道路边界获取方法、道路边界获取装置和车辆

摘要

本发明涉及一种道路边界获取方法，包括：获取道路的点云数据；获取道路的图像数据；从所述道路的点云数据中提取涉及道路边界的部分点云数据；基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据；和从所述部分图像数据中获取道路边界。根据本发明的道路边界获取方法可以改善对道路边界获取的准确性和/或高效性。此外，本发明还涉及一种道路边界获取装置、非临时性计算机可读存储介质和车辆。

说明书

技术领域

本发明涉及自动驾驶领域，具体地，涉及一种道路边界获取方法、道路边界获取装置、非临时性计算机可读存储介质以及相关的车辆。

背景技术

自动驾驶是当前车辆研究的主要主题。自动驾驶的前提是明确车辆所行驶的道路网络以及感测车辆周围的环境，从而使得能够识别涉及的道路网络以及在周围环境中的物体和其他交通参与者。一种途径是利用摄像机和激光雷达，获取道路网络的数据以及感测车辆周围的物体的距离。

在驾驶车辆过程中，需要对周围环境进行感知测量，以保证安全行驶。道路边界检测作为环境感测中重要的一环，作为道路边界的明确性标志，路沿以及道路上可能存在的车道线是结构化道路的重要表达信息，通过获取路沿和/或车道线的位置和/或形状，为自动驾驶提供准确的搜索范围以及对自车进行辅助定位。

通常情况下，结构化道路两侧铺设有路沿石，路沿石侧面与路面垂直，一般比路面高出10～30厘米左右。目前使用较多的方法是基于摄像机或者基于激光雷达对路沿进行检测。而对于车道线的检测主要是基于对车道线自身的颜色标记进行检测。

一些现有技术采用摄像机采集图像数据，然后通过专门的图像分析算法提取道路边界、例如路沿形状和/或车道线形状。然而，虽然摄像机具有高信息量，但其无法提供准确的三维信息。此外，针对大量图像数据的图像分析也是计算耗费且效率低下的。

一些现有技术采用激光雷达采集点云数据，然后对激光雷达点云数据中包含的车道边界点云进行拟合处理，以便检测道路边界。然而，虽然激光雷达可以获取准确的三维信息，但点云具有离散性，由于道路环境中的障碍物影响，使检测出较多的假阳性路沿点，从而影响道路边界检测的精确性。

随着自动驾驶技术的发展，对道路边界获取的准确性、高效性也提出了更高的要求。

发明内容

因此，本发明的目的在于提供一种能够改善车辆的道路边界获取的方法、装置、非临时性计算机可读存储介质和车辆。

按照本发明的第一方面，提供一种道路边界获取方法、尤其是一种用于车辆的道路边界获取方法，包括：

获取道路的点云数据；

获取道路的图像数据；

从所述道路的点云数据中提取涉及道路边界的部分点云数据；

基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据；和

从所述部分图像数据中获取道路边界。

根据本发明的道路边界获取方法可以改善对道路边界获取的准确性和/或高效性。

在一些实施例中，从所述道路的点云数据中提取涉及道路边界的部分点云数据包括：根据点云数据的特征信息来提取所述部分点云数据，其中，所述点云数据的特征信息包括点云的坐标信息、颜色信息和/或强度信息，优选地，将高度信息高于预定阈值的那些点云数据进行过滤。

在一些实施例中，将不同帧的点云数据进行融合处理，以便提取所述部分点云数据；

在一些实施例中，所述部分点云数据的数量除以获取的道路点云数据的数量的商的上限值为0.5、0.4、0.3、0.2或0.1；

在一些实施例中，所述道路边界包括道路路沿和/或道路上的车道线。

在一些实施例中，基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据包括：

借助于第一空间转换关系，将所述部分点云数据投影到图像坐标系，以得到经投影的点云数据；

基于经投影的点云数据在图像坐标系中的位置信息，从道路的图像数据中提取涉及道路边界的部分图像数据。

在一些实施例中，从所述部分图像数据中获取道路边界包括：

基于深度学习算法来处理所述部分图像数据，以便从所述部分图像数据中获取道路边界、尤其是表征道路边界的图像数据。

在一些实施例中，沿着所述部分图像的第一方向对所述部分图像数据进行采样、尤其是多行采样，利用深度学习算法、优选分类算法对每一行进行分类，以便识别所述部分图像数据内的一系列离散的道路边界的位置信息。

