用于确定车道的方法和驾驶员辅助系统以及车辆与流程

本发明涉及一种用于确定车辆环境中的道路的一条或多条车道的方法，尤其是涉及一种由计算机实现的方法。特别地，本发明涉及一种用于确定车辆环境中的道路的一条或多条车道的计算机程序产品和系统，尤其是驾驶员辅助系统。本发明还涉及一种包括这样的驾驶员辅助系统的车辆。

背景技术：

自主和半自主驾驶车辆由检测道路的车道的几何形状的系统引导。可以使用传感器来确定道路的车道的几何形状，所述传感器能够识别车道边界，例如通过检测对车道边界进行界定的车道标志。此外，可以使用地图数据来确定道路的车道的几何形状。但是，地图数据可能在未被绘制的区域中不可用并且在施工区域中通常不可靠。另外，传感器，例如摄像机传感器，可能无法在恶劣天气条件下检测车道的几何形状或者可能无法检测到没有车道标志、具有变暗或错误车道标志的道路的车道的几何形状。

因此，需要有效地改进对道路的一条或多条车道的确定。特别地，需要在不使用地图数据和/或道路的车道标志的情况下有效地确定道路的一条或多条车道。

技术实现要素：

这种需要可以通过按本发明的用于确定车辆环境中的道路的一条或多条车道的方法和驾驶员辅助系统以及包括这样的驾驶员辅助系统的车辆得以满足。

根据本发明的第一方面，提供了一种用于确定车辆环境中的道路的一条或多条车道的方法。车辆环境可以是可由车辆的一个或多个传感器观察到的车辆附近的环境。车辆可以是自主或半自主驾驶车辆，例如自主驾驶或半自主驾驶汽车。该方法包括：接收在车辆环境中的多个对象。对象可以是汽车、摩托车、卡车、公共汽车、自行车和/或使用道路的车道或在道路的车道上行驶的任何其他对象。所述多个对象可以由车辆的一个或多个传感器检测。该方法接收用于在车辆环境中的所述多个对象的多个轨迹。优选地，所述多个轨迹不包括一个对象的轨迹(例如当一个对象被车辆重新检测到时)或者一个对象的单条轨迹(针对所述多个对象之中的每一个对象而言，当车辆能够确定用于一个对象的轨迹时)。

该方法还基于用于所述多个对象的所述多个轨迹估计道路的形状，并且使用道路的估计的形状以及所述多个对象和/或用于所述多个对象的所述多个轨迹来确定道路的一条或多条车道。

这可以提供以下优点：由所述多个对象的所述多个轨迹表示的用于所述多个对象的集体驾驶行为被用于确定道路的一条或多条车道。因此，该方法能够在没有地图数据和道路的车道标志的情况下有效地确定道路的一条或多条车道。此外，即使车道标志不可用和/或不能被检测到，也可以基于一条或多条被确定的车道来引导车辆。另外，该道路的一条或多条车道在交通繁忙或交通异常的情况下可用，例如，所述交通异常是可能导致产生新车道配置的道路建设、事故或其他事件，其中，车道标志对于车辆的传感器和/或车辆环境中的对象不可见，忽略现有车道标志和/或独立于现有车道标志形成新车道。因此，基于车辆附近的对象的集体驾驶行为，所确定的一条或多条车道有效地适配新的交通状况。换句话说，该方法对于道路的可能的车道变化和车道配置更加稳健。

根据本发明的一种实施方式，所述多个轨迹可以包括用于所述多个对象之中的至少一个对象子集之中的每一个对象的单条轨迹，优选地包括用于所述多个对象之中的每一个对象的单条轨迹。有利地，当所述多个对象之中的一个大的对象子集的单条轨迹或所有对象的单条轨迹可用时，可以更精确地确定一条或多条车道。

根据本发明的另一实施方式，基于所述多个轨迹来估计道路的形状可以包括：确定用于所述多个轨迹的分段的数量；根据所述多个轨迹的一种或多种轨迹形状，聚簇在一个或多个分段之中的每一个分段中的多个轨迹；确定在一个或多个分段之中的每一个分段中的被聚簇的多个轨迹的轨迹簇，其中，在一个或多个分段之中的特定分段中，该轨迹簇包括具有相同或相似形状的多数轨迹，并根据在一个或多个分段之中的每一个分段的被确定的轨迹簇估计道路形状。有利地，可以更精确地估计道路形状。

根据本发明的另一实施方式，每一个分段均可以包括所述多个轨迹之中的轨迹的至少一部分。因此，分段可以限定道路区域，对于该道路区域，轨迹已经被接收。有利地，基于轨迹将道路划分成多个分段，可以简化车辆附近的道路的分段。

根据本发明的另一实施方式，分段的数量可以被预定义，和/或分段的数量可以取决于所述多个对象中的对象数量，和/或分段的数量可以取决于道路类型和/或道路长度，和/或分段的数量可以取决于车辆环境，和/或分段的数量可以取决于执行该方法的控制单元的可用计算能力。有利地，可以动态确定分段的数量。因此，可以根据可用计算能力和/或具体道路参数或具体环境参数来更精确地估计道路的形状。例如，大的可用计算能力可以允许计算大量的分段。因此，这可以导致对道路形状进行更准确和稳健的估计。

根据本发明的另一实施方式，可以基于所确定的在一个或多个分段之中的每一个分段中的轨迹簇使用多曲线拟合函数来估计道路的形状。有利地，可以由代表每一个分段中的对象的集体驾驶行为的多数轨迹有效地确定单个的道路形状。

根据本发明的另一实施方式，一条或多条车道之中的每一个车道的形状可以包括估计的道路形状。有利地，每一条车道的形状可以基于所估计的道路形状来确定，所述所估计的道路形状已经基于车辆附近的对象的集体驾驶行为被估计。

根据本发明的另一实施方式，一条或多条车道之中的两条相邻车道可具有最小的预定距离。有利地，可以有效地确定道路的一条或多条车道。

根据本发明的另一实施方式，“使用估计的道路形状和所述多个对象和/或所述多个对象的多个轨迹来确定道路的一条或多条车道”可以包括：从所述多个轨迹之中的每一个轨迹生成候选车道，其中，候选车道的形状与估计的道路形状相似或相同，并且所述多个轨迹之中的一个轨迹至少在一个分段中在候选车道的中心处或处于候选车道的中心周围的预定范围内，在所述一个分段中，轨迹的形状或轨迹的至少一部分的形状与估计的道路形状相似或相同；

从所生成的候选车道中确定一个或多个车道组，其中，所述车道组仅包含来自生成的候选车道的彼此不同的车道；确定所确定的一个或多个车道组之中的每一个车道组的得分值，其中，当一个车道组的特定候选车道的轨迹位于该特定候选车道的中心处或处于该特定候选车道的中心周围的预定范围内时，得分值会增加；并且基于得分值最高的车道组确定道路的一条或多条车道。有利地，可以更准确地确定一条或多条车道。特别地，即使没有地图数据和/或车道标志数据可用，也可以稳健地和/或精确地确定一条或多条车道。

根据本发明的另一实施方式，“使用估计的道路形状和所述多个对象和/或所述多个对象的多个轨迹来确定道路的一条或多条车道”还可以包括：如果所述多个对象之中的一个对象的轨迹不包含于所述多个轨迹中，则生成用于所述一个对象的候选车道，其中，所述候选车道的形状类似于或相同于所估计的道路形状，并且所述多个对象之中的所述一个对象位于候选车道的中心处或处于所述候选车道的中心周围的预定范围内。有利地，没有轨迹可用的新近确定并接收到的对象可以使用来确定道路的车道。因此，道路的一条或多条车道的确定可以快速地适配新接收到的对象。在动态交通情况下，可以更准确和/或更稳健地确定道路的一条或多条车道。

根据本发明的另一实施方式，该方法还可以包括：基于所述多个对象的运动，使用卡尔曼滤波器来适配道路的所确定的一条或多条车道。有利地，对象的动态运动可以用于随着时间的推移有效地确定和跟踪道路的一条或多条车道。

根据本发明的另一方面，提供一种用于确定车辆环境中的道路的一条或多条车道的计算机程序产品，该计算机程序产品在由数据处理器执行时适于控制和/或用于执行如上所述的方法。

如本文所用，对计算机程序或计算机程序产品的引用旨在等同于对程序元素和/或包含用于控制计算机系统以协调上述方法的性能的指令的计算机可读介质的引用。

该计算机程序可以以任何适当的编程语言例如java、c++实现为计算机可读指令代码，并且可以被存储在计算机可读介质(可移动磁盘、易失性或非易失性存储器、嵌入式存储器/处理器等)。指令代码可用于对计算机或任何其他可编程设备进行编程以执行预期功能。该计算机程序可以从网络例如万维网上获得，该计算机程序可以从该网络下载。

根据本发明的另一方面，提供一种用于确定车辆环境中的道路的一条或多条车道的驾驶员辅助系统，该驾驶员辅助系统包括被构造成执行上述方法的处理器。

根据本发明的另一方面，提供一种车辆，其包括上述的用于确定车辆环境中的道路的一条或多条车道的驾驶员辅助系统。

本发明可以借助于计算机程序、相应软件来实现。但是，本发明也可以借助于一个或多个特定的电子电路或相应的硬件来实现。此外，本发明也可以以混合形式，即以软件模块和硬件模块的组合来实现。

需要注意的是，已经参考不同的主题描述了本发明的实施方式。特别地，已经参考方法描述了一些实施方式，而参考设备描述了一些其他实施方式。然而，本领域技术人员将从以上和以下说明中得到，除非另行说明，除了属于一种类型的主题的特征的任何组合之外，涉及不同主题的特征的任何组合，特别是方法类型的特征与设备类型的特征之间的任何组合也被认为随着该文件被一起公开。

本发明的上述定义的方面和其他方面将从下文将描述的实施例中变得显而易见，并且将参考实施例进行说明。在下文中将参考实施例更详细地说明本发明，但是本发明不限于此。

附图说明

图1示出用于确定道路的一条或多条车道的示例性方法。

图2示出道路的示例性交通场景。

图3示出道路的交通场景的示例性的分段和簇。

图4示出用于估计道路形状的示例性的多曲线拟合函数。

图5示出车道配置的第一示例。

图6示出车道配置的第二示例。

图7示出车道配置的第三示例。

具体实施方式

附图中的图示为示意性。需要注意的是，在不同的附图中，相似或相同的元件设有相同的附图标记或使用仅在首个数字中与对应的附图标记不同的附图标记。

图1示出用于确定车辆环境中的道路的一条或多条车道的示例性方法100。该方法可以在计算机或车辆的电子控制单元上执行。车辆环境可以由车辆的传感器可检测区域限定。方法100可以接收102车辆环境中的多个对象。例如，方法100可以从车辆的对象检测部件接收102所述多个对象。例如方法100可以从车辆环境模型接收102所述多个对象。车辆环境模型可以通过融合来自车辆的一个或多个传感器的传感器数据而生成。

方法100还可以包括接收104用于在车辆环境中的所述多个对象的多个轨迹。所述多个轨迹可以从车辆的轨迹确定部件接收。例如，所述多个轨迹可以通过使用对象的暂时的位置和里程数据重建对象在车辆环境中的运动曲线来确定。换句话说，所述多个轨迹可以包括关于所述多个对象之中的一个或多个对象在过去的运动的观察结果。所述多个轨迹可以从车辆环境模型接收。

此外，方法100可以基于用于所述多个对象的多个轨迹来估计106道路的形状。当基于多个轨迹估计106道路的形状时，该方法可以确定用于所述多个轨迹的分段的数量；根据所述多个轨迹中的一种或多种轨迹形状来聚簇在一个或多个分段之中的每一个分段中的多个轨迹；确定在一个或多个分段中的每一个分段中的被聚簇的多个轨迹的轨迹簇，其中，所述轨迹簇包括多数轨迹，所述多数轨迹在一个或多个分段之中的特定分段中具有相同或相似形状；并且根据在一个或多个分段之中的每一个分段中的被确定的轨迹簇来估计道路形状。

图2至图4示出在车辆环境中的道路形状的示例性估计。特别地，图2示出了可以由车辆202检测到的示例性道路交通场景200。车辆202可以确定在车辆202的环境中的多辆车辆，所述多辆车辆包括车辆204、206、208、210。另外，所述多辆车辆可以包括车辆202。车辆202还可以确定与车辆202至212相对应的多个轨迹，所述多个轨迹包括轨迹214、216、218、220、222和224。轨迹214可以涉及车辆204，轨迹216可以涉及车辆206，轨迹218可以涉及车辆208，轨迹220可以涉及车辆210，轨迹222可以涉及车辆212，并且轨迹224可以涉及车辆202。

图3呈现了图2的示例性交通场景200的多个轨迹的示例性分段聚簇300。特别地，分段聚簇300包括示例性分段302和304。每一个分段302、304均包括所述多个轨迹214至224之中的一条或多个轨迹的至少一部分。例如，分段302包括所述多个轨迹中的每一个轨迹的一部分，并且分段304也包括所述多个轨迹中的每一个轨迹的一部分。特定分段(例如分段302和分段304)的轨迹部分，根据特定分段中的轨迹的一种或多种形状而被聚簇。如图3所示，分段302包括单个簇，这是因为分段302的所有轨迹都具有相似或相同的形状。此外，分段304包括三个簇：包括轨迹216的第一簇、包括轨迹214和轨迹222的第二簇以及包括轨迹218、220和224的第三簇。

在每一个分段中，可以确定一个包括多数轨迹的轨迹簇。例如，分段302包括单个轨迹簇，这是因为所有轨迹都具有相似或相同的形状。因此，分段302的单个轨迹簇包括多数轨迹。分段304具有三个簇。分段304的第三轨迹簇包括三条轨迹，因此包括分段304中的多数轨迹。

为了确定一个分段的一对轨迹的形状是相似还是相同，可以使用不同的方法。例如，可以在由分段定义的确切的区域中计算两条轨迹之间的标准偏差。当标准偏差低于预定义的阈值时，两条轨迹被假定为相似或相同。附加地或替代地，横向偏差的跨度，在到达特定横向分岔之前的纵向距离、方位角偏差或基于时间扭曲的量度可用于确定是否两条或更多个轨迹彼此相似或相同。

另外，当确定在一个或多个分段之中的每一个分段中的被聚簇的多个轨迹的轨迹簇时，可以执行一致性检查。如果特定分段具有先前分段，例如，分段304具有先前分段302，并且特定分段的包括多数轨迹的轨迹簇与先前分段的所确定的轨迹簇偏离或不一致，可以选择特定分段的一个不包含多数轨迹的轨迹簇。例如，在先前分段的多数轨迹的轨迹簇中的一个或多个轨迹不连续而同时又没有被特定分段的包括多数轨迹的轨迹簇中的一条或多个轨迹打断时，特定分段的包括多数轨迹的轨迹簇可能与先前分段的所确定的轨迹簇不一致。在这种情况下，可以针对特定分段确定一个不同的轨迹簇，这些轨迹与包括特定分段多数轨迹的轨迹簇的轨迹相比具有更高的连续性。

图4示出了使用多曲线拟合过程针对图2的示例性交通场景的道路形状的示例性估计400。道路形状的估计基于所有分段的所确定的轨迹簇中包括的轨迹。例如，图4示出了用于轨迹216、218和220的被包括在确定的轨迹簇中的那些部分的示例性的多曲线拟合函数402。优选地，多曲线拟合函数402描述了曲线，该曲线同时最佳拟合所确定的轨迹簇中所包括的所有轨迹。多曲线拟合函数的曲线的形状可以用于估计道路的形状。例如，形状近似曲线可以通过使用回归方法同时将回旋曲线函数(clothoidfunction)拟合到轨迹(针对每一个轨迹具有特定的横向偏移参数)来获得。

此外，方法100可以使用估计的道路形状和所述多个对象和/或所述多个对象的多个轨迹来确定108道路的一条或多条车道。为了确定208道路的一条或多条车道，方法200可以针对所述多个轨迹之中的每一个轨迹生成候选车道，其中，候选车道的形状类似于估计的道路形状或与估计的道路形状相同，并且至少在轨迹的形状类似于估计的道路形状或与估计的道路形状相同的分段中，所述多个轨迹中的一个轨迹在候选车道的中心或在候选车道的中心周围的预定范围内。此外，方法100可以从所生成的候选车道中确定一个或多个车道组，所述车道组在下文也称为车道配置，其中，该车道组仅包括来自所生成的候选车道的彼此不同的车道，并确定针对所确定的一个或多个车道组中的每一个车道组的得分值，其中，当一个车道组中的一个特定车道的轨迹位于特定车道的中心或在车道中心周围的预定范围内时，得分值增加。最后，方法100可以基于具有最大得分值的车道组来确定道路的一条或多条车道。道路的一条或多条车道可具有与车辆202附近的估计的道路形状相同的形状。

图5至图7示出了用于使用估计的道路形状、所述多个对象和所述多个对象的多个轨迹来确定108道路的一条或多条车道的示例性过程。在下文中，术语“车道配置”用于指定道路的一条或多条车道特别是候选车道的特定组。特别地，图5示出了车道配置500的第一示例，图6示出了车道配置600的第二示例，图7示出了车道配置700的第三示例。一般性地，车道配置可以满足一组预定义的约束。优选地，车道配置中的每一条车道需要具有与估计的道路形状相同的形状。此外，车道配置中的两条相邻车道需要隔开预定的最小距离，例如2米。

