一种车道线优化方法、装置及存储介质与流程

本发明涉及数据处理领域，尤其涉及一种车道线优化方法、装置及存储介质。

背景技术：

自动驾驶中的高精度地图制作是实现自动驾驶中的必要前提，在当前大数据应用的环境下，众包更新进行高精度地图制作将成为后续主要发展方向。由于众包数据中车道线精度不一，为精度要求要达到自动驾驶的标准，需要对车道线进行优化。

目前，针对众包采集的的车道线数据，通常会基于相机参数或以交通标志为参考物，通过既定的优化算法对车道线进行优化或重构，此方法可以较好的对车道线进行优化重绘，但对于由众包车采集得到大量车道线数据，现有的优化算法难以满足速度要求，优化处理效率较低。

技术实现要素：

有鉴于此，本发明实施例提供了一种车道线优化方法、装置及存储介质，以解决现有优化算法获取并优化车道线效率较低的问题。

在本发明实施例的第一方面，提供了一种车道线优化方法，包括：

获取原始车道线，对所述原始车道线参数化，并分别建立所述原始车道线的前差分、后差分及中心差分的差分模型；

将所述差分模型代入泰勒公式中，求取车道线的观测方程；

基于车道线前后位置的观测方程通过ba图优化算法优化车道线参数。

在本发明实施例的第二方面，提供了一种装置，包括：

构建模块，用于获取原始车道线，对所述原始车道线参数化，并分别建立所述原始车道线的前差分、后差分及中心差分的差分模型；

计算模块，用于将所述差分模型代入泰勒公式中，求取车道线的观测方程；

优化模块，用于基于车道线前后位置的观测方程通过ba图优化算法优化车道线参数。

在本发明实施例的第三方面，提供了一种装置，包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。

在本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。

本发明实施例中，对原始车道线参数化后，建立差分方程，基于差分方程和泰勒方程，求取观测方程，基于车道线当前位置对下一位置的观测，通过ba图优化算法优化车道线。解决了传统车道线优化算法优化效率较低的问题，根据构建的观测方程及ba图优化，可以对大量级的车道线数据进行优化,提升车道线精度，同时保障优化效率,具有较强实用性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单介绍，显而易见地，下面描述的附图仅仅是本发明的一些实施例，对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取其他附图。

图1为本发明实施例一提供的车道线优化方法的流程示意图；

图2为本发明实施例二提供的车道线优化装置的结构示意图；

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围。

实施例一：

请参阅图1，本发明实施例提供的一种车道线优化方法的流程示意图，包括：

s101、获取原始车道线，对所述原始车道线参数化，并分别建立所述原始车道线的前差分、后差分及中心差分的差分模型；

所述原始车道线为从采集车辆采集的众包数据中提取的车道线数据，一般为基于车道线图像提取的车道线，在所述原始车道线中基于车道线采集位置及采集车辆航向角，可以建立车道线的平面坐标系，计算车道线方向角。

优选的，对所述原始车道线分类并序列化，得到具有预定顺序的原始车道线。收集同一区域的车道线，对各车道线分类，并以此编号排序，排序可以可根据车道线采集时间或车道线位置，或其他可以对车道线序列化的排列方法，在此不作限定。

对所述原始车道线参数化，简化为一个向量，示例性的，车道线向量包括起点坐标(xs,ys)、终点坐标(xe,ye)、车道线方向角θ，取车道线向量的中点及tan(θ)表示车道线。

可选的，分别设定k-1时车道线位置为(xk-1,yk-1)、设定k时车道线位置为(xk,yk)、设定k+1时车道线位置为(xk+1,yk+1)；

根据k到k+1时刻的车道线位置变化，建立n阶前差分模型为：

根据k到k-1时刻的车道线位置变化，建立n阶后差分模型为：

根据k-1到k+1时刻的车道线位置变化，建立n阶中心差分模型为：

s102、将所述差分模型代入泰勒公式中，求取车道线的观测方程；

所述泰勒公式，可以用以一个函数在某点的信息，描述该点附近取值的信息，一般n阶泰勒公式形式为：

观测量设为平面坐标系y轴上坐标位置，将差分模型公式代入泰勒公式中，根据泰勒级数对应的几级求导，可以得到不同阶的车道线观测方程。

s103、基于车道线前后位置的观测方程通过ba图优化算法优化车道线参数。

所述ba(bundleadjustment)图优化算法，即光束平差法(或称束调整、捆集调整)，用于减少观测图像的点和参考图像的点之间位置投影变换误差。通过ba算法，在图优化的基础上，基于观测值与预测值的误差，对车道线待优化变量(x,y,θ)进行优化。

具体的，根据当前车道线采集位置对下一车道线采集位置的观测，建立观测方程；通过ba图优化算法建立图优化模型后，通过非线性最小二乘法得到优化参数变量。

本实施例提供的方法，建立差分方程并代入泰勒公式，得到车道线当前位置对不同位置的观测方程，进而利用ba图优化算法优化车道线参数。该方法基于建立的优化模型，可以对大量的车道线进行优化，保障效率与准确度。

应理解，上述实施例中各步骤的序号大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定，

实施例二：

图2为本发明实施例二提供的一种车道线优化装置的结构示意图，该装置包括：

构建模块210，用于获取原始车道线，对所述原始车道线参数化，并分别建立所述原始车道线的前差分、后差分及中心差分的差分模型；

可选的，所述构建模块210还包括：

预处理模块，用于对所述原始车道线分类并序列化，得到具有预定顺序的原始车道线。

计算模块220，用于将所述差分模型代入泰勒公式中，求取车道线的观测方程；

可选的，所述对所述原始车道线参数化，并分别建立所述原始车道线的前差分、后差分及中心差分的差分模型包括：

分别设定k-1时车道线位置为(xk-1,yk-1)、设定k时车道线位置为(xk,yk)、设定k+1时车道线位置为(xk+1,yk+1)；

根据k到k+1时刻的车道线位置变化，建立n阶前差分模型为：

根据k到k-1时刻的车道线位置变化，建立n阶后差分模型为：

根据k-1到k+1时刻的车道线位置变化，建立n阶中心差分模型为：

优化模块230，用于基于车道线前后位置的观测方程通过ba图优化算法优化车道线参数。

可选的，所述优化模块230还包括：

建立单元，用于根据当前车道线采集位置对下一车道线采集位置的观测，建立观测方程；

求解单元，用于通过ba图优化算法建立图优化模型后，通过非线性最小二乘法得到优化参数变量。

通过本实施例的装置，利用构建模块、计算模块及优化模块相互配合，可以提升车道线优化效率，解决传统优化算法效率低的问题。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，包括步骤s101至s103，所述的存储介质包括如：rom/ram、磁碟、光盘等。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。