一种车辆前导车确定方法、装置及计算机设备转让专利
申请号 : CN202110065925.4
文献号 : CN112733778B
文献日 : 2021-08-10
发明人 : 尚进 , 杜正阳 , 杨晓松
申请人 : 国汽智控(北京)科技有限公司
摘要 :
权利要求 :
1.一种车辆前导车确定方法,其特征在于,包括如下步骤:获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息,所述车辆的属性信息包括:车辆在车辆坐标系下的坐标信息以及车辆的尺寸信息,所述车道线的属性信息包括:在车辆坐标系下车道线对应的函数表达式、车道线起始位置信息、车道线终点位置信息以及每一条车道线的路点位置信息,所述路点位置信息为车道线上每一个点的位置信息;
将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中,得到所述目标车辆的第一前导车信息;
根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信息,并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息;
根据所述第一前导车信息以及所述第二前导车信息,确定所述目标车辆的前导车;
所述根据所述第一前导车信息以及所述第二前导车信息,确定所述目标车辆的前导车,包括:
当所述第一前导车信息与所述第二前导车信息一致时,将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车;
当所述第一前导车信息与所述第二前导车信息不一致时,将所述预设机器学习模型的输出结果和计算结果分别与历史数据比较,将差值较小的结果对应的前导车作为所述目标车辆的前导车,所述预设机器学习模型的输出结果为所述目标车辆行驶前方的每一个车辆属于每一个车道线的概率以及是否为目标车辆的前导车的概率,所述计算结果为所述目标车辆行驶前方的每一个车辆所属车道信息;
根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信息,包括:对比车道线的属性信息中的路点位置信息与每一个车辆的属性信息,确定每一个车辆所属车道信息。
2.根据权利要求1所述的方法,其特征在于,在获取目标车辆行驶前方的每一个车辆的属性信息之前,所述方法还包括:
获取目标车辆所在行驶位置的雷达数据以及图像数据;
根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息;
比对所述第一车辆属性信息和所述第二车辆属性信息,当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时,将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
3.根据权利要求1所述的方法,其特征在于,所述车道线信息包括:车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息;所述方法还包括:获取目标车辆所在行驶位置的图像数据;
将所述图像数据输入到预设识别模型中进行识别,得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式;
根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息,根据车道线的起点位置信息的横坐标以及终点位置信息的横坐标的差值,切割成自定义的路点的数量,将切割得到的路点的横坐标代入车道线对应的函数表达式获得相对应的纵坐标值,得到各个路点的位置信息。
4.一种车辆前导车确定装置,其特征在于,包括:第一获取模块,用于获取目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息,所述车辆的属性信息包括:车辆在车辆坐标系下的坐标信息以及车辆的尺寸信息,所述车道线的属性信息包括:在车辆坐标系下车道线对应的函数表达式、车道线起始位置信息、车道线终点位置信息以及每一条车道线的路点位置信息,所述路点位置信息为车道线上每一个点的位置信息;
第一前导车信息获得模块,用于将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习模型中,得到所述目标车辆的第一前导车信息;
第二前导车信息获得模块,用于根据所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息计算得到目标车辆行驶前方的每一个车辆所属车道信息,并根据目标车辆行驶前方的每一个车辆所属车道信息确定所述目标车辆的第二前导车信息;
第一确定模块,用于根据所述第一前导车信息以及所述第二前导车信息,确定所述目标车辆的前导车;
所述第一确定模块包括:
