一种识别车道分组线的方法、装置和设备制造方法及图纸

本申请提供一种识别车道分组线的方法、装置和设备，通过提取待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征，将待测车道线的车道线特征、待测车道线周围的路面元素的特征、待测车道线与待测车道线周围的路面元素的相对特征输入已训练的机器学习模型中，输出预测结果，预测结果包括车道分组线。由于提取的车道线特征、待测车道线周围的路面元素的特征以及待测车道线与待测车道线周围的路面元素的相对特征为机器学习模型训练所用到的特征，因而在将上述特征输入已训练的机器学习模型中时，能够及时获取待测车道线中的车道分组线，从而能够高效、全面地对车道进行分组。组。组。

【技术实现步骤摘要】
一种识别车道分组线的方法、装置和设备


[0001]本申请涉及汽车
，尤其涉及一种识别车道分组线的方法、装置和设备。

技术介绍

[0002]高精地图是一种精细化到车道线级别的导航、定位电子地图，是当前自动驾驶系统中不可或缺的数据。
[0003]车道线作为高精地图中重要的一类要素，不仅需要具有较高的精度，而且制作需要严格遵循一定的规范。例如同向行驶的车道上需要对车道线进行齐打断、编号等。而车道线齐打断、编号的一个重要环节是对车道线进行分组，即将道路上的车道按上/下行、主辅路、物理隔离设施等区分方式划分为不同车道线组。
[0004]传统的车道分组方法是通过人工作业或者规则提取。但是，人工作业的方式由于存在制图成本高、效率低等问题，延缓了地图更新的速度，降低了地图的时效性。规则提取的方式在大范围制图任务中同样存在局限性，制图范围越大，场景越复杂，需要的规则无论从数量还是逻辑上都难以维护。因而，传统的车道分组方法难以高效、全面地对车道进行分组。

