一种交叉路口引导线生成方法及系统与流程

1.本发明属于自动驾驶领域，尤其涉及一种交叉路口引导线生成方法及系统。


背景技术：

2.随着地图导航技术的快速发展，导航系统在车辆驾驶过程中得到广泛的应用。高精度地图拥有丰富的道路拓扑信息，可以为自动驾驶车辆提供精准的导航路线指引。在自动驾驶导航模式下，车辆按照高精度地图提供的引导线信息，完成从起点到终点的自动行驶。然而，位于路况复杂的交叉路口的引导线，对自动驾驶导航的精确度影响最大，直接关系到自动驾驶车辆的行车安全。
3.目前，在高精度地图的制作流程中，交叉路口的引导线是人工根据路口的进入车道和目标车道来绘制的一条曲线，而人工绘制路口引导线，制作成本高，同时，由于没有考虑不同类型(比如小车、中型车、大车等)车辆其转弯半径也不同，手绘的引导线不完全符合实际的车辆运动学轨迹。


技术实现要素：

4.有鉴于此，本发明实施例提供了一种交叉路口引导线生成方法及系统，用于解决现有手工绘制引导线方式制作成本高，且绘制路线不准确的问题。
5.在本发明实施例的第一方面，提供了一种交叉路口引导线生成方法，包括：
6.获取车辆轨迹数据；
7.划定交叉路口范围的多边形roi区域，通过改进的savitzky-golay滤波器对roi区域中每条车辆轨迹进行平滑滤波处理；
8.通过k-means算法对交叉路口roi区域的车辆轨迹数据粗分类；
9.对粗分类后的轨迹簇，通过dbscan空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；
10.通过ransac曲线拟合算法对轨迹簇进行多项式曲线拟合，得到不同车型车辆对应的交叉路口引导线。
11.在本发明实施例的第二方面，提供了一种用于交叉路口引导线生成的系统，包括：
12.数据获取模块，用于获取车辆轨迹数据；
13.区域划取模块，用于划定交叉路口范围的多边形roi区域；
14.平滑滤波模块，用于通过改进的savitzky-golay滤波器对roi区域中每条车辆轨迹进行平滑滤波处理；
15.轨迹粗分类模块，用于通过k-means算法对交叉路口roi区域的车辆轨迹数据粗分类；
16.轨迹归类模块，用于对粗分类后的轨迹簇，通过dbscan空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；
17.轨迹拟合模块，用于通过ransac曲线拟合算法对轨迹簇进行多项式曲线拟合，得
到不同车型车辆对应的交叉路口引导线。
18.在本发明实施例的第三方面，提供了一种电子设备，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。
19.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。
20.本发明实施例中，利用智驾车辆搭载的激光雷达和gps/imu设备，对交叉路口周围的其他车辆进行实时检测与跟踪来获取动态车辆的真实轨迹信息，再通过对轨迹线的聚类与拟合，实现复杂交叉路口引导线的构建和绘制，有效提高引导线构建效率，降低绘制成本，并能考虑到不同类型车辆的转弯半径区别，保障构建生成的引导线能提供更精确、安全可靠的路线导航，也能够缩短高精度地图制作周期。
附图说明
21.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。
22.图1为本发明一个实施例提供的一种交叉路口引导线生成方法的流程示意图；
23.图2为本发明一个实施例提供的激光雷达动态目标检测效果示意图；
24.图3为本发明一个实施例提供的交叉路口roi区域示意图；
25.图4为本发明一个实施例提供的粗聚类效果示意图；
26.图5为本发明一个实施例提供的不同车型轨迹聚类示意图；
27.图6为本发明一个实施例提供的不同车型交叉路口引导线示意图；
28.图7为本发明一个实施例提供的一种交叉路口引导线生成系统的结构示意图；
29.图8为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
30.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。
31.应当理解，本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述，意指覆盖不排他的包含，如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外，“第一”“第二”用于区分不同对象，并非用于描述特定顺序。
32.请参阅图1，为本发明实施例提供的一种交叉路口引导线生成方法的流程示意图，包括：
33.s101、获取车辆轨迹数据；
34.所述车辆轨迹数据可以通过众包车辆上装配的gps/imu、多线束激光雷达等传感器，结合相应的目标跟踪算法采集得到他车(即目标车辆)的行驶轨迹数据。
35.具体的，通过点云分割网络对单帧激光雷达点云进行实时车辆检测，获取每个目标车辆信息；将检测到的目标车辆中心点坐标从激光雷达坐标系转换到世界坐标系，并计算目标车辆的真实航向角；对坐标转换后的车辆采用deepsort算法进行多目标跟踪，输出每个目标车辆的轨迹信息。
