CN117922595A - 基于自动驾驶的障碍物监测预警方法及系统 - Google Patents

Abstract

本发明公开了基于自动驾驶的障碍物监测预警方法及系统，涉及自动驾驶技术领域，包括：连接自动驾驶端，获得第一用户的第一驾驶信息；基于第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；基于实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；基于障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；判断障碍影响系数是否满足障碍影响预警约束；若障碍影响系数满足障碍影响预警约束，生成障碍预警信号。本发明解决了现有技术中障碍物监测准确性和实时性低的技术问题，达到了提高障碍物监测的准确性和实时性的技术效果。

Description

基于自动驾驶的障碍物监测预警方法及系统

技术领域

本发明涉及自动驾驶技术领域，具体涉及基于自动驾驶的障碍物监测预警方法及系统。

背景技术

随着科技的不断进步，自动驾驶技术得到了快速发展和普及。在自动驾驶技术的应用中，障碍物监测是一项非常重要的任务，旨在及时发现和识别车辆行驶中的障碍物，确保车辆的安全行驶。现有的自动驾驶障碍物监测方法主要包括基于传感器的监测方法和基于计算机视觉的监测方法。现有技术存在障碍物监测准确性和实时性低的技术问题。

发明内容

本申请通过提供基于自动驾驶的障碍物监测预警方法及系统，有效解决了现有技术中存在的障碍物监测准确性和实时性低的技术问题，达到了提高障碍物监测的准确性和实时性的技术效果。

本申请提供了基于自动驾驶的障碍物监测预警方法及系统，所述技术方案如下：

第一方面，本申请实施例提供了基于自动驾驶的障碍物监测预警方法，所述方法包括：

连接自动驾驶端，获得第一用户的第一驾驶信息；

基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；

基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；

基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；

判断所述障碍影响系数是否满足障碍影响预警约束；

若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。

第二方面，本申请实施例提供了基于自动驾驶的障碍物监测预警系统，所述系统包括：

第一驾驶信息获得模块，所述第一驾驶信息获得模块用于连接自动驾驶端，获得第一用户的第一驾驶信息；

实时驾驶监测结果获得模块，所述实时驾驶监测结果获得模块用于基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；

障碍物关联监测结果获得模块，所述障碍物关联监测结果获得模块用于基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；

障碍影响系数获得模块，所述障碍影响系数获得模块用于基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；

判断模块，所述判断模块用于判断所述障碍影响系数是否满足障碍影响预警约束；

障碍预警信号生成模块，所述障碍预警信号生成模块用于若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。

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：

本申请通过连接自动驾驶端，获得第一用户的第一驾驶信息，基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果，然后基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果，再基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数，进而判断所述障碍影响系数是否满足障碍影响预警约束，若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。有效解决了现有技术中存在的障碍物监测准确性和实时性低的技术问题，达到了提高障碍物监测的准确性和实时性的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需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，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的基于自动驾驶的障碍物监测预警方法流程示意图；

图2为本申请实施例提供的基于自动驾驶的障碍物监测预警系统结构示意图。

附图标记说明：第一驾驶信息获得模块1，实时驾驶监测结果获得模块2，障碍物关联监测结果获得模块3，障碍影响系数获得模块4，判断模块5，障碍预警信号生成模块6。

具体实施方式

本申请通过提供了基于自动驾驶的障碍物监测预警方法及系统，用于针对解决现有技术中存在的障碍物监测准确性和实时性低的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本发明提供了基于自动驾驶的障碍物监测预警方法，用于提高障碍物监测的准确性和实时性，所述方法包括：

连接自动驾驶端，所述自动驾驶端是指自动驾驶车辆的控制系统，包括各种传感器、控制器和执行器，用于实现车辆的自主驾驶，通过CAN总线、Ethernet、MOST等通信接口和技术将系统和自动驾驶端进行连接，连接到自动驾驶端后，获取第一用户的第一驾驶信息，所述第一用户是指驾驶自动驾驶车辆的人，当自动驾驶系统遇到无法处理的情况时，第一用户能够接管车辆的控制权，所述第一驾驶信息是指与第一用户的驾驶行为和车辆状态相关的信息，包括第一用户的身份信息、驾驶习惯、驾驶时间、行驶路线、车速、加速度等，还包括第一用户对车辆的指令，例如改变车辆的速度或者行驶路线等。

获得第一驾驶信息后，系统将它们与自动驾驶监测单元进行关联，所述自动驾驶监测单元是一个专门的硬件或软件模块，用于监控和管理自动驾驶车辆的运行状态和驾驶行为，它通过车辆的各种传感器(例如摄像头、激光雷达、GPS等)收集环境数据，包括道路状况、交通信号灯、其他车辆的位置和速度等，也收集车辆的状态信息，例如车辆的位置、速度、加速度、行驶路线等，收集到这些信息后，自动驾驶监测单元通过分析这些信息，对车辆的实时驾驶状况和周围环境进行监测，得到实时驾驶监测结果，包括车辆的实时位置、速度、加速度等参数，以及周围环境中障碍物的位置和速度等。

基于所述实时驾驶监测结果进行特征识别，即从实时监测结果中识别出与障碍物相关的特征，包括障碍物的形状、大小、位置、速度等，系统通过对这些特征进行分析和识别，能够判断出是否存在障碍物以及障碍物的类型和状态，例如，如果系统检测到车辆前方有一个静止的物体，它会识别出这是一个静止的障碍物；如果前方有一个移动的车辆，它会识别出这是一个动态的障碍物。根据识别出的特征，系统进一步进行障碍物关联监测，与已知的障碍物类型进行比较和匹配，例如系统将物体成功匹配到已知的障碍物类型，例如行人、车辆、自行车等，那么它就将这个物体识别为相应的障碍物，进而得到障碍物关联监测结果。

基于所述障碍物关联监测结果进行障碍影响分析，所述障碍影响分析是评估障碍物对车辆行驶的影响，包括预测碰撞的可能性、估计潜在的行驶干扰等，然后将障碍影响分析结果进行量化，得到障碍影响系数，障碍影响系数的值根据障碍物的类型、大小、距离、速度等因素综合计算得出，用于表示障碍物对车辆行驶的影响程度。

判断所述障碍影响系数是否满足障碍影响预警约束，所述障碍影响预警约束是指预设的、用于判断障碍物影响是否需要进行预警的条件或标准，根据已计算的障碍影响系数，判断其是否达到或超过了预设的预警约束条件，若障碍影响系数满足障碍影响预警约束条件，系统生成障碍预警信号，这个信号用于提醒驾驶员或乘客注意潜在的危险或干扰，信号的具体呈现方式包括声音、灯光、震动等。达到了提高障碍物监测的准确性和实时性技术效果。

在本申请实施例提供的一种优选实施方式中，基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果，包括：

对所述实时驾驶监测结果进行主成分分析，主成分分析用于减少数据集的维度，同时保留数据集中的主要特征，通过主成分分析，将实时驾驶监测结果(包括车辆的速度、加速度、方向盘转角等各种参数以及环境信息，例如道路状况、交通信号灯的状态等)中的多个变量转化为少数几个主成分，这些主成分能够代表原始数据中的大部分信息，具体而言，将实时驾驶监测结果数据进行标准化处理，使它们具有相同的均值和标准差，消除数据之间的量纲和数量级的影响，然后通过计算数据的协方差矩阵，反映各个变量之间的相关性，再通过特征值分解协方差矩阵，得到各个变量的主成分，最后将原始数据投影到这些主成分上，得到一组新的数据，这组新的数据就是所述实时驾驶监测数据，这组数据保留了原始数据中的主要特征，但维度得到了降低。

经过主成分分析后，所述实时驾驶监测数据包含了车辆和环境的主要特征，然后根据这些数据进行障碍物关联数据提取，利用训练好的机器学习模型，例如支持向量机、随机森林或者神经网络等，对主成分分析处理后的数据进行分类或回归分析，模型根据数据的特征，识别出与障碍物相关的数据，将这些障碍物关联数据提取出来，作为所述障碍物关联监测结果。这一优选实施方式通过进行主成分分析，将原始的、高维度的实时驾驶监测结果转化为低维度的数据，减少了数据的复杂性，提高了计算效率，达到了提高数据处理效率的技术效果。

