验证车道线保持辅助系统的仿真方法、装置及设备

技术领域

本申请涉及汽车技术领域，特别涉及一种验证车道线保持辅助系统的仿真方法、装置及设备。

背景技术

车道线保持辅助系统是一种重要的ADAS(Advanced Driver AssistanceSystems，先进驾驶员辅助系统)功能，旨在提升驾驶的安全性和舒适性。

在相关技术中，车道线保持辅助系统的核心技术涉及车道线图像识别、车道线曲线系数拟合、车辆横向控制算法等。车道线图像识别采用经典图像处理或深度学习方法；车道线图像识别后进行坐标转换、曲线拟合；再根据曲线拟合方程进行车辆横向控制。

上述相关技术提供的算法系统复杂，涉及的参数较多，在开发初期不稳定，无法上路实验调试程序，导致开发周期长、风险大。

发明内容

本申请实施例提供了一种验证车道线保持辅助系统的仿真方法、装置及设备。本申请实施例提供的技术方案如下：

根据本申请实施例的一个方面，提供了一种验证车道线保持辅助系统的仿真方法，所述方法包括：

在仿真环境中，构建仿真车辆的动力学模型，所述动力学模型包括所述仿真车辆的属性参数；

基于所述动力学模型，获取所述仿真车辆在所述仿真环境中采集的车道线图像；

对所述车道线图像进行识别，得到所述车道线图像中的车道线的位置信息；

根据所述位置信息，确定所述车道线在所述仿真环境中与所述仿真车辆之间的相对位置；

通过所述车道线保持辅助系统，根据所述相对位置对所述仿真车辆进行移动控制。

在一些实施例中，所述对所述车道线图像进行识别，得到所述车道线图像中的车道线的位置信息，包括：

对所述车道线图像进行二值化处理，得到二值化的车道线图像；

采用边缘提取算法对所述二值化的车道线图像进行处理，得到至少一个边缘像素点；

对各个所述边缘像素点进行膨胀处理，得到所述车道线图像中的车道线的位置信息。

在一些实施例中，所述对各个所述边缘像素点进行膨胀处理，得到所述车道线图像中的车道线的位置信息，包括：

对各个所述边缘像素点进行膨胀处理，使得相邻的所述边缘像素点连接，得到处理后的边缘像素点；

从所述处理后的边缘像素点中提取所述车道线的至少一个关键点；

根据所述至少一个关键点在图像坐标系下的坐标，得到所述车道线的位置信息，所述图像坐标系是指所述车道线图像对应的二维坐标系。

在一些实施例中，所述位置信息包括所述车道线的至少一个关键点在图像坐标系下的坐标，所述图像坐标系是指所述车道线图像对应的二维坐标系；

所述根据所述位置信息，确定所述车道线在所述仿真环境中与所述仿真车辆之间的相对位置，包括：

将所述至少一个关键点在所述图像坐标系下的坐标，转换为在车辆坐标系下的坐标，得到所述至少一个关键点在所述车辆坐标系下的坐标；其中，所述车辆坐标系是指所述仿真车辆对应的二维坐标系；

根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置；

根据所述车道线在所述仿真环境中的位置以及所述仿真车辆在所述仿真环境中的位置，确定所述相对位置。

在一些实施例中，所述根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置，包括：

采用三次曲线拟合算法根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置。

在一些实施例中，所述通过所述车道线保持辅助系统，根据所述相对位置对所述仿真车辆进行移动控制，包括：

通过所述车道线保持辅助系统，根据所述相对位置确定所述仿真车辆的方向盘转角；

根据所述方向盘转角对所述仿真车辆进行移动控制。

在一些实施例中，所述仿真车辆的属性参数包括以下至少之一：发动机参数、重量、尺寸、轴距、风阻系数、悬挂机构参数、底盘构造参数。

根据本申请实施例的一个方面，提供了一种验证车道线保持辅助系统的仿真装置，所述装置包括：

构建模块，用于在仿真环境中，构建仿真车辆的动力学模型，所述动力学模型包括所述仿真车辆的属性参数；

获取模块，用于基于所述动力学模型，获取所述仿真车辆在所述仿真环境中采集的车道线图像；

识别模块，用于对所述车道线图像进行识别，得到所述车道线图像中的车道线的位置信息；

确定模块，用于根据所述位置信息，确定所述车道线在所述仿真环境中与所述仿真车辆之间的相对位置；

控制模块，用于通过所述车道线保持辅助系统，根据所述相对位置对所述仿真车辆进行移动控制。

在一些实施例中，所述识别模块，包括：

二值化处理单元，用于对所述车道线图像进行二值化处理，得到二值化的车道线图像；

边缘提取单元，用于采用边缘提取算法对所述二值化的车道线图像进行处理，得到至少一个边缘像素点；

膨胀处理单元，用于对各个所述边缘像素点进行膨胀处理，得到所述车道线图像中的车道线的位置信息。

在一些实施例中，所述膨胀处理单元用于：

对各个所述边缘像素点进行膨胀处理，使得相邻的所述边缘像素点连接，得到处理后的边缘像素点；

从所述处理后的边缘像素点中提取所述车道线的至少一个关键点；

根据所述至少一个关键点在图像坐标系下的坐标，得到所述车道线的位置信息，所述图像坐标系是指所述车道线图像对应的二维坐标系。

在一些实施例中，所述位置信息包括所述车道线的至少一个关键点在图像坐标系下的坐标，所述图像坐标系是指所述车道线图像对应的二维坐标系；

所述确定模块，包括：

坐标转换单元，用于将所述至少一个关键点在所述图像坐标系下的坐标，转换为在车辆坐标系下的坐标，得到所述至少一个关键点在所述车辆坐标系下的坐标；其中，所述车辆坐标系是指所述仿真车辆对应的二维坐标系；

拟合单元，用于根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置；

确定单元，用于根据所述车道线在所述仿真环境中的位置以及所述仿真车辆在所述仿真环境中的位置，确定所述相对位置。

在一些实施例中，所述拟合单元用于：

采用三次曲线拟合算法根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置。

在一些实施例中，所述控制模块用于：

通过所述车道线保持辅助系统，根据所述相对位置确定所述仿真车辆的方向盘转角；

根据所述方向盘转角对所述仿真车辆进行移动控制。

在一些实施例中，所述仿真车辆的属性参数包括以下至少之一：发动机参数、重量、尺寸、轴距、风阻系数、悬挂机构参数、底盘构造参数。

根据本申请实施例的一个方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有计算机程序，所述计算机程序由所述处理器加载并执行以实现上述验证车道线保持辅助系统的仿真方法。

根据本申请实施例的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述验证车道线保持辅助系统的仿真方法。

根据本申请实施例的一个方面，提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机程序，以实现上述验证车道线保持辅助系统的仿真方法。

本申请实施例提供的技术方案至少包括如下有益效果：通过在仿真环境中，构建车辆的动力学模型，基于车辆自身位置与车道线识别结果确定两者相对位置关系，利用车道线保持辅助系统，以相对位置的结果来控制仿真车辆的转向，实现在复杂场景下保持车道行驶的闭环控制。上述方法解决了上路实验调试程序带来的开发周期长、风险大的问题，达到了在安全可控的仿真环境中高效开发和验证车道线保持辅助系统的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本申请一个实施例提供的验证车道线保持辅助系统的仿真方法的流程图；

图2是本申请一个实施例提供的验证车道线保持辅助系统的仿真方法的流程闭环图；

图3是本申请一个实施例提供的验证车道线保持辅助系统的仿真装置的示意图；

图4是本申请一个实施例提供的计算机设备的结构框图。

具体实施方式

为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式进一步地详细描述。

本申请实施例提供的验证车道线保持辅助系统的仿真方法，各步骤的执行主体可以是计算机设备，计算机设备可以是任何具备计算和存储能力的电子设备。例如，PC(Personal Computer，个人计算机)、服务器等电子设备。请参考图1，其示出了本申请一个实施例提供的验证车道线保持辅助系统的仿真方法的流程图。该方法各步骤的执行主体可以是计算机设备，例如该计算机设备可以是PC。该方法可以包括如下步骤110～150中的至少一个步骤。

