道路边界检测方法和电子设备技术

本公开提供了一种道路边界检测方法和电子设备，涉及自动驾驶技术领域。具体实现方案为：获取车辆周围的道路边缘点簇；基于车辆行驶的第k+1周期内的道路边缘点簇，对车辆行驶的第k周期内的道路边界曲线进行预测更新，确定车辆行驶的第k+1周期内的道路边界曲线，其中k为大于0的整数。根据本公开的技术方案，可以基于当前周期的道路边缘点簇直接对上一周期的道路边界曲线进行预测更新，无需重新进行曲线拟合，快速、准确地获取当前周期的道路边界曲线，减少了计算成本，保障了驾驶安全。保障了驾驶安全。保障了驾驶安全。

【技术实现步骤摘要】
道路边界检测方法和电子设备


[0001]本公开涉及自动驾驶
，尤其涉及一种道路边界检测方法和电子设备。

技术介绍

[0002]高速公路上的自动驾驶汽车速度快，需要有足够远的感知能力才能保证自车的安全驾驶。而毫米波雷达拥有测距测速精度高、受天气干扰小、成本适中等优点，成为高速公路自动驾驶汽车的标配。
[0003]在车辆自动驾驶的过程中，可行驶区域的划分对于安全驾驶意义重大，因此需要一种快速且有效的方法来识别道路的边界。

技术实现思路

[0004]本公开提供了一种道路边界检测方法和电子设备。
[0005]根据本公开的一方面，提供了一种道路边界检测方法，包括：
[0006]获取车辆周围的道路边缘点簇；
[0007]基于车辆行驶的第k+1周期内的道路边缘点簇，对车辆行驶的第k周期内的道路边界曲线进行预测更新，确定车辆行驶的第k+1周期内的道路边界曲线，其中k为大于0的整数。
[0008]根据本公开的另一方面，提供了一种用于道路边界检测的电子设备，包括：
[0009]至少一个处理器；以及
[0010]与该至少一个处理器通信连接的存储器；其中，
[0011]该存储器存储有可被该至少一个处理器执行的计算机程序，该计算机程序被该至少一个处理器执行，以使该至少一个处理器能够执行本公开任一实施例中的方法。
[0012]根据本公开的技术方案，可以基于当前周期的道路边缘点簇直接对上一周期的道路边界曲线进行预测更新，无需重新进行曲线拟合，快速、准确地获取当前周期的道路边界曲线，减少了计算成本，保障了驾驶安全。
[0013]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0014]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0015]图1是根据本公开一实施例的道路边缘检测方法的流程示意图一；
[0016]图2是根据本公开一实施例的道路边缘检测方法的流程示意图二；
[0017]图3是根据本公开一实施例的道路边缘检测方法的流程示意图三；
[0018]图4是根据本公开一实施例的道路边缘检测方法的流程示意图四；
[0019]图5是根据本公开一实施例的道路边缘检测方法的流程示意图五；
[0020]图6是根据本公开一实施例的根据静止点云获取候选点簇流程示意图；
[0021]图7是用来实现本公开实施例的道路边缘检测方法的电子设备的框图。
具体实施方式
[0022]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0023]图1是根据本公开一实施例的道路边界检测方法的流程示意图，包括：
[0024]S110，获取车辆周围的道路边缘点簇；
[0025]S120，基于车辆行驶的第k+1周期内的道路边缘点簇，对车辆行驶的第k周期内的道路边界曲线进行预测更新，确定车辆行驶的第k+1周期内的道路边界曲线，其中k为大于0的整数。
[0026]示例性地，道路边缘点簇即为车辆传感器采集后，经车辆处理识别出的代表道路边界的点数据。步骤S120中，在k等于1的情况下，车辆行驶的第k周期内的道路边界曲线也即车辆的初始道路边界曲线，需要根据获取的道路边缘点簇进行曲线拟合，以获取此周期内的道路边界曲线，以便于车辆安全行驶。其中，在k等于1的情况下，车辆的初始道路边界曲线不仅限于车辆运行的初始阶段的道路边界曲线，也可以代表车辆传感器此前无法检测到道路边界后，重新检测到道路边界的情况下的道路边界曲线。
[0027]在本实施例中，可以采用Robust Fitting(稳健估计)算法对车辆行驶的第1周期内的道路边缘点簇中的点进行曲线拟合，以确定车辆的初始道路边界曲线，拟合的道路边界曲线为三次多项式，曲线方程如下所示：
[0028]y(x)＝C0+C1x+C2x2+C3x3[0029]其中，C0、C1、C2、C3为曲线方程的参数，x是自变量，对应于自车坐标系下X轴方向上的位置，定义为目标质心的X轴坐标与自车质心X轴坐标的差值；y是因变量，对应于自车坐标系下Y轴方向上的位置，定义为目标质心的Y轴坐标与自车质心的Y轴坐标的差值。
[0030]可以理解的是，车辆传感器的探测周期往往较短，对于行驶的车辆而言，第k+1周期内的道路边界与第k周期内的道路边界变化也往往较小，若每个周期都重新进行道路边界曲线的拟合计算，显然增加了计算成本，为车辆增加了负担。因此，可以基于第k+1周期内的道路边缘点簇，对此前确定的车辆行驶的第k周期内的道路边界曲线进行滤波追踪，便捷快速地确定车辆行驶的第k+1周期的道路边界曲线。
[0031]示例性地，步骤S120中对车辆行驶的第k周期内的道路边界曲线进行预测更新获取车辆行驶的第k+1周期内的道路边界曲线的具体方式，可以采用序贯卡尔曼滤波算法，基于车辆行驶的第k+1周期内的道路边缘点簇，对车辆行驶的第k周期内的道路边界曲线进行滤波追踪，求得车辆行驶的第k+1周期内的道路边界曲线。卡尔曼滤波是一种递推式滤波算法，其特点为不需要保存过去的历史信息，新数据结合前一帧(或前一时刻)已求得的估计值(预测阶段)及系统本身的状态方程按一定方式求得新的估计值(更新阶段)，具体的滤波追踪方式如下：
[0032]假设道路边界的跟踪状态向量为：[y0(k),ε(k),γ(k),γ'(k)]T
；初始值为[C0,C1,2C2,6C3]T
；
[0033]状态转移矩阵为：
[0034]控制矩阵为：
[0035]控制向量为：
[0036]量测输入数据点坐标为(x,y)；
[0037]量测矩阵为：
[0038]其中，y0表示横向偏移量；ε表示道路曲线在自车坐标系下的倾斜角；γ表示曲线的曲率；γ'表示曲率变化率；C0、C1、C2、C3为曲线方程的参数；T代表向量的转置；k即代表车辆行驶的第k周期；
△
t是连续运行周期之间(也即第k周期和第k+1周期之间)的时间差，
△
d是在
△
t时间内，自车的位移；(x,y)是量测点，用于内部计算，以更新状态向量。
[0039]从而本实施例通过滤波追踪，基于车辆行驶的第k+1周期内的道路边缘点簇，实现对车辆行驶的第k周期内的道路边界曲线的更新，获取车辆行驶的第k+1周期内的道路边界曲线。
[0040]采用上述实施例的方法，可以在缺乏车辆行驶的上一周期的道路边界曲线的情况下，根据车辆探测处理得到的当前周期的道路边缘点簇进行曲线拟合，确定当前周期的道路边界曲线，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种道路边界检测方法，其特征在于，包括：获取车辆周围的道路边缘点簇；基于所述车辆行驶的第k+1周期内的道路边缘点簇，对所述车辆行驶的第k周期内的道路边界曲线进行预测更新，确定所述车辆行驶的第k+1周期内的道路边界曲线，其中k为大于0的整数。2.根据权利要求1所述的方法，其特征在于，所述获取车辆周围的道路边缘点簇，包括：从所述车辆周围的点云数据中确定出静止点云；对所述静止点云中的多个静止点进行聚类，得到多个候选点簇；确定所述多个候选点簇中每个候选点簇与所述车辆的距离；根据每个候选点簇与所述车辆的距离，从所述多个候选点簇中确定出道路边缘点簇。3.根据权利要求2所述的方法，其特征在于，确定所述多个候选点簇中每个候选点簇与所述车辆的距离，包括针对任一候选点簇：确定所述候选点簇中各候选点与所述车辆的距离；基于所述各候选点与所述车辆的距离，计算平均距离；将所述平均距离确定为所述候选点簇与所述车辆的距离。4.根据权利要求3所述的方法，其特征在于，确定所述候选点簇中各候选点与所述目标车辆的距离，包括：计算所述候选点簇中第m个候选点与所述车辆的两个候选距离；其中，所述两个候选距离包括所述第m个候选点与所述车辆左侧的距离以及所述第m个候选点与所述车辆...

【专利技术属性】
技术研发人员：王震宇，
申请(专利权)人：华人运通上海自动驾驶科技有限公司，
类型：发明
国别省市：