关联被感知和映射的车道边缘以进行定位的制作方法

1.本技术领域总体上涉及感知系统和方法，更具体地涉及用于将被感知对象与相应的地图数据关联起来的系统和方法。


背景技术：

2.自动驾驶和半自动驾驶车辆通常需要对象-对象轨迹的准确感知。对象轨迹的感知会受到透视失真的影响。这导致了不正确的车道对象识别。此外，来自车辆传感器的传感器数据和/或接收到的地图数据可能包含显著的噪声，从而进一步降低了识别车道边缘的准确性。这种差异可能是有问题的，因为自动驾驶车辆尤其需要正确识别道路上的车道边缘。


技术实现要素：

3.一种系统，包括控制器，该控制器包括处理器和存储器。存储器包括指令，使得处理器配置为：接收表示被感知对象的传感器数据；接收表示地图对象的地图数据；确定成本矩阵，该成本矩阵指示用于将地图对象关联到被感知对象的关联成本；将关联成本与关联成本阈值进行比较；以及基于关联成本将被感知对象与地图对象关联起来。
4.在其他特征中，被感知对象表示设置在道路上的车道边缘。
5.在其他特征中，地图对象表示设置在道路上的车道边缘。
6.在其他特征中，控制器还配置为根据c＝[c
ij
]确定成本矩阵，其中c表示计算出的成本矩阵，并且元素c
ij
表示关联成本。
[0007]
在其他特征中，根据计算元素c
ij
，其中表示第i个地图车道边缘和第j个被感知车道边缘之间的距离成本，其中表示第i个地图车道边缘和第j个被感知车道边缘之间的类型失配成本。
[0008]
在其他特征中，根据平均平方马氏距离计算来确定距离成本。
[0009]
在其他特征中，类型失配成本表示多个车道标线类型之间的计算出的差，其中类型失配成本表示多个车道标线类型之间的计算出的差，其中成本差定义为车道标线类型表示相同的基础车道边缘的概率的负对数似然性。
[0010]
一种车辆可以包括系统。该系统可以包括控制器，该控制器具有处理器和存储器。存储器包括指令，使得处理器配置为：接收表示被感知对象的传感器数据；接收表示地图对象的地图数据；确定成本矩阵，该成本矩阵指示用于将地图对象关联到被感知对象的关联成本；将关联成本与关联成本阈值进行比较；以及基于关联成本将被感知对象与地图对象关联起来。
[0011]
在其他特征中，被感知对象表示设置在道路上的车道边缘。
[0012]
在其他特征中，地图对象表示设置在道路上的车道边缘。
[0013]
在其他特征中，控制器还配置为根据c＝[c
ij
]确定成本矩阵，其中c表示计算出的
成本矩阵，并且元素c
ij
表示关联成本。
[0014]
在其他特征中，根据计算元素c
ij
，其中表示第i个地图车道边缘和第j个被感知车道边缘之间的距离成本，其中其中之间的类型失配成本。
[0015]
在其他特征中，根据平均平方马氏距离计算来确定距离成本。
[0016]
在其他特征中，类型失配成本表示多个车道标线类型之间的计算出的差，其中类型失配成本表示多个车道标线类型之间的计算出的差，其中成本差定义为车道标线类型表示相同的基础车道边缘的概率的负对数似然性。
[0017]
一种方法可以包括：通过控制器接收表示被感知对象的传感器数据；接收表示地图对象的地图数据；确定成本矩阵，该成本矩阵指示用于将地图对象关联到被感知对象的关联成本；将关联成本与关联成本阈值进行比较；以及基于关联成本将被感知对象与地图对象关联起来。
[0018]
在其他特征中，被感知对象表示设置在道路上的车道边缘。
[0019]
在其他特征中，地图对象表示设置在道路上的车道边缘。
[0020]
在其他特征中，控制器还配置为根据c＝[c
ij
]确定成本矩阵，其中c表示计算出的成本矩阵，并且元素c
ij
表示关联成本。
[0021]
在其他特征中，根据计算元素c
ij
，其中表示第i个地图车道边缘和第j个被感知车道边缘之间的距离成本，其中表示第i个地图车道边缘和第j个被感知车道边缘之间的类型失配成本。
[0022]
在其他特征中，根据平均平方马氏距离计算来确定距离成本。
附图说明
[0023]
下文中将结合以下附图来描述示例性实施方式，在附图中相同的附图标记表示相同的元件，并且其中：
[0024]
图1示出了具有车辆的示例性环境，该车辆包括与被感知和映射的车道边缘关联的系统。
[0025]
图2示出了在道路上行进的车辆的示意性平面图。
[0026]
图3是示出了用于关联被感知和映射的车道边缘的过程的流程图。
具体实施方式
[0027]
本文可以根据功能和/或逻辑块组件和各种处理步骤来描述本公开的实施方案。应当理解到的是，这些块组件可以由配置为执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如，本公开的实施方案可以采用各种集成电路组件(例如，存储元件、数字信号处理元件、逻辑元件或查找表等)，其可以在一个或多个微处理器或其他控制装置的控制下执行各种功能。此外，本领域技术人员将理解的是，本公开的实施方案可以结合任何数量的系统来实践，并且本文描述的系统仅仅是本公开的示例性实施方案。
[0028]
自动驾驶和半自动驾驶车辆能够感测它们的环境并基于所感测的环境进行导航。
这类车辆利用多种类型的感测设备(诸如雷达、激光雷达、图像传感器等)来感测它们的环境。在这类车辆中，所感测的数据可以与地图数据融合在一起，以识别和跟踪车辆附近的对象。
[0029]
如本文更详细讨论的，一种系统可以将被感知对象(诸如车道边缘)与地图数据内的相应对象关联起来。例如，暂时感知或地图瑕疵可能导致未来被感知对象数据和/或地图数据不匹配。目前所公开的系统基于先前的关联概率来将被感知对象数据和相应的地图数据关联起来。例如，该系统可以实现一个或多个成本矩阵，使得该系统不依赖于可能会被破坏的未来被感知对象数据和/或地图数据。
[0030]
图1示出了车辆10的侧视图，该车辆设置在行驶表面70(诸如铺设路面)上并能够在该行驶表面上行进。车辆10包括车载导航系统24、包括数字化道路地图25的计算机可读存储设备或介质(存储器)23、空间监控系统100、车辆控制器50、全球定位系统(gps)传感器52、人机界面(hmi)设备60以及在一个实施方案中的自动驾驶控制器65和远程信息处理控制器75。车辆10可以包括但不限于以商用车辆、工业车辆、农用车辆、客车、飞机、船只、火车、全地形车辆、个人移动装置、机器人等形式的移动平台，以实现本公开的目的。
[0031]
在一个实施方案中，空间监控系统100包括一个或多个空间传感器和系统以及控制器110，这些空间传感器和系统设置为监控车辆10前方的可视区域32。设置成监控车辆10前方的可视区域32的空间传感器包括例如激光雷达传感器34、雷达传感器36、数字摄像机38等。空间传感器中的每个空间传感器设置在车辆上以监控可视区域32的全部或一部分，从而检测邻近的远程对象，诸如道路特征、车道标线、建筑物、行人、道路标志、交通管制灯和标志、其他车辆以及车辆10附近的地理特征。控制器110基于来自空间传感器的数据输入来生成可视区域32的数字表示。
[0032]
鉴于每个邻近的远程对象，控制器110可以评估来自空间传感器的输入，以确定车辆10的线性距离、相对速度和轨迹。空间传感器可以位于车辆10上的不同位置，包括前角、后角、后侧和中侧。在一个实施方案中，空间传感器可以包括前雷达传感器和摄像机，但是本公开不限于此。空间传感器的放置允许控制器110监控交通流量，包括附近的车辆、十字路口、车道标志和车辆10周围的其他对象。由控制器110产生的数据可以由车道标志检测处理器(未示出)用来对道路进行估计。
[0033]
车辆空间监控系统100的空间传感器可以包括对象定位感测设备，这些对象定位感测设备包括距离传感器，诸如fm-cw(调频连续波)雷达、脉冲和fsk(频移键控)雷达、激光雷达(光探测和测距)设备以及依靠诸如多普勒效应测量的效应来定位前方对象的超声波设备。可能的对象定位设备包括电荷耦合器件(ccd)或互补金属氧化物半导体(cmos)视频图像传感器以及利用数字摄影方法“观察”包括一个或多个车辆在内的前方对象的其他摄像机/视频图像处理器。
[0034]
激光雷达传感器34采用脉冲反射激光束来测量相距对象的范围或距离。雷达传感器36采用无线电波来确定对象的距离、角度和/或速度。摄像机38包括图像传感器、镜头以及摄像机控制器。图像传感器是一种电光设备，其采用光敏传感元件的多维阵列来将光学图像转换成电信号。摄像机控制器可操作地连接到图像传感器，以监控可视区域32。摄像机控制器设置为控制图像传感器来捕捉与可视区域32相关联的视场(fov)的图像，该可视区域通过镜头投影到图像传感器上。
