CN108645409A - 一种基于无人驾驶的行车安全系统 - Google Patents
一种基于无人驾驶的行车安全系统 Download PDFInfo
- Publication number
- CN108645409A CN108645409A CN201810458032.4A CN201810458032A CN108645409A CN 108645409 A CN108645409 A CN 108645409A CN 201810458032 A CN201810458032 A CN 201810458032A CN 108645409 A CN108645409 A CN 108645409A
- Authority
- CN
- China
- Prior art keywords
- road
- module
- straightway
- information
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 claims description 19
- 230000004888 barrier function Effects 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000013019 agitation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 6
- 206010039203 Road traffic accident Diseases 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/3415—Dynamic re-routing, e.g. recalculating the route when the user deviates from calculated route or after detecting real-time traffic data or accidents
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于无人驾驶的行车安全系统,包括:信息采集模块、信息分析模块、路径规划模块以及行车安全预警系统;所述信息采集模块用于采集车辆以及道路信息;信息分析模块与信息采集模块通信连接用于分析车辆信息以及道路信息;路径规划模块与信息分析模块通信连接,用于根据分析得到的信息进行道路路径规划;行车安全预警系统与所述信号处理模块通信连接,并且根据分析得到的信息进行车的安全预警。本发明显著的提高了车辆驾驶的安全性能,能够减少人为因素造成的交通事故次数。
Description
技术领域
本发明涉及行车安全领域,特别是一种基于无人驾驶的行车安全系统。
背景技术
随着私家车的大量普及,越来越多的车在路上行驶,道路的复杂程度也越来越严重,行车安全就成了一个重要的课题。
目前,行车记录仪作为一种行车安全的辅助设备已经成为主流的配置,现阶段的行车记录仪可以记录行车过程中的影像信息,在事故或异常情况发生时可以提供有效的过程记录。
另外,行车安全防撞预警系统也开始逐渐在车辆中普及,然而,目前的行车安全防撞预警系统都是预设的安全参数,针对驾驶者而已,除了车况以及路况外,人的因素也是安全的重要因素,且多数的交通事故都是因为酒驾、疲劳驾驶以及驾驶分心等人为因素引起的,因此,目前的行车安全防撞预警系统并不适用每一个人,且无法避免人为因素引起的交通事故。
发明内容
针对上述问题,本发明旨在提供一种基于无人驾驶的行车安全系统。
本发明的目的采用以下技术方案来实现:
提供了一种基于无人驾驶的行车安全系统,其特征在于,包括:信息采集模块、信息处理模块、路径规划模块以及行车安全预警系统;所述信息采集模块用于采集车辆以及道路信息;信息处理模块与信息采集模块通信连接用于处理得到道路以及道路上车辆信息;路径规划模块与信息处理模块通信连接,用于根据处理得到的道路以及道路上车辆信息进行道路路径规划;行车安全预警系统与所述信号处理模块通信连接,并且根据处理得到的信息进行车的安全预警。
优选地,所述路径规划模块还与行车安全预警系统通信连接,所述路径规划模块设置有路况参数更新模块,所述路况参数更新模块用于将所述新的路况参数更新到行车安全预警系统中。
