CN112697457B - 一种基于深度学习的车辆自主检测与控制系统 - Google Patents
一种基于深度学习的车辆自主检测与控制系统 Download PDFInfo
- Publication number
- CN112697457B CN112697457B CN202011466480.2A CN202011466480A CN112697457B CN 112697457 B CN112697457 B CN 112697457B CN 202011466480 A CN202011466480 A CN 202011466480A CN 112697457 B CN112697457 B CN 112697457B
- Authority
- CN
- China
- Prior art keywords
- detection mechanism
- vehicle
- processor
- rule
- end detection
- 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
Links
Images
Abstract
本发明公开了一种基于深度学习的车辆自主检测与控制系统，该系统包括：前端检测机构(2)、后端检测机构(3)、储存组件和处理器，其中，前端检测机构(2)和后端检测机构(3)分别安装在车体(1)的前端和后端，处理器与储存组件设置在车体(1)内部；前端检测机构(2)和后端检测机构(3)，分别用于对汽车前端正下方和后端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；储存组件，用于存储预先训练好的检测模型、测量规则和预定规则以及修正的误差数据和控制策略；处理器，用于接收测量数据，调取检测模型进行检测，调取测量规则和预定规则控制前端检测机构(2)和后端检测机构(3)工作。
Description
技术领域
本发明涉及计算机深度学习技术领域，尤其是涉及一种基于深度学习的车辆自主检测与控制系统。
背景技术
深度学习(DL,Deep Learning)是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能，深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助，它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。
现在自主车辆实现自动驾驶，是现有社会汽车主要发展研究方向，现有的自主车辆都是在平整路面进行自动行驶，并不能实现在路面不平整或者泥泞的路段自动行驶，还是需要人工对车辆进行驾驶，才能保证安全行驶，目前厂家对在路面不平整或者泥泞的路段自动行驶测试，实验过程中使用的测试车使用的都是功能齐全的车辆，实验过程容易出现失误并造成车辆损伤，使得整个实验成本过高，如果使用仅仅能够驱动配合实验的半成品车辆，实验过程的效率低下。
此外，现有车辆普遍不具备自主驾驶的功能，而用户又希望加装该功能。在这种情况下采取加装自动驾驶控制模块成为了一种廉价且快捷的操作方式。
发明内容
本发明的目的在于克服现有技术缺陷，提出了一种基于深度学习的车辆自主检测与控制系统。
为了实现上述目的，本发明提出了一种基于深度学习的车辆自主检测与控制系统，所述系统包括：前端检测机构、后端检测机构、储存组件和处理器，其中，所述前端检测机构和后端检测机构分别安装在车体的前端和后端，处理器与储存组件设置在车体内部；
所述前端检测机构，用于对汽车前端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；
所述后端检测机构，用于对汽车后端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；
所述储存组件，用于存储预先训练好的检测模型，用于存储测量规则和预定规则，还用于存储由所述处理器确定并修正的误差数据和选定的控制策略；
所述处理器，用于接收前端检测机构和后端检测机构的测量数据，用于根据测量数据，调取储存组件中的检测模型进行检测，并调取储存组件中的测量规则和预定规则控制前端检测机构和后端检测机构工作，将修正的误差数据和选定的控制策略输入存储组件保存。
