交叉口结构的联合概率建模及推断的制作方法
交叉口结构的联合概率建模及推断的制作方法
【技术领域】
[0001] 本公开一般涉及用于生成精确路面地图的方法，特别是涉及用于生成路面的交叉 口结构的模型的方法。
【背景技术】
[0002] 本文提供的背景描述是用于大致呈现本公开的内容的目的。目前著名的发明者的 工作成果，在其可能在此背景章节被描述的程度上，以及描述中在提交时没有另外有资格 作为现有技术的方面，既不特意地也不隐含地被认作相对本技术的现有技术。
[0003] 无论以印刷还是数字显示形式的地图，通常将道路显示为单条线或者两条窄间隔 的线。间隔或线的宽度可以是也可以不是与道路的实际宽度成比例。典型地，这样的地图 不显示道路上车道的数目或者另外的出口车道、自行车道等。它们也不阐明路面交叉口细 节或者在车辆穿过交叉口时允许车辆通行的有效路径。
[0004] 全自动驾驶系统优选设计成在道路上无驾驶员互动或其它外部控制来操作车辆， 例如在自驾或自主车辆中。先进的驾驶员安全系统监测车辆的状况，包括其位置和车辆在 其邻近区域内的位置。这样的系统可能需要编码了高精度的车道级的和路面交叉口的信息 的地图。车道级的和路面交叉口的信息可以用于多种情况中，例如用于为路径规划生成平 滑轨道，用于预测其它车辆的行为或者用于规划和/或推断在交叉口的合适的车辆行为。
[0005] 在许多情况中，地图要么通过繁重的手工注释过程，通过采用测试车辆行驶确切 的车道规划，或者通过分析GPS轨迹的收集来生成。这些方法需要数量可观的手工工作，无 论通过注释还是收集。
[0006] 相应地，期望用较少的准备工作提供精确、详细的交叉口地图。
【发明内容】
[0007] 此章节提供本公开的一般总结，并且不是其完整范畴或其全部特征的全面公开。
[0008] 在多个方面，本教导提供为路面的交叉口结构建模的方法。该方法可以包括接收 包括道路车道信息的第一数据集，和接收包括路面的交叉口结构的车辆轨道信息的第二数 据集。该方法可以包括从第一数据集合和第二数据集合中的至少一个判定车道节点位置。 可以汇编车道节点位置之间的潜在的连接线的集合。该方法进一步包括为每条连接线评估 该连接线是有效连接线的概率，并且给每条连接线指定概率值。可以基于预先确定的阈值 概率值过滤连接线，并且该方法可以包括生成有效连接线的集合。可以基于有效连接线的 集合创建交叉口结构的模型。道路车道信息可以从第一源接收，例如地图数据库或车道估 计算法，并且车辆轨道信息可以从第二源获得，例如LIDAR、雷达、静态图像数据、视频数据 等等。
[0009] 在其它方面，本教导提供为路面的交叉口结构建模的方法，包括为路面的交叉口 结构识别车道节点位置之间的连接线的集合。来自交叉口结构的车辆轨道信息可用于生成 穿过交叉口的车辆轨迹的集合。该方法包括将车辆轨迹分类成完整轨迹和不完整轨迹。对 每条不完整轨迹，可针对该不完整轨迹与一条连接线相关联的概率做出评估。可以使用贝 叶斯模型平均技术来判定概率。该方法包括生成有效连接线的集合并基于有效连接线的集 合来创建交叉口结构的模型。
[0010] 在多个方面，贝叶斯模型平均技术可以由这个等式支配：
[0012] 其中ρ ( λ q I T)是连接线（λ q)的概率值，给定不完整轨迹的集合（T)，其中m是交 叉口模型，并且交叉口模型的集合（M)对数据是简约的。
[0013] 更多适用领域和增强地图技术的多种方法将从本文提供的描述变得显而易见。此 总结中的描述和特定范例仅旨在阐释的目的，并且不旨在限制本公开的范畴。
【附图说明】
[0014] 从详细描述和附图将更完全地理解本教导，其中：
[0015] 图1是可用于本公开的方法的计算设备的框图；
[0016] 图2是在收集多种LIDAR信息中可依循的范例道路路线的绘画表示；
[0017] 图3是对多车道路面的交叉口的描绘，阐明多个进入和离开交叉口的车道节点；
[0018] 图4是与图3的交叉口关联的车辆轨迹的集合的一个范例；
[0019] 图5是对不完整的和替代的车辆轨迹在图3的路面交叉口行进的描绘；
[0020] 图6是对从图3的进入车道节点N1到路面交叉口的可用离开道路节点之一的每 条可能的连接线的描绘；
[0021] 图7是对使用图3的路面交叉口的车辆的每条可能的有效转弯连接线的描绘；
[0022] 图8是对使用图3的路面交叉口的车辆的每条可能的有效穿过连接线的描绘；以 及
[0023] 图9是图7和图8的有效连接线的结合视图。
[0024] 应注意的是本文展示的附图旨在示范本技术之中的材料、方法和设备的大致特 性，用于对特定方面描述的目的。这些附图可能不精确反映任何给定方面的特性，并且不必 要旨在限定或限制在此技术范畴内的特定实施例。而且，特定方面可以包含附图的结合的 特征。
【具体实施方式】
[0025] 以下描述本质上仅是阐释性的，不旨在限制本公开、其应用或使用。如本文使用 的，短语"A，B和C之中至少一个"应解释为意思是逻辑上的（A或B或C)，使用非排他性的 逻辑"或"。应理解的是，方法中的多个步骤可以以不同顺序执行，而不改变本公开的原理。 公开的范围包括公开整个范围内的全部范围和细分的范围。
[0026] 本文使用的标题（例如"【背景技术】"和"
【发明内容】
"）和子标题仅旨在用于本公开 中的话题的大致结构，并且不旨在限制技术或其任何方面的公开。对具有所述特征的多个 实施例的列举不旨在排除具有附加特征的其它实施例，或者包含所述特征的不同组合的其 它实施例。
[0027] 如本文所使用的，术语"包含"和"包括"及其变体旨在非限制，这样顺序列举项目 或列表并不排除也可能在此技术的设备和方法中有用的其它相似项目。类似地，术语"可 以"和"可能"及其变体旨在非限制，这样列举实施例可以或可能包含特定元件或特征并不 排除不包含那些元件或特征的本技术的其它实施例。
[0028] 本公开的宽泛教导可以以多种形式实施。因此，尽管本公开包括特定范例，由于其 它更改对熟练从业者在学习说明书和以下权利要求后将会是显而易见的，本公开的真实范 畴不应如此限制。
[0029] 本技术一般涉及车辆例如汽车可能行驶于其上的路面交叉口结构的联合概率模 型和推断。如本文使用的，应理解的是术语车辆不应狭隘的解释，而应包括所有类型的交通 工具，非限制的范例包括轿车、卡车、摩托车、越野车、公交车、船、飞机、直升机、割草机、休 闲车、游乐园车辆、农用车、工程车、电车、高尔夫球车、火车或电车。
[0030] 许多有关驾驶员支持和半自动或自主车辆的任务（例如车辆检测和追迹，道路规 划和控制）受益于使用高精度街道地图。由于涂漆标线的缺乏，有效（合法或半合法）的 车辆行为的数量增长，以及实际行驶轨道的多变性的增长，路面交叉口呈现独特的挑战。作 为范例，两部在行驶并做出同样左转弯的车辆可能穿过交叉口转过差异显著的路径，然而 它们最终进入并离开交叉口的相同的车道。这样，本技术为估计进入和离开交叉口的车道 之间的有效连接的集合设想概率模型并推断过程。
[0031] 本文使用的多种算法的输入的非限制范例可能包括车道地图和/或车道节点信 息，以及从测试车辆获得的LIDAR数据导出的车辆轨迹的集合。如下文将解释的，轨迹可以 是位置杂乱的并且由于丢失追迹或其它多种原因而实际上不完全转过交叉口的。更进一步 地，在追迹的车辆和可能的交叉口结构之间的数据关联中可能存在显著歧义。尽管如此，本 技术能够提供能够在交叉口结构的全部组份上联合推断的概率模型。使用能够在真实世界 情况的宽泛变化中以杂乱输入数据来揭露交叉口结构的贝叶斯模型平均技术实现模型。
