确定道路边沿的装置和方法与流程

本发明属于智能汽车技术领域，涉及基于道路边沿旁边的静止目标确定道路边沿的装置和方法。

背景技术：

自动驾驶（包含辅助驾驶）是智能汽车发展的重要方向，并且越来越多的车辆中开始应用自动驾驶系统来实现车辆的自动驾驶功能。通常地，自动驾驶系统能需要随时地确定车辆的可行驶区域，在确定可行驶区域的过程中，一个重要的方面是需要确定出当前行驶道路的道路边沿。

目前，自动驾驶系统中通常是通过图像传感器（例如安装在车辆上的摄像头）所采集的包括车道线的图像来确定道路边沿的，其中，道路边沿是基于实时采集的图像中的车道线的图像处理来确定的。这种确定道路边沿的技术存在以下问题的至少一方面：

第一方面，必须依赖于车道的车道线，对于车道线模糊、车道线部分缺失或者车道线完全不存在的道路，是难以确定道路边沿的，或者确定的道路边沿是较大地偏离真实道路边沿；

第二方面，这种确定道路边沿的技术是基于图像传感器来实现的，然而在实际应用中，图像传感器在近距离图像和远距离图像上所承载的信息量有所差异。一般地，就图像上两个像素点之间代表的实际物理距离来说，图像传感器镜头中心点附近距离比镜头边界区更小，这样，容易带来对远距离的车道线识别能力差的问题，也即，远距离（相对于车辆）的道路边沿的确定或检测是不准确的。

技术实现要素：

本发明要解决的技术问题的至少一方面或者其他技术问题本发明提供以下技术方案。

按照本发明的一方面，提供一种确定道路边沿的装置，其包括：

安装在车辆上的雷达探测器，其至少能够检测车辆所在道路的道路边沿旁边的静止目标；和

处理部件，其被配置为：接收所述雷达探测器所检测的静止目标并提取出相对道路大致规则排列的静止目标的排列信息，从而基于所述排列信息获得道路边沿信息。

按照本发明的又一方面，提供一种确定道路边沿的方法，其特征在于，包括步骤：

（a）检测车辆所在道路的道路边沿旁边的静止目标；以及

（b）提取出相对道路大致规则排列的静止目标的排列信息，以及基于所述排列信息获得道路边沿信息。

按照本发明的还一方面，提供一种车辆，设置有自动驾驶系统，所述自动驾驶系统中设置有上述任一所述的确定道路边沿的装置。

根据以下描述和附图本发明的以上特征和操作将变得更加显而易见。

附图说明

从结合附图的以下详细说明中，将会使本发明的上述和其他目的及优点更加完整清楚，其中，相同或相似的要素采用相同的标号表示。

图1是按照本发明一实施例的确定道路边沿的装置的结构示意图。

图2是图1所示实施例的装置在确定道路边沿时的应用场景示意图。

图3是按照本发明一实施例的确定道路边沿的方法的流程图。

具体实施方式

现在将参照附图更加完全地描述本发明，附图中示出了本发明的示例性实施例。但是，本发明可按照很多不同的形式实现，并且不应该被理解为限制于这里阐述的实施例。相反，提供这些实施例使得本公开变得彻底和完整，并将本发明的构思完全传递给本领域技术人员。附图中，相同的标号指代相同的元件或部件，因此，将省略对它们的描述。

附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或者在一个或多个硬件模块或集成电路中实现这些功能实体，或者在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。

图1所示为按照本发明一实施例的确定道路边沿的装置的结构示意图，图2所示为图1所示实施例的装置在确定道路边沿时的应用场景示意图。以下结合图1和图2对本发明实施例的装置及其工作原理进行示例说明。

如图1所示，确定道路边沿的装置（以下简称为“确定装置”）是被安装在车辆100上，车辆100的具体类型不是限制性的，相对于该确定装置，车辆100是该确定装置的宿主车辆。该确定装置可以应用于车辆100所安装的自动驾驶系统上。