作为上述方法的一种改进，所述前端检测机构和后端检测机构为结构相同的检测机构，所述检测机构包括：旋转机构和若干个电磁波测距仪；其中，
所述旋转机构包括水平安装在车身上的弧形齿条、驱动电机和转动平台，所述驱动电机的输出端设置齿轮，与弧形齿条啮合；所述弧形齿条的顶部和底部均设置弧形滑道，所述转动平台通过若干个辊轮与弧形滑道滑动配合；所述转动平台包括U形面板和翻转面板，翻转面板通过水平转轴与U形面板的顶部边缘转动配合，所述U形面板位于翻转面板的正下方铰接推动气缸，所述电磁波测距仪均安装在U形面板上。
作为上述方法的一种改进，所述驱动电机为伺服电机，由伺服控制器控制。
作为上述方法的一种改进，所述弧形齿条的两端均安装限位块，每个限位块上均设置限位开关。
作为上述方法的一种改进，所述储存组件包括深度学习储存器、规则储存器和误差储存器；其中，
所述深度学习储存器，用于存储预先训练好的检测模型；
所述规则储存器，用于存储预定规则和测量规则检测得到的相关数据；
所述误差储存器，用于存储由所述处理器确定并修正的修正的误差数据和选定的控制策略。
作为上述方法的一种改进，所述检测模型的输入为前端检测机构2和后端检测机构3的测量数据，输出为前进模式或后退模式，所述检测模型包括一个输入层、三个卷积层、三个全连接层和SOFTMAX层；其中，
所述三个卷积层均采用3×3的卷积核，输出分别为64×64×128、32×32×256和32×32×512；
所述三个全连接层的输出分别为2048×1、1024×1和10×1；
所述softmax层的输出为2×1。
作为上述方法的一种改进，所述检测模型的训练过程为：
通过仿真方法得到电磁波测距仪在经过坑洼路段的仿真数据；
将仿真数据进行随机组合生成包含有足够样本的实验数据集，通过预处理使得实验数据集中的数据矩阵大小为400×100，矩阵中的一个值表示从检测机构到实际路面的距离；
对预处理后的实验数据集进行归零处理，归零后的值m为：
m＝y-L
其中，y为原始数据矩阵中某个点的大小，L为检测机构到平整路面的距离；
对归零后的数据矩阵进行归一化处理，归一化后的数值p为：
其中，x为原始数据矩阵中某个点的大小，max为矩阵中最大的数值，min为矩阵中最小的数值；
将归一化后的数值作为训练数据，输入到检测模型；
采用Hinge损失函数，经验参数α＝0.3，直至得到训练好的检测模型。
作为上述方法的一种改进，所述处理器的具体实现过程为：
接收前端检测机构和后端检测机构的测量数据；
根据测量数据，调取深度学习储存器的检测模型进行检测，接收检测模型的输出结果；
当输出结果为前进模式时，从规则储存器调用测量规则控制前端检测机构2；
如果车辆前方存在坑洼路段，计算得到坑洼路段的横向宽度和纵向宽度；
从规则储存器调用预定规则控制车辆1调整前行方向避让坑洼路段；
当输出结果为后退模式时，接收后端检测机构3的测量数据；
如果车辆前方存在坑洼路段，从规则储存器调用测量规则计算得到坑洼路段的横向宽度和纵向宽度；
从规则储存器调用预定规则控制车辆1调整后退方向避让坑洼路段。
作为上述方法的一种改进，所述当输出结果为前进模式时，从规则储存器调用测量规则控制前端检测机构；具体包括：
步骤901)接收前端检测机构输出的车辆前端底部至地面的距离L1，判断L1是否大于δL，其中，δ的取值在0.35～0.6之间，L为车辆底盘距离地面的距离；如果为否，车辆原速前行，如果是，则进入步骤902)；
步骤902)控制车辆继续前行一个轮毂半径的距离a，接收前端检测机构输出的车辆前端底部至地面的距离L1，判断是否仍大于δL，如果为否，车辆原速前行，如果为是，车辆停止前行，进入步骤903)；
步骤903)接收前端检测机构的两个电磁波测距仪分别输出的车辆前端底部至地面的距离L1，通过伺服控制器控制驱动电机转动，转动平台沿着弧形滑道向其中检测车辆前端底部距离至地面距离L1数值最大的电磁波测距仪所在一侧移动，得到此时的车辆前端底部至地面的距离L2，判断L2是否大于δL，如果为是，驱动电机继续旋转，如果为否，驱动电机停止旋转。
作为上述方法的一种改进，所述从规则储存器调用预定规则控制车辆调整后退方向避让坑洼路段；具体包括：
步骤1001)转动平台在弧形滑道上移动，得到相对车辆的横向距离H：
其中，r为弧形滑道的半径，V为驱动电机的转速，t为驱动电机旋转时间；
判断H是否大于车身长度0.5γ，其中，γ为车辆的车身宽度；如果为是，则车辆停止前进，如果为否，则进入步骤1002)；
步骤1002)根据转动平台在弧形滑道滑动的角位移θ，调整车辆的前轮转动向，避让泥坑并继续前行。
与现有技术相比，本发明的优势在于：
1、在半成品测试车辆上增加本发明的检测与控制系统，能够满足测试在路面不平整或者泥泞的路段自动行驶对路面的检测，提高实验效率并降低实验成本；
2、本发明的检测与控制系统在测试车辆上对路面进行检测，同时将相关数据经过处理器处理并存储在储存组件，扩充数据库，能够提高自主车辆在路面不平整或者泥泞的路段自动行驶方式的平稳性，提高安全保障；
3、本发明的检测与控制系统加装在现有车辆中，为现有车辆提供了自主检测与控制的能力。
附图说明
图1是本发明的检测与控制系统的立体结构示意图；
图2是本发明的检测与控制系统的侧视图；
图3是从车头处右侧仰视看图1的前端检测机构的立体结构示意；
图4是从车头的右上方俯视看图1的前端检测机构的立体结构示意；
图5是从车头处左侧仰视看图1的前端检测机构的立体结构示意；
图6是本发明的检测与控制系统的逻辑判断框图；
图7是本发明的检测与控制系统的控制框图；
图8是本发明的检测模型网络架构图；
图9是本发明的检测与控制系统前进模式的逻辑判断框图；
图10是本发明的检测与控制系统后退模式的逻辑判断框图。
附图标记
1、车体 2、前端检测机构 3、后端检测机构
4、电磁波测距仪 5、弧形齿条 6、驱动电机
7、转动平台 8、弧形滑道 9、推动气缸
10、U形面板 11、翻转面板 12、辊轮
13、齿轮
具体实施方式
一种基于深度学习的自主车辆的检测设备，所述检测设备包括有处理器、与处理器数据通讯连接的储存组件、分别安装在车体前端与后端的前端检测机构和后端检测机构，所述前端检测机构和后端检测机构的结构相同且均包括有若干个电磁波测距仪和用于驱动所有电磁波测距仪绕车身水平转动的旋转机构，所述旋转机构包括有水平安装在车身上的弧形齿条、驱动电机和转动平台，所述驱动电机的输出端设置有与弧形齿条啮合的齿轮，所有电磁波测距仪安装在转动平台上，所述弧形齿条的顶部和底部均设置有弧形滑道，所述转动平台通过若干个辊轮与弧形滑道滑动配合，所有电磁波测距仪均与处理器通讯连接。
优选的，所述转动平台包括有U形面板和通过水平转轴与U形面板的顶部边缘转动配合的翻转面板，若干个与对应的弧形滑道辊轮分别与U形面板的两端，所述U形面板位于翻转面板的正下方铰接有推动气缸，所述推动气缸的输出端与翻转面板铰接，所有电磁波均安装在翻转面板上。
优选的，所述驱动电机为伺服电机，所述伺服电机与伺服控制器电性连接。
优选的，所述弧形齿条的两端均安装有限位块，每个限位块上均设置有限位开关，所有限位开关均与伺服控制器电性连接。
优选的，一种基于深度学习的自主车辆的检测设备的检测方法，
所述处理器用作基于深度学习根据预定规则的自主驾驶控制确定来修正基于深度学习的自主驾驶控制确定的误差，以控制自主车辆；
前进模式：车辆前行，当前端检测机构的电磁波测距仪检测到车辆前方存在泥坑并根据测量规则检测出泥坑的横向宽度和纵向宽度，处理器根据预定规则以调整自主车辆前行方向对前方的泥坑进行避让；
倒车模式：车辆后退，当后端检测机构的电磁波测距仪检测到车辆前方存在泥坑并根据测量规则检测出泥坑的横向宽度和纵向宽度，处理器根据预定规则以调整自主车辆后退方向对后方的泥坑进行避让。
优选的，所有所述储存器分为：
深度学习储存器，存储基于深度学习的自主驾驶控制确定的基于深度学习的输出控制参数；
规则储存器，存储所述预定规则和测量规则检测得到的相关数据；
以及误差储存器，存储与由所述处理器确定并修正的误差数据和选定的控制策略。
下面结合附图对本发明的技术方案进行详细的说明。
如图1-图5所示，本发明一种基于深度学习的车辆自主检测与控制系统，所述系统包括处理器、与处理器数据通讯连接的储存组件、分别安装在车体前端与后端的前端检测机构2和后端检测机构3，所述前端检测机构2和后端检测机构3的结构相同且均包括有若干个电磁波测距仪4和用于驱动所有电磁波测距仪4绕车身水平转动的旋转机构，所述旋转机构包括有水平安装在车身上的弧形齿条5、驱动电机6和转动平台7，所述驱动电机6的输出端设置有与弧形齿条5啮合的齿轮13，所有电磁波测距仪4安装在转动平台7上，所述弧形齿条5的顶部和底部均设置有弧形滑道8，所述转动平台7通过若干个辊轮12与弧形滑道8滑动配合，所有电磁波测距仪4均与处理器通讯连接。
