车道信息提取方法、装置、设备及存储介质转让专利
申请号 : CN202010140103.3
文献号 : CN111341103B
文献日 : 2021-04-27
发明人 : 束建钢
申请人 : 鹏城实验室
摘要 :
权利要求 :
1.一种车道信息提取方法,其特征在于,所述车道信息提取方法包括以下步骤:获取初始车道轨迹数据,将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段,并根据各车道轨迹段之间的离散弗雷歇距离,将所述车道轨迹段进行聚类,生成道路轨迹段簇;
通过最小二乘估计算法对所述道路轨迹段簇进行拟合,提取所述拟合后的轨迹段簇的预估道路中心线位置参数,并在预设置信系数的预测区间中确定预估道路边界位置参数;
将所述预估道路中心线位置参数和预估道路边界位置参数,作为期望最大化算法的约束参数,并根据所述约束后的期望最大化算法确定混合高斯模型中的初始模型参数;
基于相关约束条件以及所述初始模型参数,计算所述混合高斯模型的目标模型参数;
根据所述目标模型参数,确定所述道路轨迹段簇中的车道数量、各车道对应的目标车道中心线位置参数和目标车道边界位置参数;
其中,所述初始模型参数包括初始车道中心线位置参数,所述相关约束条件包括第一约束条件,所述基于相关约束条件以及所述初始模型参数,计算所述混合高斯模型的目标模型参数的步骤具体包括:
根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件,计算出所述目标车道中心线位置参数,其中,所述第一约束条件为同一个道路轨迹段簇内的车道宽度相等,Δμk为目标车道宽度,Δμk的计算公式为:为上边界位置参数,Bi为下边界位置参数,N为采样区域内轨迹点的个数,Bin(x)为根据各预测区间下边界位置参数的平均值作为采样区域起始边界的位置参数和根据各预测区间上边界位置参数的平均值作为采样区域结束边界的位置参数,为道路总宽度,k为同一个道路轨迹段簇内的车道数量,其中,所述初始车道中心线位置参数的计算公式为:其中,B的计算公式为: B为采样区域的道路起始边界位置参数,j为所述k个车道中的第j个车道。
2.如权利要求1所述的车道信息提取方法,其特征在于,所述获取初始车道轨迹数据,将所述初始车道轨迹数据中的各车道轨迹分割成车道轨迹段,并根据各车道轨迹段之间的离散弗雷歇距离,将所述车道轨迹段进行聚类,生成道路轨迹段簇的步骤具体包括:获取初始车道轨迹数据,并将所述初始车道轨迹数据中的轨迹点按照轨迹点所属车道轨迹进行分类,生成各车道轨迹对应的轨迹点;
根据同一车道轨迹中各个相邻车道轨迹点,生成各个轨迹向量,计算各个相邻轨迹向量之间的轨迹夹角,并将各个轨迹夹角与预设夹角阈值进行比对;
将超过所述夹角阈值的轨迹夹角对应的轨迹点标记为分割点,基于各个分割点将各车道轨迹分割成各车道轨迹段;
根据各车道轨迹段之间的离散弗雷歇距离,将所述车道轨迹段进行聚类,生成道路轨迹段簇。
3.如权利要求2所述的车道信息提取方法,其特征在于,所述根据各车道轨迹段之间的离散弗雷歇距离,将所述车道轨迹段进行聚类,生成道路轨迹段簇的步骤具体包括:获取所述各车道轨迹段中的两个车道轨迹段,将所述两个车道轨迹段处理为相同起点和相同终点的两个车道轨迹段;
计算处理后的两个车道轨迹段之间的离散弗雷歇距离,将离散弗雷歇距离小于预设距离阈值的两个车道轨迹段聚类至同一道路轨迹段簇,以生成各道路轨迹段簇。
4.如权利要求1所述的车道信息提取方法,其特征在于,所述相关约束条件还包括第二约束条件,所述根据所述混合高斯模型的初始车道中心线位置参数以及所述第一约束条件,计算出所述目标车道中心线位置参数的步骤之后还包括:基于所述第二约束条件,定义约束高斯混合模型计算公式:其中,Binx为同一个道路轨迹段簇中的第x个道路轨迹段坐标参数,所述第二约束条件为同一道路轨迹段簇对应的每个车道的轨迹分布宽度相等,即高斯混合模型的每个高斯分量的方差σj相等,即σ1=σ2=σj…=σk,j∈[1,k],ωj为每个高斯分量的权重,
5.如权利要求1‑4中任一项所述的车道信息提取方法,其特征在于,所述根据所述目标模型参数,确定所述道路轨迹段簇中的车道数量、各车道对应的目标车道中心线位置参数和目标车道边界位置参数的步骤之后,还包括:将各道路轨迹段簇按照预设道路形状进行排序,依次获取连续三个道路轨迹段簇,并通过所述连续三个道路轨迹段簇中的第一道路轨迹段簇以及第三道路轨迹段簇的车道数量对第二道路轨迹段簇的车道数量进行校验;
