收集到的所有的测量数据(未聚类)，结合第一预设条件，确定测量数据在位置网格中对应的第一网格单元。根据测量数据，确定第一网格单元的权重值。之后根据所有测量数据，确定第一网格单元的累计权重值。确定所有累计权重值大于预定义门限的第一网格单元，对这些累计权重值大于预定义门限的第一网格单元进行聚类处理，将距离相近(不超过预设阈值)的第一网格单元划分到同一聚类中，同一聚类中的第一网格单元所对应的测量数据可以认为是同一个道路几何的测量数据。对同一聚类中的第一网格单元对应的至少一个第一参数求均值，根据该聚类根据所得道路几何的第一形状的第一表达式。
示例性的，若聚类中仅包含一个第一网格单元为(θ p，ρ q)，则确定该聚类对应的道路几何的第一形状的第一表达式为x*cosθ p+y*sinθ p＝ρ q。若聚类中包含两个第一网格单元分别为(θ m1，ρ n1)和(θ m2，ρ n2)，则确定该聚类对应的道路几何的第一形状的第一表达式为x*cosθ m3+y*sinθ m3＝ρ n3，其中，θ m3＝(θ m1+θ m2)/2，ρ n3＝(ρ n1+ρ n2)/2。
在本申请实施例所描述的道路几何识别方法中，对于对应道路几何的第一聚类，先确定累计权重值大于预定义门限的所有第一网格单元，再根据累计权重值大于预定义门限的所有第一网格单元确定用于表示道路几何的第一形状的第一表达式。首先，确定第一网格单元的累计权重值时综合考虑到了测量数据中的回波强度EI以及位置信息。因此，利用第一网格单元的累计权重值对目标物体对应的测量数据进行过滤，确定道路几何的第一形状的技术方案，可以很好的减少非道路因素的影响，提高确定道路几何的第一形状的准确性。其次，根据第一网格单元的累计权重值确定的道路几何的第一形状为多条短线段(多条短线段可组合成均匀弯道)，因此，该方法更适用于确定直线道路、均匀弯道路上的道路几何的形状，从而更好地辅助车辆确定在直线道路、均匀弯道上的驾驶策略，以调整该车辆的速度、位置和/或方向。
基于图6所示的道路几何识别方法确定道路几何后，本申请实施例还提供了另一种道路几何识别方法，可以进一步确定道路几何的第二形状。如图8所示，在图6所 示的步骤S105之后，还包括步骤S301-S307，下面结合图8，对本申请的实施例进行描述：
S301、根据测量数据生成至少一个第二聚类。
其中，第二聚类包括至少一个第二测量数据。
S302、确定第二测量数据在位置网格中对应的至少一个第二网格单元。
S303、确定第二测量数据在位置网格中对应的至少一个第二网格单元的权重值。
S304、根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值。
S305、根据第二网格单元的累计权重值确定第二聚类包含的第二测量数据对应的目标物体为道路几何。
上述步骤S301-S305的具体实现可以参照步骤S101-S105中的实施例，同样步骤S302是可选的。
S306、确定累计权重值大于预定义门限的所有第二网格单元。
上述步骤S306的具体实现过程参照步骤S201中的实施例。
S307、确定第二表达式。
其中，第二表达式用于表示道路几何的第二形状。
若累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的所有第二网格单元满足第二预设条件，则根据累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的第二网格单元确定第二表达式。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
示例性的，第一聚类对应的目标物体为道路几何1。第一聚类在位置网格中对应第一网格单元a和c，其中累计权重值大于预定义门限的第一网格单元仅有一个，即累计权重值最大的第一网格单元a，第一网格单元a对应的至少一个第一参数为
Figure PCTCN2020098278-appb-000064
Figure PCTCN2020098278-appb-000065
则用以表示道路几何1的形状的第一表达式为
Figure PCTCN2020098278-appb-000066
第二聚类对应的目标物体为道路几何2，第二聚类在位置网格中对应第二网格单元d、f、g和h，其中累计权重值大于预定义门限的第二网格单元有2个，即累计权重值最大的第二网格单元g以及另一第二网格单元f，这两个第二网格单元对应的至少一个第一参数为
Figure PCTCN2020098278-appb-000067
和
Figure PCTCN2020098278-appb-000068
对这两个第二网格单元对应的至少一个第一参数求均值得
Figure PCTCN2020098278-appb-000069
其中
Figure PCTCN2020098278-appb-000070
若
Figure PCTCN2020098278-appb-000071
和
Figure PCTCN2020098278-appb-000072
Figure PCTCN2020098278-appb-000073
满足第二预设条件，即
Figure PCTCN2020098278-appb-000074
或者
Figure PCTCN2020098278-appb-000075
则确定第二表达式为
Figure PCTCN2020098278-appb-000076
其中，
Figure PCTCN2020098278-appb-000077
或者
Figure PCTCN2020098278-appb-000078
需要说明的是，第二表达式的参数不仅可以通过网格单元加权平均，也可以通过网格单元所对应的测量数据数量加权平均，比如，网格单元g对应的测量数据有3个，网格单元f对应的测量数据有5个，网格单元a对应的测量数据有4个，则
Figure PCTCN2020098278-appb-000079
需要说明的是，Thresh、p和q为预设数值，可以根据实际情况确定，并不局限于本申请实施例中给出的数值。
示例性的，Thresh＝2ρ res，p＝0，q＝0.1。
在一种可能的实现中，获取测量数据后，先利用传感器收集到的所有的测量数据(未聚类)，结合第一预设条件，确定测量数据在位置网格中对应的第一网格单元，或者直接根据测量数据，确定第一网格单元的权重值。之后根据所有测量数据，确定第一网格单元的累计权重值。确定所有累计权重值大于预定义门限的第一网格单元，对这些累计权重值大于预定义门限的第一网格单元进行聚类处理，将距离相近(不超过预设阈值)的第一网格单元划分到同一聚类中，同一聚类中的第一网格单元所对应的测量数据可以认为是同一个道路几何的测量数据。对同一聚类中的第一网格单元对应的至少一个第一参数求均值，若不同聚类中的第一网格单元对应的至少一个第一参数的均值满足第二预设条件，则根据满足第二预设条件的不同聚类中的第一网格单元对应的至少一个第一参数的均值确定第二表达式。
示例性的，若聚类中包含一个第一网格单元为(θ p，ρ q)，则确定该聚类对应的道路几何的第一形状的第一表达式为x*cosθ p+y*sinθ p＝ρ q。若聚类中包含两个第一网格单元分别为(θ m1，ρ n1)和(θ m2，ρ n2)，则确定该聚类对应的道路几何的第一形状的第一表达式为x*cosθ m3+y*sinθ m3＝ρ n3，其中，θ m3＝(θ m1+θ m2)/2，ρ n3＝(ρ n1+ρ n2)/2。若(θ p，ρ q)和(θ m3，ρ n3)满足第二预设条件，则用于表示道路几何的第二形状的第二表达式为x*cosθ m4+y*sinθ m4＝ρ n4，其中，θ m4＝(θ m3+θ p)/2，ρ n4＝(ρ n3+ρ q)/2。
通过上述过程，可以得到用于表示道路几何的第二形状的第二表达式，相对于第一表达式，第二表达式所表示的道路几何的形状更贴近于实际，融合了多条相似小线段，去除了多余的干扰，准确性更高，可以更好地辅助车辆确定驾驶策略。
在本申请实施例所描述的道路几何识别方法中，累计权重值的确定综合考虑到了目标物体的位置以及目标物体的回波强度，因此利用累计权重值确定用于表示道路几何的第二形状的第二表达式，可以减少非道路因素的影响，提高确定道路几何的第二形状的准确性。根据累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元确定的道路几何的第二形状为至少一条长线段或较均匀曲线，因此，该方法可以很好的确定长直道路上的道路几何的形状，从而更好地辅助车辆确定在长直或均匀转弯道路上的驾驶策略，以调整该车辆的速度、位置和/或方向。
基于图8所示的道路几何识别方法确定道路几何后，本申请实施例还提供了另一种道路几何识别方法，可以进一步用于表示道路几何的第三形状为回旋螺线。如图9所示，在图8所示的步骤S305之后，还包括步骤S308-S310，下面结合附图9对本申请实施例进行描述：
S308、将第一聚类和第二聚类进行合并，得到第三聚类。
其中，第三聚类包括至少一个第三测量数据，该第三测量数据包括第一聚类中的第一测量数据和第二聚类中的第二测量数据。
若累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元满足第二预设条件，则将第一聚类和第二聚类进行合并，得到第三聚类， 所述第三聚类包括至少一个第三测量数据。
其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh，或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。
示例性的，将满足第二预设条件的累计权重值大于预定义门限的所有第一网格单元对应的第一聚类和累计权重值大于预定义门限的所有第二网格单元对应的第二聚类进行合并，得到第三聚类。第一聚类中包含2个第一测量数据，分别为A和B，第二聚类中包含3个第二测量数据，分别为C、D和E，将第一聚类和第二聚类进行合并，得到一个第三聚类，则这个第三聚类中包含多个第三测量数据，这多个第三测量数据分别为A、B、C、D和E。
S309、根据第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数。
其中，第二预设算法可以为最小二乘法或梯度下降法，同一第三聚类中的第三测量数据对应同一个道路几何。
示例性的，根据最小二乘法或者梯度下降法，对第三聚类中的第三测量数据进行计算，确定一组第二参数为c 0、c 1、c 2、c 3。
S310、根据多个第二参数，确定回旋螺线。