36.在智驾车的计算平台上采用深度学习点云分割网络pointpillars，对单帧激光雷达点云进行实时的车辆检测。pillarpoints激光雷达检测动态车辆的效果图如图2所示，图中浅灰色立方体表示自车，深灰色立方体表示检测到的周围车辆(目标车辆)。对pointpillars检测到的车辆信息，结合自车的pos信息，采用deepsort多目标跟踪算法，完成多目标车辆的实时跟踪。
37.在智驾车的计算平台上部署深度学习环境，采用基于tensorrt加速的点云分割网络pointpillars，完成对单帧激光雷达点云的实时车辆检测。获取每个目标车辆信息，包括长宽高尺寸信息、中心点3d坐标、车辆类型(不同类型车辆长度范围，小车：3～5.5米，中型车：5.5～8米，大型车：8～12米)等信息。结合车载gps/imu得到的自车pos信息和lidar-imu的外参数，将pointpillars检测到的车辆中心点坐标从激光雷达坐标系转换到世界坐标系，并计算目标车辆的真实航向角。对坐标转换后的动态车辆，采用deepsort算法进行实时多目标跟踪。输出每个车辆对应的轨迹信息，包括时间戳、长宽高信息、中心点坐标、航向角、速度和车辆类型等数据。
38.进一步的，保存deepsort输出的跟踪目标信息，剔除静止或者轨迹过短的目标；设置车辆跟踪失败的判断逻辑，输出每个运动车辆在整个生命周期内的轨迹数据。
39.建立轨迹信息管理列表，保存deepsort输出的跟踪踪目标信息，剔除静止或者轨迹过短的目标。最后输出每个运动车辆在整个生命周期内的轨迹信息。
40.需要说明的是，在通过gps/imu和激光雷达对目标车辆进行跟踪前，需要分别进行车载激光雷达与gps/imu的硬件时间同步、imu的内参标定、imu的杆臂值标定、激光雷达与imu的外参数标定。
41.对车载多线激光雷达采用pps+gprmc的方式进行硬件授时，保证激光雷达与imu的严格时间同步；完成imu的内参标定，即获取陀螺仪和加速度计各自的零偏和标度因数误差；完成imu的杆臂值标定，即获取imu坐标系原点到gps天线、imu坐标系原点到后轮轴中心的xyz偏移值；完成激光雷达与imu的外参数标定，即激光雷达坐标系与imu坐标系的旋转矩阵和平移向量。
42.s102、划定交叉路口范围的多边形roi区域，通过改进的savitzky-golay滤波器对roi区域中每条车辆轨迹进行平滑滤波处理；
43.结合高精度地图信息，划定交叉路口范围内的多边形rio区域，用于对众包车辆获取的交叉路口轨迹数据进行筛选过滤，剔除区域外的轨迹数据。
44.所述多边形roi(region of interest)区域即交叉路口区域，如图3中黑色多边形框选区域，在该roi区域中包含转向车道和直行车道。
45.所述改进的savitzky-golay滤波器，即在savitzky-golay滤波器的基础上，加入
对轨迹边界点的数据处理，保证首尾轨迹点的平滑效果。savitzky-golay滤波器是一种在时域内基于局部多项式最小二乘法拟合的滤波方法，其更能保留相对极大值、极小值和宽度等分布特征。
46.进一步的，对轨迹数据中出现的前后轨迹点距离大于预定值(一般大于5米)的轨迹线，根据轨迹线前后轨迹点的时间戳、速度和航向角信息进行线性插值，补全空白区域内的轨迹点。
47.s103、通过k-means算法对交叉路口roi区域的车辆轨迹数据粗分类；
48.所述k-means算法即k均值聚类算法，是一种迭代求解的聚类分析算法，该算法适用于大样本数据集，且复杂度较低。
49.其中，将车辆轨迹数据至少划分为直行、左转、右转和掉头的轨迹数据集。
50.利用标准的k-means算法，将交叉路口区域内的轨迹数据进行粗分类，大致可以划分成直行、左转、右转和掉头等方向的轨迹数据集，粗聚类效果如图4所示。
51.s104、对粗分类后的轨迹簇，通过dbscan空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；
52.利用dbscan空间密度聚类算法，将驶入车道与驶出车道均相同的轨迹线归为一类，作为一级分类laneclusters。然后，根据每条轨迹线对应的车辆类型(小车、中型车、大车)对轨迹簇laneclusters进行二级分类，得到路口驶入/驶出车道相同且车辆类型一致的轨迹簇lanecartypeclusters。
53.示例性，若当前道路的左转向车道作为驶入车道，左边道路上的第3条车道作为驶入车道，则可以将当前道路的左转向车道与左边道路上的第3条车道作为一组分类，所有该方式的左转向都可以这一级分类laneclusters。进一步可以在laneclusters分类中，根据车辆类型，进行二级分类。二级分类得到的不同车型轨迹聚类如图5所示，其中，不同车型对应的轨迹颜色深浅存在差异。
54.s105、通过ransac曲线拟合算法对轨迹簇进行多项式曲线拟合，得到不同车型车辆对应的交叉路口引导线。
55.ransac(random sample consensus)曲线拟合算法即随机抽样一致的拟合算法，其根据样本迭代估计模型参数，对轨迹簇进行拟合。
56.具体的，利用ransac曲线拟合算法对轨迹簇lanecartypeclusters分别进行多项式曲线拟合，获得不同车型对应的交叉路口引导线。如图6所示，不同虚线表示不同车型轨迹拟合得到的交叉路口引导线。
57.本实施例中，获取交叉路口范围内的动态车辆轨迹信息，拟合构建不同类别车型对应的交叉路口引导线，采用众包方式获取交叉路口车辆轨迹，并自动生成引导线，可以有效提高引导线制作效率，降低人工成本，同时，能够对不同车型车辆进行引导线构建。
