车辆车道级定位方法及相应程序载体、产品、装置和车辆与流程

1.本发明涉及一种用于实现对车辆的车道级定位的方法、一种相应的计算机可读程序载体、一种相应的计算机装置、一种相应的计算机程序产品以及一种相应的车辆。


背景技术：

2.目前，车辆行驶时，驾驶员经常需要借助导航系统来帮助选择合适的道路行驶。然而，目前的导航和定位系统由于定位精度问题，通常只能判断车辆的大致位置，对于多车道道路，不能可靠地确定车辆处于哪个车道。这一方面不能给驾驶员提供及时可靠的变道提醒，另一方面也可能将车辆置于违反交通规则的境况下。
3.智能驾驶技术、例如高级驾驶辅助系统(adas)和无人驾驶，特别是无人驾驶技术近年来获得了长足发展。这种智能驾驶也对车辆定位精度提出了越来越高的要求，特别是要求能够将车辆定位到车道级。尤其是，由于智能驾驶涉及到人身和车辆安全，对车辆的位置精度要求很高，目前使用的常规定位方法的精度和实时性显著不足。
4.目前也有人提出了车道匹配技术，以将车辆定位到车道级。然而，目前多数车道匹配技术中，都是直接使用车辆中配备的相机拍摄图片与高精度地图中地标/车道线比对来确定车辆行驶的道路和车道。此类方法需要使用图像匹配或识别等算法，图像处理算法对处理器性能有较高要求，而且会存在一定的延迟。
5.也有些简单的车道匹配方法，例如，使用gps的位置点，获取高精度地图中与该位置点最近的道路和车道作为匹配结果。此类方法操作虽然简单，但由于目前gps的定位精度在5m左右，而车道宽度为3～4m，极易匹配到错误的车道。当经过城市峡谷或高架桥等特殊地区时，gps信号较弱，定位精度更差，很有可能匹配不到正确的道路。
6.例如，cn106352867、cn109186615、cn108413971公开了相应的车道级定位方法，然而它们都具有相应的缺点。


技术实现要素：

7.本发明的目的是提供一种改进的用于实现对车辆的车道级定位的方法、一种相应的计算机可读程序载体、一种相应的计算机装置、一种相应的计算机程序产品以及一种相应的车辆。
8.根据本发明的第一方面，提供了一种用于实现对车辆的车道级定位的方法，所述方法至少包括以下步骤：获取车辆的实时位置；基于该车辆的实时位置确定该车辆正在行驶的道路，从高精度地图获取该车辆正在行驶的道路的车道和车道线信息；获取车载相机识别的车道线信息；将车载相机识别的车道线信息与从高精度地图获取的该车辆正在行驶的道路的车道和车道线信息进行比较和匹配；以及至少基于所述比较和匹配的结果进行车道匹配和车道级定位。
9.根据本发明的一个可选实施例，所述获取车辆的实时位置还包括获取车辆的航向角；基于该车辆的实时位置和航向角确定该车辆正在行驶的道路。
10.根据本发明的一个可选实施例，所述方法还包括：基于从全球导航卫星系统获得的车辆的位置数据和航向角信息以及车辆的车速和转向角速度确定车辆的实时位置和航向角。
11.根据本发明的一个可选实施例，所述车辆的车速和转向角速度从车辆的can总线获得；和/或通过卡尔曼滤波器确定车辆的实时位置和航向角。
12.根据本发明的一个可选实施例，从高精度地图获取的该车辆正在行驶的道路的车道和车道线信息包括：车道数量、各车道宽度以及各车道线线型和/或颜色；所述车载相机为双目立体相机，其识别的车道线信息包括：车载相机到当前车道和相邻车道的各车道线的侧向距离以及各车道线的线型和/或颜色。
13.根据本发明的一个可选实施例，所述车道匹配和车道级定位包括以下步骤：基于所述车载相机识别的车道线信息和所述从高精度地图获取的该车辆正在行驶的道路的车道和车道线信息确定车辆所行驶的车道的车道匹配初始化步骤；以及基于车道匹配初始化所确定的车辆所行驶的车道，通过变道检测持续对车辆进行车道级定位的持续车道匹配。
