【技术实现步骤摘要】
【国外来华专利技术】
本主题总体上涉及自主车辆领域，并且更具体地，但不排他地涉及用于自主车辆的车道跟踪的方法和系统。
技术介绍
1、如今，汽车行业已经开始向自主车辆发展。如本说明书和权利要求书中所使用的，自主车辆是能够感知周围环境以便在有或没有人工干预的情况下在道路上移动的车辆。自主车辆借助于在自主车辆中配置的传感器(比如激光器、光探测和测距(lidar)、全球定位系统(gps)、计算机视觉等)来感知环境。自主车辆高度依赖道路上的车道检测和跟踪来平稳地导航。
2、现有的车道检测和跟踪技术可以使用卡尔曼滤波器来跟踪车道边界。特别地，卡尔曼滤波器可以用于预测车道参数并且使跟踪车道边界的车道跟踪器的输出平滑化。通常，在跟踪车道边界时选择卡尔曼滤波器，因为卡尔曼滤波器具有估计状态向量动态的能力，即使在存在噪声测量或噪声过程的情况下也是如此。有助于确定卡尔曼滤波器的主要参数是过程噪声协方差矩阵(q)和测量噪声协方差矩阵(r)。依赖卡尔曼滤波器来跟踪车道边界的现有车道检测和跟踪技术使用预定义或固定的q值和r值来确定卡尔曼滤波器。实际上，q和r是基于场景、用于测量的检测器、用于测量和跟踪的过程的类型等动态地变化的参数。然而，现有技术未能结合q和r的动态特性，而是使用q和r的固定值或预定义值，这影响了基于卡尔曼滤波器进行车道跟踪预测的准确性。不准确的车道跟踪可能向自主车辆生成错误的转向命令和警告信号，这可能危及车辆安全。
3、另外，由于q值和r值在现有技术中是固定的，因此现有技术在结合随时间发生的状态变化方面缺乏灵活性，从而将预测限制为仅少数
4、因此，需要一种能够使用卡尔曼滤波器进行车道跟踪的方法，该方法具有增强的准确性和灵活性。
5、本披露内容的
技术介绍
中披露的信息仅用于增强对本披露内容的一般背景的理解，不应当视为承认或以任何形式暗示该信息构成本领域技术人员已知的现有技术。
技术实现思路
1、本文披露了一种对用于自主车辆的车道跟踪系统进行训练的方法。该方法包括：车道跟踪系统从与该车道跟踪系统相关联的车道边界检测系统接收与多个车道边界检测点相对应的地面实况值和与多个车道边界检测点相对应的测量值。进一步地，该方法包括：针对分别使用地面实况集和测量集形成的地面实况回旋曲线点和测量回旋曲线点确定回旋曲线参数的系数值，以对车道的车道边界进行建模。地面实况集包括连续车道边界检测点的子集和对应的地面实况值，并且测量集包括连续车道边界检测点的子集和对应的测量值。此后，该方法包括：确定针对测量回旋曲线点确定的回旋曲线参数的系数值的卡尔曼滤波器参数，以跟踪车道的车道边界。使用至少一个神经网络来确定卡尔曼滤波器参数。在确定卡尔曼滤波器参数后，该方法包括使用对应的卡尔曼滤波器参数来更新针对测量回旋曲线点确定的回旋曲线参数的系数值。进一步地，该方法包括：使用回旋曲线参数的对应更新的系数值来重建测量回旋曲线点。每个重建的测量回旋曲线点使得车道跟踪系统能够跟踪自主车辆的车道边界。最后，该方法包括：在每个周期中基于重建的测量回旋曲线点与对应的地面实况集之间的差来使训练误差最小化，直到该训练误差低于预定义阈值。
2、进一步地，本披露内容包括一种用于自主车辆的车道跟踪系统。该车道跟踪系统包括处理器和通信地耦接到该处理器的存储器。存储器存储处理器指令，这些指令在执行时使处理器训练车道跟踪系统，其中，为了训练，该处理器被配置为从与车道跟踪系统相关联的车道边界检测系统接收与多个车道边界检测点相对应的地面实况值和与多个车道边界检测点相对应的测量值。进一步地，处理器针对分别使用地面实况集和测量集形成的地面实况回旋曲线点和测量回旋曲线点确定回旋曲线参数的系数值，以对车道的车道边界进行建模。地面实况集包括连续车道边界检测点的子集和对应的地面实况值，并且测量集包括连续车道边界检测点的子集和对应的测量值。此后，处理器确定针对测量回旋曲线点确定的回旋曲线参数的系数值的卡尔曼滤波器参数，以跟踪车道的车道边界。使用至少一个神经网络来确定卡尔曼滤波器参数。在确定卡尔曼滤波器参数后，处理器使用对应的卡尔曼滤波器参数来更新针对测量回旋曲线点确定的回旋曲线参数的系数值。进一步地，处理器使用回旋曲线参数的对应更新的系数值来重建测量回旋曲线点。每个重建的测量回旋曲线点使得车道跟踪系统能够跟踪自主车辆的车道边界。最后，处理器在每个周期中基于重建的测量回旋曲线点与对应的地面实况集之间的差来使训练误差最小化，直到该训练误差低于预定义阈值。
