基于视觉的大半径圆曲线车道线识别

车道线识别是自动驾驶中车道保持系统的关键技术,为提高大半径圆曲线车道线识别精度,本文将两侧弯曲车道线化分为多区域,利用直线段和贝塞尔曲线进行拟合。首先在感兴趣区域(ROI)进行图像预处理,并根据车道线特征像素点的分布情况,通过车道线变化规律判定转向;然后根据转向按照不同的比例和方式进行左右车道线的区域划分;最后通过Hough变换识别相应区域的直线段,将小于阈值的直线段用直线连接、大于阈值的利用贝塞尔曲线连接,以识别完整弯曲车道线。试验结果表明,该算法对大半径车道圆曲线的识别具有较好的稳健性。     

基于浮动车轨迹数据的路口车道结构求解

文章针对道路交叉口处车道转向信息变化快、采集困难的问题,提出了利用浮动车轨迹数据自动提取道路交叉口处车道结构及转向的方法.首先根据选取规则对研究区域轨迹点进行约束选取,并依据预处理策略对研究区轨迹点序列进行去噪与优化;其次运用混合高斯密度模型对交叉口处道路的细部车道结构进行建模,利用贪心EM算法解算高斯混合密度模型参数,求得车道数目和车道结构特征;然后给出通过轨迹相关性计算车道转向的计算思路;最后选取一组真实路口数据进行实验,结果验证了该方法的有效性:该方法为车道信息更新提供了参考,亦可应用于精细化导航以提高出行者的服务体验.     

利用双灭点估计的车道线检测

车道线检测是自动驾驶汽车或高级驾驶辅助系统的重要组成部分,利用安装在车辆前方的单目相机以实时成像的方式获取车辆在当前车道的横向偏移,从而为车辆的车道保持、超车换道等横向控制策略提供参考。本文提出了一种基于双灭点估计的实时、稳健的车道检测方法。首先利用尺度自适应的局部对称算子对车道线点特征进行提取;其次对左右车道线分别估计灭点,以灭点为导向,构建特征点的统计直方图;然后选择穿过大多数特征点的直线且通过特征点和所选线之间的重叠度对灭点进行估计更新,重复上一步骤以获得稳定的灭点;最后基于稳定的灭点验证并选择最佳的车道线。本文在公共数据集对提出的方法进行了测试,试验结果表明,本文方法在满足实时性的前提下,能有效提高算法整体的稳健性。     

基于高分辨率遥感影像的车道线提取

车道线是自动驾驶高精度地图的组成部分,利用车载摄像头和激光雷达提取车道线的研究已经比较深入。本文探讨了利用高分辨率遥感影像提取车道线的方法。首先依据直方图原则选取合适的阈值进行二值化分割,其次利用道路中线形成的缓冲区去除道路范围外的要素,然后利用形态学算子去除噪声,最后利用方向和面积因子提取不同的车道线。该方法可以降低数据采集的成本,提高采集效率。     

道路交通网络金字塔模型车道级特征层构建

车道级道路网络模型在自动驾驶中具有非常重要的作用,文中依据车道及相邻车道之间的通行规则,以车道组、车道段作为建模基本元素,基于道路交通网络金字塔模型,设计了车道级特征层的表达结构,提出基于实际车道分隔线特性的自动构建方法,通过实例实现了模型的建立。文中所设计的车道特征层可优化车道的描述与组织,减少数据存储冗余,能为自动驾驶提供车道级微观路径规划。     

基于车道驾驶态势的拓扑构建与路径规划

首先分析了国内外高精度地图车道模型的研究现状,针对车道模型在自动驾驶中的融合应用,提出了一种基于车道驾驶态势的拓扑构建和路径规划方法。车道驾驶态势是指在遵循正确交通规则的前提下驾驶车辆通过车道后将达到的空间方位和通行状态。利用车道驾驶态势可生成车道级可通行区间集合,并构建可通行区间之间的拓扑关系,再利用Dijkstra算法可进行最优路径规划。可通行区间内部通过驶入和驶出接口点列表达可任意变道的拓扑关系,快速完成车道级路径规划,为自动驾驶多源数据融合与二次规划提供基础参考。     

通用化高精地图数据模型

高精地图逐渐成为自动驾驶不可或缺的组成部分,但是其数据模型和表达方式尚未形成统一标准,特别是在生产制作和数据交换阶段,缺乏具备通用性和大规模应用能力的数据模型.针对这一问题,本文分析了当前主流高精地图数据模型NDS、OpenDRIVE和l anel et的优缺点,提出了一种通用化的高精地图数据模型Whu map model.车道模型方面,采用车道组为数据管理单元,由同一路段上的一个或者多个车道组成.车道由车道的左边界线、右边界线、车道中心线、车道属性构成.通过多种常见车道数变化场景下的车道拓扑构建,验证了该模型在表达上的有效性和稳健性.交通标志物模型方面,定义了地面标志物和交通标志牌,分别表达形状、类型、语义以及与道路、车道的关联关系等内容.通过大规模数据制作、NDS和OpenDRIVE格式编译,以及基于ADASIS V3协议的电子地平线应用试验,验证了Whu map model模型的实用性和有效性.Whu map model可以作为通用的交换规格,也可以应用到高精地图生产制作的各个阶段,同时向下兼容、易于扩展,有助于实现高精地图数据模型标准化,从而推进高精地图的规模化生产和应用.     

高精地图道路矢量化模型表达规则探讨

随着高精地图伴随自动驾驶技术出现，近些年来其生产技术日趋成熟。外业生产依托于三维激光扫描技术的广泛应用，高精度的基础数据的快速获取已实现。在高精地图内业生产端，其表现形式及表达规则由行业特定需求决定。高精地图的生产原理及应用大同小异，但无统一规则，使得高精地图的使用范围过小，不能一测多用。本文以道路要素的通用化表达为目的，分解出道路要素的道路模型、车道模型、地物模型，讨论各类模型的表达规则，以道路向量及车道向量及其拓扑关系建立表达粒度为车道级的路网关系。通过上述表达讨论使得高精地图的表达层次更加清晰，生产过程中依据性更强，统一规则表达的高精地图应用范围更广。     

顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法

个体驾驶目的地预测在个性化服务推荐、智慧交通等位置服务中具有重要的应用价值,但现有深度学习方法多以高密度采样轨迹点为单位构建出行特征,导致数据冗余、信息增益有限。路口序列可简化道路驾驶轨迹的表达形态,降低训练成本;同时,路口间的转移偏好与当前移动模式隐含路口与目的地间的时空关联关系,能够一定程度上表征个体出行意图,却鲜有研究将其用于目的地预测。为此,提出一种顾及路口转移偏好和当前移动模式的个体驾驶目的地预测方法：（1）以路口为单位构建输入特征,利用图注意力机制学习不同时间槽内路口间的转移系数,并结合长短期记忆模型捕获转移偏好长期依赖关系;（2）构建时间循环编码与驾驶状态特征,利用长短期记忆模型学习个体当前移动模式表征;（3）通过特征交叉与注意力机制实现特征融合,并利用残差网络输出预测。基于中国深圳市12名私家车司机2019年全年的轨迹数据开展实验,通过与隐马尔可夫、长短期记忆模型、远近距离依赖模型、融合地理语义与位置重要性的长短期记忆模型的精度进行对比并进行消融实验,验证了所提方法的有效性;可视化分析了转移偏好在捕获路口间空间关联关系中的作用,并探讨转移路口数量设置对预测精度的影响。     

交通地理信息中基于梯度方向的车道线提取

针对所摄路面影像,本文提出了基于梯度方向的车道线提取方法。车道线上边缘点的梯度方向大体与本车道线垂直,据此我们可以将车道线上的边缘点从所有边缘点中分离出来,再将这些点拟合,得到车道线。实验结果表明,本文方法具有很好的鲁棒性,对复杂路面的车道线提取效果较好。