14.根据本发明的一个可选实施例，所述车道匹配初始化包括对车载相机识别和输出的当前车道的车道线线型和/或颜色与从高精度地图获取的当前道路的各车道的车道线线型和/或颜色进行比较，根据比较的结果确定车辆所行驶的车道。
15.根据本发明的一个可选实施例，所述车道匹配初始化还包括对车载相机识别和输出的相邻车道的车道线线型和/或颜色与从高精度地图获取的当前道路的各车道的相邻车道的车道线的线型和/或颜色进行比较。
16.根据本发明的一个可选实施例，所述车道匹配初始化还包括比较根据车载相机输出的车道线侧向距离信息计算出的当前和/或相邻车道的车道宽度与从高精度地图获取的当前道路的相应车道的宽度是否一致。
17.根据本发明的一个可选实施例，所述持续车道匹配包括根据车载相机所检测并输出的其与至少两条车道线的侧向距离的变化判断车辆是否变更了车道及车道变更的方向。
18.根据本发明的一个可选实施例，所述方法还包括：以预定时间间隔循环执行所述车道匹配初始化；和/或在通过所述持续车道匹配确定车辆所处于的车道之后，验证当前匹配车道是否正确，所述验证包括：比较从高精度地图获取的当前所匹配车道和/或相邻车道的车道线的线型和/或颜色与所述车载相机识别的相应车道线的线型和/或颜色，并比较从高精度地图获取的当前所匹配车道和/或相邻车道的宽度和所述车载相机识别的相应车道的宽度，根据比较结果判断当前车道匹配是否正确。
19.根据本发明的第二方面，提供了一种计算机可读程序载体，其存储有程序指令，所述程序指令在被处理器执行时实施所述方法。
20.根据本发明的第三方面，提供了一种计算机装置，包括存储器、处理器及存储在存储器上的计算机程序，其中，所述处理器执行所述计算机程序以实现所述方法的步骤。
21.根据本发明的第四方面，提供了一种计算机程序产品，包括计算机程序/指令，其中，该计算机程序/指令被处理器执行时实现所述方法的步骤。
22.根据本发明的第五方面，提供了一种车辆，所述车辆包括所述计算机可读程序载体、所述计算机装置和/或所述计算机程序产品。
23.本发明允许使用低精度的gps接收机和立体相机，结合车辆速度和转向角速度，即
能确定当前车辆在高精度地图中行驶的车道。不必要求车辆具有较高精度的定位设备，如高精度惯性传感器、差分gps接收机等高成本设备。
附图说明
24.下面，通过参看附图更详细地描述本发明，可以更好地理解本发明的原理、特点和优点。附图包括：
25.图1示出了根据本发明的一个示例性实施例的用于实现对车辆的车道级定位的方法的流程图。
26.图2示出了根据本发明的一个示例性实施例的用于实现对车辆的车道级定位的系统的框图。
27.图3示出了根据本发明的一个示例性实施例的用于实时确定车辆当前位置的车辆当前位置确定模块的原理框图。
28.图4示意性地示出了车载立体相机所识别和输出的车道线信息。
29.图5示出了根据本发明的一个示例性实施例的车道匹配过程的流程图。
30.图6示出了根据本发明的一个示例性实施例的图5中所示的车道匹配初始化的流程图。
31.图7示出了根据本发明的一个示例性实施例的持续车道匹配。
32.图8以车辆向右变道为例示出了持续车道匹配过程。
33.图9示出了根据本发明的一个示例性实施例的车载立体相机到相应车道线的侧向距离的变化时序图。
具体实施方式
34.为了使本发明所要解决的技术问题、技术方案以及有益的技术效果更加清楚明白，以下将结合附图以及多个示例性实施例对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，而不是用于限定本发明的保护范围。
35.根据本发明的一个实施例，本发明总体上涉及一种先基于gnss(global navigation satellite system，全球导航卫星系统，例如gps、北斗等)信号结合车速、转向角度等确定车辆当前位置，根据所确定的车辆当前位置(还可以结合航向角)及地图数据确定车辆当前所行驶的道路，从地图(例如高精度地图)获取车辆当前所行驶的道路的车道和车道线信息，然后将车载传感器(例如车载立体相机、激光雷达等)识别的车道线信息(例如包括车道线线型、颜色和车载相机与车道线间的距离)与从高精度地图获取的车道和车道线信息进行比较和匹配，基于比较和匹配的结果进行车辆的车道级定位和车道匹配的技术方案。
