CN108458745A

CN108458745A - 一种基于智能检测设备的环境感知方法

Info

Publication number: CN108458745A
Application number: CN201711411186.XA
Authority: CN
Inventors: 李纪先; 张金鑫; 王成
Original assignee: State Of Tianjin Ka Yip Medical Technology Development Co Ltd
Current assignee: State Of Tianjin Ka Yip Medical Technology Development Co Ltd
Priority date: 2017-12-23
Filing date: 2017-12-23
Publication date: 2018-08-28

Abstract

本发明提供了一种基于智能检测设备的环境感知方法，包括如下步骤：(1)车辆首先进行自车模糊定位，然后通过第一传感器单元进行自车精确定位；(2)车辆通过第二传感器单元获取自车周围障碍物信息，并建立障碍物模型，并进行动态跟踪；本发明避免自车启动阶段对自车周围快速移动物体的误检，降低事故发生率。

Description

一种基于智能检测设备的环境感知方法

技术领域

本发明属于自动驾驶技术领域，尤其是涉及一种基于智能检测设备的环境感知方法

背景技术

全球每年都有120万人因交通事故丧失性命，而就中国来说，每年就有超过30万人，占全球交通事故死亡人数的四分之一，居世界之首。其中绝大部分交通事故是由于驾驶员的误操作造成的。为了弥补驾驶员的操作缺陷，汽车厂商发明了安全带、安全气囊、倒车雷达、ABS防抱死系统，但是各种类型的交通事故仍层出不穷。

无人驾驶技术通过车辆装载各种类型传感器，对路况进行不间断的检测和预测，能有效的避免交通事故，从而极大提高生命安全。数据融合是一种将多传感器产生的源数据，集成到对环境描述到最鲁棒性的技术。数据的来源可以是自动驾驶汽车在运行中感知环境的一切数据，包括激光雷达、毫米波雷达、摄像头。

目前，1)所使用的视觉解决方案，是通过摄像头获取自车周围环境数据，将获得的图片进行特征提取和匹配视觉图像帧特征数据，感知自车周围障碍物，但感知效果差，误检率高，且受光照影响大；

2)所需要的数据融合技术，通过自动驾驶车辆挂载的多类型传感器，进行数据融合，感知自车周围障碍物。感知的效果比较好，但是成本高，设备损坏后难恢复，会严重影响感知效果，带来交通风险；

3)车辆信息共享，将单一车辆的跟踪结果，包括跟踪车辆的位置、速度、朝向等信息发送给另一车，进行融合，但数据传输过程中出现信息失真或丢失、接收数据乱序、接收大量冗余数据等情况。

发明内容

有鉴于此，本发明旨在提出一种优化计算资源、节约功耗的基于智能检测设备的环境感知方法。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于智能检测设备的环境感知方法，包括如下步骤：

(1)车辆首先进行自车模糊定位，然后通过第一传感器单元进行自车精确定位；

(2)车辆通过第二传感器单元获取自车周围障碍物信息，建立障碍物模型，并进行动态跟踪；

(3)自车输出最终数据结果，与他车建立信息共享。

进一步的，步骤(1)所述的第一传感器单元包括惯性传感器和摄像头

进一步的，步骤(1)所述的自车模糊定位包括通过GPS接收机获取位置信息，所述的位置信息误差不大于10米

进一步的，步骤(1)所述的自车精确定位包括摄像头采集自车周围图像，并通过特性提取算法，祛除环境噪声信息，获取周围环境信息；所述的惯性传感器获取车辆姿态信息，所述的GPS接收机获取位置信息然后将周围环境信息及车辆姿态信息通过PF粒子滤波融合算法，生成数据，然后与地图数据库进行特征对比匹配，输出精确定位结果。

进一步的，所述的车辆姿态信息包括车辆位置信息、速度信息、加速度信息及角速度信息。

进一步的，步骤(2)所述的第二传感器单元包括激光雷达、毫米波雷达和摄像头。

进一步的，步骤(2)所述的获取周围障碍物信息包括所述的激光雷达通过激光点云聚类算法，进行障碍物判断，获取判断信息；所述的摄像头采集图像，经特征提取算法，获取障碍物信息；然后将判断信息和障碍物信息通过PF粒子滤波融合算法进行融合关联，生成数据表，然后通过KF扩展卡尔曼滤波模型算法对障碍物进行动态跟踪。