优选地,所述信息处理模块包括用于记录行车影像的智能记录仪;所述行车安全预警系统设置有用于控制所述智能记录仪的拍照控制模块,所述拍照控制模块根据所述行车安全预警系统发出的请求信号向所述智能记录仪发出拍照控制指令,所述智能记录仪根据所述拍照控制指令对前方道路场景进行高清拍照。
优选地,所述行车安全预警系统设置有用于控制所述智能记录仪的存储控制模块,所述存储控制模块向所述智能记录仪发出存储控制指令,所述智能记录仪根据所述存储控制指令将行车记录装置所记录的预设时间段的行车信息进行保存。
优选地,所述信号处理模块用于对所述高清拍照获取的道路场景图像进行处理:包括道路区域检测模块以及路况情景识别模块;所述道路区域检测模块包括道路消失点检测单元以及道路区域提取单元,所述道路消失点检测单元用于对所述高清拍照获取的道路场景图像进行处理得到道路消失点;所述道路区域提取单元根据获取的消失点来检测道路的两条主边界线,进而提取出道路区域;所述路况情景识别模块用于对道路区域内部的障碍物进行识别与障碍物区域标记。
优选地,所述消失点检测单元获取道路消失点的步骤包括有:
(1)利用图像梯度与水平线信息去检测图像中灰度快速变换的局部直线轮廓,并得到直线段,具体有:
1)通过原输入图像的灰度图,计算图像的梯度与方向;
2)依据每个像素的梯度与方向,确定梯度与方向都邻近似的像素点,构成单位向量域;
3)在该向量域内,将在一定公差角范围内的具有相近梯度方向的像素点连接为一个连通区域,即预估直线区域。
4)将预估直线区域通过区域生长算法进行生长以及非直线段修正去除明显非直线段,得到直线段。
(2)从上述获取的直线段中剔除无效的干扰直线段,具体有;
1)剔除与垂直或水平方向相差角度较小的直线段;
2)基于路面干扰物与道路的先验颜色差别,依据直线段的两端点与中点像素的颜色空间的颜色分量,来建立干扰物判别公式及设定相应的判别阀值,将与先验颜色差别过大的直线段剔除;
3)基于天空中干扰物处于图像上部区域,若上部区域的直线的延长线交于图像边界的两个交点位于图像上部的1/3高度上,则将其剔除;
(3)依据图像中剩余的直线段,投票选出消失点,具体为:
1)将上述去除无效直线段后的剩余直线段延长到图像边界,将直线段上的点看做竞选消失点的竞选点,而竞选点周围7×7邻域空间的像素点作为投票空间O,计算投票空间内所有像素点对竞选点的投票值;
2)在所有像素点对竞选点进行投票完成后,对投票空间采用7×7的高斯滤波来修正投票结果,并选出最大的修正后的投票值作为消失点;其中,投票值的计算公式为:
式中,V(x+i,y+j)为投票空间内像素点的初始投票值;(x,y)为直线段上竞选点的位置坐标;(x+i,y+j)为投票空间O内像素点的坐标,i,j分别为像素点相对于竞选点在x,y方向上的偏移量,-3≤i,j≤3;Lline为竞选点所在直线段的长度,LS为直线段在图像内延伸至边界后的长度;Θ为直线段与水平直线的夹角;σ为设定的权重因子。
本发明的有益效果如下:本发明提出了一种基于无人驾驶的行车安全系统,提高了车辆行驶的安全性;且提出的道路区域获取方法保证了较高精度且检测效率也较高,对结构化或标准化的道路有极好的适应性;且本发明采用预警系统对道路情景进行预警再通过路径规划可实现无人驾驶,这样可以降低标准化道路上人为因素的影响,提高了车辆驾驶的安全程度。
附图说明
图1是本发明一个优选实施例中的行车安全系统的组成连接图。
具体实施方式
下面结合附图和较佳的实施例对本发明作进一步说明。
如图1所示,提供了一种基于无人驾驶的行车安全系统,其特征在于,包括:信息采集模块、信息处理模块、路径规划模块以及行车安全预警系统;所述信息采集模块用于采集车辆以及道路信息;信息处理模块与信息采集模块通信连接用于处理得到道路以及道路上车辆信息;路径规划模块与信息处理模块通信连接,用于根据处理得到的道路以及道路上车辆信息进行道路路径规划;行车安全预警系统与所述信号处理模块通信连接,并且根据处理得到的信息进行车的安全预警。
本实施例中,所述路径规划模块还与行车安全预警系统通信连接,所述路径规划模块设置有路况参数更新模块,所述路况参数更新模块用于将所述新的路况参数更新到行车安全预警系统中。当行车安全预警系统收集到路径规划模块规划的路径以及信息处理模块处理得到的道路区域以及道路障碍物识别信息后,构建出车辆的路径驾驶模型,根据这个模型生成驾驶预设参数,这些参数在预设时间段根据收集到的信息变化、模型变化而同步更新。
