CN117421700B - 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 - Google Patents
一种用于自动驾驶中的传感器数据过滤及融合方法及装置 Download PDFInfo
- Publication number
- CN117421700B CN117421700B CN202311743890.0A CN202311743890A CN117421700B CN 117421700 B CN117421700 B CN 117421700B CN 202311743890 A CN202311743890 A CN 202311743890A CN 117421700 B CN117421700 B CN 117421700B
- Authority
- CN
- China
- Prior art keywords
- data
- obstacle
- characteristic information
- sensor
- automatic 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000001914 filtration Methods 0.000 title claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 121
- 238000011156 evaluation Methods 0.000 claims abstract description 65
- 238000012502 risk assessment Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 73
- 239000013598 vector Substances 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000005540 biological transmission Effects 0.000 claims description 12
- 238000012163 sequencing technique Methods 0.000 claims description 11
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000003491 array Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 abstract description 6
- 230000004927 fusion Effects 0.000 description 13
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012913 prioritisation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种用于自动驾驶中的传感器数据过滤及融合方法及装置,涉及自动驾驶技术领域。该用于自动驾驶中的传感器数据过滤及融合方法及装置,包括以下步骤:S1,对各传感器的原始数据预处理;S2,评估各传感器的调用优先级,判断是否属于应急风险,若是进入S3,若否进入S4;S3,根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;S4,根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶。本发明通过为自动驾驶传感器数据分类简化分优先级快速处理,进而保证了自动驾驶中数据处理的实时性,解决了现有技术中,因为协调多个传感器而使得响应效率太低,驾驶风险大大增加的问题。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种用于自动驾驶中的传感器数据过滤及融合方法及装置。
背景技术
现有的用于自动驾驶中的传感器数据过滤及融合方法及装置通过对行驶空间内同类特征合并分析方法实现。
现有的用于自动驾驶中的传感器数据过滤及融合方法及装置通过对行驶空间内同类特征合并分析方法实现。
例如公开号为:CN108764373A的发明专利申请公开的一种用于自动驾驶中的传感器数据过滤及融合方法,包括空间过滤融合方法和紧随的时间过滤融合方法,空间过滤融合方法在自动驾驶的感知系统从传感器获得一帧原始数据后,对数据点进行空间聚类处理,认定有效的聚类结果并排除噪声;对聚类结果进行关联性跟踪,从而能够得到某一物体的位置速度信息、历史信息、预测信息;然后进行特征信息估计,计算聚类以后物体的长宽和朝向信息;再进行时间过滤融合方法将原始目标判别为确定目标、可疑目标和伪目标。
例如公开号为:CN110969178A的发明专利申请公开的自动驾驶车辆的数据融合系统、方法及自动驾驶系统,包括道路融合步骤和目标融合步骤。其中,道路融合步骤包括:获取本车的各个环境感知传感器所采集的多种道路信息;多种道路信息进行初始融合;以及对经初始融合后的所述多种道路信息进行深度融合以输出本车的道路模型。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术中,自动驾驶对传感器数据的处理过分复杂,实际处理时间已经远超过碰撞发生的时间,存在不能分类简化分优先级的快速处理传感器数据以满足自动驾驶实时性的问题。
发明内容
本申请实施例通过提供一种用于自动驾驶中的传感器数据过滤及融合方法及装置,解决了现有技术中,存在不能分类简化分级的快速处理传感器数据以满足自动驾驶实时性的问题,通过传感器数据分类简化快速分优先级处理,实现了自动驾驶安全性的巨大提高。
本申请实施例提供了一种用于自动驾驶中的传感器数据过滤及融合方法及装置,包括以下步骤:S1,对各传感器的原始数据预处理;S2,评估各传感器的调用优先级,判断是否属于应急风险,若是进入S3,若否进入S4;S3,根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;S4,根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶;所述S2中判断是否属于应急风险的具体步骤为:S21,按S1中获取的各障碍物的时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,是则进入S3,否则进入S22;S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;所述S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车。