36.具体地讲，本发明涉及一种用于实现对车辆的车道级定位和车道匹配的方法以及一种相应的系统。
37.图1示出了根据本发明的一个示例性实施例的用于实现对车辆的车道级定位的方法的流程图。
38.相应地，图2示出了根据本发明的一个示例性实施例的用于实现对车辆的车道级定位的系统的框图。
39.如图1所示，所述方法至少可以包括以下步骤：s1)实时获取车辆当前位置；s2)基于该车辆当前位置，获取该车辆当前位置附近处的高精度地图的相应道路的车道和车道线信息；以及s3)至少基于高精度地图给出的相应道路的车道和车道线信息及车辆现场识别出的车道线信息进行车道匹配。
40.相应地，所述系统1可至少包括：实时获取车辆当前位置的车辆当前位置确定模块11、用于获取该车辆当前位置附近处的高精度地图的相应道路的车道和车道线信息的高精度地图车道信息获取模块12、至少基于高精度地图给出的相应道路的车道和车道线信息及车辆现场识别出的车道信息进行车道匹配的车道匹配模块13。
41.下面，首先描述如何实时获取车辆当前位置。
42.根据本发明的一个示例性实施例，可基于全球导航卫星系统gnss(例如gps或北斗定位系统)确定车辆当前位置。然而，例如gps定位数据通常按一定频率更新，而非完全实时的数据，例如，目前gps定位数据每秒钟更新一次。因此，仅基于gps定位数据确定车辆当前位置可能会存在一定的偏差，因为车辆处于运动之中。特别是，当车辆以较高速度行驶时，更是如此。例如，如果车辆以90公里/小时的速度行驶，则车辆每秒钟就可以行驶25米，此时假设仅以gps定位数据确定车辆当前位置，最大可能产生25米的位置偏差。这种偏差可能会影响后续步骤，例如可能不能准确定位到当前行驶道路上，不能进行准确的车道匹配，或者不得不扩大要搜索的高精度地图的范围等。为此，可以引入其它附加参数以更精确地共同实时确定车辆当前位置。当然，本领域的技术人员也可以理解，如果车辆速度本身较低，例如低于10公里/小时，理论上也可以仅基于全球定位系统给出的定位数据直接确定车辆当前位置。
43.根据本发明的一个示例性实施例，所述附加参数包括车速和转向角速度。可以理解，这两个参数的引入可以提高确定车辆当前位置的准确性。
44.图3示出了根据本发明的一个示例性实施例的用于实时确定车辆当前位置的车辆当前位置确定模块11的原理框图。
45.如图3所示，车辆当前位置确定模块11包括车辆当前位置实时预测模型111，所述车辆当前位置实时预测模型111例如接收gnss定位数据1111、车速1112和转向角速度1113，经过一系列运算后输出车辆的实时位置坐标和航向角。
46.gnss定位数据1111可以从安装在车辆上的gnss(例如gps)接收机中获取，车速1112和转向角速度1113可以从车辆的控制系统、例如can总线获取。例如，车速1112和转向角速度1113的更新频率为20hz，因此远高于定位数据的更新频率。
47.gnss定位数据初始通常以经纬度表示，而在本实施例中车辆当前位置实时预测模型111优选接收以笛卡尔直角坐标系表示的gnss定位数据。为此，如图3所示，gnss定位数据在被提供给当前位置实时预测模型111之前先被投影到笛卡尔直角坐标系，在此，以框1114表示这种转换/投影。
48.当然，本领域的技术人员可以理解，这种转换/投影可以在gnss接收机中实现，即，gnss接收机本身所输出的就是以笛卡尔直角坐标系表示的定位数据。也可以单独设置一个模块进行这种转换/投影或直接由当前位置实时预测模型11进行转换/投影。本发明对此不进行任何限制，因此图3仅是一个示例性示例性。
