车辆规划控制方法及装置、电子设备及车辆与流程

1.本发明涉及车辆规划控制领域，尤其涉及一种车辆规划控制方法及装置、电子设备及车辆。


背景技术：

2.目前，在自动驾驶的定位中，通常采用多传感器融合的方式，来对rtk(real-timekinematic，实时动态)载波相位差分技术)、imu(inertial measurementunit,惯性测量单元)、矢量地图、点云地图中的多种数据进行融合，来获得自车定位数据。自动驾驶车辆行驶的环境非常复杂，不同的融合方案都会存在无法处理的边缘场景。
3.然而，多传感器的数据以及高精地图数据常常由于不同的环境，其数据可能存在错误或者较大的误差。例如，在隧道场景中：定位信号存在较大误差；点云和地图特征信息不明显，难以通过匹配进行准确定位；通过imu和轮速计的估计，也会存在传感器零飘，车辆参数变化等误差问题。又例如，由于高精地图又存在制作周期，从而自动驾驶车辆使用高精地图存在更新不及时等地图数据错误的问题。
4.自动驾驶中的驾驶规划依赖定位数据，而根据不同的环境情况，定位数据使用的传感器数据或者高精地图数据常常存在错误或较大的误差，从而导致定位数据无法满足高精定位，且容易出现定位跳变的问题，定位数据上述问题容易影响自动驾驶系统的安全性。
5.由此，如何实现自动驾驶规划控制，以提高定位精度，避免定位跳变，提高自动驾驶安全性，是本领域亟待解决的技术问题。


技术实现要素：

6.本发明为了克服上述相关技术存在的缺陷，提供一种车辆规划控制方法及装置、电子设备及车辆，进而实现自动驾驶规划控制，以提高定位精度，避免定位跳变，提高自动驾驶安全性。
7.根据本发明的一个方面，提供一种车辆规划控制方法，包括：
8.获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；
9.确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；
10.根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；
11.基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。
12.在本技术的一些实施例中，所述融合匹配状态包括所述至少一种感知车道线之间的第一匹配度、所述至少一种感知车道线分别与所述地图车道线之间的第二匹配度。
13.在本技术的一些实施例中，所述根据所述融合匹配状态确定所述高精地图和所述感知数据的置信度，包括：
14.在确定所述第一匹配度满足第一预设条件的情况下，确定所述感知数据的置信度大于第一预设阈值；
15.和/或，在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值。
16.在本技术的一些实施例中，所述在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值，包括：
17.在确定所述第二匹配度中的至少一个大于第三预设阈值的情况下，确定所述高精地图的置信度大于第二预设阈值。
18.在本技术的一些实施例中，所述至少一种感知车道线包括视觉车道线和激光点云车道线，其中，所述视觉车道线利用视觉传感器所获取的感知数据生成，所述激光点云车道线利用激光雷达所述获取的感知数据生成，对应地，所述在确定所述第二匹配度中的至少一个大于第三预设阈值的情况下，确定所述高精地图的置信度大于第二预设阈值，包括：
19.在确定所述视觉车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第一置信度；
20.在确定所述激光点云车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第二置信度；
21.所述第一置信度与所述第二置信度均大于第二预设阈值，且所述第一置信度设置为大于所述第二置信度。
22.在本技术的一些实施例中，所述基于所述高精地图和所述感知数据的置信度，确定对所述自车的规划控制策略，包括：
23.在确定所述感知数据的置信度大于第一预设阈值且所述高精地图的置信度小于等于第二预设阈值的情况下，基于所述感知数据确定对所述自车的规划控制策略。
24.在本技术的一些实施例中，所述基于所述高精地图和所述感知数据的置信度，确定对所述自车的规划控制策略，包括：
25.在确定所述高精地图的置信度大于第二预设阈值且所述感知数据的置信度小于等于第一预设阈值的情况下，基于所述高精地图确定对所述自车的规划控制策略。
26.根据本技术的又一方面，还提供一种车辆规划控制，包括：
27.车道线获取模块，配置成获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；
28.融合匹配状态确定模块，配置成确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；
29.置信度确定模块，配置成根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；
30.其中，所述高精地图的置信度和所述感知数据的置信度用于确定对所述自车的规划控制策略。
31.根据本技术的又一方面，还提供一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令时实现上述方法。
32.根据本技术的又一方面，还提供一种车辆，包括：
33.感知传感器，配置成获取自车的感知数据；
34.感知融合模块，配置成：