进一步的,S1中对各传感器的原始数据预处理的具体过程为:获取各传感器的各数据原始数据,将获取到的各种传感器的各种数据原始数据按传感器的类别分类集中预处理,按各种传感器的类别设定标准时间检测点记为,/>,各传感器的类别记为/>,,以自动驾驶车辆中心点建立空间坐标系,将预定义自动驾驶车辆外廓和所有传感器探测范围内的各障碍物的特征信息点化为各点空间坐标,将集中预处理后的数据分类与预定义标准噪声阈值作比较,滤去白噪声,得到自动驾驶简化空间阵列,记为/>,,/>表示空间三维方向上的自动驾驶车辆外廓空间坐标阵列,各障碍物记为/>,/>得到各障碍物的特征信息点空间阵列,记为/>,,/>表示空间三维方向上的各障碍物的特征信息点空间阵列,对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合。
进一步的,所述对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合的具体过程为:将各障碍物的的特征信息的空间坐标集合按同一类特征信息点分类数据再次过滤,只保留同一类中特征突出的若干个特征信息点,各障碍物的特征信息点类别记为,/>,则同一类的特征信息点空间阵列记为/>,特征信息简化系数记为/>,具体计算公式为:
,其中/>表示同一类特征信息点的数量,/>,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示各障碍物的特征信息点空间阵列/>里同一类的特征信息点空间阵列互相之间的关联因子,/>表示时间检测点/>时间下障碍物/>同一类特征信息点空间阵列的/>特征参考定义值,/>表示同一类特征信息点空间阵列/>的特征内部关联度,/>与预定义的特征信息简化阈值作比较,将多余的特征信息点全部略去,得到新的各障碍物的特征信息点的空间坐标集记为/>,其中同一类的新的各障碍物的特征信息点的空间坐标集记为/>;由S1得到自动驾驶简化空间阵列/>,将时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离记为/>,/>,其中/>表示/>中每一个点与/>中每一个点在空间三维方向上相减之后得到的每个维度求差集合,/>表示每个维度求差集合的最小值集合。
进一步的,S2中评估各传感器的调用优先级的具体过程为:将获取到的各传感器的各数据原始数据按传感器的类别分类集中预处理还能得到自动驾驶车辆的空间行驶速度矢量,/>,/>表示各障碍物的空间移动速度在X方向上的矢量,/>,/>表示/>里特征信息点的总数量,表示时间检测点/>与上一个时间检测点/>的时间差值,/>表示各特征信息点的判定误差因子,/>表示时间检测点到数据处理判断的延时系数,/>表示速度矢量与x轴正方向的夹角;
同样的步骤得到和/>,/>表示各障碍物的空间移动速度在/>方向上的矢量,/>表示各障碍物的空间移动速度在/>方向上的矢量,进而得到各障碍物的空间移动速度矢量/>,进而由时间检测点/>和上一次时间检测点的差值得到空间移动加速度矢量/>;按S1中获取的自动驾驶车辆的空间行驶速度矢量/>和各障碍物的空间移动速度矢量/>,得到简化预计碰撞时间为/>,/>,从/>算起/>中包含了/>个时间检测点,/>,则/>其中时间检测点里得到简化预计相对位置/>,/>,各传感器的优先级评估指数/>,/>,其中/>为各传感器的预定义检测反馈时间,/>为各传感器的预定义最适检测范围梯度系数,/>表示各传感器的相对自动驾驶车辆位置修正因子,/>表示各传感器的预定义数据运算传输时间,/>表示各传感器的天气综合影响因子,根据各传感器的优先级评估指数/>分化各传感器的调用优先级,并将各传感器的最高优先级定义为1级。
进一步的,S33中评估规避障碍判断系数的具体步骤为:评估应急规避方向按避障算法预定义最适避让速度矢量行驶一段时间后是否能成功规避最近各障碍物,规避障碍判断系数为,/>为自时间检测点/>之后的时间检测点的数量,具体计算公式为:,/>表示最适避让速度矢量预留误差修正因子,,其中/>表示自动驾驶车辆在/>个时间检测点之后的预计位置,/>表示对/>个时间检测点包含的时间做积分,/>表示预定义避让加速度矢量,/>表示预定义避让速度矢量;同样的步骤,由各障碍物的空间移动速度矢量/>和空间移动加速度矢量/>得到/>,/>表示各障碍物在/>个时间检测点之后的预计位置,若/>直接减速停车,否则按预定义避障算法行驶速度和避让方向避让各障碍物。
进一步的,S3中停车再启动时对启动风险评估处理的具体步骤为:启动阶段将车身四周近侧各传感器优先级提到最高优先级1级,判断启动时以预定义调整车身姿态是否能绕开障碍物,是则以预定义调整车身姿态绕开障碍物直接行驶离开,否则判断驶离情况;所述判断驶离情况具体步骤为:当不能直接行驶离开时,将车后近侧各传感器优先级提到最高优先级1级,开始倒车:若倒车方向没有障碍物则倒车至预定义倒车空间位置再行驶离开;若倒车方向有障碍物但相对倒车空间足够倒车至预定义倒车空间位置,则以预定义标准速度倒车,再行驶离开;若有障碍物且相对位置不够倒车至预定义倒车空间位置则立即停车。
进一步的,S4中行驶优先级评估处理具体过程为:根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对优先级较高的各传感器的数据进行优先处理,若同一优先级的各传感器,则对各传感器的预定义数据运算传输时间更小的传感器的数据优先处理,以预定义自动驾驶实时性数据处理时间/>为标准,累计计算各传感器按优先级处理数据的综合时间若没有超过/>则直接处理直至完毕;若超过/>的再次以预定义自动驾驶最低实时性数据处理时间/>为标准,按各传感器的优先级评估指数/>对剩下的各传感器的各数据进行处理,累计计算剩下的各传感器进行处理的综合时间,以预定义自动驾驶保证实时性数据处理死线时间/>为标准,若没有超过/>则对剩下的各传感器的各数据进行处理直至结束,若超过/>则对剩下的各传感器的各数据进行处理直至/>预定义自动驾驶保证实时性数据处理死线时间结束时;所述预定义自动驾驶实时性数据处理时间/><预定义自动驾驶最低实时性数据处理时间/><预定义自动驾驶保证实时性数据处理死线时间/>。