其中，回旋螺线用于表示道路几何的第三形状，回旋螺线的表达式为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为第二参数，(x，y)为道路几何的位置坐标。
示例性的，若利用最小二乘法对第三聚类中的第三测量数据进行计算，得到第二参数为c 0＝c 1＝0、c 2＝1、c 3＝2，则用于该第三聚类对应的道路几何的第三形状的回旋螺线的表达式为y＝x 2+2x 3.若利用最小二乘法对第三聚类中的第三测量数据进行计算，得到的第二参数为c 0＝1、c 1＝3、c 2＝1、c 3＝2，则用于表示该第三聚类对应的道路几何的第三形状的回旋螺线的表达式为为y＝1+3x+x 2+2x 3。
在一种可能的实现中，获取测量数据后，先利用传感器收集到的所有的测量数据(未聚类)，结合第一预设条件，确定测量数据在位置网格中对应的第一网格单元，或者直接根据测量数据，确定第一网格单元的权重值。之后根据所有测量数据，确定第一网格单元的累计权重值。确定所有累计权重值大于预定义门限的第一网格单元，对这些累计权重值大于预定义门限的第一网格单元进行聚类处理，将距离相近(不超过预设阈值)的第一网格单元划分到同一聚类中。对不同聚类中的第一网格单元对应的至少一个第一参数分别求均值，将满足第二预设条件的均值对应的聚类进行合并，根据合并后的测量数据以及第二预设算法确定多个第二参数，进而根据这多个第二参数确定用于表示道路几何的第三形状的回旋螺线。
示例性的，若存在两个聚类，对这两个聚类中的第一网格单元对应的至少一个第一参数分别求均值。一个聚类中的第一网格单元对应的至少一个第一参数的均值为
Figure PCTCN2020098278-appb-000080
另一聚类中的第一网格单元对应的至少一个参数的均值为
Figure PCTCN2020098278-appb-000081
若
Figure PCTCN2020098278-appb-000082
和
Figure PCTCN2020098278-appb-000083
满足第二预设条件，将这两个均值对应的聚类进行合并，根据合并后的聚类中两个第一网格单元对应的测量数据和第二预设算法，即最小 二乘法或者梯度下降法，确定多个第二参数c 0、c 1、c 2和c 3，得到用于表示道路几何的第三形状的回旋螺线的表达式为y＝c 0+c 1x+c 2x 2+c 3x 3。
需要说明的是，通过上述过程，可以得到用于表示道路几何的第三形状的回旋螺线，相对于第二表达式，回旋螺线所表示的道路几何的形状更贴近于实际，准确性更高，可以更好地辅助车辆确定驾驶策略。
在本申请的实施例所描述的道路几何识别方法中，根据第一聚类和第二聚类合并后得到的第三聚类中的测量数据确定道路几何的第三形状，第三聚类中的测量数据较多，并可以认为同一第三聚类中的数据都属于同一道路几何，能够更完整和准确地表示该道路几何，因此采用上述道路几何识别方法所确定的道路几何的第三形状更准确。另外，利用回旋螺线来表示道路几何的第三形状更加贴合实际，可以较为准确的确定转弯处以及其他非直道路的道路几何的形状，从而更好地辅助车辆确定在转弯处或其他非直道路处的自动驾驶策略，以调整该车辆的速度、位置和/或方向。
基于图6所示的道路几何识别方法确定道路几何后，本申请实施例还提供了另一种道路几何识别方法，可以进一步确定传感器的速度。本申请实施例还提供了一种道路几何识别方法，还包括步骤S401(未在附图中示出)，下面对步骤S401进行描述：
S401、根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值。
其中，测量数据还包括目标物体的径向速度，目标物体的位置信息包括目标物体与传感器的距离以及目标物体相对于传感器的角度信息。传感器速度估计算法为
Figure PCTCN2020098278-appb-000084
v为传感器速度估计值，H为道路几何的径向速度观测矩阵，H根据道路几何对应的测量数据中道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
Figure PCTCN2020098278-appb-000085
为道路几何对应的测量数据中的径向速度矩阵。
示例性的，
Figure PCTCN2020098278-appb-000086
其中，
Figure PCTCN2020098278-appb-000087
为目标物体的径向速度矩阵，H为道路几何的径向速度观测矩阵，H T为H的转置矩阵。
在另一种可能的实现方式中，传感器速度估计算法为
Figure PCTCN2020098278-appb-000088
R为径向速度观测噪声矩阵，
Figure PCTCN2020098278-appb-000089
为第i个测量数据中的径向速度的观测噪声标准差，即第i个测量数据中的径向速度与其对应的实际径向速度的差值。
采用上述道路几何识别方法，根据道路几何对应的测量数据以及传感器速度估计算法，确定传感器的速度，以提高确定传感器的速度的准确性，使得自动驾驶车辆能够根据传感器速度以及道路几何更好地确定自动驾驶策略，以调整其自身的速度、位置和/或方向。
本申请实施例可以根据上述方法示例对道路几何识别装置进行功能模块的划分，在采用对应各个功能划分各个功能模块的情况下，图10示出上述实施例中所涉及的道路几何识别装置的一种可能的结构示意图。如图10所示，道路几何识别装置包括生成模块401、确定模块402。当然，道路几何识别装置还可以包括其他功能模块， 或者道路几何识别装置可以包括更少的功能模块。
生成模块401，用于根据传感器的测量数据生成至少一个第一聚类。其中，第一聚类包含至少一个第一测量数据，测量数据中至少包括目标物体的位置信息。
可选的，测量数据中还包括目标物体的回波强度EI。
确定模块402，用于确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
具体的，确定模块402，用于根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
示例性的，确定模块402，用于根据第一预设算法，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。其中，测量数据还包括目标物体的回波强度EI。第一预设算法为指数形式：
Figure PCTCN2020098278-appb-000090
或者
Figure PCTCN2020098278-appb-000091
或者第一预设算法为对数函数形式：
Figure PCTCN2020098278-appb-000092
或
Figure PCTCN2020098278-appb-000093
或者第一预设算法为常数形式：△w i,j＝λ/N。其中，△w i,j为第k个第一测量数据在位置网格中对应的至少一个第一网格单元(i，j)的权重值，EI k为第k个第一测量数据中的回波强度EI，N为第k个第一测量数据所在的第一聚类中的第一测量数据的个数，σ EI和EI RB/GR为道路几何的自带属性，σ EI为道路几何的EI标准差，EI RB/GR是道路几何的EI平均值，σ为第二预设数值，λ为第五预设数值。
可选的，在确定模块402确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值之前，生成模块401还用于根据传感器的探测范围和传感器的分辨单元大小，确定位置网格。其中，位置网格包括至少一个网格单元，每个网格单元对应至少一个第一参数。
可选的，在确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值之前，确定模块402还用于确定第一测量数据在位置网格中对应的至少一个第一网格单元。
具体的，确定模块402用于根据第一预设条件，确定第一测量数据在位置网格中对应的至少一个第一网格单元。其中，第一预设条件为|x kcosθ i+y ksinθ i-ρ j|≤d Thresh，(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。
确定模块402，还用于根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值。根据第一网格单元的累计权重值确定第一聚类包含的第一测量数据对应的目标物体为道路几何。其中，道路几何包括道路边沿、护栏和车道线中的至少一种。
在一种可能的设计中，确定模块402，还用于确定累计权重值大于预定义门限的所有第一网格单元。确定模块402，还用于根据累计权重值大于预定义门限的所有第一网格单元确定第一表达式。其中，第一表达式用于表示道路几何的第一形状，第一 表达式为x*cosθ i*+y*sinθ i*＝ρ j*，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，生成模块401，还用于根据测量数据生成至少一个第二聚类，第二聚类包括至少一个第二测量数据。确定模块402，还用于直接确定第二测量数据在位置网格中对应的第二网格单元的权重值，或者在确定第二测量数据在位置网格中对应的第二网格单元之后，再确定第二测量数据在位置网格中对应的第二网格单元的权重值。然后确定模块402还用于根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值，根据第二网格单元的累计权重值确定第二聚类包含的第二测量数据对应的道路几何。
在一种可能的设计中，确定模块402，还用于确定累计权重值大于预定义门限的所有第二网格单元。然后由确定模块402在累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的所有第二网格单元满足第二预设条件时，根据累计权重值大于预定义门限的所有第一网格单元以及累计权重值大于预定义门限的第二网格单元确定第二表达式，第二表达式用于表示道路几何的第二形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。第二表达式为x*cosθ e*+y*sinθ e*＝ρ f*，(θ e*，ρ f*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
在一种可能的设计中，确定模块402，还用于确定累计权重值大于预定义门限的所有第二网格单元。然后由确定模块402在累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元满足第二预设条件时，将第一聚类和第二聚类进行合并，得到第三聚类，第三聚类包括至少一个第三测量数据。根据第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数，其中，第二预设算法为最小二乘法或梯度下降法。最后确定模块402根据多个第二参数，确定回旋螺线，回旋螺线用于表示道路几何的第三形状。其中，第二预设条件为||[θ i*,ρ j*]-[θ m*,ρ n*]||<Thresh或者||[θ i*-θ m*]||<p，||[ρ j*-ρ n*]||<q，(θ i*，ρ j*)根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(θ m*，ρ n*)根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值。回旋螺线为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为多个第二参数，(x，y)为道路几何的位置坐标。
在一种可能的设计中，测量数据还包括目标物体的径向速度，目标物体的位置信息包括目标物体与传感器的距离以及所述目标物体相对于传感器的角度信息。确定模块402，还用于根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值。其中，传感器速度估计算法为
Figure PCTCN2020098278-appb-000094
v为传感器速度估计值，H为道路几何的径向速度观测矩阵，H根据道路几何对应的测量数据中的道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
Figure PCTCN2020098278-appb-000095
为道路几何对应的测量数据中的径向速度矩阵。
参见图11，本申请还提供一种道路几何识别装置，包括处理器510以及存储器520。处理器510与存储器520相连接(如通过总线540相互连接)。
可选的，道路几何识别装置还可包括收发器530，收发器530连接处理器510和存储器520，收发器用于接收/发送数据。
处理器510，可以执行图6-图9所对应的任意一个实施方案及其各种可行的实施方式的操作。比如，用于执行生成模块401、确定模块402的操作，和/或本申请实施例中所描述的其他操作。
上述处理器510(或者描述为控制器)可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，单元模块和电路。该处理器或控制器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，单元模块和电路。该处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。
总线540可以是扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线540可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
关于处理器、存储器、总线和收发器的具体工作过程，可参见上文，这里不再赘述。
本申请还提供一种道路几何识别装置，包括非易失性存储介质，以及中央处理器，非易失性存储介质存储有可执行程序，中央处理器与非易失性存储介质连接，并执行可执行程序以实现本申请实施例如图6-图9所示的道路几何识别方法。
本申请另一实施例还提供一种计算机可读存储介质，该计算机可读存储介质包括一个或多个程序代码，该一个或多个程序包括指令，当处理器在执行该程序代码时，该道路几何识别装置执行如图6-图9所示的道路几何识别方法。
在本申请的另一实施例中，还提供一种计算机程序产品，该计算机程序产品包括计算机执行指令，该计算机执行指令存储在计算机可读存储介质中。道路几何识别装置的至少一个处理器可以从计算机可读存储介质读取该计算机执行指令，至少一个处理器执行该计算机执行指令使得道路几何识别装置实施执行图6-图9所示的道路几何识别方法中相应步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，可以全部或部分的通过软件，硬件，固件或者其任意组合来实现。当使用软件程序实现时，可以全部或部分地以计算机程序产品的形式出现。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计算机程序指令时，全部或部分地产生按照本申请实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(digital subscriber line，DSL0))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者 是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质，(例如，软盘，硬盘、磁带)、光介质(例如，DVD)或者半导体介质(例如固态硬盘solid state disk，SSD)等。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

Claims (26)

  1. 一种道路几何识别方法，其特征在于，包括：
    根据传感器的测量数据生成至少一个第一聚类，所述第一聚类包含至少一个第一测量数据，所述测量数据至少包括目标物体的位置信息；
    确定所述第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，所述位置网格包括至少一个网格单元，其中每个网格单元对应至少一个第一参数；
    根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值；
    根据第一网格单元的累计权重值确定所述第一聚类包含的第一测量数据对应的目标物体为道路几何。
  2. 根据权利要求1所述的道路几何识别方法，其特征在于，
    所述道路几何包括道路边沿、护栏和车道线中的至少一种。
  3. 根据权利要求1或2所述的道路几何识别方法，其特征在于，在所述确定所述第一测量数据在位置网格中对应的至少一个第一网格单元的权重值之前，所述方法还包括：
    根据所述传感器的探测范围和/或传感器的分辨单元大小，确定所述位置网格。
  4. 根据权利要求1-3任一项所述的道路几何识别方法，其特征在于，在所述确定所述第一测量数据在位置网格中对应的至少一个第一网格单元的权重值之前，所述方法还包括：
    根据第一预设条件，确定第一测量数据在位置网格中对应的至少一个第一网格单元；
    其中，所述第一预设条件为|x kcosθ i+y ksinθ i-ρ j|≤d Thresh，(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。
  5. 根据权利要求1-4任一项所述的道路几何识别方法，其特征在于，所述测量数据还包括所述目标物体的回波强度EI。
  6. 根据权利要求5所述的道路几何识别方法，其特征在于，所述确定所述第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，具体包括：
    根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
  7. 根据权利要求1-6任一项所述的道路几何识别方法，其特征在于，所述方法还包括：
    确定累计权重值大于预定义门限的所有第一网格单元；
    根据所述累计权重值大于预定义门限的所有第一网格单元确定第一表达式，所述第一表达式用于表示道路几何的第一形状；
    其中，所述第一表达式为
    Figure PCTCN2020098278-appb-100001
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
  8. 根据权利要求1-7任一项所述的道路几何识别方法，其特征在于，所述方法还包括：
    根据所述测量数据生成至少一个第二聚类，所述第二聚类包括至少一个第二测量数据；
    确定所述第二测量数据在位置网格中对应的第二网格单元的权重值；
    根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值；
    根据第二网格单元的累计权重值确定所述第二聚类包含的第二测量数据对应的道路几何。
  9. 根据权利要求8所述的道路几何识别方法，其特征在于，所述方法还包括：
    确定累计权重值大于预定义门限的所有第二网格单元；
    若累计权重值大于预定义门限的所有第一网格单元以及所述累计权重值大于预定义门限的所有第二网格单元满足第二预设条件，则根据所述累计权重值大于预定义门限的所有第一网格单元以及所述累计权重值大于预定义门限的所有第二网格单元确定第二表达式，所述第二表达式用于表示道路几何的第二形状；
    其中，所述第二预设条件为
    Figure PCTCN2020098278-appb-100002
    或者
    Figure PCTCN2020098278-appb-100003
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，
    Figure PCTCN2020098278-appb-100004
    根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值；
    所述第二表达式为
    Figure PCTCN2020098278-appb-100005
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
  10. 根据权利要求8所述的道路几何识别方法，其特征在于，所述方法还包括：
    确定累计权重值大于预定义门限的所有第二网格单元；
    若累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元满足第二预设条件，则将第一聚类和第二聚类进行合并，得到第三聚类，所述第三聚类包括至少一个第三测量数据；
    根据所述第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数，其中，所述第二预设算法为最小二乘法或梯度下降法；
    根据所述多个第二参数，确定回旋螺线，所述回旋螺线用于表示道路几何的第三形状；
    其中，所述第二预设条件为
    Figure PCTCN2020098278-appb-100006
    或者
    Figure PCTCN2020098278-appb-100007
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，
    Figure PCTCN2020098278-appb-100008
    根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值；
    所述回旋螺线为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为所述多个第二参数，(x，y)为道路几何的位置坐标。
  11. 根据权利要求1-10任一项所述的道路几何识别方法，其特征在于，
    所述测量数据还包括所述目标物体的径向速度，所述目标物体的位置信息包括所 述目标物体与传感器的距离以及所述目标物体相对于传感器的角度信息；
    根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值；
    其中，所述传感器速度估计算法为
    Figure PCTCN2020098278-appb-100009
    v为所述传感器速度估计值，H为所述道路几何的径向速度观测矩阵，H根据所述道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
    Figure PCTCN2020098278-appb-100010
    为所述目标物体的径向速度矩阵。
  12. 一种道路几何识别装置，其特征在于，包括：
    生成模块，用于根据传感器的测量数据生成至少一个第一聚类，所述第一聚类包含至少一个第一测量数据，所述测量数据至少包括目标物体的位置信息；
    确定模块，用于确定所述第一测量数据在位置网格中对应的至少一个第一网格单元的权重值，所述位置网格包括至少一个网格单元，其中每个网格单元对应至少一个第一参数；
    确定模块，用于根据第一聚类中的所有第一测量数据，确定第一网格单元的累计权重值；
    所述确定模块，还用于根据第一网格单元的累计权重值确定所述第一聚类包含的第一测量数据对应的目标物体为道路几何。
  13. 根据权利要求12所述的道路几何识别装置，其特征在于，
    所述道路几何包括道路边沿、护栏和车道线中的至少一种。
  14. 根据权利要求12或13所述的道路几何识别装置，其特征在于，
    所述生成模块，还用于根据所述传感器的探测范围和/或传感器的分辨单元大小，确定所述位置网格。
  15. 根据权利要求12-14任一项所述的道路几何识别装置，其特征在于，
    所述确定模块，还用于根据第一预设条件，确定第一测量数据在位置网格中对应的至少一个第一网格单元；
    其中，所述第一预设条件为|x kcosθ i+y ksinθ i-ρ j|≤d Thresh；(x k，y k)为第k个第一测量数据的位置坐标，(θ i，ρ j)为第一网格单元(i，j)对应的至少一个第一参数，d Thresh为第一预设数值，k为大于0的整数。
  16. 根据权利要求12-15任一项所述的道路几何识别装置，其特征在于，所述测量数据还包括所述目标物体的回波强度EI。
  17. 根据权利要求16所述的道路几何识别装置，其特征在于，
    所述确定模块，具体用于根据第一测量数据中的回波强度EI，或者第一测量数据中的回波强度EI和位置信息，确定第一测量数据在位置网格中对应的至少一个第一网格单元的权重值。
  18. 根据权利要求12-17任一项所述的道路几何识别装置，其特征在于，
    所述确定模块，还用于确定累计权重值大于预定义门限的所有第一网格单元；
    所述确定模块，还用于根据累计权重值大于预定义门限的所有第一网格单元确定第一表达式，所述第一表达式用于表示道路几何的第一形状；
    其中，所述第一表达式为
    Figure PCTCN2020098278-appb-100011
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，(x，y)为道路几何的位置坐 标。
  19. 根据权利要求12-18任一项所述的道路几何识别装置，其特征在于，
    所述生成模块，还用于根据所述测量数据生成至少一个第二聚类，所述第二聚类包括至少一个第二测量数据；
    所述确定模块，还用于确定所述第二测量数据在位置网格中对应的第二网格单元的权重值；
    所述确定模块，还用于根据第二聚类中的所有第二测量数据，确定第二网格单元的累计权重值；
    所述确定模块，还用于根据第二网格单元的累计权重值确定所述第二聚类包含的第二测量数据对应的道路几何。
  20. 根据权利要求19所述的道路几何识别装置，其特征在于，
    所述确定模块，还用于确定累计权重值大于预定义门限的所有第二网格单元；
    所述确定模块，还用于在累计权重值大于预定义门限的所有第一网格单元以及所述累计权重值大于预定义门限的所有第二网格单元满足第二预设条件时，根据所述累计权重值大于预定义门限的所有第一网格单元以及所述累计权重值大于预定义门限的第二网格单元确定第二表达式，所述第二表达式用于表示道路几何的第二形状；
    其中，所述第二预设条件为
    Figure PCTCN2020098278-appb-100012
    或者
    Figure PCTCN2020098278-appb-100013
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，
    Figure PCTCN2020098278-appb-100014
    根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值；
    所述第二表达式为
    Figure PCTCN2020098278-appb-100015
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数以及累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，(x，y)为道路几何的位置坐标。
  21. 根据权利要求19所述的道路几何识别装置，其特征在于，
    所述确定模块，还用于确定累计权重值大于预定义门限的所有第二网格单元；
    所述确定模块，还用于在累计权重值大于预定义门限的所有第一网格单元和累计权重值大于预定义门限的所有第二网格单元满足第二预设条件时，将第一聚类和第二聚类进行合并，得到第三聚类，所述第三聚类包括至少一个第三测量数据；
    所述确定模块，还用于根据所述第三聚类中的第三测量数据以及第二预设算法进行运算，确定多个第二参数，其中，所述第二预设算法为最小二乘法或梯度下降法；
    所述确定模块，还用于根据所述多个第二参数，确定回旋螺线，所述回旋螺线用于表示道路几何的第三形状；
    其中，所述第二预设条件为
    Figure PCTCN2020098278-appb-100016
    或者
    Figure PCTCN2020098278-appb-100017
    根据累计权重值大于预定义门限的所有第一网格单元对应的第一参数确定，
    Figure PCTCN2020098278-appb-100018
    根据累计权重值大于预定义门限的所有第二网格单元对应的第一参数确定，Thresh为第二预设数值，p为第三预设数值，q为第四预设数值；
    所述回旋螺线为y＝c 0+c 1x+c 2x 2+c 3x 3，c 0、c 1、c 2和c 3为所述多个第二参数，(x，y)为道路几何的位置坐标。
  22. 根据权利要求12-21任一项所述的道路几何识别装置，其特征在于，所述测量数据还包括所述目标物体的径向速度，所述目标物体的位置信息包括所述目标物体与传感器的距离以及所述目标物体相对于传感器的角度信息；
    所述确定模块，还用于根据道路几何对应的所有测量数据，以及传感器速度估计算法进行计算，确定传感器速度估计值；
    其中，所述传感器速度估计算法为
    Figure PCTCN2020098278-appb-100019
    v为所述传感器速度估计值，H为所述道路几何的径向速度观测矩阵，H根据所述道路几何相对于传感器的角度信息确定，H T为H的转置矩阵，
    Figure PCTCN2020098278-appb-100020
    为所述目标物体的径向速度矩阵。
  23. 一种道路几何识别装置，其特征在于，包括：处理器、存储器和通信接口；其中，通信接口用于与其他设备或通信网络通信，存储器用于存储一个或多个程序，所述一个或多个程序包括计算机执行指令，当该装置运行时，处理器执行存储器存储的所述计算机执行指令以使该装置执行如权利要求1-11任一项所述的道路几何识别方法。
  24. 一种计算机可读存储介质，其特征在于，包括程序和指令，当所述程序或指令在计算机上运行时，如权利要求1-11任一项所述的道路几何识别方法被实现。
  25. 一种包含指令的计算机程序产品，其特征在于，当所述计算机程序产品在计算机上运行时，使得所述计算机执行如权利要求1-11任一项所述的道路几何识别方法。
  26. 一种芯片系统，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现权利要求1-11任一项所述的道路几何识别方法。
PCT/CN2020/098278 2019-07-02 2020-06-24 道路几何识别方法及装置 WO2021000787A1 (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201910591331.X 2019-07-02
CN201910591331.XA CN112183157A (zh) 2019-07-02 2019-07-02 道路几何识别方法及装置

Publications (1)

Publication Number Publication Date
WO2021000787A1 true WO2021000787A1 (zh) 2021-01-07

Family

ID=73914869

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/CN2020/098278 WO2021000787A1 (zh) 2019-07-02 2020-06-24 道路几何识别方法及装置

Country Status (2)

Country Link
CN (1) CN112183157A (zh)
WO (1) WO2021000787A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236627A (zh) * 2022-09-21 2022-10-25 深圳安智杰科技有限公司 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4290276A4 (en) * 2021-02-07 2024-02-21 Huawei Tech Co Ltd METHOD AND APPARATUS FOR ROADSIDE RECOGNITION

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
EP2960130A1 (en) * 2014-06-26 2015-12-30 Volvo Car Corporation Confidence level determination for estimated road geometries
CN105488498A (zh) * 2016-01-15 2016-04-13 武汉光庭信息技术股份有限公司 一种基于激光点云的车道边线自动提取方法及系统
CN106407924A (zh) * 2016-09-10 2017-02-15 上海大学 基于路面特征的双目道路识别检测方法
CN106560835A (zh) * 2015-09-30 2017-04-12 高德软件有限公司 一种路牌识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2960130A1 (en) * 2014-06-26 2015-12-30 Volvo Car Corporation Confidence level determination for estimated road geometries
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN106560835A (zh) * 2015-09-30 2017-04-12 高德软件有限公司 一种路牌识别方法及装置
CN105488498A (zh) * 2016-01-15 2016-04-13 武汉光庭信息技术股份有限公司 一种基于激光点云的车道边线自动提取方法及系统
CN106407924A (zh) * 2016-09-10 2017-02-15 上海大学 基于路面特征的双目道路识别检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115236627A (zh) * 2022-09-21 2022-10-25 深圳安智杰科技有限公司 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法
CN115236627B (zh) * 2022-09-21 2022-12-16 深圳安智杰科技有限公司 一种基于多帧多普勒速度扩维的毫米波雷达数据聚类方法

Also Published As

Publication number Publication date
CN112183157A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
US11966838B2 (en) Behavior-guided path planning in autonomous machine applications
US11676364B2 (en) Real-time detection of lanes and boundaries by autonomous vehicles
US11675359B2 (en) Path detection for autonomous machines using deep neural networks
JP6602352B2 (ja) 自律走行車用の計画フィードバックに基づく決定改善システム
US11537139B2 (en) Determining drivable free-space for autonomous vehicles
US20240127062A1 (en) Behavior-guided path planning in autonomous machine applications
CN113879295B (zh) 轨迹预测方法及装置
JP6831880B2 (ja) 自動運転のための事前収集の静的反射図に基づく自動ｌｉｄａｒキャリブレーション
US11900629B2 (en) Surface profile estimation and bump detection for autonomous machine
JP6757442B2 (ja) 自動運転車における車線後処理
JP2019204509A (ja) 移動障害物を回避する自動運転のための運転経路の決定
WO2022104774A1 (zh) 目标检测方法和装置
CN112512887B (zh) 一种行驶决策选择方法以及装置
CN113792566A (zh) 一种激光点云的处理方法及相关设备
WO2022142839A1 (zh) 一种图像处理方法、装置以及智能汽车
WO2021000787A1 (zh) 道路几何识别方法及装置
CN115705060A (zh) 让行场景中自主车辆的行为规划
WO2022052765A1 (zh) 目标跟踪方法及装置
CN115546781A (zh) 一种点云数据的聚类方法以及装置
US20220309806A1 (en) Road structure detection method and apparatus
WO2022022284A1 (zh) 目标物的感知方法及装置
CN113128497A (zh) 目标形状估计方法及装置
CN114549610A (zh) 一种点云数据的处理方法及相关装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20835204

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20835204

Country of ref document: EP

Kind code of ref document: A1