CN108973995A - 用于辅助驾驶的环境感知数据处理方法、装置及车辆 - Google Patents
用于辅助驾驶的环境感知数据处理方法、装置及车辆 Download PDFInfo
- Publication number
- CN108973995A CN108973995A CN201710416019.8A CN201710416019A CN108973995A CN 108973995 A CN108973995 A CN 108973995A CN 201710416019 A CN201710416019 A CN 201710416019A CN 108973995 A CN108973995 A CN 108973995A
- Authority
- CN
- China
- Prior art keywords
- data
- environment
- variety
- sensing data
- environment sensing
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 17
- 230000008447 perception Effects 0.000 claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 35
- 241001269238 Data Species 0.000 claims abstract description 21
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 230000008520 organization Effects 0.000 claims abstract description 15
- 230000007613 environmental effect Effects 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- 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
- B60W30/14—Adaptive cruise control
-
- 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
- B60W30/10—Path keeping
- B60W30/12—Lane keeping
-
- 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
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
- G01S19/48—Determining position by combining or switching between position solutions derived from the satellite radio beacon positioning system and position solutions derived from a further system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Traffic Control Systems (AREA)
Abstract
一种用于辅助驾驶的环境感知数据处理方法、装置及车辆,所述方法包括:获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。本发明技术方案实现了实现环境感知数据处理的灵活性。
Description
技术领域
本发明涉及车辆驾驶领域,尤其涉及一种用于辅助驾驶的环境感知数据处理方法、装置及车辆。
背景技术
智能驾驶汽车环境感知建模一般由物体跟踪模型、网格占有模型、高精度地图等多种方式构成,用以辅助驾驶。上述方式在复杂感知模型中往往配合使用。现有组织方式虽各有不同,但三者一般具有高度耦合性。图1和图2是现有技术的环境感知数据处理系统的结构示意图。图1所示的系统中,以高精度地图数据为中心,将跟踪目标数据、定位数据和网格地图数据转换为高精度地图数据,用以作为决策输入。该系统具备一定的可扩展性和交互性。图2所示的系统中,跟踪目标数据与高精度地图数据、跟踪目标数据与网格地图数据、高精度地图数据与网格地图数据之间互相耦合,具备较好的交互性。
但是,图1所示系统在出现除高精度地图数据以外数据更适宜解释当前环境时,其不具备可替换性,造成系统的不可复用。图2所示系统由于其高度耦合,如发生部分感知模型变化或传感器配置方案变化,往往需要重构系统,难以满足车辆的工业化需求。
发明内容
本发明解决的技术问题是如何实现环境感知数据处理的灵活性。
为解决上述技术问题,本发明实施例提供一种用于辅助驾驶的环境感知数据处理方法,环境感知数据处理方法包括:
获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
可选的,所述分别对所述多种原始环境感知数据进行预处理包括:分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。
可选的,所述对所述多种环境感知数据的至少一部分进行融合处理包括:根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合,其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
可选的,所述原始环境数据包括以下一种或多种:定位数据、地图数据、栅格数据和跟踪数据。
可选的,所述分别对所述多种原始环境感知数据进行预处理包括:计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
可选的,填充后的地图数据形成基于规范边界的可通行区域;填充后的跟踪数据形成动态目标。
可选的,所述对所述多种环境感知数据的至少一部分进行融合处理包括:将所述地图环境感知数据与所述栅格环境感知数据进行融合,并在融合过程中剔除所述栅格环境感知数据中的动态物体,以形成基于物理边界的可通行区域。
可选的,不同的原始环境数据具有相同或不同的格式。
为解决上述技术问题,本发明实施例还公开了一种用于辅助驾驶的环境感知数据处理装置,用于辅助驾驶的环境感知数据处理装置包括:
初始采集单元,适于获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;预处理单元,适于分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;融合单元,适于对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
可选的,所述预处理单元分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。
可选的,所述融合单元根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合,其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
可选的,所述原始环境数据包括以下一种或多种:定位数据、地图数据、栅格数据和跟踪数据。
可选的,所述预处理单元包括:定位数据计算子单元,适于计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;路径规划单元,适于根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;栅格数据计算子单元,适于根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;跟踪数据计算子单元,适于根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
可选的,填充后的地图数据形成基于规范边界的可通行区域;填充后的跟踪数据形成动态目标。
可选的,所述融合单元包括:融合子单元,适于将所述地图环境感知数据与所述栅格环境感知数据进行融合,并在融合过程中剔除所述栅格环境感知数据中的动态物体,以形成基于物理边界的可通行区域。
可选的,不同的原始环境数据具有相同或不同的格式。
为解决上述技术问题,本发明实施例还公开了一种车辆,所述车辆包括所述环境感知数据处理装置。
与现有技术相比,本发明实施例的技术方案具有以下有益效果:
本发明实施例通过获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。本发明技术方案通过将多种原始环境数据转换为具有统一组织形式的多种环境感知数据,从而在其中一种类型的原始环境数据发生变更时,不会对其他类型的原始环境数据的处理过程产生影响,提高了数据处理方法的稳定性;然后将多种环境感知数据的至少一部分进行融合处理,以形成决策数据,用于车辆行驶轨迹规划,有利于提高车辆行驶轨迹规划的效率,提高用户体验。
附图说明
图1和图2是现有技术的环境感知数据处理系统的结构示意图;
图3是本发明实施例一种用于辅助驾驶的环境感知数据处理方法的流程图;
图4是本发明实施例一种用于辅助驾驶的环境感知数据处理装置的结构示意图;
图5是本发明实施例另一种用于辅助驾驶的环境感知数据处理装置的结构示意图。
具体实施方式
如背景技术中所述,图1所示系统在出现除高精度地图数据以外数据更适宜解释当前环境时,其不具备可替换性,造成系统不可复用。图2所示系统由于其高度耦合,如发生部分感知模型变化或传感器配置方案变化,往往需要重构系统,难以满足车辆的工业化需求。
为使本发明的上述目的、特征和优点能够更为明显易懂,下面结合附图对本发明的具体实施例做详细的说明。
图3是本发明实施例一种用于辅助驾驶的环境感知数据处理方法的流程图。
如图3所示,用于辅助驾驶的环境感知数据处理方法可以包括以下步骤:
步骤S101:获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;
步骤S102:分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据;
步骤S103:对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
具体实施中,在步骤S101中,获取到的原始环境数据可以包括以下一种或多种:定位数据、地图数据、栅格数据和跟踪数据。
在步骤S102中,所述多种环境感知数据与所述多种原始环境数据相对应。
具体而言,对多种原始环境感知数据进行预处理可以是对多种原始环境感知数据进行转换、处理和融合。原始感知数据可以分为两种类型:基于相对坐标的环境感知数据和基于绝对坐标的环境感知数据。基于相对坐标的环境感知数据可以为车辆传感器数据和车辆的运行姿态信息。基于绝对坐标的环境感知数据可以为定位数据和航向角数据。
具体实施中,所述分别对所述多种原始环境感知数据进行预处理可以包括:分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。多种环境感知数据可以以固定接口形式输出,也就是以统一组织形式输出。统一组织形式可以为环境感知数据的概率分布和期望。
具体实施中,所述分别对所述多种原始环境感知数据进行预处理可以包括:计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
本发明一具体实施例中,定位数据可以来源于全球定位系统(GlobalPositioning System,GPS)、即时定位与地图构建(simultaneous localization andmapping,SLAM)、基站定位等数据源。预处理过程可以采用融合算法对多种来源的定位数据进行融合,例如均值法、卡尔曼滤波、粒子滤波等。定位数据可以包括以下一种或多种:位置数据、定姿数据和动力学数据。具体而言,位置数据可以包括经度、维度、航向角;定姿数据可以包括航向角、倾覆角和横摆角;动力学数据可以包括车速和方向盘转角。由于定位数据存在随机性,所以对定位数据进行预处理,并输出定位数据的概率分布和期望值,也就是定位环境感知数据。
