一种缺失车道线补全方法、系统、车辆及存储介质技术方案

本发明专利技术涉及车辆智能驾驶技术领域，提供了一种缺失车道线补全方法、系统、车辆及存储介质，方法包括以下步骤：采集车道信息，形成数据集，将所述数据集导入深度学习网络模型，训练网络，使得网络可以依据周车历史轨迹预测车辆未来轨迹；对所述网络输出的车辆的预测轨迹和车道线轨迹进行拟合；进行回归分析，与所述预测轨迹附近的所述车道线轨迹拟合曲线进行匹配，得到匹配拟合曲线的数学模型，通过所述数学模型，得到车道线与车辆行驶轨迹的拟合曲线的关系；基于拟合的所述车道线轨迹，结合自车位置，对车道线进行补全。本发明专利技术针对车道线缺失，或者车道线模糊的场景，能够较高精度的实现对车道线的补全。现对车道线的补全。现对车道线的补全。

【技术实现步骤摘要】
一种缺失车道线补全方法、系统、车辆及存储介质


[0001]本专利技术涉及车辆智能驾驶
，具体涉及一种缺失车道线补全方法、系统、车辆及存储介质。

技术介绍

[0002]在智能驾驶领域，车辆的运动控制需要周围场景的信息，车道线是其中较为重要的信息。一方面，人类司机驾驶车辆时，行驶路线强依赖于车道线，智能驾驶车辆在提供驾驶辅助功能时类似人类驾驶员，也许借助车道线的信息为车轮转向、车速控制等提供信息；第二方面，目前的交通规则也对车辆在马路上按车道行驶有相应的要求，智能驾驶车辆同样需要遵守交通规则。
[0003]目前有一些确定道路边沿以及车道线的方法，比如公开号为CN202011547621.3的专利公开了一种基于对抗生成网络的车道线图像增强与补全方法，该方法借助图像捕捉现车道线，通过用于车道线生成的Pix2Pix网络将车道线不明确的RGB彩色车道图像转换为具有车道线的RGB彩色车道图像。在获得有车道线的RGB图像后，与原图像进行做差处理，得到差值图像，经过算法阈值处理，经测试可以得到纯净度良好的车道线图像，实现车道线增强与补全。该方法利用对抗网络的强鲁棒性，实现了对外界噪声的抗干扰能力，部署到车上，一定程度上增强了对车道线的增强和补全能力。
[0004]公开号为CN201710196345.2的专利公开了一种确定道路边沿的装置和方法，包括：安装在车辆上的雷达探测器，其至少能够检测车辆所在道路的道路边沿旁边的静止目标；和处理部件，其被配置为：接收所述雷达探测器所检测的静止目标并提取出相对道路大致规则排列的静止目标的排列信息，从而基于所述排列信息获得道路边沿信息。该方法适合应用于非结构化道路中获取道路边沿信息，并且远距离也可以相对准确地获得道路边沿信息，但研究对象是路沿。
[0005]因此，上述的现有技术虽然一定程度上
[0006]可以起到车道线图像增强与补全的作用，但是如果遇到车道线缺失，或者车道线模糊的场景时，现有的方法却并不能较高精度的实现对车道线的补全。

技术实现思路

[0007]有鉴于此，本申请实施例的目的在于提供一种缺失车道线补全方法、系统、车辆及存储介质，针对车道线缺失，或者车道线模糊的场景，能够较高精度的实现对车道线的补全。
[0008]为实现上述技术目的，本申请采用的技术方案如下：
[0009]第一方面，本申请提供了一种缺失车道线补全方法，包括以下步骤：
[0010]S1、采集车道信息，形成数据集，将所述数据集导入深度学习网络模型，训练网络，使得网络可以依据周车历史轨迹预测车辆未来轨迹；
[0011]S2、对所述网络输出的车辆的预测轨迹和车道线轨迹进行拟合；
[0012]S3、进行回归分析，与所述预测轨迹附近的所述车道线轨迹拟合曲线进行匹配，得到匹配拟合曲线的数学模型，通过所述数学模型，得到车道线与车辆行驶轨迹的拟合曲线的关系；
[0013]S4、基于拟合的所述车道线轨迹，结合自车位置，对车道线进行补全。
[0014]进一步，所述深度学习网络模型为LSTMencoder
‑
decoder模型，所述encoder对输入信息进行编码，转化为中间语义表示；所述decoder根据所述中间语义和已经生成的信息产生当前的输出。LSTMencoder
‑
decoder模型的效果更好，可以应对输入序列和输出序列不等长的情况。
[0015]进一步，所述对所述网络输出的车辆的预测轨迹和车道线轨迹进行拟合，包括：预测轨迹拟合和车道线轨迹拟合，所述预测轨迹拟合包括：采用三次拟合方法，通过网络预测得到车辆未来轨迹的序列；所述车道线轨迹拟合包括：使用采集到的车道线数据，拟合出三次的车道线轨迹，y＝a`x3+b`x2+c`x+d`。
[0016]进一步，所述三次拟合方法包括：设定通用的三次多项式形式y＝ax3+bx2+cx+d，再采用最小二乘法确定a、b、c、d四个系数。
[0017]进一步，所述进行回归分析，还包括：基于车辆多数场景下行驶轨迹平行于车道线的假设，统计两条拟合曲线的系数的分布关系和概率密度；基于系数的分布关系，设定阈值δ，在置信度大于阈值的区间，通过车辆历史轨迹预测车辆未来轨迹，再通过预测到的所述车辆未来轨迹，得到缺失车道线的轨迹。
[0018]进一步，所述训练网络，还包括制定包括ADE、FDE的评价指标，选择优化器和训练参数，提高网络精度。其中，FDE为终点预测误差，ADE为平均轨迹预测点预测误差。
[0019]第二方面，本专利技术还公开了一种自动驾驶系统，所述自动驾驶系统使用了上述的一种缺失车道线补全方法。
[0020]第三方面，本专利技术还公开了一种车辆，所述车辆包括车辆本体和上述的自动驾驶系统，所述自动驾驶系统搭载于所述车辆本体上。
[0021]第四方面，本专利技术还公开了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行上述的方法。
[0022]采用上述技术方案的专利技术，具有如下优点：
[0023]1、本专利技术先通过将数据集导入LSTMencoder
‑
decoder模型，进行训练网络，使得网络可以依据周车历史轨迹预测车辆未来轨迹，然后使用数学方法进行回归分析，拟合出车辆曲线，再结合人类司机驾驶车辆路径强依赖车道线的前提，结合缺失车道线，对车道线进行补全；整个过程能够针对车道线缺失，或者车道线模糊的场景，更高精度的实现车道线补全。
[0024]2、本专利技术的可移植性强，训练拟合完成后，即可以将其直接部署到车端进行应用，不需要再次训练。
附图说明
[0025]本申请可以通过附图给出的非限定性实施例进一步说明。应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
[0026]图1为本专利技术一种缺失车道线补全方法的流程图。
[0027]图2为本专利技术一种缺失车道线补全方法具体实施步骤示意图。
具体实施方式
[0028]以下将结合附图和具体实施例对本申请进行详细说明，需要说明的是，在附图或说明书描述中，相似或相同的部分都使用相同的图号，附图中未绘示或描述的实现方式，为所述
中普通技术人员所知的形式。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0029]实施例1、
[0030]本实施例为一种缺失车道线补全方法，包括以下步骤：
[0031]首先，利用试验车采集车道信息，形成数据集，将所述数据集导入LSTMencoder
‑
decoder模型，训练网络，使得网络能够依据周车历史轨迹预测其未来轨迹，并且制定包括但不限于ADE、FDE等相关评价指标，选择合适的优化器和训练参数，使网络能够达到精度要求。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种缺失车道线补全方法，其特征在于，包括以下步骤：S1、采集车道信息，形成数据集，将所述数据集导入深度学习网络模型，训练网络，使得网络可以依据周车历史轨迹预测车辆未来轨迹；S2、对所述网络输出的车辆的预测轨迹和车道线轨迹进行拟合；S3、进行回归分析，与所述预测轨迹附近的所述车道线轨迹拟合曲线进行匹配，得到匹配拟合曲线的数学模型，通过所述数学模型，得到车道线与车辆行驶轨迹的拟合曲线的关系；S4、基于拟合的所述车道线轨迹，结合自车位置，对车道线进行补全。2.根据权利要求1所述的一种缺失车道线补全方法，其特征在于：所述深度学习网络模型为LSTM encoder
‑
decoder模型，所述encoder对输入信息进行编码，转化为中间语义表示；所述decoder根据所述中间语义和已经生成的信息产生当前的输出。3.根据权利要求2所述的一种缺失车道线补全方法，其特征在于：所述对所述网络输出的车辆的预测轨迹和车道线轨迹进行拟合，包括：预测轨迹拟合和车道线轨迹拟合，所述预测轨迹拟合包括：采用三次拟合方法，通过网络预测得到车辆未来轨迹的序列；所述车道线轨迹拟合包括：使用采集到的车道线数据，拟合出三次的车道线轨迹，y＝a`x3+b`x2+c`x+d`。4.根据权利要求...

【专利技术属性】
技术研发人员：吕波，胡誉文，肖友，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：