本实施例中,所述信息采集模块包括用于记录行车影像的智能记录仪;所述行车安全预警系统设置有用于控制所述智能记录仪的拍照控制模块,所述拍照控制模块根据所述行车安全预警系统发出的请求信号向所述智能记录仪发出拍照控制指令,所述智能记录仪根据所述拍照控制指令对前方道路场景进行高清拍照。
本实施例中,所述行车安全预警系统设置有用于控制所述智能记录仪的存储控制模块,所述存储控制模块向所述智能记录仪发出存储控制指令,所述智能记录仪根据所述存储控制指令将行车记录装置所记录的预设时间段的行车信息进行保存。
本实施例中,所述信号处理模块用于对所述高清拍照获取的道路场景图像进行处理;包括道路区域检测模块以及路况情景识别模块;所述道路区域检测模块包括道路消失点检测单元以及道路区域提取单元,所述道路消失点检测单元用于对所述高清拍照获取的道路场景图像进行处理得到道路消失点;所述道路区域提取单元根据获取的消失点来检测道路的两条主边界线,进而提取出道路区域;所述路况情景识别模块用于对道路区域内部的障碍物进行识别与障碍物区域标记。
本实施例中,所述消失点检测单元获取道路消失点的步骤包括有:
(1)利用图像梯度与水平线信息去检测图像中灰度快速变换的局部直线轮廓,并得到直线段,具体有:
1)通过原输入图像的灰度图,计算图像的梯度与方向;
2)依据每个像素的梯度与方向,确定梯度与方向都邻近似的像素点,构成单位向量域;
3)在该向量域内,将在一定公差角范围内的具有相近梯度方向的像素点连接为一个连通区域,即预估直线区域。
4)将预估直线区域通过区域生长算法进行生长以及非直线段修正去除明显非直线段,得到直线段。
(2)从上述获取的直线段中剔除无效的干扰直线段,具体有;
1)剔除与垂直或水平方向相差角度较小的直线段;
2)基于路面干扰物与道路的先验颜色差别,依据直线段的两端点与中点像素的颜色空间的颜色分量,来建立干扰物判别公式及设定相应的判别阀值,将与先验颜色差别过大的直线段剔除;
3)基于天空中干扰物处于图像上部区域,若上部区域的直线的延长线交于图像边界的两个交点位于图像上部的1/3高度上,则将其剔除;
(3)依据图像中剩余的直线段,投票选出消失点,具体为:
1)将上述去除无效直线段后的剩余直线段延长到图像边界,将直线段相交的点看做竞选消失点的竞选点,而竞选点周围7×7邻域空间的像素点作为投票空间O,计算投票空间内所有像素点对竞选点的投票值;
2)在所有像素点对竞选点进行投票完成后,对投票空间采用7×7的高斯滤波来修正投票结果,并选出最大的修正后的投票值作为消失点;其中,投票值的计算公式为:
式中,V(x+i,y+j)为投票空间内像素点的初始投票值;(x,y)为直线段上竞选点的位置坐标;(x+i,y+j)为投票空间O内像素点的坐标,i,j分别为像素点相对于竞选点在x,y方向上的偏移量,-3≤i,j≤3;Lline为竞选点所在直线段的长度,LS为直线段在图像内延伸至边界后的长度;Θ为直线段与水平直线的夹角;σ为设定的权重因子。
本实施例中,所述道路区域提取单元的具体实现为:在消失点的投票空间内以消失点为起点,向下画出一组射线将消失点以下的投票空间划分为100个区间,平均每个区间的角度为1.8度;然后计算投票空间内每个区间内所有竞选点的投票值均值及每两个相邻区间之间的颜色差异值,并对该两个值进行组合求取道路边界线围成的区域,即为道路区域。
本优选实施例中,通过将直线上的点作为竞选点,竞选点邻域空间的点作为投票点在投票空间进行投票,将获得的投票值最大的点作为消失点,通过上述设计的投票值计算公式,计算简单,速度快,且具有较高的精度,使得根据消失点位置确定道路边界线的可靠性高,达到较好的实现对道路区域的识别。
本实施例中,所述路况情景识别模块对道路区域内部的障碍物进行识别与障碍物区域标记的具体实现为:
(1)对道路区域进行颜色偏差修正,用来增强道路区域内不同障碍物与道路的对比度;道路区域内的每个像素点采用RGB3个颜色通道进行分解得到每个像素点的颜色分量,对每个颜色通道进行调整,将所述每个像素点的颜色分量通过调整后的颜色通道合成,形成修正了颜色偏差后的道路区域;
其中,颜色通道的调整公式为:
式中,C为R、G、B三种颜色中的一种,TC为修正后的颜色C的颜色通道;为道路区域未修正过的颜色C的颜色通道;b为道路区域的宽度,h为道路区域的高度;(x,y)为道路区域内一像素点的坐标,f(x,y)为点(x,y)的像素值;R(x,y)为像素点(x,y)在RGB颜色空间内的红色分量;G(x,y)为像素点(x,y)在RGB颜色空间内的绿色分量,B(x,y)为像素点(x,y)在RGB颜色空间内的蓝色分量;C(x,y)为像素点(x,y)在RGB颜色空间内的颜色C的颜色分量。