车辆1前行时，处理器根据前端检测机构2检测到前方有泥坑，前端检测机构2能够根据测量规则，伺服控制器控制驱动电机6驱动齿轮13旋转，使得转动平台7沿的弧形滑道8上滑动，带动电磁波测距仪4对汽车前端正下方的路面进行检测。
车辆1后退时，处理器根据前端检测机构2检测到后方有泥坑，后端检测机构3能够根据测量规则，伺服控制器控制驱动电机6驱动齿轮13旋转，使得转动平台7沿的弧形滑道8上滑动，带动电磁波测距仪4对汽车后端正下方的路面进行检测。
所述转动平台7包括有U形面板10和通过水平转轴与U形面板10的顶部边缘转动配合的U形面板11，若干个与对应的弧形滑道8辊轮12分别与U形面板10的两端，所述U形面板10位于U形面板11的正下方铰接有推动气缸9，所述推动气缸9的输出端与U形面板11铰接，所有电磁波均安装在U形面板11上，
当路面不妨碍车辆1前行和后退时，处理器通过推动气缸9推动翻转板旋转至竖直状态，使得所有电磁波测距仪4处于水平平行于车身的状态，车辆1正前方或者正后方靠近有障碍物的时候并且距离小于预设值的时候，传送数据信号给处理器，处理器控制自主车辆1进行避让。
所述驱动电机6为伺服电机，所述伺服电机与伺服控制器电性连接，所述伺服控制器的型号为MR-J2S-10A，所述驱动电机6的型号为HC-KFS13，是用来控制伺服电机的一种控制器，其作用类似于变频器作用于普通交流马达，属于伺服系统的一部分，主要应用于高精度的定位系统。一般是通过位置、速度和力矩三种方式对伺服电机进行控制，实现高精度的传动系统定位。
所述弧形齿条5的两端均安装有限位块，每个限位块上均设置有限位开关图中未示出，所有限位开关均与伺服控制器电性连接，伺服控制器图中未示出。所述限位开关的型号为LL6XCKN，当驱动电机6驱动齿轮13旋转，使得转动平台7沿着弧形滑道8滑动，当转动平台7碰到限位开关，传送一个电信号给伺服控制器，伺服控制器控制驱动电机6停止旋转或者反向旋转。
处理器用作基于深度学习根据预定规则的自主驾驶控制确定来修正基于深度学习的自主驾驶控制确定的误差，以控制自主车辆1，如图6所示为逻辑判断框图；如图7所示为整个系统的控制框图。
前进模式：车辆1前行，当前端检测机构2的电磁波测距仪4检测到车辆1前方存在泥坑并根据测量规则检测出泥坑的横向宽度和纵向宽度，处理器根据预定规则以调整自主车辆1前行方向对前方的泥坑进行避让；
倒车模式：车辆1后退，当后端检测机构3的电磁波测距仪4检测到车辆1前方存在泥坑并根据测量规则检测出泥坑的横向宽度和纵向宽度，处理器根据预定规则以调整自主车辆1后退方向对后方的泥坑进行避让。
储存组件分为深度学习储存器、规则储存器和误差储存器。
深度学习储存器，存储训练好的检测模型。
如图8所示，检测模型包含有一个输入层，三个卷积层和三个全连接层。最后采用SOFTMAX层对结果进行分类。三个卷积层全部采用3×3的卷积核，卷积层一的输出为64×64×128，卷积层二的输出为32×32×256，卷积层三输出为32×32×512。全连接层1输出为2048×1，全连接层2输出为1024×1，全连接层3输出为10×1。softmax层输出为2×1。分类结果分为两类，即继续前进还是停下后退。具体前进与后退的量则通过前进模式和后退模式进行指定。
基于深度学习的检测模型训练方法如下：
步骤S11：采用仿真方法，仿真得到电磁波测距仪在经过坑洼路段的数据。
将生成仿真数据进行随机组合以生成包含有足够样本的实验数据集，通过预处理使得实验数据集中的数据矩阵大小为400×100，矩阵中的一个值表示从检测机构到实际路面的距离；
步骤S12：将预处理得到的数据集进行归零处理，归零后的值m为：
m＝y-L
其中，y为原始数据矩阵中某个点的大小，L为检测机构到达平整路面的距离。
步骤S13：将仿真数据进行归一化以减小后续网络计算的工作量。归一化后的数值p为：
其中，x为原始数据矩阵中某个点的大小，max为矩阵中最大的数值，min为矩阵中最小的数值；
步骤S14：将生成的数据集作为训练数据，输入到所述深度学习网络中
步骤S15：训练过程中，采用Hinge损失函数，损失函数的具体形式如下
L(y,f(x))＝max(0,1-yf(x))
步骤S16：为了避免深度学习错误分类导致的不可挽回的后果，加入经验参数α＝0.3，即在正常行驶过程中会有1-α的概率听从深度学习的建议，α的概率维持上一步的选择，如果上一步选择有悖于前进模式和后退模式的约束，则将汽车停下。
规则储存器，存储测量规则和预定规则；
所述测量规则包括有以下步骤：
如图9所示，为前进模式的逻辑判断框图，具体步骤如下：
步骤S11：预设车辆1底盘距离地面的距离L，车辆1前行，当前端检测机构2的电磁波测距仪4朝下检测到车辆1前端底部距离至地面距离L1是否大于δL，否，车辆1原速前行，是，进入步骤S12；
步骤S12：车辆1继续前行一个预设的轮毂半径的距离a，当前端检测机构2的电磁波测距仪4朝下检测到车辆1前端底部距离至地面距离L1是否仍大于δL，否，车辆1原速前行，是，车辆1停止前行，进入步骤S13；
步骤S13：当前端检测机构2的两个电磁波测距仪4分别朝下检测到车辆1前端底部距离至地面距离L1并将数据传输给处理器，处理器通过伺服控制器控制驱动电机6转动，转动平台7沿着弧形滑道8向其中检测车辆1前端底部距离至地面距离L1数值最大的电磁波测距仪4所在一侧移动，该电磁波测距仪4朝下检测到车辆1前端底部距离至地面距离L2是否大于δL，是，驱动电机6继续旋转，否，驱动电机6停止旋转。
如图10所示，为后退模式的逻辑判断框图；具体步骤如下：
步骤S31：预设车辆1底盘距离地面的距离L，车辆1后退，当后端检测机构3的电磁波测距仪4朝下检测到车辆1后端底部距离至地面距离L3是否大于δL，否，车辆1原速前行，是，进入步骤S32；
步骤S32：车辆1继续后退一个预设的轮毂半径的距离a，当后端检测机构3的电磁波测距仪4朝下检测到车辆1后端底部距离至地面距离L3是否仍大于δL，否，车辆1原速前行，是，车辆1停止前行，进入步骤S33；
步骤S33：当后端检测机构3的两个电磁波测距仪4分别朝下检测到车辆1后端底部距离至地面距离L3并将数据传输给处理器，处理器通过伺服控制器控制驱动电机6转动，转动平台7沿着弧形滑道8向其中检测车辆1后端底部距离至地面距离L3数值最大的电磁波测距仪4所在一侧移动，该电磁波测距仪4朝下检测到车辆1后端底部距离至地面距离L4是否大于δL，是，驱动电机6继续旋转，否，驱动电机6停止旋转。
所述预定规则包括有以下步骤：
前进模式：
步骤S21：转动平台7在弧形滑道8上移动相对车辆1的横向距离H是否大于车身长度0.5γ，是，则车辆1停止前进，否，则进入步骤S22；
其中，γ为车辆1的车身宽度；
步骤S22：根据转动平台7在弧形滑道8滑动的角位移θ，调整车辆1的前轮转动向，避让泥坑并继续前行。
同理，后退模式：
步骤S21：转动平台7在弧形滑道8上移动相对车辆1的横向距离H是否大于车身长度0.5γ，是，则车辆1停止前进，否，则进入步骤S22；
其中，γ为车辆1的车身宽度；
步骤S22：根据转动平台7在弧形滑道8滑动的角位移θ，调整车辆1的后轮转动向，避让泥坑并继续后退。
所述转动平台7在弧形滑道8上移动相对车辆1的横向距离H的计算公式为：
其中：r为弧形滑道8的半径，V为驱动电机6的转速，t为驱动电机6旋转时间。
所述δ的取值在0.35～0.6之间，能够保证车辆1能够安全行驶过泥坑，而不被搁置。
后退模式的检测方法与前进模式同理。
误差储存器，存储与由所述处理器确定并修正的误差有关的信息及控制决策。
最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于深度学习的车辆自主检测与控制系统，其特征在于，所述系统包括：前端检测机构(2)、后端检测机构(3)、储存组件和处理器，其中，所述前端检测机构(2)和后端检测机构(3)分别安装在车体(1)的前端和后端，处理器与储存组件设置在车体(1)内部；
所述前端检测机构(2)，用于对汽车前端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；
所述后端检测机构(3)，用于对汽车后端正下方的路面进行检测，并将测量数据发送至处理器；还用于接收处理器的控制进行动作；
所述储存组件，用于存储预先训练好的检测模型，用于存储测量规则和预定规则，还用于存储由所述处理器确定并修正的误差数据和选定的控制策略；所述储存组件包括深度学习储存器和规则储存器；
所述处理器，用于接收前端检测机构(2)和后端检测机构(3)的测量数据，用于根据测量数据，调取储存组件中的检测模型进行检测，并调取储存组件中的测量规则和预定规则控制前端检测机构(2)和后端检测机构(3)工作，将修正的误差数据和选定的控制策略输入储存组件保存；
所述处理器的具体实现过程为：
