车道线定位方法及装置、电子设备及存储介质与流程

1.本技术涉及自动驾驶技术领域，尤其涉及一种车道线定位方法及装置、电子设备及存储介质。


背景技术：

2.组合导航，即使用imu+gps/rtk，实现高精度定位。由于组合导航会受到gnss信号好坏的影响，在gnss信号受到干扰的情况下，会产生较大的误差，导致自动驾驶车辆的定位会偏出车道，甚至偏离道路。
3.采用车道线的横向定位纠正技术就被广泛应用到多传感器融合定位中，通过使用感知模块提取出的车道线，并与高精地图中的车道线进行匹配，以保障自动驾驶车辆不偏出车道。相关技术中的车道线匹配算法主要包括：
4.方法一，采用基于点云匹配的算法，通过利用图像分割得到的车道线的像素点生成的点云与高精地图的车道线生成的虚拟点云进行匹配。但是，在当前路段车道线数量多和/或图像中车道线识别不全的情况下会产生错误匹配。
5.方法二，采用基于车道线识别算法生成的车道线方程(车道线类型+车道线颜色)与高精地图的车道线生成的方程进行匹配。然而，需要很大的标注成本以及对模型精度要求高，而且会由于车辆遮挡、光照等原因，导致结果不准确。


技术实现要素：

6.本技术实施例提供了车道线定位方法以及相关装置，以降低标注成本，提高车道线匹配的正确率。
7.本技术实施例采用下述技术方案：
8.第一方面，本技术实施例提供一种车道线定位方法，其中，所述方法包括：
9.根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜色、车道线类型、车道拓扑关系；
10.将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到；
11.基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道；
12.根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
13.在一些实施例中，所述确定车辆所在车道可基于多种匹配策略中的至少一种，多种匹配策略包括：基于车道颜色的匹配策略、基于车道拓扑关系的匹配策略、基于车道变道判断的匹配策略，所述确定车辆所在车道，包括：
14.根据所述多种匹配策略的输出结果的置信度，确定所述自车当前所在车道；
15.或者，所述多种匹配策略的输出结果中两个或多个结果相同时，确定所述自车当前所在车道。
16.在一些实施例中，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道，包括：
17.根据所述车道线信息中所述车道线颜色的匹配结果，设定所述当前行驶道路的车道线信息中的车道线颜色的颜色类别；
18.根据所述车道线颜色的颜色类别的数量，对经过全景分割后得到分割结果的车道线中的原始像素点进行聚类；
19.根据聚类结果，对全景分割出的车道线进行颜色赋值；
20.根据颜色赋值结果对车道线进行匹配，计算所述车辆当前所在车道的颜色。
21.在一些实施例中，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息的匹配结果，确定车辆所在车道，包括：
22.根据所述高精地图数据提取的车道线拓扑关系以及所述经过全景分割后得到的分割结果中的可行驶区域、路肩以及车道线，计算出最右侧车道；
23.如果图像中的可行驶区域包含整条道路的可行驶区域，则计算出车辆距离最右侧车道的边缘；
24.根据所述车辆距离最右侧车道的边缘，所述车辆当前所在车道。
25.在一些实施例中，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息的匹配结果，确定车辆所在车道全景分割，还包括：
26.基于所述车道线信息的匹配结果确定上一时刻车辆所在车道信息以及车辆的航向角变化率信息，判断当前时刻车辆是否进行变道操作；
27.根据变道操作判断结果匹配出车辆当前时刻的所在车道，确定所述车辆当前所在车道。
28.在一些实施例中，所述方法还包括：如果车辆配置有动态物体检测模块，则使用所述动态物体检测模块的检测结果对经全景分割后得到分割结果中的车道线进行处理，确定车道线类型是否为虚线；在所述车道线类型为虚线的情况下，将所述当前行驶道路的车道线信息中为虚线的车道线类型与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配。在一些实施例中，在所述根据车辆组合导航模块中提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的所有车道线信息之前，还包括：