第一确定子模块,用于当所述第一前导车信息与所述第二前导车信息一致时,将所述第一前导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车;
第二确定子模块,用于当所述第一前导车信息与所述第二前导车信息不一致时,将所述预设识别模型的输出结果和计算结果分别与历史数据比较,将差值较小的结果对应的前导车信息作为所述目标车辆的前导车,所述预设机器学习模型的输出结果为所述目标车辆行驶前方的每一个车辆属于每一个车道线的概率以及是否为目标车辆的前导车的概率,所述计算结果为所述目标车辆行驶前方的每一个车辆所属车道信息;
所述第二前导车信息获得模块具体用于:对比车道线的属性信息中的路点位置信息与每一个车辆的属性信息,确定每一个车辆所属车道信息。
5.根据权利要求4所述的装置,其特征在于,所述装置还包括:第二获取模块,用于获取目标车辆所在行驶位置的雷达数据以及图像数据;
第二确定模块,用于根据所述雷达数据确定第一车辆属性信息以及根据所述图像数据确定第二车辆属性信息;
比对模块,比对所述第一车辆属性信息和所述第二车辆属性信息,当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求时,将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属性信息。
6.根据权利要求4所述的装置,其特征在于,所述车道线信息包括:车道线数量、在车辆坐标系下车道线对应的函数表达式、每一条车道线的起点位置信息、终点位置信息以及每一条车道线的路点位置信息;所述装置还包括:第三确定模块,用于获取目标车辆所在行驶位置的图像数据;
识别模块,用于将所述图像数据输入到预设识别模型中进行识别,得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式;
第四确定模块,用于根据所述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息,根据车道线的起点位置信息的横坐标以及终点位置信息的横坐标的差值,切割成自定义的路点的数量,将切割得到的路点的横坐标代入车道线对应的函数表达式获得相对应的纵坐标值,得到各个路点的位置信息。
7.一种计算机设备,其特征在于,包括:至少一个处理器;以及与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如权利要求1‑3任一所述的车辆前导车确定方法的步骤。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1‑3中任一项所述的车辆前导车确定方法的步骤。
说明书 :
一种车辆前导车确定方法、装置及计算机设备
技术领域
背景技术
(3)控制:控制系统根据决策信息对车辆进行控制,保证车辆完成决策信息所给出的动作。
而在决策与规划中,检测道路上每一个车辆所属车道以及找出自车车道上的前导车是至关
重要的。
据每一个障碍物信息将离目标车辆最近的车辆作为前导车。但是在道路环境检测中,需要
根据雷达得到的障碍物信息与根据图像检测识别的结果进行匹配,得到每一个障碍物信
息,以及根据图像识别的结果得到车道线信息,由于雷达和摄像机都会有相对的误差,所以
得到的每一个障碍物信息以及车道线信息是不准确的,导致前导车的确定不准确。
发明内容
确的缺陷,从而提供一种车辆前导车确定方法、装置及计算机设备。
驶前方的每一个车辆的属性信息以及所述每一条车道线的属性信息输入到预设机器学习
模型中,得到所述目标车辆的第一前导车信息;根据所述目标车辆行驶前方的每一个车辆
的属性信息以及所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个
车辆所属车道信息,并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的
第二前导车信息;根据所述第一前导车信息以及所述第二前导车信息,确定所述目标车辆
的前导车。
辆属性信息以及根据所述图像数据确定第二车辆属性信息;比对所述第一车辆属性信息和
所述第二车辆属性信息,当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配
要求时,将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆
的属性信息。
述方法还包括:获取目标车辆所在行驶位置的图像数据;将所述图像数据输入到预设识别
模型中进行识别,得到每一条车道线的起点位置信息、终点位置信息以及在车辆坐标系下
车道线对应的函数表达式;根据所述每一个车道线的起点位置信息和终点位置信息以及所
述在车辆坐标系下车道线对应的函数表达式确定每一条车道线的路点位置信息。
导车信息对应的前导车或所述第二前导车信息对应的前导车作为所述目标车辆的前导车;