3、进一步地，本披露内容披露了一种用于自主车辆的车道跟踪的方法。该方法包括车道跟踪系统从与车道跟踪系统相关联的车道边界检测系统接收与多个车道边界检测点相对应的测量值。此后，该方法包括：确定使用测量集形成的测量回旋曲线点的回旋曲线参数的系数值，以对车道的车道边界进行建模。测量集包括连续车道边界检测点的子集和对应的测量值。随后，该方法包括：确定针对测量回旋曲线点确定的回旋曲线参数的系数值的卡尔曼滤波器参数，以跟踪车道的车道边界。使用至少一个神经网络来确定卡尔曼滤波器参数。在确定卡尔曼滤波器后，该方法包括：使用对应的卡尔曼滤波器参数来更新针对测量回旋曲线点确定的回旋曲线参数的系数值。最后，该方法包括使用回旋曲线参数的对应更新的系数值来重建测量回旋曲线点。每个重建的测量回旋曲线点使得车道跟踪系统能够跟踪自主车辆的车道边界。
4、此外，本披露内容披露了一种用于自主车辆的车道跟踪系统。该车道跟踪系统包括处理器和通信地耦接到该处理器的存储器。存储器存储处理器指令，这些指令在执行时使处理器从与车道跟踪系统相关联的车道边界检测系统接收与多个车道边界检测点相对应的测量值。此后，处理器确定使用测量集形成的测量回旋曲线点的回旋曲线参数的系数值，以对车道的车道边界进行建模。测量集包括连续车道边界检测点的子集和对应的测量值。随后，处理器确定针对测量回旋曲线点确定的回旋曲线参数的系数值的卡尔曼滤波器参数，以跟踪车道的车道边界。使用至少一个神经网络来确定卡尔曼滤波器参数。在确定卡尔曼滤波器后，处理器使用对应的卡尔曼滤波器参数来更新针对测量回旋曲线点确定的回旋曲线参数的系数值。最后，处理器使用回旋曲线参数的对应更新的系数值来重建测量回旋曲线点。每个重建的测量回旋曲线点使得车道跟踪系统能够跟踪自主车辆的车道边界。
5、前面的
技术实现思路
仅是说明性的而不旨在以任何方式进行限制。除了以上描述的说明性方面、实施例和特征之外，通过参考附图和以下详细描述，进一步的方面、实施例和特征将变得显而易见。
【技术保护点】
1.一种对用于自主车辆(101)的车道跟踪系统(103)进行训练的方法，该方法包括：
2.如权利要求1所述的方法，其中，该多个车道边界检测点与该车道的左车道边界和右车道边界相对应。
3.如任一前述权利要求所述的方法，包括：该车道跟踪系统(103)动态地选择为了生成该地面实况回旋曲线点和该测量回旋曲线点分别需要的该地面实况集和该测量集。
4.如任一前述权利要求所述的方法，包括：使用从配置在该车辆中的一个或多个传感器(113)接收的车道数据和实时接收的该车道的图像帧中的至少一个来确定该多个车道边界检测点，其中，该车道的图像帧是从与该自主车辆(101)相关联的图像捕获设备(115)接收的。
5.如权利要求4所述的方法，包括：从被配置为存储该车道数据和实时捕获的图像帧的数据库中取得该车道数据和该车道的图像帧中的至少一个。
6.如任一前述权利要求所述的方法，其中，这些回旋曲线参数包括车道边界的初始曲率(co)、该车道边界的曲率速率(c1)以及相对于车辆行驶方向的航向角(β)。
7.如任一前述权利要求所述的方法，其中，该
8.如任一前述权利要求所述的方法，其中，该至少一个神经网络包括循环神经网络。
9.如任一前述权利要求所述的方法，其中，该至少一个神经网络包括长短期记忆神经网络。
10.如任一前述权利要求所述的方法，其中，使用该至少一个神经网络确定这些卡尔曼滤波器参数包括：
11.如任一前述权利要求所述的方法，进一步包括：该车道跟踪系统(103)将这些车道边界与该自主车辆(101)之间的初始横向偏移量添加到该重建的测量回旋曲线点。
12.一种用于自主车辆(101)的车道跟踪的方法，该方法包括：
13.如权利要求12所述的方法，其中，该至少一个神经网络包括具有时间记忆的神经网络。
14.如权利要求12至13中任一项所述的方法，其中，该至少一个神经网络包括循环神经网络。
15.如权利要求12至14中任一项所述的方法，其中，该至少一个神经网络包括长短期记忆神经网络。
16.一种用于自主车辆(101)的车道跟踪系统(103)，该车道跟踪系统(103)包括：
17.如权利要求16所述的车道跟踪系统(103)，其中，该多个车道边界检测点与该车道的左车道边界和右车道边界相对应。
18.如权利要求16至17中任一项所述的车道跟踪系统(103)，其中，该处理器(107)动态地选择为了生成该地面实况回旋曲线点和该测量回旋曲线点分别需要的该地面实况集和该测量集。