35.获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；
36.确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；
37.根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；
38.规划控制模块，配置成基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。
39.相比现有技术，本发明的优势在于：
40.通过至少一种感知车道线之间、至少一种感知车道线分别与所述地图车道线之间的融合匹配状态，来确定所述高精地图的置信度和所述感知数据的置信度，从而根据高精地图的置信度和感知数据的置信度来确定对所述自车的规划控制策略，由此，保证自车的规划控制策略中能够使用置信度较高的高精地图数据和/或感知数据，避免高精地图数据、感知数据由于数据错误或者数据误差，导致自车定位错误的问题，由此提高自动驾驶规划安全性。
附图说明
41.通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
42.图1示出了根据本发明一实施例的车辆规划控制方法的流程图。
43.图2示出了根据本发明实施例的车辆规划控制装置的模块图。
44.图3示出了根据本发明实施例的车辆的模块图。
45.图4示意性示出本发明示例性实施例中一种计算机可读存储介质示意图。
46.图5示意性示出本发明示例性实施例中一种电子设备示意图。
具体实施方式
47.现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本发明将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。
48.此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
49.附图中所示的流程图仅是示例性说明，不是必须包括所有的步骤。例如，有的步骤还可以分解，而有的步骤可以合并或部分合并，因此，实际执行的顺序有可能根据实际情况改变。
50.图1示出了根据本发明实施例的车辆规划控制方法的流程图。本技术提供的车辆
规划控制方法包括如下步骤：
51.步骤s110：获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成。
52.步骤s120：确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态。
53.步骤s130：根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度。
54.步骤s140：基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。
55.在本技术提供的车辆规划控制方法中，通过至少一种感知车道线之间、至少一种感知车道线分别与所述地图车道线之间的融合匹配状态，来确定所述高精地图的置信度和所述感知数据的置信度，从而根据高精地图的置信度和感知数据的置信度来确定对所述自车的规划控制策略，由此，保证自车的规划控制策略中能够使用置信度较高的高精地图数据和/或感知数据，避免高精地图数据、感知数据由于数据错误或者数据误差，导致自车定位错误的问题，由此提高自动驾驶规划安全性。
56.具体而言，自车的感知数据可以包括视觉传感器数据以及雷达传感器数据，其它感知数据也在本技术的保护范围之内。根据感知数据可以检测获得感知车道线。例如，视觉传感器获得视觉传感器数据，根据视觉传感器数据的车道线检测，可以获得视觉车道线。具体而言，视觉传感器数据的车道线检测可以通过各类人工智能模型或者图像处理算法来实现，本技术并非以此为限制。例如，激光雷达可以获得激光点云传感器数据，根据激光点云传感器数据的车道线检测可以获得激光点云车道线。具体而言，激光点云传感器数据的车道线检测可以通过激光点云的特征提取与预设车道线特征匹配来实现，本技术并非以此为限制。当然，在其他实施例中，还可以通过毫米波雷达等感知传感器获取感知数据，并根据所述感知数据检测得到感知车道线，例如，毫米波雷达可以获取回波强度、距离、角度等测量数据，根据所述测量数据可以检测得到视觉车道线。
57.具体而言，自车前方目标路段可以按需设置为自车前方设定区域内的路段。例如，自车前方目标路段可以为自车前方0.5米至5米的路段，本技术并非以此为限制。由于感知数据基于感知传感器获取，感知传感器设置在自车，从而可以根据感知数据中各特征与自车的距离来检测获得自车前方目标路段的感知车道线。在一些实施例中，可以根据自车的定位信号，诸如gps(globalpositioningsystem，全球定位系统)定位信号、北斗定位信号等，确定自车在高精地图中的自车位置，从而根据所确定的自车位置，来获取高精地图中自车前方目标路段的地图车道线。在另一些实施例中，可以根据诸如惯性测量单元以及车辆行驶信息等，确定自车在高精地图中的自车位置，从而根据所确定的自车位置，来获取高精地图中自车前方目标路段的地图车道线。在又一些实施例中，可以基于感知数据与高精地图的特征匹配，来确定与感知车道线对应的地图车道线。本技术可以实现多种不同的地图车道线的获取方式，在此不予赘述。
58.具体而言，所述融合匹配状态可以包括车道线之间的匹配度、车道线之间的融合权重、车道线检测所提供的车道线置信度中的一种或多种。
59.其中，车道线之间的匹配度可以包括车道线之间的距离。例如，在检测到感知车道