49.根据本发明的一个示例性实施例，当前位置实时预测模型111可以为卡尔曼滤波
模型。
50.卡尔曼滤波是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法，由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
51.本实施例中的卡尔曼滤波模型如下所示：
52.状态方程：
53.观测方程：
54.其中，x、y分别为笛卡尔直角坐标系下的位置坐标，θ为航向角，υ为车速，ω为车辆的转向角速度，δt为车速/转向角速度的时间间隔，x
gps
、y
gps
为gnss定位数据在笛卡尔直角坐标系下的投影位置坐标，θ
gps
为gnss输出的航向角信息。
55.车辆当前位置确定模块11的车辆当前位置实时预测模型111通过输出模块112输出车辆的实时位置坐标和航向角。
56.通过该方式，可以对以一定频率更新的gnss定位数据进行修正，以便能够较为准确地实时获取车辆当前位置。本领域的技术人员可以理解，车辆当前位置越准确，随后需要搜索的高精度地图的范围就越低，车道匹配的成功性和可靠性也越高，相应的运算量也越低。
57.本领域的技术人员可以理解，也可以使用其它预测模型、例如其它自适应滤波模型确定车辆的实时位置和航向角。
58.在得到车辆的实时位置和航向角后，可以搜索实时位置附近预定区域内的高精度地图。
59.根据本发明的一个示例性实施例，可以在高精度地图数据库中搜索该实时位置附近一定范围、例如3km内的所有道路。更进一步地，再根据该实时位置(或根据实时位置结合航向角)进一步确定车辆正在行驶的一条道路，将该道路的车道和车道线信息(例如包括但不限于车道数量、车道线类型/线性、车道线颜色、车道宽度信息等)加载到车机内存中供后续车道匹配使用。如果根据车辆实时位置判断出车辆已经驶出当前道路，则加载地图数据库中与当前道路连接的下条道路的车道和车道线信息。
60.本领域的技术人员可以理解，高精度地图数据库可以存储在车辆的相应存储器中，或者通过实时访问云端服务器获得。优选地，当车辆到达某一地方、例如某个城市时，可自动向云端服务器查询是否有更新后的高精度地图，如果有，则下载到车辆本地上，从而车辆当在该地方行驶时，可直接使用存储在车辆本地的高精度地图。
61.本领域的技术人员可以理解，不管采用何种方式，只要能及时地获取实时位置点附近预定区域内的高精度地图即可，本发明对此并不进行任何限制。
62.然后，可将车载传感器(例如车载双目立体相机、激光雷达等)所识别的车道线信息(例如包括但不限于车道线类型、颜色、车载立体相机到相应车道线的侧向距离等)与基
于高精度地图获得的相应道路内的车道和车道线信息进行比较和匹配，以确定车辆处于哪个车道。
63.所述车载立体相机通常安装在车辆前挡风玻璃后。该立体相机例如可以为双目立体相机，其可以识别和以一定频率(如20hz)输出其两侧的车道线的颜色、线型(实线、虚线、双实线等)、到相应车道线的侧向距离等。
64.图4示意性地示出了车载立体相机10所识别和输出的车道线信息。在此，车载立体相机10示例性地可以识别和输出四条车道线信息，包括各个车道线的颜色、线型和车载立体相机10到各个车道线的侧向距离d1、d2、d3、d4。某些情况下，如由于旁侧车道存在车辆遮挡或光线不足等原因造成车载立体相机10无法拍摄或识别到部分旁侧车道线，则车载立体相机可能仅识别和输出一条、两条或三条车道线信息。
65.为了更方便描述，在图4中，各车道线从左到右分别称为第一车道线、第二车道线、第三车道线和第四车道线，而相应的车道从左到右依次称为第一车道、第二车道和第三车道。以车载立体相机10为坐标零点，车载立体相机10到其左侧车道线的距离为负，而到其右侧车道线的距离为正。
