CN116101275A - 一种基于自动驾驶的避障方法及系统 - Google Patents

Abstract

本发明公开了一种基于自动驾驶的避障方法及系统，具体涉及自动驾驶技术领域，包括数据采集模块、信息融合模块、高精定位模块、图像轮廓匹配模块、避障路径规划模块，安全距离模块以及停车制动模块，所述数据采集模块通过安装在车辆上的各类传感器的数据信息进行数据采集，所述信息融合模块通过接收所述数据采集模块的数据信息实现对道路信号的融合。通过图像特征的样本匹配方法将二值化的图像轮廓作为特征，进行障碍物体的比对，克服了现有技术中自动驾驶在复杂路段中无法识别障碍物的问题，通过停车制动模块克服了现有技术中无法面对紧急突发状况的问题。

Description

一种基于自动驾驶的避障方法及系统

技术领域

本发明涉及自动驾驶技术领域，更具体地说，本发明涉及一种基于自动驾驶的避障方法及系统。

背景技术

随着人工智能技术的快速兴起，汽车领域中的自动驾驶技术越来越受到行业的关注，进入了高速发展的时代，自动驾驶技术的发展离不开各种先进科学技术的支撑，传感和网联技术的发展能够更好的为汽车控制系统提供丰富、快速以及准确的环境信息，大数据分析技术以及人工智能系列先进技术的飞速发展为汽车控制提供了更加智能高效的手段，汽车因为集成了这些先进技术，各项性能都得到了很大的提升。

目前阶段的汽车自动化驾驶基本能够实现特定路况下的自动驾驶，车辆搭载了适应巡道、车道线保持辅助以及自动泊车等功能，这些功能能够应用在比较简单的驾驶环境中，实现生活中的交通环境比较复杂多变，充满了随机性，行驶过程中遇到一些紧急的突发情况，目前的自动驾驶水平仍然难以处理，无法可靠的进行应对，当前的技术成熟度还不能够支撑复杂交通情况下的汽车自动驾驶的需求，当前自动驾驶技术的安全性方便仍然存在不足。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于自动驾驶的避障方法及系统，通过避障路径规划模块，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：一种基于自动驾驶的避障系统，具体包括以下步骤：

S1、通过各类传感器采集主要道路参数、车辆车流状态、天气环境、实现车辆的快速定位以及障碍物的全方位检测；

S2、对采集的数据将进行融合分析以及各传感器检测目标的全局匹配；

S3、通过云端实时互联以及多传感器信息融合，构建路网的三维表征多维度的信息；

S4、建立一个图像知识库，与汽车配置所配置的摄像头采集到的图像数据进行相似度对比，确定障碍物；

S5、通过以目标障碍物为圆心，规划车辆的避障路径；

S6、计算车辆与障碍物之间的最小安全距离；

S7、通过公式计算车辆的总制动距离以及停车制动的安全制动距离。

在一个优选地实施方式中，所述一种基于自动驾驶的避障方法，包括数据采集模块、信息融合模块、高精定位模块、图像轮廓匹配模块、避障路径规划模块，安全距离模块以及停车制动模块，所述数据采集模块通过安装在车辆上的各类传感器的数据信息进行数据采集，所述信息融合模块通过接收所述数据采集模块的数据信息实现对道路信号的准确认知以及融合，所述高精定位模块采用所述信息融合模块的多传感器融合方案，通过车载摄像头进行精准定位，所述图像轮廓匹配模块建立图像知识库，将图像知识库中的障碍物图像数据与实时采集的图像信息进行匹配认证，所述避障路径规划模块以目标障碍物为圆心，规划车辆的避障路径，所述安全距离模块通过公式计算车辆与障碍物之间的最小安全距离，所述停车制动模块计算车辆的总制动距离以及停车制动的安全制动距离。

在一个优选地实施方式中，所述数据采集模块通过采集安装在车辆的各类传感器的数据信息主要包括道路参数、车辆及车流状态以及天气环境的道路环境信息，使用红外摄像头采集交通灯信息以及车辆的信息，控制摄像头的转向，探知弯道时的前方路况，通过摄像头进行车牌的检测，以车牌为基准采集的照片进行车辆照片裁剪，对裁剪后的照片进行压缩处理，通过在车辆保险杠安装车载激光雷达，结合车载摄像头快速定位，实现对行驶障碍物的远距离全方位检测，对采集的数据进行筛查与提取，获得最为详尽的路面信息。

在一个优选地实施方式中，所述信息融合模块对采集的数据进行融合分析实现对道路信号的准确认知和融合，对所述数据采集模块各类传感器的检测目标进行全局匹配，融合摄像头目标数据以及激光雷达目标数据进行目标的匹配处理，更新未匹配的跟踪目标，对各个传感器的观测值进行更新，删除丢失的跟踪目标，将未匹配目标和已跟踪目标进行匹配，识别增加新的跟踪目标，对新目标进行初始化，重复信息数据融合处理的流程，结合目标识别技术，实现不同传感器坐标系到车辆坐标系的位姿变换。

在一个优选地实施方式中，所述高精定位模块包含行车辅助信息，对路网精确地三维表征、路面的几何结构以及道路标线的位置，借助半社会化车辆及时反馈道路的变化，通过云端实现数据的计算与更新，智能汽车在路网的行驶过程中发现路网的变动，能够通过云端互联实时通信把实时更新的路网信息同步到其他车辆，与公路管理部门实现信息共享，发现公路基础设施变动，自动通知自动驾驶公司，实时更新地图，采用所述信息融合模块的多传感器融合方案，实时采集各类环境信息，检测出周围车辆和距离、行人、交通标识符，车道线以及障碍物的信息，将信息进行深度融合，实时构建出包含安全行驶区域、周围障碍物信息以及道路行驶条件的多维度信息。

在一个优选地实施方式中，所述图像轮廓匹配模块建立一个图像知识库，作为障碍物图像的比对样本，将所述数据采集模块采集的图像信息的轮廓特征作为匹配特征，模板匹配时采用二值化图像中的相似匹配函数，将图像的轮廓特征提取出来作为模板，与图像知识库中的图像进行全局式匹配，匹配成功后通过相似度对匹配结果进行认证，图像轮廓特征提取的二值图像相似度匹配函数为：

；

其中，P表示图像知识库中的样本数据，F表示采集的图像数据，n，x分别代表图像的像素点，i，j分别代表参考点，其中1，，NX分别表示图像像素点所取的最大范围值，表示样本与采集的图像数据之间的相关函数，表示匹配的相似度，这个公式计算了两个图像中具有相似性点的个数，在二值图中每一个参考点取值为0,1图像的对应像素点差值的绝对值就是两个图像的异或值，其计算公式如下：

；

其中，采集图像与样本图像的相似性为0时，两个图像的相似度为1，将两个像素完全相同的采集图像与样本图像相匹配，完成图像相似度量计算。

在一个优选地实施方式中，所述避障路径规划模块接收所述图像轮廓匹配模块的数据对比信息，确定障碍物位置，以障碍物为圆心规划一个半圆，将半圆平均划分为十个等份，车辆从初始位置到达目标位置，需要一次经过若干个位置点，根据余弦定理，前进距离计算公式如下：

；

其中，D表示车辆的前进距离，s表示若干位置点，代表转向的度数。

在一个优选地实施方式中，所述安全距离模块为了满足安全性的需求，建立本车辆与障碍物之间的安全距离，计算公式如下：

；

其中，为车辆与障碍物之间的距离，、分别为当前时刻车辆在坐标系下横向和侧向的位置坐标，、分别为当前时刻障碍物在大地坐标系下纵向和侧向的位置坐标，D为车辆与障碍物之间的最小安全距离。

在一个优选地实施方式中，所述停车制动模块包括制动准备阶段、启动阶段以及完全制动阶段，制动过程的三个阶段伴随着制动距离的增长，总制动距离的计算公式如下：

；

其中，是反应延迟时间，是执行延迟时间，停车避障时，主车制动停止后需要与前方障碍保留缓冲距离，停车制动的安全制动距离能够表示为：

；

其中，表示缓冲距离，表示停车制动的安全制动距离。

本发明的技术效果和优点：

1、本发明通过图像特征的样本匹配方法将二值化的图像轮廓作为特征，进行障碍物体的比对，克服了现有技术中自动驾驶在复杂路段中无法识别障碍物的问题，通过停车制动模块克服了现有技术中无法面对紧急突发状况的问题，能够自动检测障碍物并且进行智能避障，还可以根据障碍物进行自动规划行车路线，实用性更强。

2、本发明通过信息融合模块对采集的数据进行融合分析实现对道路信号的准确认知和融合，对数据采集模块各类传感器的检测目标进行全局匹配，融合摄像头目标数据以及激光雷达目标数据进行目标的匹配处理，更新未匹配的跟踪目标，对各个传感器的观测值进行更新，删除丢失的跟踪目标，将未匹配目标和已跟踪目标进行匹配，识别增加新的跟踪目标，对新目标进行初始化，重复信息数据融合处理的流程，结合目标识别技术，实现不同传感器坐标系到车辆坐标系的位姿变换。

附图说明

图1为本发明的系统流程图。

图2为本发明的系统结构框图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例:如图1本实施例提供一种基于自动驾驶的避障系统，具体包括以下步骤：

S1、通过各类传感器采集主要道路参数、车辆车流状态、天气环境、实现车辆的快速定位以及障碍物的全方位检测；

S2、对采集的数据将进行融合分析以及各传感器检测目标的全局匹配；

S3、通过云端实时互联以及多传感器信息融合，构建路网的三维表征多维度的信息；

S4、建立一个图像知识库，与汽车配置所配置的摄像头采集到的图像数据进行相似度对比，确定障碍物；

S5、通过以目标障碍物为圆心，规划车辆的避障路径；

S6、计算车辆与障碍物之间的最小安全距离；

S7、通过公式计算车辆的总制动距离以及停车制动的安全制动距离。

本实施例提供了如图2所示一种基于自动驾驶的避障方法，包括数据采集模块、信息融合模块、高精定位模块、图像轮廓匹配模块、避障路径规划模块，安全距离模块以及停车制动模块，所述数据采集模块通过安装在车辆上的各类传感器的数据信息进行数据采集，所述信息融合模块通过接收所述数据采集模块的数据信息实现对道路信号的准确认知以及融合，所述高精定位模块采用所述信息融合模块的多传感器融合方案，通过车载摄像头进行精准定位，所述图像轮廓匹配模块建立图像知识库，将图像知识库中的障碍物图像数据与实时采集的图像信息进行匹配认证，所述避障路径规划模块以目标障碍物为圆心，规划车辆的避障路径，所述安全距离模块通过公式计算车辆与障碍物之间的最小安全距离，所述停车制动模块计算车辆的总制动距离以及停车制动的安全制动距离。

101、通过各类传感器采集主要道路参数、车辆车流状态、天气环境、实现车辆的快速定位以及障碍物的全方位检测；

本实施例中，具体需要说明的是数据采集模块，所述数据采集模块通过采集安装在车辆的各类传感器的数据信息主要包括道路参数、车辆及车流状态以及天气环境的道路环境信息，使用红外摄像头采集交通灯信息以及车辆的信息，控制摄像头的转向，探知弯道时的前方路况，通过摄像头进行车牌的检测，以车牌为基准采集的照片进行车辆照片裁剪，对裁剪后的照片进行压缩处理，通过在车辆保险杠安装车载激光雷达，结合车载摄像头快速定位，实现对行驶障碍物的远距离全方位检测，对采集的数据进行筛查与提取，获得最为详尽的路面信息。

102、对采集的数据将进行融合分析以及各传感器检测目标的全局匹配；

本实施例中，具体需要说明的是信息融合模块，所述信息融合模块对采集的数据进行融合分析实现对道路信号的准确认知和融合，对所述数据采集模块各类传感器的检测目标进行全局匹配，融合摄像头目标数据以及激光雷达目标数据进行目标的匹配处理，更新未匹配的跟踪目标，对各个传感器的观测值进行更新，删除丢失的跟踪目标，将未匹配目标和已跟踪目标进行匹配，识别增加新的跟踪目标，对新目标进行初始化，重复信息数据融合处理的流程，结合目标识别技术，实现不同传感器坐标系到车辆坐标系的位姿变换。

103、通过云端实时互联以及多传感器信息融合，构建路网的三维表征多维度的信息；

本实施例中，具体需要说明的是高精定位模块，所述高精定位模块包含行车辅助信息，对路网精确地三维表征、路面的几何结构以及道路标线的位置，借助半社会化车辆及时反馈道路的变化，通过云端实现数据的计算与更新，智能汽车在路网的行驶过程中发现路网的变动，能够通过云端互联实时通信把实时更新的路网信息同步到其他车辆，与公路管理部门实现信息共享，发现公路基础设施变动，自动通知自动驾驶公司，实时更新地图，采用所述信息融合模块的多传感器融合方案，实时采集各类环境信息，检测出周围车辆和距离、行人、交通标识符，车道线以及障碍物的信息，将信息进行深度融合，实时构建出包含安全行驶区域、周围障碍物信息以及道路行驶条件的多维度信息。

104、建立一个图像知识库，与汽车配置所配置的摄像头采集到的图像数据进行相似度对比，确定障碍物；

本实施例中，具体需要说明的是图像轮廓匹配模块，所述图像轮廓匹配模块建立一个图像知识库，作为障碍物图像的比对样本，将所述数据采集模块采集的图像信息的轮廓特征作为匹配特征，模板匹配时采用二值化图像中的相似匹配函数，将图像的轮廓特征提取出来作为模板，与图像知识库中的图像进行全局式匹配，匹配成功后通过相似度对匹配结果进行认证，图像轮廓特征提取的二值图像相似度匹配函数为：

；

其中，P表示图像知识库中的样本数据，F表示采集的图像数据，n，x分别代表图像的像素点，i，j分别代表参考点，其中1，，NX分别表示图像像素点所取的最大范围值，表示样本与采集的图像数据之间的相关函数，表示匹配的相似度，这个公式计算了两个图像中具有相似性点的个数，在二值图中每一个参考点取值为0,1图像的对应像素点差值的绝对值就是两个图像的异或值，其计算公式如下：

；

其中，采集图像与样本图像的相似性为0时，两个图像的相似度为1，将两个像素完全相同的采集图像与样本图像相匹配，完成图像相似度量计算。

105、通过以目标障碍物为圆心，规划车辆的避障路径；

本实施例中，具体需要说明的是避障路径规划模块，所述避障路径规划模块接收所述图像轮廓匹配模块的数据对比信息，确定障碍物位置，以障碍物为圆心规划一个半圆，将半圆平均划分为十个等份，车辆从初始位置到达目标位置，需要一次经过若干个位置点，根据余弦定理，前进距离计算公式如下：

；

其中，D表示车辆的前进距离，s表示若干位置点，代表转向的度数。

106、计算车辆与障碍物之间的最小安全距离；

本实施例中，具体需要说明的是安全距离模块，所述安全距离模块为了满足安全性的需求，建立本车辆与障碍物之间的安全距离，计算公式如下：

；

其中，为车辆与障碍物之间的距离，、分别为当前时刻车辆在坐标系下横向和侧向的位置坐标，、分别为当前时刻障碍物在大地坐标系下纵向和侧向的位置坐标，D为车辆与障碍物之间的最小安全距离。

107、通过公式计算车辆的总制动距离以及停车制动的安全制动距离；

本实施例中，具体需要说明的是停车制动模块，所述停车制动模块包括制动准备阶段、启动阶段以及完全制动阶段，制动过程的三个阶段伴随着制动距离的增长，总制动距离的计算公式如下：

；

其中，是反应延迟时间，是执行延迟时间，停车避障时，主车制动停止后需要与前方障碍保留缓冲距离，停车制动的安全制动距离能够表示为：

；

其中，表示缓冲距离，表示停车制动的安全制动距离。

上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。

最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，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 (10)

1.一种基于自动驾驶的避障方法，其特征在于：具体包括以下步骤：

S1、通过各类传感器采集主要道路参数、车辆车流状态、天气环境、实现车辆的快速定位以及障碍物的全方位检测；

S2、对采集的数据将进行融合分析以及各传感器检测目标的全局匹配；

S3、通过云端实时互联以及多传感器信息融合，构建路网的三维表征多维度的信息；

S4、建立一个图像知识库，与汽车配置所配置的摄像头采集到的图像数据进行相似度对比，确定障碍物；

S5、通过以目标障碍物为圆心，规划车辆的避障路径；

S6、通过计算车辆与障碍物之间的最小安全距离；

S7、通过公式计算车辆的总制动距离以及停车制动的安全制动距离。

2.一种基于自动驾驶的避障系统，其特征在于：包括数据采集模块、信息融合模块、高精定位模块、图像轮廓匹配模块、避障路径规划模块，安全距离模块以及停车制动模块，所述数据采集模块通过安装在车辆上的各类传感器的数据信息进行数据采集，所述信息融合模块通过接收所述数据采集模块的数据信息实现对道路信号的准确认知以及融合，所述高精定位模块采用所述信息融合模块的多传感器融合方案，通过车载摄像头进行精准定位，所述图像轮廓匹配模块建立图像知识库，将图像知识库中的障碍物图像数据与实时采集的图像信息进行匹配认证，所述避障路径规划模块以目标障碍物为圆心，规划车辆的避障路径，所述安全距离模块通过公式计算车辆与障碍物之间的最小安全距离，所述停车制动模块计算车辆的总制动距离以及停车制动的安全制动距离。

3.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述数据采集模块通过采集安装在车辆的各类传感器的数据信息主要包括道路参数、车辆及车流状态以及天气环境的道路环境信息，使用红外摄像头采集交通灯信息以及车辆的信息，控制摄像头的转向，探知弯道时的前方路况，通过摄像头进行车牌的检测，以车牌为基准采集的照片进行车辆照片裁剪，对裁剪后的照片进行压缩处理，通过在车辆保险杠安装车载激光雷达，结合车载摄像头快速定位，实现对行驶障碍物的远距离全方位检测，对采集的数据进行筛查与提取。

4.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述信息融合模块对采集的数据进行融合分析实现对道路信号的准确认知和融合，对所述数据采集模块各类传感器的检测目标进行全局匹配，融合摄像头目标数据以及激光雷达目标数据进行目标的匹配处理，更新未匹配的跟踪目标，对各个传感器的观测值进行更新，删除丢失的跟踪目标，将未匹配目标和已跟踪目标进行匹配，识别增加新的跟踪目标，对新目标进行初始化，重复信息数据融合处理的流程。

5.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述高精定位模块包含行车辅助信息，对路网精确地三维表征、路面的几何结构以及道路标线的位置，借助半社会化车辆及时反馈道路的变化，通过云端实现数据的计算与更新，智能汽车在路网的行驶过程中发现路网的变动，能够通过云端互联实时通信把实时更新的路网信息同步到其他车辆，与公路管理部门实现信息共享，发现公路基础设施变动，自动通知自动驾驶公司，实时更新地图，采用所述信息融合模块的多传感器融合方案，实时采集各类环境信息，检测出周围车辆和距离、行人、交通标识符，车道线以及障碍物的信息，将信息进行深度融合，实时构建出包含安全行驶区域、周围障碍物信息以及道路行驶条件的多维度信息。

6.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述图像轮廓匹配模块建立一个图像知识库，作为障碍物图像的比对样本，将所述数据采集模块采集的图像信息的轮廓特征作为匹配特征，将比对样本与采集的图像信息进行二值化处理，模板匹配时采用二值化图像中的相似匹配函数，将图像的轮廓特征提取出来作为模板，与图像知识库中的图像进行全局式匹配，匹配成功后通过相似度对匹配结果进行认证，图像轮廓特征提取的二值图像相似度匹配函数为：

；

其中，P表示图像知识库中的样本数据，F表示采集的图像数据，n，x分别代表图像的像素点，i，j分别代表参考点，其中1，，NX分别表示图像像素点所取的最大范围值，表示样本与采集的图像数据之间的相关函数，表示匹配的相似度。

7.根据权利要求6所述的一种基于自动驾驶的避障系统，其特征在于：二值图像中每一个参考点取值为0,1图像的对应像素点差值的绝对值就是两个图像的异或值，其计算公式如下：

；

其中，采集图像与样本图像的相似性为0时，两个图像的相似度为1，将两个像素完全相同的采集图像与样本图像相匹配，完成图像相似度量计算。

8.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述避障路径规划模块接收所述图像轮廓匹配模块的数据对比信息，确定障碍物位置，以障碍物为圆心规划一个半圆，将半圆平均划分为十个等份，车辆从初始位置到达目标位置，需要一次经过若干个位置点，根据余弦定理，前进距离计算公式如下：

；

其中，D表示车辆的前进距离，s表示若干位置点， 代表转向的度数。

9.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述安全距离模块为了满足安全性的需求，建立本车辆与障碍物之间的安全距离，计算公式如下：

；

其中， 为车辆与障碍物之间的距离， 、 分别为当前时刻车辆在坐标系下横向和侧向的位置坐标， 、分别为当前时刻障碍物在大地坐标系下纵向和侧向的位置坐标，D为车辆与障碍物之间的最小安全距离。

10.根据权利要求2所述的一种基于自动驾驶的避障系统，其特征在于：所述停车制动模块包括制动准备阶段、启动阶段以及完全制动阶段，制动过程的三个阶段伴随着制动距离的增长，总制动距离的计算公式如下：

；

其中， 是反应延迟时间，是执行延迟时间，停车避障时，主车制动停止后需要与前方障碍保留缓冲距离，停车制动的安全制动距离能够表示为：

；

其中， 表示缓冲距离， 表示停车制动的安全制动距离。

Images