当所述第一前导车信息与所述第二前导车信息不一致时,将所述预设识别模型的输出结果
和计算结果分别与历史数据比较,将差值较小的结果对应的前导车信息作为所述目标车辆
的前导车。
导车信息获得模块,用于将所述目标车辆行驶前方的每一个车辆的属性信息以及所述每一
条车道线的属性信息输入到预设机器学习模型中,得到所述目标车辆的第一前导车信息;
第二前导车信息获得模块,用于根据所述目标车辆行驶前方的每一个车辆的属性信息以及
所述每一条车道线的属性信息计算得到所述目标车辆行驶前方的每一个车辆所属车道信
息,并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信
息;第一确定模块,用于根据所述第一前导车信息以及所述第二前导车信息,确定所述目标
车辆的前导车。
据所述图像数据确定第二车辆属性信息;比对模块,比对所述第一车辆属性信息和所述第
二车辆属性信息,当所述第一车辆属性信息和所述第二车辆属性信息满足预设匹配要求
时,将所述第一车辆属性信息或所述第二车辆属性信息作为目标车辆行驶前方的车辆的属
性信息。
述装置还包括:第三确定模块,用于获取目标车辆所在行驶位置的图像数据;识别模块,用
于将所述图像数据输入到预设识别模型中进行识别,得到每一条车道线的起点位置信息、
终点位置信息以及在车辆坐标系下车道线对应的函数表达式;第四确定模块,用于根据所
述每一个车道线的起点位置信息和终点位置信息以及所述在车辆坐标系下车道线对应的
函数表达式确定每一条车道线的路点位置信息。
对应的前导车作为所述目标车辆的前导车;第二确定子模块,用于当所述第一前导车信息
与所述第二前导车信息不一致时,将所述预设识别模型的输出结果和计算结果分别与历史
数据比较,将差值较小的结果对应的前导车信息作为所述目标车辆的前导车。
器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器执行如第
一方面或第一方面任一可选实施方式所述的车辆前导车确定方法的步骤。
车辆前导车确定方法的步骤。
信息以及每一条车道线的属性信息输入到预设机器学习模型中,得到目标车辆的第一前导
车信息,根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计
算得到目标车辆行驶前方的每一个车辆所属车道信息,并根据目标车辆行驶前方的每一个
车辆所属车道信息确定目标车辆的第二前导车信息,根据第一前导车信息以及第二前导车
信息,确定目标车辆的前导车。本发明通过将深度学习模型作为冗余机制确定车辆的前导
车,极大提高了前导车确定的准确性,提升自动驾驶系统的可靠性和稳定性。
附图说明
附图是本发明的一些实施方式,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的附图。
具体实施方式
人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、
以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”、
“第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,还可以
是两个元件内部的连通,可以是无线连接,也可以是有线连接。对于本领域的普通技术人员
而言,可以具体情况理解上述术语在本发明中的具体含义。
线起始位置信息、车道线终点位置信息以及每一条车道线的路点位置信息等,其中,路点位
置信息为车道线上一个一个点的位置信息。本发明实施例对该车辆的属性信息和车道线信
息均不作具体限定,本领域技术人员可以根据实际情况确定。
地平面向上延伸的方向为Z轴。
信息的获取方法不作具体限定,本领域技术人员可以根据实际情况确定。
后的训练数据输入到初始机器学习模型中进行训练,直到损失函数的损失值满足预设条
件,得到预设机器学习模型。其中,损失函数为:
的类别相同就为1,若不相同,就为0;pjc表示第i个训练图像数据属于类别c的概率。
及是否为目标车辆的前导车的概率,将最大概率对应的车辆作为目标车辆的前导车。
车辆在车辆坐标系下的横坐标;yi表示车辆在车辆坐标系下的纵坐标;wi表示车辆的尺度信
息中的长度信息;hi表示车辆的尺度信息中的宽度信息;xstart表示在车辆坐标系下车道线
的起始位置信息的横坐标;xend表示在车辆坐标系下车道线的终点位置信息的横坐标;cj表
示在车辆坐标系下车道线对应的函数表达式的比例系数;输出层输出的是目标车辆行驶前
方的每一个车辆属于每一个车道线的概率以及是否为目标车辆的前导车的概率;p1‑p7表示
车辆属于每一条车道线的概率,p8表示车辆是否为前导车的概率。
辆的自车车道,“‑1”表示不在车道内。这里的“0”、“1”、“2”、“3”、“4”、“5”、“6”、“‑1”代表的
其实是预设机器学习模型的输出层输出的矩阵的列的位置,是不变的,例如车辆在自车右
侧车道,则会输出5,在左侧车道则会输出1。