具体地,定位环境感知数据可以用以下公式表示, 其中,μdl和表示位置数据的期望值和概率方差;μdi和表示定姿数据的期望值和概率方差;μdc和表示动力学数据的期望值和概率方差(dc)概率方差;t表示时间;Rcount(dl ,di,dc)表示数据融合后的定位数据集合。
本发明一具体实施例中,地图数据可以来源于地图,例如可以是众包地图或测绘的高精度地图。地图数据可以包括动态交通规则,例如信号灯、动态交通信息。动态交通规则可以来源于应用无线通信技术的车载电脑(telematics)、专用短程通信技术(DedicatedShort Range Communications,DSRC)或摄像头。具体而言,可以将地图数据经坐标转换生成ADAIS地图后,基于ADAIS地图数据和动态交通规则进行可行路径规划,并基于规划的路径的矢量数据进行概率填充处理。例如,假设路径的长度L,通行宽度为d,则其填充后的栅格分布为S(i,j),由于地图数据由部分定位数据转换而得,因此可以计算地图数据的概率分布Sf(i,j),以得到地图环境感知数据。
具体地,地图环境感知数据可以用以下公式表示:其中,μdl和表示位置数据的期望值和概率方差;μdi和表示定姿数据的期望值和概率方差;μdc和表示动力学数据的期望值和概率方差(dc)概率方差;t表示时间;s(i,j)表示路径填充后的栅格分布;fun(s(i,j))表示在(i,j)点附近设定数量的点的概率求和。具体地,也就是说,fun()可以表示在(i,j)点附近十个点的概率求和。
可以理解的是,设定数量还可以是其他任意可实施的数量,本发明实施例对此不做限制。
本发明一具体实施例中,栅格数据可以来源于点云类传感器,例如激光雷达、双目视觉等。栅格数据可以表示区域的空间占有情况。具体而言,对于栅格数据的预处理可以基于分水岭、均值算法等进行概率填充。例如,栅格地图由w×h个网格组成,S代表该空间被占用的概率,则栅格地图输出的栅格数据形式为S(i,j)。由于栅格数据由部分定位数据转换而得,因此需要考虑栅格数据的概率分布Sf(i,j),以得到栅格环境感知数据。
具体地,栅格环境感知数据可以用以下公式表示:其中,μdl和表示位置数据的期望值和概率方差;μdi和表示定姿数据的期望值和概率方差;μdc和表示动力学数据的期望值和概率方差(dc)概率方差;t表示时间;s(i,j)表示栅格数据的占用概率分布;fun()可以表示在(i,j)点附近设定数量的点的概率求和。
本发明一具体实施例中,跟踪数据可以来源于毫米波雷达、激光雷达、摄像机、DSRC共享数据等。对跟踪数据的预处理可以是基于多目标跟踪算法,卡尔曼滤波算法等对目标进行分离跟踪。由于车辆具有宽度和长度,因此可以通过概率填充进行预处理。例如,假设车辆的前轴中点为X1,后轴中点为X2(可以类比自行车的前轮中点X1,后轮中点X2),在前轴中点X1和后轴中点X2连线的半径为d的混充区内描述跟踪对象的运行情况。如果S代表空间被占用的概率,则跟踪数据的输出形式可以表示为S(i,j)。由于跟踪数据由部分定位数据转换而得,因此需要考虑跟踪数据的概率分布Sf(i,j),以得到跟踪环境感知数据。
具体地,跟踪环境感知数据可以用以下公式表示:其中,μdl和表示定位数据的期望值和概率方差;μdi和表示定姿数据的期望值和概率方差;μdc和表示动力学数据的期望值和概率方差(dc)概率方差;t表示时间;s(i,j)表示栅格数据的占用概率分布;fun()可以表示在(i,j)点附近设定数量的点的概率求和。
在步骤S103中,可以根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合。其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
具体而言,填充后的地图数据可以形成基于规范边界的可通行区域;填充后的跟踪数据可以形成动态目标。
可以理解的是,基于规范边界的可通行区域可以是在预设规则允许范围内的区域,例如,在交通规则允许范围内的可通行区域。
具体而言,所述对所述多种环境感知数据的至少一部分进行融合处理可以包括:将所述地图环境感知数据与所述栅格环境感知数据进行融合,并在融合过程中剔除所述栅格环境感知数据中的动态物体,以形成基于物理边界的可通行区域。
可以理解的是,基于物理边界的可通行区域可以是在物理范围内车辆可通行的区域,例如,以路沿和墙体为边界的区域。
具体实施中,得到具有统一组织形式的多种环境感知数据后,可以基于高斯算法进行融合,边界输出可以基于分水岭算法和势能法,形成基于物理边界的可通行区域。具体而言,基于规范边界的可通行区域从属于基于物理边界的可通行区域,动态目标从属于基于物理边界的可通行区域。
本发明实施例通过将多种原始环境数据转换为具有统一组织形式的多种环境感知数据,并将多种环境感知数据的至少一部分进行融合处理,从而在其中一种类型的原始环境数据发生变更时,不会对其他类型的原始环境数据的处理过程产生影响,提高了数据处理方法的可替换性和稳定性;进而有利于车辆行驶轨迹规划的准确性,提高用户体验。
本发明一具体实施例中,假定针对智能驾驶过程中的车道,地图数据为摄像头的车道线检测数据,数据策略为保持在当前车道。跟踪数据为DSRC获得的周边车辆姿态信息以及前车摄像头捕捉的车辆动态信息,栅格数据为64线激光雷达捕捉的网络占有信息,定位数据由GPS与车道线检测获得。
首先,基于坐标系转换体系以及姿态数据,对所有的原始环境数据进行坐标系转换。然后,对摄像头的车道线检测数据和DSRC数据进行概率填充和数据融合;对64线激光雷达数据进行栅格数据的概率填充;对地图数据进行概率填充(例如,直接填充当前车道数据)。最后基于上述结果进行车辆轨迹规划。
图4是本发明实施例一种用于辅助驾驶的环境感知数据处理装置的结构示意图。
用于辅助驾驶的环境感知数据处理装置40可以包括:初始采集单元401、预处理单元402和融合单元403。
其中,初始采集单元401适于获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;