29.在车辆组合导航模块中的rtk为固定解时，计算当前车道线匹配算法的横向纠正误差参数，所述rtk为固定解时所述车辆的组合导航模块的定位状态为可用状态；
30.在车辆当前的组合导航模块的定位状态为可用状态且在预设航迹推演的时间阈值范围内时，根据横向纠正误差参数开启基于车道线匹配的车辆位置的横向定位纠正。
31.第二方面，本技术实施例还提供一种车道线定位装置，其中，所述装置包括：
32.提取模块，用于根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜
色、车道线类型、车道拓扑关系；
33.匹配模块，用于将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到；
34.车道确定模块，用于基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道；
35.定位纠正模块，用于根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
36.第三方面，本技术实施例还提供一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行上述方法。
37.第四方面，本技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被包括多个应用程序的电子设备执行时，使得所述电子设备执行上述方法。
38.本技术实施例采用的上述至少一个技术方案能够达到以下有益效果：
39.采用高精地图数据中提取当前行驶道路的所有车道线信息作为先验，匹配当前行驶道路经过全景分割后得到的车道线信息。从而避免了纯分割模型的信息不足或识别模型的错误颜色/类别分类。同时，基于经过全景分割后得到的分割结果以及所述车道线信息的匹配结果可以减少车道线识别、分类时所需的人工标注成本，并结合多种匹配策略计算车辆所在车道，消除了单一策略带来的不确定性。最后，根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
附图说明
40.此处所说明的附图用来提供对本技术的进一步理解，构成本技术的一部分，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
41.图1为本技术实施例中车道线定位方法流程示意图；
42.图2为本技术实施例中车道线定位装置结构示意图；
43.图3为本技术实施例中一种电子设备的结构示意图。
具体实施方式
44.为使本技术的目的、技术方案和优点更加清楚，下面将结合本技术具体实施例及相应的附图对本技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术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，都属于本技术保护的范围。
45.以下结合附图，详细说明本技术各实施例提供的技术方案。
46.本技术实施例提供了一种用于自动驾驶的车道线定位方法，如图1所示，提供了本技术实施例中用于自动驾驶的车道线定位方法流程示意图，所述方法至少包括如下的步骤s210至步骤s240：
47.步骤s210，根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高
精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜色、车道线类型、车道拓扑关系。
48.可以理解，采用基于车道线的横向定位纠正方法(算法)，可以保障自动驾驶车辆不偏出车道。而车辆组合导航模块imu+gps/rtk得到的定位信息需要是可用或者在航迹推演的过程中的误差是可以调节的，此时基于车道线的横向定位纠正方法(算法)才会有效。
49.在本技术的一个实施例中，所述对车辆位置的横向定位纠正之前，还包括：在车辆组合导航模块中的rtk为固定解时，计算当前车道线匹配算法的横向纠正误差参数，所述rtk状态为固定解时所述车辆的组合导航模块的定位状态为可用状态；在车辆当前的组合导航模块的定位状态为可用状态且在预设航迹推演的时间阈值范围内时，根据横向纠正误差参数开启基于车道线匹配的车辆位置的横向定位纠正。
50.具体实施时，根据gnss信号良好的情况，判断rtk状态为固定解时，车辆组合导航模块的定位信息是可用的。此时计算当前车道线匹配算法的横向纠正的误差，并且可按照实际情况进行误差的更新。也就是说，为了自适应相机内外参数引入的横向纠正误差err。