为了确定道路的一条或多条车道，确定所述多个轨迹之中的至少部分地类似于或相同于估计的道路形状的轨迹。对于至少部分类似于或相同于估计的道路形状的每一个轨迹，生成一个候选车道。候选车道可以是道路的可能的车道。车道配置包括一条或多条候选车道。如果候选车道满足如上所述的车道配置的约束，则可以由车道配置考虑候选车道。优选地，候选车道至少在所述多个轨迹之中的一个轨迹类似于或相同于估计的道路形状的那些部分中以所述一个轨迹为中心。

如图5所示，车道配置500可以包括候选车道502和候选车道504。候选车道502可以以轨迹214和轨迹216的组合为中心。候选车道504可以以轨迹218为中心。候选车道502和候选车道504彼此共享边界。图6示出了包括单条候选车道602的车道配置600。单条候选车道以轨迹220为中心。图7示出了车道配置700，其包括三条候选车道：以轨迹214和轨迹216的组合为中心的候选车道702、以轨迹218为中心的候选车道704和以轨迹220为中心的候选车道706。

另外，方法100可以为所确定的一个或多个车道组或一种或多种车道配置之中的每一个车道组或每一个车道配置确定得分值。当一个车道组中的一个特定车道的轨迹在该特定车道的中心处或位于该特定车道的中心周围的预定范围内时，得分值可以增加，即特定的候选车道。换句话说，得分值定义了，多少个车道可以被一个特定的车道组或一个特定的车道配置覆盖。车道配置500的得分值可以为3，这是因为车道配置500的候选车道502、504覆盖了三条轨迹。车道配置600的得分值可以是1，这是因为候选车道602仅覆盖了一个轨迹。车道配置700的得分值可以为4，这是因为候选车道702、704、706覆盖了四条轨迹。但是，车道配置700的候选车道702、704、706重叠，因此不满足车道配置的约束。因此，车道配置500具有最大得分值。由于车道配置500提供最大得分值，因此方法100可以基于车道配置500确定道路的车道。

有利地，可以使用描述车辆附近的对象的集体行为的对象轨迹来确定道路的车道。当基于车道标志的识别的车道检测系统不再可用时，这允许使用车辆的(半)自主驾驶功能继续运行。此外，该方法可以允许(半)自主驾驶系统评估由基于标志的车道检测系统提供的数据的质量。另外，该方法可以有效地支持驾驶员辅助系统。例如，如果观察到多数对象正在向右弯曲，当没有关于道路的车道的更多信息可用时，驾驶员辅助系统可以使用该信息来推断车道的存在和几何形状。

该方法的示例性应用场景：

如上所述的方法可以确定道路的一条或多条车道。道路的所确定的车道可由不同的驾驶员辅助系统使用，以便在复杂的高流量的交通场景下提供具有高可用性的更稳健的驾驶员辅助系统。例如，从围绕自我车辆的各车辆的集体行为所确定的道路车道可用于直接控制车辆以实现主动车道保持功能。自我车辆可以在主动车道保持功能中模仿群体行为。此外，根据集体行为确定的道路车道可用于将对象分配给确定的车道或对使用确定的车道的对象进行排序。这可以用于确定道路上的哪些对象与自我车辆在同一条线上。因此，该方法可以用于确定道路上的哪些车辆与自适应巡航控制、短acc系统相关。更具体地说，该方法可用于确定在控制自我车辆的纵向动力学(例如加速、减速和制动)时在道路上哪些车辆应被认为是相关的。此外，所确定的道路车道可用于分类：其他对象正在如何操纵，例如，其它对象正在如何道路变道、取消变道或离开道路。自我车辆可以使用该信息来执行其自身的操纵，例如加速和/或减速以执行变道，和/或加速和/或减速以取消变道。

应当注意的是术语“包括”不排除其他元件或步骤，并且单数的使用不排除复数。而且，可以组合与不同实施方式相关联地描述的元件。还应当注意的是，附图标记不应被解释为限制保护范围。

附图标记列表

100方法

102接收多个对象

104接收多个轨迹

106估计道路的形状

108确定道路的一条或多条车道

200交通场景

202车辆

204对象

206对象

208对象

210对象

212对象

214轨迹

216轨迹

218轨迹

220轨迹

222轨迹

224轨迹

300示例性的分段和簇

302分段

304分段

400示例性的多曲线拟合函数

402多曲线拟合函数

500第一车道配置

502候选车道

504候选车道

600第二车道配置

602候选车道

700第三车道配置

702候选车道

704候选车道

706候选车道