[0032] 为了使用本公开的技术，期望对给定交叉口识别车道节点和车辆轨道信息。图1 是可以用于实施有关识别车道节点或地图数据的特定方法或其部分 的示范计算设备1〇〇 的框图，其中识别车道节点或地图数据将最终引导个人决定合适的道路区段和车道节点。 计算设备100可以是任何类型的车载、手持、桌面或其它形式的单一计算设备，或者可以由 多个计算设备组成。计算装置中的处理单元可以是传统的中央处理单元（CPU) 102或者能 够操控或处理信息的任何其它类型的设备或多个设备。计算设备100中的存储器104可以 是随机存取存储设备（RAM)或任何其它合适类型的存储设备。存储器104可以包括CPU102 使用总线108访问的数据106。
[0033] 存储器104也可以包括操作系统110和安装的应用112。安装的应用112可以包括 允许CPU102执行下述方法的程序。计算设备100也可以包括第二附加或外部存储器114， 例如存储卡、闪存或其它任何形式的计算机可读介质。安装的应用112可以完整或部分地 存储在外部存储器114中并在需要时载入存储器104用于处理。
[0034] 计算设备100也可以耦接到一个或多个传感器116,118,120和122。传感器116， 118,120和122可以获取数据和/或信号用于处理，藉由惯性测量单元（MU)、航位推断 系统、全球导航卫星系统（GPS)、光探测和测距（LIDAR)系统、雷达系统、声纳系统、基于图 像的传感器系统或能够获得特定于围绕车辆的环境的信息并输出相应数据和/或信号至 CPU102的任何其它类型的系统，其中特定于围绕车辆的环境的信息包括车辆行进的路线的 特征或者其它局部位置数据和/或信号。一般地，姿态和运动的估计可以来自Applanix 的POS-LV 220惯性GPS导航系统。此系统生成100Hz的姿态估计。LIDAR数据可以来自 Velodyne的HDL-64E系统，其使用64束激光光束并以10Hz旋转。除了给每条Lidar返回 的3D位置，HDL 64E也可以测量8位的强度，对应于被照射的表面的相对反射率。
[0035] 传感器118和120也可以获取代表车辆在x，y，和z轴位置的变化、速度、加速度、 旋转角度、以及旋转角速度的数据。如果传感器118和120为航位推断系统获取数据，可以 获取有关车轮旋转速度、行驶距离、转向角以及改变的转向角速度的数据。如果传感器118 和120为GPS获取信号，接收器可以计算用全局坐标估计的车辆位置和速度。可以使用三 维三角测量法和时间估计使用多个卫星来估计车辆的位置和速度。
[0036] 计算设备100可以位于测试或实验数据收集车辆中，或者可以位于远离车辆在替 代的位置中（未示出）。如果计算设备100位于远离车辆，车辆可以包括与计算设备100通 信的能力。在多个方面，车辆可以沿如图2所示的给定路线129在一个方向行驶。路线129 可以包括多条不同道路。例如，图2示出为包括带有进出匝道的多车道高速公路、双车道乡 村道路和多车道双向街道。
[0037] 为了收集车道数据，车辆应沿路线129在一条车道内至少行驶一次。可采用多次 通过来提高LIDAR数据的准确度，或者通过拾取可能被附近车流、柱子反射、车辆速度及其 它因素隐藏或扰乱的另外的道路指示。收集车道数据、车道节点和/或车辆行进可能路径 的另外的示范方法可在2013年10月31日提交的美国专利申请编号14/069, 069和2014 年5月9日提交的美国专利申请编号14/273,620中找到，其公开内容通过引用以其整体结 合到本文中。
[0038] 本方法可以以若干推断算法结合粗糙构造的现有地图数据与精细LIDAR测量来 生成精确的道路车道信息。该方法可以从粗糙和精细的LIDAR数据生成车道数目、每条车 道的中心以及任何自行车道、进出匝道、道路车道数目变化的存在等等。
[0039] 在特定方面，可以使用测试车辆，其包含多个传感器，例如参考图1描述的传感 器，以便收集相关数据。可以配置一个或多个传感器来获取在速度、加速度、车轮旋转速度、 以及到周围环境中物体的距离上的改变，为计算设备1〇〇使用以便评估测试车辆的位置和 朝向、用于航位推断系统的转向角、用于由图像传感器处理的图像、基于来自多个卫星的信 号的全局坐标中的测试车辆位置、或者可以用于判定测试车辆的当前状态或判定测试车辆 相对其环境的位置的任何其它数据和/或信号。
[0040] 例如，如果传感器配置为获取数据用于黑白摄像机或LIDAR系统，传感器可以获 取有关从测试车辆周围区域内的物理目标返回的激光的数据，其中测距距离通过测量信号 返回传感器花费的时间来计算。激光或光的返回可以包括光源射中的物体反射的背散射 光，例如由在测试车辆上或靠近测试车辆的传感器或另一源发射的激光。当光被物体反射， 传感器可以获取物体上每点的强度值和反射率以用于分析并分类物体，例如通过处理器 102,存储在计算设备100中或者计算设备100可访问的应用112之一。
[0041] 在一个用于阐释本技术的方法的非限制范例中，提供了特定路面交叉口 150。如图 3所示，交叉口 150包括：两条进入的北向车道，一条北向中心转弯车道，和两条离开的北向 车道；两条进入的南向车道，一条南向中心转弯车道，和两条离开的南向车道；两条进入的 西向车道，一条西向中心转弯车道，和两条离开的西向车道；两条进入的东向车道，一条东 向中心转弯车道，和仅一条离开的东向车道。
[0042] 继续参考图3以及图5-9,路面交叉口 150中的每个车道节点152,154被指定一 个独特的标识符。进入的车道节点152示为具有菱形形状，而离开的车道节点示为具有三 角形状154。作为范例，标记N1，N2，N3的车道节点是朝北向通往交叉口 150去的车辆的进 入的车道节点152 ;N4和N5是车辆离开交叉口 150并朝北去的离开的车道节点154。标记 Wl，W2, W3的车道节点是朝西向通往交叉口 150去的车辆的进入的车道节点152 ;W4和W5 是车辆离开交叉口 150并朝西去的离开的车道节点154。类似地，标记S1，S2，S3的车道节 点是朝南向通往交叉口 150去的车辆的进入的车道节点152 ;S4和S5是车辆离开交叉口 150并朝南去的离开的车道节点154。最后，标记El，E2, E3的车道节点是朝东向通往交叉 口 150去的车辆的进入的车道节点152 ;E4是车辆离开交叉口 150并朝东去的离开的车道 节点154。
[0043] 为了此特定交叉口 150的范例目的，应注意到南向行进经过节点S1的车辆在仅能 右转的车道上，且必须转向西，从而经过离开的车道节点W4或W5之一。换言之，这样的车 辆法律上不允许南向行进至车道节点S4或S5。也应理解到相应的中心转弯车道仅用于左 转；它们不是用来右转或用来笔直穿过交叉口。
[0044] 想象到的是，在多个方面，本公开的方法可以使用包括可以获取作为存储的第一 数据集合和/或可以从第一源接收的道路车道和/或车道节点信息的第一数据集合，以及 包括可以获取作为第二数据集合和/或可以从第二源接收的来自路面交叉口结构的车辆 轨道信息的第二数据集合。在未提供车道节点或车道区段节点位置的实施例中，本公开的 方法可能包括从第一和第二数据集合中的至少一个使用已知算法判定车道节点位置。
[0045] 在一个范例中，第一源可以是先前存在的地图数据库，例如从开放街道地图（0SM) 数据库或等效者获得的数据。这可以提供结构上有信息的、粗糙的街道地图，对识别大概的 交叉口位置有用。在其它方面，可以接收车道数目和每个车道节点的数目和位置，或者例 如，从地图数据116 (图1)或另一个合适的源获得。在许多方面，地图数据116可以是数字 地图信息，其存储在计算设备100的存储器104中，存储在外部存储器114中，或者可做成 对处理器102从远程位置可用，例如通过从数字地图数据源的无线传输。地图数据116可 以包括路面的末梢或分叉的存在与位置，以及末梢离沿路面在每个末梢之前预先确定的位 置的距离，以及在所有子路径中的车道的数目。在特定方面，路面中车道的数目也可以从摄 像机118获得。然而应理解的是，此地图信息可能仅包含道路 和街道的大概的中心线，而不 包含车道的数目或位置。此外，报告的街道位置可能是错误的有几米横向误差。这样，第一 源可以额外地或可选地包括从车道评估算法使用LIDAR数据、道路数据或其它相关数据的 组合来获得的数据。