本优选实施例中,通过设计该颜色通道调整公式,使得修正后的图像相比与原图像的对比度有明显提高,颜色饱和度明显增强,且消除了一些不确定光线条件下的图像变异。为接下来对图像中道路情景理解的精度提供了较大的可靠性。
(2)采用基于深度学习的卷积神经网络来对道路情景进行理解,该网络包括多个卷积编码层与多个反卷积解码层以及一个像素点分类器;所述道路区域图像先经过多个卷积编码层处理得到一组特征图;所述多个卷积解码层的每层依次对应于卷积编码网的相应层,其对特征图进行处理得到一组稠密特征图;所述像素点分类器将稠密特征图作为输入,输出每个像素点所属对象类别的概率;依据概率对像素点进行分类,识别出属于障碍物的像素点,并将其围成的区域标记为障碍物区域。
本实施例中,路径规划模块用于在已知道路区域和障碍物区域的局部环境中规划出一条从小车当下位置到目标位置的路径最短且与障碍物无碰撞的路径,具体实现为:
(1)路径模型的建立:建立运动环境的二维坐标系XOY,其中点S(xk,yk)为当下位置,G(xg,yg)为目标位置,路径规划就是在局部空间中寻找一个点的集合R={S,R1,R2,···Ri···G},i=1,2,···D,且使得相邻两点的连接路径不经过障碍物,同时使得起点到目标点的路径长度最短。
将二维坐标系进行旋转,使得起始点与目标点的连线SG为Y轴,并对其坐标进行相应的变换,变换后起始位置坐标为S(x0,y0),目标位置为G(xD+1,yD+1),其中x0=xD+1;将起点与目标点的连线进行D+1等分,在每个等分点做X轴的平行线,在每个等距平行线上取一点作为路径点,将其连接即为可选路径;用路径点的横坐标组成的向量X={x1,x2,x3···xD}即可确定可选路径中间的路径点。在此基础上,建立了路径长度的模型M;对该模型进行优化求解时,需要考虑路径可活动区域边界约束以及区域内障碍物的避障约束;
(2)模型最优解的求取:求取满足上述约束的最短路径,具体步骤为:
1)初始化参数:首先在道路区域且避开障碍物区域Ω的可选区域内随机产生NP条可选路径,其中第k条可选路径由D维向量Xk={xk1,xk2,xk3···xkD}唯一确定,设定算法的最大允许迭代次数MAX;
2)路径长度确定:设当前的迭代次数为第j次,j∈MAX,将可选路径k的D维向量Xk送入路径长度模型M求解,得到可选路径k的长度Lkj;
3)设当前的迭代次数为第j次,j∈MAX;选择路径长度最短的路径ko作为优质路径,长度为计算该路径的D维向量中的横坐标的平均值
4)更新可选路径的D维向量中的横坐标值,且确保更新后的横坐标值仍然在道路约束区域内部且未落入障碍物区域Ω,若落入了障碍物区域则对该维横坐标值放弃更新;更新完成后,重新计算每条可选路径的长度,若计算出的长度小于原先未更新前的路径长度,则用重新计算出来的长度值更新原先的值,否则,保存原先的值;
其中,更新公式为:
式中,为第kp条可选路径在第j次迭代中第i个维度的横坐标值;为第kq条可选路径在第j次迭代中第i个维度的横坐标值;其中kp,kq为随机抽取的两条可选路径;w为非线性权重因子,其计算式为r为修正随机因子,r通过公式随机产生,其中rand(0,1)为获取0到1之间的随机数的随机函数;为优质路径ko在在第j次迭代中第i个维度的横坐标值;Si为D维向量中第i个维度的横坐标值的上界;Gi为D维向量中第i个维度的横坐标值的下界;为优质路径的D维向量中的横坐标的平均值;为可选路径kp在第j次迭代前由未更新的横坐标值计算出来的路径长度;为可选路径kq在第j次迭代前由未更新的横坐标值计算出来的路径长度。
5)计算更新后的路径的长度,且计算出所有更新后可选路径的路径长度的平均值Ljave,并采用该平均值的1.4倍长度来作为阈值,将长度大于该阈值的路径进行剔除,然后将剩下的路径保留作为下一次迭代的初始路径。
6)若该迭代次数大于MAX,则终止迭代并输出最后一次迭代计算出的优质路径作为该模型的全局最优解,否则,转而进行步骤2。
本优选实施例中,上述的路径规划模块通过建立路径长度模型,并针对模型设计了相应的计算算法,该算法简单,参数少,且保证了较快以及较好的收敛速度以及搜索精度,实现了对简单路径的避障以及路径规划的功能。
