无模型车道跟踪系统的制作方法

1.本主题公开涉及一种用于将车辆保持在车道内的系统和方法，尤其涉及一种跟踪车道的方法，包括在不使用车道模型的情况下，将车道的当前检测位置与车道的预测位置进行比较。


背景技术：

2.在自主或半自主模式下运行的车辆可通过随时间跟踪路段的车道或车道标志来保持其在该路段的位置。一些跟踪方法对车道使用不同的建模表示(例如，多项式、样条曲线等)。使用车道建模引入了包括模型预测和模型更新在内的多个挑战，这些挑战不是微不足道的，并且在计算上可能是昂贵的。此外，使用车道模型会引入拟合误差，尤其是在曲线车道和复杂的道路几何形状中。使用模型减少了可能导致信息丢失的数据基数。因此，期望提供一种不使用车道模型来跟踪车道的方法。


技术实现要素：

3.在一个示例性实施例中，公开了一种导航车辆的方法。在车辆的传感器处在第一时间步长获得代表路段的车道的第一组检测点。在处理器处从第一组检测点确定第二时间步长的一组预测点。在传感器处在第二时间步长获得代表车道的第二组检测点。在处理器处从第二组检测点和该一组预测点获得一组融合点。使用该一组融合点在处理器处对车辆进行导航。
4.除了本文所述的一个或多个特征之外，获得该一组融合点还包括形成包括第二组检测点和该一组预测点的一组更新点，形成至少两个更新点的聚类，并从聚类内的至少两个更新点形成该聚类的融合点。形成该聚类的融合点还包括形成至少两个更新点的加权平均值。加权平均值基于至少两个更新点的不确定性。该方法还包括使用标准过滤掉聚类中的更新点。该标准基于与更新点相关联的不确定性、更新点的年龄和更新点的噪声水平中的至少一个。第一组检测点中的检测点具有与车辆相关联的协方差矩阵，并且该方法还包括通过使用第一时间步长到第二时间步长之间的时间间隔更新协方差矩阵来确定该一组预测点中的预测点。
5.在另一示例性实施例中，公开了一种导航车辆的系统。该系统包括传感器和处理器。传感器被配置成在第一时间步长获得代表路段的车道的第一组检测点，并在第二时间步长获得代表车道的第二组检测点。处理器被配置为从第一组检测点确定第二时间步长的一组预测点，从第二组检测点和该一组预测点获得一组融合点，并使用该一组融合点导航车辆。
6.除了本文所述的一个或多个特征之外，所述处理器还配置成通过形成包括第二组检测点和该一组预测点的一组更新点，形成至少两个更新点的聚类，并从聚类内的至少两个更新点形成聚类的融合点，来获得该一组融合点。该处理器还被配置成通过形成至少两个更新点的加权平均值来形成该聚类的融合点。加权平均值基于至少两个更新点的不确定
性。该处理器还被配置成使用标准过滤掉聚类内的更新点。该标准基于与更新点相关联的不确定性、更新点的年龄和更新点的噪声水平中的至少一个。第一组检测点中的检测点具有与车辆相关联的协方差矩阵，并且该方法还包括通过使用第一时间步长到第二时间步长之间的时间间隔更新协方差矩阵来确定该一组预测点中的预测点。
7.在另一示例性实施例中，公开了一种车辆。该车辆包括传感器和处理器。传感器被配置成在第一时间步长获得代表路段的车道的第一组检测点，并在第二时间步长获得代表车道的第二组检测点。处理器被配置为从第一组检测点确定第二时间步长的一组预测点，从第二组检测点和该一组预测点获得一组融合点，并使用该一组融合点导航车辆。
8.除了本文所述的一个或多个特征之外，所述处理器还配置成通过形成包括第二组检测点和该一组预测点的一组更新点，形成至少两个更新点的聚类，并从聚类内的至少两个更新点形成聚类的融合点，来获得该一组融合点。该处理器还被配置成通过形成至少两个更新点的加权平均值来形成该聚类的融合点。加权平均值基于至少两个更新点的不确定性。该处理器还被配置成使用标准过滤掉聚类内的更新点。该标准基于与更新点相关联的不确定性、更新点的年龄和更新点的噪声水平中的至少一个。
9.从以下结合附图的详细说明中，本公开的上述特征和优点以及其他特征和优点显而易见。
