一种车道线匹配优化方法及装置与流程

1.本技术涉及自动驾驶技术领域，具体涉及一种车道线匹配优化方法及装置。


背景技术：

2.现阶段，在自动驾驶领域，进行车道线优化时，传统方法采用和差三角的方法多次迭代得到旋转矩阵r和偏移向量t，从而实现车道线优化工作。
3.但是，传统的和差三角方法需要设置固定的迭代次数和判断阈值，如果设置不当将无法得到正确的旋转矩阵和偏置向量，导致求解失败。
4.因此，为弥补现阶段车道线优化技术的缺陷，现提供一种新的车道线匹配优化技术，以满足自动驾驶需求。


技术实现要素：

5.本技术提供一种车道线匹配优化方法及装置，基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
6.为实现上述目的，本技术提供以下方案。
7.第一方面，本技术提供了一种车道线匹配优化方法，所述方法包括以下步骤：
8.获取车道线对应的摄像头采样点集以及地图采样点集的点集质心，并基于各自的所述点集质心，进行点集质心归一化处理；
9.基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值以及所述点集质心，获得偏置向量；
10.基于所述偏置向量，对所述地图采样点集对应的车道线信息进行转化，获得转化后车道线信息；
11.基于所述地图采样点集对应的转化后车道线信息以及所述摄像头采样点集对应的车道线信息，整合获得优化后车道线信息。
12.本技术中，基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
13.需要说明的是，车道线识别是智能驾驶感知中不可获取的一个工作，要求精准度高、延时低、错误率低等；
14.现阶段，车道线信息来源于摄像头或者高精度地图，但是两者各自均存在一定问题，摄像头识别到的车道线信息受光照影响大，容易出现误识别的情况，而高精度地图在使用时存在一定时间的延迟，这种延迟在高速行驶时尤为明显。
15.鉴于两者各自的缺陷，两者可以达到优势互补，摄像头延时低，高精度地图准确率高，所故而，需要采用一种有效的方法将两者的车道信息融合，得到更为可靠的车道线信息。
16.本技术中的车道线融合配准的车道线信息来源于摄像头和高精度地图，摄像头识
别到的车道线为三次拟合方程表示，输入有4个参数，高精度地图输入的车道线信息为零散点集，这些点由经度、维度和高度三维信息表示。高精度地图的输入的行点信息需要经过拟合得到使用三次拟合方程表示的车道线，然后再对摄像头车道线和高精度车道线的拟合曲线进行一定规则的采样，将摄像头车道线采样点集作为基准点集，将高精度地图车道线采样点集作为校准点集，得到点数相同的基准点集和校准点集，使点集各点一一对应，然后再使用本技术介绍的方法进行位姿配准。
17.具体的，所述基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值以及所述点集质心，获得偏置向量中，所述方法包括以下步骤：
18.基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值，构建协方差矩阵；
19.基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵；
20.基于所述旋转矩阵、点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集的所述点集质心，获得所述偏置向量。
21.具体的，所述基于所述地图采样点集对应的转化后车道线信息以及所述摄像头采样点集对应的车道线信息，整合获得优化后车道线信息中，所述方法包括以下步骤：
22.获取预设的车头距离阈值，获取所述摄像头采样点集对应的车道线信息中，在所述车头距离阈值范围内的车道线信息，记作第一车道线信息；
23.获取所述地图采样点集对应的转化后车道线信息中，超出所述车头距离阈值范围的车道线信息，记作第二车道线信息；
24.将所述第一车道线信息与所述第二车道线信息整合，获得所述优化后车道线信息。
25.具体的，所述基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵中，所述方法包括以下步骤：
26.基于所述协方差矩阵，进行奇异值分解，获得酉矩阵u和v；
27.基于两个所述酉矩阵，获得所述旋转矩阵。
28.具体的，所述方法配置有旋转矩阵第一公式，所述旋转矩阵第一公式为：
29.r＝vu
t
；其中，
30.r为所述旋转矩阵，u和v为所述酉矩阵。