66.本领域的技术人员可以理解，车载立体相机10并不局限于仅能识别四条车道线信息，实际上车载相机能识别出的车道线数量和信息越多，本发明可应用的场景越广，根据本发明进行车道匹配和车道级定位的成功率和准确型也会更高。
67.下面，将结合图5描述根据本发明的一个示例性实施例的车道匹配过程的流程图。
68.如图5所示，在步骤s10中，获取车载立体相机10识别的车道线信息、车辆实时位置和基于高精度地图的车辆行驶道路的车道和车道线信息。
69.在步骤s11中，判断是否完成了车道匹配初始化。车道匹配初始化是指基于车载立体相机10识别的车道线信息与高精度地图给出的相应道路的车道和车道线信息的比较和匹配确定车辆处于哪个车道，以作为后续车道识别的起点。在某些情形下(例如由于旁侧车道存在其它车辆造成遮挡、光线不足或车道线磨损不清等)，车载立体相机10识别出的车道线信息可能不准或不全，进而可能无法实现车道匹配初始化。在无法完成车道匹配初始化的情况下，就不能执行后续的以其作为起点的车道匹配。
70.如果在步骤s11中判断未完成车道匹配初始化，则执行步骤s12，执行车道匹配初始化。如果在在步骤s11中判断已完成车道匹配初始化，则执行步骤s13，判断车载立体相机10输出的车道线信息是否中断超过预定时长(例如1秒)。如果未超过预定时长，说明车辆仍可能在原车道上行驶，此时可执行步骤s14，以车道匹配初始化匹配的车道为基础进行持续车道匹配；否则，如果车载立体相机10输出的车道线信息中断超过了预定时长，则车辆在相机输出信息中断的这段时间内已经行驶了一段较长的距离，车辆所处的车道与上次车道匹配成功时相比可能发生了变化，因此，执行步骤s12，重新进行车道匹配初始化。
71.在步骤s12进行车道匹配初始化后，执行步骤s15，判断是否完成了车道匹配初始化。如果在步骤s15中，判断完成了车道匹配初始化，则执行步骤s14，进行持续车道匹配(持续车道匹配的方法将在下文详细描述)；否则在步骤s16，判定车道匹配初始化失败。在步骤s14中执行持续车道匹配确定车辆所处于的车道后，可以执行步骤s17，验证当前匹配的车道是否正确(验证方法将在下文详细描述)，以便能够提高车道匹配的准确性和可靠性。如果在步骤s17中验证了当前匹配的车道是正确的，则可以在步骤s18判定车道匹配成功，并
输出当前匹配车道结果；否则说明持续车道匹配的结果可能是不正确的(例如由于持续车道匹配所基于的车道匹配初始化结果可能是不正确的，或者车道持续匹配步骤中可能有错误)，因此转到步骤s16，判定车道匹配失败。步骤s16之后还可以包括步骤s19，给出本次未能正确匹配车道或道路的结果。在车道匹配失败之后，可以在一定时间间隔之后重新开始进行车道匹配初始化，直至车道匹配成功。
72.下面，结合图6描述根据本发明的一个示例性实施例的图5中所示的车道匹配初始化的流程图。
73.如图6所示，可以在步骤s20，根据车辆实时位置，选取最近道路作为车辆当前行驶道路，并从地图(例如高精度地图)获取车辆行驶道路的车道和车道线信息，同时可以在步骤s21获取车载立体相机10识别的车道线信息。然后执行步骤s22，初始化变量：车道编号i＝1和匹配车道数j＝0。
74.在步骤s22之后，可以执行步骤s23，根据从高精度地图获取的当前行驶道路的车道信息判断当前道路是否存在第i条车道，如果为否，可以执行步骤s24，判断匹配车道数j是否为1；如果在步骤s23判断当前道路存在第i条车道，则可以执行步骤s25，比较和判断从高精度地图获取的当前道路的第i条车道左右两侧的车道线线型和/或颜色与车载立体相机识别输出的当前车道的车道线(即车载立体相机识别的其左右两侧邻近的两条车道线)的线型和/或颜色是否一致；如果一致，可以执行步骤s26，获取地图数据中当前道路的第i条车道的宽度wi，并在步骤s27中比较和判断根据车载立体相机10识别输出的车道线侧向距离信息计算出的当前车道的车道宽度(即车载立体相机10输出的其到左右两侧邻近的两条车道线的侧向距离之和)与地图数据中当前道路的第i条车道的宽度是否一致，以进一步提高匹配的可靠性和准确型，例如判断从高精度地图获取的当前道路的第i条车道的宽度wi与车载立体相机10输出的车载立体相机10到左右两侧邻近的两条车道线的距离之和(d2+d3)的差值(|wi
‑
(d2+d3)|)是否小于宽度偏差阈值t1(可参看图4理解)。可以基于车载立体相机检测车道线距离的精度设定该宽度偏差阈值t1。例如，如果车载立体相机检测车辆中心到车道线距离的精度为5cm，考虑该精度因素，为防止造成判断错误，可以选择10cm作为宽度偏差阈值t1。如果步骤s27的判断结果为是(即|wi
‑
(d2+d3)|<t1)，说明根据车载立体相机输出的车道线信息计算出的当前车道宽度与地图数据中当前道路的第i条车道的宽度是相符的；可选地还可以执行步骤s28，判断车载立体相机是否识别到相邻车道的车道线，如果为是，可以执行步骤s29，进一步比较从高精度地图获取的当前道路的第i条车道的相邻车道的车道线的线型和/或颜色与车载立体相机所识别和输出的相邻车道的车道线线型和/或颜色是否一致(可选地，还可以比较根据车载立体相机10识别输出的相应车道线侧向距离信息计算出的相邻车道的车道宽度与从高精度地图获取的当前道路的第i条车道的相邻车道的车道宽度是否一致)；如果一致，则可以执行步骤s30，说明当前车道匹配成功，使匹配车道计数器j＝j+1，并记录当前车道编号m(m＝i)，然后可以执行步骤s31，使车道编号i＝i+1，并返回到步骤s23，判断地图数据中当前道路是否存在下一条车道(第i+1条车道)。如果地图数据中当前道路存在下一条车道(第i+1条车道)，则可以执行步骤s25，继续将地图数据中当前道路的下一条(第i+1)条车道的车道和车道线信息与车载立体相机识别输出的车道线信息进行比较和匹配；否则，说明已经对地图数据中当前道路的所有车道进行了上述比较和匹配，此时可以执行步骤s24，判断匹配车道数量j是否等于1。如果匹配车
道数量j＝1，则说明成功匹配出唯一的车道，在步骤s32确定车道匹配初始化成功，并记录当前匹配车道号r＝m。如果匹配车道数量j＝0，说明没有与任何车道匹配成功；如果匹配车道数量j≥2，说明地图数据中当前道路有多个车道与车载立体相机识别输出的车道线信息相匹配，不能确认唯一的成功匹配车道。因此在对地图数据中当前道路的所有车道进行了上述比较和匹配后，如果匹配车道数量j不等于1，则在步骤s33给出车道匹配初始化失败的结果。
75.在步骤s25、s27、s28、s29判断为否的情况下，说明当前正在比较和匹配的车道没有匹配成功，均可转至步骤s31。
76.在完成车道匹配初始化后，由于车辆在持续行进中可能会变更车道，可以基于车道匹配初始化所确定的车辆所行驶的车道，通过变道检测，持续对车辆进行车道级定位，即持续车道匹配(图5中的步骤s14)。
77.根据本发明的一个实施例，可以根据车载双目立体相机所检测并输出的其与至少两条车道线的侧向距离的变化判断车辆是否变更了车道及变更车道的方向。例如可以周期性地将车载双目立体相机所检测并输出的其与一侧或两侧的至少两条车道线的侧向距离的当前数值与历史数值的差值与相应的距离阈值进行比较，根据比较结果判断车辆是否变更了车道及变更车道的方向。
78.下面结合图7描述根据本发明的一个示例性实施例的持续车道匹配方法。根据本实施例的持续车道匹配方法也可以理解为一种判断车辆是否变换车道或一种变道检测的方法。
79.当车辆行驶过程中变道时，如图4所示，车载立体相机10识别的其与两侧的各条车道线的侧向距离d1、d2、d3、d4将会发生关联变化。下面将结合图8为例描述持续车道匹配。
80.在本实施例中，周期性的将车载双目立体相机所检测并输出的其与左右两侧两条临近车道线的侧向距离的当前数值与历史数值的差值与相应的距离阈值进行比较，根据比较结果判断车辆是否变更了车道及变更车道的方向。
81.在步骤s40，可以以下面的公式(3)计算车载立体相机10检测并输出的其与左右两侧临近车道线的侧向距离的当前数值与车载立体相机10上次输出的其与左右两侧临近车道线的侧向距离(历史数值)的差值：
[0082][0083]
其中，d2为车载立体相机10输出的其与左侧临近道线的侧向距离的当前数值，d2'为车载立体相机10上次输出的其与左侧临近道线的侧向距离，d3为车载立体相机10输出的其与右侧道线的侧向距离的当前数值，d3'为车载立体相机10上次输出的其与右侧临近道线的侧向距离。
[0084]
在步骤s41，判断k2是否小于第一距离阈值t2且判断k3是否大于第二距离阈值t3。第一距离阈值t2、第二距离阈值t3可根据车道宽度设定。由于国内大部分车道宽度为3～4米，在此，第一距离阈值t2可以例如取
‑
3米，第二距离阈值t3可以例如取3米。本领域的技术人员可以理解，这些数值都是示例性的。
[0085]
如果在步骤s41中判断出k2小于第一距离阈值t2且k3大于第二距离阈值t3，则可以
在步骤s42，判定车辆向右变道，并可以在步骤s43，将当前匹配车道号r修改为r＝r+1，然后可以在步骤s44中输出当前匹配车道编号r；否则，在步骤s45，判断k2是否大于第二距离阈值t3且判断k3是否小于第一距离阈值t2，如果为是，则可以在步骤s46，判定车辆向左变道，并在步骤s47，将当前匹配车道号r修改为r＝r
‑
1，并在步骤s44输出当前匹配车道号r。如果在步骤s45中判断结果为否，则可以在步骤s48判定车辆未变道，在步骤s49保持当前匹配车道号r不变，然后在步骤s44输出当前车道编号r。
[0086]
图9示出了根据本发明的一个示例性实施例的d2和d3的变化时序图。
[0087]
本领域的技术人员可以理解，尽管上述车道变换判断过程示例中仅使用了d2和d3这两个车道线距离及其变化的数据，但在实际使用中也可以使用多组车道线距离进行车道变换的检测和判断，例如同时对d1、d2、d3、d4的变化做比较，或选择其中任意多个变量进行比较。
[0088]
根据本发明的一个实施方式，本发明还包括一种验证当前匹配的车道是否正确的方法。例如，图5中的步骤s17用于验证当前匹配的车道是否正确，以提高车道匹配的准确性和可靠性。例如可以在通过持续车道匹配确定车辆所处于的车道之后，周期性地验证当前匹配的车道是否正确。根据本发明的一个示例性实施例，验证当前匹配的车道是否正确可以采用与车道匹配初始化类似(例如如图6中的步骤s25
‑
s29所述)的方法。具体地，可以将从高精度地图获取的当前所匹配车道的左右车道线(可选地还可以包括相邻车道的车道线)的线型和/或颜色与车载立体相机识别的相应车道线的线型和/或颜色进行比较；还可以将从高精度地图获取的当前所匹配车道的宽度和车载立体相机识别出的当前车道的宽度(即车载立体相机输出的其到左右两侧两条邻近车道线的侧向距离之和)进行比较；可选的，还可以将从高精度地图获取的当前所匹配车道的相邻车道的宽度与车载立体相机识别出的当前车道的相邻车道的宽度(例如可以是车载立体相机输出的其到相邻车道的两条车道线的侧向距离之差，例如d1
‑
d2、d4
‑
d3)。如果相比较的车道线的类型相同，而且相应车道的宽度差的绝对值低于宽度偏差阈值t1(例如10cm)，则认为当前车道匹配结果正确；否则，如图5所示，表示当前车道匹配结果错误，可以重新进行车道匹配初始化。
[0089]
尽管这里详细描述了本发明的特定实施方式，但它们仅仅是为了解释的目的而给出的，而不应认为它们对本发明的范围构成限制。在不脱离本发明精神和范围的前提下，各种替换、变更和改造可被构想出来。