预处理单元402适于分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;
融合单元403适于对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
具体实施中,预处理单元402可以分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。融合单元403可以根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合,其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
具体而言,相互耦接的模块单元以条件概率的方式耦接。融合单元403中数据的融合可以是数据的概率融合。
具体而言,初始采集单元401、预处理单元402和融合单元403可以通过建模的方式实现。通过对环境感知数据处理装置40进行分层建模,预处理单元402对多种原始环境数据进行必要的转换、处理和融合,最终以统一组织形式输出;融合单元403对多种环境感知数据的至少一部分以概率形式组织并进行二次融合。
进一步而言,统一组织形式可以为多种原始环境数据的概率分布和期望。矢量数据可以通过概率分布的缓冲填充转换为概率数据。
本发明实施例预处理单元在各类型数据内部融合发生变更时,仅需要改变融合算法即可。在融合单元的输入发生变更(例如,增加或减少某一类型数据),仅需要对融合单元输出结果的置信度做出评估即可,提高了环境感知数据处理装置40的交互性、可替换性和可扩展性。
图5是本发明实施例另一种用于辅助驾驶的环境感知数据处理装置的结构示意图。
一并参照图4和图5,预处理单元402可以包括:定位数据计算子单元501、路径规划单元502、栅格数据计算子单元503和跟踪数据计算子单元504。
其中,定位数据计算子单元501适于计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;
路径规划单元502适于根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;
栅格数据计算子单元503适于根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;
跟踪数据计算子单元504适于根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
本发明实施例通过将各种原始环境数据的进行分别处理,并通过统一的组织形式进行融合,得到用于路径规划的决策数据。
由上,在用于辅助驾驶的环境感知数据处理装置的原始环境数据发生可能的变更时,例如,增加毫米波雷达数据、取消64线激光雷达数据、变更摄像头的安装位置时,不会对融合单元403的概率融合过程产生影响,也不会影响针对其他类型数据处理的单元。仅需要针对当前类型数据处理的单元进行修改即可。提高了环境感知数据处理装置的交互性、可替换性和可扩展性。
本发明技术方案通过使用统一组织形式的数据实现各模块间的交互,并对各模块进行解耦,解决了现有技术用于驾驶辅助的环境感知数据处理系统中各模块间的高耦合带来的难以复用问题;同时,实现了异构环境感知数据的任意替换和接入,以及不同处理单元的可替换性,满足模块化需求,达到交互性和模块化的平衡。
本发明实施例还公开了一种车辆,所述车辆包括上述用于辅助驾驶的环境感知数据处理装置。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于以计算机可读存储介质中,存储介质可以包括:ROM、RAM、磁盘或光盘等。
虽然本发明披露如上,但本发明并非限定于此。任何本领域技术人员,在不脱离本发明的精神和范围内,均可作各种更动与修改,因此本发明的保护范围应当以权利要求所限定的范围为准。
Claims (17)
1.一种用于辅助驾驶的环境感知数据处理方法,其特征在于,包括:
获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;
分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;
对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
2.根据权利要求1所述的环境感知数据处理方法,其特征在于,所述分别对所述多种原始环境感知数据进行预处理包括:
分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。
3.根据权利要求2所述的环境感知数据处理方法,其特征在于,所述对所述多种环境感知数据的至少一部分进行融合处理包括:
根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合,其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
4.根据权利要求1所述的环境感知数据处理方法,其特征在于,所述原始环境数据包括以下一种或多种:定位数据、地图数据、栅格数据和跟踪数据。
5.根据权利要求4所述的环境感知数据处理方法,其特征在于,所述分别对所述多种原始环境感知数据进行预处理包括:
计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;
根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;
根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;
根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
6.根据权利要求5所述的环境感知数据处理方法,其特征在于,填充后的地图数据形成基于规范边界的可通行区域;填充后的跟踪数据形成动态目标。
7.根据权利要求5所述的环境感知数据处理方法,其特征在于,所述对所述多种环境感知数据的至少一部分进行融合处理包括:
将所述地图环境感知数据与所述栅格环境感知数据进行融合,并在融合过程中剔除所述栅格环境感知数据中的动态物体,以形成基于物理边界的可通行区域。
8.根据权利要求1至7任一项所述的环境感知数据处理方法,其特征在于,
不同的原始环境数据具有相同或不同的格式。
9.一种用于辅助驾驶的环境感知数据处理装置,其特征在于,包括:
初始采集单元,适于获取多种原始环境数据,不同的原始环境数据分别包含不同类型的信息;
预处理单元,适于分别对所述多种原始环境感知数据进行预处理,以得到具有统一组织形式的多种环境感知数据,所述多种环境感知数据与所述多种原始环境数据相对应;
融合单元,适于对所述多种环境感知数据的至少一部分进行融合处理,得到决策数据,以用于车辆行驶轨迹规划。
10.根据权利要求9所述的环境感知数据处理装置,其特征在于,所述预处理单元分别计算所述多种原始环境感知数据的概率分布和期望值,以得到所述多种环境感知数据。
11.根据权利要求10所述的环境感知数据处理装置,其特征在于,所述融合单元根据所述多种环境感知数据的至少一部分对应的概率分布和期望值,将所述多种环境感知数据的至少一部分进行融合,其中,融合后的所述多种环境感知数据的至少一部分与剩余所述环境感知数据形成所述决策数据。
12.根据权利要求9所述的环境感知数据处理装置,其特征在于,所述原始环境数据包括以下一种或多种:定位数据、地图数据、栅格数据和跟踪数据。
13.根据权利要求12所述的环境感知数据处理装置,其特征在于,所述预处理单元包括:
定位数据计算子单元,适于计算所述定位数据的概率分布和期望值,以得到定位环境感知数据;
路径规划单元,适于根据所述地图数据进行可行路径的规划,并基于所述定位环境感知数据对所述可行路径对应的地图数据进行概率填充,以得到地图环境感知数据;
栅格数据计算子单元,适于根据所述定位环境感知数据和所述栅格数据的占用概率进行计算,以得到栅格环境感知数据;
跟踪数据计算子单元,适于根据所述跟踪数据中目标的大小以及所述定位环境感知数据对所述跟踪数据进行概率填充,以得到跟踪环境感知数据。
14.根据权利要求13所述的环境感知数据处理装置,其特征在于,填充后的地图数据形成基于规范边界的可通行区域;填充后的跟踪数据形成动态目标。
15.根据权利要求13所述的环境感知数据处理装置,其特征在于,所述融合单元包括:
融合子单元,适于将所述地图环境感知数据与所述栅格环境感知数据进行融合,并在融合过程中剔除所述栅格环境感知数据中的动态物体,以形成基于物理边界的可通行区域。
16.根据权利要求9至15任一项所述的环境感知数据处理装置,其特征在于,不同的原始环境数据具有相同或不同的格式。
17.一种车辆,其特征在于,包括如权利要求9至16任一项所述的环境感知数据处理装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416019.8A CN108973995B (zh) | 2017-06-05 | 2017-06-05 | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710416019.8A CN108973995B (zh) | 2017-06-05 | 2017-06-05 | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108973995A true CN108973995A (zh) | 2018-12-11 |
CN108973995B CN108973995B (zh) | 2020-05-22 |
Family
ID=64501927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710416019.8A Active CN108973995B (zh) | 2017-06-05 | 2017-06-05 | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108973995B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110648538A (zh) * | 2019-10-29 | 2020-01-03 | 苏州大学 | 一种基于激光雷达网络的交通信息感知系统及方法 |
CN112131697A (zh) * | 2019-06-06 | 2020-12-25 | 上海汽车集团股份有限公司 | 一种智能集卡的仿真测试方法、装置及平台 |
CN117112240A (zh) * | 2023-10-24 | 2023-11-24 | 北京木牛一心机器人科技有限公司 | 环境感知方法、装置、计算机设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
CN105799710A (zh) * | 2016-03-11 | 2016-07-27 | 北京理工大学 | 一种交互式的自主教练车系统 |
WO2017021119A1 (de) * | 2015-08-03 | 2017-02-09 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung in einem kraftfahrzeug zur verbesserten datenfusionierung bei einer umfelderfassung |
WO2017051026A1 (fr) * | 2015-09-25 | 2017-03-30 | Valeo Schalter Und Sensoren Gmbh | Détermination d'une stratégie de roulage optimale pour un véhicule automobile approchant d'un feu tricolore |
-
2017
- 2017-06-05 CN CN201710416019.8A patent/CN108973995B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101996157A (zh) * | 2010-10-23 | 2011-03-30 | 山东科技大学 | 证据高冲突环境下多源信息融合方法 |
CN103256939A (zh) * | 2013-04-15 | 2013-08-21 | 李德毅 | 智能车辆利用变粒度路权雷达图进行信息融合的方法 |
WO2017021119A1 (de) * | 2015-08-03 | 2017-02-09 | Volkswagen Aktiengesellschaft | Verfahren und vorrichtung in einem kraftfahrzeug zur verbesserten datenfusionierung bei einer umfelderfassung |
WO2017051026A1 (fr) * | 2015-09-25 | 2017-03-30 | Valeo Schalter Und Sensoren Gmbh | Détermination d'une stratégie de roulage optimale pour un véhicule automobile approchant d'un feu tricolore |
CN105799710A (zh) * | 2016-03-11 | 2016-07-27 | 北京理工大学 | 一种交互式的自主教练车系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131697A (zh) * | 2019-06-06 | 2020-12-25 | 上海汽车集团股份有限公司 | 一种智能集卡的仿真测试方法、装置及平台 |
CN112131697B (zh) * | 2019-06-06 | 2024-06-07 | 上海汽车集团股份有限公司 | 一种智能集卡的仿真测试方法、装置及平台 |
CN110648538A (zh) * | 2019-10-29 | 2020-01-03 | 苏州大学 | 一种基于激光雷达网络的交通信息感知系统及方法 |
CN117112240A (zh) * | 2023-10-24 | 2023-11-24 | 北京木牛一心机器人科技有限公司 | 环境感知方法、装置、计算机设备和存储介质 |
CN117112240B (zh) * | 2023-10-24 | 2024-01-19 | 北京木牛一心机器人科技有限公司 | 环境感知方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN108973995B (zh) | 2020-05-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11009884B2 (en) | Method for calculating nominal vehicle paths for lanes within a geographic region | |
CN109341706B (zh) | 一种面向无人驾驶汽车的多特征融合地图的制作方法 | |
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 | |
CN113916242B (zh) | 车道定位方法和装置、存储介质及电子设备 | |
CN108528458A (zh) | 用于车辆尺寸预测的系统和方法 | |
CN107063275A (zh) | 基于路侧设备的智能车辆地图融合系统及方法 | |
CN109863513A (zh) | 用于自主车辆控制的神经网络系统 | |
CN108268483A (zh) | 生成用于无人车导航控制的网格地图的方法 | |
CN109100730A (zh) | 一种多车协同快速建图方法 | |
CN106444780A (zh) | 一种基于视觉定位算法的机器人的自主导航方法及系统 | |
CN110146910A (zh) | 一种基于gps与激光雷达数据融合的定位方法及装置 | |
CN110889872A (zh) | 在增强现实中显示虚拟对象的定位方法和装置 | |
CN110715671B (zh) | 三维地图生成方法、装置、车辆导航设备和无人驾驶车辆 | |
CN107223261A (zh) | 人机混合决策方法和装置 | |
CN109144049A (zh) | 用于控制感测装置视场的系统和方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN108268518A (zh) | 生成用于无人车导航控制的网格地图的装置 | |
GB2621048A (en) | Vehicle-road laser radar point cloud dynamic segmentation and fusion method based on driving safety risk field | |
CN108973995A (zh) | 用于辅助驾驶的环境感知数据处理方法、装置及车辆 | |
US11670088B2 (en) | Vehicle neural network localization | |
CN104751733B (zh) | 地图的区域绘制方法及装置、路径距离分类方法及系统 | |
CN105371859A (zh) | 基于安全驾驶地图的车道级别的导航引导系统和方法 | |
CN105844224A (zh) | 一种车载LiDAR 道路点云快速有序化方法 | |
CN112082567A (zh) | 基于改进Astar和灰狼算法结合的地图路径规划方法 | |
CN110530377A (zh) | 用于实施用于车辆的至少一个提高安全性的措施的方法和装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |