一种适用于无人驾驶汽车的行进路线精准生成方法
技术领域
本发明涉及汽车自动控制领域,具体涉及一种适用于无人驾驶汽车的行进路线精准生成方法。
背景技术
汽车作为人们的代步工具,随着物质生活水平的提高,近些年得到大范围的普及。在汽车行驶中,驾驶员的主观因素是导致许多交通事故的根本原因,为提供交通安全性和运输效率,自主驾驶、无人驾驶的智能车辆的研究受到许多国家的重视,并成为研究的重要内容。无人驾驶汽车也被称为自动驾驶汽车或轮式移动机器人,它在没有人类输入指令的情况下,通过车载传感器感知周围环境,并根据所获取的交互信息,依靠以车内计算机控制系统为主的智能驾驶模块实现无人驾驶。
如上文所述,无人驾驶汽车的实现至少包含三部分,即大量传感器、定位装置(如GPS)和智能驾驶模块,如公开号为100999202A的中国专利文件所公布的自动导航汽车,但是目前影响无人驾驶汽车,尤其是影响无人驾驶汽车的导航技术的难题集中在两方面,一为GPS导航的精准度问题,二为基于地图的循迹技术的智能度问题。具体的,由于汽车在行驶过程中会出现进入GPS信号弱或无信号的地区,自动驾驶无法实现,或者,在行驶过程中传感器采集信号减弱甚至丢失的情况,又或者,由于GPS的地图更新问题使得实际道路和电子地图的数据不符,这些情况都会影响无人驾驶的精准度。
发明内容
本发明的目的是提供一种适用于无人驾驶汽车的行进路线精准生成方法,能对路段的首次行径或非首次行径进行自动判断,保存特征物信息,在导航地图精度低或缺少GPS信号的环境下依然能完成自动驾驶。
本发明的上述技术目的是通过以下技术方案得以实现的:一种适用于无人驾驶汽车的行进路线精准生成方法,包含路线确定步骤,在所述路线确定步骤后,还包含如下步骤:
步骤一、 首次路径辨别步骤;
在本步骤中,控制系统来识别判定将要行进的路线是否是首次路径;
步骤二、定位装置信号检测步骤;
控制系统对定位装置的信号的强弱程度、有无程度进行识别检测;
步骤三、视觉特征物数据采集和驾驶信息数据记录步骤;
控制系统控制采集装置,对行径路线上的视觉特征物的数据进行采集,同时对车辆在行经路线上的驾驶信息数据进行记录和储存;
步骤四、视觉特征坐标库生成步骤;
根据步骤三中的所述视觉特征物的数据,自动生成视觉特征坐标库;
步骤五、驾驶方案形成步骤;
根据步骤四中的所述视觉特征坐标库和步骤三中记录的所述驾驶信息数据,所述控制系统生成驾驶方案。
在所述步骤一中,首先根据已确定的行车路线,在判定是否是首次经过这条路线,具体的方式是在汽车的控制系统中的存储装置的数据库进行比对,当判定是首次路径之后,自动进入所述步骤二,来检测所述定位装置的信号强度,所述定位装置可以为GPS定位装置,若是在GPS信号缺失的情况下,例如地下车库等,则自动进入所述步骤三、所述采集装置对行径路线上的视觉特征物的数据进行采集,同时对车辆在行经路线上的驾驶信息数据进行记录,这里的视觉特征物可以为台阶、墙面、立柱等,这些数据经过提取可以形成三维的、立体的所述视觉特征物坐标库,于此同时,所述采集装置还记录了车辆的驾驶信息,如车辆的速度,转弯半径等,所述驾驶信息数据和所述视觉特征物坐标库共同形成了驾驶方案,并且是无GPS信号条件下的驾驶方案,这些数据都会被系统保存,在首次进行操作的时候,是需要人工驾驶的,但是这些数据作为后期系统学习和精准行进路线的依据, 为之后的无人驾驶提供了基础。
作为本发明的优选,在所述步骤三和步骤四之间,包含过滤无效数据步骤,在所述过滤无效数据步骤中,所述控制系统过滤掉所述驾驶信息数据和/或所述视觉特征物数据中的无效数据。
在所述采集装置采集所述驾驶信息数据和所述视觉特征物数据中,容易产生无效数据,例如,受天气的影响,会形成阴影区,影响所述视觉特征物数据的精准性,再例如,车辆在低速行驶中,由于误差的存在,会对周边低速移动的障碍物和静止的障碍物区分不够精准,再例如,车辆行驶中由于其他原因产生的不必要的小范围转弯,速度改变等驾驶动作,也是非必要的驾驶信息,以上这些无效信息,可以根据软件设置来过滤剔除。
作为本发明的优选,所述采集装置包含摄像头和雷达。
所述摄像头可以为3D摄像头,用于采集所述视觉特征坐标库数据,具体除了前文所述的数据,还可以为大楼外形、红绿灯位置信息、限速标识等,所述雷达主要用于采集四周障碍物与汽车的距离,这些数据都会后期变成所述视觉数据坐标库里的重要信息。
作为本发明的优选,所述视觉特征物的数据包含周边环境的立体数据、障碍物与车辆距离数据和交通标识数据,所述周边环境的立体数据和所述交通标识数据由所述摄像头采集,所述障碍物与车辆距离数据由所述雷达采集。
作为本发明的优选,所述驾驶信息数据包含速度数据、方向盘转角数据和制动压力数据。
作为本发明的优选,当所述定位装置信号存在时,进入步骤六、特征信息库整合步骤,在特征信息库整合步骤中,所述控制系统将在步骤三中采集的所述视觉特征物数据与所述定位装置中自带的路径世界三维坐标信息库数据进行整合更新,形成新世界坐标路径系特征信息库。
在经过前文的步骤,系统已经采集到所述视觉特征物数据,与上文不同的是,在所述定位装置没有信号的时候,例如无GPS信号的情况下,所述驾驶方案是根据所述驾驶信息数据和所述视觉特征物数据共同形成的,而在所述定位装置有信号的时候,无论是正常或是GPS信号偏弱的情况下,系统就会载入所述定位装置中自带的路径世界三维坐标信息库,比如系统自带的GPS世界坐标地图,形成全新的所述新世界坐标路径系特征信息库,也就是形成全新的坐标地图和更精准,冗沉度更高的导航基准线,并对自带的地图数据缺失地段也可进行数据覆盖。
作为本发明的优选,还包含步骤七、误差判定步骤,在误差判定步骤中,当车辆再次通过同一路径,所述控制系统会调用所述定位装置自带的世界坐标系数据,将所述世界坐标系数据与再次经过该路径时实时采集的所述视觉特征物数据所形成的视觉坐标系数据进行比对,并读出误差值,若所述误差值在预设的允许范围内,则继续使用所述世界坐标系数据生成驾驶方案,若是在允许范围外,则使用实时采集的所述视觉特征物数据所形成的视觉坐标系数据生成驾驶方案。
在实际运用中,当车辆非首次通过同一路径,系统还是会依靠所述采集装置采集到所述视觉特征物数据和所述驾驶信息数据,同时,系统还会调取所述定位装置自带的世界坐标系数据,例如该路段的GPS坐标数据,并把两者作为对比,如果两者的误差很小,在允许范围内,则表示所述定位装置中的所述世界坐标系数据是正确的,无需更新,可以依靠所述世界坐标系数据生成驾驶方案供无人驾驶汽车行驶,若是在允许范围外,则表示所述定位装置中的所述世界坐标系数据有误,不适合当下的路况,需要开启无人驾驶汽车的自学习功能,即依靠所述采集装置当下采集到的所述视觉特征物数据和所述驾驶信息数据行程新的驾驶方案。
作为本发明的优选,在所述步骤七中,若所述误差值在允许范围外,则进入步骤八、更新步骤,在所述更新步骤中,将实时生成的所述视觉特征物数据所形成的所述视觉坐标系数据覆盖之前的数据。
从而达到更新和系统自学习的功能。
综上所述,本发明具有如下有益效果:
1、在所述定位装置没有信号时,汽车能依靠所述采集装置收集所述视觉特征物数据和所述驾驶信息数据来完成无人驾驶。
2、所述驾驶信息包括速度数据、方向盘转角数据和制动压力数据,数据针对性强。
3、所述视觉特征物的数据包含周边环境的立体数据、障碍物与车辆距离数据和交通标识数据,数据采集范围广,信息处理全面。
4、在所述定位装置存在信号时,所述采集装置收集到的数据会和系统内的数据进行整合,达到系统实时学习的功能。
5、系统具备对所述视觉特征物数据和所述驾驶信息数据的过滤功能,过滤掉无效数据,提高数据的可信度。
6、当车辆再次行进同一路径,会进行误差判断,若是误差小,则以系统中存储的原数据为准,不需要更新,若是误差大,则以实时捕捉的现场情况为准,进行更新,达到无人驾驶方案的自学习功能。
具体实施方式
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
实施例1,一种适用于无人驾驶汽车的行进路线精准生成方法,包含路线确定步骤,在所述路线确定步骤后,还包含如下步骤:
步骤一、 首次路径辨别步骤;
在本步骤中,控制系统来识别判定将要行进的路线是否是首次路径;
步骤二、定位装置信号检测步骤;
控制系统对定位装置的信号的强弱程度、有无程度进行识别检测;
步骤三、视觉特征物数据采集和驾驶信息数据记录步骤;
控制系统控制采集装置,对行径路线上的视觉特征物的数据进行采集,同时对车辆在行经路线上的驾驶信息数据进行记录和储存;
步骤四、视觉特征坐标库生成步骤;
根据步骤三中的所述视觉特征物的数据,自动生成视觉特征坐标库;
步骤五、驾驶方案形成步骤;
根据步骤四中的所述视觉特征坐标库和步骤三中记录的所述驾驶信息数据,所述控制系统生成驾驶方案。
在所述步骤一中,首先根据已确定的行车路线,在判定是否是首次经过这条路线,具体的方式是在汽车的控制系统中的存储装置的数据库进行比对,当判定是首次路径之后,自动进入所述步骤二,来检测所述定位装置的信号强度,所述定位装置可以为GPS定位装置,若是在GPS信号缺失的情况下,例如地下车库等,则自动进入所述步骤三、所述采集装置对行径路线上的视觉特征物的数据进行采集,同时对车辆在行经路线上的驾驶信息数据进行记录,这里的视觉特征物可以为台阶、墙面、立柱等,这些数据经过提取可以形成三维的、立体的所述视觉特征物坐标库,于此同时,所述采集装置还记录了车辆的驾驶信息,如车辆的速度,转弯半径等,所述驾驶信息数据和所述视觉特征物坐标库共同形成了驾驶方案,并且是无GPS信号条件下的驾驶方案,这些数据都会被系统保存,在首次进行操作的时候,是需要人工驾驶的,但是这些数据作为后期系统学习和精准行进路线的依据, 为之后的无人驾驶提供了基础。
在所述步骤三和步骤四之间,包含过滤无效数据步骤,在所述过滤无效数据步骤中,所述控制系统过滤掉所述驾驶信息数据和/或所述视觉特征物数据中的无效数据。在所述采集装置采集所述驾驶信息数据和所述视觉特征物数据中,容易产生无效数据,例如,受天气的影响,会形成阴影区,影响所述视觉特征物数据的精准性,再例如,车辆在低速行驶中,由于误差的存在,会对周边低速移动的障碍物和静止的障碍物区分不够精准,再例如,车辆行驶中由于其他原因产生的不必要的小范围转弯,速度改变等驾驶动作,也是非必要的驾驶信息,以上这些无效信息,可以根据软件设置来过滤剔除。
所述采集装置包含摄像头和雷达。所述摄像头可以为3D摄像头,用于采集所述视觉特征坐标库数据,具体除了前文所述的数据,还可以为大楼外形、红绿灯位置信息、限速标识等,所述雷达主要用于采集四周障碍物与汽车的距离,这些数据都会后期变成所述视觉数据坐标库里的重要信息。
所述视觉特征物的数据包含周边环境的立体数据、障碍物与车辆距离数据和交通标识数据,所述周边环境的立体数据和所述交通标识数据由所述摄像头采集,所述障碍物与车辆距离数据由所述雷达采集。
所述驾驶信息数据包含速度数据、方向盘转角数据和制动压力数据。
以上是所述定位装置无信号,而当所述定位装置信号存在时,进入步骤六、特征信息库整合步骤,在特征信息库整合步骤中,所述控制系统将在步骤三中采集的所述视觉特征物数据与所述定位装置中自带的路径世界三维坐标信息库数据进行整合更新,形成新世界坐标路径系特征信息库。
在经过前文的步骤,系统已经采集到所述视觉特征物数据,与上文不同的是,在所述定位装置没有信号的时候,例如无GPS信号的情况下,所述驾驶方案是根据所述驾驶信息数据和所述视觉特征物数据共同形成的,而在所述定位装置有信号的时候,无论是正常或是GPS信号偏弱的情况下,系统就会载入所述定位装置中自带的路径世界三维坐标信息库,比如系统自带的GPS世界坐标地图,形成全新的所述新世界坐标路径系特征信息库,也就是形成全新的坐标地图和更精准,冗沉度更高的导航基准线,并对自带的地图数据缺失地段也可进行数据覆盖。
若是当车辆再次通过同一路径,则会进入步骤七,误差判定步骤,在误差判定步骤中,当车辆再次通过同一路径,所述控制系统会调用所述定位装置自带的世界坐标系数据,将所述世界坐标系数据与再次经过该路径时实时采集的所述视觉特征物数据所形成的视觉坐标系数据进行比对,并读出误差值,若所述误差值在预设的允许范围内,则继续使用所述世界坐标系数据生成驾驶方案,若是在允许范围外,则使用实时采集的所述视觉特征物数据所形成的视觉坐标系数据生成驾驶方案。
在实际运用中,当车辆非首次通过同一路径,系统还是会依靠所述采集装置采集到所述视觉特征物数据和所述驾驶信息数据,同时,系统还会调取所述定位装置自带的世界坐标系数据,例如该路段的GPS坐标数据,并把两者作为对比,如果两者的误差很小,在允许范围内,则表示所述定位装置中的所述世界坐标系数据是正确的,无需更新,可以依靠所述世界坐标系数据生成驾驶方案供无人驾驶汽车行驶,若是在允许范围外,则表示所述定位装置中的所述世界坐标系数据有误,不适合当下的路况,需要开启无人驾驶汽车的自学习功能,即依靠所述采集装置当下采集到的所述视觉特征物数据和所述驾驶信息数据行程新的驾驶方案。
在所述步骤七中,若所述误差值在允许范围外,则进入步骤八、更新步骤,在所述更新步骤中,将实时生成的所述视觉特征物数据所形成的所述视觉坐标系数据覆盖之前的数据。从而达到更新和系统自学习的功能。