以图2为示例说明，车辆100是在道路900上行驶，道路900具有相应的道路边沿901a和901b，其中，901a为左道路边沿，901b为右道路边沿，在该应用场景中，道路边沿901a和901b中并没有通过车道线明确地标识出来，或者在该示例的一段道路900中并不存在相应的车道线来标识道路边沿。道路900的两旁存在各种静止（相对道路静止）物体，其是确定装置检测的目标，因此，也称为“静止目标”；示例地，道路900的左道路边沿901a旁边的静止目标被示出，例如，树801、电线杆802、隔离敦803（其中示出三个隔离敦803a、803b和803c）等，应当理解，道路边沿旁边的静止目标并不限于以上实施例的物体种类，例如还可以是栅栏、指示牌立杆等，

确定装置主要地包括安装在车辆100上的雷达探测器110，其至少能够检测车辆100所在道路900的道路两旁中的至少一旁的静止目标。在一实施例中，雷达探测器110为毫米波雷达，其安装在车辆100的前端，能够在道路平面上以90°探测角度范围检测前方的各种物体，包括例如如图2所示的道路边沿901a旁边的静止目标。雷达探测器110在探测时发射一定波长的电磁波并接收来自前方物体的反射，因此，可以检测到各种物体的位置，特别是对于远距离（例如40米以上）的物体，与近距离物体一样可以被相对准确地检测（相对于图像传感器120来说），因此，其相对图像传感器120具有较佳的远距离检测特性。

需要指出的是，确定装置中可以预先定义车辆坐标体系，即xy坐标体系，其中，以车辆100的质心为圆点o，x轴定义为车辆100的前方垂直方向，x坐标定义为相对车辆的质心的距离在垂直方向上的偏差，y轴定义为车辆100的水平方向，y坐标定义为相对所述车辆的质心的距离在水平方向上的偏差。雷达探测器110在检测出各种物体（包括静止物体）时，某一物体的坐标（x，y）被基本确定，其中，x坐标表示在车辆坐标体系下该物体与车辆100的质心的距离在垂直方向上的偏差（即x轴上的偏差），y坐标表示车辆坐标体系下该物体与车辆100的质心的距离在水平方向上的偏差（即y轴上的偏差）。

其中，毫米波雷达被配置能够基于多普勒效应和宿主车辆的车速从检测的各种物体中确定静止目标，也即相对道路边沿901静止不动的物体。因此，毫米波雷达能够基本实时地输出静止目标的相关信息（例如，在车辆坐标体系下的坐标）。

雷达探测器110使用毫米波雷达时具有相对成本低且能准确检测远距离（例如40米以上）的静止目标的优点，但是，应当理解，雷达探测器110并不限于为毫米波雷达，例如其还可以为激光雷达，激光雷达相对更为准确地检测各种静止目标（包括远距离的静止目标），但是，成本相对昂贵，对后续处理部件130的数据处理能力要求更高。

继续如图1所示，确定装置还包括处理部件130，其被也设置车辆100上，具体其可以通过车辆100上的自动驾驶系统中的处理装置来实现，也可以相对自动驾驶系统独立设置处理器来实现。处理部件130可以处理其中存储的算法代码、并执行来自自动驾驶系统或车辆的指令，处理部件130具体硬件实现方式已知的，在此不再详述。

处理部件130主要可以对雷达探测器110传输过来的静止目标相关信息进行数据处理来获得道路边沿曲线，其被配置为：接收雷达探测器110所检测的静止目标并提取出相对道路大致规则排列的静止目标的排列信息，从而基于该排列信息获得道路边沿信息。其中，道路边沿信息具体可以表现为道路边沿曲线信息。以下以获取图2所示的左道路边沿901a的道路边沿曲线示例说明处理部件130的具体工作原理。

在一实施例中，雷达探测器110在一次扫描检测后传输过来的静止目标数量可能可以达到几十个这个数量级，因此，在处理部件130中设置有相应的筛选单元131，其从能够从雷达探测器110传输过来的众多静止目标中的筛选出至少三个以上静止目标作为参照目标。如图2所示，从可以从诸多静止目标中筛选出相对道路900具有大致规则排列的树木901、电线杆902、隔离敦903作为左道路边沿901a的参照目标，对于不是相对左道路边沿901a不规则排列的其他树木、电性杆等静止目标，可以不选择作为参照目标或被过滤。

申请人注意到，由于道路900的两旁一般会具有相对道路900大致规则排列的物体，例如树木901和电线杆902等；在确定某一静止目标是否相对道路900大致规则排列时，可以基于车辆100的当前的横摆角速度（例如可以从车辆100的转向系统等部件中采集获取）来得到预测行驶轨迹，该预测行驶轨迹与当前的道路曲线是大致对应的，因此，可以大致基于静止目标是否相对预测行驶轨迹大致规则排列来确定其静止目标是否相对道路900大致规则排列，从而可以筛选出相应静止目标作为的参照目标。应当理解的，“大致规则排列”中“大致”反映道路900的两旁的静止目标并不一定是严格按照某一规律相对道路整齐排列的，例如，在相对道路的排列整齐度上存在数米数量级上的公差等。

如图2所示，左道路边沿901a旁边的规则排列的树木801、电线杆802、隔离墩803等被筛选单元131确定为是相对预测行驶轨迹是大致规则排列的，因此，将它们中的至少三个作为参照目标，例如，选择三个以上树木801作为参照目标、或者选择隔离墩803a、803b和803c作为参照目标、或者选择多个树木801和一个电线杆802和一个隔离墩803a作为参照目标。参照目标的数量越多，后续越有利于准确得到道路边沿曲线。

在一实施例中，处理部件130中设置有目标曲线拟合单元132，其被配置为至少将三个或三个以上参照目标在车辆坐标体系下进行曲线拟合以得到相应的参照目标排列曲线。具体地，需要得到的参照目标排列曲线预先地以二次函数来定义，即以下函数关系式（1）：

y=c2×x²+c1×x+c0’（1）

其中，x为自变量，其对应为在车辆坐标体系下的x坐标，该x坐标定义为相对所述车辆的质心的距离在垂直方向上的偏差；y为因变量，其对应为在车辆坐标体系下的y坐标，该y坐标定义为相对所述车辆的质心的距离在水平方向上的偏差；c2为二次项系数，c1为一次项系数，c0’为常数项。

进一步，将多个参照目标的坐标代入二次函数关系式（1），计算出二次函数关系式（1）中的二次项系数c2、一次项系数c1和常数项c0’的值，从而得到了关系式（1），也即确定了参照目标排列曲线。

在又一实施例中，也可以还可以基于所述车辆的当前横摆角速度来计算出当前车辆的转弯半径，从而计算得出关系式（1）中的二次项系数c2，此时二次函数关系式（1）降为一次函数关系式，基于多多个参照目标的坐标，进一步可以计算出一次项系数c1和常数项c0’的值，从而得到了关系式（1），也即确定了参照目标排列曲线。

在一实施例中，处理部件130中设置有道路边沿估计单元133，其用于基于参照目标排列曲线估算得到道路边沿曲线。在一实施例中，所述道路边沿估计单元133通过以下方式得到相应的道路边沿曲线：从二次函数关系式（1）得到以下二次函数关系式（2）作为道路边沿曲线：

y=c2×x²+c1×x+c0（2）

其中，c0为常数项，c0=c0’+d，d为道路边沿相对其旁边大致规则排列的静止目标的距离常数，例如，预先地估计出左道路边沿901a旁边对应的静止目标（树木801、电线杆802、隔离敦803等）相对左道路边沿901a的距离常数d，一般地，树木801、电线杆802、隔离敦803相对道路边沿901的距离分别存在相应的规范规定，可以基于这些规定值来估算得到距离常数d（具体例如0.5m）

这样，二次函数关系式（2）被确定，也即确定了道路边沿曲线。

需要说明的是，尽管以上示例是以二次函数关系式来确定参照目标排列曲线和道路边沿曲线，应当理解，还可以基于更高次的函数关系式（例如三次函数关系式、四次函数关系式）来确定参照目标排列曲线和道路边沿曲线，当然，函数关系式次数越高，所需要的参照目标的个数也越多。

以上实施例的确定装置可以基于道路两旁的静止目标来确定道路边沿信息，完全不依赖于车道线来实现，也因此，非常适合应用于非结构化道路（例如车道线模糊、车道线消失或缺失的道路）中获取道路边沿信息；并且，也不依赖于图像传感器来实现，因此，摆脱远距离道路无法准确地获取相应的道路边沿信息的问题，远距离也可以相对准确地获得道路边沿信息。

以上实施例的确定装置可以应用于具有自动驾驶系统的车辆100中，自动驾驶系统基于确定装置提供的道路边沿曲线，不但可以给出近端的可行驶区域，而且可以给出相对准确的远端可行驶区域，其中，基于道路边沿曲线来确定可行驶区域的算法并不是限制性的。

继续如图1所示，在又一实施例中，确定装置中还可以设置图像传感器120，其例如可以安装在车辆内部的大致后视镜位置处，图像传感器120具体可以为摄像头等，其可以实时地获取道路900的车道线901（如果存在车道线901的情况下）的车道线图像信息，当然，在实际应用中，图像传感器120所获取的图像信息并不限于车道线图像信息，例如还包括前方车辆、行人、障碍物等等图像信息。

在又一实施例中，确定装置中的处理部件130还接收上述车道线图像信息，并且，还基于车道线图像信息实时计算得到道路900的道路边沿曲线；基于车道线图像信息来进行图像处理并计算得到道路边沿曲线是本领域公知的，在此不再详述。因此，处理部件130可能可以得到两种机理分别获得的两条道路边沿曲线，处理部件130可以在不同场景下基于两条道路边沿曲线来确定道路900的道路边沿曲线。

示例地，在一种场景下，道路900的车道线存在并且道路900旁存在相对道路900大致规则排列的静止目标，基于上述两种机理或者两条道路边沿曲线，对于近距离道路，其道路边沿曲线可以采用基于车道线图像信息计算得到的道路边沿曲线，对于远距离道路，其道路边沿曲线采用基于所述静止目标计算得到道路边沿曲线，这样，克服了基于车道线图像信息计算得到的道路边沿曲线在远距离段不准确的问题。

示例地，在又一场景下，道路900的车道线存在部分路段缺失或不清楚、道路900旁存在相对道路900大致规则排列的静止目标，对于在所述道路的车道线缺失或不清晰的路段，其道路边沿曲线可以采用基于所述静止目标计算得到道路边沿曲线。从而克服基于图像传感器120在某些路段不能获得或不能准确获得道路边沿曲线的问题。

图3所示为按照本发明一实施例的确定道路边沿的方法的流程图。结合图1至图3，示例说明本发明实施例的确定道路边沿的方法。

首先，步骤s310，检测车辆所在道路的道路边沿旁边的静止目标。

该步骤s310可以在诸如毫米波雷达的雷达探测器110中实现。通过雷达探测器110检测车辆100所在道路900的道路两旁中的至少一旁（例如左道路边沿901a一侧）的静止目标，特别是对于远距离（例如40米以上等）的物体，与近距离物体一样可以被相对准确地检测。毫米波雷达被配置能够基于多普勒效应从检测的各种物体中确定静止目标，也即相对道路边沿901静止不动的物体，例如包括树801、电线杆802、隔离敦803。因此，毫米波雷达能够基本实时地输出静止目标的相关信息（例如，在车辆坐标体系下的坐标）。

进一步，步骤s320，从静止目标中的筛选出参照目标。

该步骤s320主要的处理部件130中的筛选单元131中实现，该步骤中，从雷达探测器110传输过来的众多静止目标中的筛选出至少三个以上静止目标作为参照目标。筛选的原则是以该静止目标是否相对道路900大致规定排列，具体地，道路900可以以预测行驶轨迹来对应，该预测行驶轨迹可以基于车辆100的当前的横摆角速度（例如可以从车辆100的转向系统等部件中采集获取）来得到，基于左道路边沿901a旁边的规则排列的树木801、电线杆802、隔离墩803等被确定为是相对预测行驶轨迹是大致规则排列的，从而将其筛选为参照目标。参照目标的数量越多，后续越有利于准确得到道路边沿曲线。

进一步，步骤s330，对参照目标进行曲线拟合得到参照目标排列曲线。

该步骤s330主要在处理部件130的目标曲线拟合单元132中实现。在一实施例中，需要得到的参照目标排列曲线预先地以二次函数来定义，即以下函数关系式（1）：

y=c2×x²+c1×x+c0’（1）

其中，x为自变量，其对应为在车辆坐标体系下的x坐标，该x坐标定义为相对所述车辆的质心的距离在垂直方向上的偏差；y为因变量，其对应为在车辆坐标体系下的y坐标，该y坐标定义为相对所述车辆的质心的距离在水平方向上的偏差；c2为二次项系数，c1为一次项系数，c0’为常数项。

进一步，将多个参照目标的坐标（例如树木801、电线杆802、隔离墩803在车辆坐标体现下的坐标）代入二次函数关系式（1），计算出二次函数关系式（1）中的二次项系数c2、一次项系数c1和常数项c0’的值，从而得到了关系式（1），也即确定了参照目标排列曲线。

在又一实施例中，也可以还可以基于所述车辆的当前横摆角速度来计算出当前车辆的转弯半径，从而计算得出关系式（1）中的二次项系数c2，此时二次函数关系式（1）降为一次函数关系式，基于多多个参照目标的坐标，进一步可以计算出一次项系数c1和常数项c0’的值，从而得到了关系式（1），也即确定了参照目标排列曲线。

进一步，步骤s340，基于参照目标排列曲线估算得到道路边沿曲线。

该步骤s330主要在处理部件130的道路边沿估计单元133中实现。在一实施例中，通过以下方式得到相应的道路边沿曲线：从二次函数关系式（1）得到以下二次函数关系式（2）作为道路边沿曲线：

y=c2×x²+c1×x+c0（2）

其中，c0为常数项，c0=c0’+d，d为道路边沿相对其旁边大致规则排列的静止目标的距离常数，例如，预先地估计出左道路边沿901a旁边对应的静止目标（树木801、电线杆802、隔离敦803等）相对左道路边沿901a的距离常数d，一般地，树木801、电线杆802、隔离敦803相对道路边沿901的距离分别存在相应的规范规定，可以基于这些规定值来估算得到距离常数d（具体例如0.5m）

这样，二次函数关系式（2）被确定，也即确定了道路边沿曲线。

以上图3所示实施例的确定道路边沿的方法既不依赖于车道线、也不依赖于图像传感器来实现，非常适合应用于非结构化道路（例如车道线模糊、车道线消失或缺失的道路）中获取道路边沿信息，并且远距离也可以相对准确地获得道路边沿信息。

在本文中，术语“近距离”和“远距离”二者是分别大致基于雷达探测器的有效探测距离和图像传感器的有效探测距离来对应的，一般地，雷达探测器的有效探测距离相对图像传感器的有效探测距离更远；因此，将小于或等于图像传感器的有效探测距离的距离范围定义为“近距离”，将超出图像传感器的有效探测距离的距离范围定义为本申请的“远距离”。需要理解是，“近距离”与“远距离”之间并不是基于固定的距离值来划分，例如，不同型号的图像传感器的有效探测距离可能也不同，还例如有，随着图像传感器技术的发展，在本申请日之后新涌现的图像传感器的有效探测距离也可能更远。

以上例子主要说明了本发明的确定道路边沿的装置和方法。尽管只对其中一些本发明的实施方式进行了描述，但是本领域普通技术人员应当了解，本发明可以在不偏离其主旨与范围内以许多其他的形式实施。因此，所展示的例子与实施方式被视为示意性的而非限制性的，在不脱离如所附各权利要求所定义的本发明精神及范围的情况下，本发明可能涵盖各种的修改与替换。