进一步的，所述的毫米波雷达用于监测驾驶盲点。

进一步的，步骤(3)所述的信息共享包括车辆通过无线通信装置与他车数据连接，获取他车的精确定位信息，然后与步骤(2)生成的障碍物信息数据表融合，输出最终结果。

相对于现有技术，本发明所述的一种基于智能检测设备的环境感知方法具有以下优势：

(1)本发明可以避免启动阶段对自车周围快速移动物体的误检，降低了事故发生率；

(2)本发明避免了单个传感器歪斜甚至失效造成自车对周围环境数据的误检或丢失，提高了用户安全性；

(3)本发明有效地延展自动驾驶车辆的检索范围，避免自动驾驶车辆由于遮挡或检测距离等情况，避免未检测到周围的行驶车辆，有效降低事故发生率。

附图说明

构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例所述的车辆精确定位示意图；

图2为本发明实施例所述的惯性传感器融合算法示意图；

图3为本发明实施例所述的车辆障碍物信息示意图；

图4为本发明实施例所述的信息共享融合运行框图。

具体实施方式

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

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或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，除非另有说明，“多个”的含义是两个或两个以上。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明中的具体含义。

下面将参考附图并结合实施例来详细说明本发明。

一种基于智能检测设备的环境感知方法，包括如下步骤：

(3)自车输出最终数据结果，与他车建立信息共享。

步骤(1)所述的第一传感器单元包括惯性传感器和摄像头；所述的自车模糊定位包括通过GPS接收机获取位置信息，所述的位置信息误差不大于10米；所述的自车精确定位包括摄像头采集自车周围图像，并通过特性提取算法，祛除环境噪声信息，获取周围环境信息；所述的惯性传感器获取车辆姿态信息，所述的GPS接收机获取位置信息然后将周围环境信息及车辆姿态信息通过PF粒子滤波融合算法，生成数据，然后与地图数据库进行特征对比匹配，输出精确定位结果。其中，所述的车辆姿态信息包括车辆位置信息、速度信息、加速度信息及角速度信息。

步骤(2)所述的第二传感器单元包括激光雷达、毫米波雷达和摄像头；所述的获取周围障碍物信息包括所述的激光雷达通过激光点云聚类算法，进行障碍物判断，获取判断信息；所述的摄像头采集图像，经特征提取算法，获取障碍物信息；然后将判断信息和障碍物信息通过PF粒子滤波融合算法进行融合关联，生成数据表，然后通过KF扩展卡尔曼滤波模型算法对障碍物进行动态跟踪。其中，所述的毫米波雷达用于监测驾驶盲点。

步骤(3)所述的信息共享包括车辆通过无线通信装置与他车数据连接，获取他车的精确定位信息，然后与步骤(2)生成的障碍物信息数据表融合，输出最终结果。

本发明的具体实施过程：

首先，自动驾驶车辆通过已装载的传感设备进行自车的精确定位：

自动驾驶车辆根据GPS接收机获取自车在全球的初步定位，此定位约为10m级误差；根据摄像头获取周围环境信息，并通过特性提取算法，祛除环境噪声信息，获取周围主要信息，与自车地图数据进行特征对比，从而得到自动驾驶车辆的精确定位以及周围车道线信息。如图1所示，惯性传感器可以直接获取自车的姿态信息，但由于其存在累计误差，通过粒子滤波融合算法，不断修正惯导提供的姿态信息，从而得到相对准确的自车位置、速度、加速度、角速度等信息，如图2所示。

其中所采用的PF粒子滤波融合算法，是对于任意概率分布p(x_k)采用离散粒子集来进行蒙特卡洛近似：

其中，N_k分别表示为k时刻粒子的状态、权重，以及粒子的总个数，δ(·)表示为狄拉克delta函数。

假设有N个全局采样粒子，对于每一个粒子的状态可以表述为：

此处表征粒子的状态集为，自车的位置、速度、加速度、角速度等。

而对应每个粒子的权重为：

其中y_k为k时刻的观测值，即为各类型传感器的观测值。

粒子滤波模型的状态转移方程为：

权重更新方程为：

其次，自车周围障碍物的分类和动态跟踪：

如图3所示，自动驾驶车辆通过激光雷达、毫米波雷达、摄像头等多类型传感设备获取自车周围障碍物信息，并通过对其建立模型，分辨其障碍物类型，如车辆、自行车、行人等。

激光雷达通过激光点云聚类，将距离上相近的点聚集在一起，当点云距离符合某种规则高斯分布时，则认为其为跟踪障碍物，摄像头捕捉自车周围数据，经特征提取，获得自车周围障碍物信息。将两种信息按粒子滤波模型进行融合关联，生成动态障碍物跟踪列表，使用扩展卡尔曼滤波模型对障碍物的位置、速度、朝向、角速度等信息进行动态跟踪。

卡尔曼滤波，假设在每个时间的后验概率都是高斯分布(卡尔曼滤波的前提)，现行系统的离散模型为：

x_k＝F_kx_k-1+w_k-1

z_k＝H_kx_k+v_k

其中，F_k、H_k为已知系统矩阵和测量矩阵；w_k-1、v_k分别为均值等于0，方差为Q_k-1和R_k并相互独立的过程噪声和测量噪声；

x_k表示为跟踪障碍物的位置、速度、加速度、角速度等信息，z_k表示为在k时刻各类型传感器的测量值。

卡尔曼滤波-时间更新方程：

测量更新方程：

P_k+1|k+1＝(I-K_k+1H_k+1)P_k+1|k

其中，K为卡尔曼滤波的增益矩阵。

最后，自车与他车的信息共享与融合：

如图4所示，车辆在维护自车的跟踪障碍物信息列表的同时，与自车周围开启了通信功能的车辆进行连接，并根据用户设计距离和冗余度建立局部最优网络。

建立连接成功后，自车从他车获得所跟踪的车辆信息，包括位置、速度、朝向、角速度等信息。自车将获得的他车跟踪信息按照时间序列进行融合，生成新的障碍物跟踪列表(包括障碍物位置、速度、朝向、角速度等)，保证了自动驾驶系统的信息时效性及完整性。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于智能检测设备的环境感知方法，其特征在于，包括如下步骤：

(3)自车输出最终数据结果，与他车建立信息共享。

2.根据权利要求1所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(1)所述的第一传感器单元包括惯性传感器和摄像头。

3.根据权利要求1所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(1)所述的自车模糊定位包括通过GPS接收机获取位置信息，所述的位置信息误差不大于10米。

4.根据权利要求1或2所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(1)所述的自车精确定位包括摄像头采集自车周围图像，并通过特性提取算法，祛除环境噪声信息，获取周围环境信息；所述的惯性传感器获取车辆姿态信息，所述的GPS接收机获取位置信息然后将周围环境信息及车辆姿态信息通过PF粒子滤波融合算法，生成数据，然后与地图数据库进行特征对比匹配，输出精确定位结果。

5.根据权利要求4所述的一种基于智能检测设备的环境感知方法，其特征在于：所述的车辆姿态信息包括车辆位置信息、速度信息、加速度信息及角速度信息。

6.根据权利要求1所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(2)所述的第二传感器单元包括激光雷达、毫米波雷达和摄像头。

7.根据权利要求1所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(2)所述的获取周围障碍物信息包括所述的激光雷达通过激光点云聚类算法，进行障碍物判断，获取判断信息；所述的摄像头采集图像，经特征提取算法，获取障碍物信息；然后将判断信息和障碍物信息通过PF粒子滤波融合算法进行融合关联，生成数据表，然后通过KF扩展卡尔曼滤波模型算法对障碍物进行动态跟踪。

8.根据权利要求6所述的一种基于智能检测设备的环境感知方法，其特征在于：所述的毫米波雷达用于监测驾驶盲点。

9.根据权利要求1所述的一种基于智能检测设备的环境感知方法，其特征在于：步骤(3)所述的信息共享包括车辆通过无线通信装置与他车数据连接，获取他车的精确定位信息，然后与步骤(2)生成的障碍物信息数据表融合，输出最终结果。