CN111879360B - 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法 - Google Patents

一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法 Download PDF

Info

Publication number
CN111879360B
CN111879360B CN202010776658.7A CN202010776658A CN111879360B CN 111879360 B CN111879360 B CN 111879360B CN 202010776658 A CN202010776658 A CN 202010776658A CN 111879360 B CN111879360 B CN 111879360B
Authority
CN
China
Prior art keywords
vehicle
early warning
collision
driving
information
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.)
Active
Application number
CN202010776658.7A
Other languages
English (en)
Other versions
CN111879360A (zh
Inventor
吴坚
刘欢
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202010776658.7A priority Critical patent/CN111879360B/zh
Publication of CN111879360A publication Critical patent/CN111879360A/zh
Application granted granted Critical
Publication of CN111879360B publication Critical patent/CN111879360B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明是一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法。该预警系统主要配置远红外相机、热敏相机、光照传感器、报警装置、惯导单元和控制模块等，通过几种传感器的融合使用，将检测目标按照车道线、行驶车辆、行人、路面障碍物及其他无关物体进行自定义语义分割，提升系统的计算效率。主要实现的功能：1.实现黑暗场景中的自动跟车驾驶，前方目标的检测、防撞预警、驾驶意图的判读以及行人的检测与防撞预警；2.对侧向盲区驶来的未知车辆的检测识别及防撞预警。此系统能够弥补在黑暗场景中可见光相机易受到光强急剧变化时敏感度低的缺陷，同时能够在黑暗场景中检测侧向盲区驶来的未知车辆，发出安全预警，降低交通事故率。

Description

一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法
技术领域
本发明属于自动驾驶安全辅助技术领域，具体的说是一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法。
背景技术
随着传感器类别的日益丰富，人工智能算法的多样化，自动驾驶技术呈现多元化发展的趋势，但也因此对现有计算机运算能力有了更高的技术要求。在自动驾驶方案系统构架中，一般将任务划分为多个模块，并在各个模块上使用一系列传感器和算法。多模块的使用，可以为自动驾驶车辆在不同的角度实现控制和约束，降低了自动驾驶的错误率，增加系统安全性。特殊场景和复杂环境下的自动驾驶一直是研究的热点和难点问题。
发明内容
本发明提供了一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法，该预警系统针对黑暗场景，例如：黑夜、存在盲区的昏暗停车场等一系列场景，对检测区域进行一种可实现低计算量的自定义语义分割，能够有效实现自动跟车行驶、前方车辆驾驶意图的判断及防撞预警、行人目标检测与防撞预警、侧向盲区行驶车辆速度与方位的估计和防撞预警，同时能够弥补在黑暗场景中可见光相机易受到光强急剧变化时敏感度低的缺陷，在黑暗场景中检测侧向盲区驶来的未知车辆，发出安全预警，降低交通事故率。
本发明技术方案结合附图说明如下：
一种黑暗场景中自动驾驶辅助安全预警系统，该预警系统包括热敏相机、远红外相机、光照传感器、惯导单元、报警装置和控制模块；所述热敏相机、远红外相机、光照传感器组成传感器组件，并依次排列安装在车辆前方中心处；所述惯导单元安装在车辆底盘中心处；所述控制模块和报警模块安装在车辆中控台位置；所述传感器组件、惯导单元和报警模块均与控制模块通过数据线连接。
所述热敏相机用于采集行人特征信息；所述远红外相机用于在黑暗场景中采集视觉信息，所述惯导单元用于监测自身车速和位置信息；所述光照传感器用于检测行驶车辆周围的光强信息；所述报警装置用于对自身和外界发出预警信息；所述控制模块用于整个预警系统的数据处理和输出。
所述的控制模块集成了Faster R-CNN算法、DQN深度强化学习算法；所述 FasterR-CNN算法用于对传感器组件采集的目标进行分类；所述DQN深度强化学习算法用于利用在黑暗场景中不同车辆的、前后车灯发光的光强和车辆速度、方位之间关系的数据学习训练，增加其检测车辆的多样性。
该预警方法包括以下步骤：
步骤一、由传感器组件采集前方道路信息，传输至控制模块进行处理；
步骤二、判断场景类型；
步骤三、判断是否存在碰撞危险，所述控制模块定义第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警 阈值A3和第四防撞预警阈值A4，若接收的行人及车辆的方位信息小于第一防撞预警阈值A1、第二防撞预警阈值 A2和第三防撞预警阈值A3时和第四防撞预警阈值A4＜a0，a0为驾驶车辆的最小制动距离；控制模块将信号传输至报警装置，由报警装置发出预警。
所述步骤一的具体方法如下：
远红外相机采集的视觉图像，将前方车道区域作为感兴趣区域，依据图像的灰度信息，利用Faster R-CNN算法将检测目标进行语义分割，分类标准为：车道线、行驶车辆、行人、路面障碍物及其他无关物体；车道线的检测，结合图像的灰度信息，利用均匀性和边缘突变原理进行分离；将热敏相机检测到的行人信息和通过光照传感器检测到的行驶车辆车灯的光照信息和远红外相机检测的对应分类进行融合，准确检测行人及车辆的方位。
所述步骤二的具体方法如下：
若传感器组件采集到车辆、行驶车辆车灯的光照或行人、障碍物信息，车辆能进行跟车行驶，但是否存在碰撞风险有待进行数据处理和判断，控制模块将其定义为场景1；远红外相机采集视觉图像时，当感兴趣区域内路面出现光照信息变化，即是检测到路面出现区域性灰度值非线性变化时，结合光照传感器检测到的信光强变化信息，判断为前方盲区有侧向有行驶车辆，控制模块将其定义为场景2。
所述步骤三的具体方法如下：
31)若车辆在场景1中行驶，设定第一防撞预警阈值A1，当超过此阈值时，汽车安全跟车行驶，反之则发出预警，车辆进行减速，同时向外界发出警报； A1的表达式为：
A1＝K(Δv)2
其中，K为与训练结果、车辆的减速能力相关的系数；Δv为驾驶车辆与目标车辆或行人的沿行驶方向的相对速度；当二者距离小于A1时，安全行驶，反之减速，向行驶车辆或行人发出预警；
32)若车辆在场景1中行驶，当目标车辆发生刹车行为而造成的车灯光强的急剧变化时，设置为第二防撞预警阈值A2，其表达式为：
Figure GDA0002975537710000031
其中，E2为前方车辆刹车时检测到的光强信息；t2为前方车辆刹车时检测到的时刻；E1为目标正常行驶时的光强信息；t1为目标正常行驶时的时刻；A2为光强的瞬时变化率，其数值由训练结果确定，同时融合远红外相机检测到的不同车道的车辆行驶状况，区分车辆刹车或迎面驶来车辆是否在更换远近光；
33)若车辆在场景1中行驶，当前方车辆发生变道而产生的车灯光强的脉冲变化，将此变化频率设置为第三防撞预警阈值A3；判断车辆是否存在变道行驶意图；A3的数值由训练结果确定；
34)若车辆在场景2中行驶，侧向盲区存在行驶车辆，光照传感器检测到的路面光照区域，其光照强度设定第四防撞预警阈值A4，A4的表达式为：
Figure GDA0002975537710000041
其中，K2为驾驶车辆与检测车辆交汇点和检测车辆距离相关的系数；E0为驾驶车辆发现路面出现光照时的光强初始值；K1为与检测车辆行驶速度相关的系数；ΔE为光照传感器所检测到路面感兴趣区域内光强变化率；V为驾驶车辆的车速；L为驾驶车辆与路面感兴趣区域内光照区域的距离；
当A4＞a0时，不会与驾驶盲区驶出的车辆发生碰撞；
当A4＜a0时，预期会与驾驶盲区驶出的车辆发生碰撞；
其中，a0为驾驶车辆的最小制动距离；
K1,E0的数值均由训练结果确定。
所述控制模块能在实际自动驾驶中不断的通过数据处理、学习训练中对第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警阈值A3、第四防撞预警阈值A4进行自动更新。
本发明的有益效果为：
针对黑暗场景，例如：黑夜、存在盲区的昏暗停车场等一系列场景，对检测区域进行一种可实现低计算量的自定义语义分割，能够有效实现自动跟车行驶、前方车辆驾驶意图的判断及防撞预警、行人目标检测与防撞预警、侧向盲区行驶车辆速度与方位的估计和防撞预警，同时能够弥补在黑暗场景中可见光相机易受到光强急剧变化时敏感度低的缺陷，在黑暗场景中检测侧向盲区驶来的未知车辆，发出安全预警，降低交通事故率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据本发明实施例的内容和这些附图获得其他的附图。
图1为自动驾驶辅助安全预警系统示意图；
图2为黑暗场景中自动驾驶状态下跟车行驶的目标检测和防撞预警示意图；
图3为黑暗场景中侧向盲区存在行驶车辆时，自动驾驶辅助安全预警系统的工作原理示意图。
具体实施方式
实施例
参阅图1，一种黑暗场景中自动驾驶辅助安全预警系统，该预警系统包括热敏相机、远红外相机、光照传感器、惯导单元、报警装置和控制模块；所述热敏相机、远红外相机、光照传感器组成传感器组件，并依次排列安装在车辆前方中心处；所述惯导单元安装在车辆底盘中心处；所述控制模块和报警模块安装在车辆中控台位置；所述传感器组件、惯导单元和报警模块均与控制模块通过数据线连接。
所述热敏相机用于采集行人特征信息。
所述远红外相机用于在黑暗场景中采集视觉信息。
所述惯导单元用于监测自身车速和位置信息。
所述光照传感器用于检测行驶车辆周围的光强信息。
所述报警装置用于对自身和外界发出预警信息。
所述控制模块用于整个预警系统的数据处理和输出，通过ECU实现。
所述远红外相机、热敏相机、光照传感器、报警装置、惯导单元、控制模块的数量均为1。
所述Faster R-CNN算法用于对传感器组件采集的目标进行分类；所述DQN 深度强化学习算法用于利用在黑暗场景中不同车辆的、前后车灯发光的光强和车辆速度、方位之间关系的数据学习训练，增加其检测车辆的多样性。所述算法包含但不限于此两种，可人工输入更新至最优。
一种黑暗场景中自动驾驶辅助安全预警系统的预警方法，具体如下：
步骤一、由传感器组件采集前方道路信息，传输至控制模块进行处理。
远红外相机采集的视觉图像，将前方车道区域作为感兴趣区域，依据图像的灰度信息，利用Faster R-CNN算法将检测目标进行语义分割，分类标准为：车道线、行驶车辆、行人、路面障碍物及其他无关物体；车道线的检测，结合图像的灰度信息，利用均匀性和边缘突变原理进行分离；将热敏相机检测到的行人信息和通过光照传感器检测到的行驶车辆车灯的光照信息和远红外相机检测的对应分类进行融合，准确检测行人及车辆的方位。
步骤二、判断场景类型；
若传感器组件采集到车辆、行驶车辆车灯的光照或行人、障碍物信息，车辆能进行跟车行驶，但是否存在碰撞风险有待进行数据处理和判断，控制模块将其定义为场景1；远红外相机采集视觉图像时，当感兴趣区域内路面出现光照信息变化，即是检测到路面出现区域性灰度值非线性变化时，结合光照传感器检测到的信光强变化信息，判断为前方盲区有侧向有行驶车辆，控制模块将其定义为场景2。
步骤三、判断是否存在碰撞危险，所述控制模块定义第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警阈值A3和第四防撞预警阈值A4，若接收的行人及车辆的方位信息小于第一防撞预警阈值A1、第二防撞预警阈值 A2和第三防撞预警阈值A3时和第四防撞预警阈值A4＜a0，a0为驾驶车辆的最小制动距离；控制模块将信号传输至报警装置，由报警装置发出预警。
31)参阅图2，驾驶车辆P自动随车辆N行驶时，设定第一防撞预警阈值A1，当超过此阈值时，汽车安全跟车行驶，反之则发出预警，车辆进行减速，同时向外界发出警报；A1的表达式为：
A1＝K(Δv)2
其中，K为与训练结果、车辆的减速能力相关的系数；Δv为驾驶车辆与目标车辆或行人的沿行驶方向的相对速度；当二者距离小于A1时，安全行驶，反之减速，向行驶车辆或行人发出预警；
32)自动跟车行驶时，当目标车辆发生刹车行为而造成的车灯光强的急剧变化时，设置为第二防撞预警阈值A2，其表达式为：
Figure GDA0002975537710000071
其中，E2为前方车辆刹车时检测到的光强信息；t2为前方车辆刹车时检测到的时刻；E1为目标正常行驶时的光强信息；t1为目标正常行驶时的时刻；A2为光强的瞬时变化率，其数值由训练结果确定，同时融合远红外相机检测到的不同车道的车辆行驶状况，区分车辆刹车或迎面驶来车辆是否在更换远近光；
33)当前方车辆发生变道而产生的车灯光强的脉冲变化，将此变化频率设置为第三防撞预警阈值A3；判断车辆是否存在变道行驶意图；A3的数值由训练结果确定；
34)当远红外相机感兴趣区域内路面出现光照区域m变化时，即是检测到路面出现区域性灰度值非线性变化时，融合光强传感器检测到的信息，判断为前方盲区有侧向有行驶车辆，光照传感器检测到的路面光照区域，其光照强度设定第四防撞预警阈值A4，A4的表达式为：
Figure GDA0002975537710000072
其中，K2为驾驶车辆与检测车辆交汇点和检测车辆距离相关的系数；E0为驾驶车辆发现路面出现光照时的光强初始值；K1为与检测车辆行驶速度相关的系数；ΔE为光照传感器所检测到路面感兴趣区域内光强变化率；V为驾驶车辆的车速；L为驾驶车辆与路面感兴趣区域内光照区域的距离；
当A4＞a0时，不会与驾驶盲区驶出的车辆发生碰撞；
当A4＜a0时，预期会与驾驶盲区驶出的车辆发生碰撞；
其中，a0为驾驶车辆的最小制动距离；
K1,E0的数值均由训练结果确定。
所述控制模块能在实际自动驾驶中不断的通过数据处理、学习训练中对第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警阈值A3、第四防撞预警阈值A4进行自动更新。
所述第四防撞预警阈值A4设定方法，当监测到无盲区区域的行人目标时同样适用。
为了使所设定的阈值A4能够使车辆具有更好的检测识别能力，准确确定侧向行驶车辆的车速及方位，所述第四防撞预警阈值阈值A4设定方式为：利用光照传感器，采集不同车速行驶时车灯照射在路面的行驶车辆所照射区域的光照强度，并进行训练，以提升其对车辆检测识别能力，确定侧向行驶车辆的车速及方位。
本发明所提供的系统，具备一定的更新能力。系统中设定的阈值，系统可在实际自动驾驶中不断的通过数据采集和学习训练进行更新；控制模块所集成的智能算法及训练学习方式可进行输入更新。
本发明所提供的系统，主要应用于黑暗场景中，以地下停车场为例，此场景包含本发明所提及的黑暗场景中的两个特点：光线昏暗、存在视野盲区；且视野盲区为事故多发地带。地下停车场中的盲区与图3所示的存在侧向盲区的道路分布相同。地下停车场十字路口、T字形路口多利用围墙对停车区域进行分割，导致行驶车辆出现驾驶盲区，并且很难发现未进行鸣笛示意侧向驶来的车辆。同时，地下停车场也为行人活动较多的场景，场景中不存交通标志，无特定的交通规则来改善交通状况。据此，本发明所提供的系统主要可实现：
1.驾驶车辆在主路行驶时，当侧向盲区车道驶来未进行鸣笛警告的车辆时，驾驶人也很难判断是否有来车，本发明所提供的一种黑暗场景中自动驾驶辅助安全预警系统，利用传感器组件a和惯导单元b，可采集侧向车辆车灯照射在路面的光照区域的光照强度的变化情况并以此判断侧向行驶车辆的行驶状况，同时采集前方车辆的行驶状态数据，通过控制模块b进行数据处理，对是否会与侧向行驶车辆发生碰撞、是否与前车存在碰撞风险及是否可顺利通过盲区路做出判断，发出预警；
2.本发明所述的一种黑暗场景中自动驾驶辅助安全预警系统，在上述地下停车场场景中，可通过传感器组件a和惯导单元b检测是否有行人穿过车道，通过控制模块b进行数据处理，对是否会碰撞行人发出预警。

Claims (2)

1.一种黑暗场景中自动驾驶辅助安全预警系统的预警方法，通过一种黑暗场景中自动驾驶辅助安全预警系统实现，该预警系统包括热敏相机、远红外相机、光照传感器、惯导单元、报警装置和控制模块；所述热敏相机、远红外相机、光照传感器组成传感器组件，并依次排列安装在车辆前方中心处；所述惯导单元安装在车辆底盘中心处；所述控制模块和报警模块安装在车辆中控台位置；所述传感器组件、惯导单元和报警模块均与控制模块通过数据线连接；所述热敏相机用于采集行人特征信息；所述远红外相机用于在黑暗场景中采集视觉信息，所述惯导单元用于监测自身车速和位置信息；所述光照传感器用于检测行驶车辆周围的光强信息；所述报警装置用于对自身和外界发出预警信息；所述控制模块用于整个预警系统的数据处理和输出；所述的控制模块集成了Faster R-CNN算法、DQN深度强化学习算法；所述Faster R-CNN算法用于对传感器组件采集的目标进行分类；所述DQN深度强化学习算法用于利用在黑暗场景中不同车辆的、前后车灯发光的光强和车辆速度、方位之间关系的数据学习训练，增加其检测车辆的多样性；其特征在于，该预警方法包括以下步骤：
步骤一、由传感器组件采集前方道路信息，传输至控制模块进行处理；
步骤二、判断场景类型；
步骤三、判断是否存在碰撞危险，所述控制模块定义第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警阈值A3和第四防撞预警阈值A4，若接收的行人及车辆的方位信息小于第一防撞预警阈值A1、第二防撞预警阈值A2 和第三防撞预警阈值 A3 时和第四防撞预警阈值 A4<a0 ， a0 为驾驶车辆的最小制动距离；控制模块将信号传输至报警装置，由报警装置发出预警；
所述步骤一的具体方法如下：
远红外相机采集的视觉图像，将前方车道区域作为感兴趣区域，依据图像的灰度信息，利用Faster R-CNN算法将检测目标进行语义分割，分类标准为：车道线、行驶车辆、行人、路面障碍物及其他无关物体；车道线的检测，结合图像的灰度信息，利用均匀性和边缘突变原理进行分离；将热敏相机检测到的行人信息和通过光照传感器检测到的行驶车辆车灯的光照信息和远红外相机检测的对应分类进行融合，准确检测行人及车辆的方位；
所述步骤二的具体方法如下：
若传感器组件采集到车辆、行驶车辆车灯的光照或行人、障碍物信息，车辆能进行跟车行驶，但是否存在碰撞风险有待进行数据处理和判断，控制模块将其定义为场景1；远红外相机采集视觉图像时，当感兴趣区域内路面出现光照信息变化，即是检测到路面出现区域性灰度值非线性变化时，结合光照传感器检测到的信光强变化信息，判断为前方盲区有侧向有行驶车辆，控制模块将其定义为场景2；
所述步骤三的具体方法如下：
31)若车辆在场景1中行驶，设定第一防撞预警阈值A1，当超过此阈值时，汽车安全跟车行驶，反之则发出预警，车辆进行减速，同时向外界发出警报；A1的表达式为：
A1＝K(Δv)2
其中，K为与训练结果、车辆的减速能力相关的系数；Δv为驾驶车辆与目标车辆或行人的沿行驶方向的相对速度；当二者距离小于A1时，安全行驶，反之减速，向行驶车辆或行人发出预警；
32)若车辆在场景1中行驶，当目标车辆发生刹车行为而造成的车灯光强的急剧变化时，设置为第二防撞预警阈值A2，其表达式为：
Figure FDA0002975537700000021
其中，E2为前方车辆刹车时检测到的光强信息；t2为前方车辆刹车时检测到的时刻；E1为目标正常行驶时的光强信息；t1为目标正常行驶时的时刻；A2为光强的瞬时变化率，其数值由训练结果确定，同时融合远红外相机检测到的不同车道的车辆行驶状况，区分车辆刹车或迎面驶来车辆是否在更换远近光；
33)若车辆在场景1中行驶，当前方车辆发生变道而产生的车灯光强的脉冲变化，将此变化频率设置为第三防撞预警阈值A3；判断车辆是否存在变道行驶意图；A3的数值由训练结果确定；
34)若车辆在场景2中行驶，侧向盲区存在行驶车辆，光照传感器检测到的路面光照区域，其光照强度设定第四防撞预警阈值A4，A4的表达式为：
Figure FDA0002975537700000031
其中，K2为驾驶车辆与检测 车辆交汇点和检测车辆距离相关的系数；E0为驾驶车辆发现路面出现光照时的光强初始值；K1为与检测车辆行驶速度相关的系数；ΔE为光照传感器所检测到路面感兴趣区域内光强变化率；V为驾驶车辆的车速；L为驾驶车辆与路面感兴趣区域内光照区域的距离；
当A4>a0时，不会与驾驶盲区驶出的车辆发生碰撞；
当A4<a0时，预期会与驾驶盲区驶出的车辆发生碰撞；
其中，a0为驾驶车辆的最小制动距离；
K1,E0的数值均由训练结果确定。
2.根据权利要求1所述的一种黑暗场景中自动驾驶辅助安全预警系统的预警方法，其特征是，所述控制模块能在实际自动驾驶中不断的通过数据处理、学习训练中对第一防撞预警阈值A1、第二防撞预警阈值A2、第三防撞预警阈值A3、第四防撞预警阈值A4进行自动更新。
CN202010776658.7A 2020-08-05 2020-08-05 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法 Active CN111879360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010776658.7A CN111879360B (zh) 2020-08-05 2020-08-05 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010776658.7A CN111879360B (zh) 2020-08-05 2020-08-05 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法

Publications (2)

Publication Number Publication Date
CN111879360A CN111879360A (zh) 2020-11-03
CN111879360B true CN111879360B (zh) 2021-04-23

Family

ID=73210563

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010776658.7A Active CN111879360B (zh) 2020-08-05 2020-08-05 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法

Country Status (1)

Country Link
CN (1) CN111879360B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112562407B (zh) * 2020-11-30 2022-07-26 北京停简单信息技术有限公司 Odd状态预判的方法、装置及自主代客泊车系统
CN112951000B (zh) * 2021-04-02 2022-06-07 华设设计集团股份有限公司 大型车辆盲区双向预警系统
CN113283367A (zh) * 2021-06-08 2021-08-20 南通大学 一种低能见度环境地下车库视觉盲区安全检测方法
CN115550872A (zh) * 2021-06-30 2022-12-30 中兴通讯股份有限公司 预警方法、电子设备和计算机可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008155862A (ja) * 2006-12-26 2008-07-10 Rohm Co Ltd カーセキュリティ装置
CN102685516A (zh) * 2011-03-07 2012-09-19 李慧盈 立体视觉主动安全辅助驾驶方法
CN105981042A (zh) * 2014-01-17 2016-09-28 Kpit技术有限责任公司 车辆探测系统及方法
CN109190523A (zh) * 2018-08-17 2019-01-11 武汉大学 一种基于视觉的车辆检测跟踪预警方法
CN109515448A (zh) * 2018-12-12 2019-03-26 安徽江淮汽车集团股份有限公司 一种自动驾驶传感器布置方法和结构

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9196056B2 (en) * 2013-08-19 2015-11-24 Manufacturing Techniques, Inc. Electro-optical system and method for analyzing images of a scene to identify the presence of a target color

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008155862A (ja) * 2006-12-26 2008-07-10 Rohm Co Ltd カーセキュリティ装置
CN102685516A (zh) * 2011-03-07 2012-09-19 李慧盈 立体视觉主动安全辅助驾驶方法
CN105981042A (zh) * 2014-01-17 2016-09-28 Kpit技术有限责任公司 车辆探测系统及方法
CN109190523A (zh) * 2018-08-17 2019-01-11 武汉大学 一种基于视觉的车辆检测跟踪预警方法
CN109515448A (zh) * 2018-12-12 2019-03-26 安徽江淮汽车集团股份有限公司 一种自动驾驶传感器布置方法和结构

Also Published As

Publication number Publication date
CN111879360A (zh) 2020-11-03

Similar Documents

Publication Publication Date Title
CN111879360B (zh) 一种黑暗场景中自动驾驶辅助安全预警系统及其预警方法
CN107782727B (zh) 基于融合的湿路面检测
US8615357B2 (en) Method for assisting a user of a vehicle, control device for a driver-assistance system of a vehicle and vehicle having such a control device
CN111994068B (zh) 一种基于智能轮胎触觉感知的智能驾驶汽车控制系统
JP7119365B2 (ja) 運転行動データ生成装置、運転行動データベース
JP2021523507A (ja) 受動型赤外線歩行者検出および回避システム
KR102524859B1 (ko) 자율 차량 의사 결정을 위한 시맨틱 물체 클러스터링
CN112601688A (zh) 对自主车辆的声音的检测和响应
CN110682907B (zh) 一种汽车防追尾控制系统及方法
CN110789450B (zh) 会车的危险警报提示方法、系统及车辆
CN110007669A (zh) 一种用于汽车的智能驾驶避障方法
CN112606831A (zh) 一种用于客车的防碰撞警示信息对外交互方法及系统
CN114537374A (zh) 一种基于可行驶区域的车辆前方防碰撞系统
CN114550448B (zh) 一种基于毫米波雷达的车道级交通风险管控系统
US12030486B2 (en) Apparatus for assisting driving, vehicle having the same, and method of controlling the same
CN113415236A (zh) 重型车盲区监测及预警系统
US11226626B1 (en) Detecting and responding to people directing traffic for autonomous vehicles
US20220121216A1 (en) Railroad Light Detection
US20220001897A1 (en) Vehicular vision system with trailer assist and traffic detection functions
CN109032043A (zh) 一种利用车载信号灯向无人车前方的行人进行提醒的装置及方法
CN113942510A (zh) 一种智能驾驶汽车自动拨杆换道控制器及其运行方法
AU2018358932B2 (en) Semantic object clustering for autonomous vehicle decision making
CN112977434A (zh) 一种新型可视化车辆信息协作交流系统
KR20210088117A (ko) 운전자 보조 시스템 및 그 방법
KR20200072908A (ko) 차량 및 그 제어 방법

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