附图说明
10.其他特征、优点和细节仅作为示例出现在以下详细说明中，详细说明参考了附图，在附图中:
11.图1是说明性实施例中包括用于车辆导航的车道跟踪系统的车辆的平面图；
12.图2示出了一实施例中由控制器执行的用于跟踪车道或车道线的方法的框图；
13.图3示出了通过图2的框图说明数据流的时间图；
14.图4示出了路段的平面图，包括选定时间步长的一组说明性预测点；
15.图5示出了路段的平面图，包括图4中的预测点和在第二时间步长获得的第二组检测点；
16.图6示出了路段的平面图，说明了通过将预测点与第二组检测点合并而生成的更新点；
17.图7示出了路段的平面图，说明了在车道跟踪系统的融合模块中发生的操作；
18.图8示出了在融合模块中执行的聚类过程的说明性示例；
19.图9示出了在融合模块中执行的过滤步骤；和
20.图10示出了说明点融合的示意图。
具体实施方式
21.以下说明本质上仅是示例性的，无意限制本公开及其应用或用途。应当理解，在所有附图中，相应的附图标记表示相同或相应的部件和特征。如这里所使用的，术语模块指的是处理电路，其可以包括专用集成电路(asic)、电子电路、执行一个或多个软件或固件程序的处理器(共享的、专用的或成组的)和存储器、组合逻辑电路和/或提供所述功能的其他合适的部件。
22.根据示例性实施例，图1为包括用于车辆导航的车道跟踪系统的车辆100的平面图。图1中的示例性车辆100是汽车101。车辆100可以是自主车辆、半自主车辆，或者可以由驾驶员手动驾驶。车辆100被示出在路段102的两条车道线105a、105b(这里通常由105表示)内。车辆包括控制器110和一个或多个传感器120。图1所示的示例性传感器120包括一个或多个摄像机120a、激光雷达系统120b和雷达系统120c(统称为120)。控制器110可以使用一个或多个摄像机120a、激光雷达系统120b或其组合来获得给定车道线(例如车道线105a)的检测点104。图1中所示的传感器120的示例性类型、数量和位置不旨在限制车辆100的任何替代实施例中的传感器120的类型、数量和位置。传感器120以周期性间隔的时间步长获得车道线的检测点104的图像。在一实施例中，传感器120以大约每秒100次的速率获得一组检测点。
23.控制器110使用本文讨论的方法进行车道跟踪。控制器110还可以部分基于车道跟踪实现车辆100的半自主或自主控制。控制器110从由一个或多个传感器120获得的原始图像中获得检测点104，基于检测点104执行车道跟踪，并基于车道跟踪导航车辆。例如，控制器110可以对在车辆100周围的一个或多个摄像机120a的视野内获得的一个或多个图像执行图像处理。图像处理可以识别与一条或多条车道线105(例如车道线105a)相关联的检测点104。替代地，使用激光雷达系统120b获得的点云可以被处理以获得检测点104。为了执行车辆100的半自主或自主控制，基于检测点104跟踪车辆100附近的车道线105a。本文公开的方法将车道表示为点集，而不将这些点拟合到模型，例如多项式或样条。绕过通道建模简化了预测和更新步骤，同时保持了高度的数据基数。本文公开的方法可以在复杂场景中准确有效地跟踪高度弯曲的车道。
24.图2示出了在一实施例中，由控制器110执行的用于跟踪车道或车道线的方法的框图200。该方法包括在第一时间步长获得检测点，并在第二时间步长预测这些检测点相对于车辆的位置。预测位置与传感器在第二时间步长获得的检测点进行比较。该方法还包括用于在第二时间步长中找到预测位置和检测点的最佳重叠(overlay)的关联步骤，以及用于将最佳重叠的点合并成一组更新点的更新步骤。该方法还包括融合步骤，在该步骤中，更新的点被分组为聚类，并且该聚类的代表性点被选择，该代表性点在本文中也被称为融合点。融合步骤包括在确定代表点之前，根据一个或多个选择的标准从聚类中过滤或去除点。
25.框图200包括用于执行本文公开的方法的各种模块，包括关联模块202、更新模块204、预测模块206和融合模块208。该方法可以在多个时间步长的每一个中循环通过关联模块202、更新模块204和预测模块206。关联模块202从预测模块206接收一组预测点，并从传感器120接收一组检测点。预测点基于来自前一时间步长的检测点，并且通过使用车辆的一个或多个动态参数的计算来确定。
26.更新模块204接收关联点，并将这些点合并为一组更新点，其中预测点和检测点之间没有区别。更新的点被认为是关于通过框图200的下一个周期的检测点。预测模块206接收更新的点，并预测下一时间步长的一组预测点。融合模块208从更新的点创建一组融合点。该一组融合点提供了车道或车道线的代表点，其可以在控制器110处用于车道跟踪和导航。
27.关联模块202执行关联步骤，该步骤包括执行解决一组当前检测车道和该组预测车道之间的分配问题，每个为一组点。解决分配问题包括执行一组当前检测车道中的每一
个和该组预测车道之间的距离评估，并选择最佳车道到车道的关联。在将一组预测车道中的一个点分配给一组当前检测车道中的一个点时，对于重叠产生关联成本。重叠的关联成本是每个单独分配的关联成本的总和。该组检测到的车道随后被用于更新与其相关联的一组当前预测车道。
28.在更新模块204处，通过将两组合并为被称为更新的一组点的一个统一的一组点，检测到的该一组车道用于更新该组预测车道。这种更新技术是简单的，并且允许检测到的点被保持而没有信息丢失。为了避免由于这种更新方法而导致的巨大内存消耗，点将作为后续融合方法的一部分进行过滤。
29.参考预测模块206，在预测模块接收到的点包括各种测量参数，例如检测点的坐标(x，y)，以及车辆的动态参数，例如车辆的速度、航向、加速度,偏航旋转等。假设车道线是静态的，当前时间步长t的一组当前预测车道可以通过对关于在t-δt执行的车辆操纵测量的参数进行逆变换来变换在时间(t-δt)的先前点组，从来自先前时间步长的点获得。测量的参数还可以包括每个点的各种不确定性。每个点都可以有一基于其参数的协方差矩阵。在后续时间步长预测一点包括更新协方差矩阵。在一实施例中，当前时间步长的协方差矩阵q(t)可以通过前一时间步长的协方差矩阵q(t-δt)来近似，如等式(1)所示:
[0030][0031]
其中x是检测的x坐标，y是检测的y坐标，ω
ego
是车辆的偏航旋转，是与偏航旋转相关的不确定性，是与车辆速度相关的不确定性，以及是与车辆加速度相关的不确定性。在一实施例中，δq可以近似为:
[0032]
图3示出了说明通过图2的框图200的数据流的时间图300。为了说明的目的，时间图仅包括三个时间步长，尽管这并不意味着限制可以由控制器110执行的时间步长的数量。
[0033]
在每个时间步长从传感器120获得图像或其他感测数据。图像包括指示车道线的一组检测点。在第一时间步长(t)期间获得的第一组检测点由o(t)表示(302)，在第二时间步长(t+δt)期间获得的第二组检测点由o(t+δt)表示(304)并且在第三时间步长(t+2δt)期间获得的第三组检测点由o(t+2δt)表示(306)，其中δt是时间步长之间的时间间隔。第一组检测点用于经由预测模块206产生第一组预测点p(t+δt)(308)。第二组检测点o(t+δt)304经由关联模块202与第一组预测点p(t+1)相关联(308)。经由更新模块204合并关联点以形成第一组更新点u(t+δt)310。第一组更新点u(t+δt)310用于经由融合模块208产生第一融合数据集f(t+δt)312。第一组更新点u(t+δt)310也用于在第三时间步长t+2δt经由预测模块206产生第二组预测点p(t+2δt)314。
[0034]