本申请实施例提供了一种用于自动驾驶中的传感器数据过滤及融合装置,包括原始数据采集模块、各传感器的调用优先级评估模块、应急风险评估处理模块和行驶优先级评估处理模块:所述原始数据采集模块:用于对各传感器的原始数据预处理;所述各传感器的调用优先级评估模块:用于评估各传感器的调用优先级,判断是否属于应急风险,若是进入应急风险评估处理模块,若否进入行驶优先级评估处理模块;所述应急风险评估处理模块:用于根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;所述行驶优先级评估处理模块:用于根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶;所述S2中判断是否属于应急风险的具体步骤为:S21,按S1中获取的各障碍物的时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,是则进入S3,否则进入S22;S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;所述S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
1、通过对采集的各传感器的数据预处理分类简化快速处理,不再大量重复利用各传感器综合数据处理后生成自动驾驶道路3d图像或是空间特征聚类图像点去计算处理行驶最优算法,先集中处理同一类传感器数据并简化综合处理的特征信息点,再一步简化只保留离自动驾驶车辆较近的若干个特征信息点,从而大大简化了后续对自动驾驶车辆行驶评估处理的数据密度,进而实现了极大的保证自动驾驶车辆的响应速度和安全性能,有效解决了现有技术中,存在不能分类简化分级的快速处理传感器数据以满足自动驾驶实时性的问题。
2、通过应急风险评估处理,对优先级最高的各传感器的各数据预处理结果评估处理,对自动驾驶车辆应对应急风险时能够对最适用的传感器数据优先简化处理,以便自动驾驶车辆以最快响应速度做出合理行驶调整,某些情况下无路可走的,需要立即减速停车,需要短时间连续避让障碍物,评估规避障碍系数与预定义阈值判断,综合考虑了特殊情况下自动驾驶车辆的应急风险评估处理,从而使得自动驾驶实时性得到进一步的保证,进而实现了特殊情况下也能保证自动驾驶安全性能。
3、通过优先和次优行驶评估处理,对后续一系列避障过程中调用传感器优先级不断实时评估,有取舍的在合适的场景下调用不同优先级的传感器,设置自动驾驶保证实时性数据处理死线时间,保证在一次原始数据处理过程中偶然数据量过大来不及处理的情况下,依然能始终对优先级高的传感器数据优先处理并保证最大处理时间不会超出自动驾驶实时性的要求,从而使得自动驾驶实时性得到底线的保证,进而实现了广泛情况下的保证自动驾驶安全性能。
附图说明
图1为本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合方法流程图;
图2为本申请实施例提供的各传感器优先级评估因素结构图;
图3为本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合装置结构示意图。
具体实施方式
本申请实施例通过提供一种用于自动驾驶中的传感器数据过滤及融合方法及装置,解决了现有技术中,存在不能分类简化分级的快速处理传感器数据以满足自动驾驶实时性的问题,通过传感器数据分类简化快速分优先级处理,实现了自动驾驶安全性的巨大提高。
本申请实施例中的技术方案为解决上述,不能分类分级的快速处理传感器数据以满足自动驾驶实时性的问题,总体思路如下:
通过对各传感器的原始数据预处理过滤数据建立空间坐标并多次简化处理得到自动驾驶车辆和各障碍物的简化空间坐标,评估各传感器的调用优先级并判断当下行驶情况是否属于应急风险,若属于应急风险则根据应急风险评估处理结果调整自动驾驶车辆行驶方法,对于自动驾驶车辆已经停车需要再启动时对启动风险评估处理,若不属于应急风险则根据各传感器的调用优先级做行驶优先级评估处理结果调整自动驾驶车辆行驶方法,达到了在各种情况下都保证自动驾驶实时性和响应速度,极大提高了安全性能。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
如图1所示,为本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合方法流程图,该方法应用于一种用于自动驾驶中的传感器数据过滤及融合装置中,该方法包括以下步骤:S1,对各传感器的原始数据预处理;S2,评估各传感器的调用优先级,判断是否属于应急风险,若是进入S3,若否进入S4;S3,根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;S4,根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶,S2中判断是否属于应急风险的具体步骤为:S21,按S1中获取的各障碍物的时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,是则进入S3,否则进入S22;S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车。
进一步的,S1中对各传感器的原始数据预处理的具体过程为,获取各传感器的各数据原始数据,将获取到的各种传感器的各种数据原始数据按传感器的类别分类集中预处理,按各种传感器的类别设定标准时间检测点记为,/>,各传感器的类别记为/>,,以自动驾驶车辆中心点建立空间坐标系,将预定义自动驾驶车辆外廓和所有传感器探测范围内的各障碍物的特征信息点化为各点空间坐标,将集中预处理后的数据分类与预定义标准噪声阈值作比较,滤去白噪声,得到自动驾驶简化空间阵列,记为/>,,/>表示空间三维方向上的自动驾驶车辆外廓空间坐标阵列,各障碍物记为/>,/>,得到各障碍物的特征信息点空间阵列,记为/>,,/>表示空间三维方向上的各障碍物的特征信息点空间阵列;对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合。
在本实施例中,标准时间检测点是用机器学习类算法根据实际情况反馈综合得到的且与下文中的预定义自动驾驶实时性数据处理时间保持一定比例关系,使得在一次各传感器数据处理中时间检测点设置适当,自动驾驶车辆自身体积外廓化为自动驾驶简化空间阵列,每个空间阵列点并不是密集对应自动驾驶车辆的外廓,而是针对自动驾驶车辆各特征点简化之后再对应,自动驾驶车辆外廓上的点唯一对应空间坐标点,使得后续数据处理效率拔高。
进一步的,对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合的具体过程为,将各障碍物的的特征信息的空间坐标集合按同一类特征信息点分类数据再次过滤,只保留同一类中特征突出的若干个特征信息点,各障碍物的特征信息点类别记为,/>,则同一类的特征信息点空间阵列记为/>,特征信息简化系数记为/>,具体计算公式为:
,其中/>表示同一类特征信息点的数量,/>,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示各障碍物的特征信息点空间阵列/>里同一类的特征信息点空间阵列/>互相之间的关联因子,/>表示时间检测点/>时间下障碍物/>同一类特征信息点空间阵列的/>特征参考定义值,/>表示同一类特征信息点空间阵列/>的特征内部关联度,/>与预定义的特征信息简化阈值作比较,将多余的特征信息点全部略去,得到新的各障碍物的特征信息点的空间坐标集记为/>,其中同一类的新的各障碍物的特征信息点的空间坐标集记为/>;由S1得到自动驾驶简化空间阵列/>,将时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离记为/>,/>,其中/>表示/>中每一个点与/>中每一个点在空间三维方向上相减之后得到的每个维度求差集合,/>表示每个维度求差集合的最小值集合。
在本实施例中,将各障碍物的的特征信息点的空间坐标集合按同一类特征信息点分类数据再次过滤,是为了进一步简化后续数据处理复杂度,同时,在实际自动驾驶过程中,没有必要对各障碍物的所有特征信息点都纳入计算,只需要相对自动驾驶车辆最近的障碍物的特征信息点进行数据过滤处理,在后续利用到的避障算法中,如果自动驾驶车辆外廓和各障碍物的离自动驾驶车辆最近的特征信息点都能成功避开,则自动驾驶车辆与各障碍物肯定成功避开,需要注意的是,在具体行驶过程中,考虑自动驾驶车辆动态行驶和与各障碍物相对位置的变化情况,最近的相对距离与要取用的各障碍物的特征信息点肯定会变化,所以全部参数都是根据当下时间检测点判定。
如图2所示,为本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合方法的各传感器优先级评估因素结构图,本申请实施例提供的S2中评估各传感器的调用优先级的具体过程为,将获取到的各传感器的各数据原始数据按传感器的类别分类集中预处理还能得到自动驾驶车辆的空间行驶速度矢量,,/>表示各障碍物的空间移动速度在X方向上的矢量,/>,/>表示/>里特征信息点的总数量,/>表示时间检测点/>与上一个时间检测点/>的时间差值,/>表示各特征信息点的判定误差因子,/>表示时间检测点到数据处理判断的延时系数,/>表示速度矢量与x轴正方向的夹角;同样的步骤得到/>和/>,/>表示各障碍物的空间移动速度在/>方向上的矢量,/>表示各障碍物的空间移动速度在/>方向上的矢量,进而得到各障碍物的空间移动速度矢量/>,进而由时间检测点/>和上一次时间检测点的差值得到空间移动加速度矢量/>;按S1中获取的自动驾驶车辆的空间行驶速度矢量/>和各障碍物的空间移动速度矢量/>,得到简化预计碰撞时间为/>,/>,从/>算起/>中包含了/>个时间检测点,/>,则其中时间检测点里得到简化预计相对位置/>,/>,各传感器的优先级评估指数/>,/>,其中/>为各传感器的预定义检测反馈时间,/>为各传感器的预定义最适检测范围梯度系数,/>表示各传感器的相对自动驾驶车辆位置修正因子,/>表示各传感器的预定义数据运算传输时间,/>表示各传感器的天气综合影响因子,根据各传感器的优先级评估指数/>分化各传感器的调用优先级,并将各传感器的最高优先级定义为1级。
在本实施例中,自动驾驶车辆的空间行驶速度矢量在实际行驶时会出现车头和车尾不一致的情况,例如在转弯避让的时候,车头的空间行驶速度矢量一定与车尾不同,此时需要对具体的自动驾驶车辆外廓空间坐标点计算,但是上文已经得到始终在相对位置上最近的空间坐标点阵列,计算依旧大大简化,还需要在各传感器实际数据处理当中评估各传感器调用优先级,使得在具体数据处理融合中,有取舍的对优先级高的传感器数据优先处理,进一步提高数据处理的效率,提高自动驾驶车辆响应速度。
在本实施例中,首先判断行驶前进方向上各障碍物相对距离是否足够自动驾驶车辆通过,例如在涵洞两车对向会车时,可能会出现两车不能同时对向行驶的情况,或者在一般道路上行驶时有各障碍物相对距离虽然能够通过,但是需要连续避让的情况,均需要应急处理,按之前的各传感器的调用优先级依次处理融合数据,便于应对数据密度较大的情况。
进一步的,S33中评估规避障碍判断系数的具体步骤为,评估应急规避方向按避障算法预定义最适避让速度矢量行驶一段时间后是否能成功规避最近各障碍物,规避障碍判断系数为,/>为自时间检测点/>之后的时间检测点的数量,具体计算公式为:/>,/>表示最适避让速度矢量预留误差修正因子,,其中/>表示自动驾驶车辆在/>个时间检测点之后的预计位置,/>表示对/>个时间检测点包含的时间做积分,/>表示预定义避让加速度矢量,/>表示预定义避让速度矢量;同样的步骤,由各障碍物的空间移动速度矢量/>和空间移动加速度矢量/>得到/>,/>表示各障碍物在/>个时间检测点之后的预计位置,若/>直接减速停车,否则按预定义避障算法行驶速度和避让方向避让各障碍物,调整车辆车身姿态回正。
在本实施例中,避障算法有规则算法、机器学习算法、深度学习算法、模型预测控制算法等,这里根据实际情况选择能够同时保证实时性和安全性的,按避障算法给出的最适避让速度矢量判断能否在一段时间后避让成功,不能避让成功直接减速停车,能够成功则在避让成功调整自动驾驶车辆车身姿态回正,各障碍物的空间移动速度矢量是由各传感器的各数据处理得来的,得益于上文已经做了多次简化过滤,预计避让障碍的计算效率也能极大提升,判断不能预计避让障碍立即减速停车,保证了自动驾驶的安全性,通常避障算法会留有一定的余量,不会按极限避让的情况进行判断,这也给可能的误差对避让结果的负面影响留有空间。
进一步的,S3中停车再启动时对启动风险评估处理的具体步骤为,启动阶段将车身四周近侧各传感器优先级提到最高优先级1级,判断启动时以预定义调整车身姿态是否能绕开障碍物,是则以预定义调整车身姿态绕开障碍物直接行驶离开,否则判断驶离情况;判断驶离情况具体步骤为:当不能直接行驶离开时,将车后近侧各传感器优先级提到最高优先级1级,开始倒车:若倒车方向没有障碍物则倒车至预定义倒车空间位置再行驶离开;若倒车方向有障碍物但相对倒车空间足够倒车至预定义倒车空间位置,则以预定义标准速度倒车,再行驶离开;若有障碍物且相对位置不够倒车至预定义倒车空间位置则立即停车。
在本实施例中,对自动驾驶车辆已经减速停车后再启动的情况进行判断,例如有其他违反交通规则横插车道的,减速再启动,行驶过程中遇到道路上有散落的石块的减速再启动等,判断各障碍物对自动驾驶车辆驶离的影响,还要注意有时堵车时,周围都有障碍物,此时需要保持停车状态,对于再启动时的风险评估,需要优先调用自动驾驶车辆近侧四周的各传感器,丰富了各传感器优先级应用场景,使得自动驾驶车辆在各行驶阶段均能够以较快速度处理数据,及时做出行驶调整。