31.具体的，所述方法配置有第一转化公式，所述第一转化公式为：
32.b＝ra+t；其中；
33.a为待矫正点集，b为目标点集，r为旋转矩阵，t为偏移向量。
34.第二方面，本技术提供了一种车道线匹配优化装置，所述装置包括：
35.点集处理模块，其用于获取车道线对应的摄像头采样点集以及地图采样点集的点集质心，并基于各自的所述点集质心，进行点集质心归一化处理；
36.偏置向量计算模块，其用于基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值以及所述点集质心，获得偏置向量；
37.车道线转化模块，其用于基于所述偏置向量，对所述地图采样点集对应的车道线信息进行转化，获得转化后车道线信息；
38.车道线整合模块，其用于基于所述地图采样点集对应的转化后车道线信息以及所
述摄像头采样点集对应的车道线信息，整合获得优化后车道线信息。
39.具体的，所述偏置向量计算模块还用于基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值，构建协方差矩阵；
40.所述偏置向量计算模块还用于基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵；
41.所述偏置向量计算模块还用于基于所述旋转矩阵、点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集的所述点集质心，获得所述偏置向量。
42.具体的，所述车道线整合模块还用于获取预设的车头距离阈值，获取所述摄像头采样点集对应的车道线信息中，在所述车头距离阈值范围内的车道线信息，记作第一车道线信息；
43.所述车道线整合模块还用于获取所述地图采样点集对应的转化后车道线信息中，超出所述车头距离阈值范围的车道线信息，记作第二车道线信息；
44.所述车道线整合模块还用于将所述第一车道线信息与所述第二车道线信息整合，获得所述优化后车道线信息。
45.具体的，所述偏置向量计算模块还用于基于所述协方差矩阵，进行奇异值分解，获得酉矩阵u和v；
46.所述偏置向量计算模块还用于基于两个所述酉矩阵，获得所述旋转矩阵。
47.具体的，所述装置配置有旋转矩阵第一公式，所述旋转矩阵第一公式为：
48.r＝vu
t
；其中，
49.r为所述旋转矩阵，u和v为所述酉矩阵。
50.具体的，所述装置配置有第一转化公式，所述第一转化公式为：
51.b＝ra+t；其中；
52.a为待矫正点集，b为目标点集，r为旋转矩阵，t为偏移向量。
53.本技术提供的技术方案带来的有益效果包括：
54.本技术基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
附图说明
55.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于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得其他的附图。
56.图1为本技术实施例中提供的车道线匹配优化方法的步骤流程图；
57.图2为本技术实施例中提供的传统车道线匹配技术的步骤流程图；
58.图3为本技术实施例中提供的车道线匹配优化方法中车道线融合配准流程图；
59.图4为本技术实施例中提供的车道线匹配优化方法中奇异值分解流程图；
60.图5为本技术实施例中提供的车道线匹配优化装置的结构框图。
具体实施方式
61.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术的一部分实施例，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的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。
62.以下结合附图对本技术的实施例作进一步详细说明。
63.本技术实施例提供一种车道线匹配优化方法及装置，基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
64.为达到上述技术效果，本技术的总体思路如下：
65.一种车道线匹配优化方法，该方法包括以下步骤：
66.s1、获取车道线对应的摄像头采样点集以及地图采样点集的点集质心，并基于各自的点集质心，进行点集质心归一化处理；
67.s2、基于点集质心归一化处理后的摄像头采样点集以及地图采样点集中各点的三维坐标值以及点集质心，获得偏置向量；
68.s3、基于偏置向量，对地图采样点集对应的车道线信息进行转化，获得转化后车道线信息；
69.s4、基于地图采样点集对应的转化后车道线信息以及摄像头采样点集对应的车道线信息，整合获得优化后车道线信息。
70.以下结合附图对本技术的实施例作进一步详细说明。
71.本技术实施例提供一种车道线匹配优化方法，该方法包括以下步骤：
72.s1、获取车道线对应的摄像头采样点集以及地图采样点集的点集质心，并基于各自的点集质心，进行点集质心归一化处理；
73.s2、基于点集质心归一化处理后的摄像头采样点集以及地图采样点集中各点的三维坐标值以及点集质心，获得偏置向量；
74.s3、基于偏置向量，对地图采样点集对应的车道线信息进行转化，获得转化后车道线信息；
75.s4、基于地图采样点集对应的转化后车道线信息以及摄像头采样点集对应的车道线信息，整合获得优化后车道线信息。
76.本技术实施例中，基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
77.其中，在自动驾驶领域，进行车道线优化时，传统方法采用和差三角的方法多次迭代得到旋转矩阵r和偏移向量t，从而实现车道线优化工作，具体的实现过程如说明书附图的图2所示，具体包括：
78.求取两点集质心；点集质心归一；求取旋转角度；求取旋转矩阵r；求取偏置向量t；求取参考点集；计算欧式距离；设置迭代次数阈值为n，欧式距离阈值为m，判断迭代次数如果小于n，则再判断欧式距离是否不大于m，如果不大于m，则结束迭代，此时求得的r和t为最终结果，如果大于m，则需要重新迭代，如果迭代次数不小于n，则结束迭代，此时求得的r和t
为最终结果。
79.传统的和差三角方法需要设置固定的迭代次数和判断阈值，如果设置不当将无法得到正确的旋转矩阵和偏置向量，导致求解失败；
80.相比之下，本技术实施例的技术方案解决了人为设定固定值的缺点，将求解过程简单化；
81.再者，可以达到求解最优转换矩阵的要求，且在引入噪声后也能完成求解任务。
82.需要说明的是，车道线识别是智能驾驶感知中不可获取的一个工作，要求精准度高、延时低、错误率低等；
83.现阶段，车道线信息来源于摄像头或者高精度地图，但是两者各自均存在一定问题，摄像头识别到的车道线信息受光照影响大，容易出现误识别的情况，而高精度地图在使用时存在一定时间的延迟，这种延迟在高速行驶时尤为明显。
84.鉴于两者各自的缺陷，两者可以达到优势互补，摄像头延时低，高精度地图准确率高，所故而，需要采用一种有效的方法将两者的车道信息融合，得到更为可靠的车道线信息。
85.本技术实施例中的车道线融合配准的具体流程如说明书附图的图3所示，车道线信息来源于摄像头和高精度地图，摄像头识别到的车道线为三次拟合方程表示，输入有4个参数，高精度地图输入的车道线信息为零散点集，这些点由经度、维度和高度三维信息表示。高精度地图的输入的行点信息需要经过拟合得到使用三次拟合方程表示的车道线，然后再对摄像头车道线和高精度车道线的拟合曲线进行一定规则的采样，将摄像头车道线采样点集作为基准点集，将高精度地图车道线采样点集作为校准点集，得到点数相同的基准点集和校准点集，使点集各点一一对应，然后再使用本技术介绍的方法进行位姿配准。
86.现对本技术使用的奇异值分解(singluar value decomposition，svd)方法介绍如下：
87.设两点集a和b，分别有n个点，在不考虑噪声的情况下，需要寻找旋转矩阵r和偏移向量t使得b＝ra+t，为了求得r和t，可以转化为求最小二乘法，即求损失函数的最小值，其流程如说明书附图的图4所示。
88.具体流程如下：
89.第一步，求两点集质心：
90.该两点集为基准点集和校准点集，对于应用在车道线融合的实际用例中，基准点集为摄像头识别到的车道线采样点集，校准点集为高精度地图车道线采样点集，通过求取各组点集的坐标平均值得到点集质心。
91.第二步，点集质心归一：
92.将上述求得的点集质心作为参考原点，可以得到各点的参考坐标，这个过程成为点集质心归一。
93.第三步，求取协方差矩阵：
94.对于三维点集，各点的坐标值用3个数值表示，点集个数为n，通过协方差的定义求出各维度之间的协方差数值，最后构成3*3的协方差矩阵。
95.第四步，求取旋转矩阵r：
96.通过对上述协方差矩阵进行奇异值分解得到酉矩阵u和v，通过公式r＝vu
t
可以得
到旋转矩阵r。
97.第五步，求取偏置向量t：
98.通过上述求得的旋转矩阵r和点集质心，可以求得偏置向量t。
