車道線的案例
用于自動駕駛的實時車道線檢測和智能告警
來自TUSimple 數(shù)據(jù)集的示例圖像以及車道線掩碼
在這個數(shù)據(jù)集上，我們可以訓練一個語義分割模型來分割出屬于lane類的像素。U-Net model非常適合做這個，因為它是一個具有實時推理速度的輕量級模型。U-Net是一種帶有跳躍連接的編譯碼器和解碼器模塊的編譯碼器模型。模型架構如下所示。
來自U-Net論文的U-Net模型結構
然而，損失函數(shù)需要修改為Dice損失系數(shù)。車道線分割問題是一個極其不平衡的數(shù)據(jù)問題。圖像中的大多數(shù)像素屬于背景類。Dice Loss基于Sorenson-Dice系數(shù)，其對false positives和false negatives的重要性相似，這使得它在處理不平衡數(shù)據(jù)問題時表現(xiàn)得更好。Dice損失試圖匹配groundtruth和預測模型中的車道線像素，希望能夠得到一個清晰的邊界預測。
LaneNet模型
這里，我使用了LaneNet模型來生成車道線。LaneNet模型是一種兩階段車道線預測器。第一階段是一個編碼器-解碼器模型，為車道線創(chuàng)建分割掩碼。第二階段是車道先定位網(wǎng)絡，從掩碼中提取的車道點作為輸入，使用LSTM學習一個二次函數(shù)來預測車道線點。
下圖顯示了這兩個階段的運行情況。左邊是原始圖像，中間是階段1的車道線掩碼輸出，右邊是階段2的最終輸出。
LaneNet模型的解釋
生成智能告警
我將車道線預測與物體檢測結合起來，生成智能警報。這些智能警報可能涉及：
檢測其他車輛是否在車道線內(nèi)，并量度與他們的距離
檢測鄰近車道上是否有車輛的存在
了解彎曲道路的轉(zhuǎn)彎半徑
在這里，我使用YOLO-v5來檢測道路上的汽車和人。
展開 車道線檢測方法的一些近期論文
本文選取了最近發(fā)表的車道線檢測論文，都是基于深度學習方法，但考慮的角度有所不同：檢測、分割和后處理等。
1. “Ultra Fast Structure-aware Deep Lane Detection，arXiv 2004.11757，4，2020
車道線檢測任務看成是基于全局圖像特征的行選擇（row selection）分類問題。其中提出一個structural loss 明確建模結構信息，速度很快，300+ FPS。
代碼上線：github.com/cfzd/Ultra-F.
如圖顯示如何選擇行的問題：在每個row anchor水平選擇。
設X是全局圖像特征，f是分類器選擇一行的車道線位置，即車道線預測定義為：
設T是位置的one-hot編碼，則分類器的優(yōu)化形式是：LCE是cross entropy loss
下圖顯示分割和行選擇的區(qū)別：這種方法依賴的是整個圖像的感受野，遠遠大于分割網(wǎng)絡的有限感受野。
除了分類損失項，還有對location的建模。
展開 基于Python的復雜環(huán)境中車道線自動檢測系統(tǒng)
正常版：在馬路上尋找車道線
在這個項目中，本文建立了一個計算機視覺算法，用于檢測車道線并創(chuàng)建平均和外推的邊界線。 流程如下：
1）將幀轉(zhuǎn)換為灰度；
2）為黃色和白色像素創(chuàng)建蒙版；
3）應用高斯平滑；
4）應用Canny邊緣檢測；
5）創(chuàng)建一個額外的遮罩，以專注于車輛前方的“感興趣區(qū)域”；
6）將XY空間中的點（即像素）轉(zhuǎn)換為霍夫空間中的線；
7）霍夫空間中的線相交（即點）的地方，XY空間中存在一條線；
8）使用生成的線的極值，創(chuàng)建兩條平均線s；
9）在整個幀中創(chuàng)建兩條平均線，以實現(xiàn)流暢的視頻播放；10）在每幀上畫線。
從霍夫空間轉(zhuǎn)換后的原始線
可流暢播放的平均線
工作流程：
1）檢查霍夫返回的每條線，并根據(jù)其坡度確定是在左車道還是右車道。因為我們正在對陣列進行“上下顛倒”，所以左側車道的斜率為負，右側車道的正值為；2）極值；3）計算平均值；4）解決b截距；5）用極值求積分；6）流暢的幀和緩存。
從霍夫空間轉(zhuǎn)換后的原始視頻
可流暢播放的車道線視頻
困難版： 這篇文檔為自動駕駛汽車的車道線檢測和跟蹤提供了強大的解決方案。
步驟如下所示：
1）相機校準；2）失真校正；3）漸變和顏色閾值；4）透視變換；5）車道線搜索和搜索優(yōu)化；6）繪制車道覆蓋。
相機校準
我們需要在棋盤上存儲對象點的數(shù)量或感興趣的位置。 僅考慮不在最外邊緣上的點。
展開 自動駕駛的視覺感知包括哪些內(nèi)容？
障礙物側面邊界點易被錯誤投影到世界坐標系，導致前車隔壁可通行的車道被認定為不可通行區(qū)域，如下圖：
道路分割方案：
其一，相機標定（若能在線標定最好，精度可能會打折扣），若不能實現(xiàn)實時在線標定功能，增加讀取車輛的IMU信息，利用車輛IMU信息獲得的俯仰角自適應地調(diào)整標定參數(shù)；
其二，選取輕量級合適的語義分割網(wǎng)絡，對需要分割的類別打標簽，場景覆蓋盡可能的廣；使用極坐標的取點方式進行描點，并采用濾波算法平滑后處理邊緣點。
4. 車道線檢測
車道線檢測包括對各類單側/雙側車道線、實線、虛線、雙線檢測，線型的顏色（白色/黃色/藍色）和特殊的車道線（匯流線、減速線等）檢測。如下圖所示：
車道線檢測難點：
線型種類多，不規(guī)則路面檢測車道線難度大；如遇地面積水、無效標識、修補路面、陰影情況下的車道線容易誤檢、漏檢。
上下坡、顛簸路面，車輛啟停時，容易擬合出梯形、倒梯形的車道線。
彎曲的車道線、遠端的車道線、環(huán)島的車道線，車道線的擬合難度較大，檢測結果易閃爍；
車道線檢測方案：
其一，傳統(tǒng)的圖像處理算法需經(jīng)過攝像頭的畸變校正，對每幀圖片做透視變換，將相機拍攝的照片轉(zhuǎn)到鳥瞰圖視角，再通過特征算子或顏色空間來提取車道線的特征點，使用直方圖、滑動窗口來做車道線曲線的擬合，傳統(tǒng)算法最大的弊端在于場景的適應性不好。
展開 
智能駕駛實車測試系統(tǒng)-VDAS
感知系統(tǒng)
通過激光雷達、高清網(wǎng)絡攝像頭、組合導航傳感器，并結合環(huán)境感知算法和傳感器融合算法，可以感知周圍環(huán)境信息，包括周圍交通參與者的類別、距離、速度、加速度、航向角等，以及周圍交通標志的距離、類型、顏色等，對于車道線檢測，還可以檢測是否越線，以及統(tǒng)計壓線次數(shù)等。
下面的動圖為在城市快速路場景，激光雷達通過多目標跟蹤、機器學習分類等算法輸出的感知效果。
激光雷達感知
為了減少單個傳感器的檢測不確定度，系統(tǒng)采用激光雷達+攝像頭的信息融合方案，結合激光雷達精度與攝像頭信息豐富的特點，融合效果如下圖所示。
激光雷達+攝像頭傳感器融合
通過相機標定與圖像特征提取，系統(tǒng)可以識別出車道線信息，具體包括車道線類型、與車道線距離、擬合出的車道線方程等。
車道線識別效果
VDA數(shù)據(jù)分析
VDA是恒潤自主研發(fā)的一款實車測試數(shù)據(jù)分析軟件，配合數(shù)據(jù)采集系統(tǒng)，可以支持各類場地測試和開放道路測試的關鍵指標自動提取、數(shù)據(jù)統(tǒng)計和測試報告自動生成。相比于傳統(tǒng)的人工分析，可以大幅度提升數(shù)據(jù)處理效率。
VDA目標信息分析界面
VDA支持的法規(guī)評價包和道路測試評價包
經(jīng)緯恒潤
北京市海淀區(qū)知春路7號致真大廈D座6層
郵箱：market_dept@hirain.com
網(wǎng)址：www.hirain.com
展開 RoadMap:一種用于自動駕駛視覺定位的輕質(zhì)語義地圖（ICRA2021）
該地區(qū)的車道線被重新繪制。圖(a)顯示的是原始車道線。圖(b)顯示了重新繪制后的車道線。重新繪制的區(qū)域在紅圈中被突出顯示。圖(c)為原始語義圖。圖(d)顯示了正在更新的語義地圖。新的車道線逐漸取代了舊的車道線。隨著越來越多的最新數(shù)據(jù)的合并，語義圖被完全更新。
Localization Accuracy
對于自主駕駛任務，我們重點關注X、Y方向和偏航（航向）角度的定位精度。與激光雷達比較的詳細結果如下。可以看出，所提出的基于視覺的定位比基于激光雷達的解決方案更好。
Conclusion & Future work
在本文中，我們提出了一個新穎的語義定位系統(tǒng)，它充分利用了傳感器豐富的車輛（如機器人出租車），使低成本的生產(chǎn)汽車受益。整個框架由車上建圖、云上更新和用戶端定位程序組成。我們強調(diào)，這是一個可靠而實用的自主駕駛定位解決方案。
建議的系統(tǒng)利用了路面上的標記。事實上，三維空間中更多的交通元素可用于定位，如交通燈、交通標志和電線桿。在未來，我們將把更多的三維語義特征擴展到地圖中。
展開 【新品發(fā)布】智能駕駛實車測試系統(tǒng)-VDAS
感知系統(tǒng)
通過激光雷達、高清網(wǎng)絡攝像頭、組合導航傳感器，并結合環(huán)境感知算法和傳感器融合算法，可以感知周圍環(huán)境信息，包括周圍交通參與者的類別、距離、速度、加速度、航向角等，以及周圍交通標志的距離、類型、顏色等，對于車道線檢測，還可以檢測是否越線，以及統(tǒng)計壓線次數(shù)等。
下面的動圖為在城市快速路場景，激光雷達通過多目標跟蹤、機器學習分類等算法輸出的感知效果。
激光雷達感知
為了減少單個傳感器的檢測不確定度，系統(tǒng)采用激光雷達+攝像頭的信息融合方案，結合激光雷達高精度與攝像頭信息豐富的特點，融合效果如下圖所示。
激光雷達+攝像頭傳感器融合
通過相機標定與圖像特征提取，系統(tǒng)可以識別出車道線信息，具體包括車道線類型、與車道線距離、擬合出的車道線方程等。
車道線識別效果
VDA數(shù)據(jù)分析
VDA是恒潤自主研發(fā)的一款實車測試數(shù)據(jù)分析軟件，配合數(shù)據(jù)采集系統(tǒng)，可以支持各類場地測試和開放道路測試的關鍵指標自動提取、數(shù)據(jù)統(tǒng)計和測試報告自動生成。相比于傳統(tǒng)的人工分析，可以大幅度提升數(shù)據(jù)處理效率。
VDA目標信息分析界面
VDA支持的法規(guī)評價包和道路測試評價包
經(jīng)緯恒潤
北京市海淀區(qū)知春路7號致真大廈D座6層
電話：010-64840808
郵箱：market_dept@hirain.com
網(wǎng)址：www.hirain.com
展開 車道保持系統(tǒng)工作原理及實例介紹
車輛安全駕駛技術有兩個關鍵點,一是保障本車不與前車碰撞,二是保障本車在自己的車道上行駛,不偏離到其他車道上。當然還有其他安全駕駛技術,但根據(jù)權威統(tǒng)計,這兩點技術如果能做到位,發(fā)生安全事故的概率會明顯變小。資源是有限的,要絕對杜絕安全事故的發(fā)生,需要花費巨額的資金進行產(chǎn)品研發(fā)。這里介紹車道保持系統(tǒng)工作原理及實例。
一、車道保持系統(tǒng)的基本功能
車道保持系統(tǒng)用于幫助司機使車輛一直保持在規(guī)定的某個車道上行駛,車輛不偏離車道(見圖1)。
圖1 車道保持系統(tǒng)的基本功能示意圖
如果車輛行駛偏離自己的車道,車道保持系統(tǒng)會讓轉(zhuǎn)向系統(tǒng)自動糾偏。
二、車道線識別的基本原理
在前車窗內(nèi)側的上方,安裝一個攝像頭(見圖2)。攝像頭能看清車道線,形成清晰的圖像。在計算機的幫助下,通過一定算法,判斷出車輛是否在規(guī)定車道內(nèi) 。如果偏離車道(左右偏離),計算機會給出報警信號和糾偏指令。攝像頭成像(這是傳統(tǒng)技術)是基本要求,對圖像掃描后,形成數(shù)字信號,這是比較關鍵的技術,接下來關鍵的是計算機芯片(處理器)的計算速度和存儲器容量大小。
圖2 車道線識別原理示意圖
通俗的講,攝像頭要滿足車用要求,車輛是高速運動的,攝像頭拍的照片要清晰,計算機芯片(處理器)也必須是專業(yè)級。
注意:道路上要劃分出車道是基礎,其車道線清晰度的要求,符合國際標準ISO 17361和GB/T26773-2011。
圖3 國家符合標準的車道圖
三、車道保持系統(tǒng)工作原理
車道保持系統(tǒng)基本結構分為:識別、分析、決策系統(tǒng)和控制執(zhí)行系統(tǒng)。
1)識別、分析、決策系統(tǒng)
通過攝像頭的畫面的處理,得出當前車輛相對車道線的位置,偏離的方向和速度,當車輛靠近識別出的邊界線且要駛離該車道時,系統(tǒng)會通過聲音和圖像對司機進行提醒。
展開 ViCANdo新版本發(fā)布（PART3）| OpenCV集成
ViCANdo Suite直接支持的數(shù)據(jù)源
? 示例應用：
在ViCANdo內(nèi)實時車道線識別與實時顯示，通過在ViCANdo內(nèi)部直接集成車道線識別算法，方便直觀的展示車道線識別算法的識別情況，并利用ViCANdo的擴展功能將識別的車道線、航向等信息與視頻疊加展示，可以方便的進行算法的調(diào)試。
在上圖的工程中，我們添加了一路攝像頭采集道路信息，同時用兩路CAN通道采集車輛信息，通過圖像提取車道線信息，同時結合車輛的狀態(tài)信息，在圖像上實時疊加顯示識別的車道線信息和車輛的航線信息。
? 示例應用：
環(huán)視攝像頭拼接與實時顯示，通過ViCANdo對LVDS攝像頭的支持，可以直接將一般的車載攝像頭的視頻數(shù)據(jù)接入到平臺中，對于開發(fā)的工程師而言不需再去投入精力到驅(qū)動開發(fā)等工作中，在ViCANdo中直接集成基于OpenCV的視頻拼接算法，并將拼接結果直接的展示在ViCANdo界面中。
在上圖的工程中，我們通過LVDS板卡實時采集四路車載攝像頭的視頻信息（非后裝攝像頭，可以保證算法應用的參數(shù)即為原車攝像頭的參數(shù)），在軟件中加載圖像拼接算法，并在軟件窗口中直接顯示，同時顯示車載魚眼攝像頭的原始圖像。
ViCANdo Suite 產(chǎn)品介紹
ViCANdo Suite是針對智能駕駛功能的開發(fā)和測試平臺軟件套裝。
軟件包含如下組件：
? ViCANdo：
ViCANdo是一款跨平臺的，針對AD/ADAS開發(fā)的數(shù)據(jù)記錄和分析工具，支持運行在Windows、Linux、MacOS等操作系統(tǒng)，支持X86、ARM等平臺。
展開 自動駕駛為什么總出事？機器不應該比人更可靠嗎？
因為各類車道線檢測方法可以得到不同的識別結果。
如上圖所示的道路，我們可以看到一些車道線磨損，我們對其進行圖像處理。
當然，此時磨損的車道線是看不到的，但由于車道線隱含了一些幾何信息：比如它是直線或者曲線，就可以通過幾何算法進行一些增強，甚至可以通過一些機器學習特征的方法進行補全，或者是語義分割等。
所以不同的檢測方法將得到不同的識別結果，又怎么樣能夠一一對應到開始提到的車道線的“磨損”或者“丟失”呢？
其次，車道線不清晰的情況非常多見。比如在擁堵路段，不管是自動駕駛還是人類駕駛，可能都看不到車道線。但對人類駕駛而言，這似乎不是一個特別大的問題，我們只需要跟隨前車就好。為什么呢？因為我們默認前車的行駛是符合道路幾何信息的。
再比如說在一些極端天氣情況下，我們也看不到車道線，但是人類駕駛可以通過跟前車保持一定的距離來實現(xiàn)安全駕駛。
或者在照明條件比較弱等情況下，我們只需要跟前車保持一定的距離和方位就可以。
所以，如果我們要對剛才提到的法規(guī)做更進一步的明晰，要做哪些工作呢？
對于人類駕駛，我們可能模模糊糊覺得，跟前車保持一定的距離和方位就行。但是對自動駕駛來講，它需要一個相對準確的標的物。
車牌可能就是一個不錯的標的物。因為各個國家的交通法規(guī)對車牌的大小、材質(zhì)、尺寸要求都很明晰，如果自動駕駛車以車牌識別為其中一個中介的話，大概就能估算出與前車的距離和方位。
在這張圖中，我們能看到一個夾角，只要調(diào)整本車和前車的夾角，使它們相對平行，而且保持一段安全距離，車輛應該就能夠在安全邊界內(nèi)運行。
我們覺得應該從幾個方面來進一步明晰法規(guī)。
展開 特斯拉AI Day最硬核的解讀來了！清華博導分析6大關鍵點
訓練這個神經(jīng)網(wǎng)絡的軌跡標簽有兩種來源：第一種是人類真實開車的軌跡，但是我們知道人開的軌跡可能只是多種較優(yōu)方案中的一種，因此第二種來源是通過離線優(yōu)化算法產(chǎn)生的其他的軌跡解。
3、在得到一系列可行軌跡后，我們要選擇一個最優(yōu)方案。這里采取的方案是對得到的軌跡進行打分，打分的方案集合了人為制定的風險指標，舒適指標，還包括了一個神經(jīng)網(wǎng)絡的打分器。
通過以上三個步驟的解耦，特斯拉實現(xiàn)了一個高效的且考慮了交互的軌跡規(guī)劃模塊。基于神經(jīng)網(wǎng)絡的軌跡規(guī)劃可以參考的論文并不多，我有發(fā)表過一篇與該方法比較相關的論文TNT[5]，同樣地將軌跡預測問題分解為以上三個步驟進行解決：目標打分，軌跡規(guī)劃，軌跡打分。感興趣的讀者可以前往查閱細節(jié)。此外，我們課題組也在一直探究行為交互和規(guī)劃相關的問題，也歡迎大家關注我們最新的工作InterSim[6]。
▲Interaction Search規(guī)劃模型結構
矢量地圖 Lanes Network
個人覺得本次AI Day上另一大技術亮點是在線矢量地圖構建模型Lanes Network。有關注去年AI Day的同學們可能記得，特斯拉在BEV空間中對地圖進行了完整的在線分割和識別。那么為什么還要做Lanes Network呢？因為分割得到的像素級別的車道不足夠用于軌跡規(guī)劃，我們還需要得到車道線的拓撲結構，才能知道我們的車可以從一條車道變換到另一條車道。
我們先來看看什么是矢量地圖，如圖所示，特斯拉的矢量地圖由一系列藍色的車道中心線centerline和一些關鍵點（連接點connection，分叉點fork， 并道點merge）組成，并且通過graph的形式表現(xiàn)了他們的連接關系。
▲矢量地圖，圓點為車道線關鍵點，藍色為車道中心線
Lanes Network在模型結構上，是感知網(wǎng)絡backbone基礎上的一個decoder。
展開 
ViCANdo新版本發(fā)布（PART4）| QML集成
通過使用ViCANSim中的 Matlab/Simulink擴展，或者利用內(nèi)置仿真引擎進行網(wǎng)絡仿真或視頻算法開發(fā)
ViCANdo Suite直接支持的數(shù)據(jù)源
? 示例應用：
在VICANdo內(nèi)實時車道線識別與實時顯示，通過在ViCANdo內(nèi)部直接集成車道線識別算法，方便直觀的展示車道線識別算法的識別情況，并利用ViCANdo的擴展功能將識別的車道線、航向等信息與視頻疊加展示，可以方便的進行算法的調(diào)試。
在上圖的工程中，我們添加了一路攝像頭采集道路信息，同時用兩路CAN通道采集車輛信息，通過圖像提取車道線信息，同時結合車輛的狀態(tài)信息，在圖像上實時疊加顯示識別的車道線信息和車輛的航線信息。
? 示例應用：
環(huán)視攝像頭拼接與實時顯示，通過ViCANdo對LVDS攝像頭的支持，可以直接將一般的車載攝像頭的視頻數(shù)據(jù)接入到平臺中，對于開發(fā)的工程師而言不用再去投入精力到驅(qū)動開發(fā)等工作中，在ViCANdo中直接集成基于OpenCV的視頻拼接算法，并將拼接結果直接的展示在ViCANdo界面中。
在上圖的工程中，我們通過LVDS板卡實時采集四路車載攝像頭的視頻信息（非后裝攝像頭，可以保證算法應用的參數(shù)即為原車攝像頭的參數(shù)），在軟件中加載圖像拼接算法，并在軟件窗口中直接顯示，同時顯示車載魚眼攝像頭的原始圖像。
ViCANdo Suite 產(chǎn)品介紹
ViCANdo Suite是針對智能駕駛功能的開發(fā)和測試平臺軟件套裝。 軟件包含如下組件：
? ViCANdo：
ViCANdo是一款跨平臺的，針對AD/ADAS開發(fā)的數(shù)據(jù)記錄和分析工具，支持運行在Windows、Linux、MacOS等操作系統(tǒng)，支持X86、ARM等平臺。
展開 九頭蛇的進化：Tesla AutoPilot 純視覺方案解析
同時在此基礎上，可以添加一個Head用來預測車道線，交通標志等，以構建高精地圖。
圖九，空間RNN作為視頻模塊
通過可視化該RNN的feature，可以更加明確該RNN具體做了什么：不同channel分別關注了道路邊界線，車道中心線，車道線，路面等等。
圖十，空間RNN學到的特征可視化
添加了視頻模塊之后，能夠提升感知系統(tǒng)對于時序遮擋的魯棒性，對于距離和目標移動速度估計的準確性。
圖十一，加入視頻模塊可以改善對目標距離和運動速度的估計，綠線為激光雷達的GT，黃線和藍線分別為加入視頻模塊前后模型的預測值
最終的模型
在初版HydraNet的基礎上，使用Transformer整合了多個相機的特征，使用Feature Queue維護一個時序特征隊列和空間特征隊列，并且使用Video Module對特征隊列的信息進行整合，最終接上HydraNet各個視覺任務的Head輸出各個感知任務。
圖十二，最終完整的模型結構以及對應感知結果
整個感知系統(tǒng)使用一個模型進行整合，融合了多個相機時序上和空間上的信息，最終直接輸出所有需要的感知結果，一氣呵成，非常干凈和優(yōu)雅，可以當做教科書一般。
贊嘆該系統(tǒng)的精妙之外，也可以看到Tesla團隊強大的工程能力，背后強大的算力和數(shù)據(jù)標注系統(tǒng)是支持這一切的前提，當然，那啥，本質(zhì)上還是有錢啦……
此外，該系統(tǒng)也并不是最終版的自動駕駛感知系統(tǒng)，還會一直不斷迭代升級，國內(nèi)的同行們要加油了！！
最后，我想說的是……雖然不敢打包票Tesla到底有沒有被Hydra資助or控制←_←但他們作為一家科技公司可以那么詳細的無私分享自己的技術細節(jié)，確實讓人敬佩！
展開 抬頭顯示系統(tǒng)HUD（四）：AR-HUD與智能駕駛
環(huán)境感知信息：車道線類型、車道線曲線方程及顏色、前車位置及車速、設定車速、行人及障礙物信息、信號燈狀態(tài)信息、限速信息等。
圖 9 AR-HUD系統(tǒng)架構
AR-HUD在接收這些信息后，需要進行數(shù)據(jù)融合/處理，最后再進行3D渲染。
高精度地圖如何進行數(shù)據(jù)播發(fā)？如何與自動駕駛控制器進行信息交互？
如上路徑軌跡預測播發(fā)過程如下：
i.導航地圖根據(jù)人的指令（如目標POI點）規(guī)劃出全局行駛路線（道路級）；
ii.然后將規(guī)劃的“行駛路線”給到高精地圖；
iii.高精地圖基于“行駛路線”計算出“車道級路徑規(guī)劃”；
iv.再將“車道級路徑規(guī)劃”給到自動駕駛控制器輔助決策局部路徑規(guī)劃。
g)車道信息Lane Information
車道信息包含了基本車道信息及車道幾何信息。
基本車道信息包括了車道編號（行車方向從右向左，編號遞增）、車道置信度（包含高、中、低等多類別）、車道類型（車道線、中心線、籬笆、護欄、墻等）、車道顏色（白、黃、橙、藍、綠、灰、左白右黃、左黃右白等）、車道線型（單實線、單虛線、短虛線、雙實線、雙虛線、左實右虛、右實左虛、導流線等）等要素。
車道幾何信息包括了車道線編號、車道邊界坐標、車道中心線坐標、車道曲率、車道縱坡度、車道橫坡度、車道航向。
自動駕駛地理圍欄設置
地理圍欄是高精地圖針對自動駕駛功能設置的電子圍欄，用于限定自動駕駛車輛在該范圍內(nèi)的激活控制前提條件，當車輛處于地理圍欄內(nèi)時可以確認開啟自動駕駛功能，當車輛處于地理圍欄外時，自動駕駛功能退出或禁止開啟或觸發(fā)相應的報警功能。
一般情況下能夠利用高精地圖設置的地理圍欄規(guī)則如下，地理圍欄包括兩個部分，其一是特殊場景標識的禁行區(qū)，地理圍欄外的特殊場景設置包括道路等級、道路構成、收費站、檢查站、收費站、檢查站、施工/禁行/被借用、交通燈、曲率、橫坡、縱坡等。如上圖中表示出了比較典型的駛出地理圍欄的標識。其二是禁行區(qū)外的距離延長區(qū)，該區(qū)域內(nèi)是對地理圍欄的確認判斷區(qū)，可作為自動駕駛的報警區(qū)。
展開 