[0046] 在一个范例中，提供车辆轨道信息的第二源可以包括LIDAR数据、雷达数据、静态 图像数据、视频数据、表格数据及其组合中的至少一个。在使用LIDAR数据处，车辆检测和 追迹算法可以使用LIDAR数据作为输入来生成横穿交叉口的车辆轨迹的集合。
[0047] 在多个方面，可能期望从收集LIDAR数据的测试车辆获得的全部数据中分离或过 滤有效轨迹（例如至少部分地位于交叉口中或横穿交叉口的轨迹）的集合。例如，图4示 出了从实际穿过至少一部分图3的路面交叉口 150的车辆的处理的LIDAR数据获得的范例 的有效车辆轨迹的集合156。为了从完整扫描的数据创建有效轨迹的集合，可能执行以下 步骤中的特定者，例如：（1)在地面和障碍物之间辨别，得到障碍物点的集合；(2)基于动态 生成的MRF能量最小值来聚集障碍物点；（3)基于尺寸过滤聚集群；(4)使用数据关联方案 将过滤的聚集群结合到有效的或新的轨迹中；和/或（5)更新估计每个追迹的车辆的状态 (位置和速度）的过滤器。
[0048] 如图4中可见的，有效车辆轨迹数据可能在每条连接线的车辆轨迹数目上和在沿 追迹的路径的位置上包含高度多变性。如本文使用的，连接线是始于第一车道节点处或附 近，横穿交叉口，结束于不同于第一车道节点的第二车道节点处或附近的代表轨迹。由于物 体移动通过动态场景，测试车辆朝向或离开交叉口的运动，丢失的数据关联，和在追迹流水 线时的其它问题可能造成的闭塞，图4中示出的许多轨迹并不完全横穿交叉口。这样，除完 整轨迹外，还有大量数目的不完整轨迹。此外，由于在行驶中的变化和/或追迹位置评估中 的误差，两条穿过同一连接线的轨迹常常可能在其位置上差别显著。
[0049] 图5示出了不完整的转弯轨迹158,不完整的穿过轨迹160,和可能不是合法轨迹 的完整轨迹162的范例，其中可能不是合法轨迹的完整轨迹162例如来自在交叉口中间变 换车道的车辆的轨迹（例如，车辆从车道节点N2移动到N5,而不是从N2移动到N4)。依据 本公开的方法，可使用多数或全部数据极，所以轨迹数据T包括横穿交叉口的轨迹，不横穿 的轨迹，和有位置高度变化的轨迹。
[0050] 对给定的交叉口结构，本技术为估计交叉口结构提供可用于自主车辆的概率建模 和推断。这带来从完整的路径/连接线的集合中创建仅包括合法/有效路径或有效连接线 的交叉口结构的模型的需要。作为范例并参考图6,经过进入的车道节点N1的车辆技术上 对离开的车道节点有七条不同路径或连接线选择--S4, S5, W4, W5, N4, N5和E4。多数美 国驾驶员会承认图6中的唯一有效连接线是从N1到W4,或者从N1到W5 (假设从N1到S4 和从N1到S5的连接线不是合法/有效的掉头）。
[0051] 在许多方面，本技术汇编车道节点位置之间的潜在连接线的完整集合，然后为每 条连接线评估该连接线对在模型交叉口的使用是有效连接线的概率。由于图3的交叉口 150包括12个不同的进入的车道节点152,每个都具有七个不同的离开的车道节点154的 可能性，有84个车道节点位置之间的潜在的连接线的集合。在许多方面，本技术的方法可 以给每条连接线指定一个该连接线是有效连接线的概率值。如以下将讨论的，概率值可能 基于车辆轨道信息/车辆轨迹数据。方法可以包括基于预先确定的概率值阈值过滤连接 线，并生成有效连接线的集合。交叉口结构的模型遂基于有效连接线的集合来创建。应理 解的是，有效连接线的集合应包括可能不是技术上"合法"但驾驶员普遍驾驶的连接线（例 如，由车辆轨道数据支持的）。一个这样的范例可能是图5中的路径162。另一个范例可能 是右转进入第二车道，例如，从W1行驶到N4,而不是从N1行驶到N5。
[0052] 在许多方面，可以处理来自图4的车辆轨迹数据以便车辆轨迹可以被分类、分离 和/或过滤为完整轨迹和不完整轨迹。对分类为完整轨迹的车辆轨迹，更可能的是车辆轨 迹关联可能连接两个车道节点（例如追迹到车辆经过两个节点位置）的有效连接线，以及 特定的完整轨迹或有效连接线用于创建交叉口结构的模型。这样，每条完整轨迹的概率值 可以指定为值1。对每条不完整轨迹，本技术预期评估不完整轨迹应是有效连接线的概率。 每条不完整轨迹的概率值将是〇和1之间的分数或数值。在多个方面，不完整轨迹可以但 不是要求的穿过至少一个节点位置。
[0053] 尽管可能单独推断每条连接线的可能性，给定轨迹的集合，此方法可能由于至少 两个原因达不成。第一，可能存在与真实连接线高度重叠的不需要的连接线，以及从真实连 接线生成的轨迹将也支持这些不正确的。第二，可能存在一些有非常少的数据或杂乱数据 的连接线。由于这些问题，策划单独考虑每条连接线同时带来好的结果的方法可能不可行。 这样，本技术提出考虑不同连接线结构的联合概率的方法。不同结构（模型）的可能性遂 被重组，以便推断或分析每条连接线。为了计算给定连接线λ。的有效性，本技术使用贝叶 斯模型平均方法，其可由以下等式解释：
[0054] p (入 q | T) = Σ m E Mp (入 q I m) p (m I T)
[0055] 为了估计连接线的概率，给定轨迹集合T，其中m是交叉口模型。如同使用贝叶斯 建模时通常所做的，模型的集合Μ限制为对数据是简约的。由于要被平均的模型的数目在 可能的连接线的数目上是成指数增长的，可以出于计算原因这么做。
[0056] 用于求取上面等式的一个重要计算是轨迹t生成在连接线λ上的概率ρ( λ q|T)。 第一步是为所有分开超过阈值距离γ δ的轨迹-连接线配对设定此概率值为零（〇)。参考 图6,参考编号160指示的路径可能太短以至于不能提供有意义的使用。对其余配对，概率 计算使用沿轨迹的位置和进入与离开的车道节点152,154的位置来计算以下内容：（1)轨 迹是否经过进入和离开的节点的距离γ η_之内。如果两者接近，轨迹是横穿的，或者是完 整轨迹；否则其是不完整横穿的，或者是不完整轨迹；（2)轨迹和从进入到离开的节点构建 的样条之间的平均距离以及（3)对不完整轨迹，该轨迹所占的样条的分数續。
[0057] 如以上说明的，对横穿的轨迹，概率p(t| λ) = 1。对不完整横穿的轨迹，
[0059] 其本质上是轨迹的平均距离和观察到的距离的乘积，其中可以通过下式使用软阈 值方法：
[0061] 其是逻辑或双弯曲函数，由参数γ i决定X与y的交叉值=0. 5交叉，并且γ 3决 定斜率。
[0062] 归一化常数可由通过求取下式给出：
[0064] 交叉口的模型m指定断言为有效的连接线的集合。给定轨迹集合，模型的概率 是：
[0066] 其中
[0067] p (T | m) = Π t e Tp (t | m)
[0068] = Π t e Tp (t I λ n> t)
[0069] 其中入"^是Λ "之中对轨迹t具有最高概率的连接线。这是模型中的简化假设。 此外，当每条有效连接线有距离句： > 沒时，xm, t将等于空连接线λ nc]ne。P(t| A_e)= γη_定义为常量值。
[0070] 在多个方面，模型m的先前概率p (m)是指对特定交叉口给合适平均数目的连接线 建模的手工设计或自定义函数，不带处罚。由于数据被作为主导，先前概率可能不具有大的 效果。例如，如果我们让ηιη是进入交叉口的节点的数目，并且我们定义连接线的理想数目 是：
[0074] 其中对每个交叉口，fM(r〇隐含地以nldeal为参数，其对每个交叉口可能不同。 fM(nJ是模型中连接线的数目~的函数，以大约nldeal为中心，并且分段成线性，由顺序连接 以下点来定义：
[0075] i (nideal_ "Γ f，〇)，(nideal_ "Γ η，1)，(nideal+ "Γ η，1)，(nideal+ "Γ f，〇) }
[0076] 其它情况是0。常数γ n分别定义对理想值的远和近偏离。
[0077] 模型归一化常数是此函数在所有模型上的总和。
[0078] aM=E nfM(nn)
[0079] 对在交叉口中的\条可能的连接线，可能的模型的数目是，，其可能快速增长到 过大以至于不能应用贝叶斯模型平均，如在ρ(λ」Τ) =EmEMp(Aq|m)p(m|T)中。通过检 查轨迹并使用横穿轨迹具有概率值1的事实，模型的集合可被限制为仅有包含所有具有横 穿轨迹的连接线，可以包含有不完整轨迹的连接线，和不包含没有相应轨迹的任何连接线。 如果np是仅有不完整轨迹的连接线的数目，那么简约模型的尺寸是^其对枚举和求和应 该足够小。
[0080] 相应地，考虑以上解释，以上最初提出的概率计算现在变为：
[0082] 在重新整理各项并让ρ(λ」ηι) = I(Aqe Am)作为连接线λ q对模型m出现在连 接线集合中的指示函数，达到最终形式：
[0084] 尽管以上已解决要求和的模型数目的主要计算问题，有若干加速以上等式的方 法。例如，归一化α Μ对每个交叉口是常量并可被缓存。归一化α τ在给定逻辑参数γ p, i，yp,s，y δ,^ γ 5,s，时是常量并可被缓存。
对阈值距离内的所有连接 线-轨迹配对是预先计算的。在上述等式的乘积中，对模型m，合适的值基于连接线1"^来 选择。
[0085] 最后，通过假设具有至少一条横穿轨迹的连接线λ &的概率是1，于是ρ( λ t」T) =1，极大地简化了归一化因子P(T)的计算。由于选择简约模型，对所有模型Ι(γ&ε AJ =1。这样，我们有
[0087] 给定上述讨论，相信其是相当容易计算的值。
[0088] 当概率值被判定或指定给关联不完整轨迹的连接线，本技术的方法包括基于预先 确定的阈值概率值过滤连接线。例如，在一个范例中可能判定具有小于约〇. 6的概率值的 任何连接线都不是有效连接线并应被丢弃。这样，预先确定的阈值概率值被指定为值〇. 6， 并且所有具有小于〇. 6的概率值的连接线被从有效连接线的集合中排除。
[0089] 对于图3的交叉口，使用如图4中发现的车辆轨道信息，图7是对每条可能的有效 转弯连接线的描绘，由点线166指示，并且图8是对每条可能的有效穿过连接线的描绘，由 短划线168指示。图9是图3中的交叉口的模型，其是图7和图8中的有效连接线的集合 的组合。这样，在连接进入的节点152和离开的节点154的84条可能的连接线中，有十四 条有效转弯连接线，和六条有效的穿过连接线。
[0090] 前面的实施例描述被提供用于阐释和描述的目的。其不旨在是无遗漏的或者限制 该公开。特定实施例的独立元件或特征大致不限制于该特定实施例，而是在可应用之处可 互换的并且可被用于选定的实施例，即使没有特别示出或描述。同样的项目可以许多方式 变化。这样的变化不应被视为对本公开的背离，并且所有这样的更改旨在被包括在本公开 的范畴内。
【主权项】
1. 一种为路面的交叉口结构建模的方法，所述方法包括： 接收包括道路车道信息的第一数据集合； 接收包括路面的交叉口结构的车辆轨道信息的第二数据集合； 从所述第一数据集合和第二数据集合中的至少一个判定车道节点位置； 汇编所述车道节点位置之间的潜在的连接线的集合； 为每条连接线评估该连接线是有效连接线的概率并且给每条连接线指定概率值； 基于预先确定的阈值概率值过滤所述连接线并生成有效连接线的集合；以及 基于所述有效连接线的集合创建所述交叉口结构的模型。2. 如权利要求1所述的方法，其中所述为每条连接线评估该连接线是有效连接线的概 率的步骤包括： 使用追迹算法来从所述第二数据集合获得多条完整轨迹，每条完整轨迹代表追迹到通 过所述交叉口的单部车辆；以及 将每条完整轨迹与一条连接线关联。3. 如权利要求2所述的方法，其中每条完整轨迹代表追迹到经过两个节点位置的单部 车辆.4. 如权利要求2所述的方法，进一步包括给每条与完整轨迹相关联的连接线指定概率 值1。5. 如权利要求2所述的方法，进一步包括： 使用追迹算法来从第二数据集合获得多个不完整轨迹，每条不完整轨迹代表追迹到通 过至少一部分所述交叉口的单部车辆；以及 将每条不完整轨迹与一条连接线关联。6. 如权利要求5所述的方法，其中所述不完整轨迹至少经过一个节点位置。7. 如权利要求5所述的方法，其中所述给与不完整轨迹相关联的连接线指定概率值的 步骤包括使用贝叶斯模型平均技术来计算小于1的概率值。8. 如权利要求7所述的方法，其中所述贝叶斯模型平均技术由下面等式支配： P(AJT) =XmeMp(AJm)p(m|T) 其中Ρ(λ」Τ)是连接线Uq)的概率值，给定不完整轨迹的集合⑴，其中m是交叉口 的模型，并且交叉口的模型的集合（M)对数据是简约的。9. 如权利要求1所述的方法，其中所述道路车道信息从第一源接收，并且所述车辆轨 道信息从第二源接收。10. 如权利要求9所述的方法，其中所述第一源包括预先存在的地图数据库。11. 如权利要求9所述的方法，其中所述第一源包括使用LIDAR数据和道路地图数据的 组合从车道评估算法获得的数据。12. 如权利要求9所述的方法，其中所述第二源包括LIDAR数据、雷达数据、静态图像数 据、视频数据、列表数据及其组合之中的至少一个。13. 如权利要求1所述的方法，其中所述预先确定的阈值概率值被指定了特定于所述 交叉口的值，并且过滤所述连接线包括从有效连接线的集合中排除所有具有低于预先确定 的阈值概率值的概率值的连接线。14. 一种为路面的交叉口结构建模的方法，所述方法包括： 为路面的交叉口结构识别在车道节点位置之间的连接线的集合； 使用来自交叉口结构的车辆轨道信息来生成穿过该交叉口的车辆轨迹的集合； 将车辆轨迹分类为完整轨迹和不完整轨迹； 为每条不完整轨迹评估该不完整轨迹与一条连接线相关的概率，其中概率通过使用贝 叶斯模型平均技术来判定； 生成有效连接线的集合；以及 基于所述有效连接线的集合创建所述交叉口结构的模型。15. 如权利要求14所述的方法，其中所述生成有效连接线的集合的步骤包括： 给每条完整的车辆轨迹指定1的概率值； 给每条不完整的车辆轨迹指定小于1的概率值；以及 基于预先确定的概率值阈值过滤所述连接线。16. 如权利要求15所述的方法，其中所述有效连接线的集合排除所有具有小于预先确 定的阈值概率值的指定概率值的连接线。17. 如权利要求14所述的方法，其中所述贝叶斯模型平均技术由下面等式支配： P(AJT) =XmeMp(AJm)p(m|T) 其中PUq|T)是连接线Uq)的概率值，给定不完整轨迹的集合⑴，其中m是交叉口 的模型，并且交叉口的模型的集合（M)对数据是简约的。
【专利摘要】本申请涉及交叉口结构的联合概率建模及推断。一种为路面的交叉口结构建模的方法。所述方法包括接收包括道路车道信息的第一数据集合，以及接收包括路面的交叉口结构的车辆轨道信息的第二数据集合。所述方法包括从第一和第二数据集合中的至少一个判定车道节点位置。可以汇编车道节点位置之间的潜在连接线的集合。所述方法可以进一步包括为每条连接线评估该连接线是有效连接线的概率，并且给每条连接线指定概率值。可以基于预先确定的阈值概率值过滤连接线，并生成有效连接线的集合。基于有效连接线的集合创建交叉口结构的模型。
【IPC分类】G06F17/50
【公开号】CN105488243
【申请号】CN201510639216
【发明人】A·S·乔希, M·R·詹姆斯
【申请人】丰田自动车工程及制造北美公司
【公开日】2016年4月13日
【申请日】2015年9月30日
【公告号】DE102015116882A1, US20160098496
【技术领域】
[0001] 本公开一般涉及用于生成精确路面地图的方法，特别是涉及用于生成路面的交叉 口结构的模型的方法。
【背景技术】
[0002] 本文提供的背景描述是用于大致呈现本公开的内容的目的。目前著名的发明者的 工作成果，在其可能在此背景章节被描述的程度上，以及描述中在提交时没有另外有资格 作为现有技术的方面，既不特意地也不隐含地被认作相对本技术的现有技术。
[0003] 无论以印刷还是数字显示形式的地图，通常将道路显示为单条线或者两条窄间隔 的线。间隔或线的宽度可以是也可以不是与道路的实际宽度成比例。典型地，这样的地图 不显示道路上车道的数目或者另外的出口车道、自行车道等。它们也不阐明路面交叉口细 节或者在车辆穿过交叉口时允许车辆通行的有效路径。
[0004] 全自动驾驶系统优选设计成在道路上无驾驶员互动或其它外部控制来操作车辆， 例如在自驾或自主车辆中。先进的驾驶员安全系统监测车辆的状况，包括其位置和车辆在 其邻近区域内的位置。这样的系统可能需要编码了高精度的车道级的和路面交叉口的信息 的地图。车道级的和路面交叉口的信息可以用于多种情况中，例如用于为路径规划生成平 滑轨道，用于预测其它车辆的行为或者用于规划和/或推断在交叉口的合适的车辆行为。
[0005] 在许多情况中，地图要么通过繁重的手工注释过程，通过采用测试车辆行驶确切 的车道规划，或者通过分析GPS轨迹的收集来生成。这些方法需要数量可观的手工工作，无 论通过注释还是收集。
[0006] 相应地，期望用较少的准备工作提供精确、详细的交叉口地图。
【发明内容】
[0007] 此章节提供本公开的一般总结，并且不是其完整范畴或其全部特征的全面公开。
[0008] 在多个方面，本教导提供为路面的交叉口结构建模的方法。该方法可以包括接收 包括道路车道信息的第一数据集，和接收包括路面的交叉口结构的车辆轨道信息的第二数 据集。该方法可以包括从第一数据集合和第二数据集合中的至少一个判定车道节点位置。 可以汇编车道节点位置之间的潜在的连接线的集合。该方法进一步包括为每条连接线评估 该连接线是有效连接线的概率，并且给每条连接线指定概率值。可以基于预先确定的阈值 概率值过滤连接线，并且该方法可以包括生成有效连接线的集合。可以基于有效连接线的 集合创建交叉口结构的模型。道路车道信息可以从第一源接收，例如地图数据库或车道估 计算法，并且车辆轨道信息可以从第二源获得，例如LIDAR、雷达、静态图像数据、视频数据 等等。
[0009] 在其它方面，本教导提供为路面的交叉口结构建模的方法，包括为路面的交叉口 结构识别车道节点位置之间的连接线的集合。来自交叉口结构的车辆轨道信息可用于生成 穿过交叉口的车辆轨迹的集合。该方法包括将车辆轨迹分类成完整轨迹和不完整轨迹。对 每条不完整轨迹，可针对该不完整轨迹与一条连接线相关联的概率做出评估。可以使用贝 叶斯模型平均技术来判定概率。该方法包括生成有效连接线的集合并基于有效连接线的集 合来创建交叉口结构的模型。
[0010] 在多个方面，贝叶斯模型平均技术可以由这个等式支配：
[0012] 其中ρ ( λ q I T)是连接线（λ q)的概率值，给定不完整轨迹的集合（T)，其中m是交 叉口模型，并且交叉口模型的集合（M)对数据是简约的。
[0013] 更多适用领域和增强地图技术的多种方法将从本文提供的描述变得显而易见。此 总结中的描述和特定范例仅旨在阐释的目的，并且不旨在限制本公开的范畴。
【附图说明】
[0014] 从详细描述和附图将更完全地理解本教导，其中：
[0015] 图1是可用于本公开的方法的计算设备的框图；
[0016] 图2是在收集多种LIDAR信息中可依循的范例道路路线的绘画表示；
[0017] 图3是对多车道路面的交叉口的描绘，阐明多个进入和离开交叉口的车道节点；
[0018] 图4是与图3的交叉口关联的车辆轨迹的集合的一个范例；
[0019] 图5是对不完整的和替代的车辆轨迹在图3的路面交叉口行进的描绘；
[0020] 图6是对从图3的进入车道节点N1到路面交叉口的可用离开道路节点之一的每 条可能的连接线的描绘；
[0021] 图7是对使用图3的路面交叉口的车辆的每条可能的有效转弯连接线的描绘；
[0022] 图8是对使用图3的路面交叉口的车辆的每条可能的有效穿过连接线的描绘；以 及
[0023] 图9是图7和图8的有效连接线的结合视图。
[0024] 应注意的是本文展示的附图旨在示范本技术之中的材料、方法和设备的大致特 性，用于对特定方面描述的目的。这些附图可能不精确反映任何给定方面的特性，并且不必 要旨在限定或限制在此技术范畴内的特定实施例。而且，特定方面可以包含附图的结合的 特征。
【具体实施方式】
[0025] 以下描述本质上仅是阐释性的，不旨在限制本公开、其应用或使用。如本文使用 的，短语"A，B和C之中至少一个"应解释为意思是逻辑上的（A或B或C)，使用非排他性的 逻辑"或"。应理解的是，方法中的多个步骤可以以不同顺序执行，而不改变本公开的原理。 公开的范围包括公开整个范围内的全部范围和细分的范围。
[0026] 本文使用的标题（例如"【背景技术】"和"
【发明内容】
"）和子标题仅旨在用于本公开 中的话题的大致结构，并且不旨在限制技术或其任何方面的公开。对具有所述特征的多个 实施例的列举不旨在排除具有附加特征的其它实施例，或者包含所述特征的不同组合的其 它实施例。
[0027] 如本文所使用的，术语"包含"和"包括"及其变体旨在非限制，这样顺序列举项目 或列表并不排除也可能在此技术的设备和方法中有用的其它相似项目。类似地，术语"可 以"和"可能"及其变体旨在非限制，这样列举实施例可以或可能包含特定元件或特征并不 排除不包含那些元件或特征的本技术的其它实施例。
[0028] 本公开的宽泛教导可以以多种形式实施。因此，尽管本公开包括特定范例，由于其 它更改对熟练从业者在学习说明书和以下权利要求后将会是显而易见的，本公开的真实范 畴不应如此限制。
[0029] 本技术一般涉及车辆例如汽车可能行驶于其上的路面交叉口结构的联合概率模 型和推断。如本文使用的，应理解的是术语车辆不应狭隘的解释，而应包括所有类型的交通 工具，非限制的范例包括轿车、卡车、摩托车、越野车、公交车、船、飞机、直升机、割草机、休 闲车、游乐园车辆、农用车、工程车、电车、高尔夫球车、火车或电车。
[0030] 许多有关驾驶员支持和半自动或自主车辆的任务（例如车辆检测和追迹，道路规 划和控制）受益于使用高精度街道地图。由于涂漆标线的缺乏，有效（合法或半合法）的 车辆行为的数量增长，以及实际行驶轨道的多变性的增长，路面交叉口呈现独特的挑战。作 为范例，两部在行驶并做出同样左转弯的车辆可能穿过交叉口转过差异显著的路径，然而 它们最终进入并离开交叉口的相同的车道。这样，本技术为估计进入和离开交叉口的车道 之间的有效连接的集合设想概率模型并推断过程。
[0031] 本文使用的多种算法的输入的非限制范例可能包括车道地图和/或车道节点信 息，以及从测试车辆获得的LIDAR数据导出的车辆轨迹的集合。如下文将解释的，轨迹可以 是位置杂乱的并且由于丢失追迹或其它多种原因而实际上不完全转过交叉口的。更进一步 地，在追迹的车辆和可能的交叉口结构之间的数据关联中可能存在显著歧义。尽管如此，本 技术能够提供能够在交叉口结构的全部组份上联合推断的概率模型。使用能够在真实世界 情况的宽泛变化中以杂乱输入数据来揭露交叉口结构的贝叶斯模型平均技术实现模型。
