[发明专利]用于车道特征分类和定位的人工神经网络

说明书

提供了用于控制车辆的系统和方法。在一个实施例中，一种控制车辆的方法包括通过至少一个处理器接收来自于安装在车辆上的多个摄像机中的每一个的图像数据。该方法包括通过至少一个处理器对来自于多个摄像机中的每一个的图像数据进行组合，以形成组合的图像数据。该方法包括使用人工神经网络基于组合的图像数据对车道特征进行分类和定位，以产生分类和定位的车道数据。该方法包括通过至少一个处理器基于分类和定位的车道数据进行数据融合处理，从而产生融合的车道特征数据。该方法包括通过至少一个处理器部分地基于融合的车道特征数据来控制车辆。

技术领域

本发明主要涉及使用人工神经网络进行特征感知的车辆、系统以及方法，更具体地，涉及包括用于分类和定位车道特征的人工神经网络的车辆、系统以及方法。

引言

自主和半自主车辆能够基于所感测到的环境进行环境感测和导航。这种车辆使用诸如雷达、激光雷达、图像传感器等传感装置来感测它们的环境。车辆系统还使用来自全球定位系统(GPS)技术、导航系统、车辆对车辆间通讯、车辆对基础设施技术，和/或线控驱动系统的信息来为车辆进行导航。

车辆自动化已被分为零到五的数字等级，零对应于没有自动化，全部由人进行控制；五对应于全自动化，无人控制。诸如巡航控制系统、自适应巡航控制系统和泊车辅助系统的各种自动驾驶员辅助系统对应于较低的自动化等级，而真正的无人驾驶车辆对应于较高的自动化等级。一些自动化车辆系统对车道特征进行分类和定位，例如路障、道路边缘、车道标记以及其它道路标记。包括自动化车辆特征的一些车辆包括了多个光学摄像机以对车辆周围的环境成像。

因此，期望提供以在计算上有效且精准的方式对图像特征进行分类和定位的系统和方法。还希望提供对来自多个摄像机的图像特征进行分类和定位并能同时保持计算效率的系统和方法。此外，从以下结合附图和前面的技术领域及背景技术的具体实施方式和所附的权利要求中可以更清楚地了解本发明的其它理想特征和特性。

发明内容

本发明提供了用于分类和定位车道特征的系统及方法。

在一个实施例中，一种控制车辆的方法包括通过处理器从安装在车辆上的多个摄像机中的每一个接收图像数据。该方法包括通过处理器对来自于多个摄像机中每一个的图像数据进行组合以形成组合图像数据。该方法包括用人工神经网络基于组合的图像数据对车道特征进行分类和定位，以产生分类和定位的车道数据。该方法包括通过处理器基于分类和定位的车道数据进行数据融合处理，从而产生融合的车道特征数据。该方法包括通过处理器，部分地根据所产生的融合的车道特征数据来对车辆进行控制。

在实施例中，该方法包括通过处理器基于分类和定位的车道数据进行图像空间到真实空间的变换，以提供真实空间车道特征数据。在实施例中，该图像空间到真实空间的变换配置为接收用于多个摄像机中的每一个的图像到真实空间校准数据，并且使用用于与多个摄像机中给定的一个对应的分类和定位的车道数据中每个部分的相应校准数据。

在实施例中，变换发生在融合之前。

在实施例中，多个摄像机具有不同但重叠的视野，并且融合包括巩固重叠的视野。

在实施例中，分类和定位的车道数据限定线段。

在实施例中，基于线段进行曲线拟合，以产生分类和定位的车道曲线数据。在实施例中，基于线段进行数据聚类，以产生聚类数据，并且基于该聚类数据进行曲线拟合。

在实施例中，该方法包括通过处理器限定沿每个线段的锚点。在实施例中，该方法包括通过处理器在锚点上执行数据聚类算法，以产生聚类锚点。在实施例中，该方法包括通过处理器曲线拟合聚类锚点，以产生分类和定位的车道曲线数据。

在实施例中，该方法包括通过处理器基于分类和定位的车道曲线数据进行图像空间到真实空间的变换以提供真实空间车道特征数据，以及基于该真实空间车道特征数据进行数据融合处理，从而产生融合的车道特征数据。在实施例中，对已从多个摄像机中获取的数据进行数据融合处理。