基于检测车辆轨迹大数据的地图车道线标注方法及系统技术方案

本发明专利技术提供了一种基于检测车辆轨迹大数据的地图车道线标注方法及系统，包括以下步骤：步骤S1：通过采集设备对验证路段进行数据采集；步骤S2：根据车辆模型获取行车轨迹信息；步骤S3：建立标注路段中车道线、行车轨迹与验证路段中车道线、行车轨迹的映射关系；步骤S4：建立验证路段的车道线与车道轨迹的关系模型并修正；步骤S5：通过车道线与车道轨迹的关系模型，预测其他路段的车道线，完成地图的车道线标注。与传统的车道线标注方法相比，本方案通过对车道轨迹数据进行处理，使少量的错误数据不会对正确的车道线产生影响，从而提高了车道线标注的准确率，并且随着数据量增加，车道线逐渐向真实车道线收敛，因而有较强的鲁棒性。性。性。

【技术实现步骤摘要】
基于检测车辆轨迹大数据的地图车道线标注方法及系统


[0001]本专利技术涉及地图车道线标注方法，具体地，涉及一种基于检测车辆轨迹大数据的地图车道线标注方法及系统。

技术介绍

[0002]现有的地图车道线标注技术主要包括：
[0003]1、通过相机采集图像集,通过深度学习识别图像集中的车道线信息,结合车辆本身的位姿信息,拼接成高精度地图的车道线信息。本方法中视觉受光线影响较严重,下雨,路面积水,车道线损坏,遮挡,均会对识别结果产生影响,又因相机本身无法提供深度信息,导致高精度地图的精度难以突破10cm级别,少数可以达到厘米级的纯视觉高精度地图车道线标注方案。
[0004]2、通过激光雷达采集车道线信息,结合车辆本身的位姿信息,拼接点云地图,通过生成点云的深度学习,识别对应车道线,结合人工标注,生成高精度地图。
[0005]激光雷达无法提供车道线的颜色信息,无法区分白线和黄线,激光雷达识别出的车道线点云与其他点云地位上并无明显区别,容易发生误检,漏检问题,激光雷达易受到干扰,下雨,路面积水,其他激光雷达对射,车道线损坏,遮挡等问题,均会对识别结果产生影响.激光雷达叠加数据难以完全滤除车辆干扰,数据采集越多,生成的地图中,出现在视野里的车辆的干扰点越多,导致数据量的增加并不能帮助标注反而会影响标注的结果。
[0006]在公开号为CN112329553A的中国专利技术专利申请文件中，公开了一种车道线标注方法及装置，所述方法包括：获取待标注图像，所述待标注图像包括至少一条车道线；针对每条车道线，在所述车道线的两端分别确定一个与所述车道线两侧边界均相切的相切圆；获取车道线拟合参数，基于所述相切圆的圆心和所述车道线拟合参数进行曲线拟合，得到所述车道线的车道中心线；根据所述相切圆和所述车道中心线确定所述车道线两侧边界的车道边界线；根据所述车道边界线对所述车道线进行标注。本专利技术的标注方法，通过利用相切圆先拟合出所述车道线的车道中心线，然后将所述车道中心线进行扩展得到所述车道线两侧边界的车道边界线，能够提高车道线标注效率，保证车道线标注宽度均匀变化。

技术实现思路

[0007]针对现有技术中的缺陷，本专利技术的目的是提供一种基于检测车辆轨迹大数据的地图车道线标注方法及系统。
[0008]根据本专利技术提供的一种基于检测车辆轨迹大数据的地图车道线标注方法，包括以下步骤：
[0009]步骤S1：通过采集设备对验证路段进行数据采集，所述验证路段为地图上未标注车道线的路段；
[0010]步骤S2：根据车辆模型获取行车轨迹信息；
[0011]步骤S3：建立标注路段中车道线、行车轨迹与验证路段中车道线、行车轨迹的映射
关系，所述标注路段为地图上已标注车道线的路段；
[0012]步骤S4：建立验证路段的车道线与车道轨迹的关系模型并修正；
[0013]步骤S5：通过车道线与车道轨迹的关系模型，预测其他路段的车道线，完成地图的车道线标注。
[0014]优选的，在所述步骤S3中，对城市的地图进行栅格化，将车辆轨迹点转化成对应车道及道路中心线的格栅概率密度，得到最大似然的车道线分布。
[0015]优选的，在所述步骤S4中，通过对车道线与车道轨迹映射关系的逻辑建模，或端对端的机器学习训练，可以得到高精度地图区域的车道线与车道轨迹的关系模型，预测验证数据集所在区域的车道线；同时预测车道线将与真实车道线对比，不断修正模型参数。
[0016]优选的，所述步骤S2中，将传感器采集的数据进行计算，得到采集车在图像相对坐标系下的位置，然后估算出传感器采集的车辆对象在三维坐标系下的包络框，或使用带有深度信息的图像进行车辆识别，对识别到的车辆进行建模，通过建立的车辆模型，及与采集车的位置关系，计算得到车辆对象在世界坐标系下的轨迹。
[0017]优选的，对于不同车型车辆识别，通过对不同车辆模型的训练，得到预先经过训练的车辆配准模型。
[0018]根据本专利技术提供的一种基于检测车辆轨迹大数据的地图车道线标注系统，包括：数据采集模块和云端处理模块，云端处理模块对数据采集模块得到的数据进行处理分析，形成该路段的车道线数据。
[0019]优选的，所述数据采集模块包括以下模块：
[0020]运动模块：为采集设备提供运动能力；
[0021]融合定位模块：采用单独或融合定位方式，为采集设备提供实时的定位信息；
[0022]传感器模块：用于获取道路上采集设备感知范围内车辆的行驶轨迹信息；
[0023]控制及处理模块：用于对采集设备运动的控制,对传感器数据的收集及存储,对传感器范围内车辆轨迹的计算及储存。
[0024]优选的，所述数据采集模块还包括数据传输模块，所述数据传输模块将采集设备及各传感器采集到的信息传输至信息处理模块。
[0025]优选的，所述云端处理模块包括以下模块：
[0026]数据处理模块：收集各项传感器的数据,并通过时序同步,将一种或多种传感器数据形成统一时间轴下的数据集合；
[0027]车辆轨迹提取模块：结合各传感器数据,在世界坐标轴下提取车辆轨迹；
[0028]模型训练及回归模块：将获得的车辆轨迹与已知地图的车道线进行训练，从而通过车道轨迹预测出车道线；
[0029]车道线标注模块：将训练好的模型，用于无标记区域的车道线的标记；
[0030]在上述模块中，后一模块依靠前一模块的数据。
[0031]优选的，所述传感器模块包括视觉传感器、激光雷达传感器或其他能够提供深度，图像及点云信息的传感器，所述视觉传感器和激光雷达传感器通过GNSS或硬件同步采样；所述激光雷达传感器工作时，通过对多帧激光雷达数据拼接，得到一帧点云密度密集的关键帧点云。
[0032]与现有技术相比，本专利技术具有如下的有益效果：
[0033]1.追踪采集设备周围的车辆运动轨迹，通过追踪车辆轨迹的大数据集合，判断车道线位置，通过大量车辆轨迹数据收敛得到真实车道线。
[0034]2.与传统的车道线标注方法相比，本方案通过对车道轨迹数据进行处理，使少量的错误数据不会对正确的车道线产生影响，从而提高了车道线标注的准确率。
附图说明
[0035]通过阅读参照以下附图对非限制性实施例所作的详细描述，本专利技术的其它特征、目的和优点将会变得更明显：
[0036]图1为本申请一种基于检测车辆轨迹大数据的地图车道线标注方法的架构设计图；
[0037]图2为本申请一种基于检测车辆轨迹大数据的地图车道线标注方法的车辆轨迹点流程图；
[0038]图3为本申请一种基于检测车辆轨迹大数据的地图车道线标注方法的概率密度拟合流程示意图；
[0039]图4为本申请一种基于检测车辆轨迹大数据的地图车道线标注方法中车辆轨迹点在地图栅格下的投影图；
[0040]图5为本申请一种基于检测车辆轨迹大数据的地图车道线标注方法中轨迹点落在栅格地图上周围栅格成为车辆中心线的概率分布图；
...

【技术保护点】

【技术特征摘要】
1.一种基于检测车辆轨迹大数据的地图车道线标注方法，其特征在于，包括以下步骤：步骤S1：通过采集设备对验证路段进行数据采集，所述验证路段为地图上未标注车道线的路段；步骤S2：根据车辆模型获取行车轨迹信息；步骤S3：建立标注路段中车道线、行车轨迹与验证路段中车道线、行车轨迹的映射关系，所述标注路段为地图上已标注车道线的路段；步骤S4：建立验证路段的车道线与车道轨迹的关系模型并修正；步骤S5：通过车道线与车道轨迹的关系模型，预测其他路段的车道线，完成地图的车道线标注。2.根据权利要求1所述的一种基于监测车辆轨道大数据的地图车道线标注方法，其特征在于：在所述步骤S3中，对城市的地图进行栅格化，将车辆轨迹点转化成对应车道及道路中心线的格栅概率密度，得到最大似然的车道线分布。3.根据权利要求1所述的一种建立车道线与车道轨迹的关系模型方法，其特征在于：在所述步骤S4中，通过对车道线与车道轨迹映射关系的逻辑建模，或端对端的机器学习训练，可以得到高精度地图区域的车道线与车道轨迹的关系模型，预测验证数据集所在区域的车道线；同时预测车道线将与真实车道线对比，不断修正模型参数。4.根据权利要求1所述的一种建立车道线与车道轨迹的关系模型方法，其特征在于：所述步骤S2中，将传感器采集的数据进行计算，得到采集车在图像相对坐标系下的位置，然后估算出传感器采集的车辆对象在三维坐标系下的包络框，或使用带有深度信息的图像进行车辆识别，对识别到的车辆进行建模，通过建立的车辆模型，及与采集车的位置关系，计算得到车辆对象在世界坐标系下的轨迹。5.根据权利要求4所述的一种基于监测车辆轨道大数据的地图车道线标注方法，其特征在于：对于不同车型车辆识别，通过对不同车辆模型的训练，得到预先经过训练的车辆配准模型。6.一种基于检测车辆轨迹大数据的地图车道线...

【专利技术属性】
技术研发人员：何弢，廖文龙，谢荣荣，
申请(专利权)人：安徽酷哇机器人有限公司，
类型：发明
国别省市：