线之后，可以利用曲线拟合等方式确定感知车道线的数学表达式，如曲线方程等。基于此，在确定两条车道线之间的匹配度的情况下，可以根据车道线的数学表达式计算两条车道线之间的欧式距离，欧式距离越短，表示两条车道线的匹配度越高。当然，在其他实施例中，所述匹配度还可以通过最近点搜索法(iterativeclosestpoint，icp)等曲线匹配算法确定，本技术在此不做限制。由此，至少基于车道线之间的匹配度来确定融合匹配状态，一方面，仅需对不同数据来源(即感知数据和高精地图)获得的同一目标对象进行数据处理，无需比对大量的感知数据和高精地图数据，提高数据处理效率；另一方面，能够将不同数据来源(即感知数据和高精地图)的数据关联关系(车道线之间的匹配度)纳入到感知数据和高精地图的置信度的确定以及规划控制策略的确定中，能够提高所获取的感知数据和高精地图的置信度的准确性，从而提高自动驾驶规划安全性。
60.在自动驾驶中，获得感知车道线和地图车道线之后，可以对车道线进行融合，从而能够基于所融合的车道线来对车辆自动驾驶进行控制。由此，在一些实施例中，可以将车道线融合时，感知车道线和地图车道线的融合权重作为融合匹配状态。融合权重用于表示融合感知车道线和地图车道线时，感知车道线和地图车道线的重要程度。具体而言，在自动驾驶控制过程中，需要使用车道线信息(如车道线的位置和形状)来进行诸如车道线控制、换道等自动驾驶操作。车道线信息可以基于感知车道线和地图车道线加权融合获得。例如，可以通过感知车道线和地图车道线的拟合曲线确定对应的车道线特征点，基于对应的感知车道线的车道线特征点的坐标和对应的地图车道线的车道线特征点的坐标进行加权求和以获得车道线信息中对应特征点的坐标，各特征点组合可以获得所需的车道线信息。融合权重可以包括上述感知车道线的车道线特征点和地图车道线的车道线特征点融合时使用的权重。感知车道线的融合权重可以基于感知车道线的置信度计算。感知车道线的置信度用于表示所获得的感知车道线的可信程度。在一些具体实现中，感知车道线可以基于诸如神经网络模型的人工智能模型预测输出，该人工智能模型可以输出感知车道线及其概率，人工智能模型所输出的概率可以作为该感知车道的置信度。地图车道线的置信度用于表示所获得的地图车道线的可信程度。在一些具体实现中，地图车道线的置信度可以根据车辆的定位信号的置信度计算(例如，可以将车辆的定位信号的置信度作为地图车道线的置信度)。定位信号的置信度可以由定位模块自行提供，也可以基于车辆所处位置以及环境信息由经训练的人工智能模型预测获得。本技术并非以此为限制。
61.由此，至少基于车道线之间的融合权重来确定融合匹配状态，一方面，仅需对不同数据来源(即感知数据和高精地图)获得的同一目标对象进行数据处理，无需比对大量的感知数据和高精地图数据，提高数据处理效率；另一方面，由于自动驾驶中存在将车道线进行融合的步骤，从而可以复用将车道线融合时的融合权重，无需重新计算融合状态，提高感知数据和高精地图的置信度确定效率；再一方面，能够将不同数据来源(即感知数据和高精地图)的融合时的重要程度，纳入到感知数据和高精地图的置信度的确定以及规划控制策略的确定中，能够提高所获取的感知数据和高精地图的置信度的准确性，从而提高自动驾驶规划安全性。
62.在另一些实施例中，部分感知车道线的检测算法会自行提供所检测的车道线的置信度，从而可以直接将该检测算法提供的置信度作为融合匹配状态。感知车道线的置信度用于表示所获得的感知车道线的可信程度。在一些具体实现中，感知车道线的检测算法可
以为诸如神经网络模型的人工智能模型。感知车道线可以基于诸如神经网络模型的人工智能模型预测输出，该人工智能模型可以输出感知车道线及其概率，人工智能模型所输出的概率可以作为该感知车道的置信度。地图车道线的置信度用于表示所获得的地图车道线的可信程度。在一些具体实现中，地图车道线的置信度可以根据车辆的定位信号的置信度计算(例如，可以将车辆的定位信号的置信度作为地图车道线的置信度)。定位信号的置信度可以由定位模块自行提供，也可以基于车辆所处位置以及环境信息由经训练的人工智能模型预测获得。
63.由此，至少基于车道线的置信度来确定融合匹配状态，一方面，仅需对不同数据来源(即感知数据和高精地图)获得的同一目标对象进行数据处理，无需比对大量的感知数据和高精地图数据，提高数据处理效率；另一方面，由于车道线的置信度通常可以直接由相关模块(如定位模块和车道线检测模块)输出，从而无需重新计算融合状态，提高感知数据和高精地图的置信度确定效率。
64.本技术可以实现多种不同的融合匹配状态，在此不予赘述。
65.在一些实施例中，融合匹配状态可以包括所述至少一种感知车道线之间的第一匹配度以及所述至少一种感知车道线分别与所述地图车道线之间的第二匹配度。感知车道线之间的第一匹配度以及至少一种感知车道线分别与所述地图车道线之间的第二匹配度能够用来确定高精地图和感知数据的置信度。具体而言，车道线之间的匹配度可以基于车道线的位置数据、车道线的形状数据等计算获得。例如，车道线的位置数据的误差越小，匹配度越高。在一些实施例中，车道线的位置数据的误差可以根据车道线之间对应点的平均欧式距离计算获得。车道线之间对应特征点的平均欧式距离越小，车道线之间的匹配度越高。又例如，可以利用曲线拟合等方式确定车道线的数学表达式，如曲线方程等，通过最近点搜索法等曲线匹配算法确定车道线之间的匹配度。本技术可以实现多种不同的匹配度计算方式，在此不予赘述。
66.由此，至少一种感知车道线之间的第一匹配度以及所述至少一种感知车道线分别与所述地图车道线之间的第二匹配度，从而能够将不同数据来源之间(即多个感知数据之间，感知数据与高精地图之间)的数据关联关系(车道线之间的匹配度)纳入到感知数据和高精地图的置信度的确定以及规划控制策略的确定中，能够提高所获取的感知数据和高精地图的置信度的准确性，从而提高自动驾驶规划安全性。