接收前端检测机构(2)和后端检测机构(3)的测量数据；
根据测量数据，调取深度学习储存器的检测模型进行检测，接收检测模型的输出结果；
当输出结果为前进模式时，从规则储存器调用测量规则控制前端检测机构(2)；
如果车辆前方存在坑洼路段，计算得到坑洼路段的横向宽度和纵向宽度；
从规则储存器调用预定规则控制车体(1)调整前行方向避让坑洼路段；
当输出结果为后退模式时，接收后端检测机构(3)的测量数据；
如果车辆后方存在坑洼路段，从规则储存器调用测量规则计算得到坑洼路段的横向宽度和纵向宽度；
从规则储存器调用预定规则控制车体(1)调整后退方向避让坑洼路段；
所述前端检测机构(2)和后端检测机构(3)为结构相同的检测机构，所述检测机构包括：旋转机构和若干个电磁波测距仪(4)；其中，
所述旋转机构包括水平安装在车身上的弧形齿条(5)、驱动电机(6)和转动平台(7)，所述驱动电机(6)的输出端设置齿轮(13)，与弧形齿条(5)啮合；所述弧形齿条(5)的顶部和底部均设置弧形滑道(8)，所述转动平台(7)通过若干个辊轮(12)与弧形滑道(8)滑动配合；所述转动平台(7)包括U形面板(10)和翻转面板(11)，翻转面板(11)通过水平转轴与U形面板(10)的顶部边缘转动配合，所述U形面板(10)位于翻转面板(11)的正下方铰接推动气缸(9)，所述电磁波测距仪(4)均安装在U形面板(10)上。
2.根据权利要求1所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述驱动电机(6)为伺服电机，由伺服控制器控制。
3.根据权利要求1所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述弧形齿条(5)的两端均安装限位块，每个限位块上均设置限位开关。
4.根据权利要求1所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述储存组件还包括误差储存器；其中，
所述深度学习储存器，用于存储预先训练好的检测模型；
所述规则储存器，用于存储预定规则和测量规则；
所述误差储存器，用于存储由所述处理器确定并修正的误差数据和选定的控制策略。
5.根据权利要求1所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述检测模型的输入为前端检测机构(2)和后端检测机构(3)的测量数据，输出为前进模式或后退模式，所述检测模型包括一个输入层、三个卷积层、三个全连接层和SoftMax层；其中，
所述三个卷积层均采用3×3的卷积核，输出分别为64×64×128、32×32×256和32×32×512；
所述三个全连接层的输出分别为2048×1、1024×1和10×1；
所述SoftMax层的输出为2×1。
6.根据权利要求5所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述检测模型的训练过程为：
通过仿真方法得到电磁波测距仪在经过坑洼路段的仿真数据；
将仿真数据进行随机组合生成包含有足够样本的实验数据集，通过预处理使得实验数据集中的数据矩阵大小为400×100，矩阵中的一个值表示从检测机构到实际路面的距离；
对预处理后的实验数据集进行归零处理，归零后的值m为：
m＝y-L
其中，y为原始数据矩阵中某个点的大小，L为检测机构到平整路面的距离；
对归零后的数据矩阵进行归一化处理，归一化后的数值p为：
其中，x为原始数据矩阵中某个点的大小，max为矩阵中最大的数值，min为矩阵中最小的数值；
将归一化后的数值作为训练数据，输入到检测模型；
采用Hinge损失函数，经验参数α＝0.3，直至得到训练好的检测模型。
7.根据权利要求6所述的基于深度学习的车辆自主检测与控制系统，其特征在于，所述从规则储存器调用预定规则控制车体(1)调整后退方向避让坑洼路段；具体包括：
步骤1001)转动平台在弧形滑道上移动，得到相对车辆的横向距离H：
其中，r为弧形滑道的半径，V为驱动电机的转速，t为驱动电机旋转时间；
判断H是否大于0.5γ，其中，γ为车辆的车身宽度；如果为是，则车辆停止后退，如果为否，则进入步骤1002)；
步骤1002)根据转动平台在弧形滑道滑动的角位移θ，调整车辆的前轮转动向，避让泥坑并继续后退。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466480.2A CN112697457B (zh) | 2020-12-14 | 2020-12-14 | 一种基于深度学习的车辆自主检测与控制系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011466480.2A CN112697457B (zh) | 2020-12-14 | 2020-12-14 | 一种基于深度学习的车辆自主检测与控制系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112697457A CN112697457A (zh) | 2021-04-23 |
| CN112697457B true CN112697457B (zh) | 2022-11-01 |
Family
ID=75507843
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011466480.2A Active CN112697457B (zh) | 2020-12-14 | 2020-12-14 | 一种基于深度学习的车辆自主检测与控制系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112697457B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115438430B (zh) * | 2022-11-08 | 2023-01-24 | 上海伯镭智能科技有限公司 | 一种矿区车辆行驶稳定性预测方法和装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107323454A (zh) * | 2017-08-03 | 2017-11-07 | 鄂尔多斯市普渡科技有限公司 | 一种基于路面平整度的无人驾驶车速调整装置及调整方法 |
| CN107703931A (zh) * | 2016-08-09 | 2018-02-16 | 北京百度网讯科技有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN108909453A (zh) * | 2018-07-27 | 2018-11-30 | 合肥市智信汽车科技有限公司 | 一种基于路面反馈信息的辅助驾驶系统 |
| CN109373974A (zh) * | 2018-02-07 | 2019-02-22 | 徐州艾特卡电子科技有限公司 | 一种具备主动探测功能的自动驾驶汽车环境感知系统 |
| CN110347164A (zh) * | 2019-08-08 | 2019-10-18 | 北京云迹科技有限公司 | 一种速度调节方法、装置及存储介质 |
| CN110516380A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
| CN111295699A (zh) * | 2017-08-31 | 2020-06-16 | 松下知识产权经营株式会社 | 辅助方法以及利用该辅助方法的辅助系统、辅助装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105891816B (zh) * | 2015-11-09 | 2018-06-22 | 乐卡汽车智能科技（北京）有限公司 | 路面探测系统及车辆 |
-
2020
- 2020-12-14 CN CN202011466480.2A patent/CN112697457B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107703931A (zh) * | 2016-08-09 | 2018-02-16 | 北京百度网讯科技有限公司 | 用于控制无人驾驶车辆的方法和装置 |
| CN107323454A (zh) * | 2017-08-03 | 2017-11-07 | 鄂尔多斯市普渡科技有限公司 | 一种基于路面平整度的无人驾驶车速调整装置及调整方法 |
| CN111295699A (zh) * | 2017-08-31 | 2020-06-16 | 松下知识产权经营株式会社 | 辅助方法以及利用该辅助方法的辅助系统、辅助装置 |
| CN109373974A (zh) * | 2018-02-07 | 2019-02-22 | 徐州艾特卡电子科技有限公司 | 一种具备主动探测功能的自动驾驶汽车环境感知系统 |
| CN108909453A (zh) * | 2018-07-27 | 2018-11-30 | 合肥市智信汽车科技有限公司 | 一种基于路面反馈信息的辅助驾驶系统 |
| CN110347164A (zh) * | 2019-08-08 | 2019-10-18 | 北京云迹科技有限公司 | 一种速度调节方法、装置及存储介质 |
| CN110516380A (zh) * | 2019-08-30 | 2019-11-29 | 的卢技术有限公司 | 一种基于车辆行驶仿真数据的深度强化测试方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112697457A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102774419B (zh) | 在车道自动对中过程中用于增强的转向优先控制检测的系统和方法 | |
| CN108032859B (zh) | 自动变道控制方法、装置和汽车 | |
| US20110087405A1 (en) | Autonomous Parking Strategy of the Vehicle with Rear Steer | |
| CN102295004B (zh) | 一种车道偏离预警方法 | |
| US9522701B2 (en) | Steering risk decision system and method for driving narrow roads | |
| CN107901909B (zh) | 一种车道自动更换的控制方法、装置及控制器 | |
| CN110395250A (zh) | 用于车辆弯道速度限制的方法和系统 | |
| CN109017777A (zh) | 驾驶辅助装置 | |
| CN110435639B (zh) | 一种自动泊车系统的多项式路径规划方法及储存介质 | |
| CN104442811B (zh) | 泊车控制方法及设备 | |
| CN113173232B (zh) | 一种基于人机共融的船舶智能辅助驾控系统及方法 | |
| CN112697457B (zh) | 一种基于深度学习的车辆自主检测与控制系统 | |
| CN107878457A (zh) | 一种自适应巡航扭矩控制方法、装置及电动汽车 | |
| CN109334667B (zh) | 一种智能车变道控制方法及装置 | |
| WO2009131922A1 (en) | Autonomous parking strategy based on available parking space | |
| US20200070879A1 (en) | Electric power steering apparatus and control method thereof | |
| CN105774655B (zh) | 一种倾斜车位探测装置及方法 | |
| US11829131B2 (en) | Vehicle neural network enhancement | |
| CN105501221A (zh) | 一种基于车车通信的自适应巡航系统和控制方法 | |
| US11192547B2 (en) | Adaptive speed control system | |
| CN107702928A (zh) | 一种车辆转向轮转角测量装置及方法 | |
| CN103192830B (zh) | 一种自适应视觉车道偏离预警装置 | |
| GB2550035A (en) | Curb detection for vehicle parking | |
| CN114995267A (zh) | 一种调节挂车位姿的方法、装置、电子设备及存储介质 | |
| CN113022586A (zh) | 一种车辆行为预测方法、装置及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |