本申请公开了一种车道线跟踪方法、装置、设备及存储介质，该车道线跟踪方法包括：获取当前车道线预测信息和当前车道线信息，对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息，根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果，基于多个车道线模型，对当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；根据当前概率，从多个车道线模型中确定出目标车道线模型；根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。采用本申请的技术方案能够提高车道线跟踪处理的自适应性、精确性和稳定性。性。性。
【技术实现步骤摘要】
一种车道线跟踪方法、装置、设备及存储介质
[0001]本申请涉及数据处理
，具体涉及一种车道线跟踪方法、装置、设备及存储介质。
技术介绍
[0002]智能驾驶技术是目前人工智能领域的主要焦点之一，其中车道线跟踪计算是智能驾驶系统的重要组成部分，精确的车道线跟踪计算方法对于道路安全具有重要的意义。
[0003]现有的车道线跟踪算法包含车道检测以及车道模型拟合，其中车道模型拟合是实现自动驾驶功能的关键。现阶段的车道模型拟合一般分为直线拟合和曲线拟合，其中直线拟合通常采用霍夫变换（Hough Transform，HT）、最小二乘法（Least Squares，LS）等，曲线拟合通常采用多项式曲线、样条曲线或贝塞尔曲线等，但仍存在一些缺陷和不足，对复杂多变的车道场景的自适应性不高，拟合准确性以及拟合稳定性较差。
技术实现思路
[0004]本申请实施例提供了一种车道线跟踪方法、装置、设备及存储介质，用于提高车道线拟合的自适应性、拟合精度以及拟合稳定性。
[0005]一方面，本申请实施例提供了一种车道线跟踪方法，该方法包括：获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
[0006]进一步的，获取当前车道线预测信息,包括：获取历史车道线信息、目标车辆在历史时刻的历史行驶状态信息和目标车辆在当前时刻的当前行驶状态信息；根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息。
[0007]进一步的，历史行驶状态信息包括历史位置信息和历史行驶方向信息，当前行驶状态信息包括当前位置信息和当前行驶方向信息；
根据历史车道线信息、历史行驶状态信息和当前行驶状态信息，确定当前车道线预测信息，包括：根据历史位置信息和当前位置信息，确定位置偏移信息；根据历史行驶方向信息和当前行驶方向信息，确定行驶方向偏移信息；基于位置偏移信息、行驶方向偏移信息和历史车道线信息，确定当前车道线预测信息。
[0008]进一步的，在对当前车道线预测信息分别进行一次拟合或多次拟合之前，方法还包括：获取多个车道线模型各自对应的转移概率、各自在历史时刻的历史概率、各自在历史时刻的历史协方差以及各自在历史时刻的历史输出结果；基于历史输出结果、转移概率、历史概率和历史协方差，确定预测协方差；相应的，基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果，包括：基于多个车道线模型，对当前输入结果、预测协方差和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果。
[0009]进一步的，基于历史输出结果、转移概率、历史概率和历史协方差，确定预测协方差，包括：获取多个车道线模型各自在历史时刻的历史输出结果；根据转移概率和历史概率，确定多个车道线模型各自在当前时刻的混合概率；根据历史协方差、历史输出结果和混合概率，对多个车道线模型各自在当前时刻的协方差进行预测，得到多个车道线模型各自对应的预测协方差。
[0010]进一步的，根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型，包括：将多个车道线模型各自对应的当前概率中，满足预设条件的当前概率，作为目标概率；将目标概率对应的车道线模型确定为目标车道线模型。
[0011]进一步的，根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果，包括：根据目标车道线模型对应的当前输出结果，确定目标拟合信息；根据目标拟合信息，确定当前车道线融合输出结果。
[0012]另一方面，提供了一种车道线跟踪装置，该装置包括：获取模块，用于获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；拟合模块，用于对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；第一确定模块，用于根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；处理模块，用于基于多个车道线模型，对多个车道线模型各自对应的当前输入结
果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；第二确定模块，用于根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；第三确定模块，用于根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。
[0013]另一方面提供了一种车道线处理的设备，该设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的车道线跟踪方法。
[0014]另一方面提供了一种计算机可读存储介质，存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现如上述的车道线跟踪方法。
[0015]本申请实施例提供的一种车道线跟踪方法、装置、设备及存储介质，具有如下技术效果：获取当前车道线预测信息和当前车道线信息；当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，当前车道线信息为目标车辆在当前时刻采集的车道线信息；对当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；根据当前车道线预测信息和初始拟合信息，确定多个车道线模型各自对应的当前输入结果；基于多个车道线模型，对多个车道线模型各自对应的当前输入结果和当前车道线信息进行处理，得到多个车道线模型各自对应的当前概率和当前输出结果；根据多个车道线模型各自对应的当前概率，从多个车道线模型中确定出目标车道线模型；根据目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。本申请通过多个车道线模型融合确定当前车道线，可以适用多种车道场景，通过采取当前车道线预测值和当前车道线观测值进行融合处理，提高了车道线拟合的精度和平滑度，进而提高了车道线拟合的稳定性。
附图说明
[0016]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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的前提下，还可以根本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车道线跟踪方法，其特征在于，所述方法包括：获取当前车道线预测信息和当前车道线信息；所述当前车道线预测信息为基于目标车辆在历史时刻采集的历史车道线信息确定，所述当前车道线信息为所述目标车辆在当前时刻采集的车道线信息；对所述当前车道线预测信息分别进行一次拟合或多次拟合，得到多个车道线模型各自对应的初始拟合信息；根据所述当前车道线预测信息和所述初始拟合信息，确定所述多个车道线模型各自对应的当前输入结果；基于所述多个车道线模型，对所述多个车道线模型各自对应的当前输入结果和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果；根据所述多个车道线模型各自对应的当前概率，从所述多个车道线模型中确定出目标车道线模型；根据所述目标车道线模型对应的当前输出结果，确定当前车道线融合输出结果。2.根据权利要求1所述的方法，其特征在于，所述获取当前车道线预测信息,包括：获取所述历史车道线信息、所述目标车辆在所述历史时刻的历史行驶状态信息和所述目标车辆在所述当前时刻的当前行驶状态信息；根据所述历史车道线信息、所述历史行驶状态信息和所述当前行驶状态信息，确定所述当前车道线预测信息。3.根据权利要求2所述的方法，其特征在于，所述历史行驶状态信息包括历史位置信息和历史行驶方向信息，所述当前行驶状态信息包括当前位置信息和当前行驶方向信息；所述根据所述历史车道线信息、所述历史行驶状态信息和所述当前行驶状态信息，确定所述当前车道线预测信息，包括：根据所述历史位置信息和所述当前位置信息，确定位置偏移信息；根据所述历史行驶方向信息和所述当前行驶方向信息，确定行驶方向偏移信息；基于所述位置偏移信息、所述行驶方向偏移信息和所述历史车道线信息，确定所述当前车道线预测信息。4.根据权利要求1所述的方法，其特征在于，在所述对所述当前车道线预测信息分别进行一次拟合或多次拟合之前，所述方法还包括：获取所述多个车道线模型各自对应的转移概率、各自在所述历史时刻的历史概率、各自在所述历史时刻的历史协方差以及各自在所述历史时刻的历史输出结果；基于所述历史输出结果、所述转移概率、所述历史概率和所述历史协方差，确定预测协方差；相应的，所述基于所述多个车道线模型，对所述多个车道线模型各自对应的当前输入结果和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果，包括：基于所述多个车道线模型，对所述当前输入结果、所述预测协方差和所述当前车道线信息进行处理，得到所述多个车道线模型各自对应的当前概率和当前输出结果。5.根据权利要求4所述的方法，其特征在于，所述基于所述历史输...
【专利技术属性】
技术研发人员：孙雅鸽，吴孟，喻清舟，郭志伟，崔晔，薛诺诺，高乐，
申请(专利权)人：福思杭州智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。