67.在一些实施例中，上述步骤s130可以包括：在确定所述第一匹配度满足第一预设条件的情况下，确定所述感知数据的置信度大于第一预设阈值。在一些实施例中，上述步骤s130可以包括：在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值。在一些实施例中，上述步骤s130可以包括：在确定所述第一匹配度满足第一预设条件的情况下，确定所述感知数据的置信度大于第一预设阈值；以及在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值。具体而言，第一预设条件、第二预设条件可以按需设置。例如，第一预设条件可以包括：第一匹配度大于预设阈值，由此，通过第一预设条件，当各感知车道线之间的匹配度较高时，感知数据的置信度较高，从而可以使得感知数据的置信度大于第一预设阈值。在一个具体实现中，假设预设阈值为0.8，且第一预设阈值为0.8，则当视觉车道线和激光点云车道线之间的的匹配度为0.9，大于预设阈值时，可以使得感知数据的置信度大于第一预设阈值
0.8，例如可以使得感知数据的置信度为0.9。例如，第二预设条件可以包括：所述第二匹配度中的至少一个大于第三预设阈值，由此，通过第二预设条件，当至少一个感知车道线与地图车道线的匹配度较高时，高精地图的置信度较高，从而可以使得高精地图的置信度大于第二预设阈值。在一个具体实现中，假设第三预设阈值为0.8，且第二预设阈值为0.8，则当视觉车道线和地图车道线之间的匹配度为0.9，大于第三预设阈值时，可以使得高精地图的置信度大于第二预设阈值0.8，例如可以使得高精地图的置信度为0.9；当激光点云车道线和地图车道线之间的匹配度为0.9，大于第三预设阈值时，也可以使得高精地图的置信度大于第二预设阈值0.8，例如可以使得高精地图的置信度为0.9。由此，本技术通过上述不同的实施例，一方面，可以实现感知数据的置信度和/或高精度地图的置信度确定，从而可以适应不同的自动驾驶规划控制情况；另一方面，感知数据的置信度和/或高精度地图的置信度的计算所需数据量较小，且计算方式简单，计算效率较高，更能够适应自动驾驶的自车的规划控制策略的实时性。
68.进一步地，感知数据的置信度和高精地图的置信度可以根据第一匹配度和第二匹配度计算。例如，感知数据的置信度可以与该感知数据的感知车道线与其它感知数据的感知车道线之间的第一匹配度，和/或该感知数据的感知车道线与地图车道线之间的第二匹配度，正相关。换言之，该感知数据的感知车道线与其它感知车道线和/或地图车道线的匹配度越高，该感知数据的置信度越高。
69.在一些具体实现中，视觉传感器的感知数据的置信度tv＝k1s1，其中，k1为正相关参数，s1为视觉车道线和激光点云车道线之间的第一匹配度。k1可以为基于经验设置、基于历史车道线数据确定或者基于人工智能模型预测确定。在k1基于历史车道线数据确定的实施例中，可以基于历史车道线数据利用不同的正相关参数计算感知数据的置信度，基于感知数据的置信度，确定自车的规划控制策略，获取使得自车的规划控制策略安全性最高的正相关参数。
70.在一些具体实现中，视觉传感器的感知数据的置信度tv＝k2s2，其中，k2为正相关参数，s2为视觉车道线和地图车道线之间的第二匹配度。k2的确定方式可以与k1类似，在此不予赘述。
71.在一些具体实现中，视觉传感器的感知数据的置信度tv＝k3(s1+s2)/2，其中，k3为正相关参数，s1为视觉车道线和激光点云车道线之间的第一匹配度，s2为视觉车道线和地图车道线之间的第二匹配度。k3的确定方式可以与k1类似，在此不予赘述。
72.在另一些具体实现中，可以基于tv＝k1s1；tv＝k2s2；tv＝k3(s1+s2)/2分别结合历史车道线数据进行测试，将自车的规划控制策略安全性最高的置信度计算方式作为感知数据的置信度计算方式。
73.雷达传感器的感知数据的置信度的计算方式可以与视觉传感器的感知数据的置信度计算方式类似，在此不予赘述。本技术并非以此为限制。
74.又例如，高精地图的置信度可以与地图车道线和至少一感知车道线的第二匹配度，正相关。换言之，地图车道线与感知车道线之间的第二匹配度越高，高精地图的置信度越高。
75.在一些具体实现中，高精地图的置信度tm＝k4s2，其中，k4为正相关参数，s2为视觉车道线和地图车道线之间的第一匹配度。k4可以为基于经验设置、基于历史车道线数据确
定或者基于人工智能模型预测确定。在k4基于历史车道线数据确定的实施例中，可以基于历史车道线数据利用不同的正相关参数计算高精地图的置信度，基于高精地图的置信度，确定自车的规划控制策略，获取使得自车的规划控制策略安全性最高的正相关参数。
76.在一些具体实现中，高精地图的置信度tm＝k5s4，其中，k5为正相关参数，s4为激光点云车道线和地图车道线之间的第二匹配度。k5的确定方式可以与k4类似，在此不予赘述。
77.在一些具体实现中，高精地图的置信度tm＝k6(s2+s4)/2，其中，k6为正相关参数，s2为视觉车道线和地图车道线之间的第二匹配度s4为激光点云车道线和地图车道线之间的第二匹配度。k6的确定方式可以与k4类似，在此不予赘述。
78.在另一些具体实现中，可以基于tm＝k4s2；tm＝k5s4；tm＝k6(s2+s4)/2分别结合历史车道线数据进行测试，将自车的规划控制策略安全性最高的置信度计算方式作为高精地图的置信度计算方式。
79.本技术还可以实现不同的匹配度和置信度的计算方式，在此不予赘述。
80.在一些具体实施例中，所述至少一种感知车道线可以包括视觉车道线和激光点云车道线。所述视觉车道线利用视觉传感器所获取的感知数据生成，所述激光点云车道线利用激光雷达所述获取的感知数据生成，对应地，所述在确定所述第二匹配度中的至少一个大于第三预设阈值的情况下，确定所述高精地图的置信度大于第二预设阈值可以包括如下步骤：在确定所述视觉车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第一置信度；在确定所述激光点云车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第二置信度。所述第一置信度与所述第二置信度均大于第二预设阈值，且所述第一置信度设置为大于所述第二置信度。
81.在一个具体实现中，假设第二预设阈值为0.8，第三预设阈值为0.7，则当视觉车道线和地图车道线之间的匹配度为0.9，大于第三预设阈值时，可以确定高精地图的置信度为1；当激光点云车道线和地图车道线之间的匹配度为0.9，大于第三预设阈值时，也可以使得高精地图的置信度为0.9。
82.具体而言，在本实施例中，通过地图车道线和不同的感知车道线之间的第二匹配度的大小，来确定地图车道线的置信度。具体而言，由于高精地图的数据是基于激光传感器扫描获得的激光点云离线处理获得的，从而视觉传感器获得的感知数据相较于激光点云的感数据与高精地图的差异性更大，从而当地图车道线与视觉车道线的匹配度较高时，可以确定地图车道线的置信度较高。
83.上述实施例仅仅示意性地提供本技术的地图车道线的置信度的一种确定方式，本技术并非以此为限制，基于第一匹配度和第二匹配度可以实现多种不同的地图车道线的置信度的确定方式。例如，当第一匹配度以及第二匹配度皆大于第三预设阈值时，也即地图车道线、视觉车道线以及地图车道线皆匹配时，可以确定所述高精地图的置信度大于等于置信度t1；当所述视觉车道线与所述地图车道线之间的第二匹配度大于第三预设阈值，且所述激光点云车道线与所述地图车道线之间的第二匹配度以及视觉车道线和激光点云车道线之间的第一匹配度小于第三预设阈值的情况下，确定所述高精地图的置信度为t2；当所述激光点云车道线与所述地图车道线之间的第二匹配度大于第三预设阈值，且所述视觉车道线与所述地图车道线之间的第二匹配度以及视觉车道线和激光点云车道线之间的第一
匹配度小于第三预设阈值的情况下，确定所述高精地图的置信度为t3；当第一匹配度以及第二匹配度皆小于第三预设阈值时，也即地图车道线、视觉车道线以及地图车道线皆不匹配时，可以确定所述高精地图的置信度大于等于置信度t4。其中，置信度t1至t4数值依次降低。类似地，感知车道线的置信度也可以根据第一匹配度和第二匹配的数值范围来确定，本技术可以实现更多的变化方式，在此不予赘述。
84.在一些实施例中，步骤s140可以包括在确定所述感知数据的置信度大于第一预设阈值且所述高精地图的置信度小于等于第二预设阈值的情况下，基于所述感知数据确定对所述自车的规划控制策略。规划控制策略包括但不限于车辆定位、车辆周围对象的行动预测、行驶控制策略以及车辆行驶规划。具体而言，行驶控制策略可以包括不同的自动驾驶行驶功能，如完全自动驾驶功能以及车道线居中行驶功能等。进一步地，根据不同的感知数据和高精地图的置信度，可以对应选择不同的行驶控制策略。例如，当高精地图的置信度更高时，可以选择完全自动驾驶功能；当感知数据的置信度更高时，可以选择车道线居中行驶功能。又例如，当高精地图的置信度为第一置信度时，可以选择完全自动驾驶功能；当高精地图的置信度为第二置信度时，可以选择车道线居中行驶功能。本技术可以实现更多不同的变化方式，在此不予赘述。由此，在本实施例中，可以基于感知数据进行车辆定位以及车辆周围对象的行动预测，并基于感知数据的车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划。进一步地，通过感知数据的置信度和/或高精地图的置信度与行驶控制策略的关联关系，可以提高行驶控制策略的确定效率，更能够适应自动驾驶的自车的规划控制策略的实时性。此外，仅基于感知数据进行车辆定位以及车辆周围对象的行动预测，并基于感知数据的车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划，可以减少所需处理的数据量，提高车辆行驶规划的实时性和安全性。
85.在一些实施例中，步骤s140可以包括在确定所述高精地图的置信度大于第二预设阈值且所述感知数据的置信度小于等于第一预设阈值的情况下，基于所述高精地图确定对所述自车的规划控制策略。由此，在本实施例中，可以基于高精地图的地图数据进行车辆定位以及车辆周围对象的行动预测，并基于感知数据的车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划。进一步地，通过感知数据的置信度和/或高精地图的置信度与行驶控制策略的关联关系，可以提高行驶控制策略的确定效率，更能够适应自动驾驶的自车的规划控制策略的实时性。此外，仅基于高精地图进行车辆定位以及车辆周围对象的行动预测，并基于高精地图的车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划，可以减少所需处理的数据量，提高车辆行驶规划的实时性和安全性。
86.在另一些实施例中，步骤s140可以包括基于感知数据的置信度以及高精地图的置信度，结合感知数据和高精地图确定对所述自车的规划控制策略。由此，在本实施例中，可以基于感知数据的置信度以及高精地图的置信度，结合感知数据和高精地图进行车辆定位以及车辆周围对象的行动预测，并基于感知数据的车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划。进一步地，通过感知数据的置信度和/或高精地图的置信度与行驶控制策略的关联关系，可以提高行驶控制策略的确定效率，更能够适应自动驾驶的自车的规划控制策略的实时性。此外，基于感知数据的置信度和高精地图的置信度结合感知数据和高精地图，进行车辆定位以及车辆周围对象的行动预测，并进行车辆定位、行动预测结果以及行驶控制策略来进行车辆行驶规划，可以提高定位、行为预测的准确性。
87.以上仅仅是示意性地示出本技术的规划控制策略的确定方式，本技术并非以此为限制，本技术可以实现更多不同的自车的规划控制策略。
88.以上仅仅是本发明的车辆规划控制方法的多个具体实现方式，各实现方式可以独立或组合来实现，本发明并非以此为限制。进一步地，本发明的流程图仅仅是示意性地，各步骤之间的执行顺序并非以此为限制，步骤的拆分、合并、顺序交换、其它同步或异步执行的方式皆在本发明的保护范围之内。
89.下面参见图2，图2示出了根据本发明实施例的车辆规划控制装置的模块图。车辆规划控制装置200，其包括车道线获取模块210、融合匹配状态确定模块220以及置信度确定模块230。
90.车道线获取模块210配置成获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；
91.融合匹配状态确定模块220配置成确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；
92.置信度确定模块230配置成根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；
93.其中，所述高精地图的置信度和所述感知数据的置信度用于确定对所述自车的规划控制策略。
94.在本发明的示例性实施方式的车辆规划控制装置中，通过至少一种感知车道线之间、至少一种感知车道线分别与所述地图车道线之间的融合匹配状态，来确定所述高精地图的置信度和所述感知数据的置信度，从而根据高精地图的置信度和感知数据的置信度来确定对所述自车的规划控制策略，由此，保证自车的规划控制策略中能够使用置信度较高的高精地图数据和/或感知数据，避免高精地图数据、感知数据由于数据错误或者数据误差，导致自车定位错误的问题，由此提高自动驾驶规划安全性。
95.图2仅仅是示意性的示出本发明提供的车辆规划控制装置200，在不违背本发明构思的前提下，模块的拆分、合并、增加都在本发明的保护范围之内。本发明提供的车辆规划控制装置200可以由软件、硬件、固件、插件及他们之间的任意组合来实现，本发明并非以此为限。
96.下面参见图3，图3示出了根据本发明实施例的车辆的模块图。车辆300包括感知传感器310、感知融合模块320、规划控制模块。
97.感知传感器310配置成获取自车的感知数据。
98.感知融合模块320配置成：获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度。
99.规划控制模块例如可以包括预测模块350以及规划模块360。规划控制模块配置成基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。
100.在一些实施例中，感知传感器310可以包括相机311、激光雷达312以及毫米波雷达
313。本技术并非以此为限制，感知传感器310还可以包括其它感知传感器，在此不予赘述。
101.具体而言，感知融合模块320可以具有如图2示出的车辆规划控制装置的模块结构。感知融合模块320还可以融合感知传感器310的感知数据以及高精地图模块330提供的高精地图数据。高精地图模块330可以与定位模块340交互，以确定自车在高精地图中的位置。定位模块340还可以将定位信息传输至感知融合模块320，供感知融合模块320来确定感知数据和高精地图的地图数据之间的对应关系。
102.具体而言，预测模块350可以基于感知融合模块320提供的高精地图的置信度和所述感知数据的置信度，结合高精地图和/或感知融合模块320的融合结果，预测自车附近的各个对象可能的轨迹。规划模块360可以基于感知融合模块320提供的高精地图的置信度和所述感知数据的置信度，利用预测的轨迹、高精地图。车辆定位等信息对自动驾驶车辆做出轨迹规划。
103.在本发明的示例性实施方式的车辆300中，通过至少一种感知车道线之间、至少一种感知车道线分别与所述地图车道线之间的融合匹配状态，来确定所述高精地图的置信度和所述感知数据的置信度，从而根据高精地图的置信度和感知数据的置信度来确定对所述自车的规划控制策略，由此，保证自车的规划控制策略中能够使用置信度较高的高精地图数据和/或感知数据，避免高精地图数据、感知数据由于数据错误或者数据误差，导致自车定位错误的问题，由此提高自动驾驶规划安全性。
104.在本发明的示例性实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被例如处理器执行时可以实现上述任意一个实施例中所述车辆规划控制方法的步骤。在一些可能的实施方式中，本发明的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述所述车辆规划控制方法部分中描述的根据本发明各种示例性实施方式的步骤。
105.参考图4所示，描述了根据本发明的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(cd-rom)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本发明的程序产品不限于此，在本文件中，可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
106.所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
107.所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包
括但不限于无线、有线、光缆、rf等等，或者上述的任意合适的组合。
108.可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如java、c++等，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在租户计算设备上执行、部分地在租户设备上执行、作为一个独立的软件包执行、部分在租户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(lan)或广域网(wan)，连接到租户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
109.在本发明的示例性实施例中，还提供一种电子设备，该电子设备可以包括处理器，以及用于存储所述处理器的可执行指令的存储器。其中，所述处理器配置为经由执行所述可执行指令来执行上述任意一个实施例中所述车辆规划控制方法的步骤。
110.所属技术领域的技术人员能够理解，本发明的各个方面可以实现为系统、方法或程序产品。因此，本发明的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
111.下面参照图5来描述根据本发明的这种实施方式的电子设备500。图5显示的电子设备500仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
112.如图5所示，电子设备500以通用计算设备的形式表现。电子设备500的组件可以包括但不限于：至少一个处理单元510、至少一个存储单元520、连接不同系统组件(包括存储单元520和处理单元510)的总线530、显示单元540等。
113.其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元510执行，使得所述处理单元510执行本说明书上述所述车辆规划控制方法部分中描述的根据本发明各种示例性实施方式的步骤。例如，所述处理单元510可以执行上述任一实施例所述的车辆规划控制方法的步骤。
114.所述存储单元520可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(ram)5201和/或高速缓存存储单元5202，还可以进一步包括只读存储单元(rom)5203。
115.所述存储单元520还可以包括具有一组(至少一个)程序模块5205的程序/实用工具5204，这样的程序模块5205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。
116.总线530可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
117.电子设备500也可以与一个或多个外部设备600(例如键盘、指向设备、蓝牙设备等)通讯，还可与一个或者多个使得租户能与该电子设备500交互的设备通讯，和/或与使得该电子设备500能与一个或多个其它计算设备进行通讯的任何设备(例如路由器、调制解调器等等)通讯。这种通讯可以通过输入/输出(i/o)接口550进行。并且，电子设备500还可以通过网络适配器560与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通讯。网络适配器560可以通过总线530与电子设备500的其它模块通讯。应当
明白，尽管图中未示出，可以结合电子设备500使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
118.该电子设备500可为具有自动驾驶功能的车辆，或者为具有自动驾驶功能的其他部件。该电子设备500包括但不限于：车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或车载摄像头等其他传感器，车辆可通过该车载终端、车载控制器、车载模块、车载模组、车载部件、车载芯片、车载单元、车载雷达或摄像头，实施本技术提供的方法。
119.该电子设备500还可以为除了车辆之外的其他具有自动驾驶功能的智能终端，或设置在除了车辆之外的其他具有自动驾驶功能的智能终端中，或设置于该智能终端的部件中。该智能终端可以为智能运输设备、智能家居设备、机器人等其他终端设备。该电子设备500包括但不限于智能终端或智能终端内的控制器、芯片、雷达或摄像头等其他传感器、以及其他部件等。
120.该电子设备500可以是一个通用设备或者是一个专用设备。在具体实现中，该装置还可以台式机、便携式电脑、网络服务器、掌上电脑(personaldigital assistant，pda)、移动手机、平板电脑、无线终端设备、嵌入式设备或其他具有处理功能的设备。本技术实施例不限定该电子设备500的类型。
121.该电子设备500还可以是具有处理功能的芯片或处理器，该电子设备500可以包括多个处理器。处理器可以是一个单核(single-cpu)处理器，也可以是一个多核(multi-cpu)处理器。该具有处理功能的芯片或处理器可以设置在传感器中，也可以不设置在传感器中，而设置在传感器输出信号的接收端。
