用于评估自动驾驶用的地图的方法、设备和车辆

摘要

本发明涉及一种用于评估自动驾驶用的地图的方法，包括：‑获取静态地图中道路的车道线的像素点；获取实时地图中道路的车道线的像素点；将获取的静态地图的车道线的像素点分别拟合成相应车道线的第一拟合曲线；将获取的实时地图的车道线的像素点分别拟合成相应车道线的第二拟合曲线；计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度；根据拟合曲线相似度来评估静态地图和实时地图的一致性。此外，本发明还涉及一种用于评估自动驾驶用的地图的设备和车辆。根据本发明的方法、设备能够改善车辆的自动驾驶。

说明书

技术领域

本发明涉及自动驾驶领域，具体地，涉及一种用于评估自动驾驶用的地图的方法、设备以及车辆。

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头和激光雷达，获取道路网络的数据以及感测车辆周围的物体的距离。

目前，关于自动驾驶的分级，国际上普遍认可的是SAE(国际汽车工程师协会)的标准，分为L0-L5，共六级。L0级，意味着完全为手动人工操作，设备最多只提供一些辅助的警告和信号，比如倒车时候的雷达提醒、行车时候的距离提醒；L1便有一些横向或纵向辅助功能介入驾驶操作，可称为辅助驾驶，比如自适应巡航、自动紧急刹车等，设备开始对车辆有主动的操控行为；L2设备能在横向和纵向上实现车辆的自动驾驶，但驾驶员要时刻保持注意力，随时准备接管汽车的驾驶。L3的自动驾驶实现了较高程度的机器操作，驾驶员可以完全放弃操控，只有在少数情况下需要接管汽车；而L3与L4间存在着巨大的鸿沟，即方向盘可以完全消失。L3设备需要考虑人机协同，人类操作和机器操作的切换，L4则不考虑人类介入车辆的操作。到了最高的L5就实现了道路车辆的完全智能化。

随着自动驾驶技术的发展，对自动驾驶用的地图的实时性、准确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自动驾驶的方法、设备和车辆。

按照本发明的第一方面，提供一种用于评估自动驾驶用的地图的方法，所述方法包括：

-获取静态地图中道路的车道线的像素点；

-获取实时地图中道路的车道线的像素点；

-将获取的静态地图的车道线的像素点分别拟合成相应车道线的第一拟合曲线；

-将获取的实时地图的车道线的像素点分别拟合成相应车道线的第二拟合曲线；

-计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度；和

-根据拟合曲线相似度来评估静态地图和实时地图的一致性。

根据本发明，用于评估自动驾驶用的地图的方法可以应用于自动驾驶车辆厂商、静态地图或实时地图厂商等，以用于改善自动驾驶的可靠性和安全性。

在一些实施例中，“计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度”包括：

计算第一拟合曲线和相应的第二拟合曲线之间的平行度，和/或

计算第一拟合曲线和相应的第二拟合曲线之间的相交面积。

在一些实施例中，所述方法还包括：

-评估静态地图中的车道、优选主车车道和实时地图中的车道、优选主车车道之间的车道一致性、尤其是车道横向参数一致性，所述车道横向参数包括车道的横向尺寸、车道在横向方向上的像素点的像素值和/或数目，并且

-根据所述车道一致性和拟合曲线相似度来评估静态地图和实时地图的一致性。

在一些实施例中，“评估静态地图中的主车车道和实时地图中的主车车道之间的车道一致性”包括：

-基于主车的位置坐标确定主车车道；

-获取静态地图中的主车车道内的基准线、例如中心线的像素点；

-计算该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一距离；

-计算该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二距离；

-求取由各第一距离构成的第一向量和由各第二距离构成的第二向量之间的余弦相似度；和

-基于求取的余弦相似度来评估所述车道一致性。

在一些实施例中，“评估静态地图中的主车车道和实时地图中的主车车道之间的车道一致性”包括：

-基于主车的位置坐标确定主车车道；

-获取静态地图中的主车车道的像素点；

-获取实时地图中的主车车道的像素点；

-获取静态地图中的主车车道内的基准线、例如中心线的像素点；

-确定该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一线段；

-确定该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二线段；

-查明第一线段中的像素点与第二线段中对应的像素点之间的偏差、尤其是像素值偏差和/或像素坐标偏差；

-基于所查明的偏差来评估所述车道一致性。

在一些实施例中，“获取实时地图中的主车车道的像素点”包括:

-基于静态地图中的主车车道的像素点的像素坐标从实时地图中提取对应的像素点，以作为实时地图中的主车车道的像素点。

在一些实施例中，所述方法还包括：在获取实时地图中道路的车道线的像素点之前，对实时地图进行聚类处理，以便将一部分像素点归为车道线像素点而将另一部分像素点归为噪声像素点。

在一些实施例中，所述方法还包括：根据静态地图和实时地图的一致性评估结果来适配主车的自动驾驶规划，和/或将所述一致性评估结果反馈给静态地图厂商和/或实时地图厂商。

在一些实施例中，“根据静态地图和实时地图的一致性评估结果来适配主车的自动驾驶规划”包括：

-确定静态地图和实时地图中被评估为不一致的路段；

-查明当前自动驾驶规划与所述路段的相关性；

-如果当前自动驾驶规划涉及到所述被评估为不一致的路段，那么基于查明的所述路段来调整主车的自动驾驶规划。

根据本发明的第二方面，提供一种用于评估自动驾驶用的地图的设备，所述设备包括：

存储模块，所述存储模块构成为用于存储实时地图和静态地图的数据；

控制模块，所述控制模块构成为用于：

从存储模块中获取静态地图中道路的车道线的像素点；

从存储模块中获取实时地图中道路的车道线的像素点；

将获取的静态地图的车道线的像素点分别拟合成相应车道线的第一拟合曲线；

将获取的实时地图的车道线的像素点分别拟合成相应车道线的第二拟合曲线；

计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度；和

根据拟合曲线相似度来评估静态地图和实时地图的一致性。

在一些实施例中，所述控制模块构成为用于：通过计算第一拟合曲线和相应的第二拟合曲线之间的平行度和/或相交面积来计算拟合曲线相似度。

在一些实施例中，所述控制模块构成为用于：评估静态地图中的车道、优选主车车道和实时地图中的车道、优选主车车道之间的车道一致性、尤其是车道横向参数一致性，所述车道横向参数包括车道的横向尺寸、车道在横向方向上的像素点的像素值和/或数目，并且根据所述车道一致性和拟合曲线相似度来评估静态地图和实时地图的一致性。

在一些实施例中，所述控制模块构成为用于：

获取主车的位置坐标，以便确定主车车道；

从存储模块中获取静态地图中的主车车道内的基准线、例如中心线的像素点；

计算该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一距离；

计算该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二距离；

求取由各第一距离构成的第一向量和由各第二距离构成的第二向量之间的余弦相似度；和

基于求取的余弦相似度来评估所述车道一致性；和/或

所述控制模块构成为用于：

基于主车的位置坐标确定主车车道；

-获取静态地图中的主车车道的像素点；

-获取实时地图中的主车车道的像素点；

-获取静态地图中的主车车道内的基准线、例如中心线的像素点；

-确定该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一线段；

-确定该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二线段；

-查明第一线段中的像素点与第二线段中对应的像素点之间的偏差、尤其是像素值偏差和/或像素坐标偏差；

-基于所查明的偏差来评估所述车道一致性。

在一些实施例中，所述控制模块构成为用于：根据静态地图和实时地图的一致性评估结果发送控制指令，所述控制指令促使适配主车的自动驾驶规划和/或将所述一致性评估结果反馈给静态地图厂商和/或实时地图厂商，

优选地，所述控制模块构成为用于：

确定静态地图和实时地图中被评估为不一致的路段；

查明当前自动驾驶规划与所述路段的相关性；

如果当前自动驾驶规划涉及到所述被评估为不一致的路段，那么发送控制指令，所述发送控制指令促使基于查明的所述路段来调整主车的自动驾驶规划。

按照本发明的第三方面，提供一种车辆，所述车辆包括根据本发明各实施例所述的设备。

按照本发明的第四方面，提供一种用于评估自动驾驶用的地图的处理装置，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的第一方面的任一实施例所述的方法。

按照本发明的第五方面，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的第一方面的任一实施例所述的方法。

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示出用于评估自动驾驶用的地图的方法的一种示例性流程图；

图2a和2b示出用于计算拟合曲线相似度的第一实施方式的示意图；

图3示出用于计算拟合曲线相似度的第二实施方式的示意图；

图4示出了用于评估车道一致性的方法的一种示例性流程图；

图5示出了用于评估车道一致性的方法的一种示例性流程图；

图6示出用于计算车道一致性的第一实施方式的示意图；

图7示出用于计算车道一致性的第二实施方式的示意图；

图8示出用于评估自动驾驶用的地图的设备的示例性方框图。

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。

图1示出用于评估自动驾驶用的地图的方法的一种示例性流程图。按照本发明，所述方法包括：

步骤101：获取静态地图中道路的车道线的像素点；

步骤102：获取实时地图中道路的车道线的像素点；

步骤103：将获取的静态地图的车道线的像素点分别拟合成相应车道线的第一拟合曲线；

步骤104：将获取的实时地图的车道线的像素点分别拟合成相应车道线的第二拟合曲线；

步骤105：计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度；和

步骤106：根据拟合曲线相似度来评估静态地图和实时地图的一致性。

用于评估自动驾驶用的地图的方法可以应用于自动驾驶车辆厂商、静态地图或实时地图厂商等，以用于改善自动驾驶的可靠性和安全性。在文本中，自动驾驶车辆(也可以称为主车或自车，英文ego car)可以是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。

静态地图可以是“高精度(HD)地图”或“规划地图”。自动驾驶用的静态地图通常可以是精度较高、数据维度较多的电子数字地图。然而，目前的静态地图通常是由地图厂商提前制作完成，其主要包括基于离线数据的预定义地图信息，因此无法就实时的车道信息和/或道路上的实时路况呈现到静态地图上。

实时地图可以是借助于安装在车辆上的各种传感装置实时检测到的数据所生成的地图。因此，实时地图可以就实时的车道信息和/或道路上的实时路况呈现到实时地图上。这些传感装置可以是摄像头、雷达和/或激光雷达。摄像头可以是摄像机、高速照相机或静止图像照相机。摄像头数据可以是摄像头的原始输出。或者，摄像头数据可以是摄像头的经预处理的数据。例如，摄像头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，例如，二维排列中的多个像素点。此外，摄像头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。

激光雷达(LiDAR)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)。

通常，静态地图和实时地图中的像素点可以包括自身的像素坐标以及像素值(例如RGB数值)。静态地图和实时地图可以通过不同的颜色来表示道路区域中不同的对象，例如车道线可以用绿色标识、车道中心线可以用黄色标识，而车道本身可以是蓝色的。

在一些实施例中，静态地图可能具有背景像素，因此在获取静态地图中道路的车道线的像素点之前可以通过过滤掉背景像素而得到感兴趣的道路区域。同样地，实时地图也可能具有背景像素，因此在获取实时地图中道路的车道线的像素点之前可以通过过滤掉背景像素而得到感兴趣的道路区域。

在一些实施例中，实时地图可能伴随有较多的噪声像素点，这些噪声像素点可能会干扰后续方法步骤、例如曲线拟合步骤104和拟合曲线相似度计算步骤105的实施，从而降低评估的准确性和可靠性。为此，在获取实时地图中道路的车道线的像素点之前，还可以对实时地图进行聚类处理，以便将一部分像素点归为车道线像素点而将另一部分像素点归为噪声像素点，这些噪声像素点可以被置为背景色而被过滤掉。由此进一步降低噪声对后续方法步骤的干扰作用，改善方法的准确性和可靠性。

聚类处理可以如下实施：第一步，选择以实时地图中的某一像素点为圆心并且以预定半径作圆；第二步，计算在这个圆内与该圆心在像素值方面偏差小于阈值的像素点的数目(在此例如可以考虑两个像素点之间的欧式距离)，如果数目超过预定的阈值(例如600)，那么将这个圆内的点认为同一类型(英文：same cluster)；第三步，将该圆内的点依次或选择性地作为圆心，并取预定半径作圆；第四步，重复实施第二步的步骤，直至遍历像素点并且无法再继续向外扩展圆为止。最终通过上述步骤能够将实时地图中的各像素点进行聚类，得到道路区域中不同对象(车道线、车道中心线和车道本身)的较为准确的像素点群。

在一些实施例中，“获取静态地图中道路的车道线的像素点”可以通过边缘检测算法得到，例如可以通过搜寻像素变化的边界点来确定车道线的像素点。同样地，“获取实时地图中道路的车道线的像素点”也可以通过边缘检测算法得到，例如从经聚类处理后的实时地图中寻像素变化的边界点来确定车道线的像素点。

在其他实施例中，当实时地图已被评估为高度精确，伴随较少噪声像素点时也可以无需上述聚类步骤。

接下去，借助于图2a、2b和3详细描述用于计算拟合曲线相似度的两种实施方式的示意图。

如图2a、2b所示，图2a示例性地示出了静态地图中道路的三条车道线L

作为示例，可以借助于多项式拟合曲线、例如以下二次函数来表征各车道线：

L

L

L

L

L

L

为了计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度可以计算第一拟合曲线和相应的第二拟合曲线之间的平行度。在一些实施例中，静态地图中的一条车道线L

在其他实施例中，也可以采用一次函数或者更高次的函数来拟合车道线。为了计算第一拟合曲线和相应的第二拟合曲线之间的平行度也可以采用其他适宜的方式，例如分别比较每一对系数a

此外，为了计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度，也可以计算第一拟合曲线和相应的第二拟合曲线之间的相交面积。如图3所示，示例性地示出了静态地图中的一条车道线L

根据本发明，在评估静态地图和实时地图的一致性时，还可以额外地考虑静态地图和实时地图中的车道、尤其是主车车道的形状一致性，从而进一步识别出静态地图和实时地图之间的平移、旋转和/或形状变形、尤其是横向上的变形，这有利于改善评估结论的可靠性和准确性。

图4和5示出了用于评估静态地图中的主车车道和实时地图中的主车车道之间的车道一致性、例如车道形状一致性、尤其是车道横向参数一致性的两种示例性流程图。车道参数应理解为在车道的车道线之间的道路本体的参数。车道横向参数应理解为与车道线成角度方向的车道参数，并非仅限制于垂直方向的车道参数。车道横向参数可以包括车道的横向尺寸、在车道的横向方向上像素点的像素值和/或数目等等。

在图4的流程图中，用于评估车道一致性的方法步骤可以包括：

步骤201：基于主车的位置坐标确定主车车道；

步骤202：获取静态地图中的主车车道内的基准线、例如中心线的像素点；

步骤203：计算该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一距离；

步骤204：计算该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二距离；

步骤205：求取由各第一距离构成的第一向量和由各第二距离构成的第二向量之间的余弦相似度；和

步骤206：基于求取的余弦相似度来评估所述车道一致性。

在步骤201中，可以基于主车的定位信息、即当前的位置坐标通过坐标变换得到主车在地图中的坐标，从而确定主车车道、即主车当前所行驶的车道。

为了评估车道一致性、需要考虑在静态地图和实时地图中车道的平移、旋转和/或形状变形。为此可以考虑车道、尤其是主车车道内的基准线、例如中心线距离车道的车道线的间距，从而获取关于车道横向方向上的变形或者位移的信息。

如图6所示，静态地图的主车车道的车道线通过粗实线表示；实时地图的主车车道的车道线通过细实线表示；静态地图的主车车道的中心线通过虚线表示。可以看到，静态地图的主车车道和实时地图的主车车道并不完全重合，两者具有空间上的平移以及一定程度的车道形状变形。为了对此进行评估，需要考虑车道的横向尺寸一致性。

在图6的实施例中，采用了余弦相似度的方法来衡量车道一致性，具体地：首先选取基准线，通常选择静态地图的主车车道的中心线作为基准线；然后采样中心线的若干像素点a、b、c、d；接着确定这些像素点的法向并且计算这些像素点分别到静态地图的主车车道的车道线的第一距离d

在图5的流程图中，用于评估车道一致性的方法步骤可以包括：

步骤301：基于主车的位置坐标确定主车车道；

步骤302：获取静态地图中的主车车道的像素点；

步骤303：获取实时地图中的主车车道的像素点；

步骤304：获取静态地图中的主车车道内的基准线、例如中心线的像素点；

步骤305：确定该基准线、例如中心线的像素点沿第一方向、例如沿法向分别到静态地图中的主车车道的车道线的第一线段；

步骤306：确定该基准线、例如中心线的像素点沿所述第一方向分别到实时地图中的主车车道的车道线的第二线段；

步骤307：查明第一线段中的像素点与第二线段中对应的像素点之间的偏差、尤其是像素值偏差和/或像素坐标偏差；

步骤308：基于所查明的偏差来评估所述车道一致性。

在步骤301中，可以基于主车的定位信息、即当前的位置坐标通过坐标变换得到主车在地图中的坐标，从而确定主车车道、即主车当前所行驶的车道。

在步骤302中，可以直接从静态地图中获取主车车道的像素点。

在步骤303中，也可以直接从实时地图中获取主车车道的像素点。不过，在一些实施例中，也可以基于静态地图中的主车车道的像素点的像素坐标从实时地图中提取对应的像素点，以作为实时地图中的主车车道的像素点。也就是说，根据主车车道的车道线在静态地图中的像素坐标提取在实时地图中的相对应的像素坐标上的像素点，这些提取的像素点可以表征实时地图中的主车车道。这在实时地图的预测结果或者说实时地图的质量一般时是有利的，因为如果直接基于主车定位进行提取，通常伴随较大的噪声点，从而可能无法准确提取的主车车道。

从图6可以看到，静态地图的主车车道和实时地图的主车车道并不完全重合，两者具有空间上的平移以及一定程度的车道形状变形。为了对此进行评估，还可以需要考虑车道的横向参数一致性、例如在车道横向方向上像素点的像素值的一致性。

在图7的实施例中，采用了均一化分布的方法来衡量车道一致性，具体地：首先选取基准线，通常选择静态地图的主车车道的中心线作为基准线；然后采样中心线的若干像素点a、b、c、d；接着确定这些像素点的法向并且计算这些像素点沿法向分别到静态地图的主车车道的车道线的第一线段d

在图7的实施例中，可以考虑静态地图的第一线段d

图8示出用于评估自动驾驶用的地图的设备10的示例性方框图。所述设备10可以安装在自动驾驶车辆100(也可以称为自车或主车)中。如图8所示，所述设备10包括存储模块12和控制模块14。所述存储模块12构成为用于存储实时地图和静态地图的数据。实时地图和静态地图的数据可以原本就存储在该存储模块12中，或者也可以经由通信连接从外部存储器16读入存储模块12。所述控制模块14构成为用于：从存储模块中获取静态地图中道路的车道线的像素点；从存储模块中获取实时地图中道路的车道线的像素点；将获取的静态地图的车道线的像素点分别拟合成相应车道线的第一拟合曲线；将获取的实时地图的车道线的像素点分别拟合成相应车道线的第二拟合曲线；计算第一拟合曲线与相应的第二拟合曲线之间的拟合曲线相似度；和根据拟合曲线相似度来评估静态地图和实时地图的一致性。

根据本发明，控制模块14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，控制模块14可以构成为处理器，或者控制模块14可以构成为计算机、服务器甚至其他智能手持设备10。处理器可以经由互连总线连接到存储模块。存储模块可以包括主存储器，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。主存储器通常包括动态随机存取存储器(DRAM)和高速缓存存储器。在操作中，主存储器存储至少部分指令和数据以供处理器执行。

在一些实施例中，所述控制模块构成为用于：通过计算第一拟合曲线和相应的第二拟合曲线之间的平行度和/或相交面积来计算拟合曲线相似度。

在一些实施例中，所述控制模块构成为用于：通过计算第一拟合曲线和相应的第二拟合曲线之间的平行度和/或相交面积来计算拟合曲线相似度。

在一些实施例中，所述控制模块构成为用于：评估静态地图中的车道、优选主车车道和实时地图中的车道、优选主车车道之间的车道一致性、尤其是车道横向参数一致性，所述车道横向参数包括车道的横向尺寸、车道在横向方向上的像素点的像素值和/或数目，并且根据所述车道一致性和拟合曲线相似度来评估静态地图和实时地图的一致性。

在一些实施例中，所述控制模块可以构成为用于：根据静态地图和实时地图的一致性评估结果发送控制指令，将所述一致性评估结果反馈给静态地图厂商和/或实时地图厂商。一致性评估结果的反馈有利于静态地图厂商和/或实时地图厂商改善其地图制造，从而促进技术进步。

在一些实施例中，所述控制模块构成为用于：确定静态地图和实时地图中被评估为不一致的路段；查明当前自动驾驶规划与所述路段的相关性；如果当前自动驾驶规划涉及到所述被评估为不一致的路段，那么发送控制指令，所述发送控制指令促使基于查明的所述路段来调整主车的自动驾驶规划。

查明当前自动驾驶规划与所述路段的相关性，例如判断被评估为不一致的路段是否影响到或者说涉及到车辆的当前驾驶规划。当不相关时，保持当前的驾驶规划并且无需调整车辆的驾驶规划；反之，适配当前的驾驶规划，例如调整车辆的驾驶规划(例如变道、转向、加速或减速)。

在一些实施例中，所述控制模块可以构成为用于：根据静态地图和实时地图的一致性评估结果发送控制指令，所述控制指令促使适配主车的自动驾驶规划。如上所述那样，静态地图可能无法就实时的车道信息和/或道路上的实时路况呈现到静态地图上。因此，当道路物理属性和/或道路上的实时路况发生变化时，可能导致不佳的甚至引起危险的自动驾驶规划。在一些实施例中，道路物理属性变化可以包括：车道变化、道路的曲率变化、道路的宽度变化和/或道路的斜度变化。道路上的实时路况可以包括：施工路段、堵车路段、车祸路段和/或封路路段；车道变化包括：车道增加、车道减少、车道分离和/或车道合并；道路的曲率变化包括：道路的一个或多个车道的曲率变化；道路的宽度变化包括：道路的一个或多个车道的宽度变化；并且道路的斜度变化包括：道路的一个或多个车道的斜度变化。而实时地图则能够及时识别到这些变化，从而促使当前的驾驶规划进行调整，从而有效地规避掉潜在的风险。

说明和附图仅仅举例描述本公开的原理。此外，本文中列举的所有例子主要意图是明确地仅仅用于阐述目的，以帮助读者理解本公开的原理，和发明人对促进现有技术所贡献的概念。本文中详述本公开的原理、方面和例子的所有陈述，及其具体例子都意图包含其等同物。

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。然而，术语“处理器”或“控制器”到目前为止不限于仅能执行软件的硬件，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)、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。

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。