在第三时间步长期间发生的过程类似于第二时间步长的过程并且包括将第二组预测点p(t+2δt)314关联到第三组检测点o(t+2δt)306，形成第二组更新点u(t+2δt)
316，从更新点u(t+2δt)316生成第二组融合点f(t+2δt)318，并生成用于后续时间步长第三组预测点。
[0035]
图4示出了路段102的平面图400，包括用于选定时间步长(即，第二时间步长(t+δt))的说明性一组预测点402。如关于图3的时间图300所讨论的，预测点402是在第一时间步长(t)期间车辆100处于第一位置404时获得的检测点生成的。预测点402是在第二时间步长(t+δt)期间检测点将在第二位置406处相对于车辆100的位置的预测。
[0036]
图5示出了路段102的平面图500，包括图4中的预测点402和在第二时间步长获得的第二组检测点502。图6示出了路段102的平面图600，说明了通过将预测点402与第二组检测点502合并而生成的更新点602。
[0037]
图7示出了路段102的平面图700，说明了在融合模块208中发生的操作。融合模块208对更新的点602执行聚类操作，如第一聚类702a、第二聚类702b、第三聚类702c和第四聚类702d所示。在每个聚类内，可以执行过滤过程来移除由于所选原因而失去了与确定融合点的相关性的点604。保留在聚类内的更新点602用于确定该聚类的代表点或融合点。第一融合点704a代表第一聚类702a，第二融合点704b代表第二聚类702b，第三融合点704c代表第三聚类702c，第四融合点704d代表第四聚类702d。融合的点被公布给控制器110，控制器110在车辆100处执行动作或操纵。所使用的融合算法影响公布给控制器110的点。车道跟踪系统保存原始点集信息以备后用。
[0038]
图8示出了在融合模块208中执行的聚类过程的说明性示例。可以对更新的点执行主成分(component)分析，以确定一组特征向量，例如x
pca 802和y
pca 804。可以沿着第一特征向量方向(即x
pca 802)标记样本区域，如标记806所示的。可以在与标记相关联的聚类808内对在标记806的选定邻近度r内的更新点进行分组。
[0039]
图9示出了在融合模块208处执行的过滤步骤900。过滤步骤用于选择聚类808内的更新点作为后续融合步骤的候选。可以根据选择的标准或质量度量来移除或过滤掉点(例如，过滤点902)。例如，点可能具有大于所选阈值的相关不确定性，或者可能具有大于所选时间阈值的年龄，因此相对于未来计算具有低相关性等等。该点的噪声水平也可以用作过滤标准。移除点的步骤减少了消耗的内存量。
[0040]
图10示出了说明性实施例中点融合的图1000。尽管相对于两个更新的点示出，但是融合步骤可以包括任意数量的点的融合。融合这些点可以包括获得至少两个更新点的加权平均值。在图10的说明性例子中，都在同一聚类内的第一更新点1002和第二更新点1004被融合以形成融合点1006。融合步骤假设每个点是空间中相同位置的不相关高斯测量。多点(例如，点1002和点1004)的融合步骤在数学上如等式(3)所示:
[0041][0042]
其中是第一更新点1002的不确定性，是第二更新点1004的不确定性。值t1和t2分别表示第一更新点1002和第二更新点1004的参数。熔合点的不确定性由等式(4)给出:
[0043][0044]
在各种实施例中，假设这些参数的不确定性之间没有相关性，可以为每个参数(即，x坐标、y坐标、航向等)单独确定最佳参数。
[0045]
尽管已经参考示例性实施例描述了上述公开，但是本领域技术人员将理解，在不脱离其范围的情况下，可以进行各种改变并且可以用等效物代替其元件。此外，可以进行许多修改以使特定情况或材料适应本公开的教导而不背离本公开的基本范围。因此，本公开不限于所公开的特定实施例，而是将包括落入其范围内的所有实施例。