在所述第一道路轨迹段簇以及第三道路轨迹段簇的车道数量相同,且所述第二道路轨迹段簇的车道数量与所述第一道路轨迹段簇的车道数量不同时,将所述第三道路轨迹段簇的车道数量更新为所述第一道路轨迹段簇的车道数量。
6.一种车道信息提取装置,其特征在于,所述车道信息提取装置包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的车道信息提取程序,其中所述车道信息提取程序被所述处理器执行时,实现如权利要求1至5中任一项所述的车道信息提取方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有车道信息提取程序,其中所述车道信息提取程序被处理器执行时,实现如权利要求1至5中任一项所述的车道信息提取方法的步骤。
说明书 :
车道信息提取方法、装置、设备及存储介质
技术领域
背景技术
然而,传统的车道级地图的制作依赖于利用昂贵的高精地图采集车遍历目标区域,耗时费
力,最重要的是,这种方法无法在道路状态发生变化时及时更新。因此可以利用概率统计等
数据挖掘的方法,从众包用户上传的GPS轨迹数据(大众车辆收集的GPS轨迹信息)中提取出
车道级的道路信息。因为车辆轨迹分布广泛,可以大大降低车道级地图的绘制和更新成本,
而且地图数据可以实时动态更新。但是,目前利用众包用户上传的GPS轨迹数据通过数据挖
掘等技术提取车道信息的算法,大多是迭代推理。而一个地区,需要提取的就有成千上万条
道路信息,因此现有通过迭代推理的车道信息提取方法存在花费时间长,提取效率低下的
问题。因此,如何解决现有车道信息提取效率低下,成为了目前亟待解决的技术问题。
发明内容
轨迹段簇;
量以及各车道对应的目标车道信息。
聚类,生成道路轨迹段簇的步骤具体包括:
路轨迹段簇中提取出道路特征参数的步骤具体包括:
数。
根据所述目标模型参数,确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道
信息的步骤具体包括:
型参数;
模型的目标模型参数的步骤具体包括:
道宽度相等,Δμk为目标车道宽度,Δμk的计算公式为:
为道路总宽度,k为同一个道路轨迹段簇内的车道数量,
步骤之后还包括:
个高斯分量的权重,
中的车道数量以及各车道对应的目标车道信息的步骤之后,还包括:
道数量对第二道路轨迹段簇的车道数量进行校验;
段簇的车道数量更新为所述第一道路轨迹段簇的车道数量。
取程序,其中所述车道信息提取程序被所述处理器执行时,实现如上述的车道信息提取方
法的步骤。
如上述的车道信息提取方法的步骤。
离,将所述车道轨迹段进行聚类,生成道路轨迹段簇;通过最小二乘估计算法对所述道路轨
迹段簇进行拟合,并在拟合后的道路轨迹段簇中提取出预估道路特征参数;基于期望最大
化算法、预设相关约束条件以及所述预估道路特征参数,计算混合高斯模型的目标模型参
数,并根据所述目标模型参数,确定所述道路轨迹段簇中的车道数量以及各车道对应的目
标车道信息。通过上述方式,本发明在提取车道信息之前对车道轨迹数据进行分割以及聚
类为平滑的轨迹簇,降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最大
化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前,首先通过最小二乘法
估计算法提取道路轨迹段簇进行拟合,以提取所述道路轨迹段簇的预估道路特征参数,并
通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束,从而减小预估
模型参数的计算量,提高车道信息的提取效率以及提取准确度,解决了现有车道信息提取
效率低下的技术问题。
附图说明
具体实施方式
户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连
接通信;用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard);网络接
口1004可选的可以包括标准的有线接口、无线接口(如WI‑FI接口);存储器1005可以是高速
RAM存储器,也可以是稳定的存储器(non‑volatile memory),例如磁盘存储器,存储器1005
