CN112712040A

CN112712040A - 基于雷达校准车道线信息的方法、装置、设备及存储介质

Info

Publication number: CN112712040A
Application number: CN202011641279.3A
Authority: CN
Inventors: 代尚猛; 于永基; 宫永玉; 谢小忠
Original assignee: Weichai Power Co Ltd
Current assignee: Weichai Power Co Ltd
Priority date: 2020-12-31
Filing date: 2020-12-31
Publication date: 2021-04-27
Anticipated expiration: 2040-12-31
Also published as: CN112712040B

Abstract

本发明公开了一种基于雷达校准车道线信息的方法、装置、设备及存储介质，所述方法包括：通过车辆上安装的雷达设备获取道路两侧的静止目标信息；对所述静止目标信息进行聚类，并对分类后的簇进行曲线拟合；将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准所述车道线信息。根据本公开实施例提供的校准车道线信息的方法，采用毫米波雷达提取道路信息，在不增加系统传感器的情况下能够与摄像头识别的车道线信息进行相互校验，大大提高了车道线识别的准确率。

Description

基于雷达校准车道线信息的方法、装置、设备及存储介质

技术领域

本发明涉及智能汽车技术领域，特别涉及一种基于雷达校准车道线信息的方法、装置、设备及存储介质。

背景技术

准确识别道路的车道线信息，是智能驾驶汽车领域重要的技术问题。目前，LKA(Lane Keeping Assistance，车道辅助保持系统)主要基于单摄像头方案，通过车辆上布置的单摄像头识别车道线，最终计算出车辆与车道中心的偏差，通过控制转向减小此偏差达到车辆居中行驶的目的。但是此功能仅靠前向单摄像头来感知车道信息，实际道路的车道线模糊、损坏等都会对摄像头造成大的干扰，有时也会出现误识别，在高速情景下会造成很大的危险。还有基于双摄像头识别的方案，双摄像头不仅增加成本，而且两个摄像头识别的都为车道线信息，如果车道线损坏，会出现两个摄像头检测都不准的情况，所以两者不能很好的进行冗余设计。

发明内容

本公开实施例提供了一种基于雷达校准车道线信息的方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。

第一方面，本公开实施例提供了一种基于雷达校准车道线信息的方法，包括：

通过车辆上安装的雷达设备获取道路两侧的静止目标信息；

对静止目标信息进行聚类，并对分类后的簇进行曲线拟合；

将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准车道线信息。

在一个实施例中，通过车辆上安装的雷达设备获取道路两侧的静止目标信息之前，还包括：

获取车辆摄像头识别的车道线信息以及车道线的置信度信息。

在一个实施例中，获取车辆摄像头识别的车道线信息以及车道线的置信度信息之后，还包括：

根据车道线信息判断道路类型；

若道路类型为直路，则不校准车道线信息，直接执行车辆控制指令；

若道路类型为弯路，则通过车辆上安装的雷达设备获取道路两侧的静止目标信息。

在一个实施例中，对静止目标信息进行聚类，并对分类后的簇进行曲线拟合，包括：

通过基于密度生长的聚类算法对静止目标信息进行聚类；

对分类后的每一个簇进行曲线拟合，得到拟合后的三次函数曲线。

在一个实施例中，对分类后的簇进行曲线拟合之后，还包括：

根据车辆与拟合曲线的距离以及拟合曲线所在的簇中静止目标的个数确定拟合曲线的置信度；

当置信度大于等于预设第一阈值时，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准车道线信息；

当置信度小于预设第一阈值时，提取雷达与摄像头输出的障碍物信息，根据将要执行的控制指令确定车辆将要行驶的轨迹，若预设时间段内轨迹中没有障碍物，则执行控制指令，否则不执行，并发出报警信息。

在一个实施例中，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，包括：

根据摄像头识别的车道线信息确定道路的第一曲率、第一曲率变化率；

根据拟合后的曲线确定道路的第二曲率、第二曲率变化率；

若第一曲率与第二曲率的差值小于预设第二阈值以及第一曲率变化率与第二曲率变化率的差值小于预设第三阈值，则确定匹配成功。

在一个实施例中，根据拟合后的曲线校准车道线信息，包括：

获取拟合曲线的置信度以及摄像头识别的车道线的置信度；

根据二者的置信度采用加权平均的方式对车道线的特征信息进行修正。

第二方面，本公开实施例提供了一种基于雷达校准车道线信息的装置，包括：

获取模块，用于通过车辆上安装的雷达设备获取道路两侧的静止目标信息；

曲线拟合模块，用于对静止目标信息进行聚类，并对分类后的簇进行曲线拟合；

校准模块，用于将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准车道线信息。

第三方面，本公开实施例提供了一种基于雷达校准车道线信息的设备，包括处理器和存储有程序指令的存储器，处理器被配置为在执行程序指令时，执行上述实施例提供的基于雷达校准车道线信息的方法。

第四方面，本公开实施例提供了一种计算机可读介质，其上存储有计算机可读指令，计算机可读指令可被处理器执行以实现上述实施例提供的一种基于雷达校准车道线信息的方法。

本公开实施例提供的技术方案可以包括以下有益效果：

根据本公开实施例提供的校准车道线信息的方法，采用毫米波雷达提取道路两侧的静止目标信息，利用道路护栏，树木等信息，提取道路特征，与摄像头识别的车道线信息相互校验，通过采用不同的道路信息进行校验，大大提高了校验的准确率以及系统的安全性，解决了现有技术中由于实际道路的车道线模糊、损坏等情况对摄像头车道线识别造成干扰，导致车道线识别不准确的问题。而且本公开实施例中的方法不增加系统传感器，降低了成本。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。

图1是根据一示例性实施例示出的一种基于雷达校准车道线信息的方法流程示意图；

图2是根据一示例性实施例示出的一种基于雷达校准车道线信息的方法流程示意图；

图3是根据一示例性实施例示出的一种对静止目标聚类的示意图；

图4是根据一示例性实施例示出的一种对聚类后的簇进行曲线拟合的示意图；

图5是根据一示例性实施例示出的一种基于雷达校准车道线信息的装置的结构示意图；

图6是根据一示例性实施例示出的一种基于雷达校准车道线信息的设备的结构示意图；

图7是根据一示例性实施例示出的一种计算机存储介质的示意图。

具体实施方式

以下描述和附图充分地示出本发明的具体实施方案，以使本领域的技术人员能够实践它们。

应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是如所附权利要求书中所详述的、本发明的一些方面相一致的系统和方法的例子。

在本发明的描述中，需要理解的是，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。此外，在本发明的描述中，除非另有说明，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。

本公开实施例提供一种辅助校验摄像头检测车道线的方法，通过车辆前向毫米波雷达，提取道路两侧静止目标信息，根据提取的信息将静止目标拟合成一条三次方程，通过此方程来校验摄像头识别的车道线信息，如果两者能够匹配，则允许系统对车辆进行大角度转向控制，否则只允许对车辆进行小范围控制。采用毫米波雷达提取道路信息，在不增加传感器的情况下能够与摄像头进行相互校验，大大提高系统的安全性，解决系统在传感器方面的功能安全瓶颈。

下面将结合附图1-附图4，对本申请实施例提供的基于雷达校准车道线信息的方法进行详细介绍，参见图1，该方法具体包括以下步骤：

S101通过车辆上安装的雷达设备获取道路两侧的静止目标信息。

在一种可能的实现方式中，在执行步骤S101之前，还包括获取车辆上安装的前向摄像头识别的车道线信息，在现有技术中，通过车辆上安装的摄像头可以输出识别的车道线信息以及车道线的置信度。

进一步地，根据识别出来的车道线判断道路类型，例如，根据识别出来的车道线信息计算道路的曲率，曲率越大，说明道路越弯曲，当道路曲率大于预设曲率阈值时，确定道路为弯路，本公开实施例中的曲率阈值本领域技术人员可自行设定。

若判断出来的道路类型为直路，说明路况简单，无需进一步校验道路线信息，直接执行车辆的控制指令。若判断出来的道路类型为弯路，说明路况较为复杂，为了提高道路线信息识别的准确率，引入车辆上的雷达设备进一步校验车道线信息。

具体地，可以通过车辆上安装的毫米波雷达设备获取道路两旁的信息，然后从毫米波雷达拍摄的数据中提取道路两旁的静止目标信息，包括道路两旁种植的树木信息、道路两旁的护栏信息、道路两旁的路灯信息等。

本步骤通过采用车辆上本身具备的毫米波雷达获取道路两旁的静止目标信息，大大降低了系统成本，而且从不同方向提取道路信息，表现了信息的多维性。

S102对静止目标信息进行聚类，并对分类后的簇进行曲线拟合。

为了根据提取出来的静止目标信息确定道路特征，首先对静止目标信息进行聚类。在一种可能的实现方式中，通过基于密度生长的聚类算法对静止目标信息进行聚类，常用的聚类算法通常需要指定待聚类簇的个数，但是在此应用场景中，由于环境复杂，静止目标个数未知，因此确定簇数的聚类算法并不适用。在一种可能的实现方式中，根据DBSCAN聚类算法、OPTICS聚类算法、DENCLUE聚类算法以及区域生长的概念，由一个种子点开始，对其一定空间半径内的点进行处理，将符合要求的点纳入同一簇，舍弃不符合要求的点。得到聚类后的静止目标簇。

图3是根据一示例性实施例示出的一种对静止目标聚类的示意图，如图3所示，左半部分是对直路两旁的静止目标进行聚类，聚类后可以得到两个簇，分别位于道路两旁。右半部分是对弯路两旁的静止目标进行聚类，通过聚类，可以得到位于道路两旁的两个簇。

进一步地，为了方便地表示道路信息，对分类后的每一个簇进行曲线拟合，得到拟合后的三次函数曲线。图4是根据一示例性实施例示出的一种对聚类后的簇进行曲线拟合的示意图，如图4所示，左半部分的两条粗竖直线就是拟合出来的曲线，右半部分的弯曲的粗线也是拟合出来的曲线，拟合出来的曲线是三次函数曲线，采用方程ax³+bx²+cx+d＝0表示，通过对方程求解，可以得到拟合出来的曲线的信息。

S103将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准车道线信息。

在一个实施例中，对分类后的簇进行曲线拟合之后，还包括根据车辆与拟合曲线的距离以及拟合曲线所在的簇中静止目标的个数确定拟合曲线的置信度，具体地，车辆与拟合曲线的距离越近，拟合曲线所在的簇中的静止目标的个数越多，则该条拟合曲线的置信度越高，置信度越高，说明其越能准确代表道路实际特征。

进一步地，判断拟合曲线的置信度与预设第一阈值的大小关系，其中，预设第一阈值本领域技术人员可自行设定，本公开实施例不做具体限制。当置信度小于预设第一阈值时，说明拟合曲线的可信度比较低，此时，不通过拟合曲线校准车道线信息。而是提取雷达与摄像头输出的障碍物信息，根据将要执行的转弯控制指令预描车辆将要行驶的轨迹，若预设时间段内该轨迹中没有障碍物，则执行转弯控制指令，否则不执行，并发出报警信息通知驾驶人员。

当置信度大于等于预设第一阈值时，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令。若匹配不成功，根据拟合后的曲线校准车道线信息。

具体地，如果拟合曲线的置信度达到阈值，说明拟合曲线的可信度较高，此时，可以根据拟合曲线信息进一步校准车道线信息。选取道路两旁置信度最高的一条拟合曲线，计算该条曲线的第二曲率、第二曲率变化率等信息，然后根据摄像头识别的车道线信息计算道路的第一曲率、第一曲率变化率等信息，将两种办法确定出来的道路特征进行特征匹配，计算第一曲率与第二曲率的差值，计算第一曲率变化率与第二曲率变化率的差值，若第一曲率与第二曲率的差值小于预设第二阈值以及第一曲率变化率与第二曲率变化率的差值小于预设第三阈值，说明差值在预设范围内，两种办法识别出来的车道信息相似，道路特征匹配。其中，第二阈值和第三阈值是一个差值范围，本领域技术人员可以自行设定。

若道路特征匹配，可以执行正常的车辆控制指令，可以对车辆进行大角度转向控制。若道路特征不匹配，可以根据拟合曲线信息修正摄像头识别的车道线信息。取两者融合后的结果对车辆进行控制。

在一种可能的实现方式中，获取拟合曲线的置信度以及摄像头识别的车道线的置信度，根据二者的置信度采用加权平均的方式对车道线的特征信息进行修正。例如，根据拟合曲线计算出来的道路曲率为0.8，拟合曲线的置信度为0.7，根据摄像头识别的车道线计算出来的道路曲率为0.4，摄像头识别出来的车道线的置信度为0.3，则融合后的道路曲率为0.8*0.7+0.4*0.3＝0.68，则最后的道路曲率为0.68。

取两者融合后的结果对车辆进行控制，例如，通过本车距离车道线的距离、道路曲率、道路曲率变化率等信息来判断车辆与两边车道线的距离，最终计算出车辆与车道中心的偏差，通过控制转向减小此偏差达到车辆居中行驶的目的。

根据该方法，可以进行相互校验，使用不同传感器检测道路的不同特征，提取出车道线信息，从功能安全方面讲，这是一个相互独立的系统，其相互校验能够最大化提高检验的准确性。

为了便于理解本申请实施例提供的车道线校准方法，下面结合附图2进行说明。如图2所示，该方法主要包括如下步骤：

首先，获取车辆通过摄像头识别的车道线信息，根据车道线信息对道路类型分类，若道路类型为直路，则直接执行车辆的控制指令，若道路类型为弯路，则通过车辆上的毫米波雷达获取道路两旁的数据。根据毫米波雷达提取的数据对车道线进行校准。

具体地，采用毫米波雷达获取道路两旁的静止目标信息，通过基于密度生长的聚类算法对静止目标信息进行聚类，对分类后的每一个簇进行曲线拟合，得到拟合后的三次函数曲线。根据车辆与拟合曲线的距离以及拟合曲线所在的簇中静止目标的个数确定拟合曲线的置信度，当置信度小于预设第一阈值时，进行障碍物与预描轨迹分析，提取雷达与摄像头输出的障碍物信息，根据将要执行的控制指令确定车辆将要行驶的轨迹，若预设时间段内轨迹中没有障碍物，则执行控制指令，否则不执行，并发出报警信息。

当置信度大于等于预设第一阈值时，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，则获取拟合曲线的置信度以及摄像头识别的车道线的置信度，根据二者的置信度采用加权平均的方式对车道线的特征信息进行修正，根据融合后的数据进行车辆控制。

本公开实施例还提供了一种基于雷达校准车道线信息的装置，该装置用于执行上述实施例的基于雷达校准车道线信息的方法，如图5所示，该装置包括：

获取模块501，用于通过车辆上安装的雷达设备获取道路两侧的静止目标信息；

曲线拟合模块502，用于对静止目标信息进行聚类，并对分类后的簇进行曲线拟合；

校准模块503，用于将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准车道线信息。

需要说明的是，上述实施例提供的基于雷达校准车道线信息的装置在执行基于雷达校准车道线信息的方法时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于雷达校准车道线信息的装置与基于雷达校准车道线信息的方法实施例属于同一构思，其体现实现过程详见方法实施例，这里不再赘述。

本公开实施例还提供一种与前述实施例所提供的基于雷达校准车道线信息的方法对应的电子设备，以执行上述基于雷达校准车道线信息的方法。

请参考图6，其示出了本申请的一些实施例所提供的一种电子设备的示意图。如图6所示，电子设备包括：处理器600，存储器601，总线602和通信接口603，处理器600、通信接口603和存储器601通过总线602连接；存储器601中存储有可在处理器600上运行的计算机程序，处理器600运行计算机程序时执行本申请前述任一实施例所提供的基于雷达校准车道线信息的方法。