[0035]
光学镜头可以配置为包括诸如针孔镜头、鱼眼镜头、立体镜头、远摄镜头等特征件。摄像机38通过图像传感器以所需的速率(例如每秒30个图像文件)周期性地捕捉与可视区域32相关联的图像文件。每个图像文件组成为以摄像机38的原始分辨率捕捉的可视区域32的全部或一部分的2d或3d像素化数字表示。在一个实施方案中，图像文件是24位图像的形式，包括表示可视区域32的rgb(红绿蓝)可见光谱值和深度值。图像文件的其他实施方案可以包括但不限于以某一分辨率水平显示可视区域32的黑白或灰度可见光谱表示、可视区域32的红外光谱表示或其他图像表示的2d或3d图像。
[0036]
在一个实施方案中，可以针对与亮度和/或辉度相关的参数来评估多个图像文件的图像表示。可以基于rgb颜色分量、亮度、纹理、轮廓或其组合来评估图像表示。图像传感器与编码器通信，该编码器对每个图像文件执行数字信号处理(dsp)。摄像机38的图像传感器可以配置为以标称标清分辨率(例如，640
×
480像素)来捕捉图像。摄像机38的图像传感器可以配置为以标称高清分辨率(例如，1440
×
1024像素)或其他合适的分辨率来捕捉图像。摄像机38的图像传感器可以以预定的图像捕捉速率来捕捉静止图像或数字视频图像。在一个实施方案中，图像文件作为存储在非暂时性数字数据存储介质中的编码数据文件传送给摄像机控制器，以进行车载或非车载分析。
[0037]
摄像机38有利地安装和定位在车辆10上允许捕捉可视区域32的图像的位置，其中可视区域32的至少一部分包括车辆10前方的行驶表面70的一部分，并且包括车辆10的轨迹。可视区域32还可以包括周围环境，包括例如车流、路边对象、行人和其他特征、天空、地平线、行驶车道以及车辆10前方即将到来的车流。还可以采用其他摄像机(未示出)，包括例如设置在车辆10的后部或侧部来监控车辆10的后方和车辆10的右侧或左侧之一的第二摄像机。
[0038]
自动驾驶控制器65配置为实现自动驾驶或高级驾驶员辅助系统(adas)车辆功能。这种功能可以包括能够提供某个级别的驾驶自动化的车载控制系统。术语“驾驶员”和“操作者”描述了负责指挥车辆10运行(无论是主动参与控制一个或多个车辆功能还是指挥自动驾驶车辆运行)的人。驾驶自动化可以包括一系列的动态驾驶和车辆运行。驾驶自动化可以包括与单个车辆功能(诸如转向、加速和/或制动)相关的某个级别的自动控制或介入，同时驾驶员继续对车辆10具有全面控制。驾驶自动化可以包括与多个车辆功能(例如转向、加速和/或制动)的同时控制相关的某个级别的自动控制或介入，同时驾驶员继续对车辆10具有全面控制。驾驶自动化可以包括对车辆驾驶功能(包括转向、加速和制动)的同时自动控制，其中驾驶员在出行期间的一段时间内放弃对车辆的控制。
[0039]
驾驶自动化可以包括车辆驾驶功能(包括转向、加速和制动)的同时自动控制，其中驾驶员在整个出行期间放弃对车辆10的控制。驾驶自动化包括硬件和控制器，该硬件和控制器配置为在各种驾驶模式下监控空间环境，以在车辆动态运行期间执行各种驾驶任务。作为非限制性实例，驾驶自动化可以包括巡航控制、自适应巡航控制、变道警告、介入和控制、自动停车、加速、制动等。
[0040]
作为非限制性实例，自动驾驶车辆功能包括自适应巡航控制(acc)操作、车道引导和车道保持操作、变道操作、转向辅助操作、对象规避操作、停车辅助操作、车辆制动操作、车辆速度和加速操作、车辆横向运动操作(例如作为车道引导、车道保持和变道操作的一部分)等。这样，制动命令可以由自动驾驶控制器65独立于车辆操作者的动作并响应于自动驾
驶控制功能而产生。
[0041]
操作者控制装置可以包括在车辆10的乘客车厢中，并且作为非限制性实例，可以包括方向盘、油门踏板、制动踏板和作为hmi设备60的元件的操作者输入设备。操作者控制装置使得车辆操作者能够与乘客运输工作中的车辆10进行交互并指导该车辆的运行。在车辆10的一些实施方案中，可以省略掉包括方向盘、油门踏板、制动踏板、传动范围选择器等在内的操作者控制装置。
[0042]
hmi设备60提供人机交互用于指导信息娱乐系统、全球定位系统(gps)传感器52、导航系统24等的操作，并且包括控制器。hmi设备60监控操作者的请求，并向操作者提供信息，包括车辆系统状态、服务和维护信息。hmi设备60与多个操作者界面设备进行通信和/或控制该多个操作者界面设备的运行，其中这些操作者界面设备能够传输与其中一个自动驾驶车辆控制系统的操作相关联的消息。
[0043]
hmi设备60还可以与一个或多个设备进行通信，该一个或多个设备监控与车辆操作者相关联的生物特征数据，包括例如眼睛注视位置、姿势和头部位置跟踪等。为了便于描述，hmi设备60描绘为单一设备，但是在本文所述的系统的一个实施方案中可以配置为多个控制器和相关联的感测设备。操作者界面设备可以包括能够传输促使操作者行动的消息的设备，并且可以包括电子视觉显示模块，例如液晶显示器(lcd)设备、平视显示器(hud)、音频反馈设备、可穿戴设备和触觉座椅。
[0044]
能够促使操作者行动的操作者界面设备优选地由hmi设备60控制或通过其控制。hud可以将反射到车辆挡风玻璃内侧的信息投射到操作者的视野中，包括传输与操作其中一个自动驾驶车辆控制系统相关联的置信水平。hud还可以提供增强现实信息，诸如车道位置、车辆路径、方向和/或导航信息等。
[0045]
车载导航系统24采用数字化道路地图25来为车辆操作者提供导航支持和信息。自动驾驶控制器65采用数字化道路地图25来控制自动驾驶车辆运行或adas车辆功能。
[0046]
车辆10可以包括远程信息处理控制器75，该远程信息处理控制器包括能够进行车外通信(包括与具有无线和有线通信能力的通信网络90通信)的无线远程信息处理通信系统。
[0047]
远程信息处理控制器75能够进行车外通信，包括短程车辆间(v2v)通信和/或车辆与万物间(v2x)通信，其可以包括与基础设施监视器(例如交通摄像机)的通信。远程信息处理控制器75具有无线远程信息处理通信系统，该无线远程信息处理通信系统能够与手持设备(例如蜂窝电话、卫星电话或其他电话设备)进行短程无线通信。在一个实施方案中，手持设备置包括软件应用程序，该软件应用程序包括与远程信息处理控制器75通信的无线协议，并且手持设备执行车外通信，包括经由通信网络90与非车载服务器95进行通信。远程信息处理控制器75通过经由通信网络90与车外服务器95进行通信来直接执行车外通信。
[0048]
术语“控制器”和相关术语(诸如微控制器、控制单元、处理器和类似术语)指的是专用集成电路(asic)、现场可编程门阵列(fpga)、电子电路、中央处理器(例如，微处理器)以及由存储器23所指示的存储器和存储设备(只读存储器、可编程只读存储器、随机存取存储器、硬盘驱动器等)形式的相关非暂时性存储器组件中的一种或它们的各种组合。非暂时性存储器组件能够以一个或多个软件或固件程序或例程、组合逻辑电路、输入/输出电路和设备、信号调节和缓冲电路以及可以由一个或多个处理器访问以提供所述功能的其他组件
的形式存储机器可读指令。
[0049]
输入/输出电路和设备包括模拟/数字转换器和监控来自传感器的输入的相关设备，以预设的采样频率或响应触发事件来监控这些输入。软件、固件、程序、指令、控制例程、代码、算法和类似术语是指控制器可执行的指令集，包括校准和查找表。每个控制器执行控制例程，以提供所需的功能。可以定期执行例程，例如在正在进行的操作期间每100微秒执行一次。
[0050]
可以响应于触发事件的发生来执行例程。控制器、致动器和/或传感器之间的通信可以利用直接有线点对点链路、联网通信总线链路、无线链路或其他合适的通信链路来实现。通信包括以适当的形式交换数据信号，包括例如经由导电介质的电信号、经由空气的电磁信号、经由光波导的光信号等。
[0051]
数据信号可以包括表示来自传感器的输入、致动器命令和控制器间通信的离散、模拟或数字化模拟信号。术语“信号”指的是传达信息的物理上可辨别的指示物，并且可以是能够通过介质传播的合适波形(例如，电波形、光波形、磁波形、机械波形或电磁波形)，诸如dc、ac、正弦波、三角波、方波、振动等。参数定义为可测量的量，该可测量的量表示可以利用一个或多个传感器和/或物理模型来辨别的设备或其他元件的物理特性。参数可以具有离散值(例如“1”或“0”)，或者可以是无限可变的值。
[0052]
如本文所用的，术语“动态的”和“动态地”描述了实时执行的步骤或过程，这些步骤或过程的特征在于在例程执行期间或例程的重复执行之间监测或以其他方式确定参数的状态并定期或周期性地更新这些参数的状态。
[0053]
图2示出了路段200的示例性俯视图，其可以是车辆10可以采用的数字化道路地图25的一部分。示例性路段200包括道路元素202(诸如车道标志)，具有即将到来的转弯204。应当理解的是，路段200和与其相关联的概念可以应用于构造为多车道道路的路段。路段的边缘部分205被示出，并且表示被感知车道标志。
[0054]
第一组点210被示出，并且表示多个车道标志202的地球物理位置，这些车道标志设置在路段200的边缘部分205处，由车辆空间监控系统100的一个或多个空间传感器感知。第一组点210形成被感知车道标志，该被感知车道标志定义了边缘部分205。第二组点220表示车道标志(例如，车道边缘205)基于地图的位置，这些车道标志在数字化道路地图25上识别并且对应于车道标志202中的各个车道标志。
[0055]
如本文进一步详细描述的，控制器110可以计算一个或多个成本矩阵，以确定由第一组点210表示的被感知对象是否与由第二组点220表示的地图对象相关联，即是否对应于该地图对象。仅基于几何距离确定结果，地图数据和/或传感器数据内的某些失真可能会导致错误的关联或失配。
[0056]
如本文所使用的，为了易于阅读，本公开可以将第二组点220称为地图对象和/或地图分段，并且可以将第一组点210称为被感知对象和/或被感知的分段。如本文所使用的，术语“类型”可以定义为车道标志类型，并且术语“颜色”可以定义为车道标志的颜色或色调。通过采用本文描述的技术，控制器110可以确定车道边缘类型和颜色之间的相似性，以提高被感知对象和地图数据内的对应对象之间正确的关联。
[0057]
被感知对象数据(例如，第一组点210)可以由控制器110接收，并从主车辆参考(即自我车辆10)转换成全局参考系表示。例如，控制器110可以根据等式1转换被感知数据：
[0058]
xg＝rxe x
p
等式1
[0059]
其中xg是点在全局参考系中的位置向量，xe是点在主车辆坐标中的位置向量，x
p
是主车辆在全局参考系中的位置向量，r是旋转矩阵，该旋转矩阵将感知数据从主车辆参考映射到对应的全局参考系表示，该全局参考系表示取决于车辆在全局参考系中的前进方向。
[0060]
控制器110可以根据等式2计算成本矩阵，
[0061]
c＝[c
ij
]等式2
[0062]
其中c是计算出的成本矩阵，元素c
ij
表示将被映射对象与被感知对象j关联起来的成本，即关联成本。成本可以包括i(其中i表示第i个地图车道边缘或分段)和j(其中j表示第j个被感知车道边缘或分段)之间的距离和类型失配成本的组合，类型失配成本是根据等式3将i(其中i表示第i个地图车道边缘或分段)与类型ti和j(其中j表示第j个被感知车道边缘或分段)与类型tj关联起来的成本：
[0063][0064]
如果两个对象(例如，被感知对象和地图对象)是相同类型的，则类型失配成本通常可以很小，而如果这两个对象不兼容，则类型失配成本为无穷大。成本可以解释为在假定概率分布的条件下数据的负对数似然性。
[0065]
控制器110可以根据等式4确定地图分段i中的点{m
i，k
}和感知分段j中的点之间的平均平方马氏距离(为了方便起见，省略了下标i和j)：
[0066][0067]
其中包括点{m
i，k
}与{p
j，k
}之间的横向距离的向量，并且∑是协方差项。
[0068]
横向距离可以根据等式5计算：
[0069][0070]
其中pk′
包括离mk和最近的(例如，最接近的)感知点，其中θk是与点mk相切的角度。点之间的纵向距离d
lon，k
也由控制器110计算，并且如果该纵向距离大于阈值t
log
，则距离d设置为无穷大，其中且
[0071]
协方差∑可以定义为∑＝∑
percep
∑
pose
，其中∑
percep
是具有的对角矩阵，其中是最接近mk的感知点的横向方差，并且∑
pose
＝u∑
tut
，其中∑
t
是车辆10姿态和u
t
＝(u0...um)的协方差。平均加权横向欧几里德距离r可以根据来计算，其中应当理解的是，每个地图分段i和感知分段j可以与d
ij
和r
ij
相关联。
[0072]
控制器110可以进一步确定车道标志类型和/或颜色成本。计算类型和/或颜色成
本，使得当感知和映射类型确定为相同时，类型和/或颜色成本相对较小；而当感知和映射类型确定为不同时，类型和/或颜色成本相对较高。车道边缘的类型成本可以根据等式6来计算，
[0073][0074]
其中表示在报告的类型的条件下地图车道边缘i的真实类型的概率分布，表示在报告的颜色的条件下地图车道边缘i的真实颜色的概率分布，表示在报告的类型的条件下感知车道边缘j的类型的概率分布，是在报告的颜色的条件下感知车道边缘j的颜色的概率分布，表示关于类型的地图分布和感知分布的点积，并表示两个地图和感知车道边缘基于类型的彼此相似度。
[0075]
每个感知车道边缘和地图车道边缘包括与相应类型的车道边缘相关联的多个点。车道边缘的类型ti可以定义为车道边缘的分段类型的模式，并且车道边缘分段的类型ti的在线置信度可以定义为p(mi＝ti)，其由控制器计算为与车道边缘分段中的类型模式相匹配的每个点的置信度类型的平均值。
[0076]
控制器110可以利用边际概率来确定在报告的类型、报告的颜色、混淆矩阵和关于现有类型的先验的条件下实际类型和颜色的概率。例如，实际类型的概率可以根据等式7来计算：
[0077][0078]
其中p(t＝a|r＝b)表示来自转置混淆矩阵的条目，并描述了在报告的类型的条件下实际类型的概率，li(rb)表示来自第i个地图车道边缘的类型似然性向量的条目，并且该类型似然性向量表示报告的类型的概率。应当理解的是，等式7所示的是计算对应于地图的实际类型；然而，同样的公式可以用于计算感知或地图和/或颜色或类型。
[0079]
在本上下文中，混淆矩阵描述了在实际类型的条件下基于示例性数据测试集的报告的类型的概率。例如，控制器110可以实现贝叶斯定理来转置映射和感知类型混淆矩阵以及颜色混淆矩阵，从而识别在报告的类型的条件下实际类型的概率。控制器110可以根据等式8来确定转置混淆矩阵：
[0080][0081]
其中p(r＝b|t＝a)表示来自对应于实际类型a和报告的类型b的地图类型混淆矩阵的条目，并且其中p(t＝a)是关于现有类型分布的先验。在某些情况下，均匀分布用于先验，除非类型有可用的附加信息。
[0082]
控制器110还可以在被映射车道分段的边界处分割被感知车道边缘。在某些情况下，被感知车道边缘可能跨越一个以上被映射车道分段，这可能违反了输出数据的1:1映射规则。在各种实施方式中，当最接近的地图车道边缘分段点是分段中的最后一点时，控制器
110将被感知车道边缘分割成分段。
[0083]
在一些实施方式中，控制器110根据类型来纵向分割被感知和被映射车道边缘，以实现基于类型的关联。例如，类型车道分割协议可以解决车道分类中的噪声，诸如短距离的临时类型变化。为了解决分类噪声，假如在n个点(其中超过k个点的类型不同)的滑动窗口内，针对每个车道边缘采用合适的滤波过程，其将分段一分为二。n与k的比值和n的大小决定了分割协议对噪声的敏感程度。例如，n＝5和k＝2可以对应于5个点内的点，只有在5个点(其中3个或更多个点的类型不同)的窗口内时，才会进行分割。
[0084]qpm
项可以定义为感知车道索引与地图车道边缘索引相关联的概率，其中特例表示在感知车道边缘索引和地图车道边缘索引之间没有关联。如本文所使用的，时间t时的距离和/或类型测量值可以由向量z
(t)
来表示。
[0085]
如本文所述，控制器110可以采用贝叶斯定理来确定感知车道边缘对应于地图车道边缘的概率。感知车道边缘与地图车道边缘m相关联的先验概率可以根据等式9来计算：
[0086][0087]
其中m＝0对应于外点，即没有关联，并且p
inlier
包括内点概率。
[0088]
在(即在先验时间步长的关联概率)的条件下，预测概率可以根据等式10来定义：
[0089][0090]
其中是归一化项，并且1/α是伪计数。生成的预测包括属性(即先前的后验)和(即先验)。基于这些属性，α规定了保留多少先前的概率以及多少预测回复到先验概率。控制器110可以根据等式11通过计算相邻关联对朝向的演化的贡献来计算预测概率：
[0091][0092]
其中∑＝αi是具有调整参数α和的对角矩阵。为了预测的关联概率，通过在上进行边缘化并利用候选的相应后验概率来对候选进行加权，等式8在时间步长t-1将所有可能的候选包括在内。马氏距
离提供了额外的空间加权，从而在预测期间为附近的候选提供了更高的贡献权重。
[0093]zt
的似然性lm＝p(z
(t)
|m
(t)
＝m)可以由等式12给出：
[0094][0095]
其中u(p|a，b)是多变量均匀分布在p处分别具有下限a和b的似然性，并且和分别是类型和距离似然性。
[0096]
外点似然性(例如，其中m＝0)包括两个独立均匀分布的乘积，其中一个分布对应于距离，另一个分布对应于类型。在一个示例性实施方式中，类型似然性可以写为其中ni是维度i中的离散变量的基数，例如，对于维度颜色∈黄色、白色以及道路和样式∈虚线、实线，则l
t
＝1/6。距离的范围[a，b]应该足够大以覆盖实际的观察。成本和释然性通过c＝-ln l相关联，使得其分别是类型成本和平方马氏距离成本的之和。
[0097]
在先验概率的条件下感知车道边缘p是地图车道边缘m的噪声实现的后验概率由等式13给出：
[0098][0099]
参考感知索引p，所有的概率都可以收集到p x m后验概率矩阵q＝[q
pm
]中，其中去除对应于m＝0的外点概率。然后，概率矩阵可以根据c＝-ln q转换成成本矩阵，其中ln(
·
)按元素应用。
[0100]
在一些实施方式中，控制器110可以通过从地图中识别候选来计算d
ij
，通过从感知中选择相距每个候选的最大距离d
candidate
内的k个最近邻居来找到候选，最大距离可以采用合适的欧几里德距离确定和k-d树来计算。
[0101]
在一些实施方式中，控制器110根据类型来纵向分割被感知和被映射车道边缘，以实现基于类型的关联。例如，类型车道分割协议可以解决车道分类中的噪声，诸如短距离的临时类型变化。为了解决分类噪声，假如在n个点(其中超过k个点的类型不同)的滑动窗口内，针对每个车道边缘采用合适的滤波过程，其将分段一分为二。n与k的比值和n的大小决定了分割协议对噪声的敏感程度。例如，n＝5和k＝2可以对应于5个点内的点，只有在5个点(其中3个或更多个点的类型不同)的窗口内时，才会进行分割。
[0102]
控制器110基于计算出的成本矩阵在多个关联中选择关联。成本矩阵表示第一组点210和第二组点220之间多个潜在关联的成本。在一个示例性实施方式中，成本矩阵可以根据kuhn munkres算法来计算。在一个示例性实施方式中，利用具有值c
skip
的虚拟行列来增广成本矩阵，该值c
skip
表示对于所有感知和地图候选无分配的成本，以使得来自感知和地图的对象潜在地保持未分配。控制器110可以忽略涉及虚拟条目的解，并且如果计算出的
解中仅包括虚拟条目，则控制器110不执行关联确定。
[0103]
如果控制器110确定存在具有相似成本的多个解，则控制器110停止确定第一组点210和第二组点220之间的关联，以避免选择歧义解。控制器110可以通过比较来自解s1的总成本c1与来自解s2的总成本c2之间的差来确定是否存在具有相似成本的多个解。控制器110将该差与成本阈值δc
ignore
进行比较。例如，根据等式14计算总成本：
[0104][0105]
其中ck表示基于c
ij
求和的成本。如果控制器110确定|c
1-c2|《δc
ignore
，则控制器110不将被感知对象(例如，第一组点210)与地图数据内描绘的对象(例如，第二组点220)关联起来。否则，控制器110将被感知对象与地图数据内描绘的对象关联起来，这表明被感知对象是地图数据内的对象。在各种实施方式中，|c
1-c2|值可以表示关联成本，并且δc
ignore
可以表示关联成本阈值。通过将对应于s1的成本矩阵中的条目设置为无穷大以使并根据等式7重复成本计算，可以找到与最优解s1没有共同分配的第二解s2。
[0106]
当欧几里德距离r
ij
在统计上都不显著大于预定的最大距离时，控制器110选择解s1。当时，控制器110不将第一组点210和第二组点220关联起来，其中i,j＝argmax
i,j∈s1rij
和k表示用于确定显著性的一些标准偏差，例如，对于大约95％的置信水平，k＝2。解s1可以表示被感知车道边缘和地图内表示的车道边缘之间的关联。
[0107]
图3示出了将被感知车道边缘与地图数据中表示的对应车道边缘关联起来(例如，确定每个车道边缘相同)的示例性过程300。过程300可以包括可由控制器110执行的软件指令。
[0108]
在步骤302，控制器110基于感知分割地图车道边缘。在步骤304，控制器110初始化感知/地图识别映射表。在步骤306，控制器110利用先验概率数据初始化关联概率矩阵。
[0109]
通过采用以上更详细描述的技术，控制器110在步骤308计算每个地图/感知对之间的距离似然性。在步骤310，控制器110计算每个地图/感知对之间的类型似然性。在步骤312，控制器110利用在步骤308和步骤310中计算出的总体似然性来更新概率矩阵。在步骤314，控制器110采用合适的负对数变换函数来将概率矩阵转换成成本矩阵。
[0110]
在步骤316，控制器110利用以上结合等式7描述的总成本计算来选择最佳关联。在步骤318，控制器110确定时间戳是否已经增加。例如，控制器110确定接收到的感知数据是否包括相对于先前接收的时间戳增加的时间戳。如果时间戳没有增加，则过程300返回到步骤318。否则，在步骤320，控制器110生成预测概率矩阵。基于预测概率矩阵，控制器110在步骤322更新感知/地图识别映射表。在步骤324，控制器110基于接收到的被感知数据分割车道边缘。
[0111]
在步骤326，控制器110确定被感知车道的数量是否已经改变。如果被感知车道的数量已经改变，则在步骤328，控制器110可以添加或去除现有的概率矩阵行和/或重新分配具有先验数据的新概率矩阵行。在步骤330，控制器110确定地图数据中的车道数量是否已经改变。如果地图数据内的车道数量已经改变，控制器110添加或删除列并重新分配概率。
然后，过程300可以返回到步骤308。
[0112]
尽管在以上具体描述中已呈现了至少一个示例性实施方式，但应当理解的是，存在大量的变型形式。还应当理解，一个或多个示例性实施方式仅仅是实例，而并非旨在以任何方式限制本公开的范围、适用性或配置。相反，以上具体描述将为本领域的技术人员提供一种用于实现一个或多个示例性实施方式的便利路线图。应当理解的是，在不脱离所附权利要求书及其法律等同物中阐述的本公开的范围的情况下，可以对元件的功能和布置进行各种改变。
[0113]
该详细描述在本质上仅是示例性的，而并非旨在限制本技术及用途。此外，目的不在于受前述技术领域、技术背景、发明内容或以下详细描述中提出的任何明确的或隐含的理论的约束。如本文所用，术语“模块”指的是可以单独使用或者彼此组合使用的任何硬件、软件、固件、电子控制组件、处理逻辑和/或处理器装置，包括但不限于：专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享处理器、专用处理器或处理器组)和存储器、组合逻辑电路和/或提供所述功能的其他合适组件。
[0114]
本文可以根据功能和/或逻辑块组件和各种处理步骤来描述本公开的实施方式。应当理解到的是，这些块组件可以由配置为执行指定功能的任何数量的硬件、软件和/或固件组件来实现。例如，本公开的一个实施方式可以采用各种集成电路组件(例如，存储元件、数字信号处理元件、逻辑元件或查找表等)，其可以在一个或多个微处理器或其他控制设备的控制下执行各种功能。此外，本领域技术人员将理解的是，本公开的实施方式可以结合任何数量的系统来实践，并且本文描述的系统仅仅是本公开的示例性实施方式。