车道线存在判断方法、系统和存储介质技术方案

本发明专利技术公开了一种车道线存在判断方法，其基于环境感知数据，包括：获取环境感知数据；在带特征和标签的数据中通过机器学习算法得到不同分类下的特征概率分布和和是观测特征F

【技术实现步骤摘要】
车道线存在判断方法、系统和存储介质


[0001]本专利技术涉及汽车领域，特别是涉及一种用于智能驾驶或先进驾驶辅助的车道线存在判断方法和系统。

技术介绍

[0002]在智能驾驶或先进驾驶辅助系统中，智能车辆需要对所处的道路环境进行识别，其中一个重要任务即判断自车相邻车道是否存在。现有车道信息识别方法分为两大类，第一类是基于车载传感器对道路范围内的车道线、道路边沿等进行识别进而处理得到车道信息，第二类是基于预先采集的高精度地图数据根据自车的实时定位位置与地图匹配得到车道信息。由于目前高精度地图覆盖范围较少，第一类基于车载传感器的方法更为常用。基于车载传感器的车道信息获取方法通常直接使用传感器感知结果判断自车相邻车道存在性，例如通过是否识别到车道左右侧边线以及车道宽度是否合理来判断车道是否存在，此类方法未考虑传感器感知结果的不确定性，在传感器识别误差较大时易产生错误判断。在此基础上，有方法采用车道线识别的置信度描述传感器感知的不确定性，但此类方法仍然需要采用确定的置信度阈值判断传感器感知结果是否有效，判断过程仍是确定性的。本专利技术提出了一种基于朴素贝叶斯算法的车道存在性判断方法，通过概率描述替代确定性判断，能够很好的应对传感器感知的不确定性。

技术实现思路

[0003]在
技术实现思路
部分中引入了一系列简化形式的概念,该简化形式的概念均为本领域现有技术简化，这将在具体实施方式部分中进一步详细说明。本专利技术的
技术实现思路
部分并不意味着要试图限定出所要求保护的技术方案的关键特征和必要技术特征，更不意味着试图确定所要求保护的技术方案的保护范围。
[0004]本专利技术要解决的技术问题是提供一种能避免环境感知不确定性对车道线存在准确性产生影响的车道线存在判断方法。以及一种用于存储程序的计算机可读存储介质，所述程序被执行时实现所述车道线存在判断方法中的步骤。
[0005]本专利技术还提供了一种能避免环境感知不确定性对车道线存在准确性产生影响的车道线存在判断系统。
[0006]为解决上述技术问题，本专利技术提供的车道线存在判断方法，其基于环境感知数据，包括以下步骤：
[0007]S1，获取环境感知数据；
[0008]S2，在具有车道边界线类型特征和车道存在或不存在标签的数据中通过机器学习算法得到不同分类下的特征概率分布和
[0009]是观测特征FL条件下待判断车道存在概率，是观测特征F
L
条件下内侧车道存在概率
[0010]S3，将感知车道线与现有车道边界进行匹配；
[0011]S4，根据是否存在外侧车道条件下边界类型特征概率分布判断逐条判断车道边界类型；
[0012]S5，根据车道线和车道线类型计算得到各车道存在的概率，若概率大于指定阈值则判断车道线存在。
[0013]其中，所述的车道线存在判断方法，所述机器学习算法是朴素贝叶斯算法。
[0014]可选择的，所述的车道线存在判断方法，实施步骤S3，采用以下方式；
[0015]根据车道宽度设置的车道边界，根据感知车道线距离车道边界的距离选择最近的车道边界作为匹配。
[0016]可选择的，所述的车道线存在判断方法，车道边界类型分为可穿越车道线、不可穿越线、道路边沿和未知类型。
[0017]其中，车道存在的概率采用以下公式计算；
[0018][0019]F
L
＝{B
inner
，B
outer
}|
[0020][0021][0022][0023][0024]是已知待判断车道和内侧车道存在条件下观测特征F
L
的分布概率，是内侧车道存在但待判断车道不存在条件下观测特征F
L
的分布概率，Binner是车道内边界，B
outer
是车道外边界，是内侧车道存在且待判断车道存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待判断车道不存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待判断车道存在条件下外侧边界类型特征的概率分布，是内侧车道存在且待判断车道不存在条件下外侧边界类型特征的概率分布，是待判断车道存在且外侧车道存在条件下外边界类型特征的概率分布，是待判断车道存在且外侧车道不存在条件下外边界类型特征的概率分布，是待判断车道不存在且外侧车道不存在条件下外边界类型特征的概率分布。
[0025]可选择的，所述的车道线存在判断方法，所述指定阈值范围为0.6～0.8，优选为0.7。
[0026]为解决上述技术问题，本专利技术提供一种计算机可读存储介质，其内部存储有一程
序，所述程序被执行时，实现上述任意一项所述车道线存在判断方法中的步骤。
[0027]为解决上述技术问题，本专利技术提供一种车道线存在判断系统，其基于环境感知数据，包括：
[0028]接收模块，其用于接收环境感知数据；
[0029]学习模块，其具有车道边界线类型特征和车道存在或不存在标签的数据中通过机器学习算法得到不同分类下的特征概率分布和
[0030]是观测特征F
L
条件下待判断车道存在概率，是观测特征F
L
条件下内侧车道存在概率
[0031]匹配模块，其用于将感知车道线与现有车道边界进行匹配；
[0032]第一判断模块，其根据是否存在外侧车道条件下边界类型特征概率分布判断逐条判断车道边界类型；
[0033]第二判断模块，其根据车道线和车道线类型计算得到各车道存在的概率，若概率大于指定阈值则判断车道线存在。
[0034]其中，所述机器学习算法是朴素贝叶斯算法。
[0035]可选择的，所述的车道线存在判断系统，匹配模块采用以下方式将感知车道线与现有车道边界进行匹配；
[0036]根据车道宽度设置的车道边界，根据感知车道线距离车道边界的距离选择最近的车道边界作为匹配。
[0037]可选择的，所述的车道线存在判断系统，车道边界类型分为可穿越车道线、不可穿越线、道路边沿和未知类型。
[0038]其中，第二判断模块采用以下公式计算车道存在的概率；
[0039][0040]F
L
＝{B
inner
，B
outer
}|
[0041][0042][0043][0044][0045]是已知待判断车道和内侧车道存在条件下观测特征F
L
的分布概率，是内侧车道存在但待判断车道不存在条件下观测特征F
L
的分布概率，B
inner
是车道内边界，B
outer
是车道外边界，是内侧车道存在且待判断车道存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待判断车道不存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待
判断车道存在条件下外侧边界类型特征的概率分布，是内侧车道存在且待判断车道不存在条件下外侧边界类型特征的概率分布，是待判断车道存在且外侧车道存在条件下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车道线存在判断方法，其基于环境感知数据，其特征在于，包括以下步骤：S1，获取环境感知数据；S2，在具有车道边界线类型特征和车道存在或不存在标签的数据中通过机器学习算法得到不同分类下的特征概率分布和和是观测特征F
L
条件下待判断车道存在概率，是观测特征F
L
条件下内侧车道存在概率S3，将感知车道线与现有车道边界进行匹配；S4，根据是否存在外侧车道条件下边界类型特征概率分布判断逐条判断车道边界类型；S5，根据车道线和车道线类型计算得到各车道存在的概率，若概率大于指定阈值则判断车道线存在。2.如权利要求1所述的车道线存在判断方法，其特征在于：所述机器学习算法是朴素贝叶斯算法。3.如权利要求1所述的车道线存在判断方法，其特征在于：实施步骤S3，采用以下方式；根据车道宽度设置的车道边界，根据感知车道线距离车道边界的距离选择最近的车道边界作为匹配。4.如权利要求1所述的车道线存在判断方法，其特征在于：车道边界类型分为可穿越车道线、不可穿越线、道路边沿和未知类型。5.如权利要求1所述的车道线存在判断方法，其特征在于：车道存在的概率采用以下公式计算；F
L
＝{B
inner
，B
outer
}|}|}|}|}|是已知待判断车道和内侧车道存在条件下观测特征F
L
的分布概率，是内侧车道存在但待判断车道不存在条件下观测特征F
L
的分布概率，B
inner
是车道内边界，B
outer
是车道外边界，是内侧车道存在且待判断车道存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待判断车道不存在条件下内侧边界类型特征的概率分布，是内侧车道存在且待判断车道存在条件下外侧边界类型特征的概率分布，是内侧车道存在且待判断
车道不存在条件下外侧边界类型特征的概率分布，是待判断车道存在且外侧车道存在条件下外边界类型特征的概率分布，是待判断车道存在且外侧车道不存在条件下外边界类型特征的概率分布，是待判断车道不存在且外侧车道不存在条件下外边界类型特征的概率分布。6.如权利要求1所述的车道线存在判断方法，其特征在于：所述指定阈值范围为0.6～0.8。7.一种计算机可读存储介质，其特征在于：其内部存储有一程序，所述程序被执行时，实现...

【专利技术属性】
技术研发人员：寇胜杰，许英，管登诗，杨静宁，田贺，芦畅，
申请(专利权)人：联创汽车电子有限公司，
类型：发明
国别省市：