19.如权利要求16至18中任一项所述的车道跟踪系统(103)，其中，使用从配置在该车辆中的一个或多个传感器(113)接收的车道数据和实时接收的该车道的图像帧中的至少一个来确定该多个车道边界检测点，其中，该车道的图像帧是从与该自主车辆(101)相关联的图像捕获设备(115)接收的。
20.如权利要求19所述的车道跟踪系统(103)，其中，该处理器(107)从被配置为存储该车道数据和实时捕获的图像帧的数据库中取得该车道数据和该车道的图像帧中的至少一个。
21.如权利要求16至20中任一项所述的车道跟踪系统(103)，其中，这些回旋曲线参数包括车道边界的初始曲率(co)、该车道边界的曲率速率(c1)以及相对于车辆行驶方向的航向角(β)。
22.如权利要求16至21中任一项所述的车道跟踪系统(103)，其中，为了使用该至少一个神经网络来确定这些卡尔曼滤波器参数，该处理器(107)被配置为：
23.如权利要求16至22中任一项所述的车道跟踪系统(103)，其中，该处理器(107)进一步被配置为将这些车道边界与该自主车辆(101)之间的初始横向偏移量添加到该重建的测量回旋曲线点。
24.如权利要求16至23中任一项所述的车道跟踪系统(103)，其中，该至少一个神经网络包括具有时间记忆的神经网络。
25.如权利要求16至24中任一项所述的车道跟踪系统(103)，其中，该至少一个神经网络包括循环神经网络。
26.如权利要求16至25中任一项所述的车道跟踪系统(103)，其中，该至少一个神经网络包括长短期记忆神经网络。
27.一种用于自主车辆(101)的车道跟踪系统(103)，该车道跟踪系统(103)包括：
28.如权利要求27所述的车道跟踪系统(103)，其中，该至少一个神经网络包括具有时间记忆的神经网络。
29.如权利要求27至28中...
【技术特征摘要】
【国外来华专利技术】
1.一种对用于自主车辆(101)的车道跟踪系统(103)进行训练的方法，该方法包括：
2.如权利要求1所述的方法，其中，该多个车道边界检测点与该车道的左车道边界和右车道边界相对应。
3.如任一前述权利要求所述的方法，包括：该车道跟踪系统(103)动态地选择为了生成该地面实况回旋曲线点和该测量回旋曲线点分别需要的该地面实况集和该测量集。
4.如任一前述权利要求所述的方法，包括：使用从配置在该车辆中的一个或多个传感器(113)接收的车道数据和实时接收的该车道的图像帧中的至少一个来确定该多个车道边界检测点，其中，该车道的图像帧是从与该自主车辆(101)相关联的图像捕获设备(115)接收的。
5.如权利要求4所述的方法，包括：从被配置为存储该车道数据和实时捕获的图像帧的数据库中取得该车道数据和该车道的图像帧中的至少一个。
6.如任一前述权利要求所述的方法，其中，这些回旋曲线参数包括车道边界的初始曲率(co)、该车道边界的曲率速率(c1)以及相对于车辆行驶方向的航向角(β)。
7.如任一前述权利要求所述的方法，其中，该至少一个神经网络包括具有时间记忆的神经网络。
8.如任一前述权利要求所述的方法，其中，该至少一个神经网络包括循环神经网络。
9.如任一前述权利要求所述的方法，其中，该至少一个神经网络包括长短期记忆神经网络。
10.如任一前述权利要求所述的方法，其中，使用该至少一个神经网络确定这些卡尔曼滤波器参数包括：
11.如任一前述权利要求所述的方法，进一步包括：该车道跟踪系统(103)将这些车道边界与该自主车辆(101)之间的初始横向偏移量添加到该重建的测量回旋曲线点。
12.一种用于自主车辆(101)的车道跟踪的方法，该方法包括：
13.如权利要求12所述的方法，其中，该至少一个神经网络包括具有时间记忆的神经网络。
14.如权利要求12至13中任一项所述的方法，其中，该至少一个神经网络包括循环神经网络。
15.如权利要求12至14中任一项所述的方法，其中，该至少一个神经网络包括长短期记忆神经网络。
16.一种用于自主车辆(101)的车道跟踪系统(103)，该车道跟踪系统(103)包括：
17.如权利要求16所述的车道跟踪系统(103)，其中，该多个车道边界检测点与该车道的左车道边界...
【专利技术属性】
技术研发人员：波图拉朱·查瓦利，斯里·哈里·布帕拉·哈里巴赫塔，穆拉里克里希纳·斯里达尔，
申请(专利权)人：大陆智行德国有限公司，
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。