58.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。
59.图7为本发明实施例提供的一种用于交叉路口引导线生成的系统的结构示意图，该系统包括：
60.数据获取模块710，用于获取车辆轨迹数据；
61.其中，所述获取车辆轨迹数据包括：
62.通过点云分割网络对众包车辆的单帧激光雷达点云进行实时车辆检测，获取每个目标车辆信息；
63.将检测到的目标车辆中心点坐标从激光雷达坐标系转换到世界坐标系，并计算目标车辆的真实航向角；
64.对坐标转换后的车辆采用deepsort算法进行多目标跟踪，输出每个目标车辆的轨迹信息。
65.进一步的，保存deepsort输出的跟踪目标信息，剔除静止或者轨迹过短的目标；设置车辆跟踪失败的判断逻辑，输出每个运动车辆在整个生命周期内的轨迹数据。
66.区域划取模块720，用于划定交叉路口范围的多边形roi区域；
67.平滑滤波模块730，用于通过改进的savitzky-golay滤波器对roi区域中每条车辆轨迹进行平滑滤波处理；
68.优选的，所述平滑滤波模块730还包括：
69.轨迹插值模块，用于对轨迹数据中出现的前后轨迹点距离大于预定值的轨迹线，根据轨迹线前后轨迹点的时间戳、速度和航向角信息进行线性插值，补全空白区域内的轨迹点。
70.轨迹粗分类模块740，用于通过k-means算法对交叉路口roi区域的车辆轨迹数据粗分类；
71.轨迹归类模块750，用于对粗分类后的轨迹簇，通过dbscan空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；
72.轨迹拟合模块760，用于通过ransac曲线拟合算法对轨迹簇进行多项式曲线拟合，得到不同车型车辆对应的交叉路口引导线。
73.所述领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程，在此不再赘述。
74.图8是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于交叉路口车辆引导线的构建。如图8所示，该实施例的电子设备8包括：存储器810、处理器820以及系统总线830，所述存储器810包括存储其上的可运行的程序8101，本领域技术人员可以理解，图8中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
75.下面结合图8对电子设备的各个构成部件进行具体的介绍：
76.存储器810可用于存储软件程序以及模块，处理器820通过运行存储在存储器810的软件程序以及模块，从而执行电子设备的各种功能应用以及数据处理。存储器810可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外，存储器810可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
77.在存储器810上包含网络请求方法的可运行程序8101，所述可运行程序8101可以被分割成一个或多个模块/单元，所述一个或多个模块/单元被存储在所述存储器810中，并由处理器820执行，以实现路口引导线的构建绘制等，所述一个或多个模块/单元可以是能
够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序8101在所述电子设备8中的执行过程。例如，所述计算机程序8101可以被分割为数据采集模块、聚类分离模块、边缘点云提取模块、球面拟合模块等。
78.处理器820是电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器810内的软件程序和/或模块，以及调用存储在存储器810内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体状态监控。可选的，处理器820可包括一个或多个处理单元；优选的，处理器820可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器820中。
79.系统总线830是用来连接计算机内部各功能部件，可以传送数据信息、地址信息、控制信息，其种类可以是例如pci总线、isa总线、vesa总线等。处理器820的指令通过总线传递至存储器810，存储器810反馈数据给处理器820，系统总线830负责处理器820与存储器810之间的数据、指令交互。当然系统总线830还可以接入其他设备，例如网络接口、显示设备等。
80.在本发明实施例中，该电子设备所包括的处理820执行的可运行程序包括：
81.获取车辆轨迹数据；
82.划定交叉路口范围的多边形roi区域，通过改进的savitzky-golay滤波器对roi区域中每条车辆轨迹进行平滑滤波处理；
83.通过k-means算法对交叉路口roi区域的车辆轨迹数据粗分类；
84.对粗分类后的轨迹簇，通过dbscan空间密度聚类算法将驶入和驶出车道均相同的轨迹线归类，并根据每条轨迹线中的车辆类型再次进行归类；
85.通过ransac曲线拟合算法对轨迹簇进行多项式曲线拟合，得到不同车型车辆对应的交叉路口引导线。
86.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。
87.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。