一种基于自动驾驶的融合标注车道线优化方法技术

本发明专利技术涉及一种基于自动驾驶的融合标注车道线优化方法

【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
。
[0005]进一步的，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
。
[0006]进一步的，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，
T
为采样总时间，
x
i
为第
i
时刻的车道线观测序列数据，
p
为状态转移函数
。
[0007]进一步的，在步骤
B2
中，所述采用阈值化算法进行道路车道线标注为设置预设阈值，若所述同步后的道路图像数据信息中的像素点的值大于或等于预设阈值则为车道线并进行标注，若所述同步后的道路图像数据信息中的像素点的值小于预设阈值则不是车道线进行剔除
。
[0008]进一步的，在步骤
B2
中，所述采用改进
Octree
算法进行道路车道线标注包括：
B21.
将所述同步后的点云数据信息进行节点划分，输出划分后的点云数据信息；
B22.
基于所述划分后的点云数据信息，对每个节点的点云数据信息进行车道线特征提取并进行标注，输出车道线点云标注数据信息
。
[0009]进一步的，所述划分后的点云数据信息包括点云节点和与之对应的点云区域数据
。
[0010]为了实现上述目的及其他相关目的，本专利技术还提供了一种基于自动驾驶的融合标注车道线优化系统，所述系统包括：数据获取模块，用于获取道路图像数据信息和道路点云数据信息；数据标注模块，与所述数据获取模块连接，用于对道路图像数据信息进行标注和道路点云数据信息进行标注；数据融合模块，与所述数据标注模块连接，用于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；数据优化模块，与所述数据融合模块连接，用于根据隐马尔科夫模型对融合后的车道线标注信息进行优化处理
。
[0011]进一步的，所述系统还包括显示模块，所述显示模块与所述数据优化模块连接，用于实时显示车道线的图像数据信息
。
[0012]进一步的，所述系统还包括语音模块，与所述数据优化模块连接，用于实时播报车道线的数据信息
。
[0013]为了实现上述目的及其他相关目的，本专利技术还提供了一种计算机可读存储介质，
该计算机可读存储介质上存储有被编程或配置以执行任意一项所述基于自动驾驶的融合标注车道线优化方法的计算机程序
。
[0014]本专利技术具有以下积极效果：
1.
本专利技术通过将车辆实时获取的道路图像数据信息和道路点云数据信息进行融合标注，对道路车道线进行识别，不仅提高了车道线识别的精度，而且提高了自动驾驶车辆行驶的安全性
。
[0015]2.
本专利技术通过将融合后的道路车道线数据信息对隐马尔科夫模型进行学习和训练，得到优化后的隐马尔科夫模型，从而得到优化后的车道线数据信息，不仅得到车道线的数据信息更加准确，而且进一步提高了车辆应急避险的保证
。
附图说明
[0016]图1为本专利技术方法流程示意图
。
具体实施方式
[0017]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
。
本文档来自技高网...

【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：