可选的还可以是独立于前述处理器1001的存储装置。
息提取方法。
生成道路轨迹段簇;
线的准确性,从而提高应对道路条件剧烈变化的能力,提高驾驶稳定性。然而,传统的车道
级地图的制作依赖于利用昂贵的高精地图采集车遍历目标区域,耗时费力,最重要的是,这
种方法无法在道路状态发生变化时及时更新。因此有人提出可以利用概率统计等数据挖掘
的方法,从众包用户上传的GPS轨迹数据(大众车辆收集的GPS轨迹信息)中提取出车道级的
道路信息。因为车辆轨迹分布广泛,可以大大降低车道级地图的绘制和更新成本,而且地图
数据可以实时动态更新。
车道级信息的提取通常需要处理成千上万条道路,因此,通过现有迭代推理的方法进行车
道信息提取时,需要超高的时间开销,提取效率低下。另外,现有的车道级信息提取的解决
方案只处理单一一条道路。而众包技术中用户的驾驶路线具有随机性,从而导致上传的GPS
轨迹数据交织在一起,因此,在这些交织的轨迹上直接提取车道级道路信息的难度很高。
最大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前,首先通过最小二
乘法估计算法提取道路轨迹段簇进行拟合,以提取所述道路轨迹段簇的预估道路特征参
数,并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束,从而减
小预估模型参数的计算量,提高车道信息的提取效率以及提取准确度。具体地,在提取车道
级道路信息之前,可以根据轨迹所属的道路以及道路形状等已知信息,对原始的GPS轨迹数
据进行分割和聚类等预处理操作,使杂乱的GPS轨迹数据转换为平滑的轨迹段簇。
道路轨迹段簇的步骤具体包括:
同轨迹簇。具体地:
平台对在这些GPS轨迹数据进行车道信息提取,并最终构建出车道级的高精度地图。
位置。身份v的车辆上传的每条轨迹可以表示为 其中nv是轨
迹中位置点的数量。轨迹点是GPS采样的时空点,按车辆行驶的顺序排列,loci={xi,yi,
ti}。xi和yi分别代表该位置的经度和纬度,ti代表该位置用户的时间戳。
相似度评价,根据相似度将轨迹段聚类成不同的轨迹簇。
路的边界。然后将提取的道路特征作为混合高斯模型GMM的约束参数和期望最大化算法EM
的初始参数。最后使用约束后EM对GMM的具体参数进行估计,估计的参数结果与先前提取的
道路特征相结合,以获取每个车道中心线的准确位置,得到目标车道信息。
车辆的行驶方向。因此,通过前后轨迹点之间的位置关系来确定车辆在行驶方向上的变化。
如图4所示,根据同一车道轨迹中各个相邻车道轨迹点,生成各个轨迹向量。计算各个相邻
轨迹向量之间的轨迹夹角θi。
将各个轨迹夹角与预设夹角阈值进行比对,θi小于所述夹角阈值,loci‑1、loci、loci+1三个轨
迹点位于同一条道路上。而θi+2是由
loci+1、loci+2、loci+3三个轨迹点位于不同的道路上。因此,可以将位置点loci+2标记为分割
1
点,在位置点loci+2处将轨迹划分为Tr ={loci‑1 ,loci,loci+1}和
两车道轨迹段。
步通过基于离散弗雷歇距离的轨迹聚类方法。根据各车道轨迹段之间的离散弗雷歇距离,
将所述车道轨迹段进行聚类,生成道路轨迹段簇。离散的弗雷歇距离Ψdf(Tr1,Tr2)以两个
轨迹段中所有点的空间关系为计算目标。因此,弗雷歇距离可完全反映两个轨迹段之间的
相似性。
原因,轨迹段的长度是不同的。这些原因会导致同一条道路上轨迹段的起点和终点的距离
较远。如图5所示,根据离散弗雷歇算法的定义,轨迹段Tr1和轨迹段Tr2之间的离散弗雷歇距
离是d1,其明显小于道路的宽度。而轨迹段Tr3和轨迹段Tr1以及Tr2之间的离散弗雷歇距离
是d2,其明显大于道路的宽度。因此,根据离散的弗雷歇距离,Tr1和Tr2将被聚类成同一轨迹
段簇,而Tr3将被聚集到另一个轨迹段簇中。根据常规的离散弗雷歇距离算法,轨迹段和之
间的弗雷歇距离是,其显然超过了道路的宽度。因此,根据这个计算结果,它们将被聚类为
不同的轨迹段簇。由于众包轨迹数据的杂乱性,这一缺陷将会频繁发生,极大地影响了常规
的离散弗雷歇距离的聚类性能。因此,常规的离散弗雷歇距离不能直接用于众包中轨迹段
的聚类。
前,首先比较轨迹段起始点和终点的位置关系。
起点
离。由于Loc1的水平位置在Loc4之前,所以将Loc1作为Tr5的新起点添加进Tr5。相反,由于
Loc7的水平位置在Loc3之后,所以将Loc7作为Tr4的新起点添加进Tr4。那么新的Tr4和Tr5如
下:
其中,两个轨迹段:P={u1,…,up}和Q={v1,…,vq},改进的离散弗雷歇距离公式如下:
段簇对应一段道路。
大化算法EM的初始化参数,估计GMM的具体参数。最后结合LSE提取的道路特征参数和EM估
计的GMM的具体参数,确定各道路轨迹段簇(即道路)中各车道的准确位置信息。
的车道数量以及各车道对应的目标车道信息。
窗口作为采样区域,将二维数据转换为一维数据,矩形窗口的长度和宽度分别设置为rh和
rw。也就是说,沿着道路的横截面将道路分成若干个bin,每个bin可以用binx表示,binx的概
率密度可以通过下式计算:
然而,上述方法是在车道数k已知的情况下,进行推断的。而车道数k现实是未知的。因此,需
要对参数 进行估计,K为实际车道的最大数量,即对于[1‑
K]中的所有的k都进行EM估计。K的的最终估计结果是使以下函数最小化:
相关约束条件以及所述预估道路特征参数,确定混合高斯模型的目标模型参数,并根据所
述目标模型参数,确定所述道路轨迹段簇中的车道数量以及各车道对应的目标车道信息。
数。
杂度。该步骤首先利用LSE对轨迹簇进行拟合,提取道路中心线,然后根据95%的置信系数
下的预测区间得到道路边界。如图8所示,对于每个GPS数据点loci={xi,yi},i∈[1,n],LSE
提供一个估计值 其最小化下式:
预估道路中心线位置参数以及预估道路边界位置参数。
距离,将所述车道轨迹段进行聚类,生成道路轨迹段簇;通过最小二乘估计算法对所述道路
轨迹段簇进行拟合,并在拟合后的道路轨迹段簇中提取出预估道路特征参数;基于期望最
大化算法、预设相关约束条件以及所述预估道路特征参数,计算混合高斯模型的目标模型
参数,并根据所述目标模型参数,确定所述道路轨迹段簇中的车道数量以及各车道对应的
目标车道信息。通过上述方式,本发明在提取车道信息之前对车道轨迹数据进行分割以及
聚类为平滑的轨迹簇,降低车道信息的提取难度。并在通过初始混合高斯模型以及期望最
大化算法对道路轨迹段簇的车道数量以及车道中心线位置进行预估前,首先通过最小二乘
法估计算法提取道路轨迹段簇进行拟合,以提取所述道路轨迹段簇的预估道路特征参数,
并通过预估道路特征参数对期望最大化算法以及初始混合高斯模型进行约束,从而减小预
估模型参数的计算量,提高车道信息的提取效率以及提取准确度,解决了现有车道信息提
取效率低下的技术问题。
型参数;
型的目标模型参数的步骤具体包括:
道宽度相等,Δμk为目标车道宽度,Δμk的计算公式为:
为道路总宽度,k为同一个道路轨迹段簇内的车道数量,
的步骤之后还包括:
个高斯分量的权重,
确识别道路的边界。
布宽度相等,将所有的高斯分量共享相同的方差:
不准确性。
的适用性。另外,不是简单地使用原始的GMM‑EM模型去估计车道数量和中线的位置,而是首
先通过LSE算法提取轨迹簇的特征,然后通过特征去约束GMM‑EM算法,从而降低预测所需要
的时间并且提升准确度。
道数量对第二道路轨迹段簇的车道数量进行校验;
段簇的车道数量更新为所述第一道路轨迹段簇的车道数量。
实施例中通过将中间道路轨迹段簇与前后道路轨迹段簇比较。将各道路轨迹段簇按照预设
道路形状进行排序,依次获取连续三个道路轨迹段簇,即比较
来优化车道的数量,其中Nlinei为采样区域i内车道数量的估计结果。如果Nlinei满足以下
公式
现如上述的车道信息提取方法的步骤。
且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有
的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该
要素的过程、方法、物品或者系统中还存在另外的相同要素。
前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做
出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个
存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,
计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
术领域,均同理包括在本发明的专利保护范围内。