3D车道线生成方法、装置和电子设备制造方法及图纸

本发明专利技术提供了一种3D车道线生成方法、装置和电子设备，方法包括：获取初始3D车道线，初始3D车道线用于表征实际车道线；对所获取的初始3D车道线进行补全，使得初始3D车道线能够更准确地表征实际车道线；将补全后的初始3D车道线与图片信息相结合，生成第一目标车道线，其中图片信息包含2D车道线信息，第一目标车道线为3D类型的车道线。本发明专利技术提高了3D车道线生成的精度。精度。精度。

【技术实现步骤摘要】
3D车道线生成方法、装置和电子设备


[0001]本专利技术主要涉及车道线生成
，尤其涉及一种3D车道线生成方法、装置和电子设备。

技术介绍

[0002]随着汽车智能化的发展，自动驾驶技术及应用得到了长足的进步。而车道线识别(生成)等任务是汽车智能化的基础且非常重要。目前大部分新推出的车型都配置有高级驾驶辅助系统(Advanced Driver Assistance System，ADAS)，此系统就包含了车道线检测识别功能，其目的是为了实时、精确地识别到不同种类的车道线，从而可以定位到车辆在道路中的位置，为行车做好规划。
[0003]车道线识别，包括对可行驶车道相对于主车辆位置的准确估计，是自动驾驶的关键推动力。在辅助驾驶系统中，还需要识别不同的车道线类型。但当前车道线的识别主要通过相机识别，如图1所示，识别精度受到客观条件的限制，没有冗余的信息对车道线进行校验，缺少车道线的3D(3Dimensions，三维)信息，坡度等实际元素对识别精度也有较大影响。例如，通过摄像机识别车道线信息，结合传感器提供的车速等信息将多帧车道线信息转换到俯视图上进行融合，生成2D(2Dimensions，二维)车道线。
[0004]也存在一些基于相机的车道线立体识别，但仍受限于检测精度。如将高清地图和轨迹规划相融合，给定在自动驾驶车辆上收集的输入RGB图像，在图像上提供结构化线的集合，每条线代表3D车道线的2D投影。可见，这种方式本质上还是二维的，因为输入和输出都驻留在同一个图像空间中。总的来说，现有方式生成的车道线的精度仍然较低。

技术实现思路

[0005]本专利技术要解决的技术问题是提供一种3D车道线生成方法、装置和电子设备，以提高3D车道生成的精度。
[0006]第一方面，本专利技术提供了一种3D车道线生成方法，包括：获取初始3D车道线，所述初始3D车道线用于表征实际车道线；对所获取的所述初始3D车道线进行补全，使得所述初始3D车道线能够更准确地表征所述实际车道线；将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线；其中所述图片信息包含2D车道线信息，所述第一目标车道线为3D类型的车道线。
[0007]可选地，所述获取初始3D车道线包括：通过激光雷达传感器获取所述初始3D车道线。
[0008]可选地，所述通过激光雷达传感器获取所述初始3D车道线包括：所述激光雷达传感器将空间点云信息输入深度学习网络，所述深度学习网络输出所述初始3D车道线。
[0009]可选地，所述对所获取的所述初始3D车道线进行补全包括至少以下之一：对未被探测到的所述初始3D车道线进行补充；对被遮挡的所述初始3D车道线进行延伸。
[0010]可选地，所述对所获取的所述初始3D车道线进行补全包括：结合地图信息对所述
初始3D车道线进行匹配，补全所述初始3D车道线。
[0011]可选地，所述结合地图信息对所述初始3D车道线进行匹配，补全所述初始3D车道线包括：将所述地图信息和所述初始3D车道线进行关键点匹配，获得3D转换矩阵；其中所述3D转换矩阵包括3D平移矩阵和3D旋转矩阵；利用所述3D转换矩阵，将所述初始3D车道线匹配到所述地图信息中，对所述初始3D车道线进行补全。
[0012]可选地，所述将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线包括：采用车道线检测网络，将所述初始3D车道线与所述图片信息作为所述车道线检测网络的输入，所述车道线检测网络的输出即为所述第一目标车道线。
[0013]可选地，还包括：将所述第一目标车道线与补全后的所述初始3D车道线进行车道线融合，生成第二目标车道线。
[0014]可选地，将所述第一目标车道线与补全后的所述初始3D车道线进行车道线融合，生成第二目标车道线包括：将所述第一目标车道线与补全后的所述初始3D车道线以空间点云信息的方式离散化；根据实际训练获得方差，将所述方差作为车道线融合的输入参数，生成融合后的空间点云信息；将融合后的所述空间点云信息进行拟合，获得所述第二目标车道线。
[0015]第二方面，本专利技术提供了一种3D车道线生成装置，包括：获取模块，用于获取初始3D车道线，所述初始3D车道线用于表征实际车道线；补全模块，用于对所获取的所述初始3D车道线进行补全，使得所述初始3D车道线能够更准确地表征所述实际车道线；第一生成模块，用于将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线；其中所述图片信息包含2D车道线信息，所述第一目标车道线为3D类型的车道线。
[0016]可选地，还包括第二生成模块，所述第二生成模块用于将所述第一目标车道线与补全后的所述3D车道线进行车道线融合，生成第二目标车道线。
[0017]第三方面，本专利技术提供了一种电子设备，包括：处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的3D车道线生成方法的步骤。
[0018]第四方面，一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的3D车道线生成方法的步骤。
[0019]与现有技术相比，本专利技术具有以下优点：通过获取初始3D车道线，再对所获取的所述初始3D车道线进行补全，使得所述初始3D车道线能够更准确地表征所述实际车道线，最后将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线，能够提高3D车道线生成的精度。
附图说明
[0020]包括附图是为提供对本专利技术进一步的理解，它们被收录并构成本专利技术的一部分，附图示出了本专利技术的实施例，并与本说明书一起起到解释本专利技术原理的作用。附图中：
[0021]图1是现有的单相机2D检测车道线示意图；
[0022]图2是本专利技术一个实施例3D车道线生成方法的流程示意图；
[0023]图3是本专利技术一个实施例3D车道线生成方法中延伸效果示意图；
[0024]图4是本专利技术另一个实施例3D车道线生成方法的流程示意图；
[0025]图5是本专利技术另一个实施例3D车道线生成方法的流程示意图；
[0026]图6是本专利技术一个实施例3D车道线生成装置的结构示意图；
[0027]图7是本专利技术一个实施例3D车道线生成装置的另一种结构示意图；
[0028]图8是本专利技术提供的一种电子设备的结构示意图。
具体实施方式
[0029]为了更清楚地说明本专利技术的实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本专利技术的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本专利技术应用于其他类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。
[0030]如本专利技术和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种3D车道线生成方法，其特征在于，包括：获取初始3D车道线，所述初始3D车道线用于表征实际车道线；对所获取的所述初始3D车道线进行补全，使得所述初始3D车道线能够更准确地表征所述实际车道线；将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线；其中所述图片信息包含2D车道线信息，所述第一目标车道线为3D类型的车道线。2.如权利要求1所述的3D车道线生成方法，其特征在于，所述获取初始3D车道线包括：通过激光雷达传感器获取所述初始3D车道线。3.如权利要求2所述的3D车道线生成方法，其特征在于，所述通过激光雷达传感器获取所述初始3D车道线包括：所述激光雷达传感器将空间点云信息输入深度学习网络，所述深度学习网络输出所述初始3D车道线。4.如权利要求1所述的3D车道线生成方法，其特征在于，所述对所获取的所述初始3D车道线进行补全包括至少以下之一：对未被探测到的所述初始3D车道线进行补充；对被遮挡的所述初始3D车道线进行延伸。5.如权利要求1所述的3D车道线生成方法，其特征在于，所述对所获取的所述初始3D车道线进行补全包括：结合地图信息对所述初始3D车道线进行匹配，补全所述初始3D车道线。6.如权利要求5所述的3D车道线生成方法，其特征在于，所述结合地图信息对所述初始3D车道线进行匹配，补全所述初始3D车道线包括：将所述地图信息和所述初始3D车道线进行关键点匹配，获得3D转换矩阵；其中所述3D转换矩阵包括3D平移矩阵和3D旋转矩阵；利用所述3D转换矩阵，将所述初始3D车道线匹配到所述地图信息中，对所述初始3D车道线进行补全。7.如权利要求1所述的3D车道线生成方法，其特征在于，所述将补全后的所述初始3D车道线与图片信息相结合，生成第一目标车道线包括：采用车道线检测网络，将所述初始3D车道线与所述图片信息作为所述车道线检测网络...

【专利技术属性】
技术研发人员：邬肖鹏，任思君，张军良，
申请(专利权)人：合众新能源汽车有限公司，
类型：发明
国别省市：