[发明专利]自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质

说明书

本发明涉及车辆自动驾驶技术领域，提供了一种自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质，系统包括整车控制器和前视摄像头，方法步骤包括：通过前视摄像头获取道路路况图像；将视觉感知获得的道路图像输入PSPNet语义分割神经网络，输出图像中每个像素的语义，判断每个像素点属于左车道、或右车道、或当前车道、或非车道；在进行语义分割的同时，利用目标检测神经网络检测出障碍物在道路图像中的像素坐标；通过障碍物像素坐标与车道语义分割的像素结果判定障碍物所属车道的位置。本发明能够通过基于PSPNet深度神经网络的语义分割技术获取语义信息，根据语义信息更准确和更抗干扰地提取车道信息，从而判定自车以及障碍物当前所占据的车道。

技术领域

本发明涉及车辆自动驾驶技术领域，具体涉及一种自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质。

背景技术

随着自动驾驶技术的蓬勃发展，自动驾驶车辆对环境的感知能力得到快速提高。自动驾驶车辆对环境的感知和建模是后续的自动驾驶预测、决策、规划模块的输入项和决策依据，对行车的安全和舒适性有着重大影响。对于可能与自车发生交互的障碍物(车辆、行人、骑行者)当前行驶车道的判别是环境感知的重要组成部分，下游的预测、决策模块可基于此进行输入建模。另一方面，对于障碍物所处车道感知的不准确会导致车辆的漏制动和误制动，对行车体验和安全性带来负面影响。

在现有技术中，公布号为CN108647572A的专利申请公开了一种基于霍夫变换的车道偏离预警方法，该专利方法首先对图像进行感兴趣区域分割；然后灰度化感兴趣区域图像；使用改进的单向梯度算子对灰度图像进行边缘检测得到边缘图像；通过大津算法对图像进行二值化处理；利用霍夫变换得到候选直线集，并根据斜率分为左、右车道直线集，分别对两个直线集用灭点约束结合随机样本一致性算法筛选，得到最佳的左右车道线参数；构建两个卡尔曼滤波器对左右最佳车道线分别进行跟踪；最后利用左右车道线斜率估算相对横向偏移及其变化趋势，识别车道偏离并预警。

上述技术方案虽然具有计算效率高，检测即时的优点。但霍夫直线检测本身不具备语义信息，可能会将一些非车道线的直线误判为车道线，带来检测误差。另外对非直线的车道线缺乏鲁棒性，阈值二值分割的方式对阈值的选取要求较高。

发明内容

有鉴于此，本申请实施例的目的在于提供一种自动驾驶车辆行驶车道判别方法、系统、车辆及存储介质，能够通过基于PSPNet深度神经网络的语义分割技术获取语义信息，根据语义信息更准确和更抗干扰地提取车道信息，从而判定自车以及障碍物当前所占据的车道。

为实现上述技术目的，本申请采用的技术方案如下：

第一方面，本申请实施例提供了一种自动驾驶车辆行驶车道判别方法，应用于自动驾驶系统，所述自动驾驶系统包括整车控制器和前视摄像头，所述前视摄像头与所述整车控制器通讯连接，所述方法包括以下步骤：

S1、道路图像获取：通过所述前视摄像头获取道路路况图像；

S2、语义分割：将所述前视摄像头视觉感知获得的道路图像输入PSPNet语义分割神经网络，输出图像中每个像素的语义，判断每个像素点属于左车道、或右车道、或当前车道、或非车道；

S3、障碍物检测：在进行所述语义分割的同时，利用目标检测神经网络检测出障碍物在道路图像中的像素坐标；

S4、车道判别后处理：通过所述障碍物在道路图像中的像素坐标与车道的所述语义分割的像素结果判定障碍物所属车道的位置。

进一步，所述步骤S2中，将视觉感知获得的道路图像输入PSPNet语义分割神经网络后，进行语义分割，所述语义分割包括以下步骤：

S201、使用ResNet-101作为ResNet的骨干网络，ResNet-101提取的特征图将前视摄像头获取的道路路况图像下采样8倍；