51.进一步地，根据实际测试的统计结果(历史数据)，计算航迹推演的时间阈值thre_dr，也就是说，对于车辆组合导航模块中imu的航迹推演在多长时间内的误差可由车道线匹配算法纠正回来，并根据这个误差范围进行车道线匹配。
52.可以理解，如果超出误差，则认为无法纠正，定位信息时效。
53.需要注意的是，在航迹推演状态下，累计误差会导致超出阈值后，车辆轨迹不规则的大幅度偏移，此时无法纠正。另外，对于rtk在单点或浮点解的情况下，车辆虽然会有米级偏移，但在自动驾驶车辆在不偏或少量偏出道路的情况下，也是可以纠正回来。
54.最后，需要根据当前的车辆组合导航模块的定位状态好坏(在预设误差范围内或定位精度精确到厘米/毫米级)或者根据实际需求，开启车道线匹配算法计算横向纠正。可以理解，当车辆组合导航模块的定位状态为可用即rtk状态为固定解时，无需进行横向纠正。当车辆组合导航模块的定位状态为不可用时，需要进行横向纠正。
55.此时，在车道线匹配算法已初始化成功，已经计算出横向纠正误差err，后续也不再更新横向纠正误差err，并且后续需要一直使用横向纠正功能。
56.在经过前述预先判断后，根据车辆组合导航模块中的定位信息以及车辆当前行驶方向可以在高精地图数据中提取当前行驶道路的所有车道线信息。
57.此时，高精地图数据是使用预先采集并制作的预设行驶区域范围内的高精地图数据。即接收当前的组合导航模块收到的定位信息，根据此定位信息以及车辆行驶方向，提取出高精地图数据中当前车道的所有车道线信息。
58.示例性的，结合车辆行驶方向为了防止在车辆位置偏出到对向车道。在高精地图数据中提取的是基于定位信息(厘米/毫米级的定位精度)对应的当前行驶道路上的所有车道线信息。这些车道线信息包括了车道线的类型以及颜色。车道线的类型主要包括但不限于实线、虚线。车道线的颜色主要包括但不限于白色、黄色。通常场景下，实线、虚线、白色、黄色均会出现。
59.步骤s220，将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到。
60.按照所述当前行驶道路的所有车道线信息作为先验条件，匹配当前行驶道路经过全景分割后得到的车道线信息。也就是说，针对当前行驶道路上的每一帧图像的全景分割结果，以所述当前行驶道路的所有车道线信息作为先验条件，可以匹配所述车道线信息。如前所述，这里的车道线信息可能包含实线、虚线、白色、黄色等不同的车道线类型以及颜色的情况。
61.而使用高精地图的车道线数据作为全景分割后的先验条件，对车道线的类型以及颜色进行计算匹配，避免了纯语义分割模型的信息不足或语义识别模型的错误颜色分类。
62.示例性的，对于每帧图像做全景分割结果，得到的分割结果结合所述当前行驶道路的所有车道线信息作为先验条件，再次对分割结果中的车道线信息进行匹配计算，得到对应的车道线颜色以及颜色数量、车道线类型以及类型数量。
63.需要注意的是，全景分割后得到的分割结果即包含了当前帧图像中的所有元素的语义分割结果。其中有针对车道线的分割结果。
64.步骤s230，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道。
65.针对上述车道线信息匹配结果，基于经过全景分割后得到的分割结果计算并确定出所述车辆所在车道。也就是说，可以结合全景分割后得到的分割结果中的不同的分割结果以及车道线信息匹配结果，确定所述车辆当前在哪个车道上。这里通过使用高精地图数据以及全景分割后得到的分割结果可行驶区域、路肩)作为先验信息，大大减少了车道线识别/分类的人工标注成本。在车道线识别的过程中可以接触上述的分割集合以及高精地图数据，准确地得到匹配结果。
66.进一步地，可以根据实际情况，选择不同的匹配策略，从而满足不同的场景。比如，在车道线类型区别明显时可以优先使用车道线类型的匹配策略，同理，车道线颜色区别明显时可以优先使用车道线颜色的匹配策略。通过采用多种匹配策略结合，消除了单一策略带来的不确定性。
67.需要注意的是，全景分割后得到的分割结果中即包含了当前帧图像中的所有元素的语义分割结果，包括但不限于可行驶区域、路肩分割结果以及车道线分割结果。
68.步骤s240，根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
69.在计算确定得到所述车辆所在车道之后，根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。即车道选择后，可使用点云匹配算法进行车道线匹配，对车辆横向位置以及航向角进行纠正。
70.通过上述的车道线定位方法，可以减少人工标注车道线的成本，同时对于图像分割后的结果与高精地图中的先验知识进行了更加准确的匹配，从而提高车道线识别的准确率。