本实施例中,提出了一种基于无人驾驶的行车安全系统,首先提出了获取道路区域的方法保证了较高精度且检测效率也较高,对结构化或标准化的道路有极好的适应性;还提出来了高准确性以及可靠性的道路情景理解与障碍识别方法;最后根据建立的路径长度模型的求解,实现了避障以及路径规划的功能,相比现有的路径规划方法相比,本方法具有更快的搜索速度并能获取更优的路径。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案,而非对本发明保护范围的限制,尽管参照较佳实施例对本发明作了详细地说明,本领域的普通技术人员应当分析,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的实质和范围。
Claims (6)
1.一种基于无人驾驶的行车安全系统,其特征在于,包括:信息采集模块、信息处理模块、路径规划模块以及行车安全预警系统;所述信息采集模块用于采集车辆以及道路信息;信息处理模块与信息采集模块通信连接用于处理得到道路以及道路上车辆信息;路径规划模块与信息处理模块通信连接,用于根据处理得到的道路以及道路上车辆信息进行道路路径规划;行车安全预警系统与所述信号处理模块通信连接,并且根据处理得到的信息进行车的安全预警。
2.根据权利要求1所述的一种基于无人驾驶的行车安全系统,其特征在于,所述路径规划模块还与行车安全预警系统通信连接,所述路径规划模块设置有路况参数更新模块,所述路况参数更新模块用于将所述新的路况参数更新到行车安全预警系统中。
3.根据权利要求1所述的一种基于无人驾驶的行车安全系统,其特征在于,所述信息处理模块包括用于记录行车影像的智能记录仪;所述行车安全预警系统设置有用于控制所述智能记录仪的拍照控制模块,所述拍照控制模块根据所述行车安全预警系统发出的请求信号向所述智能记录仪发出拍照控制指令,所述智能记录仪根据所述拍照控制指令对前方道路场景进行高清拍照。
4.根据权利要求1所述的一种基于无人驾驶的行车安全系统,其特征在于,所述行车安全预警系统设置有用于控制所述智能记录仪的存储控制模块,所述存储控制模块向所述智能记录仪发出存储控制指令,所述智能记录仪根据所述存储控制指令将行车记录装置所记录的预设时间段的行车信息进行保存。
5.根据权利要求1所述的一种基于无人驾驶的行车安全系统,其特征在于,所述信号处理模块用于对所述高清拍照获取的道路场景图像进行处理:包括道路区域检测模块以及路况情景识别模块;所述道路区域检测模块包括道路消失点检测单元以及道路区域提取单元,所述道路消失点检测单元用于对所述高清拍照获取的道路场景图像进行处理得到道路消失点;所述道路区域提取单元根据获取的消失点来检测道路的两条主边界线,进而提取出道路区域;所述路况情景识别模块用于对道路区域内部的障碍物进行识别与障碍物区域标记。
6.根据权利要求5所述的一种基于无人驾驶的行车安全系统,其特征在于,所述消失点检测单元获取道路消失点的步骤包括有:
(1)利用图像梯度与水平线信息去检测图像中灰度快速变换的局部直线轮廓,并得到直线段,具体有:
1)通过原输入图像的灰度图,计算图像的梯度与方向;
2)依据每个像素的梯度与方向,确定梯度与方向都邻近似的像素点,构成单位向量域;
3)在该向量域内,将在一定公差角范围内的具有相近梯度方向的像素点连接为一个连通区域,即预估直线区域。
4)将预估直线区域通过区域生长算法进行生长以及非直线段修正去除明显非直线段,得到直线段。
(2)从上述获取的直线段中剔除无效的干扰直线段,具体有;
1)剔除与垂直或水平方向相差角度较小的直线段;
2)基于路面干扰物与道路的先验颜色差别,依据直线段的两端点与中点像素的颜色空间的颜色分量,来建立干扰物判别公式及设定相应的判别阀值,将与先验颜色差别过大的直线段剔除;
3)基于天空中干扰物处于图像上部区域,若上部区域的直线的延长线交于图像边界的两个交点位于图像上部的1/3高度上,则将其剔除;
(3)依据图像中剩余的直线段,投票选出消失点,具体为:
1)将上述去除无效直线段后的剩余直线段延长到图像边界,将直线段上的点看做竞选消失点的竞选点,而竞选点周围7×7邻域空间的像素点作为投票空间O,计算投票空间内所有像素点对竞选点的投票值;
2)在所有像素点对竞选点进行投票完成后,对投票空间采用7×7的高斯滤波来修正投票结果,并选出最大的修正后的投票值作为消失点;其中,投票值的计算公式为:
式中,V(x+i,y+j)为投票空间内像素点的初始投票值;(x,y)为直线段上竞选点的位置坐标;(x+i,y+j)为投票空间O内像素点的坐标,i,j分别为像素点相对于竞选点在x,y方向上的偏移量,-3≤i,j≤3;Lline为竞选点所在直线段的长度,LS为直线段在图像内延伸至边界后的长度;Θ为直线段与水平直线的夹角;σ为设定的权重因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458032.4A CN108645409B (zh) | 2018-05-14 | 2018-05-14 | 一种基于无人驾驶的行车安全系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810458032.4A CN108645409B (zh) | 2018-05-14 | 2018-05-14 | 一种基于无人驾驶的行车安全系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108645409A true CN108645409A (zh) | 2018-10-12 |
CN108645409B CN108645409B (zh) | 2020-10-30 |
Family
ID=63755326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810458032.4A Active CN108645409B (zh) | 2018-05-14 | 2018-05-14 | 一种基于无人驾驶的行车安全系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108645409B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
WO2020147311A1 (zh) * | 2019-01-15 | 2020-07-23 | 北京百度网讯科技有限公司 | 车辆行驶保障方法、装置、设备及可读存储介质 |
WO2020154911A1 (en) * | 2019-01-29 | 2020-08-06 | SZ DJI Technology Co., Ltd. | Sky determination in environment detection for mobile platforms, and associated systems and methods |
CN111860427A (zh) * | 2020-07-30 | 2020-10-30 | 重庆邮电大学 | 基于轻量级类八维卷积神经网络的驾驶分心识别方法 |
CN113109835A (zh) * | 2021-03-16 | 2021-07-13 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN113139493A (zh) * | 2021-05-06 | 2021-07-20 | 上海伯镭智能科技有限公司 | 一种无人驾驶道路障碍物识别系统 |
CN113737614A (zh) * | 2021-09-24 | 2021-12-03 | 中交二公局萌兴工程有限公司 | 一种路面基层无人驾驶机群碾压系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140306814A1 (en) * | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Pedestrian monitoring application |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106774320A (zh) * | 2016-12-16 | 2017-05-31 | 深圳汇创联合自动化控制有限公司 | 一种公路车辆自动驾驶系统 |
CN106970619A (zh) * | 2017-04-12 | 2017-07-21 | 深圳市赛亿科技开发有限公司 | 一种无人驾驶车辆的智能控制系统及控制方法 |
CN106991407A (zh) * | 2017-04-10 | 2017-07-28 | 吉林大学 | 一种车道线检测的方法以及装置 |
CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN107728620A (zh) * | 2017-10-18 | 2018-02-23 | 江苏卡威汽车工业集团股份有限公司 | 一种新能源汽车的无人驾驶系统及方法 |
-
2018
- 2018-05-14 CN CN201810458032.4A patent/CN108645409B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140306814A1 (en) * | 2013-04-15 | 2014-10-16 | Flextronics Ap, Llc | Pedestrian monitoring application |
CN105893949A (zh) * | 2016-03-29 | 2016-08-24 | 西南交通大学 | 一种复杂路况场景下的车道线检测方法 |
CN106774320A (zh) * | 2016-12-16 | 2017-05-31 | 深圳汇创联合自动化控制有限公司 | 一种公路车辆自动驾驶系统 |
CN106991407A (zh) * | 2017-04-10 | 2017-07-28 | 吉林大学 | 一种车道线检测的方法以及装置 |
CN106970619A (zh) * | 2017-04-12 | 2017-07-21 | 深圳市赛亿科技开发有限公司 | 一种无人驾驶车辆的智能控制系统及控制方法 |
CN107730520A (zh) * | 2017-09-22 | 2018-02-23 | 智车优行科技(北京)有限公司 | 车道线检测方法及系统 |
CN107728620A (zh) * | 2017-10-18 | 2018-02-23 | 江苏卡威汽车工业集团股份有限公司 | 一种新能源汽车的无人驾驶系统及方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020147311A1 (zh) * | 2019-01-15 | 2020-07-23 | 北京百度网讯科技有限公司 | 车辆行驶保障方法、装置、设备及可读存储介质 |
CN109828564A (zh) * | 2019-01-28 | 2019-05-31 | 广州杰赛科技股份有限公司 | 一种无人驾驶汽车路径规划的优化方法、装置及终端设备 |
WO2020154911A1 (en) * | 2019-01-29 | 2020-08-06 | SZ DJI Technology Co., Ltd. | Sky determination in environment detection for mobile platforms, and associated systems and methods |
CN111860427A (zh) * | 2020-07-30 | 2020-10-30 | 重庆邮电大学 | 基于轻量级类八维卷积神经网络的驾驶分心识别方法 |
CN111860427B (zh) * | 2020-07-30 | 2022-07-01 | 重庆邮电大学 | 基于轻量级类八维卷积神经网络的驾驶分心识别方法 |
CN113109835A (zh) * | 2021-03-16 | 2021-07-13 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN113109835B (zh) * | 2021-03-16 | 2023-08-18 | 联想(北京)有限公司 | 一种信息处理方法及电子设备 |
CN113139493A (zh) * | 2021-05-06 | 2021-07-20 | 上海伯镭智能科技有限公司 | 一种无人驾驶道路障碍物识别系统 |
CN113139493B (zh) * | 2021-05-06 | 2022-01-28 | 上海伯镭智能科技有限公司 | 一种无人驾驶道路障碍物识别系统 |
CN113737614A (zh) * | 2021-09-24 | 2021-12-03 | 中交二公局萌兴工程有限公司 | 一种路面基层无人驾驶机群碾压系统 |
CN113737614B (zh) * | 2021-09-24 | 2023-08-29 | 中交二公局萌兴工程有限公司 | 一种路面基层无人驾驶机群碾压系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108645409B (zh) | 2020-10-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108645409A (zh) | 一种基于无人驾驶的行车安全系统 | |
CN108519605B (zh) | 基于激光雷达和摄像机的路沿检测方法 | |
WO2022206942A1 (zh) | 一种基于行车安全风险场的激光雷达点云动态分割及融合方法 | |
CN106256606B (zh) | 一种基于车载双目相机的车道偏离预警方法 | |
Li et al. | Springrobot: A prototype autonomous vehicle and its algorithms for lane detection | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN106767808B (zh) | 基于模板的自动化集装箱码头自动引导车辆路径规划方法 | |
CN114842438B (zh) | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 | |
CN105930833B (zh) | 一种基于视频监控的车辆跟踪与分割方法 | |
CN104318258B (zh) | 一种基于时域模糊和卡尔曼滤波器的车道线检测方法 | |
CN113255520B (zh) | 基于双目视觉和深度学习的车辆避障方法与电子设备 | |
CN109085823A (zh) | 一种园区场景下基于视觉的低成本自动循迹行驶方法 | |
EP2372310B1 (en) | Image processing system and position measurement system | |
EP2372308B1 (en) | Image processing system and vehicle control system | |
CN107066986A (zh) | 一种基于单目视觉的车道线与前方障碍物检测方法 | |
CN103714538B (zh) | 道路边缘检测方法、装置及车辆 | |
CN107085938B (zh) | 基于车道线与gps跟随的智能驾驶局部轨迹容错规划方法 | |
CN108243623A (zh) | 基于双目立体视觉的汽车防碰撞预警方法和系统 | |
CN106980657A (zh) | 一种基于信息融合的车道级电子地图构建方法 | |
CN106651953A (zh) | 一种基于交通指示牌的车辆位姿估计方法 | |
DE102009050492A1 (de) | Detektion eines freien Pfads unter Verwendung eines segmentierungsbasierten Verfahrens | |
CN104376297A (zh) | 道路上的线型指示标志的检测方法和装置 | |
CN107229908A (zh) | 一种车道线检测方法 | |
CN111597905B (zh) | 一种基于视频技术的公路隧道停车检测方法 | |
CN107389084A (zh) | 行车路径规划方法及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20200925 Address after: Room 303, floor 3, seven star Creative Workshop commune, no.336, Baotian first road, fenghuanggang community, Xixiang street, Bao'an District, Shenzhen City, Guangdong Province Applicant after: SHENZHEN YUANXIANG TIANCHENG TECHNOLOGY Co.,Ltd. Address before: 518054 Guangdong Province, Nanshan District Nanshan Street 2168 Nanhai Avenue Nanyou Shenzhen city building B room 1002 Applicant before: SHENZHEN WANFA CHUANGXIN IMPORT AND EXPORT TRADING Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |