车道几何模型构建方法、设备和产品
本发明属于自动驾驶,具体涉及一种车道几何模型构建方法、设备和产品。
背景技术:
1、在自动驾驶和高级驾驶辅助系统中,以车道保持、车道居中为代表的车道相关驾驶功能,通常需要依赖道路环境感知、车辆状态估计和车道几何信息处理等多个模块协同工作。其中,视觉感知环节负责从前视相机等传感器获取的图像中识别出车道标线或道路边界,为下游的规划控制模块提供决策依据。
2、然而,视觉感知模块输出的原始结果与下游功能所需的、在车辆局部坐标系下的车道模型之间,存在数据形式和物理含义上的差异。因此,视觉感知结果通常还需经过坐标转换、边界筛选、质量判断和时序处理等一系列中间步骤,才能形成可供下游稳定使用的车道模型。
3、在工程实践中,视觉车道感知结果的来源和形式多种多样。例如,一类结果由传统的计算机视觉(cv)方法,通过图像预处理、边缘提取及直线或曲线拟合等步骤得到,其形式通常是参数化的几何描述(如直线参数)或稀疏的边缘点。另一类结果则由深度学习(dl)模型直接输出,其形式通常是沿候选车道线延伸的稠密点列。这两种结果在坐标空间、像素尺度、数据点数量、边界编号乃至车道缺失的表示方式上都存在显著差异。若为每种不同形式的输入都设计一套独立的后处理建模流程,将导致几何处理模块的逻辑复杂、难以复用,且在切换或融合不同感知算法时,需要对下游模块进行大量适配修改,不利于系统的迭代和维护。
4、此外,现有技术在处理这些视觉结果时,还存在一些固有的局限性。首先,当道路场景复杂,如存在遮挡、车道线磨损、路面反光或邻车干扰时,往往只影响单侧车道边界的检测。一些简单的后处理方法在任一侧边界缺失时,会直接判定整帧视觉结果无效并将其丢弃,这造成了另一侧仍然有效的、宝贵的横向位置和方向信息被浪费,加剧了因视觉信息短暂波动对最终控制参考连续性的影响。其次,部分方法仅以“是否检测到边界”作为结果是否可用的唯一判据,而缺乏对结果质量的深入评估。这使得一些几何形状异常或与车辆当前运动状态明显不符的视觉结果,能够以同等权重参与车道模型的更新,可能导致最终输出的中心线、横向误差和航向偏差等关键参数发生突变,影响驾驶的安全性和舒适性。最后,当视觉信息短时缺失时,虽然可以利用车辆自身的运动信息(如速度、角速度)对上一时刻的车道模型进行预测补偿,以维持输出的连续性,但许多方法未能对这种补偿的有效期限和退出条件作出明确约束。无限制的预测补偿会导致惯性测量误差、速度误差和历史道路几何误差不断累积,使得预测结果的可靠性随时间推移而迅速下降,甚至产生危险的控制参考。
技术实现思路
1、本技术的目的是提供一种车道几何模型构建方法、设备和产品,旨在解决现有技术中存在的因视觉输入形式多样导致处理流程难以统一和异常视觉结果干扰模型稳定性的技术问题。
2、为实现上述目的,本技术提供了如下方案:
3、第一方面,本技术提供了一种车道几何模型构建方法,由车载计算单元执行,包括:
4、将至少两种不同形式的视觉车道感知结果转换为在车辆坐标系下的鸟瞰图空间中的候选边界点集;
5、在所述候选边界点集中确定当前车道的车道边界;
6、基于所述车道边界生成视觉中心线;
7、将所述视觉中心线与根据车辆运动信息预测得到的预测中心线进行比较,并根据比较结果和所述视觉车道感知结果的自身可信度,对所述视觉车道感知结果执行分级处理;
8、在所述分级处理中确定所述视觉车道感知结果可用时,根据所述视觉中心线更新所述车道几何模型;
9、在所述分级处理中确定所述视觉车道感知结果不可用或所述视觉车道感知结果缺失时,基于车辆运动信息对所述车道几何模型进行具有预设有效性边界的预测更新。
10、在一些实施例中,在所述候选边界点集中确定当前车道的车道边界,具体包括:
11、通过一个综合代价函数从所述候选边界点集中选择构成当前车道的左边界和/或右边界。
12、在一些实施例中,基于所述车道边界生成视觉中心线,具体包括:
13、在所述车道边界为双侧边界时,确定所述双侧边界之间的中心点,以生成所述视觉中心线;
14、在所述车道边界为单侧边界时,根据先验车道宽度从所述单侧边界向车道内侧偏移预设距离,以生成所述视觉中心线。
15、在一些实施例中,所述分级处理包括:
16、在判定所述视觉车道感知结果为轻度异常时,确定所述视觉车道感知结果可用,但通过增大所述视觉车道感知结果对应的观测噪声协方差,以降低其在所述车道几何模型更新中的权重;
17、在判定所述视觉车道感知结果为严重异常时,确定所述视觉车道感知结果不可用。
18、在一些实施例中,在所述视觉车道感知结果与所述运动信息预测结果之间的归一化创新平方超过预设门限时,判定所述视觉车道感知结果为严重异常。
19、在一些实施例中,具有预设有效性边界的预测更新包括:
20、为所述预测更新过程设置一个最大预测时域,在所述视觉车道感知结果持续缺失的时间超过所述最大预测时域后,切换至安全退化模式,在所述安全退化模式下停止将预测更新的所述车道几何模型作为可靠的控制参考;
21、和/或,在递推过程中,对预测更新的所述车道几何模型中代表曲率和曲率变化的高阶系数,引入随车辆前行距离增加而增强的衰减因子。
22、在一些实施例中,还包括:
23、将上一周期输出的车道几何模型,作为先验信息用于当前周期的边界选择和运动预测。
24、在一些实施例中,至少两种不同形式的视觉车道感知结果包括:由传统计算机视觉方法生成的边缘或直线型结果以及由深度学习模型生成的候选点列型结果。
25、第二方面,本技术提供了一种计算机设备,包括:存储器、处理器以存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述中任一项所述的车道几何模型构建方法的步骤。
26、第三方面,本技术提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的车道几何模型构建方法的步骤。
27、第四方面,本技术提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述中任一项所述的车道几何模型构建方法的步骤。
28、根据本技术提供的具体实施例,本技术公开了以下技术效果:
29、首先,本发明通过将不同形式的视觉车道感知结果统一转换到鸟瞰图空间进行表征,实现了对异构数据源的兼容处理,使得上游感知算法的更换或组合无需修改下游的建模流程,增强了系统的模块化、复用性和可扩展性。
30、其次,本发明在车道边界不完整时,能够保留并利用有效的单侧信息来生成车道中心线,而不是简单地丢弃整帧数据。这显著提高了数据利用率,减少了因局部遮挡或车道线磨损等常见问题导致的模型输出中断,增强了车道模型的连续性和在复杂场景下的可用性。
31、再次,本发明建立了一套分级处理和具有预设有效性边界的预测更新机制。通过将视觉结果与车辆运动预测进行一致性校验,并根据差异程度和自身可信度采取降权或拒绝的策略,有效抑制了异常值对模型的冲击。同时,为视觉缺失时的运动补偿设定了明确的时间上限和安全退化路径,从根本上避免了因误差无界累积而带来的安全风险,显著提升了输出模型的稳定性和安全性。
32、最后,本发明输出的是一种结构化的车道模型,其中不仅包含车道几何信息,还明确给出了模型的可靠性状态,如可信度、时效和工作模式等。这种信息透明的设计,使得下游的规划控制模块能够“知情地”使用模型数据,根据其不同的可靠性状态采取相适应的控制策略,从而提升了整个自动驾驶系统的智能性、鲁棒性和安全性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com