技术实现思路

[0005]本申请提供一种识别车道分组线的方法、装置和设备，用以解决传统的车道分组方法难以高效、全面地对车道进行分组问题。
[0006]第一方面，本申请提供一种识别车道分组线的方法，所述方法包括：
[0007]提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征；
[0008]将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。
[0009]可选的，所述车道线特征包括：所述待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；
[0010]所述待测车道线周围的路面元素的特征包括：所述待测车道线两侧的箭头的类型，和/或，所述待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；
[0011]所述车道线特征与所述待测车道线周围的路面元素的相对特征包括：用于标识所述待测车道线拓扑连接关系的邻接矩阵，和/或，所述待测车道线与最邻近路面标识的距离，和/或，所述待测车道线两侧且与所述待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。
[0012]可选的，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：
[0013]采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线；
[0014]从所述训练数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；
[0015]将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。
[0016]可选的，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：
[0017]采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线；
[0018]从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；
[0019]将所述第二标签以及从所述测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证。
[0020]可选的，所述采集训练数据集之后，所述方法还包括：
[0021]将训练数据集中的每条车道线数据的第一标签组合并用向量表示，获取所述训练数据集的标签向量；
[0022]获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵；
[0023]相应地，所述将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练，具体包括：
[0024]将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练。
[0025]可选的，所述相应特征包括离散特征和连续特征；
[0026]所述获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵，具体包括：
[0027]对所述离散特征采用独热编码处理，以将所述离散特征转换为二元特征，将所述二元特征组合成二进制向量，以获得所述离散特征的第一特征向量；
[0028]对所述连续特征进行标准化处理，以使所述连续特征的特征向量中的所有数值处于特定区间范围内，以获得所述连续特征的第一特征向量；
[0029]将所述离散特征的第一特征向量和所述连续特征的第一特征向量合并，获得第一特征矩阵。
[0030]可选的，所述采集测试数据集之后，所述方法还包括：
[0031]将测试数据集中的每条车道线数据的第二标签组合并用向量表示，获取所述测试数据集中的标签向量；
[0032]获取测试数据集中的每个相应特征的第二特征向量，将每个车道线的相应特征的第二特征向量合并，获得第二特征矩阵；
[0033]相应地，所述将所述第二标签以及从测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证，具体包括：
[0034]将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证。
[0035]可选的，所述机器学习模型包括支持向量机模型；
[0036]所述将所述训练集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练，具体包括：
[0037]将所述训练集的标签向量以及所述第一特征矩阵输入参数初始化的支持向量机模型中进行训练；
[0038]将所述测试数据集的标签向量以及所述第二特征矩阵输入训练后的机器学习模型中进行验证，具体包括：
[0039]将所述测试数据集的标签向量以及所述第二特征矩阵输入所述训练后的支持向量机模型中，输出所述测试数据集的预测结果；
[0040]将所述测试数据集的预测结果与所述测试集的标签向量进行对比。
[0041]可选的，若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果大于等于预设值，则保存所述支持向量机模型；
[0042]若所述测试数据集的预测结果与所述测试数据集的标签向量的对比结果小于预设值，则对所述参数初始化的支持向量机模型的超参数进行调整，直至所述对比结果大于等于预设值。
[0043]可选的，所述训练数据集的数据大于所述验证数据集的数据。
[0044]可选的，所述待测车道线包括与车道线分组线具有拓扑关系的车道线；
[0045]在获取所述车道分组线之后，所述方法还包括：
[0046]将所述待测车道线输入图模型中，输出与所述车道分组线具有拓扑关系的分组线；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种识别车道分组线的方法，其特征在于，所述方法包括：提取待测车道线的相应特征，所述相应特征包括：车道线特征、所述待测车道线周围的路面元素的特征以及所述待测车道线与所述待测车道线周围的路面元素的相对特征；将所述待测车道线的相应特征输入已训练的机器学习模型中，输出预测结果，所述预测结果包括车道分组线。2.根据权利要求1所述的方法，其特征在于，所述车道线特征包括：所述待测车道线的标识、几何长度、方向、类型和轨迹距离中的至少一种；所述待测车道线周围的路面元素的特征包括：所述待测车道线两侧的箭头的类型，和/或，所述待测车道线两侧的车道线的数量、类型、宽度、和方向中的至少一个；所述车道线特征与所述待测车道线周围的路面元素的相对特征包括：用于标识所述待测车道线拓扑连接关系的邻接矩阵，和/或，所述待测车道线与最邻近路面标识的距离，和/或，所述待测车道线两侧且与所述待测车道线相邻的车道线的相对位置关系、宽度比、外接矩阵高度差、曲率差和角度差中的至少一种。3.根据权利要求1或2所述的方法，其特征在于，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：采集训练数据集，所述训练数据集中的每条车道线数据具有对应的第一标签，所述第一标签包括分组线或非分组线；从所述训练数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练。4.根据权利要求3所述的方法，其特征在于，将所述待测车道线的相应特征输入所述机器学习模型之前，所述方法还包括：采集测试数据集，所述测试数据集中的每条车道线数据具有对应的第二标签，所述第二标签包括分组线或非分组线；从所述测试数据集中的每条车道线数据中提取相应特征，所述相应特征包括：当前车道线的车道线特征、当前车道线周围的路面元素的特征以及当前车道线与当前车道线周围的路面元素的相对特征；将所述第二标签以及从所述测试数据集中提取的相应特征输入训练后的机器学习模型中进行验证。5.根据权利要求4所述的方法，其特征在于，所述采集训练数据集之后，所述方法还包括：将训练数据集中的每条车道线数据的第一标签组合并用向量表示，获取所述训练数据集的标签向量；获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵；相应地，所述将所述第一标签以及从训练数据集中提取的相应特征输入建立的机器学习模型中进行训练，具体包括：
将所述训练数据集的标签向量以及所述第一特征矩阵输入建立的机器学习模型中进行训练。6.根据权利要求5所述的方法，其特征在于，所述相应特征包括离散特征和连续特征；所述获取训练数据集中的每个相应特征的第一特征向量，将每个车道线的相应特征的第一特征向量合并，获得第一特征矩阵，具体包括：对所述离散特征采用独热编码处理，以将所述离散特征转换为二元特征，将所述二元特征组合成二进制向量，以获得所述离散特征的第一特征向量；对所述连续特征进行标准化处理，以使所述连续特征的特征向量中...

【专利技术属性】
技术研发人员：潘皓博，王志勇，李兴义，
申请(专利权)人：湖北亿咖通科技有限公司，
类型：发明
国别省市：