车道线生成方法和装置制造方法及图纸

本发明专利技术提供一种车道线生成方法和装置。本发明专利技术车道线生成方法，包括：确定车道线的反射值底图，反射值底图用于表征车道线的反射信息；确定反射值底图中车道线对应的多个车道点；将反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息；根据每个车道点的属性信息，生成车道线。本发明专利技术实现了连续且完整的车道线的生成过程，使得无人驾驶车辆可以根据该车道线安全行驶。

【技术实现步骤摘要】
车道线生成方法和装置
本专利技术涉及智能交通
，尤其涉及一种车道线生成方法和装置。
技术介绍
随着汽车技术的智能化，无人驾驶车辆应运而生。无人驾驶车辆依靠车内智能驾驶仪来实现无人驾驶的目的。在无人驾驶车辆行驶过程中，需要为无人驾驶车辆提供车道线的信息。现有技术是基于语义分割方法生成车道线的。然而，道路上的车道线因为遮挡、磨损等原因，会出现模糊不清楚、断线等问题。通过现有技术获取到的车道线并不完整，存在中断和缺失等问题，导致无人驾驶车辆不能根据车道线安全行驶。
技术实现思路
本专利技术提供一种车道线生成方法和装置，以实现无人驾驶车辆的车道线的生成过程，保证了无人驾驶车辆可以根据连续且完整的车道线安全行驶。第一方面，本专利技术提供一种车道线生成方法，包括：确定车道线的反射值底图，所述反射值底图用于表征所述车道线的反射信息；确定所述反射值底图中车道线对应的多个车道点；将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息；根据所述每个车道点的属性信息，生成车道线。可选地，所述将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息，包括：将所述反射值底图输入至预先训练的神经网络模型中，确定第一车道点是否为停止点，所述第一车道点为所有车道点中的任意一个车道点。可选地，所述根据所述每个车道点的属性信息，生成车道线，包括：若所述第一车道点为停止点，则确定所述车道线在所述第一车道点处发生中断。可选地，所述根据所述每个车道点的属性信息，生成车道线，包括：若所述第一车道点不为停止点，则确定第二车道点的前进方向和前进步长，所述第二车道点为所述第一车道点的下一个车道点；根据所述第二车道点的前进方向和所述前进步长，生成所述车道线。可选地，所述根据所述第二车道点的前进方向和所述前进步长，生成所述车道线，包括：根据所述第二车道点的前进方向和所述前进步长，确定所述第二车道点的位置；根据所述第一车道点和所述第二车道点的位置，生成所述车道线。可选地，所述确定车道线的反射值底图，包括：获取包含车道线的点云数据；将所述点云数据映射到二维空间中，得到所述车道线的反射值底图。可选地，所述确定所述反射值底图中车道线对应的多个车道点，包括：将所述车道线进行采样处理，得到所述车道线对应的多个车道点。第二方面，本专利技术提供一种车道线生成装置，包括：确定模块，用于确定车道线的反射值底图，所述反射值底图用于表征所述车道线的反射信息；所述确定模块，还用于确定所述反射值底图中车道线对应的多个车道点；所述确定模块，还用于将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息；生成模块，用于根据所述每个车道点的属性信息，生成车道线。可选地，所述确定模块，具体用于将所述反射值底图输入至预先训练的神经网络模型中，确定第一车道点是否为停止点，所述第一车道点为所有车道点中的任意一个车道点。可选地，所述确定模块，用于当确定所述第一车道点为停止点时，确定所述车道线在所述第一车道点处发生中断。可选地，所述确定模块，用于当确定所述第一车道点不为停止点时，确定第二车道点的前进方向和前进步长，所述第二车道点为所述第一车道点的下一个车道点；所述生成模块，用于根据所述第二车道点的前进方向和所述前进步长，生成所述车道线。可选地，所述确定模块，用于根据所述第二车道点的前进方向和所述前进步长，确定所述第二车道点的位置；所述生成模块，用于根据所述第一车道点和所述第二车道点的位置，生成所述车道线。可选地，所述装置还包括；获取模块，用于获取包含车道线的点云数据；所述确定模块，用于将所述点云数据映射到二维空间中，得到所述车道线的反射值底图。可选地，所述确定模块，用于将所述车道线进行采样处理，得到所述车道线对应的多个车道点。第三方面，本专利技术提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面所述的车道线生成方法。第四方面，本专利技术提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行第一方面所述的车道线生成方法。本专利技术提供的车道线生成方法和装置，通过确定反射值底图中车道线对应的多个车道点，其中反射值底图可以表征车道线的反射信息，由于预先训练的神经网络模型可以模拟出反射值底图中车道线对应的各车道点的属性信息，从而将反射值底图输入至预先训练的神经网络模型中，便可依次确定每个车道点的属性信息，再根据每个车道点的属性信息，生成连续且完整的车道线。本专利技术中，实现了连续且完整的车道线的生成过程，使得无人驾驶车辆可以根据该车道线安全行驶，解决了现有技术中车道由于车道线的遮挡、磨损等原因出现不清楚、断线等问题而导致无人驾驶车辆无法安全行驶的问题，避免无人驾驶车辆根据破损、缺失的车道线行驶而发生交通事故，提高了无人驾驶车辆的安全性能，保障了用户的安全出行。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术提供的车道线生成方法的流程示意图；图2为本专利技术提供的车道线生成方法的流程示意图；图3为本专利技术提供的车道线生成方法的流程示意图；图4为本专利技术提供的车道线生成装置的结构示意图；图5为本专利技术提供的车道线生成装置的结构示意图；图6为本专利技术提供的电子设备的硬件结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本实施例提供的一种车道线生成方法和装置，适用于各种无人驾驶车辆等各种应用场景中。本实施例中，通过获取表征真实的车道线的反射信息的反射值底图，并将车道线的反射值底图输入到预先训练的神经网络模型中，可以得到车道线上各个车道点的属性信息，进而，根据车道线上各个车道点的属性信息，可以生成完整且连续的车道线，使得无人驾驶车辆可以根据该车道线安全行驶，提高了无人驾驶车辆的安全性能。下面，以服务器作为执行主体，对本实施例的车道线生成方法的具体实现过程进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。图1为本专利技术提供的车道线生成方法的流程示意图，如图1所示，本实施例的车道线生成方法可以包括：S101、确定车道线的反射值底图，反射值底图用于表征车道线的反射信息。S102、确定反射值底图中车道线对应的多个车道点。S103、将反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息。S104、根据每个车道点的属性信息，生成车道线。具体地，服务器可以采集并存储各种破损、缺失等类型的车道线的反射值底图，反射值底图用于表征车道线的反射信息。其中，车道线可以为道路中隔离各车道之间的标志线，也可以为道路上指向行驶方向的标志线本文档来自技高网...

【技术保护点】
1.一种车道线生成方法，其特征在于，包括：确定车道线的反射值底图，所述反射值底图用于表征所述车道线的反射信息；确定所述反射值底图中车道线对应的多个车道点；将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息；根据所述每个车道点的属性信息，生成车道线。

【技术特征摘要】
1.一种车道线生成方法，其特征在于，包括：确定车道线的反射值底图，所述反射值底图用于表征所述车道线的反射信息；确定所述反射值底图中车道线对应的多个车道点；将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息；根据所述每个车道点的属性信息，生成车道线。2.根据权利要求1所述的方法，其特征在于，所述将所述反射值底图输入至预先训练的神经网络模型中，依次确定每个车道点的属性信息，包括：将所述反射值底图输入至预先训练的神经网络模型中，确定第一车道点是否为停止点，所述第一车道点为所有车道点中的任意一个车道点。3.根据权利要求2所述的方法，其特征在于，所述根据所述每个车道点的属性信息，生成车道线，包括：若所述第一车道点为停止点，则确定所述车道线在所述第一车道点处发生中断。4.根据权利要求2所述的方法，其特征在于，所述根据所述每个车道点的属性信息，生成车道线，包括：若所述第一车道点不为停止点，则确定第二车道点的前进方向和前进步长，所述第二车道点为所述第一车道点的下一个车道点；根据所述第二车道点的前进方向和所述前进步长，生成所述车道线。5.根据权利要求4所述的方法，其特征在于，所述根据所述第二车道点的前进方向和所述前进步长，生成所述车道线，包括：根据所述第二车道点的前进方向...

【专利技术属性】
技术研发人员：杨光垚，侯瑞杰，沈莉霞，何雷，宋适宇，董芳芳，彭亮，
申请(专利权)人：百度在线网络技术北京有限公司，
类型：发明
国别省市：北京,11