[发明专利]虚拟车道线生成方法、装置及系统

说明书

本发明涉及自动驾驶技术领域，公开了一种虚拟车道线生成方法，所述方法包括：获取当前道路图像，所述方法还包括：将所述当前道路图像输入预先训练的CNN，得到当前道路上的虚拟车道中心线；根据所述虚拟车道中心线和当前道路的车道宽度得到虚拟车道线。同时还公开了一种虚拟车道线生成装置，以及对应的系统。本发明的实施方式能够在没有车道线或者车道线不清晰的场景下，生成虚拟车道线供自动驾驶系统参考，以至少解决该场景下自动驾驶系统无法稳定沿着道路行驶的问题。

技术领域

本发明涉及自动驾驶技术领域，具体地涉及一种虚拟车道线生成方法、装置、系统及存储介质。

背景技术

车道保持是自动驾驶系统的基本功能之一。该功能是利用感知模块识别出道路上的车道线位置，并由控制系统根据车辆在当前车道内的相对位置对车的转向进行动态调整，使车能够保持在当前车道内平稳行驶。

一般来说车道线检测都是使用车载相机采集连续的视频数据，并对视频的每一帧单独进行车道线检测。目前主流的检测方法是基于卷积神经网络(CNN)技术，采集大量道路图片并在图片中标注出车道线，再使用标注数据对CNN进行训练；训练好的CNN网络模型可以对单张图片上的车道线进行检测。但是目前这种车道线检测方法，对图像中的车道线清晰程度要求较高，在一些特殊场景(例如雪天、新修道路、车道线磨损等)，车道线有可能不存在，或者非常模糊。此时感知模块的车道线检测结果不稳定，为控制系统提供的车道线信息不再准确，导致车辆出现蛇行(左右摇摆)，甚至冲出道路边缘。在这种情况下如果要继续使用自动驾驶系统，就需要在没有车道线的道路上假想出若干条车道线，并使车辆保持在虚拟车道线内行驶而不至于左右摇摆或冲出道路边缘。目前在无车道线或车道线模糊的场合下，若采用高精定位技术，则会受到定位信号(如GPS信号)强度的影响，不能获取到满意的定位精度，会导致车辆表现出严重的蛇行；若直接采用CNN网络进行车辆控制，则由于CNN训练数据集不能覆盖所有场景，因此不能达到100％的可靠性。

发明内容

本发明的目的是利用卷积神经网络提供一种虚拟车道线的生成方法，以至少解决在没有车道线的道路上，需要为车辆提供虚拟车道线作为参照的问题。

为了实现上述目的，本发明第一方面实施例提供一种虚拟车道线生成方法，包括：获取当前道路图像，所述方法还包括：

将所述当前道路图像输入预先训练的CNN，得到当前道路上的虚拟车道中心线；

根据所述虚拟车道中心线和当前道路的车道宽度得到虚拟车道线。

可选的，所述预先训练的CNN的训练样本为带虚拟车道中心线的图像。

可选的，所述带虚拟车道中心线的图像通过以下方式获得：

在有车道线的图像中，取相邻两条车道线的中间线作为车道中心线，去除所述车道线，得到所述带虚拟车道中心线的图像；

在没有车道线的图像中，利用高精定位方式获取车辆位置，将选定时刻之后的多个车辆位置投影到所述选定时刻对应的图像中，以所述多个车辆位置形成行驶轨迹，并以所述行驶轨迹的中心线作为车道中心线，得到所述带虚拟车道中心线的图像。

可选的，所述预先训练的CNN包括若干卷积层，所述若干卷积层中包括至少一个2D卷积层和至少一个3D卷积层，所述2D卷积层均在所述3D卷积层之前，所述预先训练的CNN的前半段包括所有的2D卷积层，所述预先训练的CNN的后半段包括所有的3D卷积层。

可选的，所述方法还包括：设置缓存队列，所述缓存队列用于缓存所述预先训练的CNN的前半段计算完的特征图，并供所述预先训练的CNN的后半段读取。

可选的，当新的特征图需要加入所述缓存队列且所述缓存队列达到容量上限时，移除最先加入缓存队列的特征图，并将所述新的特征图加入所述缓存队列。

可选的，所述根据所述虚拟车道中心线和当前道路的车道宽度得到虚拟车道线，包括：