在本申请实施例提供的另一种优选实施方式中，基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数，包括：

对所述障碍物关联监测结果进行障碍影响识别，即对障碍物关联监测结果进行进一步分析，确定障碍物对车辆行驶的具体影响，利用训练好的机器学习模型(例如支持向量机、随机森林或者神经网络等)，对障碍物关联监测结果进行分类或回归分析，模型根据障碍物的类型、位置、速度等特征，识别出其对车辆行驶的具体影响，对于识别出的障碍影响，进行进一步的处理和分析，例如计算障碍物对车辆行驶的影响程度、潜在的行驶干扰等，然后将这些障碍影响数据提取出来，作为实时障碍影响系数。

基于所述障碍物关联监测结果进行障碍影响预测，即预测未来的障碍物对车辆行驶的可能影响，利用时间序列分析方法(例如ARIMA或者神经网络等)，对当前的障碍物关联监测结果进行建模，并根据模型预测未来的障碍物关联监测结果，根据预测的障碍物关联监测结果，进行障碍影响的预测，例如预测碰撞的可能性、行驶干扰等，然后将预测的障碍影响数据提取出来，作为预测障碍影响系数。

获得预设障碍影响加权约束，所述预设障碍影响加权约束是预先设定的、用于确定实时障碍影响系数和预测障碍影响系数之间权重的约束条件，包括固定的权重值或动态调整的权重值。

基于预设障碍影响加权约束，将实时障碍影响系数和预测障碍影响系数进行加权计算，例如计算两者的加权平均值或加权最大值，将计算得到的障碍影响系数作为最终的结果，用于后续预警过程。这一优选实施方式综合考虑当前的实时障碍物关联监测结果和未来的障碍物发展趋势，通过预设障碍影响加权约束将实时障碍影响系数和预测障碍影响系数进行综合分析，达到了提供全面和准确的障碍影响分析结果的技术效果。

在本申请实施例提供的另一种优选实施方式中，对所述障碍物关联监测结果进行障碍影响识别，获得实时障碍影响系数，包括：

获得自动驾驶障碍影响记录库，所述自动驾驶障碍影响记录库是包含自动驾驶车辆在各种条件下遭遇的障碍物及其对车辆行驶的影响的数据集。具体而言，通过自动驾驶车辆的传感器、摄像头等设备收集数据，并将数据存储在数据库中，然后对收集到的数据进行清洗和标注，将与障碍物相关的数据挑选出来，并标注其对应的障碍物类型和影响，进而构建一个包含各种障碍物及其影响的数据集，该数据集即为自动驾驶障碍影响记录库。

基于所述自动驾驶障碍影响记录库，训练障碍影响识别网络，从自动驾驶障碍影响记录库中选取训练数据和测试数据，用于训练和验证障碍影响识别网络，利用这些数据训练一个深度学习模型，采用监督学习的方式，将障碍物的特征作为网络的输入，将障碍物类型和影响作为网络的输出，通过调整模型的参数和结构，优化模型的性能，训练完成的障碍影响识别网络能够准确地识别出新的障碍物及其对车辆行驶的影响。

将所述障碍物关联监测结果输入已经训练好的障碍影响识别网络中，网络根据输入的监测结果，自动判断出对应的障碍物类型和影响程度，根据网络的输出，生成实时障碍影响系数，该系数可以是一个数值或者一个概率分布，用于表示障碍物对车辆行驶的影响程度。这一优选实施方式通过构建自动驾驶障碍影响记录库和利用深度学习模型进行训练，能够充分利用大量的数据驱动模型的学习和优化，进而准确识别出新的障碍物及其对车辆行驶的影响，达到了提高识别的准确性和鲁棒性的技术效果。

在本申请实施例提供的另一种优选实施方式中，基于所述障碍物关联监测结果进行障碍影响预测，获得预测障碍影响系数，包括：

基于马尔科夫链对所述障碍物关联监测结果进行状态预测，马尔科夫链是一种随机过程，其中下一个状态只依赖于当前状态，而与过去状态无关，具体而言，定义障碍物关联监测结果的各个状态，例如静止、移动、加速等状态，利用已经收集到的障碍物关联监测数据进行训练，构建一个马尔科夫链模型，根据当前的障碍物关联监测结果，利用马尔科夫链模型进行状态转移概率的计算，从而预测下一个时刻的障碍物关联监测结果，通过迭代计算，得到未来一段时间内的预测障碍物关联监测结果。将预测障碍物关联监测结果输入到已经训练好的障碍影响识别模型中，模型根据输入的结果，自动判断出对应的障碍影响程度，例如潜在的碰撞可能性、行驶干扰等，根据模型的输出，生成预测障碍影响系数，该系数可以是一个数值或者一个概率分布，用于表示障碍物对未来车辆行驶的影响程度。这一优选实施方式通过基于马尔科夫链的预测模型，能够预测未来一段时间内的障碍物关联监测结果，达到了提高对未来情况的预见性和适应性的技术效果。

在本申请实施例提供的另一种优选实施方式中，若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号，包括：

若所述障碍影响系数满足所述障碍影响预警约束，将实时计算的障碍影响系数与一个预设的阈值进行比较，如果障碍影响系数大于阈值，则满足预警约束条件，生成障碍预警指令，否则，返回正常驾驶状态。

根据所述障碍预警指令，激活预设障碍预警等级表，所述预设障碍预警等级表是一个预先设定的表格，用于根据不同的障碍预警等级给出相应的预警信号，当收到障碍预警指令时，激活这个预设障碍预警等级表，预设障碍预警等级表中设定有不同级别的障碍预警等级，例如红色、黄色和绿色等。

根据已经激活的预设障碍预警等级表，将障碍影响系数作为输入参数，根据预设的规则从中查找对应的匹配障碍预警等级，例如，将不同的障碍影响系数范围映射到不同的预警等级上。根据获得的匹配障碍预警等级，生成相应的障碍预警信号，包括声音提示、灯光闪烁、在车辆的显示屏上显示警告信息等，提醒驾驶员或自动驾驶系统采取相应的应对措施，例如，当匹配的障碍预警等级为红色时，发出强烈的警告声音，并在车辆的显示屏上显示紧急制动或避让等提示信息。这一优选实施方式通过预设的障碍预警等级表和规则进行匹配和生成障碍预警信号，达到了增加预警的客观性和准确性的技术效果。

实施例二

基于与前述实施例中基于自动驾驶的障碍物监测预警方法相同的发明构思，如图2所示，本申请提供了基于自动驾驶的障碍物监测预警系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

第一驾驶信息获得模块1，所述第一驾驶信息获得模块1用于连接自动驾驶端，获得第一用户的第一驾驶信息；

实时驾驶监测结果获得模块2，所述实时驾驶监测结果获得模块2用于基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；

障碍物关联监测结果获得模块3，所述障碍物关联监测结果获得模块3用于基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；

障碍影响系数获得模块4，所述障碍影响系数获得模块4用于基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；

判断模块5，所述判断模块5用于判断所述障碍影响系数是否满足障碍影响预警约束；

障碍预警信号生成模块6，所述障碍预警信号生成模块6用于若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。

进一步的，所述障碍物关联监测结果获得模块3用于执行如下方法：

对所述实时驾驶监测结果进行主成分分析，获得实时驾驶监测数据；

基于所述实时驾驶监测数据进行障碍物关联数据提取，得到所述障碍物关联监测结果。

进一步的，所述障碍影响系数获得模块4用于执行如下方法：

对所述障碍物关联监测结果进行障碍影响识别，获得实时障碍影响系数；

基于所述障碍物关联监测结果进行障碍影响预测，获得预测障碍影响系数；

获得预设障碍影响加权约束；

基于所述预设障碍影响加权约束对所述实时障碍影响系数和所述预测障碍影响系数进行加权计算，生成所述障碍影响系数。

进一步的，所述障碍影响系数获得模块4用于执行如下方法：

获得自动驾驶障碍影响记录库；

基于所述自动驾驶障碍影响记录库，训练障碍影响识别网络；

将所述障碍物关联监测结果输入所述障碍影响识别网络，生成所述实时障碍影响系数。

进一步的，所述障碍影响系数获得模块4用于执行如下方法：

基于马尔科夫链对所述障碍物关联监测结果进行状态预测，获得预测障碍物关联监测结果；

对所述预测障碍物关联监测结果进行障碍影响识别，得到所述预测障碍影响系数。

进一步的，所述障碍预警信号生成模块6用于执行如下方法：

若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警指令；

根据所述障碍预警指令，激活预设障碍预警等级表；

将所述障碍影响系数输入所述预设障碍预警等级表，获得匹配障碍预警等级；

根据所述匹配障碍预警等级，生成所述障碍预警信号。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (7)

1.基于自动驾驶的障碍物监测预警方法，其特征在于，所述方法包括：

连接自动驾驶端，获得第一用户的第一驾驶信息；

基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；

基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；

基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；

判断所述障碍影响系数是否满足障碍影响预警约束；

若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。

2.如权利要求1所述的方法，其特征在于，基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果，包括：

对所述实时驾驶监测结果进行主成分分析，获得实时驾驶监测数据；

基于所述实时驾驶监测数据进行障碍物关联数据提取，得到所述障碍物关联监测结果。

3.如权利要求1所述的方法，其特征在于，基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数，包括：

对所述障碍物关联监测结果进行障碍影响识别，获得实时障碍影响系数；

基于所述障碍物关联监测结果进行障碍影响预测，获得预测障碍影响系数；

获得预设障碍影响加权约束；

基于所述预设障碍影响加权约束对所述实时障碍影响系数和所述预测障碍影响系数进行加权计算，生成所述障碍影响系数。

4.如权利要求3所述的方法，其特征在于，对所述障碍物关联监测结果进行障碍影响识别，获得实时障碍影响系数，包括：

获得自动驾驶障碍影响记录库；

基于所述自动驾驶障碍影响记录库，训练障碍影响识别网络；

将所述障碍物关联监测结果输入所述障碍影响识别网络，生成所述实时障碍影响系数。

5.如权利要求3所述的方法，其特征在于，基于所述障碍物关联监测结果进行障碍影响预测，获得预测障碍影响系数，包括：

基于马尔科夫链对所述障碍物关联监测结果进行状态预测，获得预测障碍物关联监测结果；

对所述预测障碍物关联监测结果进行障碍影响识别，得到所述预测障碍影响系数。

6.如权利要求1所述的方法，其特征在于，若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号，包括：

若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警指令；

根据所述障碍预警指令，激活预设障碍预警等级表；

将所述障碍影响系数输入所述预设障碍预警等级表，获得匹配障碍预警等级；

根据所述匹配障碍预警等级，生成所述障碍预警信号。

7.基于自动驾驶的障碍物监测预警系统，其特征在于，所述系统包括：

第一驾驶信息获得模块，所述第一驾驶信息获得模块用于连接自动驾驶端，获得第一用户的第一驾驶信息；

实时驾驶监测结果获得模块，所述实时驾驶监测结果获得模块用于基于所述第一驾驶信息，根据自动驾驶监测单元进行实时监测，获得实时驾驶监测结果；

障碍物关联监测结果获得模块，所述障碍物关联监测结果获得模块用于基于所述实时驾驶监测结果进行特征识别，获得障碍物关联监测结果；

障碍影响系数获得模块，所述障碍影响系数获得模块用于基于所述障碍物关联监测结果进行障碍影响分析，获得障碍影响系数；

判断模块，所述判断模块用于判断所述障碍影响系数是否满足障碍影响预警约束；

障碍预警信号生成模块，所述障碍预警信号生成模块用于若所述障碍影响系数满足所述障碍影响预警约束，生成障碍预警信号。