[0032] 为了使用本公开的技术，期望对给定交叉口识别车道节点和车辆轨道信息。图1 是可以用于实施有关识别车道节点或地图数据的特定方法或其部分 的示范计算设备1〇〇 的框图，其中识别车道节点或地图数据将最终引导个人决定合适的道路区段和车道节点。 计算设备100可以是任何类型的车载、手持、桌面或其它形式的单一计算设备，或者可以由 多个计算设备组成。计算装置中的处理单元可以是传统的中央处理单元（CPU) 102或者能 够操控或处理信息的任何其它类型的设备或多个设备。计算设备100中的存储器104可以 是随机存取存储设备（RAM)或任何其它合适类型的存储设备。存储器104可以包括CPU102 使用总线108访问的数据106。
[0033] 存储器104也可以包括操作系统110和安装的应用112。安装的应用112可以包括 允许CPU102执行下述方法的程序。计算设备100也可以包括第二附加或外部存储器114， 例如存储卡、闪存或其它任何形式的计算机可读介质。安装的应用112可以完整或部分地 存储在外部存储器114中并在需要时载入存储器104用于处理。
[0034] 计算设备100也可以耦接到一个或多个传感器116,118,120和122。传感器116， 118,120和122可以获取数据和/或信号用于处理，藉由惯性测量单元（MU)、航位推断 系统、全球导航卫星系统（GPS)、光探测和测距（LIDAR)系统、雷达系统、声纳系统、基于图 像的传感器系统或能够获得特定于围绕车辆的环境的信息并输出相应数据和/或信号至 CPU102的任何其它类型的系统，其中特定于围绕车辆的环境的信息包括车辆行进的路线的 特征或者其它局部位置数据和/或信号。一般地，姿态和运动的估计可以来自Applanix 的POS-LV 220惯性GPS导航系统。此系统生成100Hz的姿态估计。LIDAR数据可以来自 Velodyne的HDL-64E系统，其使用64束激光光束并以10Hz旋转。除了给每条Lidar返回 的3D位置，HDL 64E也可以测量8位的强度，对应于被照射的表面的相对反射率。
[0035] 传感器118和120也可以获取代表车辆在x，y，和z轴位置的变化、速度、加速度、 旋转角度、以及旋转角速度的数据。如果传感器118和120为航位推断系统获取数据，可以 获取有关车轮旋转速度、行驶距离、转向角以及改变的转向角速度的数据。如果传感器118 和120为GPS获取信号，接收器可以计算用全局坐标估计的车辆位置和速度。可以使用三 维三角测量法和时间估计使用多个卫星来估计车辆的位置和速度。
[0036] 计算设备100可以位于测试或实验数据收集车辆中，或者可以位于远离车辆在替 代的位置中（未示出）。如果计算设备100位于远离车辆，车辆可以包括与计算设备100通 信的能力。在多个方面，车辆可以沿如图2所示的给定路线129在一个方向行驶。路线129 可以包括多条不同道路。例如，图2示出为包括带有进出匝道的多车道高速公路、双车道乡 村道路和多车道双向街道。
[0037] 为了收集车道数据，车辆应沿路线129在一条车道内至少行驶一次。可采用多次 通过来提高LIDAR数据的准确度，或者通过拾取可能被附近车流、柱子反射、车辆速度及其 它因素隐藏或扰乱的另外的道路指示。收集车道数据、车道节点和/或车辆行进可能路径 的另外的示范方法可在2013年10月31日提交的美国专利申请编号14/069, 069和2014 年5月9日提交的美国专利申请编号14/273,620中找到，其公开内容通过引用以其整体结 合到本文中。
[0038] 本方法可以以若干推断算法结合粗糙构造的现有地图数据与精细LIDAR测量来 生成精确的道路车道信息。该方法可以从粗糙和精细的LIDAR数据生成车道数目、每条车 道的中心以及任何自行车道、进出匝道、道路车道数目变化的存在等等。
[0039] 在特定方面，可以使用测试车辆，其包含多个传感器，例如参考图1描述的传感 器，以便收集相关数据。可以配置一个或多个传感器来获取在速度、加速度、车轮旋转速度、 以及到周围环境中物体的距离上的改变，为计算设备1〇〇使用以便评估测试车辆的位置和 朝向、用于航位推断系统的转向角、用于由图像传感器处理的图像、基于来自多个卫星的信 号的全局坐标中的测试车辆位置、或者可以用于判定测试车辆的当前状态或判定测试车辆 相对其环境的位置的任何其它数据和/或信号。
[0040] 例如，如果传感器配置为获取数据用于黑白摄像机或LIDAR系统，传感器可以获 取有关从测试车辆周围区域内的物理目标返回的激光的数据，其中测距距离通过测量信号 返回传感器花费的时间来计算。激光或光的返回可以包括光源射中的物体反射的背散射 光，例如由在测试车辆上或靠近测试车辆的传感器或另一源发射的激光。当光被物体反射， 传感器可以获取物体上每点的强度值和反射率以用于分析并分类物体，例如通过处理器 102,存储在计算设备100中或者计算设备100可访问的应用112之一。
[0041] 在一个用于阐释本技术的方法的非限制范例中，提供了特定路面交叉口 150。如图 3所示，交叉口 150包括：两条进入的北向车道，一条北向中心转弯车道，和两条离开的北向 车道；两条进入的南向车道，一条南向中心转弯车道，和两条离开的南向车道；两条进入的 西向车道，一条西向中心转弯车道，和两条离开的西向车道；两条进入的东向车道，一条东 向中心转弯车道，和仅一条离开的东向车道。
[0042] 继续参考图3以及图5-9,路面交叉口 150中的每个车道节点152,154被指定一 个独特的标识符。进入的车道节点152示为具有菱形形状，而离开的车道节点示为具有三 角形状154。作为范例，标记N1，N2，N3的车道节点是朝北向通往交叉口 150去的车辆的进 入的车道节点152 ;N4和N5是车辆离开交叉口 150并朝北去的离开的车道节点154。标记 Wl，W2, W3的车道节点是朝西向通往交叉口 150去的车辆的进入的车道节点152 ;W4和W5 是车辆离开交叉口 150并朝西去的离开的车道节点154。类似地，标记S1，S2，S3的车道节 点是朝南向通往交叉口 150去的车辆的进入的车道节点152 ;S4和S5是车辆离开交叉口 150并朝南去的离开的车道节点154。最后，标记El，E2, E3的车道节点是朝东向通往交叉 口 150去的车辆的进入的车道节点152 ;E4是车辆离开交叉口 150并朝东去的离开的车道 节点154。
[0043] 为了此特定交叉口 150的范例目的，应注意到南向行进经过节点S1的车辆在仅能 右转的车道上，且必须转向西，从而经过离开的车道节点W4或W5之一。换言之，这样的车 辆法律上不允许南向行进至车道节点S4或S5。也应理解到相应的中心转弯车道仅用于左 转；它们不是用来右转或用来笔直穿过交叉口。
[0044] 想象到的是，在多个方面，本公开的方法可以使用包括可以获取作为存储的第一 数据集合和/或可以从第一源接收的道路车道和/或车道节点信息的第一数据集合，以及 包括可以获取作为第二数据集合和/或可以从第二源接收的来自路面交叉口结构的车辆 轨道信息的第二数据集合。在未提供车道节点或车道区段节点位置的实施例中，本公开的 方法可能包括从第一和第二数据集合中的至少一个使用已知算法判定车道节点位置。
[0045] 在一个范例中，第一源可以是先前存在的地图数据库，例如从开放街道地图（0SM) 数据库或等效者获得的数据。这可以提供结构上有信息的、粗糙的街道地图，对识别大概的 交叉口位置有用。在其它方面，可以接收车道数目和每个车道节点的数目和位置，或者例 如，从地图数据116 (图1)或另一个合适的源获得。在许多方面，地图数据116可以是数字 地图信息，其存储在计算设备100的存储器104中，存储在外部存储器114中，或者可做成 对处理器102从远程位置可用，例如通过从数字地图数据源的无线传输。地图数据116可 以包括路面的末梢或分叉的存在与位置，以及末梢离沿路面在每个末梢之前预先确定的位 置的距离，以及在所有子路径中的车道的数目。在特定方面，路面中车道的数目也可以从摄 像机118获得。然而应理解的是，此地图信息可能仅包含道路 和街道的大概的中心线，而不 包含车道的数目或位置。此外，报告的街道位置可能是错误的有几米横向误差。这样，第一 源可以额外地或可选地包括从车道评估算法使用LIDAR数据、道路数据或其它相关数据的 组合来获得的数据。
[0046] 在一个范例中，提供车辆轨道信息的第二源可以包括LIDAR数据、雷达数据、静态 图像数据、视频数据、表格数据及其组合中的至少一个。在使用LIDAR数据处，车辆检测和 追迹算法可以使用LIDAR数据作为输入来生成横穿交叉口的车辆轨迹的集合。
[0047] 在多个方面，可能期望从收集LIDAR数据的测试车辆获得的全部数据中分离或过 滤有效轨迹（例如至少部分地位于交叉口中或横穿交叉口的轨迹）的集合。例如，图4示 出了从实际穿过至少一部分图3的路面交叉口 150的车辆的处理的LIDAR数据获得的范例 的有效车辆轨迹的集合156。为了从完整扫描的数据创建有效轨迹的集合，可能执行以下 步骤中的特定者，例如：（1)在地面和障碍物之间辨别，得到障碍物点的集合；(2)基于动态 生成的MRF能量最小值来聚集障碍物点；（3)基于尺寸过滤聚集群；(4)使用数据关联方案 将过滤的聚集群结合到有效的或新的轨迹中；和/或（5)更新估计每个追迹的车辆的状态 (位置和速度）的过滤器。
[0048] 如图4中可见的，有效车辆轨迹数据可能在每条连接线的车辆轨迹数目上和在沿 追迹的路径的位置上包含高度多变性。如本文使用的，连接线是始于第一车道节点处或附 近，横穿交叉口，结束于不同于第一车道节点的第二车道节点处或附近的代表轨迹。由于物 体移动通过动态场景，测试车辆朝向或离开交叉口的运动，丢失的数据关联，和在追迹流水 线时的其它问题可能造成的闭塞，图4中示出的许多轨迹并不完全横穿交叉口。这样，除完 整轨迹外，还有大量数目的不完整轨迹。此外，由于在行驶中的变化和/或追迹位置评估中 的误差，两条穿过同一连接线的轨迹常常可能在其位置上差别显著。
[0049] 图5示出了不完整的转弯轨迹158,不完整的穿过轨迹160,和可能不是合法轨迹 的完整轨迹162的范例，其中可能不是合法轨迹的完整轨迹162例如来自在交叉口中间变 换车道的车辆的轨迹（例如，车辆从车道节点N2移动到N5,而不是从N2移动到N4)。依据 本公开的方法，可使用多数或全部数据极，所以轨迹数据T包括横穿交叉口的轨迹，不横穿 的轨迹，和有位置高度变化的轨迹。
[0050] 对给定的交叉口结构，本技术为估计交叉口结构提供可用于自主车辆的概率建模 和推断。这带来从完整的路径/连接线的集合中创建仅包括合法/有效路径或有效连接线 的交叉口结构的模型的需要。作为范例并参考图6,经过进入的车道节点N1的车辆技术上 对离开的车道节点有七条不同路径或连接线选择--S4, S5, W4, W5, N4, N5和E4。多数美 国驾驶员会承认图6中的唯一有效连接线是从N1到W4,或者从N1到W5 (假设从N1到S4 和从N1到S5的连接线不是合法/有效的掉头）。
[0051] 在许多方面，本技术汇编车道节点位置之间的潜在连接线的完整集合，然后为每 条连接线评估该连接线对在模型交叉口的使用是有效连接线的概率。由于图3的交叉口 150包括12个不同的进入的车道节点152,每个都具有七个不同的离开的车道节点154的 可能性，有84个车道节点位置之间的潜在的连接线的集合。在许多方面，本技术的方法可 以给每条连接线指定一个该连接线是有效连接线的概率值。如以下将讨论的，概率值可能 基于车辆轨道信息/车辆轨迹数据。方法可以包括基于预先确定的概率值阈值过滤连接 线，并生成有效连接线的集合。交叉口结构的模型遂基于有效连接线的集合来创建。应理 解的是，有效连接线的集合应包括可能不是技术上"合法"但驾驶员普遍驾驶的连接线（例 如，由车辆轨道数据支持的）。一个这样的范例可能是图5中的路径162。另一个范例可能 是右转进入第二车道，例如，从W1行驶到N4,而不是从N1行驶到N5。
[0052] 在许多方面，可以处理来自图4的车辆轨迹数据以便车辆轨迹可以被分类、分离 和/或过滤为完整轨迹和不完整轨迹。对分类为完整轨迹的车辆轨迹，更可能的是车辆轨 迹关联可能连接两个车道节点（例如追迹到车辆经过两个节点位置）的有效连接线，以及 特定的完整轨迹或有效连接线用于创建交叉口结构的模型。这样，每条完整轨迹的概率值 可以指定为值1。对每条不完整轨迹，本技术预期评估不完整轨迹应是有效连接线的概率。 每条不完整轨迹的概率值将是〇和1之间的分数或数值。在多个方面，不完整轨迹可以但 不是要求的穿过至少一个节点位置。
[0053] 尽管可能单独推断每条连接线的可能性，给定轨迹的集合，此方法可能由于至少 两个原因达不成。第一，可能存在与真实连接线高度重叠的不需要的连接线，以及从真实连 接线生成的轨迹将也支持这些不正确的。第二，可能存在一些有非常少的数据或杂乱数据 的连接线。由于这些问题，策划单独考虑每条连接线同时带来好的结果的方法可能不可行。 这样，本技术提出考虑不同连接线结构的联合概率的方法。不同结构（模型）的可能性遂 被重组，以便推断或分析每条连接线。为了计算给定连接线λ。的有效性，本技术使用贝叶 斯模型平均方法，其可由以下等式解释：
[0054] p (入 q | T) = Σ m E Mp (入 q I m) p (m I T)
[0055] 为了估计连接线的概率，给定轨迹集合T，其中m是交叉口模型。如同使用贝叶斯 建模时通常所做的，模型的集合Μ限制为对数据是简约的。由于要被平均的模型的数目在 可能的连接线的数目上是成指数增长的，可以出于计算原因这么做。
[0056] 用于求取上面等式的一个重要计算是轨迹t生成在连接线λ上的概率ρ( λ q|T)。 第一步是为所有分开超过阈值距离γ δ的轨迹-连接线配对设定此概率值为零（〇)。参考 图6,参考编号160指示的路径可能太短以至于不能提供有意义的使用。对其余配对，概率 计算使用沿轨迹的位置和进入与离开的车道节点152,154的位置来计算以下内容：（1)轨 迹是否经过进入和离开的节点的距离γ η_之内。如果两者接近，轨迹是横穿的，或者是完 整轨迹；否则其是不完整横穿的，或者是不完整轨迹；（2)轨迹和从进入到离开的节点构建 的样条之间的平均距离以及（3)对不完整轨迹，该轨迹所占的样条的分数續。
[0057] 如以上说明的，对横穿的轨迹，概率p(t| λ) = 1。对不完整横穿的轨迹，
[0059] 其本质上是轨迹的平均距离和观察到的距离的乘积，其中可以通过下式使用软阈 值方法：
[0061] 其是逻辑或双弯曲函数，由参数γ i决定X与y的交叉值=0. 5交叉，并且γ 3决 定斜率。
[0062] 归一化常数可由通过求取下式给出：
[0064] 交叉口的模型m指定断言为有效的连接线的集合。给定轨迹集合，模型的概率 是：
[0066] 其中
[0067] p (T | m) = Π t e Tp (t | m)
[0068] = Π t e Tp (t I λ n> t)
[0069] 其中入"^是Λ "之中对轨迹t具有最高概率的连接线。这是模型中的简化假设。 此外，当每条有效连接线有距离句： > 沒时，xm, t将等于空连接线λ nc]ne。P(t| A_e)= γη_定义为常量值。
[0070] 在多个方面，模型m的先前概率p (m)是指对特定交叉口给合适平均数目的连接线 建模的手工设计或自定义函数，不带处罚。由于数据被作为主导，先前概率可能不具有大的 效果。例如，如果我们让ηιη是进入交叉口的节点的数目，并且我们定义连接线的理想数目 是：
[0074] 其中对每个交叉口，fM(r〇隐含地以nldeal为参数，其对每个交叉口可能不同。 fM(nJ是模型中连接线的数目~的函数，以大约nldeal为中心，并且分段成线性，由顺序连接 以下点来定义：
[0075] i (nideal_ "Γ f，〇)，(nideal_ "Γ η，1)，(nideal+ "Γ η，1)，(nideal+ "Γ f，〇) }
[0076] 其它情况是0。常数γ n分别定义对理想值的远和近偏离。
[0077] 模型归一化常数是此函数在所有模型上的总和。
[0078] aM=E nfM(nn)
[0079] 对在交叉口中的\条可能的连接线，可能的模型的数目是，，其可能快速增长到 过大以至于不能应用贝叶斯模型平均，如在ρ(λ」Τ) =EmEMp(Aq|m)p(m|T)中。通过检 查轨迹并使用横穿轨迹具有概率值1的事实，模型的集合可被限制为仅有包含所有具有横 穿轨迹的连接线，可以包含有不完整轨迹的连接线，和不包含没有相应轨迹的任何连接线。 如果np是仅有不完整轨迹的连接线的数目，那么简约模型的尺寸是^其对枚举和求和应 该足够小。
[0080] 相应地，考虑以上解释，以上最初提出的概率计算现在变为：
[0082] 在重新整理各项并让ρ(λ」ηι) = I(Aqe Am)作为连接线λ q对模型m出现在连 接线集合中的指示函数，达到最终形式：
[0084] 尽管以上已解决要求和的模型数目的主要计算问题，有若干加速以上等式的方 法。例如，归一化α Μ对每个交叉口是常量并可被缓存。归一化α τ在给定逻辑参数γ p, i，yp,s，y δ,^ γ 5,s，时是常量并可被缓存。
对阈值距离内的所有连接 线-轨迹配对是预先计算的。在上述等式的乘积中，对模型m，合适的值基于连接线1"^来 选择。
[0085] 最后，通过假设具有至少一条横穿轨迹的连接线λ &的概率是1，于是ρ( λ t」T) =1，极大地简化了归一化因子P(T)的计算。由于选择简约模型，对所有模型Ι(γ&ε AJ =1。这样，我们有
[0087] 给定上述讨论，相信其是相当容易计算的值。
[0088] 当概率值被判定或指定给关联不完整轨迹的连接线，本技术的方法包括基于预先 确定的阈值概率值过滤连接线。例如，在一个范例中可能判定具有小于约〇. 6的概率值的 任何连接线都不是有效连接线并应被丢弃。这样，预先确定的阈值概率值被指定为值〇. 6， 并且所有具有小于〇. 6的概率值的连接线被从有效连接线的集合中排除。
[0089] 对于图3的交叉口，使用如图4中发现的车辆轨道信息，图7是对每条可能的有效 转弯连接线的描绘，由点线166指示，并且图8是对每条可能的有效穿过连接线的描绘，由 短划线168指示。图9是图3中的交叉口的模型，其是图7和图8中的有效连接线的集合 的组合。这样，在连接进入的节点152和离开的节点154的84条可能的连接线中，有十四 条有效转弯连接线，和六条有效的穿过连接线。
[0090] 前面的实施例描述被提供用于阐释和描述的目的。其不旨在是无遗漏的或者限制 该公开。特定实施例的独立元件或特征大致不限制于该特定实施例，而是在可应用之处可 互换的并且可被用于选定的实施例，即使没有特别示出或描述。同样的项目可以许多方式 变化。这样的变化不应被视为对本公开的背离，并且所有这样的更改旨在被包括在本公开 的范畴内。
【主权项】
1. 一种为路面的交叉口结构建模的方法，所述方法包括： 接收包括道路车道信息的第一数据集合； 接收包括路面的交叉口结构的车辆轨道信息的第二数据集合； 从所述第一数据集合和第二数据集合中的至少一个判定车道节点位置； 汇编所述车道节点位置之间的潜在的连接线的集合； 为每条连接线评估该连接线是有效连接线的概率并且给每条连接线指定概率值； 基于预先确定的阈值概率值过滤所述连接线并生成有效连接线的集合；以及 基于所述有效连接线的集合创建所述交叉口结构的模型。2. 如权利要求1所述的方法，其中所述为每条连接线评估该连接线是有效连接线的概 率的步骤包括： 使用追迹算法来从所述第二数据集合获得多条完整轨迹，每条完整轨迹代表追迹到通 过所述交叉口的单部车辆；以及 将每条完整轨迹与一条连接线关联。3. 如权利要求2所述的方法，其中每条完整轨迹代表追迹到经过两个节点位置的单部 车辆.4. 如权利要求2所述的方法，进一步包括给每条与完整轨迹相关联的连接线指定概率 值1。5. 如权利要求2所述的方法，进一步包括： 使用追迹算法来从第二数据集合获得多个不完整轨迹，每条不完整轨迹代表追迹到通 过至少一部分所述交叉口的单部车辆；以及 将每条不完整轨迹与一条连接线关联。6. 如权利要求5所述的方法，其中所述不完整轨迹至少经过一个节点位置。7. 如权利要求5所述的方法，其中所述给与不完整轨迹相关联的连接线指定概率值的 步骤包括使用贝叶斯模型平均技术来计算小于1的概率值。8. 如权利要求7所述的方法，其中所述贝叶斯模型平均技术由下面等式支配： P(AJT) =XmeMp(AJm)p(m|T) 其中Ρ(λ」Τ)是连接线Uq)的概率值，给定不完整轨迹的集合⑴，其中m是交叉口 的模型，并且交叉口的模型的集合（M)对数据是简约的。9. 如权利要求1所述的方法，其中所述道路车道信息从第一源接收，并且所述车辆轨 道信息从第二源接收。10. 如权利要求9所述的方法，其中所述第一源包括预先存在的地图数据库。11. 如权利要求9所述的方法，其中所述第一源包括使用LIDAR数据和道路地图数据的 组合从车道评估算法获得的数据。12. 如权利要求9所述的方法，其中所述第二源包括LIDAR数据、雷达数据、静态图像数 据、视频数据、列表数据及其组合之中的至少一个。13. 如权利要求1所述的方法，其中所述预先确定的阈值概率值被指定了特定于所述 交叉口的值，并且过滤所述连接线包括从有效连接线的集合中排除所有具有低于预先确定 的阈值概率值的概率值的连接线。14. 一种为路面的交叉口结构建模的方法，所述方法包括： 为路面的交叉口结构识别在车道节点位置之间的连接线的集合； 使用来自交叉口结构的车辆轨道信息来生成穿过该交叉口的车辆轨迹的集合； 将车辆轨迹分类为完整轨迹和不完整轨迹； 为每条不完整轨迹评估该不完整轨迹与一条连接线相关的概率，其中概率通过使用贝 叶斯模型平均技术来判定； 生成有效连接线的集合；以及 基于所述有效连接线的集合创建所述交叉口结构的模型。15. 如权利要求14所述的方法，其中所述生成有效连接线的集合的步骤包括： 给每条完整的车辆轨迹指定1的概率值； 给每条不完整的车辆轨迹指定小于1的概率值；以及 基于预先确定的概率值阈值过滤所述连接线。16. 如权利要求15所述的方法，其中所述有效连接线的集合排除所有具有小于预先确 定的阈值概率值的指定概率值的连接线。17. 如权利要求14所述的方法，其中所述贝叶斯模型平均技术由下面等式支配： P(AJT) =XmeMp(AJm)p(m|T) 其中PUq|T)是连接线Uq)的概率值，给定不完整轨迹的集合⑴，其中m是交叉口 的模型，并且交叉口的模型的集合（M)对数据是简约的。
【专利摘要】本申请涉及交叉口结构的联合概率建模及推断。一种为路面的交叉口结构建模的方法。所述方法包括接收包括道路车道信息的第一数据集合，以及接收包括路面的交叉口结构的车辆轨道信息的第二数据集合。所述方法包括从第一和第二数据集合中的至少一个判定车道节点位置。可以汇编车道节点位置之间的潜在连接线的集合。所述方法可以进一步包括为每条连接线评估该连接线是有效连接线的概率，并且给每条连接线指定概率值。可以基于预先确定的阈值概率值过滤连接线，并生成有效连接线的集合。基于有效连接线的集合创建交叉口结构的模型。
【IPC分类】G06F17/50
【公开号】CN105488243
【申请号】CN201510639216
【发明人】A·S·乔希, M·R·詹姆斯
【申请人】丰田自动车工程及制造北美公司
【公开日】2016年4月13日
【申请日】2015年9月30日
【公告号】DE102015116882A1, US20160098496
最新回复(0)