进一步的,S4中行驶优先级评估处理具体过程为,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对优先级较高的各传感器的数据进行优先处理,若同一优先级的各传感器,则对各传感器的预定义数据运算传输时间更小的传感器的数据优先处理,以预定义自动驾驶实时性数据处理时间/>为标准,累计计算各传感器按优先级处理数据的综合时间;若没有超过/>则直接处理直至完毕;若超过/>的再次以预定义自动驾驶最低实时性数据处理时间/>为标准,按各传感器的优先级评估指数/>对剩下的各传感器的各数据进行处理,累计计算剩下的各传感器进行处理的综合时间,以预定义自动驾驶保证实时性数据处理死线时间/>为标准,若没有超过/>则对剩下的各传感器的各数据进行处理直至结束,若超过/>则对剩下的各传感器的各数据进行处理直至/>预定义自动驾驶保证实时性数据处理死线时间结束时;预定义自动驾驶实时性数据处理时间/><预定义自动驾驶最低实时性数据处理时间/><预定义自动驾驶保证实时性数据处理死线时间。
在本实施例中,根据各传感器的优先级评估指数对优先级较高的各传感器的数据进行优先处理并以预定义自动驾驶实时性数据处理时间,预定义自动驾驶最低实时性数据处理时间/>,预定义自动驾驶保证实时性数据处理死线时间/>三者为线,超过/>时直接结束数据处理以最低限度的保证自动驾驶实时性,实际行驶时,通过机器学习算法,深度学习算法,神经网络卷积算法等不断优化数据模型,使得数据处理周期都落在/>内,从而使自动驾驶车辆效应效率进一步提高。
如图3所示,为本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合装置结构图,本申请实施例提供的一种用于自动驾驶中的传感器数据过滤及融合装置包括:原始数据采集模块、各传感器的调用优先级评估模块、应急风险评估处理模块和行驶优先级评估处理模块;原始数据采集模块:用于对各传感器的原始数据预处理;各传感器的调用优先级评估模块:用于评估各传感器的调用优先级,判断是否属于应急风险,若是进入应急风险评估处理模块,若否进入行驶优先级评估处理模块;应急风险评估处理模块:用于根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;行驶优先级评估处理模块:用于根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶,所述S2中判断是否属于应急风险的具体步骤为:S21,按S1中获取的各障碍物的时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,是则进入S3,否则进入S22;S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;所述S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车。
在本实施例中,首先通过原始数据采集模块采集并预处理原始数据,接着原始数据预处理模块评估各传感器调用优先级,判断是否属于应急风险,是则进入应急风险评估处理模块评估处理应急风险和启动风险,否则进入行驶优先级评估处理模块评估处理行驶优先级。
在本实施例中,首先通过原始数据采集模块采集并预处理原始数据,接着各传感器的调用优先级评估模块评估各传感器调用优先级,判断是否属于应急风险,是则进入应急风险评估处理模块评估处理应急风险和启动风险,否则进入行驶优先级评估处理模块评估处理行驶优先级。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
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 (6)
1.一种用于自动驾驶中的传感器数据过滤及融合方法,其特征在于,包括以下步骤:
S1,对各传感器的原始数据预处理;
S2,评估各传感器的调用优先级,判断是否属于应急风险,若是进入S3,若否进入S4;
S3,根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;
S4,根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶;
所述S2中判断是否属于应急风险的具体步骤为:
S21,按S1中获取的各障碍物的从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若/>已经小于预定义最大规避距离,是则进入S3,否则进入S22;
S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;
所述S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:
S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;
S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;
S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车;
所述S1中对各传感器的原始数据预处理的具体过程为:
获取各传感器的各数据原始数据,将获取到的各种传感器的各种数据原始数据按传感器的类别分类集中预处理,按各种传感器的类别设定标准时间检测点记为,/>,各传感器的类别记为/>,/>,以自动驾驶车辆中心点建立空间坐标系,将预定义自动驾驶车辆外廓和所有传感器探测范围内的各障碍物的特征信息点化为各点空间坐标,将集中预处理后的数据分类与预定义标准噪声阈值作比较,滤去白噪声,得到自动驾驶简化空间阵列,记为/>,/>,/>表示空间三维方向上的自动驾驶车辆外廓空间坐标阵列,各障碍物记为/>,/>,得到各障碍物的特征信息点空间阵列,记为/>,/>,/>上的各障碍物的特征信息点空间阵列;对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合;
所述对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合的具体过程为:
将各障碍物的的特征信息的空间坐标集合按同一类特征信息点分类数据再次过滤,只保留同一类中特征突出的若干个特征信息点,各障碍物的特征信息点类别记为,,则同一类的特征信息点空间阵列记为/>,特征信息简化系数记为,具体计算公式为:
;其中/>表示同一类特征信息点的数量,/>,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示各障碍物的特征信息点空间阵列/>里同一类的特征信息点空间阵列/>互相之间的关联因子,/>表示时间检测点/>时间下障碍物/>同一类特征信息点空间阵列的特征参考定义值,/>表示同一类特征信息点空间阵列/>的特征内部关联度,/>与预定义的特征信息简化阈值作比较,将多余的特征信息点全部略去,得到新的各障碍物的特征信息点的空间坐标集记为/>,其中同一类的新的各障碍物的特征信息点的空间坐标集记为/>;