122.通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是cd-rom，u盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本发明实施方式的上述所述车辆规划控制方法。
123.相比现有技术，本发明的优势在于：
124.通过至少一种感知车道线之间、至少一种感知车道线分别与所述地图车道线之间的融合匹配状态，来确定所述高精地图的置信度和所述感知数据的置信度，从而根据高精地图的置信度和感知数据的置信度来确定对所述自车的规划控制策略，由此，保证自车的规划控制策略中能够使用置信度较高的高精地图数据和/或感知数据，避免高精地图数据、感知数据由于数据错误或者数据误差，导致自车定位错误的问题，由此提高自动驾驶规划安全性。
125.本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。

技术特征：
1.一种车辆规划控制方法，其特征在于，包括：获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。2.如权利要求1所述的车辆规划控制方法，其特征在于，所述融合匹配状态包括所述至少一种感知车道线之间的第一匹配度、所述至少一种感知车道线分别与所述地图车道线之间的第二匹配度。3.如权利要求2所述的车辆规划控制方法，其特征在于，所述根据所述融合匹配状态确定所述高精地图和所述感知数据的置信度，包括：在确定所述第一匹配度满足第一预设条件的情况下，确定所述感知数据的置信度大于第一预设阈值；和/或，在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值。4.如权利要求3所述的车辆规划控制方法，其特征在于，所述在确定所述第二匹配度满足第二预设条件的情况下，确定所述高精地图的置信度大于第二预设阈值，包括：在确定所述第二匹配度中的至少一个大于第三预设阈值的情况下，确定所述高精地图的置信度大于第二预设阈值。5.如权利要求4所述的车辆规划控制方法，其特征在于，所述至少一种感知车道线包括视觉车道线和激光点云车道线，其中，所述视觉车道线利用视觉传感器所获取的感知数据生成，所述激光点云车道线利用激光雷达所述获取的感知数据生成，对应地，所述在确定所述第二匹配度中的至少一个大于第三预设阈值的情况下，确定所述高精地图的置信度大于第二预设阈值，包括：在确定所述视觉车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第一置信度；在确定所述激光点云车道线与所述地图车道线之间的第二匹配度大于第三预设阈值的情况下，确定所述高精地图的置信度为第二置信度；所述第一置信度与所述第二置信度均大于第二预设阈值，且所述第一置信度设置为大于所述第二置信度。6.如权利要求1所述的车辆规划控制方法，其特征在于，所述基于所述高精地图和所述感知数据的置信度，确定对所述自车的规划控制策略，包括：在确定所述感知数据的置信度大于第一预设阈值且所述高精地图的置信度小于等于第二预设阈值的情况下，基于所述感知数据确定对所述自车的规划控制策略。7.如权利要求1所述的车辆规划控制方法，其特征在于，所述基于所述高精地图和所述感知数据的置信度，确定对所述自车的规划控制策略，包括：在确定所述高精地图的置信度大于第二预设阈值且所述感知数据的置信度小于等于
第一预设阈值的情况下，基于所述高精地图确定对所述自车的规划控制策略。8.一种车辆规划控制装置，其特征在于，包括：车道线获取模块，配置成获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；融合匹配状态确定模块，配置成确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；置信度确定模块，配置成根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；其中，所述高精地图的置信度和所述感知数据的置信度用于确定对所述自车的规划控制策略。9.一种电子设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行所述指令时实现权利要求1-7任意一项所述的方法。10.一种车辆，其特征在于，包括：感知传感器，配置成获取自车的感知数据；感知融合模块，配置成：获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；规划控制模块，配置成基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。

技术总结
本发明提供一种车辆规划控制方法及装置、电子设备及车辆，方法包括：获取自车前方目标路段的至少一种感知车道线和所述目标路段在高精地图中对应的地图车道线，所述感知车道线利用所述自车的感知数据生成；确定所述至少一种感知车道线之间、所述至少一种感知车道线分别与所述地图车道线之间的融合匹配状态；根据所述融合匹配状态确定所述高精地图的置信度和所述感知数据的置信度；基于所述高精地图的置信度和所述感知数据的置信度，确定对所述自车的规划控制策略。本申请实现自动驾驶规划控制，以提高定位精度，避免定位跳变，提高自动驾驶安全性。驶安全性。驶安全性。


技术研发人员：杨凯 胡江滔 曹光植 姬猛
受保护的技术使用者：上海云骥跃动智能科技发展有限公司
技术研发日：2023.02.27
技术公布日：2023/7/4