在一些实施例中，所述方法还包括：

借助于第二空间转换关系，将获取的道路边界数据转换到车辆坐标系，以便获得基于车辆坐标系的道路边界的位置信息；

根据基于车辆坐标系的道路边界的位置信息来执行车辆路径规划，优选地，基于车辆坐标系的道路边界的位置信息形成道路边界的轨迹。

在一些实施例中，所述方法还包括：

将道路的点云数据进行聚类，以便得到经聚类的点云数据，优选地，从经聚类的点云数据中提取涉及道路边界的部分点云数据；

可选地，将所述部分点云数据进行聚类，以便得到经聚类的部分点云数据，优选地，基于所述经聚类的部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据。

按照本发明的第二方面，提供一种道路边界获取装置、尤其是用于车辆的道路边界获取装置，包括：

点云数据获取模块，其被构造用于获取道路的点云数据；

图像数据获取模块，其被构造用于获取道路的图像数据；

点云数据提取模块，其被构造用于从所述道路的点云数据中提取涉及道路边界的部分点云数据；

图像数据提取模块，其被构造用于基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据；和

道路边界获取模块，其被构造用于从所述部分图像数据中获取道路边界。

按照本发明的第三方面，提供一种道路边界获取装置，包括：

一个或多个处理器；以及

一个或多个存储器，所述一个或多个存储器被配置为存储一系列计算机可执行的指令以及与所述一系列计算机可执行的指令相关联的计算机可访问的数据，

其中，当所述一系列计算机可执行的指令被所述一个或多个处理器执行时，使得所述一个或多个处理器进行如根据本发明任一实施例所述的方法。

按照本发明的第四方面，提供一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如根据本发明任一实施例所述的方法。

按照本发明的第四方面，提供一种非临时性计算机可读存储介质，所述非临时性计算机可读存储介质上存储有一系列计算机可执行的指令，当所述一系列计算机可执行的指令被一个或多个计算装置执行时，使得所述一个或多个计算装置进行如上述实施例中任一项的方法。

按照本发明的第五方面，提供一种车辆，包括点云数据采集装置、例如激光雷达，其被构造用于采集道路的点云数据；图像数据采集装置、例如摄像机，其被构造用于采集道路的图像数据；根据本发明任一实施例所述的道路边界获取装置，所述道路边界获取装置被构造用于与点云数据采集装置和图像数据采集装置通信连接，以便从点云数据采集装置获取道路的点云数据并且从图像数据采集装置获取道路的图像数据。

附图说明

下面参考附图，举例说明设备和/或方法的一些例子，附图中：

图1示出根据本发明的一些实施例的道路边界获取方法的一种示例性流程图；

图2示出了将摄像机和激光雷达联合标定的示意图；

图3示出根据本发明的一些实施例的方法步骤103所包含的示例性子步骤；

图4示出根据本发明的一些实施例的方法步骤104所包含的示例性子步骤；

图5示出根据本发明的一些实施例的方法步骤105所包含的示例性子步骤；

图6示出根据本发明的一些实施例的方法步骤106所包含的示例性子步骤；

图7示出了根据本发明的一些实施例的基于分类算法的道路边界获取方法示意图；

图8示出带有道路边界获取装置的车辆的一种示例性方框图。

具体实施方式

以下将参照附图描述本公开，其中的附图示出了本公开的若干实施例。然而应当理解的是，本公开可以以多种不同的方式呈现出来，并不局限于下文描述的实施例；事实上，下文描述的实施例旨在使本公开更为完整，并向本领域技术人员充分说明本公开的保护范围。还应当理解的是，本文公开的实施例能够以各种方式进行组合，从而提供更多额外的实施例。

应当理解的是，本文中的用语仅用于描述特定的实施例，并不旨在限定本公开。本文使用的所有术语(包括技术术语和科学术语)除非另外定义，均具有本领域技术人员通常理解的含义。为简明和/或清楚起见，公知的功能或结构可以不再详细说明。

在本文中，用语“A或B”包括“A和B”以及“A或B”，而不是排他地仅包括“A”或者仅包括“B”，除非另有特别说明。

在本文中，用语“示例性的”意指“用作示例、实例或说明”。在此示例性描述的任意实现方式并不一定要被解释为比其它实现方式优选的或有利的。而且，本公开不受在上述技术领域、背景技术、发明内容或具体实施方式中所给出的任何所表述的或所暗示的理论所限定。

另外，仅仅为了参考的目的，还可以在本文中使用“第一”、“第二”等类似术语，并且“第一”、“第二”也可以涉及多个“第一”、“第二”。例如，除非上下文明确指出，否则涉及结构或元件的词语“第一”、“第二”和其它此类数字词语并没有暗示顺序或次序。

还应理解，“包括/包含”一词在本文中使用时，说明存在所指出的特征、整体、步骤、操作、单元和/或组件，但是并不排除存在或增加一个或多个其它特征、整体、步骤、操作、单元和/或组件以及/或者它们的组合。除非另有定义，否则所有术语(包括技术术语和科学术语)在本文中均按它们在示例所属领域的一般含义使用。

需要指出的是：在本文中各方法步骤的顺序可以是灵活配置的，通过数字来标记步骤仅为了方便描述并不具有限制作用。

接下去进一步详细阐述根据本发明的一些实施例的道路边界获取方法。图1示出用于车辆的道路边界获取方法的一种示例性流程图。按照本发明，所述方法可以包括：

步骤101：获取道路的点云数据；

步骤102：获取道路的图像数据；

步骤103：从所述道路的点云数据中提取涉及道路边界的部分点云数据；

步骤104：基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据；和

步骤105：从所述部分图像数据中获取道路边界。

在文本中，车辆可以是一种自动驾驶车辆(也可以称为主车或自车，英文egocar)，即一种带有自动驾驶功能的可移动运输工具，其可以是轿车、客车、卡车、货车、火车、船舶、摩托车、三轮车二轮车或其他可移动运输工具。

在步骤101中，可以借助于点云数据采集装置、例如激光雷达、3D扫描设备或者摄像机来获取道路的点云数据，所述道路的点云数据可以涉及沿车辆行驶方向在车辆前方预定距离内的道路以及道路周围环境的点云数据。激光雷达可被配置成基于发射光(例如，脉冲激光)，并测量从在激光雷达附近的物体反射的光的一部分来获取激光雷达数据。激光雷达数据可包含如目标距离、方位、高度、速度、姿态、甚至形状等信息数据。例如，激光雷达数据可包含距离信息的点云，距离信息可包括与(点云的)多个点距离激光雷达的距离相关的信息(距离值)。

根据本发明，点云数据是指在一个三维坐标系统中的一组向量的集合，其中，每一个点包含有三维坐标，必要时还可以含有颜色信息(RGB)和/或反射强度信息。颜色信息通常可以通过摄像机获取彩色图像，然后将对应位置的像素的颜色信息赋予点云中对应的点。强度信息可以涉及激光雷达采集到的回波强度，此强度信息与目标的表面材质、粗糙度、入射角方向，以及设备的发射能量，激光波长有关。

在步骤102中，可以借助于图像数据采集装置、例如摄像机来获取道路的图像数据，所述道路的图像数据可以涉及沿车辆行驶方向在车辆前方预定距离内的道路以及道路周围环境的图像数据。摄像机可以是摄像机、高速照摄像机或静止图像照摄像机。摄像机数据可以是摄像机的原始输出。或者，摄像机数据可以是摄像机的经预处理的数据。例如，摄像机数据可包含多个图像帧。所述多个图像帧中的图像帧可包括多个像素点或者像素点云，例如，二维排列中的多个像素点。此外，摄像机数据可包含图像信息，例如，图像信息的各个像素的颜色信息。

在本文中，作为道路边界的明确性标志，路沿以及道路上可能存在的车道线是结构化道路的重要表达信息，通过获取路沿和/或车道线的位置和/或形状可以为自动驾驶提供准确的搜索范围以及对自车进行辅助定位。也就是说，根据本发明，道路边界获取可以包括获取道路的路沿、例如路牙子的轨迹(例如包括其位置和/或形状)，和/或获取道路上的车道线的轨迹(例如包括其位置和/或形状)。

在步骤103中，道路的点云数据可以被针对性地筛选或者说删减，以便仅保留道路的一部分点云数据，这部分点云数据包括本发明所关注的道路边界的点云数据。优选地，所述部分点云数据可以仅占据较小比例的道路点云数据。也就是说，所述部分点云数据的数量至多占据整个道路的点云数据数量的0.5、0.4、0.3、0.2甚至0.1，由此显著(例如至少减半地)降低了需处理的点云数据量，从而改善了方法的高效性。

参见图3，为了从所述道路的点云数据中提取涉及道路边界的部分点云数据，可以根据点云数据的特征信息来提取或者说筛选涉及道路边界的部分点云数据。所述特征信息可以包括坐标信息、颜色信息和/或强度信息。

在一些实施例中，可以根据点云数据的坐标信息来提取或者说筛选涉及道路边界的部分点云数据1031。作为示例：由于路沿通常处于较低高度位置，因此可以根据点云数据的坐标信息中的高度信息来筛选涉及道路边界的部分点云数据。为此可以预设高度阈值，高度信息高于预定阈值的那些点云数据可以被过滤掉或者说删除掉。这些被过滤掉的点云数据可以涉及道路的点云数据中具有较高位置的干扰对象、例如行道树和/或建筑物等。

在一些实施例中，可以根据点云数据的颜色信息来提取或者说筛选涉及道路边界的部分点云数据1032。作为示例：可以根据车道线的特有的颜色信息对处于特定像素颜色值范围外的那些点云数据进行过滤或者说删除。

在一些实施例中，可以根据点云数据的强度信息来提取或者说筛选涉及道路边界的部分点云数据1033。

在一些实施例中，为了从所述道路的点云数据中提取涉及道路边界的部分点云数据，可以将所获取的道路的点云数据进行聚类，以便得到经聚类的点云数据，优选地，从经聚类的点云数据中提取涉及道路边界的部分点云数据。可选地，将经提取的涉及道路边界的部分点云数据进行聚类，以便得到经聚类的部分点云数据，优选地，基于所述经聚类的部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据。

接下去，在步骤104中可以执行从基于点云坐标系(或者说激光雷达坐标系)的部分点云数据到基于图像坐标系(或者说摄像机坐标系)的二维平面的投影。为此，参见图4，可以首先将摄像机与激光雷达进行联合标定1041，以便获取得到点云坐标系和图像坐标系之间的空间转换关系。

如图2所示，借助于空间转换关系，可以将所述部分点云数据投影到图像坐标系，以得到经投影的二维的点云数据。一种示例性的空间转换关系可以如下：

在该空间转换关系中，x

基于空间转换，原本三维的点云数据可以被投影到二维的图像平面中，使得经投影的点云数据与图像数据处于位置信息统一的坐标系内。由此可以基于经投影的那部分点云数据在图像坐标系中的位置信息，从道路的图像数据中提取涉及道路边界的部分图像数据1042。由于所述部分点云数据的坐标信息包含了道路边界所涉及的坐标信息，因此道路的图像数据可以被精简到涉及道路边界的那部分图像数据。由此可以显著(例如至少减半地)降低了后续需进行图像处理的图像数据量，从而改善了方法的高效性且同时保持了良好的精确性。在一些情况下，例如低线程激光雷达点云稀疏的情况，由摄像机获取的图像数据基于自身提取连续路沿或车道线的能力可以有效地弥补这个缺陷。

在步骤105中执行对提取到的部分图像数据进行图像处理，以便从所述部分图像数据中获取道路边界。在一些实施例中，参见图5，可以基于深度学习算法、例如分类算法来获取道路边界的采样点1051，即表征道路边界的图像采样数据，并且基于所述采样点可以较准确地确定道路边界的形状和/或位置1052。当然，本领域技术人员还可以采用其他适宜的技术手段来识别出道路边界的形状和/或位置，例如还可以利用边缘检测算法来提取所述部分图像数据中的车道线轮廓。

附加地或备选地，根据本发明一些实施例的道路边界获取方法还可以包括附加步骤106。参考图6，所述附加步骤可以包括：借助于第二空间转换关系，将获取的道路边界数据转换到车辆坐标系1061，以便获得基于车辆坐标系的道路边界的位置信息；根据基于车辆坐标系的道路边界的位置信息来执行车辆路径规划1062，优选地，基于车辆坐标系的道路边界的位置信息形成道路边界的轨迹。

接下去借助于图7，详细地介绍根据本发明的一些实施例的基于深度学习中的分类算法来获取道路边界的示例。

在所述示例中，首先，可以如图2所描述那样对激光雷达与摄像机联合标定坐标，以便获得空间转换关系。在一些情况下，该空间转换关系在出厂时已设定并已知。然后，激光雷达获得车辆周围环境中的三维点云数据，如图7中所示那样，车辆周围环境中存在动态物体200、如前方行驶的车辆以及静态物体300、如前方的山脉等。为了避免不必要的运算并且排除干扰因素，可以一方面借助于滤波处理将动态物体200进行过滤掉，另一方面将高度高于一定阈值(例如高于1米)的点云数据过滤掉，从而保留下三维点云数据中静态的且高度低于阈值部分，即接近于地面的部分点云数据。有利的是，可以在此规定：将不同帧的点云数据叠加起来，即进行融合处理，由此能更准确的获得车道线或路沿轮廓处的点云，而其他点云可以被尽可能的滤掉。现在，可以借助于第一空间坐标转换将提取的部分点云数据投影到摄像机坐标系，并紧接着查明摄像机拍摄的图像中相应的那部分图像数据，该部分图像数据被认为基本上包含有所要获取的车道线或路沿轮廓。

在图7中，为了基于深度学习中的分类算法来获取道路边界，可以将所述部分图像数据进行N行采样(N大于1、优选大于5、10、20、50、100，图7中仅示意性地用实线长形方框示出了一行采样)。依次地对所述部分图像数据进行N行采样并利用深度学习中的分类算法对每一行进行分类。同时可以输出两个通道，第一通道1代表左侧边界，第二通道2代表右侧边界。比如，对于某一行，第一通道输出01110000，第二通道输出00000110，其中“1”代表该位置是道路边界(在图中例如通过黑框示出)。在完成对N行采样数据的分类处理之后，可以从所述部分图像数据中获取到道路边界数据，如道路边界的位置信息。于是可以借助于第二空间转换关系，将获取的道路边界数据转换到车辆坐标系，以便获得基于车辆坐标系的道路边界数据。由此可以根据基于车辆坐标系的道路边界数据来查明前方道路边界的具体形状和/或位置，并基于此来执行车辆路径规划。

在一些实施例中，在进入到坐标转换步骤之前，可以获取与传感器(摄像机和/或激光雷达)有关的特性参数，与传感器有关的特性参数涉及传感器在数据处理方面的硬件和/或软件特性。例如与传感器有关的特性参数表明来自传感器的数据所参照的坐标系。在车辆内部的存储器中可以存储有专门的数据组，这些数据组可以记录特定传感器类型的特性参数。于是，可以基于所述特性参数配置、尤其是自动配置坐标转换。在一些实施例中，如果来自传感器的数据参照传感器坐标系，那么如此配置坐标转换，使得坐标转换包括：从传感器坐标系变换为车辆坐标系。在一些实施例中，如果来自传感器的数据参照车辆坐标系，那么无需坐标转换。这些不同的坐标转换算法可以灵活地插入或离开主处理流水线中，使得坐标变化适配于当前的传感器特性而无需在车厂耗费的维护。

接下去进一步详细阐述根据本发明的一些实施例的道路边界获取装置。图8示出带有道路边界获取装置的车辆的示例性方框图。车辆10包括车载传感器12和道路边界获取装置14。车载传感器12可以将自身检测到的实时车辆周围环境数据传送给道路边界获取装置14，典型的车载传感器12可以是上文提及的激光雷达设备1201和摄像机1202。如图8所示，所述道路边界获取装置14可以包括通信装置15、存储装置16和处理装置18。通信装置15可以与车载传感器12通信，并且接收来自车载传感器12的检测数据。存储装置16可以存储着车载传感器的检测数据，例如摄像机数据、激光雷达数据等。

所述处理装置18可以包括一个或多个处理器(例如CPU和/或GPU)。应理解的是，处理装置18可以构成为包括处理器的具有数据处理和分析功能的任何装置。例如，处理装置18可以构成为一个或多个处理器，或者处理装置18可以构成为计算机、服务器甚至其他智能手持设备。处理器可以经由互连总线连接到存储装置。存储装置可以包括主存储器，只读存储器以及大容量存储设备，诸如各种磁盘驱动器，磁带驱动器等。“处理器”或“控制器”并非局限于CPU或GPU，相反可包括数字信号处理器(DSP)硬件、网络处理器、专用集成电路(ASIC)、现场可编程门阵列(FPGA)。存储装置16可以是用于保存软件的只读存储器(ROM)、随机存取存储器(RAM)和非易失性存储器。也可包括其他常规和/或定制的硬件。

处理装置18可以包括多个功能模块，分别为：点云数据获取模块1801，其可以被构造用于获取道路的例如来自激光雷达的点云数据；图像数据获取模块1802，其可以被构造用于获取道路的例如来自车载摄像机的图像数据；点云数据提取模块1803，其可以被构造用于从所述道路的点云数据中提取涉及道路边界的部分点云数据；图像数据提取模块1804，其可以被构造用于基于所述部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据；和道路边界获取模块1805，其可以被构造用于从所述部分图像数据中获取道路边界。

在一些实施例中，所述点云数据提取模块1803还可以被构造用于根据点云数据的特征信息来提取涉及道路边界的部分点云数据。优选地，点云数据的特征信息可以包括点云的坐标信息、颜色信息和/或强度信息。优选地，所述点云数据提取模块可以被构造用于将高度信息高于预定阈值的那些点云数据进行过滤。例如为了避免不必要的运算并且排除干扰因素，可以一方面借助于所述点云数据提取模块中的滤波子模块将动态物体过滤掉，另一方面将高度高于一定阈值的点云数据过滤掉，从而保留下三维点云数据中静态的且高度低于阈值部分，即，接近于地面的部分点云数据。此外，所述点云数据提取模块还可以被构造用于将不同帧的点云数据进行融合处理，例如将不同帧的点云数据叠加起来，由此能更准确的获得车道线或路沿轮廓处的点云，而其他点云可以被尽可能的滤掉。由此，通过点云数据提取模块可以大幅度地降低后续需要处理的数据量。

附加地或备选地，所述图像数据提取模块1802还可以包括第一空间转换关系子模块，所述第一空间转换关系子模块可以构造用于所述部分点云数据投影到图像坐标系，以得到经投影的点云数据；并且所述图像数据提取模块还构造用于基于经投影的点云数据在图像坐标系中的位置信息，从道路的图像数据中提取涉及道路边界的部分图像数据。

附加地或备选地，图像数据提取模块1802还可以包括深度学习算法模块，所述深度学习算法模块构造用于从所述部分图像数据中获取道路边界、尤其是表征道路边界的图像数据。优选地，图像数据提取模块包括采样子模块，所述采样子模块被构成为用于沿着所述部分图像的第一方向对所述部分图像数据进行采样、尤其是多行采样。为此，图像数据提取模块可以包括分类子模块，所述分类子模块被构成为用于利用深度学习中的分类算法对每一行进行分类，以便识别所述部分图像数据内的一系列离散的道路边界的位置信息。

附加地或备选地，所述道路边界获取模块可以包括第二空间转换关系子模块，所述第二空间转换关系子模块可以构造用于将获取的道路边界数据转换到车辆坐标系，以便获得基于车辆坐标系的道路边界数据。附加地或备选地，所述道路边界获取模块还包括路径规划模块，所述路径规划模块构造成用于根据基于车辆坐标系的道路边界数据来执行车辆路径规划。

应当理解的是：还可以附加地或备选地设置其他处理模块、例如聚类模块等。所述聚类模块构造用于对所获取的道路的点云数据进行聚类，以便得到经聚类的点云数据。优选地，所述点云数据提取模块构造用于从经聚类的点云数据中提取涉及道路边界的部分点云数据。优选地，所述聚类模块构造用于对经提取的涉及道路边界的部分点云数据进行聚类，以便得到经聚类的部分点云数据。优选地，所述点云数据提取模块构造用于基于所述经聚类的部分点云数据相应地从道路的图像数据中提取涉及道路边界的部分图像数据。

此外，应理解的是，各个功能模块仅是从功能上加以区分，在存储位置以及物理位置方面不存在严格的限定。在一些情况下，一个模块可以构成为一个单独的处理器。在一些情况下，一个模块也可以与其他模块组合成一个处理器。

附图中所示的各个元件的功能可以专用硬件，比如“信号提供器”、“信号处理单元”“处理器”、“控制器”等，以及能够与适当的软件联合，执行软件的硬件的形式实现。当由处理器提供时，这些功能可以由一个专用处理器、由一个共享处理器或者由多个单独的处理器提供，所述多个单独的处理器中的一些或全部可以是共享的。方框图例如可图解说明实现本公开的原理的高级电路图。类似地，流程图、状态转换图、伪代码等可表示各种处理、操作或步骤，这些处理、操作或步骤例如可以实质上用计算机可读介质表示，从而由计算机或处理器执行，而不论是否明确地表示了这样的计算机或处理器。在说明书和权利要求书中公开的方法可以由具有进行这些方法的各个相应动作的模块的设备实现。

需要理解的是除非例如由于技术原因而明确或隐含地另有说明之外，否则在说明书或权利要求书中公开的多个动作、处理、操作、步骤或功能的公开不得被解释成是按照特定的顺序的。于是，多个动作或功能的公开不会将所述多个动作或功能限制于特定的顺序，除非这些动作或功能由于技术原因不能互换。此外，在一些例子中，一个单独的动作、功能、处理、操作或步骤可分别包括或分成多个子动作、子功能、子处理、子操作或子步骤。除非明确被排除，否则这类子动作可包括在该单独动作的公开内容中，和作为该单独动作的公开内容的一部分。

虽然已经描述了本公开的示例性实施例，但是本领域技术人员应当理解的是，在本质上不脱离本公开的精神和范围的情况下能够对本公开的示范实施例进行多种变化和改变。因此，所有变化和改变均包含在本公开所限定的保护范围内。