71.在本技术的一个实施例中，所述确定车辆所在车道可基于多种匹配策略中的至少一种，多种匹配策略包括：基于车道颜色的匹配策略、基于车道拓扑关系的匹配策略、基于车道变道判断的匹配策略，所述确定车辆所在车道，包括：根据所述多种匹配策略的输出结果的置信度，确定所述自车当前所在车道；或者，所述多种匹配策略的输出结果中两个或多
个结果相同时，确定所述自车当前所在车道。
72.具体实施时，通常可以将根据匹配策略计算得到多个车道所在车道的结果，之后可以根据所述多种匹配策略的输出结果的置信度(如果是有且仅有高置信度)，确定所述自车当前所在车道。
73.在一些实施例中，所述多种匹配策略的输出结果中满足任一两个或多个结果相同时(无法通过置信度直接判断，但有两个以上属于相同车道的结果)，才能确定所述自车当前所在车道。
74.对于这些匹配策略并不用预先设置权重，而是将每个策略都计算出来并根据实际情况进行判断。在选择并确定出车辆在哪个车道之后，即可以根据车道线匹配结果，进行横向校正。
75.在本技术的一个实施例中，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道，包括：
76.根据所述车道线信息中所述车道线颜色的匹配结果，设定所述当前行驶道路的车道线信息中的车道线颜色的颜色类别；根据所述车道线颜色的颜色类别的数量，对经过全景分割后得到分割结果的车道线中的原始像素点进行聚类；根据聚类结果，对全景分割出的车道线进行颜色赋值；根据颜色赋值结果对车道线进行匹配，计算所述车辆当前所在车道的颜色。
77.具体实施时，根据所述车道线信息中车道线颜色(黄色，白色)的匹配结果，设定所述当前行驶道路的车道线信息中的车道线颜色的颜色类别(考虑到大部分场景下会有白色和黄色两种类型或只有白色一种类型)。然后，根据所述车道线颜色的颜色类别的数量(颜色类别有几种就有几组对应的数量)，对经过全景分割后得到的车道线中的原始像素点进行聚类。需要注意的是，这里是针对全景分割后得到的车道线中的原始像素点按照颜色进行聚类，通常可以在hsv空间下进行。
78.进一步地，根据聚类结果，对全景分割出的车道线进行颜色赋值，经过颜色赋值后便于进行车道线匹配，最后计算出所述车辆当前所在车道的颜色，在具体车道线匹配算法中可用参数l_color表示。
79.在本技术的一个实施例中，基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息的匹配结果，确定车辆所在车道，包括：根据所述高精地图数据提取的车道线拓扑关系以及所述经过全景分割后得到的分割结果中的可行驶区域、路肩以及车道线，计算出最右侧车道；如果图像中的可行驶区域包含整条道路的可行驶区域，则计算出车辆距离最右侧车道的边缘；根据所述车辆距离最右侧车道的边缘，所述车辆当前所在车道。
80.具体实施时，根据所述高精地图数据提取的车道线拓扑关系(拓扑关系与实际车道线一致，比如多条同向车道时)以及经过全景分割后得到的分割结果(语义分割后的像素区域)中的可行驶区域、路肩分割结果以及车道线分割结果，计算出最右侧车道。根据分割出的可行驶区域、路肩以及车道线，结合高精地图中提取出的车道线拓扑关系，进行车辆最右侧车道的计算，如果图像包含整个道路的可行驶区域，则根据最右侧的车道线匹配关系计算车辆所在车道，在具体车道线匹配算法中可用参数l_freespace表示。
81.可以理解，所述自车距离最右侧车道边缘可以是路肩，也可以是最右侧车道线。
82.在一些实施例中，可根据可行驶区域的形状判断图像是否包含整个道路的可行驶区域，如果包含，则可行驶区域最右侧边线或者路肩会指向灭点，从而确定出图像是否包含整个道路的可行驶区域。
83.这里需要说明，考虑到车辆行驶为靠右行驶，而通常最右侧车道线由于物体遮挡、自身磨损等原因，检测率较低(漏检或者错检)。此时，可以利用最右侧车道，如果能够计算出当前最右侧车道，则可以根据车道线的相关关系，确定车辆实际所在的车道。
84.此外，对于车道线信息中的车道类型的匹配方式，存在被遮挡而对检测结果造成影响。在本技术的一个实施例中，所述方法还包括：如果车辆配置有动态物体检测模块，则使用所述动态物体检测模块的检测结果对经全景分割后得到分割结果中的车道线进行处理，确定车道线类型是否为虚线；在所述车道线类型为虚线的情况下，将所述当前行驶道路的车道线信息中为虚线的车道线类型与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配。