每一个车辆所属车道信息确定目标车辆的第二前导车信息。
车辆中离目标车辆最近的车辆作为目标车辆前导车。
时,将第一前导车信息对应的前导车或第二前导车信息对应的前导车作为目标车辆的前导
车。
车,该历史数据可以为前5帧图像数据的结果,也可以为前1分钟图像数据的结果,本发明实
施例对该历史数据不作具体限定,本领域技术人员可以根据实际情况确定。
及每一条车道线的属性信息输入到预设机器学习模型中,得到目标车辆的第一前导车信
息,根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得
到目标车辆行驶前方的每一个车辆所属车道信息,并根据目标车辆行驶前方的每一个车辆
所属车道信息确定目标车辆的第二前导车信息,根据第一前导车信息以及第二前导车信
息,确定目标车辆的前导车。本发明实施例通过将深度学习模型作为冗余机制确定车辆的
前导车,极大提高了前导车确定的准确性,提升自动驾驶系统的可靠性和稳定性。
据得到的,也包括:车辆在车辆坐标系中的位置信息以及车辆的尺寸信息。第一车辆属性信
息与第二车辆属性信息可以完全相同,由于毫米波雷达和摄像机都会有误差,第一车辆属
性信息与第二车辆属性信息也可能是有误差的。
辆行驶前方的车辆的属性信息。
员可以根据实际情况确定。
和第二车辆属性信息不满足匹配要求的车辆属性信息时,舍弃第一属性信息对应的车辆以
及第二属性信息对应的车辆。
属性信息更加准确,提高了目标车辆前导车确定准确率。
车道线的路点位置信息;该车辆前导车确定方法还包括:
3
位置信息、终点位置信息以及在车辆坐标系下车道线对应的函数表达式(例如,y=c1*x +
2
c2*x +c3*x+c4)。其中,每一条车道线的起点位置指的是每一条车道线在图像中的起始位
置,相对应地,终点位置指的是每一条车道线在图像中的终点位置。
置信息的横坐标的差值,然后切割成自定义的路点的数量(例如,100个),将这些x代入车道
线对应的函数表达式获得相对应的y值,就得到各个路点的位置信息。
息;具体实现方式见上述实施例中步骤S12的相关描述,在此不再赘述。
并根据目标车辆行驶前方的每一个车辆所属车道信息确定目标车辆的第二前导车信息;具
体实现方式见上述实施例中步骤S13的相关描述,在此不再赘述。
及每一条车道线的属性信息输入到预设机器学习模型中,得到目标车辆的第一前导车信
息,根据目标车辆行驶前方的每一个车辆的属性信息以及每一条车道线的属性信息计算得
到目标车辆行驶前方的每一个车辆所属车道信息,并根据目标车辆行驶前方的每一个车辆
所属车道信息确定目标车辆的第二前导车信息,根据第一前导车信息以及第二前导车信
息,确定目标车辆的前导车。本发明实施例通过将深度学习模型作为冗余机制确定车辆的
前导车,极大提高了前导车确定的准确性,提升自动驾驶系统的可靠性和稳定性。
标车辆行驶前方的车辆的属性信息。具体实现方式见上述实施例中对应的步骤的相关描
述,在此不再赘述。
车道线的路点位置信息;该车辆前导车确定方法装置还包括:
方式见上述实施例中对应的步骤的相关描述,在此不再赘述。
上述实施例中对应的步骤的相关描述,在此不再赘述。
式见上述实施例中对应的步骤的相关描述,在此不再赘述。
作为目标车辆的前导车。具体实现方式见上述实施例中对应的步骤的相关描述,在此不再
赘述。
总线连接为例。
(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-
Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、
分立硬件组件等芯片,或者上述各类芯片的组合。
令/模块(例如,图5所示的第一获取模块21、第一前导车信息获得模块22、第二前导车信息
获得模块23和第一确定模块24)。处理器31通过运行存储在存储器32中的非暂态软件程序、
指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中
的车辆前导车确定方法。
器32可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器
件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器32可选包括相对于处
理器31远程设置的存储器,这些远程存储器可以通过网络连接至处理器31。上述网络的实
例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、
光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,
RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘
(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
限定的范围之内。