步骤110，在仿真环境中，构建仿真车辆的动力学模型，该动力学模型包括该仿真车辆的属性参数。

仿真环境是指一个包括仿真车辆、仿真道路和仿真传感器的闭环仿真系统，用于在仿真环境下评估车道线保持辅助系统算法的性能。仿真道路是指在仿真环境中构建的虚拟道路模型,用于提供仿真场景、模拟实际道路条件，包括道路几何模型、车道线模型、车道变换条件等。仿真道路的主要组成部分包括：道路平面模型、车道模型、车道线模型等，通过调整这些模型参数，可以构建出不同场景的仿真道路，来模拟车辆在实际道路上的运行环境，用于测试辅助驾驶系统的性能，例如：自适应巡航系统、自动紧急制动系统、车道线保持辅助系统等。示例性地，在验证车道线保持辅助系统的场景中，可以设置车道线模型。可选地，可以设置车道线类型、颜色、宽度等参数，也可以加入一些其他适当的模型参数来模拟真实环境的多样性，本申请对此不作限定。仿真传感器是指在辅助驾驶系统的仿真环境中，模拟车辆实际装配的各种传感器，如摄像头、毫米波雷达、激光雷达等的工作过程，用于根据实际传感器的工作原理建立算法模型，可以产生与实际传感器类似的输出数据。示例性地，在验证车道线保持辅助系统的场景中，可以设置仿真摄像头来获取车道线图像。动力学模型是指利用数学方法建立起仿真车辆运动性能的数学模型，用于在计算机环境中对车辆进行虚拟运动模拟。示例性地，仿真车辆的动力学模型，可以包括车体动力学模型、驱动力学模型、车轮模型等。不同的辅助驾驶功能关注的重点不同，因此在设计动力学模型的侧重点和细节会有所不同。例如，测试自适应巡航系统需要建立比较详细的发送机传动系统模型，而测试自动紧急制动系统，可能更侧重制动系统模型的建立。仿真车辆的属性参数是指定义仿真车辆的各项物理特性所需要设置的数值变量，用于在车辆动力学模型的计算和仿真中反映车辆的机械性能。示例性地，属性参数可以包括车体参数、发动机参数、传动系统参数等，本申请对此不作限定。

在一些实施例中，仿真车辆的属性参数包括以下至少之一：发动机参数、重量、尺寸、轴距、风阻系数、悬挂机构参数、底盘构造参数。发动机参数：描述发动机的最大功率、扭矩等参数，用于计算车辆的驱动力；重量：车辆整车重量，影响车辆的运动惯量和动力学性能尺寸：车辆长度、宽度、高度等尺寸参数，影响空气阻力和转向性能。轴距：前后轴中心距，影响车辆的转向和操稳性。风阻系数：反映车辆空气阻力大小的无量纲系数。悬挂机构参数：悬挂刚度、阻尼等参数，建立悬挂系统模型。底盘构造参数：车体刚度、转动惯量等参数，建立车体动力学模型。这些参数分别描述车辆不同子系统和整车的静态机械属性，准确设置这些参数以建立仿真车辆的动力学模型，其行为尽可能逼近实际车辆，提高仿真的真实性。

步骤120，基于动力学模型，获取仿真车辆在仿真环境中采集的车道线图像。

车道线图像是指仿真车辆的仿真摄像头在不同运动状态下,获取的包含车道线特征的图像数据,用于为车道线识别算法提供输入图像。车道线图像可以包括不同车道线类型的图像，如实线、虚线、单实线双黄线等组合；不同颜色的车道线图像，如白色、黄色等车道线；不同光照条件下的图像，如夜间、阴天等光照变化情况；不同车辆状态下获取的图像，如直线行驶、转弯、切换车道时的图像；包含不同程度噪声、模糊、遮挡的图像；连续的车道线图像序列，模拟车辆运动过程中摄像头的持续采集等。

基于构建的仿真车辆的动力学模型，可以在仿真环境中模拟车辆的运动，并可以得到对应运动状态下的车道线图像。

在一种可能实现的方式中，在仿真环境中构建仿真道路、仿真道路车道线的模型；根据仿真测试需求，规划仿真车辆的运动轨迹和状态；建立车载仿真摄像头的图像生成模型，根据车辆位置和姿态，实时渲染周围环境并生成图像；通过仿真车辆的动力学模型计算当前时刻的车辆运动状态数据，包括位置、速度、加速度等。将车辆状态数据输入仿真摄像头模型，生成对应视场范围内的图像；在生成的图像中可见到仿真道路环境中的车道线部分，得到仿真车辆在当前状态下采集的车道线图像。

步骤130，对车道线图像进行识别，得到车道线图像中的车道线的位置信息。

车道线的位置信息是指通过图像处理算法从车道线图像中提取出来的车道线的具体空间位置参数，包括车道线端点坐标、角度、曲率等信息，用于自动驾驶汽车的视觉定位、路径规划、车道保持、车道变换决策等功能。

在预处理步骤中，包括将图像转化为灰度图，去噪，增强对比度等，用于改善图像质量，本申请对此不作限定。在一些实施例中，由于仿真环境较为简单，在预处理部分，只对车道线图像进行二值化处理，得到二值化的车道线图像。二值化处理是指将输入的多色彩图像转化为只包含0和1两个灰度值的黑白二值图像的过程，用于从复杂场景图像中提取出感兴趣的目标区域。具体来说，设置适当的阈值，将图像中的像素灰度值进行分类，灰度高于阈值的像素转换为白色，灰度低于阈值的像素转换为黑色，得到只含0和1两个值的黑白图像。示例性地，对于白色和黄色车道线，由于其灰度值范围不同，所以可以设置不同的阈值进行处理：对于白色车道线，其灰度值比较高，可以设置一个较高的阈值，例如120来进行二值化，灰度大于120的像素点设为255(白色)，其他设为0(黑色)。这样可以比较清晰地提取出白色车道线。对于黄色车道线，其灰度值范围一般不如白色车道线高，可以设置一个较低的阈值，例如80来进行二值化。灰度大于80的设为255，否则设为0。这样可以提取出黄色车道线。二值化算法，包括全局阈值法、直方图阈值法、多通道阈值法等，本申请对此不作限定。

为了使车道线突显出来，保留车道线关键边界信息，利用边缘提取能滤除无关信息。在一些实施例中，将二值化处理后的车道线图像，采用边缘提取算法对二值化的车道线图像进行处理，得到至少一个边缘像素点，边缘提取算法是指通过计算图像的灰度变化率来检测和定位图像中的边缘轮廓的一系列算法技术，用于从图像中提取出目标对象的边界轮廓，这可以大大减少后续处理的数据量。边缘提取算法，包括Roberts、Sobel、Prewitt等基于差分operators的边缘检测算法、基于图像梯度计算的Canny边缘检测算法等，本申请对此不作限定。

由于边缘检测仅能提取出边缘轮廓，当车道线是虚线时，存在断开的情况，当车道线是实线时，可能也会存在断开的情况，因此无法得到连接完整的目标区域，膨胀运算可以扩大边缘线条的范围，连接断开部分。

在一些实施例中，对各个边缘像素点进行膨胀处理，得到车道线图像中的车道线的位置信息。示例性地，对各个边缘像素点进行膨胀处理，使得相邻的边缘像素点连接，得到处理后的边缘像素点；由于车道线一般是线性分布，在进行膨胀运算时，考虑线性膨胀，使用线段作为核，只能沿线段方向进行膨胀，得到处理后的边缘像素点，此处理后的边缘像素点连通无断裂，从处理后的边缘像素点中提取车道线的至少一个关键点；根据至少一个关键点在图像坐标系下的坐标，得车道线的位置信息，图像坐标系是指车道线图像对应的二维坐标系。

步骤140，根据位置信息，确定车道线在仿真环境中与该仿真车辆之间的相对位置。

车道线在仿真环境中与该仿真车辆之间的相对位置是指车道线端点坐标相对于仿真车辆中心的横向和纵向距离,以及车道线与车辆运动方向的夹角,用于根据这些相对参数设计车道线保持辅助系统的相应控制算法，计算需要的方向盘转角,实现仿真车辆在复杂场景下保持在车道内平稳行驶。因为车辆需要基于自身位置做运动控制，所以需要将图像中感知到的坐标点，转换到车辆自身的坐标系下，以获得相对位置信息。

在一些实施例中，位置信息包括该车道线的至少一个关键点在图像坐标系下的坐标，该图像坐标系是指车道线图像对应的二维坐标系。

在一些实施例中，将至少一个关键点在图像坐标系下的坐标，转换为在车辆坐标系下的坐标，得到至少一个关键点在车辆坐标系下的坐标；其中，车辆坐标系是指仿真车辆对应的二维坐标系，可以表示为车辆中心为原点，车辆前进方向为X轴，垂直方向为Y轴。在一种可能实现的方式中，通过运动学模型，结合车辆的位置、速度、运动轨迹等信息，以及摄像头参数、安装位置等，建立图像坐标系和车辆坐标系之间的转换关系，进行坐标变换。

为了能更好的表示和利用车道线信息，利用曲线拟合使原始离散数据变为精确连续模型。在一些实施例中，根据至少一个关键点在车辆坐标系下的坐标，对至少一个关键点进行曲线拟合，确定车道线在仿真环境中的位置。曲线拟合是指采用多项式曲线、样条曲线等数学模型，通过迭代算法拟合关键点，以获得描述车道线形状的精确曲线方程，用于后续根据该曲线方程来进行车道保持、路径规划等自动驾驶控制决策。可以根据不同仿真道路的参数，选择合适的曲线拟合方程形式，示例性地，对于直线道路，可以采用线性回归方程来拟合车道线，示例性地，对于曲线，可以采用三次曲线拟合算法根据至少一个关键点在所述车辆坐标系下的坐标，对至少一个关键点进行曲线拟合，确定车道线在仿真环境中的位置。该三次曲线拟合方程为：y＝c

为了对车辆进行横向控制，确定车辆与车道线的相对关系是必要的。在一些实施例中，根据车道线在仿真环境中的位置以及仿真车辆在仿真环境中的位置，确定相对位置。通过上述方法，得到车道线在仿真环境中的位置信息，如用三次曲线方程表示的曲线方程。在仿真环境中，可以直接获取仿真车辆的精确位置信息，如车辆的坐标(x，y)。将两者置于同一坐标系统下进行对比，例如都转换到车辆坐标系中。计算车辆坐标与车道线曲线方程间的关系，可以得到：横向偏移距离用于表示车辆坐标到车道线曲线的最小距离、纵向距离用于表示车辆坐标到车道线端点的纵向距离、夹角用于表示车辆与车道线切线的角度等信息，这样就可以确定在仿真环境中，车辆与车道线之间的精确相对位置。这些相对位置信息将作为输入提供给控制系统，用于后续的车道保持等决策控制。

步骤150，通过车道线保持辅助系统，根据相对位置对仿真车辆进行移动控制。

车道线保持辅助系统是指通过计算机视觉与控制算法，基于对车道线位置的感知，对车辆进行控制的闭环系统，用于使自动驾驶车辆能够在行驶过程中实时定位并保持在车道线范围内的技术手段。上述方法，已确定车辆与车道线之间的相对位置关系，利用车道保持控制器，根据相对位置计算控制量，使车辆向车道中心线对齐。

在一些实施例中，通过车道线保持辅助系统，利用车辆横向控制模型，根据相对位置确定仿真车辆的方向盘转角；根据方向盘转角对仿真车辆进行移动控制。在一种可能实现的方式中，系统接收车辆定位模块输出的车辆实时坐标(x，y)、接收车道线识别模块输出的车道中心线多项式曲线方程，计算车辆坐标点到车道中心线曲线的横向偏移量；设计(Proportional–Integral–Derivative，比例-积分-微分)或更复杂的控制器，以横向偏移量为输入，计算需要的方向盘转角作为输出；控制器通过PID算法，根据横向偏移量计算出方向盘转角，使车辆逐步减小横向偏差，最终向车道中心对齐；发送计算得到的方向盘转角到执行机构，使车辆实现转向。重复上述过程，实时调整车辆方向，形成闭环控制，以保持车辆在车道中心线上平稳行驶。图2是本申请一个实施例提供的验证车道线保持辅助系统的仿真方法的流程闭环图。通过在仿真环境中设置车辆动力学模型，根据所设置的车辆动力学模型输出原始图像，原始图像中包含车道线信息，将原始图像输入至车道线图像识别中，车道线识别输出车道线坐标点集合，根据坐标点集合进行曲线拟合，将曲线拟合系数输入至车辆横向控制模型中，车辆横向控制模型根据车辆与车道线的相对关系，输出方向盘的转角，实现对仿真车辆的移动控制。

综上所述，本申请实施例提供的技术方案，通过在仿真环境中，构建车辆的动力学模型，基于车辆自身位置与车道线识别结果确定两者相对位置关系，利用车道线保持辅助系统，以相对位置的结果来控制仿真车辆的转向，实现在复杂场景下保持车道行驶的闭环控制。上述方法解决了上路实验调试程序带来的开发周期长、风险大的问题，达到了在安全可控的仿真环境中高效开发和验证车道线保持辅助系统的技术效果。

另外，通过对车道线图像进行二值化处理、边缘算法提取和膨胀处理，有益于提取出完整的车道线信息，为包括车道线辅助系统在内的辅助驾驶系统提供稳定准确的车道线信息的输入。

下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。

请参照图3，其示出了本申请一个实施例提供的验证车道线保持辅助系统的仿真装置的框图。该装置具有实现上述验证车道线保持辅助系统的仿真方法的功能，所述功能可以由硬件实现，也可以由硬件执行相应的软件实现。该装置可以是计算机设备，也可以设置在计算机设备中。该装置300可以包括：构建模块310、获取模块320、识别模块330、确定模块340和控制模块350。

构建模块310，用于在仿真环境中，构建仿真车辆的动力学模型，所述动力学模型包括所述仿真车辆的属性参数。

获取模块320，用于基于所述动力学模型，获取所述仿真车辆在所述仿真环境中采集的车道线图像。

识别模块330，用于对所述车道线图像进行识别，得到所述车道线图像中的车道线的位置信息。

确定模块340，用于根据所述位置信息，确定所述车道线在所述仿真环境中与所述仿真车辆之间的相对位置。

控制模块350，用于通过所述车道线保持辅助系统，根据所述相对位置对所述仿真车辆进行移动控制。

在一些实施例中，所述识别模块310，包括：二值化处理单元、边缘提取单元和膨胀处理单元(图3中未示出)。

二值化处理单元，用于对所述车道线图像进行二值化处理，得到二值化的车道线图像。

边缘提取单元，用于采用边缘提取算法对所述二值化的车道线图像进行处理，得到至少一个边缘像素点。

膨胀处理单元，用于对各个所述边缘像素点进行膨胀处理，得到所述车道线图像中的车道线的位置信息。

在一些实施例中，所述膨胀处理单元用于：

对各个所述边缘像素点进行膨胀处理，使得相邻的所述边缘像素点连接，得到处理后的边缘像素点；

从所述处理后的边缘像素点中提取所述车道线的至少一个关键点；

根据所述至少一个关键点在图像坐标系下的坐标，得到所述车道线的位置信息，所述图像坐标系是指所述车道线图像对应的二维坐标系。

在一些实施例中，所述位置信息包括所述车道线的至少一个关键点在图像坐标系下的坐标，所述图像坐标系是指所述车道线图像对应的二维坐标系；所述确定模块340，包括：坐标转换单元、拟合单元和确定单元(图3中未示出)。

坐标转换单元，用于将所述至少一个关键点在所述图像坐标系下的坐标，转换为在车辆坐标系下的坐标，得到所述至少一个关键点在所述车辆坐标系下的坐标；其中，所述车辆坐标系是指所述仿真车辆对应的二维坐标系。

拟合单元，用于根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置。

确定单元，用于根据所述车道线在所述仿真环境中的位置以及所述仿真车辆在所述仿真环境中的位置，确定所述相对位置。

在一些实施例中，所述拟合单元用于：

采用三次曲线拟合算法根据所述至少一个关键点在所述车辆坐标系下的坐标，对所述至少一个关键点进行曲线拟合，确定所述车道线在所述仿真环境中的位置。

在一些实施例中，所述控制模块350用于：

通过所述车道线保持辅助系统，根据所述相对位置确定所述仿真车辆的方向盘转角；

根据所述方向盘转角对所述仿真车辆进行移动控制。

在一些实施例中，所述仿真车辆的属性参数包括以下至少之一：发动机参数、重量、尺寸、轴距、风阻系数、悬挂机构参数、底盘构造参数。

请参考图4，其示出了本申请一个实施例提供的计算机设备400的结构框图。

通常，计算机设备400包括有：处理器410和存储器420。

处理器410可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器410可以采用DSP(Digital Signal Processing，数字信号处理)、FPGA(FieldProgrammable Gate Array，现场可编程门阵列)、PLA(Programmable Logic Array，可编程逻辑阵列)中的至少一种硬件形式来实现。处理器410也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称CPU(Central ProcessingUnit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。在一些实施例中，处理器410可以在集成有GPU(Graphics Processing Unit，图像处理器)，GPU用于负责显示屏所需要显示的内容的渲染和绘制。一些实施例中，处理器410还可以包括AI处理器，该AI处理器用于处理有关机器学习的计算操作。

存储器420可以包括一个或多个计算机可读存储介质，该计算机可读存储介质可以是非暂态的。存储器420还可包括高速随机存取存储器，以及非易失性存储器，比如一个或多个磁盘存储设备、闪存存储设备。在一些实施例中，存储器420中的非暂态的计算机可读存储介质用于存储计算机程序，所述计算机程序经配置以由一个或者一个以上处理器执行，以实现上述验证车道线保持辅助系统的仿真方法。

本领域技术人员可以理解，图4中示出的结构并不构成对计算机设备400的限定，可以包括比图示更多或更少的组件，或者组合某些组件，或者采用不同的组件布置。

在一些实施例中，还提供了一种计算机可读存储介质，所述存储介质中存储有计算机程序，所述计算机程序由处理器加载并执行以实现上述验证车道线保持辅助系统的仿真方法。

可选地，该计算机可读存储介质可以包括：ROM(Read-Only Memory，只读存储器)、RAM(Random-Access Memory，随机存储器)、SSD(Solid State Drives，固态硬盘)或光盘等。其中，随机存取记忆体可以包括ReRAM(Resistance Random Access Memory，电阻式随机存取记忆体)和DRAM(Dynamic Random Access Memory，动态随机存取存储器)。

在一些实施例中，还提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序存储在计算机可读存储介质中，处理器从所述计算机可读存储介质读取并执行所述计算机程序，以实现上述验证车道线保持辅助系统的仿真方法。

应当理解的是，在本文中提及的“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。另外，本文中描述的步骤编号，仅示例性示出了步骤间的一种可能的执行先后顺序，在一些其它实施例中，上述步骤也可以不按照编号顺序来执行，如两个不同编号的步骤同时执行，或者两个不同编号的步骤按照与图示相反的顺序执行，本申请实施例对此不作限定。

以上所述仅为本申请的示例性实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。