[发明专利]道路预测的方法以及自主驾驶的方法、车辆及设备

说明书

本公开涉及道路预测的方法，包括：接收指示车辆的环境的激光数据，所述激光数据包括与所述环境中的一个或多个对象相关联的多个数据点；基于所述多个数据点生成二维图像，所述二维图像在与道路表面基本平行的方向上指示所述环境；对所述二维图像进行特征提取，以得到比所述二维图像具有更低分辨率的特征映射；以及对所述特征映射进行重构，以得到比所述特征映射具有更高分辨率的预测图像，并基于所述预测图像得到道路预测的结果，所述道路预测的结果包括道路的轮廓和可行驶区域两者。本公开还涉及自主驾驶的方法、车辆及设备。

技术领域

本公开涉及自主驾驶领域，具体涉及道路预测的方法以及自主驾驶的方法、车辆及设备。

背景技术

自主驾驶是指不需要驾驶人员提供导引和控制，在计算装置的控制下使车辆完成车道保持、超车并道、红灯停绿灯行、灯语笛语交互、避障、转弯等驾驶行为。本公开所称自主驾驶，包括车辆的非完全自主驾驶(帮助驾驶人员进行驾驶)和完全自主驾驶(完全取代驾驶人员进行驾驶)。

目前，自主驾驶的路径规划(例如轨迹规划)主要依靠地图和定位，例如高精度地图和高精度定位。但是由于地图不是实时更新的(因此本文也称其为“静态地图”)，如果地图与实际道路状况不符(本文也称为“地图故障”)和/或定位不准确，则自主驾驶车辆将难以进行路径规划。因此，道路模型的实时预测对于自主驾驶车辆的安全性能至关重要。

在静态地图故障和/或定位不准确的情况下，对于直行道路的道路，自主驾驶车辆通常可以继续沿当前直行道路向前行驶。本文所称的“直行道路”包括道路中心线基本为直线的道路。与直行道路相比，交叉路口等的道路轮廓不再是简单的线性几何形状，因此无法轻松确定前方的可行驶区域。基于此，如何实时预测非直行道路处的可行驶区域非常重要，这也关系到自主驾驶车辆的安全性和灵活性。本文所称的“非直行道路”包括任何形式的交叉道路(包括例如如图1A所示的十字交叉路口、如图1B所示的丁字交叉路口、如图1C所示的道路的具有分支道路的路段等)和道路的转弯路段(包括例如如图1D所示的道路转角处、如图1E所示的弯道处等)。

在现有技术中，多项式拟合法是利用简单的线性外推法实时预测自主驾驶车辆前方的道路几何形状和可行驶区域。这种方法预测直行道路的结果相对准确，但对于自主驾驶车辆前方是非直行道路的情况，其预测的可行驶区域不够准确。

此外，还可以使用粒子滤波的方法来估计前方的可行驶区域。这种方法基于从激光雷达(LiDAR)传感器收集的点云数据来进行估计。这种方法假设在点云分布的地方存在障碍物。沿着自我车辆向周围发射一条直线，当遇到点云时该直线停止，否则继续搜索是否会碰撞点云。但是这种方法很容易受到动态车辆遮挡的影响，并且只能沿单个方向搜索可行驶区域，而无法预测整个可行驶区域和交叉路口的几何形状。

发明内容

本公开的目的之一是提供道路预测的方法以及自主驾驶的方法、车辆及设备。

根据本公开的第一方面，提供了一种道路预测的方法，包括：接收指示车辆的环境的激光数据，所述激光数据包括与所述环境中的一个或多个对象相关联的多个数据点；基于所述多个数据点生成二维图像，所述二维图像在与道路表面基本平行的方向上指示所述环境；对所述二维图像进行特征提取，以得到比所述二维图像具有更低分辨率的特征映射；以及对所述特征映射进行重构，以得到比所述特征映射具有更高分辨率的预测图像，并基于所述预测图像得到道路预测的结果，所述道路预测的结果包括道路的轮廓和/或可行驶区域。

根据本公开的第二方面，提供了一种道路预测的方法，包括：接收指示车辆的环境的激光数据，所述激光数据包括与所述环境中的一个或多个对象相关联的多个数据点；基于所述多个数据点生成二维图像，所述二维图像在与道路表面基本平行的方向上指示所述环境；以及基于预先训练的卷积神经网络模型，对所述二维图像进行处理，以得到道路的轮廓和可行驶区域两者。