85.此时，考虑到如前所述车道线类型匹配计算会受到动态物体的影响，需要额外的动态物体检测模型，会增加算力需求。如果车辆配置有动态物体检测模块，则使用所述动态物体检测模块的检测结果对经全景分割后得到的车道线进行处理，确定车道线类型是否为虚线或实线。可以理解，考虑到算力车道线类型匹配可作为可选条件使用。
86.在本技术的一个实施例中，所述基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息的匹配结果，确定车辆所在车道全景分割，还包括：基于所述车道线信息的匹配结果确定上一时刻车辆所在车道信息以及车辆的航向角变化率信息，判断当前时刻车辆是否进行变道操作；根据变道操作判断结果匹配出车辆当前时刻的所在车道，确定所述车辆当前所在车道。
87.具体实施时，还可以根据所述车道线信息的匹配结果以及上一时刻车道信息以及车辆的航向角变化率yawrate信息(这些信息可以表征车辆是否发生转向)，通过判断当前时刻车辆是否至少进行变道操作，之后根据变道操作结果匹配出车辆当前时刻的所在车道，确定所述车辆当前所在车道。
88.在一些实施例中，车辆可能保持车道未发生变道，则确定所述车辆当前所在车道为原始车道。
89.在一些实施例中，车辆可能未保持车道，发生了变道，则确定所述车辆变道后的车道为变道后的车道。
90.可以理解，上述车道颜色、车道类型以及是否改变车道的匹配过程均为实时且同步计算的，且在满足条件之后则得到车道确定结果。
91.上述方法，使用高精地图数据作为先验条件对当前行驶道路上的车道线进行匹配(匹配时会提供当前道路的车道线颜色数量，以确定分割后的车道线进行颜色类别匹配)，结合全景分割后的车道线以及可行驶区域信息进行自车道路定位，最后使用icp点云匹配方法进行横向位置纠正。考虑到在gnss信号收到干扰的情况下，定位结果会产生较大的误差，导致自动驾驶车辆的定位会偏出车道，甚至偏离道路。所以采用本技术中的方法，基于车道线对车辆位置进行横向位置纠正。
92.本技术实施例还提供了用于自动驾驶的车道线定位装置200，如图2所示，提供了
本技术实施例中用于自动驾驶的车道线定位装置的结构示意图，所述用于自动驾驶的车道线定位装置200至少包括：提取模块210、匹配模块220、车道确定模块230以及定位纠正模块240，其中：
93.在本技术的一个实施例中，所述提取模块210具体用于：根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜色、车道线类型、车道拓扑关系。
94.可以理解，采用基于车道线的横向定位纠正方法(算法)，可以保障自动驾驶车辆不偏出车道。而车辆组合导航模块imu+gps/rtk得到的定位信息需要是可用或者在航迹推演的过程中的误差是可以调节的，此时基于车道线的横向定位纠正方法(算法)才会有效。
95.在本技术的一个实施例中，所述对车辆位置的横向定位纠正之前，还包括：在在车辆组合导航模块中的rtk状态为固定解时，计算当前车道线匹配算法的横向纠正误差参数，所述rtk状态为固定解时所述车辆的组合导航模块的定位状态为可用状态；在车辆当前的组合导航模块的定位状态为可用状态且在预设航迹推演的时间阈值范围内时，根据横向纠正误差参数开启基于车道线匹配的车辆位置的横向定位纠正。
96.具体实施时，在rtk状态为固定解时，车辆组合导航模块的定位信息是可用的。此时计算当前车道线匹配算法的横向纠正的误差，并且可按照实际情况进行误差的更新。也就是说，为了自适应相机内外参数引入的横向纠正误差err。
97.进一步地，根据实际测试的统计结果(历史数据)，计算航迹推演的时间阈值thre_dr，也就是说，对于车辆组合导航模块中imu的航迹推演在多长时间内的误差可由车道线匹配算法纠正回来，并根据这个误差范围进行车道线匹配。
98.可以理解，如果超出误差，则认为无法纠正，定位信息时效。
99.需要注意的是，在航迹推演状态下，累计误差会导致超出阈值后，车辆轨迹不规则的大幅度偏移，此时无法纠正。另外，对于rtk在单点或浮点解的情况下，车辆虽然会有米级偏移，但在自动驾驶车辆在不偏或少量偏出道路的情况下，也是可以纠正回来。
100.最后，需要根据当前的车辆组合导航模块的定位状态好坏(在预设误差范围内或定位精度精确到厘米/毫米级)或者根据实际需求，开启车道线匹配算法计算横向纠正。可以理解，当车辆组合导航模块的定位状态为可用即rtk状态为固定解时，无需进行横向纠正。当车辆组合导航模块的定位状态为不可用时，需要进行横向纠正。
101.此时，在车道线匹配算法已初始化成功，已经计算出横向纠正误差err，后续也不再更新横向纠正误差err，并且后续需要一直使用横向纠正功能。
102.在经过前述预先判断后，根据车辆组合导航模块中的定位信息以及车辆当前行驶方向可以在高精地图数据中提取当前行驶道路的所有车道线信息。
