[发明专利]用于自动车道标记的系统

说明书

系统和过程可以通过使用机器学习模型自动标识图像内的车道标记。机器学习模型可以使用精简的数据集并通过将标准化数据或图像应用于机器学习模型来输出车道标记的改进后的估算。应用于模型的每个图像可以通过例如，将图像中每一个图像旋转使得描绘的道路是水平的或以其它方式共有相同的角度来进行标准化。通过将不同的道路图像对准，能够减少应用于模型或模型生成的数据量，并提高机器学习模型的精确度。再者，机器学习模型使用标准化的图像使得用于将数据应用于机器学习模型以例如，标识图像内的车道标记的计算资源能够得以减少。

通过引用并入优先权申请

在本申请的申请数据表中认定外国或国内优先权要求的任何和所有申请(如果有的话)依据37CFR1.57通过引用整体并入本文。再者，本公开与在2018年12月27日(与本发明公开同一日期)提交的以下这些公开内容有关，这些公开基于任何目的通过引用全部并入本文：美国申请号16/234,130，标题为“车道标记确定系统中的图像预处理”；美国申请号16/233,960，标题为“使用图像预处理来生成机器学习模型”；并且美国申请号16/233,989，标题为“用于自动车道标记的系统”。

版权声明

本专利文件公开的部分内容包含受版权保护的材料。版权所有者不反对任何人按美国专利和商标局文件和/或记录中所示的复制该专利文件或专利公开内容，而在其它方面保留所有版权。

背景技术

车辆——例如用于共享出行目的的车辆、提供驾驶员辅助功能的车辆和/或自动或自主驾驶车辆(AV)——可以使用车载数据处理系统获取和处理传感器数据以执行多种多样的功能。例如，功能可以包括确定和/或显示导航路线、标识道路标志、检测物体和/或道路障碍物、控制车辆操作等。

机载数据处理系统执行的各种功能中，有些涉及到地图和/或道路图像的使用。例如，提供导航路线可能依赖于提供给机载数据处理系统的地图。这些地图可以使用成像系统和/或用户提供的数据来获得。有时地图对于某些功能(例如导航路线选择)会过时或提供的不是最优信息，例如，路网的变化、事故、天气状况或意外事件。再者，即使地图是最新的，有些地图对于某些功能而言粒度(granular)不够。例如，图示道路存在的地图可能足以提供路线，但是可能不足以用于自动驾驶，自动驾驶可能需要额外的信息(例如，速度区信息)。

发明内容

如前所述，由车载数据处理系统执行的某些功能依赖于道路的地图和/或图像。备选地，车载数据处理系统可以依赖于从地图数据获得的或在其它方面对应于地图数据的数据。依赖于地图、道路图像和/或地图数据的一些功能包括导航路线选择、自动驾驶、驾驶辅助功能或共享出行路线选择等。许多这些功能需要有权访问车道标记数据或另外通过有权访问车道标记数据来提高性能。例如，为了使自动驾驶车辆保持在特定车道内，在不是必需的情况中，标识道路或道路网络上的车道标记是有所助益的。

一种向地图绘制或路线选择系统提供车道标记数据的方法是在让用户在提供到路线选择或自动驾驶系统的地图绘制或图像数据内进行人工标识车道标记。然而，由于多种原因，人工标识车道标记可能并不充分且存在问题。例如，道路网络中的道路数量和道路标记的数量可能阻碍了人工标记，人类用户容易出错，以及道路和车道标记随时变化，从而需要不断更新。因此，对于大型或真实世界的道路网络来说，人工车道标记是不可行的。

另一种提供车道标记数据的方法是使用自动车道标记系统。自动车道标记系统可以分析地图的图像，以确定道路上车道标记的存在和位置。因为道路网络和/或车道标记随时变化，所以自动车道标记系统可以分析更新的图像以确定车道的位置。与人工标记相比，使用自动系统使车道标记更稳健。然而，由于道路在方向和形状上不一致，且因为道路标记可能在道路网络中的不同道路中差异巨大(例如，不同的颜色，不同的形状，实线与虚线等)，因此可能需要大量训练数据来训练能够用于生成机器学习模型的机器学习系统。这些机器学习模型可用于自动车道标记过程中。再者，可能需要大量计算资源，包括存储器以及处理速度两者，并且需要处理时间来执行自动车道标记过程。