其中，存储器601可能包含高速随机存取存储器(RAM：Random Access Memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。通过至少一个通信接口603(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。

总线602可以是ISA总线、PCI总线或EISA总线等。总线可以分为地址总线、数据总线、控制总线等。其中，存储器601用于存储程序，处理器600在接收到执行指令后，执行程序，前述本申请实施例任一实施方式揭示的基于雷达校准车道线信息的方法可以应用于处理器600中，或者由处理器600实现。

处理器600可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器600中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器600可以是通用处理器，包括中央处理器(Central Processing Unit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器601，处理器600读取存储器601中的信息，结合其硬件完成上述方法的步骤。

本申请实施例提供的电子设备与本申请实施例提供的基于雷达校准车道线信息的方法出于相同的发明构思，具有与其采用、运行或实现的方法相同的有益效果。

本申请实施例还提供一种与前述实施例所提供的基于雷达校准车道线信息的方法对应的计算机可读存储介质，请参考图7，其示出的计算机可读存储介质为光盘700，其上存储有计算机程序(即程序产品)，计算机程序在被处理器运行时，会执行前述任意实施例所提供的基于雷达校准车道线信息的方法。

需要说明的是，计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。

本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的基于雷达校准车道线信息的方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims

1.一种基于雷达校准车道线信息的方法，其特征在于，包括：

通过车辆上安装的雷达设备获取道路两侧的静止目标信息；

对所述静止目标信息进行聚类，并对分类后的簇进行曲线拟合；

将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准所述车道线信息。

2.根据权利要求1所述的方法，其特征在于，通过车辆上安装的雷达设备获取道路两侧的静止目标信息之前，还包括：

获取车辆摄像头识别的车道线信息以及所述车道线的置信度信息。

3.根据权利要求2所述的方法，其特征在于，获取车辆摄像头识别的车道线信息以及所述车道线的置信度信息之后，还包括：

根据所述车道线信息判断道路类型；

若所述道路类型为直路，则不校准车道线信息，直接执行车辆控制指令；

若所述道路类型为弯路，则通过车辆上安装的雷达设备获取道路两侧的静止目标信息。

4.根据权利要求1所述的方法，其特征在于，对所述静止目标信息进行聚类，并对分类后的簇进行曲线拟合，包括：

通过基于密度生长的聚类算法对所述静止目标信息进行聚类；

5.根据权利要求1所述的方法，其特征在于，对分类后的簇进行曲线拟合之后，还包括：

当所述置信度大于等于预设第一阈值时，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准所述车道线信息；

当所述置信度小于预设第一阈值时，提取雷达与摄像头输出的障碍物信息，根据将要执行的控制指令确定车辆将要行驶的轨迹，若预设时间段内所述轨迹中没有障碍物，则执行控制指令，否则不执行，并发出报警信息。

6.根据权利要求5所述的方法，其特征在于，将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，包括：

根据拟合后的曲线确定道路的第二曲率、第二曲率变化率；

7.根据权利要求5所述的方法，其特征在于，根据拟合后的曲线校准所述车道线信息，包括：

获取所述拟合曲线的置信度以及摄像头识别的车道线的置信度；

根据二者的置信度采用加权平均的方式对所述车道线的特征信息进行修正。

8.一种基于雷达校准车道线信息的装置，其特征在于，包括：

曲线拟合模块，用于对所述静止目标信息进行聚类，并对分类后的簇进行曲线拟合；

校准模块，用于将拟合后的曲线与摄像头识别的车道线信息进行特征匹配，若匹配成功，则执行正常的车辆控制指令，若匹配不成功，根据拟合后的曲线校准所述车道线信息。

9.一种基于雷达校准车道线信息的设备，其特征在于，包括处理器和存储有程序指令的存储器，所述处理器被配置为在执行所述程序指令时，执行如权利要求1至7任一项所述的基于雷达校准车道线信息的方法。

10.一种计算机可读介质，其特征在于，其上存储有计算机可读指令，所述计算机可读指令可被处理器执行以实现如权利要求1至7任一项所述的一种基于雷达校准车道线信息的方法。