(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210179368.3 (22)申请日 2022.02.25 (71)申请人 重庆长安汽车股份有限公司 地址 400020 重庆市江北区建新 东路260号 (72)发明人 李铖　王月强　任凡　 (74)专利代理 机构 重庆博凯知识产权代理有限 公司 50212 专利代理师 李晓兵 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G01C 21/00(2006.01) G01C 21/32(2006.01) (54)发明名称 一种多信息融合的自动驾驶系统道路边界 构建方法 (57)摘要 本发明涉及一种多信息融合的自动驾驶系 统道路边界构建方法， 包括如下步骤： 1） 利用高 精度地图提供的道路信息构建道路边界K 1； 2） 利 用摄像头和毫米波雷达所获信息构建道路边界 K2； 3） 利用摄像头获取的车道图片构建道路边界 K3； 4） 利用摄像头对车辆进行跟踪形成的车流轨 迹构建道路边界K4； 5） 通过无迹卡尔曼滤波方法 对道路边界K1、 道路边界K2、 道路边界K3和道路 边界K4进行滤波处理， 得到融合道路边界。 本发 明针对高精度地图、 摄像头和毫米波雷达各自的 局限性， 通过无迹卡尔曼滤波技术,将利用多种 方式构建的道路边界融合在一起， 使融合后的道 路边界具有更高的可靠性与稳定性。 权利要求书3页 说明书6页 附图1页 CN 114549990 A 2022.05.27 CN 114549990 A 1.一种多信息融合的自动驾驶系统道路边界构建方法， 其特 征在于： 包括如下步骤： 1)利用高精度地图提供的道路信息构建道路边界K1； 2)利用摄 像头和毫米波雷达所获信息构建道路边界K2； 3)利用摄 像头获取的车道图片 构建道路边界K3； 4)利用摄 像头对车辆进行跟踪形成的车流轨 迹构建道路边界K4； 5)通过无迹卡尔曼滤波方法对道路边界K1、 道路边界K2、 道路边界K3和道路边界K4进 行滤波处理， 得到融合道路边界。 2.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤1)包括如下子步骤： 11)通过GP S和IMU获取 车辆位置； 12)从高精度地图中获取车辆位置对应的道路信息， 所述道路信息包括道路的形状、 坡 度、 曲率和航向； 13)根据所述道路信息构建道路边界K1。 3.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤2)包括如下子步骤： 21)筛选出摄像头、 毫米波雷达所获信息中的静态点云； 22)检测静态点云是否有左右边界， 是， 则以静态点云的左右边界为K ‑Means算法的中 心进行聚类； 否， 则对多个周期的静态点云通过 K‑Means聚类算法筛 选出左右边界； 23)运用最小二乘法对静态点云的左右边界进行曲线拟合生成道路的左右边界， 得到 道路边界K2。 4.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤3)包括如下子步骤： 31)利用摄 像头获取的车道图片； 32)对车道图片进行清理， 所述清理包括障碍物遮挡检测、 阴影消除和曝光 矫正； 33)提取车道图片中的车道线； 34)对车道线 进行曲线拟合 生成道路的左右边界， 得到道路边界K3 。 5.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤4)包括如下子步骤： 41)利用摄 像头对车辆进行跟踪形成车辆的车流轨 迹； 42)对多个车辆的车流轨 迹进行聚类， 筛 选出多条 车流轨迹； 43)对筛选出的多条 车流轨迹进行曲线拟合， 生成自车 车道的中心线； 44)基于自车 车道的中心线向左右方向拓展， 生成道路的左右边界， 得到道路边界K4。 6.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤5)中无迹卡尔曼滤波方法的状态传递矩阵由车辆运动学模型给出， 状态传递矩阵 的约束曲率变换率 为常量。 7.根据权利要求6所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤5)中所述无迹卡尔曼 滤波方法包括如下子步骤： 51)预测； 预测包括计算Sigma点集、 分配Sigma点权重、 转换Sigma点并计算新的均值和 协方差；权　利　要　求　书 1/3 页 2 CN 114549990 A 252)测量； 测量包括 转换状态、 计算增益、 更新状态。 8.根据权利要求7所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤51)的详细操作如下： 计算Sigma点 集： 选取2n+1个Sigma点， Sigma点 集用如下公式表示： x0＝ μ， i＝0 其中， n为车辆运动学模型的状态维度， μ为均值， λ为比例因子， ∑为协方差矩阵； 分配Sigma点权 重： 为选取的Sigma点分配权 重， 所用权 重矩阵如下： 转换Sigma点： 把选取的所有Sigma点带入运动学模型中， 计算预测状态； yi＝g(xi),i＝0,...2n 其中， yi表示预测状态， g(xi)为车辆运动学模型； 算新的均值和协方差： 计算高斯分布的均值和方差， 公式如下： 其中， μ′为高斯分布的均值， ∑ ′为高斯分布的方差， 角标T表示进行矩阵转置， R为噪声 矩阵。 9.根据权利要求8所述一种多信息融合的自动驾驶系统道路边界构建方法， 其特征在 于： 步骤52)的详细操作如下： 转换状态： 把预测状态空间转换为测量状态空间， 转换公式如下： Zi＝h(xi),i＝0,...2n 其中， Zi表示测量状态， h(xi)为状态转换函数， 表示测量状态的均值， S是测量空间的 协方差矩阵， Q 为噪声矩阵； 计算增益： 计算 卡尔曼增益， 计算公式如下： K＝T·S‑1权　利　要　求　书 2/3 页 3 CN 114549990 A 3