103.此时，高精地图数据是使用预先采集并制作的预设行驶区域范围内的高精地图数据。即接收当前的组合导航模块收到的定位信息，根据此定位信息以及车辆行驶方向，提取出高精地图数据中当前车道的所有车道线信息。
104.示例性的，结合车辆行驶方向为了防止在车辆位置偏出到对向车道。在高精地图数据中提取的是基于定位信息(厘米/毫米级的定位精度)对应的当前行驶道路上的所有车道线信息。这些车道线信息包括了车道线的类型以及颜色。车道线的类型主要包括但不限于实线、虚线。车道线的颜色主要包括但不限于白色、黄色。通常场景下，实线、虚线、白色、
黄色均会出现。
105.在本技术的一个实施例中，所述匹配模块220具体用于：将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到。
106.按照所述当前行驶道路的所有车道线信息作为先验条件，匹配当前行驶道路经过全景分割后得到的车道线信息。也就是说，针对当前行驶道路上的每一帧图像的全景分割结果，以所述当前行驶道路的所有车道线信息作为先验条件，可以匹配所述车道线信息。如前所述，这里的车道线信息可能包含实线、虚线、白色、黄色等不同的车道线类型以及颜色的情况。
107.而使用高精地图的车道线数据作为全景分割后的先验条件，对车道线的类型以及颜色进行计算匹配，避免了纯语义分割模型的信息不足或语义识别模型的错误颜色分类。
108.示例性的，对于每帧图像做全景分割结果，得到的分割结果结合所述当前行驶道路的所有车道线信息作为先验条件，再次对分割结果中的车道线信息进行匹配计算，得到对应的车道线颜色以及颜色数量、车道线类型以及类型数量。
109.需要注意的是，全景分割后得到的分割结果即包含了当前帧图像中的所有元素的语义分割结果。其中有针对车道线的分割结果。
110.在本技术的一个实施例中，所述车道确定模块230具体用于：基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道。
111.针对上述车道线信息匹配结果，基于经过全景分割后得到的分割结果计算并确定出所述车辆所在车道。也就是说，可以结合全景分割后得到的分割结果中的不同的分割结果以及车道线信息匹配结果，确定所述车辆当前在哪个车道上。这里通过使用高精地图数据以及全景分割后得到的分割结果可行驶区域、路肩作为先验信息，大大减少了车道线识别/分类的人工标注成本。在车道线识别的过程中可以接触上述的分割集合以及高精地图数据，准确地得到匹配结果。
112.进一步地，可以根据实际情况，选择不同的匹配策略，从而满足不同的场景。比如，在车道线类型区别明显时可以优先使用车道线类型的匹配策略，同理，车道线颜色区别明显时可以优先使用车道线颜色的匹配策略。通过采用多种匹配策略结合，消除了单一策略带来的不确定性。
113.需要注意的是，全景分割后得到的分割结果中即包含了当前帧图像中的所有元素的语义分割结果，包括但不限于可行驶区域、路肩分割结果以及车道线分割结果。
114.在本技术的一个实施例中，所述定位纠正模块240具体用于：根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
115.在计算确定得到所述车辆所在车道之后，根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。即车道选择后，可使用点云匹配算法进行车道线匹配，对车辆横向位置以及yaw航向角进行纠正。
116.通过上述的车道线定位装置，可以减少人工标注车道线的成本，同时对于图像分割后的结果与高精地图中的先验知识进行了更加准确的匹配，从而提高车道线识别的准确率。
117.能够理解，上述用于自动驾驶的车道线定位装置，能够实现前述实施例中提供的用于自动驾驶的车道线定位方法的各个步骤，关于用于自动驾驶的车道线定位方法的相关阐释均适用于用于自动驾驶的车道线定位装置，此处不再赘述。
118.图3是本技术的一个实施例电子设备的结构示意图。请参考图3，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(random-access memory，ram)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
119.处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是isa(industry standard architecture，工业标准体系结构)总线、pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
120.存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
121.处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成用于自动驾驶的车道线定位装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
122.根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜色、车道线类型、车道拓扑关系；
123.将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到；
124.基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道；
125.根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
126.上述如本技术图1所示实施例揭示的用于自动驾驶的车道线定位装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(central processing unit，cpu)、网络处理器(network processor，np)等；还可以是数字信号处理器(digital signal processor，dsp)、专用集成电路(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。可以实现或者执行本技术实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本技术实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位
于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
127.该电子设备还可执行图1中用于自动驾驶的车道线定位装置执行的方法，并实现用于自动驾驶的车道线定位装置在图1所示实施例的功能，本技术实施例在此不再赘述。
128.本技术实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，能够使该电子设备执行图1所示实施例中用于自动驾驶的车道线定位装置执行的方法，并具体用于执行：
129.根据车辆组合导航模块提供的定位信息以及车辆当前行驶方向，在高精地图数据中提取当前行驶道路的车道线信息，所述车道线信息至少包括车道线颜色、车道线类型、车道拓扑关系；
130.将所述当前行驶道路的车道线信息与将所述当前行驶道路的图像经过全景分割后得到的分割结果进行匹配，所述当前行驶道路的图像根据车辆视觉感知模块得到；
131.基于所述当前行驶道路的车道线信息与所述将所述当前行驶道路的图像经过全景分割后得到的分割结果中的车道线信息全景分割的匹配结果，确定车辆所在车道；
132.根据所述车辆所在车道进行车道线点云匹配，实现对车辆位置的横向定位和航向角的纠正。
133.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
134.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
135.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
136.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
137.在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。
138.内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。内存是计算机可读介质的示例。
139.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
140.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
141.本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
142.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。