由S1得到自动驾驶简化空间阵列,将时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离记为/>,/>,其中/>表示/>中每一个点与/>中每一个点在空间三维方向上相减之后得到的每个维度求差集合,/>表示每个维度求差集合的最小值集合。
2.如权利要求1所述一种用于自动驾驶中的传感器数据过滤及融合方法,其特征在于,所述S2中评估各传感器的调用优先级的具体过程为:
将获取到的各传感器的各数据原始数据按传感器的类别分类集中预处理还能得到自动驾驶车辆的空间行驶速度矢量,
,/>表示各障碍物的空间移动速度在X方向上的矢量,/>,/>表示/>里特征信息点的总数量,/>表示时间检测点/>与上一个时间检测点/>的时间差值,/>表示各特征信息点的判定误差因子,/>表示时间检测点到数据处理判断的延时系数,/>表示速度矢量与x轴正方向的夹角;
同样的步骤得到和/>,/>表示各障碍物的空间移动速度在/>方向上的矢量,/>表示各障碍物的空间移动速度在/>方向上的矢量,进而得到各障碍物的空间移动速度矢量/>,进而由时间检测点/>和上一次时间检测点的差值得到空间移动加速度矢量/>;
按S1中获取的自动驾驶车辆的空间行驶速度矢量和各障碍物的空间移动速度矢量/>,得到简化预计碰撞时间为/>,/>,从/>算起/>中包含了/>个时间检测点,/>,则/>其中时间检测点里得到简化预计相对位置/>,,各传感器的优先级评估指数/>,,其中/>为各传感器的预定义检测反馈时间,/>为各传感器的预定义最适检测范围梯度系数,/>表示各传感器的相对自动驾驶车辆位置修正因子,/>表示各传感器的预定义数据运算传输时间,/>表示各传感器的天气综合影响因子,根据各传感器的优先级评估指数/>分化各传感器的调用优先级,并将各传感器的最高优先级定义为1级。
3.如权利要求2所述一种用于自动驾驶中的传感器数据过滤及融合方法,其特征在于,所述S33中评估规避障碍判断系数的具体步骤为:
评估应急规避方向按避障算法预定义最适避让速度矢量行驶一段时间后是否能成功规避最近各障碍物,规避障碍判断系数为,/>为自时间检测点/>之后的时间检测点的数量,具体计算公式为:
,/>表示最适避让速度矢量预留误差修正因子,,其中/>表示自动驾驶车辆在/>个时间检测点之后的预计位置,/>表示对/>个时间检测点包含的时间做积分,/>表示预定义避让加速度矢量,/>表示预定义避让速度矢量;
同样的步骤,由各障碍物的空间移动速度矢量和空间移动加速度矢量/>得到/>,/>表示各障碍物在/>个时间检测点之后的预计位置,若/>直接减速停车,否则按预定义避障算法行驶速度和避让方向避让各障碍物。
4.如权利要求3所述一种用于自动驾驶中的传感器数据过滤及融合方法,其特征在于,所述S3中停车再启动时对启动风险评估处理的具体步骤为:
启动阶段将车身四周近侧各传感器优先级提到最高优先级1级,判断启动时以预定义调整车身姿态是否能绕开障碍物,是则以预定义调整车身姿态绕开障碍物直接行驶离开,否则判断驶离情况;
所述判断驶离情况具体步骤为:
当不能直接行驶离开时,将车后近侧各传感器优先级提到最高优先级1级,开始倒车:
若倒车方向没有障碍物则倒车至预定义倒车空间位置再行驶离开;
若倒车方向有障碍物但相对倒车空间足够倒车至预定义倒车空间位置,则以预定义标准速度倒车,再行驶离开;
若有障碍物且相对位置不够倒车至预定义倒车空间位置则立即停车。
5.如权利要求4所述一种用于自动驾驶中的传感器数据过滤及融合方法,其特征在于,所述S4中行驶优先级评估处理具体过程为:
根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对优先级较高的各传感器的数据进行优先处理,若同一优先级的各传感器,则对各传感器的预定义数据运算传输时间更小的传感器的数据优先处理,以预定义自动驾驶实时性数据处理时间为标准,累计计算各传感器按优先级处理数据的综合时间;
若没有超过则直接处理直至完毕;
若超过的再次以预定义自动驾驶最低实时性数据处理时间/>为标准,按各传感器的优先级评估指数/>对剩下的各传感器的各数据进行处理,累计计算剩下的各传感器进行处理的综合时间,以预定义自动驾驶保证实时性数据处理死线时间/>为标准,若没有超过则对剩下的各传感器的各数据进行处理直至结束,若超过/>则对剩下的各传感器的各数据进行处理直至/>预定义自动驾驶保证实时性数据处理死线时间结束时;
所述预定义自动驾驶实时性数据处理时间<预定义自动驾驶最低实时性数据处理时间/><预定义自动驾驶保证实时性数据处理死线时间/>。
6.一种用于自动驾驶中的传感器数据过滤及融合装置,其特征在于,包括原始数据采集模块、各传感器的调用优先级评估模块、应急风险评估处理模块和行驶优先级评估处理模块:
所述原始数据采集模块:用于对各传感器的原始数据预处理;
所述各传感器的调用优先级评估模块:用于评估各传感器的调用优先级,判断是否属于应急风险,若是进入应急风险评估处理模块,若否进入行驶优先级评估处理模块;
所述应急风险评估处理模块:用于根据应急风险评估处理,调整自动驾驶车辆行驶,若停车再启动时对启动风险评估处理;
所述行驶优先级评估处理模块:用于根据各传感器的调用优先级做行驶优先级评估处理,调整自动驾驶车辆行驶;
所述各传感器的调用优先级评估模块中判断是否属于应急风险的具体步骤为:
S21,按S1中获取的各障碍物的时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离从小到大的顺序排序,得到各障碍物与自动驾驶车辆的相对最短位置,对相对最短位置越近的各障碍物优先判断,若时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,是则进入S3,否则进入S22;
S22,将行驶远离最近各障碍物方向称为应急规避方向,并评估其应急规避方向内是否有其他各障碍物,是则进入S3,否则进入S4;
所述S3中的根据应急风险评估合理调整自动驾驶车辆的具体步骤为:
S31,应急规避方向有其他各障碍物,相对最短位置越近的各障碍物优先判断,若时间检测点时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离已经小于预定义最大规避距离,立即减速停车,否则进入S32;
S32,应急规避方向有其他各障碍物,按S1中获取的各障碍物的相对位置从小到大的顺序排序,若有两个或两个以上的各障碍物都在应急规避方向上且相对距离不够自动驾驶车辆通过时,立即减速停车,若没有则进入S33;
S33,根据各传感器的优先级评估指数分化各传感器的调用优先级依次排列,对各传感器的最高优先级1级的各传感器的数据进行优先处理,再对各传感器的预定义数据运算传输时间更短的传感器的数据优先处理,判断预定义标准避障路线是否能连续规避各障碍物,是则评估规避障碍判断系数,否则立即减速停车;
所述原始数据采集模块中对各传感器的原始数据预处理的具体过程为:
获取各传感器的各数据原始数据,将获取到的各种传感器的各种数据原始数据按传感器的类别分类集中预处理,按各种传感器的类别设定标准时间检测点记为,/>,各传感器的类别记为/>,/>,以自动驾驶车辆中心点建立空间坐标系,将预定义自动驾驶车辆外廓和所有传感器探测范围内的各障碍物的特征信息点化为各点空间坐标,将集中预处理后的数据分类与预定义标准噪声阈值作比较,滤去白噪声,得到自动驾驶简化空间阵列,记为/>,/>,/>表示空间三维方向上的自动驾驶车辆外廓空间坐标阵列,各障碍物记为/>,/>,得到各障碍物的特征信息点空间阵列,记为/>,/>,/>上的各障碍物的特征信息点空间阵列;对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合;
所述对空间三维方向上的各障碍物的特征信息点空间阵列数据分类简化,计算得到每个维度求差集合的最小值集合的具体过程为:
将各障碍物的的特征信息的空间坐标集合按同一类特征信息点分类数据再次过滤,只保留同一类中特征突出的若干个特征信息点,各障碍物的特征信息点类别记为,/>,则同一类的特征信息点空间阵列记为/>,特征信息简化系数记为/>,具体计算公式为:
;其中/>表示同一类特征信息点的数量,/>,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的数值数据,表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间方向上的空间阵列的数值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示在/>个标准时间检测点下第/>个障碍物中第/>类的第/>个特征信息点在空间/>方向上的空间阵列的矢量的模值数据,/>表示各障碍物的特征信息点空间阵列/>里同一类的特征信息点空间阵列/>互相之间的关联因子,/>表示时间检测点/>时间下障碍物/>同一类特征信息点空间阵列的特征参考定义值,/>表示同一类特征信息点空间阵列/>的特征内部关联度,/>与预定义的特征信息简化阈值作比较,将多余的特征信息点全部略去,得到新的各障碍物的特征信息点的空间坐标集记为/>,其中同一类的新的各障碍物的特征信息点的空间坐标集记为/>;
由原始数据采集模块得到自动驾驶简化空间阵列,将时间检测点/>时间下自动驾驶车辆与新的各障碍物特征信息点坐标集最近距离记为/>,/>,其中/>表示/>中每一个点与/>中每一个点在空间三维方向上相减之后得到的每个维度求差集合,/>表示每个维度求差集合的最小值集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743890.0A CN117421700B (zh) | 2023-12-19 | 2023-12-19 | 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743890.0A CN117421700B (zh) | 2023-12-19 | 2023-12-19 | 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117421700A CN117421700A (zh) | 2024-01-19 |
CN117421700B true CN117421700B (zh) | 2024-03-19 |
Family
ID=89527071
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743890.0A Active CN117421700B (zh) | 2023-12-19 | 2023-12-19 | 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117421700B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117806356B (zh) * | 2024-02-28 | 2024-07-19 | 南京大学 | 一种基于物联网的飞艇数据传输管理系统及方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9841763B1 (en) * | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
CN108646739A (zh) * | 2018-05-14 | 2018-10-12 | 北京智行者科技有限公司 | 一种传感信息融合方法 |
CN108764373A (zh) * | 2018-06-08 | 2018-11-06 | 北京领骏科技有限公司 | 一种用于自动驾驶中的传感器数据过滤及融合方法 |
CN109891192A (zh) * | 2016-10-17 | 2019-06-14 | 罗伯特·博世有限公司 | 用于定位车辆的方法和系统 |
CN112000452A (zh) * | 2020-08-20 | 2020-11-27 | 杭州电子科技大学 | 一种基于排队论的自动驾驶系统实时性分析方法 |
CN112083726A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向园区自动驾驶的双滤波器融合定位系统 |
WO2022184127A1 (zh) * | 2021-03-04 | 2022-09-09 | 华为技术有限公司 | 一种车辆、传感器的仿真方法及装置 |
CN115662184A (zh) * | 2022-09-09 | 2023-01-31 | 湖南大学 | 一种车辆行车风险评估方法 |
CN115840637A (zh) * | 2021-09-21 | 2023-03-24 | 哲晰公司 | 用于自动驾驶系统特征或功能的评估和开发的方法和系统 |
CN117128979A (zh) * | 2023-08-30 | 2023-11-28 | 中国第一汽车股份有限公司 | 一种多传感器融合方法、装置、电子设备及存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL277233B2 (en) * | 2018-03-18 | 2024-04-01 | Driveu Tech Ltd | Device, system and method for autonomous driving and remotely controlled vehicles |
KR102077201B1 (ko) * | 2018-07-20 | 2020-02-13 | 현대모비스 주식회사 | 차량의 통합 제어 장치 및 방법 |
-
2023
- 2023-12-19 CN CN202311743890.0A patent/CN117421700B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9841763B1 (en) * | 2015-12-16 | 2017-12-12 | Uber Technologies, Inc. | Predictive sensor array configuration system for an autonomous vehicle |
CN109891192A (zh) * | 2016-10-17 | 2019-06-14 | 罗伯特·博世有限公司 | 用于定位车辆的方法和系统 |
CN108646739A (zh) * | 2018-05-14 | 2018-10-12 | 北京智行者科技有限公司 | 一种传感信息融合方法 |
CN108764373A (zh) * | 2018-06-08 | 2018-11-06 | 北京领骏科技有限公司 | 一种用于自动驾驶中的传感器数据过滤及融合方法 |
CN112000452A (zh) * | 2020-08-20 | 2020-11-27 | 杭州电子科技大学 | 一种基于排队论的自动驾驶系统实时性分析方法 |
CN112083726A (zh) * | 2020-09-04 | 2020-12-15 | 湖南大学 | 一种面向园区自动驾驶的双滤波器融合定位系统 |
WO2022184127A1 (zh) * | 2021-03-04 | 2022-09-09 | 华为技术有限公司 | 一种车辆、传感器的仿真方法及装置 |
CN115840637A (zh) * | 2021-09-21 | 2023-03-24 | 哲晰公司 | 用于自动驾驶系统特征或功能的评估和开发的方法和系统 |
CN115662184A (zh) * | 2022-09-09 | 2023-01-31 | 湖南大学 | 一种车辆行车风险评估方法 |
CN117128979A (zh) * | 2023-08-30 | 2023-11-28 | 中国第一汽车股份有限公司 | 一种多传感器融合方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
Robust Real-time Obstacle Avoidance of Wheeled Mobile Robot based on Multi-Sensor Data Fusion;Sha Wang 等;《2021 IEEE 5th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC)》;20210405;2383-2387 * |
基于多测距传感器融合的智能车辆防撞系统研究;谢英博;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20230615;C035-42 * |
Also Published As
Publication number | Publication date |
---|---|
CN117421700A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117421700B (zh) | 一种用于自动驾驶中的传感器数据过滤及融合方法及装置 | |
CN114664078B (zh) | 基于自动驾驶车辆队列的道路合流区协作汇入控制方法 | |
FI3730370T3 (fi) | Menetelmä ja laite automaattista ajoreitin taltiointia varten | |
KR20190039648A (ko) | 자동차의 블라인드 스팟 모니터링 방법 및 이를 이용한 블라인드 스팟 모니터 | |
CN108133484B (zh) | 基于场景分割的自动驾驶处理方法及装置、计算设备 | |
US12093045B2 (en) | Method and system for operating a mobile robot | |
CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
JP6911312B2 (ja) | 物体識別装置 | |
JP7472832B2 (ja) | 車両制御装置、車両制御方法及び車両制御用コンピュータプログラム | |
CN113034378B (zh) | 一种区分电动汽车与燃油汽车的方法 | |
CN115100628B (zh) | 一种自动驾驶车辆的障碍物识别方法及装置 | |
CN113568416A (zh) | 无人车轨迹规划方法、装置和计算机可读存储介质 | |
CN113538909A (zh) | 一种自动驾驶车辆交通事件预测方法及装置 | |
CN116580574A (zh) | 基于车流量监测的道路交通多向动态管控方法 | |
CN111469852B (zh) | 用于机动车的驾驶员辅助系统的主对象选择的方法和驾驶辅助系统 | |
CN107704836A (zh) | 基于物体检测的疲劳驾驶检测方法 | |
JP7538300B2 (ja) | 自動運転車のオブジェクト認識率の改善方法およびその装置 | |
CN116279469B (zh) | 一种自动驾驶车辆跟随方法及系统 | |
US20240185593A1 (en) | Vehicle and control method thereof | |
CN118097978B (zh) | 一种交通信息智慧采集系统及方法 | |
CN117382593B (zh) | 一种基于激光点云过滤的车辆紧急制动方法和系统 | |
US20240005647A1 (en) | Vehicle and Control Method Thereof | |
WO2023032255A1 (ja) | 画像処理装置 | |
CN117572865A (zh) | 基于障碍物识别技术的机器人智能移动控制系统 | |
CN118262509A (zh) | 城区非主干道路交通路线预测方法、系统及介质 |
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 |