CN116643266A - 一种基于车载雷达测量的驾驶场景识别方法及装置 - Google Patents
一种基于车载雷达测量的驾驶场景识别方法及装置 Download PDFInfo
- Publication number
- CN116643266A CN116643266A CN202310686894.3A CN202310686894A CN116643266A CN 116643266 A CN116643266 A CN 116643266A CN 202310686894 A CN202310686894 A CN 202310686894A CN 116643266 A CN116643266 A CN 116643266A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- scene
- current
- information
- driving
- 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.)
- Pending
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 1
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
Classifications
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
- G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明公开了一种基于车载雷达测量的驾驶场景识别方法及装置，其特征在于，包括：基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。通过车载雷达测量对驾驶场景的识别，提高了驾驶场景识别的准确率。
Description
技术领域
本发明涉及自动驾驶中的车载雷达数据处理技术，尤其涉及一种基于车载雷达测量的驾驶场景识别方法及装置。
背景技术
在当代的“智能革命”中，高级驾驶辅助系统作为车辆自动驾驶技术的基础，近年来在全球范围内得到了高速发展，车载雷达信息处理技术凭借其对复杂交通环境的优异探测感知性能成为了ADAS的核心技术。在车辆雷达信息处理前，都要对驾驶车辆所处的当前场景进行识别，车辆在不同复杂交通场景下时，如室内交通路口，社区人车混行道路，乡村公路或高速公路等，自驾驶车辆对周围小目标的检测识别算法的相关参数都会有较大差异。因此，驾驶场景的识别为提高高级辅助系统中算法的性能有着非常大的帮助，现有的场景识别算法都是基于GPS定位和高精地图来识别车辆所在的识别场景。但是这种方式会出现检测不准确的现象，让车辆处于错误场景的运行状态下，例如，室内高速公路旁有对应的辅路，由于GPS定位不准确，使得该方法错误的将车辆在辅路驾驶判断成在高速路上驾驶、大量行人以及电动自行车等多类型的目标，场景更加复杂，这样的错误判断可能造成严重后果，因此，提出一种基于车载雷达的驾驶场景的识别方法以及装置提高驾驶场景识别准确率显得尤为重要。
发明内容
本发明提供一种基于车载雷达测量的驾驶场景识别方法及装置，以解决现有技术中存在的上述问题。
一种基于车载雷达测量的驾驶场景识别方法，包括：
S100，基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
S200，判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；
S300，若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
S400，获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景
优选的，步骤S100，包括：
S101：收集行驶车辆当前时刻以及设定时刻范围内的车载激光雷达数据、毫米波雷达数据、GPS位置数据；
S102：针对当前时刻GPS位置数据，以及所述设定时刻范围内的精准位置数据集，通过测量车辆每一时刻的GPS位置，推测车辆的最优估计位置；
S103：使用滤波算法处理所述最优估计位置，最终得到车辆的精确位置。
优选的，步骤S103，包括：
S1031：使用最小二乘法计算当前车辆直线轨迹的集合为第一直线轨迹集，并计算所述车辆直线轨迹的变化趋势，即预测当前时刻车辆最优估计位置所在轨迹的斜率；
S1032：获取所述第一直线轨迹集中的轨迹斜率，并根据不同轨迹之间斜率的变化，计算不同轨迹之间的斜率差，统计斜率差的集合为第二直线轨迹集；
S1033：获取所述第二直线轨迹集，并基于第二直线轨迹集估计车辆当前的最优位置。
优选的，步骤S300，包括：
S301：获取所述车辆当前的最优位置的数据，并与车辆内预设的高精地图进行匹配；
S302：将数据与高精地图匹配的结果作为车辆在高精地图中行驶的位置信息，并基于位置信息，对待确定的场景进行判断；
S303：判断所述待确定的场景数量是否多于一个，若否，则判定当前的位置信息为确定的场景即驾驶场景，并结束位置信息的判断；
S304：若是，则继续对当前位置信息进行计算和处理。
优选的，步骤S304，包括：
S3041：对所述待确定的场景数量多于一个的位置信息，收集车辆当前行驶时刻以及前5个时刻的车载激光和毫米波雷达数据作为计算数据；
S3042：对所述计算数据进行降噪处理，对降噪后的计算数据使用聚类算法后提取每一个场景中的场景目标，所述场景中的场景目标为用于判断当前场景是否为确定的场景；
S3033：对所述场景目标进行计算，场景目标包括场景中的种类、数量、位置以及速度信息；构建场景目标的矩阵模型，并将矩阵模型与高精地图中场景信息库进行进行关联计算，判断当前场景是否为确定的场景。
优选的，步骤S400，包括：
S401：构建车辆的地物信息矩阵，并统计地物信息中每一种地物目标的行信息与列信息；所述列信息为地物目标的属性信息，包括地物目标的编号、类型、目标空间位置、速度大小体以及运动方向与驾驶车辆速度方向间的夹角；
S402：获取当前车辆场景中地物目标的数量，获取所述列信息并进行时刻计算积累，得到当前场景中已识别出的地物目标数量。
优选的，步骤S402，包括：
S4021：获取当前场景中所述地物目标的数量以及属性信息，并构建场景特征信息模型即矩阵模型，并提取矩阵模型中与地物目标对应的特征信息；
S4022：根据所述地物信息矩阵与地物目标的关联度计算两者之间的场景相似度；
S4023：获取所述场景相似度，并提取相似度最高的场景作为当前车辆所在的驾驶场景，即确定的场景。
优选的，一种基于车载雷达测量的驾驶场景识别方法，还包括:
S500：在车辆中安装无线电波发送装置、无线电波接收装置以及声光警报器，车辆在行驶过程中，通过所述车载雷达向车外发送无线电波；
S600：当车辆行驶至障碍物附近时，无线电波接触到被测障碍物并将接触信息生成回波信息发送至无线电波接收装置；
S700：设定回波强度阈值，获取车辆与障碍物的直线距离小于回波强度阈值为第一识别距离，所述直线距离大于等于回波强度阈值为第二识别距离；
S800：当车辆分别行驶至所述第一识别距离与第二识别距离的范围内时，所述声光警报发出不同的障碍物提示信号。
优选的，步骤S500，包括：
S501：在车辆行驶盲区即后左侧与后右侧分别安装监测摄像头，在驾驶员前安装面部采集摄像头；
S502：当所述无线电波监测到有物体靠近时，则触发监测摄像头与毫米波雷达对当前场景以及障碍物的具体位置进行识别；
S503：所述面部采集摄像头采集驾驶员的面部图像并判断驾驶员当前状态是否能做出对障碍物的相应躲避措施；
S504：面部采集摄像头连接一控制模块，若判定当前驾驶员状态不足以躲避障碍物时，则控制模块驱动声光警报器的声音为常规声音的一倍。
优选的，一种基于车载雷达测量的驾驶场景识别装置，包括；
场景采集器：基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
场景判断单元：判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
关联度计算模块：获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。
与现有技术相比，本发明具有以下优点：
本发明提供一种基于车载雷达测量的驾驶场景识别方法及装置，利用车载激光和毫米波雷达测量信息、GPS位置信息以及高精地图准确感知计算出车辆当前所处的场景，并获得车辆的驾驶场景，提高了车辆吉驾驶场景识别的准确性，对自动驾驶的发展研究具有重要意义。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例中一种基于车载雷达测量的驾驶场景识别方法步骤图；
图2为本发明实施例中车载雷达测量驾驶场景的流程图；
图3为本发明实施例中一种基于车载雷达测量的驾驶场景识别装置结构图图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
参照图1，本发明实施例提供了一种基于车载雷达测量的驾驶场景识别方法，包括：
S100，基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
S200，判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；
S300，若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
S400，获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。
上述技术方案的工作原理为：本实施例采用的方案是，该方法利用车载雷达测量以及高精地图准确感知出车辆所处的交通环境，基于GPS坐标位置和高精地图计算出当前车辆可能存在的场景；如果可能场景为一个确定的场景，获取当前车辆的驾驶场景，如果可能场景大于一个，则提取车载激光和毫米波雷达测量信息中包含目标的种类、数量以及位置信息，并基于可能驾驶场景模型计算测量信息与其之间的关联度，关联度最高的为当前车辆的驾驶场景。
上述技术方案的有益效果为：采用本实施例提供的方案，开展基于车载雷达测量的驾驶场景识别方法研究时对高级驾驶辅助系统以及方体系的重要补充，对车辆自动驾驶的发展研究就有重要的研究意义。
参照图2，在另一实施例中，步骤S100，包括：
S101：收集行驶车辆当前时刻以及设定时刻范围内的车载激光雷达数据、毫米波雷达数据、GPS位置数据；
S102：针对当前时刻GPS位置数据，以及所述设定时刻范围内的精准位置数据集，通过测量车辆每一时刻的GPS位置，推测车辆的最优估计位置；
S103：使用滤波算法处理所述最优估计位置，最终得到车辆的精确位置。
上述技术方案的工作原理为：本实施例采用的方案是，收集当前时刻及前k个时刻的车载激光雷达数据、毫米波雷达数据、GPS位置数据，针对当前的GPS位置数据以及前5个时刻精准位置的数据集p＝[P0,P1,P2,P3,P4,P5]，其中P0为车辆当前时刻GPS测量的位置，P1为车辆前1时刻的最优估计位置，依次类推，P5为车辆前5个时刻的最优估计位置。然后使用滤波算法进行处理，得到车辆的精确位置。
上述技术方案的有益效果为：采用本实施例提供的方案，通过车载雷达可以帮助汽车感知道路环境，自行规划行驶路线，并控制车辆达到预定目标的作用，比如当激光遇到障碍物后的折返时间，计算目标与自己的相对距离，从而帮助车辆识别路口与方向。使用毫米波雷达能够辨识很小的目标，并且同时识别多个目标节省了因目标数量多而造成的时间拥挤，具有成像能力强、体积小、机动性的特点。
在另一实施例中，步骤103，包括：
S1031：使用最小二乘法计算当前车辆直线轨迹的集合为第一直线轨迹集，并计算所述车辆直线轨迹的变化趋势，即预测当前时刻车辆最优估计位置所在轨迹的斜率；
S1032：获取所述第一直线轨迹集中的轨迹斜率，并根据不同轨迹之间斜率的变化，计算不同轨迹之间的斜率差，统计斜率差的集合为第二直线轨迹集；
S1033：获取所述第二直线轨迹集，并基于第二直线轨迹集估计车辆当前的最优位置。
上述技术方案的工作原理为：本实施例采用的方案是，所述滤波算法包括：首先使用最小二乘法计算出当前车辆直线轨迹的集合为第一直线轨迹集，公式如下：
其中，l3为所述第一直线轨迹集中[P3,P4,P5]通过最小二乘法得到的直线，a3为直线l3斜率，b3为直线l3表达式的常数部分，以此类推，l2、l1、l0的定义与l3相同，a2、a1、a0的定义与a3相同，b2、b1、b0的定义与b3相同。
获得第一直线轨迹集后，计算斜率变化趋势，即预测车辆当前时刻车辆最优估计位置所在轨迹的斜率，公式如下：
其中，σ2为轨迹l3到轨迹l2斜率变化大小，σ1为轨迹l2到轨迹l1斜率变化大小，σ0为轨迹l1到轨迹l0斜率变化大小。
依据斜率差集合[σ2，σ1，σ0]，求其对应的期望E0，然后得到最新的轨迹表达式为第二直线轨迹集：l‘ 0＝E0x′+β0，β0为表达式的常数部分，并基于该表达式计算出车辆当前位置的最优估计p′ 0。
在另一实施例中，步骤S300，包括：
S301：获取所述车辆当前的最优位置的数据，并与车辆内预设的高精地图进行匹配；
S302：将数据与高精地图匹配的结果作为车辆在高精地图中行驶的位置信息，并基于位置信息，对待确定的场景进行判断；
S303：判断所述待确定的场景数量是否多于一个，若否，则判定当前的位置信息为确定的场景即驾驶场景，并结束位置信息的判断；
S304：若是，则继续对当前位置信息进行计算和处理。
上述技术方案的工作原理为：本实施例采用的方案是，当车辆在某一处行驶时，计算出车辆的最优位置数据，即最优估计p′ 0与高精地图进行配准，得到当前车辆在高精地图中行驶的位置，基于车辆在高精地图中行驶的位置，判断车辆当前可能所在的场景。此时，计算在高精地图中在邻域范围内配准的场景数量是否大于一，若场景数量为1，则把当前的场景确定为车辆所在的场景，即驾驶场景，若场景数量大于1，则需要继续对场景进行计算。
在另一实施例中，步骤S304，包括：
S3041：对所述待确定的场景数量多于一个的位置信息，则收集车辆当前行驶时刻以及前5个时刻的车载激光和毫米波雷达数据作为计算数据；
S3042：对所述计算数据进行降噪处理，对降噪后的计算数据使用聚类算法后提取每一个场景中的场景目标，所述场景中的场景目标为用于判断当前场景是否为确定的场景；
S3033：对所述场景目标进行计算，场景目标包括场景中的种类、数量、位置以及速度信息；构建场景目标的矩阵模型，并将矩阵模型与高精地图中场景信息库进行进行关联计算，判断当前场景是否为确定的场景。
上述技术方案的工作原理为：本实施例采用的方案是，首先，针对当前及前5个时刻的车载激光数据以及毫米波雷达数据使用传统的降噪算法进行处理，并对降噪后的数据使用改进的DBSCAN聚类算法提取场景中包含的目标；对场景中包含的目标进一步分析计算出目标的种类、数量、位置一会速度信息，构建场景的矩阵模型F；且在高精地图中预设有场景信息库，用于与矩阵模型中的场景进行关联计算，例如，将场景中的树木、建筑当做目标，则计算出在车辆在行驶过程中所包含的所有目标，并对目标进行关联计算，判断出关联度最高的场景目标。
在另一实施例中，步骤S400，包括：
S401：构建车辆的地物信息矩阵，并统计地物信息中每一种地物目标的行信息与列信息；所述列信息为地物目标的属性信息，包括地物目标的编号、类型、目标空间位置、速度大小体以及运动方向与驾驶车辆速度方向间的夹角；
S402：获取当前车辆场景中地物目标的数量，获取所述列信息并进行时刻计算积累，得到当前场景中已识别出的地物目标数量。
上述技术方案的工作原理为：本实施例采用的方案是，首先构建自驾驶车辆本周期的驾驶场景包含的矩阵模型F，该矩阵F的每一行表示为每一个地物目标包含的各种信息，由此，F的表达式为：
其中，每一列分别表示地物目标不同的属性信息，第一列为地物目标编号Tj、第二列为地物目标类型ptype、第三列为地物目标的空间位置(xj，yj)、第四列为目标的高度hi、第五列为地物目标的速度大小vj、第六列为地物目标运动方向与自动驾驶车辆速度方向之间的夹角αj。构建的信息矩阵中包含的类型、位置、高度、速度以及夹角属性信息可在之前时刻计算中积累，从而可大大降低场景识别的计算量，从而提高场景计算的实时性能。nk为当前场景中已识别出来的地物目标数量，mk为场景中地物目标的种类数量。
在另一实施例中，步骤S402，包括：
S4021：获取当前场景中所述地物目标的数量以及属性信息，并构建场景特征信息模型即矩阵模型，并提取矩阵模型中与地物目标对应的特征信息；
S4022：根据所述地物信息矩阵与地物目标的关联度计算两者之间的场景相似度；
S4023：获取所述场景相似度，并提取相似度最高的场景作为当前车辆所在的驾驶场景，即确定的场景。
上述技术方案的工作原理为：本实施例采用的方案是，信息矩阵F中包含多种不同的地物目标种类和他们的属性信息，基于构建好的场景特征信息模型即矩阵模型，提取矩阵模型F中的对应特征，并根据矩阵模型F与场景j之间的关联度计算公式计算两者之间的相似度，计算公式如下：
其中，θj表示场景模型j中包括行的信息，Ti的表达式为mk、nk分别为上述中场景中地物目标的种类数量以及当前场景中已识别出来的地物目标数量，βj则为所计算的相似度。基于场景的相似度计算，得到相似度最高的为车辆当前所在场景，即确定车辆所在的行驶场景，最后结束本周期的场景判断。
上述技术方案的有益效果为：采用本实施例提供的方案，通过提取车载激光以及毫米波雷达的数据信息中的种类、数量等对关联度进行计算，使车辆可以更加精准的定位到当前行驶的环境，提高了自动驾驶的熟练度。
在另一实施例中，一种基于车载雷达测量的驾驶场景识别方法，还包括:
S500：在车辆中安装无线电波发送装置、无线电波接收装置以及声光警报器，车辆在行驶过程中，通过所述车载雷达向车外发送无线电波；
S600：当车辆行驶至障碍物附近时，无线电波接触到被测障碍物并将接触信息生成回波信息发送至无线电波接收装置；
S700：设定回波强度阈值，获取车辆与障碍物的直线距离小于回波强度阈值为第一识别距离，所述直线距离大于等于回波强度阈值为第二识别距离；
S800：当车辆分别行驶至所述第一识别距离与第二识别距离的范围内时，所述声光警报发出不同的障碍物提示信号。
上述技术方案的工作原理为：本实施例采用的方案是，车辆在行驶过程中，由无线电波发送装置向外发送无线电波，并驱动车载雷达通过无线电波对车辆附近的障碍物进行检测，同时将障碍物对车辆的距离进行划分；当无线电波检测到周围的障碍物时，生成回波信号发送给无线电波接收装置，设定回波信号的强度阈值，若目标障碍物的距离在无线电波检测范围内，当车辆与目标障碍物的距离在所述第一识别距离内，即在回波阈值内，则声光警报不发出警报；当车辆与目标障碍物的距离在所说第二识别距离内，则说明当前障碍物对车辆具有一定的危险性，则声光报警装置在车内进行蜂鸣警报。
上述技术方案的有益效果为：采用本实施例提供的方案，对车辆进行障碍物距离检测，可以有效检测到附近是否有障碍物，并及时提醒车辆采取避让措施。将识别距离分为两部分数值，避免对于过远的障碍物进行误判。
在另一实施例中，步骤S500，包括：
S501：在车辆行驶盲区即后左侧与后右侧分别安装监测摄像头，在驾驶员前安装面部采集摄像头；
S502：当所述无线电波监测到有物体靠近时，则触发监测摄像头与毫米波雷达对当前场景以及障碍物的具体位置进行识别；
S503：所述面部采集摄像头采集驾驶员的面部图像并判断驾驶员当前状态是否能做出对障碍物的相应躲避措施；
S504：面部采集摄像头连接一控制模块，若判定当前驾驶员状态不足以躲避障碍物时，则控制模块驱动声光警报器的声音为常规声音的一倍。
上述技术方案的工作原理为：本实施例采用的方案是，驾驶员在车辆行驶过程中，如靠近障碍物则通过监测摄像头与毫米波雷达对障碍物的位置进行识别；同时在驾驶员前端安装一用于采集面部的摄像头，通过面部采集摄像头判断驾驶员当前状态是否能够对障碍物做出避让措施。若检测到当前驾驶员处于疲倦状态，则毫米波雷达与监测摄像头对障碍物识别出障碍物的具体特征，并通过控制模块驱动声光报警器在车内进行警报，且警报音量大于常规音量的一倍。
上述技术方案的有益效果为：采用本实施例提供的方案，为了防止驾驶员疲劳驾驶，通过识别障碍物的信息，判断出障碍物的具体位置，并对疲劳驾驶的驾驶员声报提醒，大大降低了车祸事故发生的可能。
参照图3，在另一实施例中，一种基于车载雷达测量的驾驶场景识别装置，包括；
场景采集器：基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
场景判断单元：判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
关联度计算模块：获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。
上述技术方案的工作原理为：本实施例采用的方案是，该装置中的场景采集器利用车载雷达测量以及高精地图准确感知出车辆所处的交通环境，基于GPS坐标位置和高精地图计算出当前车辆可能存在的场景；如果可能场景为一个确定的场景，获取当前车辆的驾驶场景，如果可能场景大于一个，则通过场景判断单元提取车载激光和毫米波雷达测量信息中包含目标的种类、数量以及位置信息，并通过关联度计算模块，基于可能驾驶场景模型计算测量信息与其之间的关联度，关联度最高的为当前车辆的驾驶场景。
上述技术方案的有益效果为：采用本实施例提供的方案，开展基于车载雷达测量的驾驶场景识别方法研究时对高级驾驶辅助系统以及方体系的重要补充，对车辆自动驾驶的发展研究就有重要的研究意义。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于车载雷达测量的驾驶场景识别方法，其特征在于，包括：
S100，基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
S200，判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；
S300，若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
S400，获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。
2.根据权利要求1所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S100，包括：
S101：收集行驶车辆当前时刻以及设定时刻范围内的车载激光雷达数据、毫米波雷达数据、GPS位置数据；
S102：针对当前时刻GPS位置数据，以及所述设定时刻范围内的精准位置数据集，通过测量车辆每一时刻的GPS位置，推测车辆的最优估计位置；
S103：使用滤波算法处理所述最优估计位置，最终得到车辆的精确位置。
3.根据权利要求1所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S103，包括：
S1031：使用最小二乘法计算当前车辆直线轨迹的集合为第一直线轨迹集，并计算所述车辆直线轨迹的变化趋势，即预测当前时刻车辆最优估计位置所在轨迹的斜率；
S1032：获取所述第一直线轨迹集中的轨迹斜率，并根据不同轨迹之间斜率的变化，计算不同轨迹之间的斜率差，统计斜率差的集合为第二直线轨迹集；
S1033：获取所述第二直线轨迹集，并基于第二直线轨迹集估计车辆当前的最优位置。
4.根据权利要求1所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S300，包括：
S301：获取所述车辆当前的最优位置的数据，并与车辆内预设的高精地图进行匹配；
S302：将数据与高精地图匹配的结果作为车辆在高精地图中行驶的位置信息，并基于位置信息，对待确定的场景进行判断；
S303：判断所述待确定的场景数量是否多于一个，若否，则判定当前的位置信息为确定的场景即驾驶场景，并结束位置信息的判断；
S304：若是，则继续对当前位置信息进行计算和处理。
5.根据权利要求4所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S304，包括：
S3041：对所述待确定的场景数量多于一个的位置信息，收集车辆当前行驶时刻以及前5个时刻的车载激光和毫米波雷达数据作为计算数据；
S3042：对所述计算数据进行降噪处理，对降噪后的计算数据使用聚类算法后提取每一个场景中的场景目标，所述场景中的场景目标为用于判断当前场景是否为确定的场景；
S3033：对所述场景目标进行计算，场景目标包括场景中的种类、数量、位置以及速度信息；构建场景目标的矩阵模型，并将矩阵模型与高精地图中场景信息库进行进行关联计算，判断当前场景是否为确定的场景。
6.根据权利要求1所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S400，包括：
S401：构建车辆的地物信息矩阵，并统计地物信息中每一种地物目标的行信息与列信息；所述列信息为地物目标的属性信息，包括地物目标的编号、类型、目标空间位置、速度大小体以及运动方向与驾驶车辆速度方向间的夹角；
S402：获取当前车辆场景中地物目标的数量，获取所述列信息并进行时刻计算积累，得到当前场景中已识别出的地物目标数量。
7.根据权利要求6所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S402，包括：
S4021：获取当前场景中所述地物目标的数量以及属性信息，并构建场景特征信息模型即矩阵模型，并提取矩阵模型中与地物目标对应的特征信息；
S4022：根据所述地物信息矩阵与地物目标的关联度计算两者之间的场景相似度；
S4023：获取所述场景相似度，并提取相似度最高的场景作为当前车辆所在的驾驶场景，即确定的场景。
8.根据权利要求1所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，还包括:
S500：在车辆中安装无线电波发送装置、无线电波接收装置以及声光警报器，车辆在行驶过程中，通过所述车载雷达向车外发送无线电波；
S600：当车辆行驶至障碍物附近时，无线电波接触到被测障碍物并将接触信息生成回波信息发送至无线电波接收装置；
S700：设定回波强度阈值，获取车辆与障碍物的直线距离小于回波强度阈值为第一识别距离，所述直线距离大于等于回波强度阈值为第二识别距离；
S800：当车辆分别行驶至所述第一识别距离与第二识别距离的范围内时，所述声光警报发出不同的障碍物提示信号。
9.根据权利要求8所述的一种基于车载雷达测量的驾驶场景识别方法，其特征在于，步骤S500，包括：
S501：在车辆行驶盲区即后左侧与后右侧分别安装监测摄像头，在驾驶员前安装面部采集摄像头；
S502：当所述无线电波监测到有物体靠近时，则触发监测摄像头与毫米波雷达对当前场景以及障碍物的具体位置进行识别；
S503：所述面部采集摄像头采集驾驶员的面部图像并判断驾驶员当前状态是否能做出对障碍物的相应躲避措施；
S504：面部采集摄像头连接一控制模块，若判定当前驾驶员状态不足以躲避障碍物时，则控制模块驱动声光警报器的声音为常规声音的一倍。
10.一种基于车载雷达测量的驾驶场景识别装置，其特征在于，包括；
场景采集器：基于预先设定的GPS坐标位置和高精地图计算出当前行驶车辆预计出现的场景；
场景判断单元：判断所述当前行驶车辆预计出现的场景是否为驾驶场景，若是，则提取行驶车辆中的驾驶场景；若否，且预计出现的场景为多个，则测量当前行驶车辆的车载雷达中包含预计出现的场景种类、数量以及位置为测量信息；
关联度计算模块：获取所述测量信息，并基于预计出现的场景计算与所述测量信息之间的关联度，识别关联度最高的作为当前车辆的驾驶场景。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686894.3A CN116643266A (zh) | 2023-06-09 | 2023-06-09 | 一种基于车载雷达测量的驾驶场景识别方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310686894.3A CN116643266A (zh) | 2023-06-09 | 2023-06-09 | 一种基于车载雷达测量的驾驶场景识别方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116643266A true CN116643266A (zh) | 2023-08-25 |
Family
ID=87639868
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310686894.3A Pending CN116643266A (zh) | 2023-06-09 | 2023-06-09 | 一种基于车载雷达测量的驾驶场景识别方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116643266A (zh) |
-
2023
- 2023-06-09 CN CN202310686894.3A patent/CN116643266A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264783B (zh) | 基于车路协同的车辆防碰撞预警系统及方法 | |
| US20200273336A1 (en) | Vehicular information systems and methods | |
| CN112700470B (zh) | 一种基于交通视频流的目标检测和轨迹提取方法 | |
| CN103176185B (zh) | 用于检测道路障碍物的方法及系统 | |
| CN102208012B (zh) | 风景匹配参考数据生成系统及位置测量系统 | |
| WO2018047115A1 (en) | Object recognition and classification using multiple sensor modalities | |
| CN110379178B (zh) | 基于毫米波雷达成像的无人驾驶汽车智能泊车方法 | |
| CN108573611B (zh) | 一种限速标识融合方法以及限速标识融合系统 | |
| CN114333330B (zh) | 一种基于路侧边缘全息感知的交叉口事件检测系统 | |
| JP2018077162A (ja) | 車両位置検出装置、車両位置検出方法及び車両位置検出用コンピュータプログラム | |
| CN113850237B (zh) | 基于视频和轨迹数据的网联车目标检测评价方法及系统 | |
| CN115690713A (zh) | 一种基于双目相机的雷视融合事件检测方法 | |
| CN115953912A (zh) | 一种基于边缘计算的车路感知设备和方法 | |
| CN111325187A (zh) | 一种车道位置的识别方法及装置 | |
| CN114706070A (zh) | 一种基于4d毫米波雷达的自动泊车车位搜索方法和系统 | |
| CN116611603B (zh) | 一种车辆路径调度方法、装置、计算机及存储介质 | |
| CN111126363B (zh) | 自动驾驶车辆的物体识别方法及装置 | |
| CN112805724A (zh) | 车辆驾驶场景识别方法及装置 | |
| CN113359673A (zh) | 一种基于大数据的自动驾驶汽车性能判定系统 | |
| CN116643266A (zh) | 一种基于车载雷达测量的驾驶场景识别方法及装置 | |
| CN111480165A (zh) | 在考虑对象的特征结构的情况下创建用于车辆的基于特征的定位地图的方法 | |
| CN105730330A (zh) | 行车安全系统及其障碍物筛选方法 | |
| CN115223361A (zh) | 一种车路协同系统中路侧传感器的布设优化方法 | |
| CN113033586B (zh) | 目标识别方法及设备 | |
| CN115792911B (zh) | 一种基于毫米波雷达的障碍物监测识别方法 |
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 |