[发明专利]一种基于ICCIU的车道级车载实时地图匹配方法

说明书

本发明公开了一种基于ICCIU的车道级车载实时地图匹配方法,属于智能交通领域,包括如下步骤：通过道路级定位算法结合多车道检测算法完成车辆的初始化车道定位；通过初始化车道定位，当车辆处在转弯车道时，使用弯道模型完成车辆在弯道的定位；当车辆处在路口的直行道时或当车辆处在非路口时，使用IMU与基于视觉的车道线检测模块，实现道路直行或变道的检测与定位；基于视觉的IUnet完成车辆的横向位置修正，通过多源数据融合完成车道级的定位。本发明提出一种快速、准确、实时、轻量的移动端车道级定位算法，该类算法能够完成多形状的车道线的检测，对车辆换道定位效果好，且不受光照、阴影、文字等的干扰，不过分依赖地图精度，定位精度高。

技术领域

本发明属于智能交通领域，具体涉及一种车载实时地图匹配方法。

背景技术

随着5G通讯技术的普及与智能交通系统发展，自动驾驶成为当前研究的热点问题，而车辆的自定位方法直接关系到自动驾驶能否提供准确实时的响应。

车道级定位方法分为车道线检测与位置修正两部分，现有多种车道线检测算法，包括：(1)基于几何变换算法。该类算法包括RANSAC、Least Squares、Hough等通过对二值化图像进行车道线拟合，完成车道线的提取。该类算法精度过分依赖车道线标识的完整性且当地面起伏较大时，检测结果不理想。(2)基于特征的算法。该类算法利用车道线的颜色、宽度、纹理、梯度变化或边缘等的特征信息进行车道线的提取，该类算法易受光照、阴影、文字等的干扰，导致算法鲁棒性不高。(3)基于多传感器融合算法，该算法主要使用红外线、激光、微波雷达等传感器，利用车道线与路面的差异性完成车道线的检测，该类算法定位成本昂贵制约着该类算法无法集成到现有的车辆上。(4)基于深度学习的算法。主要有segnet、lannet通过视觉传感器获取当前路面信息，通过微波雷达获取环境信息，从而实现车道级定位，该算法定位成本昂贵且对车辆换道定位效果不佳。(5)基于道路结构的视觉定位方法。该算法使用道路结构关系与单目摄像头弥补单GPS误差过大的不足，提升定位精度，实现车道级的定位。该算法缺乏弯道定位方案且精度有待提升。(6)基于GNSS/DR组合定位方法。算法通过GNSS/DR获取道路信息，根据车辆与路网几何关系，完成车辆位置的修正实现车道级的定位。该算法过分依赖地图精度。

目前，车道级定位方法仍然存在定位成本高、缺乏变道与路口定位方法等问题，难以满足自动驾驶对定位方法全面性的现实性需求。

因此，急需一种快速、准确、实时、轻量的移动端车道级定位方法。

发明内容

本发明目的在于提供一种快速、准确、实时、轻量的移动端车道级定位方法，发明的内容如下：

一种基于ICCIU的车道级车载实时地图匹配方法，包括如下步骤：

S10、通过道路级定位方法结合多车道检测算法完成车辆的初始化车道定位；

S20、通过所述初始化车道定位，确定车辆处于路口：当车辆处在转弯车道时，使用弯道模型完成车辆在弯道的定位；当车辆处在路口的直行道时，使用IMU与基于视觉的车道线检测模块，实现道路直行或变道的检测与定位；

S30、通过所述初始化车道定位，当车辆处在非路口时，使用IMU与基于视觉的车道线检测模块，实现道路直行或变道的检测与定位；

S40、基于视觉的IUnet完成车辆的横向位置修正，通过多源数据融合完成车道级的定位。

进一步地，所述多车道检测方法为：

S101、在GPS选定定位道路的基础上，标定车辆最左侧车道为1车道，往右依次增加；

S102、基于Hough线变换组合多特征车道线检测。

进一步地，所述车道线检测步骤为：

S103、根据车辆中心相机内参数进行图像矫正，消除图像畸变，形成矫正图像；