【技术实现步骤摘要】
一种基于自动驾驶的融合标注车道线优化方法、系统及存储介质
[0001]本专利技术涉及自动驾驶
,尤其是涉及一种基于自动驾驶的融合标注车道线优化方法
、
系统及存储介质
。
技术介绍
[0002]随着车辆自动驾驶
的不断发展,对无人驾驶车辆行驶在道路上进行路径规划和应急规划的要求越来越高,怎么提高自动驾驶车辆的行驶安全性,对道路数据信息的获取和识别是非常重要的,现有技术中,现有较常用的自动驾驶感知模型中针对车道线识别的标注方法,如图像实例分割
、
点云语义分割,均为针对单一类型的
2D
或者
3D
数据进行相关标注处理的方式
。
这样,不仅得到的道路数据信息偏差很大,而且对于后续车辆控制信息的优化也不能起到作用
。
技术实现思路
[0003]鉴于以上问题,本专利技术提供了一种基于自动驾驶的融合标注车道线优化方法
、
系统及存储介质,不仅对
2D
及
3D
数据进行融合标注,以实现感知结合
3D
及
2D
的标注结果进行模型训练及识别,而且提升训练后的车道线模型的感知识别效果
。
[0004]为了实现上述目的及其他相关目的,本专利技术提供的技术方案如下:一种基于自动驾驶的融合标注车道线优化方法,所述方法包括:
B1.
车辆行驶在道路上,基于车载摄像头实时获取道路图像数据信息,基于车载激光雷 ...
【技术保护点】
【技术特征摘要】
1.
一种基于自动驾驶的融合标注车道线优化方法,其特征在于,所述方法包括:
B1.
车辆行驶在道路上,基于车载摄像头实时获取道路图像数据信息,基于车载激光雷达实时获取道路点云数据信息,进行同步优化处理,输出同步后的道路图像数据信息和同步后的道路点云数据信息;
B2.
基于所述同步后的道路图像数据信息,采用阈值化算法进行道路车道线标注,得到车道线图像标注数据信息,基于所述同步后的道路点云数据信息,采用改进
Octree
算法进行道路车道线标注,得到车道线点云标注数据信息;
B3.
将所述车道线点云标注数据信息投影至所述车道线图像标注数据信息进行融合,得到融合后的车道线标注信息;
B4.
将所述融合后的车道线标注信息输入隐马尔科夫模型进行学习和训练,得到训练好的隐马尔科夫模型,再将实时获取的道路点云或图像数据信息输入训练好的隐马尔科夫模型进行优化,输出优化后的车道线数据信息
。2.
根据权利要求1所述的基于自动驾驶的融合标注车道线优化方法,其特征在于,在步骤
B4
中,所述将所述融合后的车道线标注信息输入隐马尔科夫模型进行学习和训练包括:
B41.
基于所述融合后的车道线标注信息,采用固定步长的时间段进行划分,得到车道线的状态序列数据信息;
B42.
基于所述车道线的状态序列数据信息,建立观测序列函数
G(t)
,,其中,
t
为时间自变量,
m
t
为第
t
时刻的车道线状态序列,
T
为采样总时间,
λ
t
为车道线的状态预测参量,输出车道线的观测序列数据信息;
B43.
根据所述车道线的观测序列数据信息和所述车道线的状态序列数据信息,对隐马尔科夫模型的参数进行优化,输出优化后的隐马尔科夫模型的参数数据信息;
B44.
基于所述优化后的隐马尔科夫模型的参数数据信息,更新隐马尔科夫模型,输出训练好的隐马尔科夫模型
。3.
根据权利要求2所述的基于自动驾驶的融合标注车道线优化方法,其特征在于,在步骤
B43
中,所述对隐马尔科夫模型的参数进行优化为建立隐马尔科夫模型参数的函数
θ
,,其中,为隐马尔科夫模型的当前参数,
...
【专利技术属性】
技术研发人员:段雅婷,熊迹,
申请(专利权)人:东风悦享科技有限公司,
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。