99.通过上述第一步至第五步的过程可以得到旋转矩阵r和偏置向量t，通过这两个值可以实时的将高精度地图的车道线位置转化到摄像头识别到的车道线位置，近端仍然使用摄像头的车道线信息，远端使用高精度地图的车道线信息。
100.具体的，所述基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值以及所述点集质心，获得偏置向量中，所述方法包括以下步骤：
101.基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值，构建协方差矩阵；
102.基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵；
103.基于所述旋转矩阵、点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集的所述点集质心，获得所述偏置向量。
104.具体的，所述基于所述地图采样点集对应的转化后车道线信息以及所述摄像头采样点集对应的车道线信息，整合获得优化后车道线信息中，所述方法包括以下步骤：
105.获取预设的车头距离阈值，获取所述摄像头采样点集对应的车道线信息中，在所述车头距离阈值范围内的车道线信息，记作第一车道线信息；
106.获取所述地图采样点集对应的转化后车道线信息中，超出所述车头距离阈值范围的车道线信息，记作第二车道线信息；
107.将所述第一车道线信息与所述第二车道线信息整合，获得所述优化后车道线信息。
108.具体的，所述基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵中，所述方法包括以下步骤：
109.基于所述协方差矩阵，进行奇异值分解，获得酉矩阵u和v；
110.基于两个所述酉矩阵，获得所述旋转矩阵。
111.具体的，所述方法配置有旋转矩阵第一公式，所述旋转矩阵第一公式为：
112.r＝vu
t
；其中，
113.r为所述旋转矩阵，u和v为所述酉矩阵。
114.需要说明的是，r＝vu
t
中的t为矩阵转置符号。
115.具体的，所述方法配置有第一转化公式，所述第一转化公式为：
116.b＝ra+t；其中；
117.a为待矫正点集，b为目标点集，r为旋转矩阵，t为偏移向量。
118.基于与方法实施例相同的发明构思，本技术实施例提供一种车道线匹配优化装置，该装置包括：
119.点集处理模块，其用于获取车道线对应的摄像头采样点集以及地图采样点集的点集质心，并基于各自的所述点集质心，进行点集质心归一化处理；
120.偏置向量计算模块，其用于基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值以及所述点集质心，获得偏置向量；
121.车道线转化模块，其用于基于所述偏置向量，对所述地图采样点集对应的车道线
信息进行转化，获得转化后车道线信息；
122.车道线整合模块，其用于基于所述地图采样点集对应的转化后车道线信息以及所述摄像头采样点集对应的车道线信息，整合获得优化后车道线信息。
123.本技术实施例中，基于摄像头采样数据以及地图采样数据，掌握两者之间的数据差异，将两者进行整合，获得更合理的车道线信息，在实时性以及精准性层面均有一定程度的提升。
124.其中，在自动驾驶领域，进行车道线优化时，传统方法采用和差三角的方法多次迭代得到旋转矩阵r和偏移向量t，从而实现车道线优化工作，具体的实现过程如说明书附图的图2所示，具体包括：
125.求取两点集质心；点集质心归一；求取旋转角度；求取旋转矩阵r；求取偏置向量t；求取参考点集；计算欧式距离；设置迭代次数阈值为n，欧式距离阈值为m，判断迭代次数如果小于n，则再判断欧式距离是否不大于m，如果不大于m，则结束迭代，此时求得的r和t为最终结果，如果大于m，则需要重新迭代，如果迭代次数不小于n，则结束迭代，此时求得的r和t为最终结果。
126.传统的和差三角方法需要设置固定的迭代次数和判断阈值，如果设置不当将无法得到正确的旋转矩阵和偏置向量，导致求解失败；
127.相比之下，本技术实施例的技术方案解决了人为设定固定值的缺点，将求解过程简单化；
128.再者，可以达到求解最优转换矩阵的要求，且在引入噪声后也能完成求解任务。
129.需要说明的是，车道线识别是智能驾驶感知中不可获取的一个工作，要求精准度高、延时低、错误率低等；
130.现阶段，车道线信息来源于摄像头或者高精度地图，但是两者各自均存在一定问题，摄像头识别到的车道线信息受光照影响大，容易出现误识别的情况，而高精度地图在使用时存在一定时间的延迟，这种延迟在高速行驶时尤为明显。
131.鉴于两者各自的缺陷，两者可以达到优势互补，摄像头延时低，高精度地图准确率高，所故而，需要采用一种有效的方法将两者的车道信息融合，得到更为可靠的车道线信息。
132.本技术实施例中的车道线融合配准的具体流程如说明书附图的图3所示，车道线信息来源于摄像头和高精度地图，摄像头识别到的车道线为三次拟合方程表示，输入有4个参数，高精度地图输入的车道线信息为零散点集，这些点由经度、维度和高度三维信息表示。高精度地图的输入的行点信息需要经过拟合得到使用三次拟合方程表示的车道线，然后再对摄像头车道线和高精度车道线的拟合曲线进行一定规则的采样，将摄像头车道线采样点集作为基准点集，将高精度地图车道线采样点集作为校准点集，得到点数相同的基准点集和校准点集，使点集各点一一对应，然后再使用本技术介绍的方法进行位姿配准。
133.现对本技术使用的奇异值分解(singluar value decomposition，svd)方法介绍如下：
134.设两点集a和b，分别有n个点，在不考虑噪声的情况下，需要寻找旋转矩阵r和偏移向量t使得b＝ra+t，为了求得r和t，可以转化为求最小二乘法，即求损失函数的最小值，其流程如说明书附图的图4所示。
135.具体流程如下：
136.第一步，求两点集质心：
137.该两点集为基准点集和校准点集，对于应用在车道线融合的实际用例中，基准点集为摄像头识别到的车道线采样点集，校准点集为高精度地图车道线采样点集，通过求取各组点集的坐标平均值得到点集质心。
138.第二步，点集质心归一：
139.将上述求得的点集质心作为参考原点，可以得到各点的参考坐标，这个过程成为点集质心归一。
140.第三步，求取协方差矩阵：
141.对于三维点集，各点的坐标值用3个数值表示，点集个数为n，通过协方差的定义求出各维度之间的协方差数值，最后构成3*3的协方差矩阵。
142.第四步，求取旋转矩阵r：通
143.过对上述协方差矩阵进行奇异值分解得到酉矩阵u和v，通过公式r＝vu
t
可以得到旋转矩阵r。
144.第五步，求取偏置向量t：
145.通过上述求得的旋转矩阵r和点集质心，可以求得偏置向量t。
146.通过上述第一步至第五步的过程可以得到旋转矩阵r和偏置向量t，通过这两个值可以实时的将高精度地图的车道线位置转化到摄像头识别到的车道线位置，近端仍然使用摄像头的车道线信息，远端使用高精度地图的车道线信息。
147.具体的，所述偏置向量计算模块还用于基于点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集中各点的三维坐标值，构建协方差矩阵；
148.所述偏置向量计算模块还用于基于所述协方差矩阵，进行奇异值分解，获得旋转矩阵；
149.所述偏置向量计算模块还用于基于所述旋转矩阵、点集质心归一化处理后的所述摄像头采样点集以及所述地图采样点集的所述点集质心，获得所述偏置向量。
150.具体的，所述车道线整合模块还用于获取预设的车头距离阈值，获取所述摄像头采样点集对应的车道线信息中，在所述车头距离阈值范围内的车道线信息，记作第一车道线信息；
151.所述车道线整合模块还用于获取所述地图采样点集对应的转化后车道线信息中，超出所述车头距离阈值范围的车道线信息，记作第二车道线信息；
152.所述车道线整合模块还用于将所述第一车道线信息与所述第二车道线信息整合，获得所述优化后车道线信息。
153.具体的，所述偏置向量计算模块还用于基于所述协方差矩阵，进行奇异值分解，获得酉矩阵u和v；
154.所述偏置向量计算模块还用于基于两个所述酉矩阵，获得所述旋转矩阵。
155.具体的，所述装置配置有旋转矩阵第一公式，所述旋转矩阵第一公式为：
156.r＝vu
t
；其中，
157.r为所述旋转矩阵，u和v为所述酉矩阵。
158.具体的，所述装置配置有第一转化公式，所述第一转化公式为：
159.b＝ra+t；其中；
160.a为待矫正点集，b为目标点集，r为旋转矩阵，t为偏移向量。
161.需要说明的是，本技术实施例提供的车道线匹配优化装置，其对应的技术问题、技术手段以及技术效果，从原理层面与车道线匹配优化方法的原理类似。
162.需要说明的是，在本技术中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
163.以上仅是本技术的具体实施方式，使本领域技术人员能够理解或实现本技术。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。