详情

原文传递一种自动驾驶车辆的智能避障系统及方法

专利名称：	一种自动驾驶车辆的智能避障系统及方法
摘要：	一种自动驾驶车辆的智能避障系统及方法，属于自动驾驶领域。现有的码头场景下的自动导引车辆并不能实现完全的自主避障，运输效率不高。本发明在自动驾驶车辆上安装障碍物检测装置、障碍物轨迹预测子系统、车辆决策子系统，数据集采集装置，障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；由车辆决策子系统根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，根据车辆的未来轨迹可能出现的位置进行标定，并绕过标定位置。本发明能够对障碍物车辆进行效果更好的避障的。减少自动驾驶车辆间的碰撞概率，增加码头场景下自动驾驶车辆的通行效率。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	深圳数翔科技有限公司
发明人：	宋超
专利状态：	有效
申请日期：	2019-07-06T00:00:00+0800
发布日期：	2019-10-25T00:00:00+0800
申请号：	CN201910607149.9
公开号：	CN110371112A
代理机构：	牡丹江市丹江专利商标事务所(特殊普通合伙)
代理人：	张雨红
分类号：	B60W30/09(2012.01);B;B60;B60W;B60W30
申请人地址：	518118 广东省深圳市坪山区马峦街道坪环社区锦龙大道1号
主权项：	1.一种自动驾驶车辆的智能避障系统，其特征在于：其组成包括：安装在自动驾驶车辆上的障碍物检测装置、障碍物轨迹预测子系统、车辆决策子系统，数据集采集装置；障碍物检测装置，用于探测其他自动驾驶车辆，将探测到的自动驾驶车辆作为障碍物，并将探测到的数据进行处理，得到障碍物车辆相对于传感器的坐标；数据集采集装置，用于采集障碍物车辆行驶轨迹的信息，并将车辆在码头场景下运行的轨迹做记录并存储；将采集到的车辆轨迹作为轨迹预测算法的训练集，训练若干次，将训练好的障碍物轨迹预测算法模型保存；障碍物轨迹预测子系统，用于将障碍物检测装置检测的障碍物车辆坐标传入到数据集采集装置训练出的障碍物轨迹预测算法模型，并根据障碍物的历史轨迹预测出障碍物的未来轨迹；车辆决策子系统，用于根据障碍物轨迹预测算法模型预测出来的未来轨迹进行决策，根据车辆的未来轨迹可能出现的位置进行标定，并绕过这个可能被占用的位置。 2.根据权利要求1所述一种自动驾驶车辆的智能避障系统，其特征在于：所述的障碍物检测装置通过视觉传感器和激光雷达传感器实现；所述的视觉传感器通过目标检测方法检测出车辆，所述的激光雷达传感器探测出障碍物的具体位置；利用激光雷达传感器和视觉传感器融合的结果，获取障碍物是否为车辆，并且获取障碍物车辆相对于传感器的相对位置坐标。 3.根据权利要求2所述一种自动驾驶车辆的智能避障系统，其特征在于：所述的数据集采集装置，通过激光传感器和视觉传感器实现，是将激光传感器和视觉传感器安装在普通车辆上，由司机驾驶普通车辆在码头环境下采集其他车辆的行驶信息。 4.根据权利要求3所述一种自动驾驶车辆的智能避障系统，其特征在于：障碍物轨迹预测子系统应用循环神经网络(RNN)，将采集到的训练集传入循环神经网络训练，训练完成之后传入新的轨迹信息，利用轨迹预测算法通过这个新的轨迹信息预测出未来的轨迹信息。 5.根据权利要求4所述一种自动驾驶车辆的智能避障系统，其特征在于：车辆决策子系统根据预测出的自动驾驶车辆未来可能出现的位置，通过决策算法将此处位置标记为占用，在进行轨迹规划时绕过这个占用的位置。 6.一种利用上述权利要求的系统进行自动驾驶车辆的智能避障方法，其特征在于：所述方法包括以下步骤：步骤一、采集数据：应用数据集采集装置的各传感器获取障碍物车辆行驶过程中，障碍物在码头场景下相对于采集工作车辆的左右偏移x和前后偏移y的行驶轨迹信息，将获得的障碍物轨迹数据进行存储；步骤二、向神经网络的池化层输入数据进行处理，其中，为函数，W为权重；步骤三、将池化层处理之后的数据传入循环神经网络中，循环神经网络公式为步骤四、再次进入池化层处理，处理公式为：步骤五、将传入的数据转变为二维正态分布参数的形式：步骤六、设置损失函数，损失函数为用优化算法最小化损失函数；步骤七、进行循环神经网络的训练：对循环神经网络的参数进行优化，保存训练结果；步骤八、使用训练好的循环神经网络进行轨迹预测，根据避障原理，将预测的行驶轨迹加入到轨迹规划中，具体为： 1)、在计算机存储单元上运行轨迹预测算法； 2)、加载步骤七训练好的训练结果，然后通过传感器输入数据到训练好的循环神经网络，中间经历的池化层和训练过程中的公式和原理同上，即： 3)、通过二维正态分布输出预测的新轨迹为公式表示为：其中，步骤一数据集采集方法具体为：进行数据采集的车辆装有视觉传感器和激光传感器，应用目标检测算法识别车辆并对车辆进行跟踪；由司机驾驶车辆在码头以20-60km/h的速度匀速行驶，经过若干小时后，传感器获取到车辆一系列时间的轨迹数据，保存以供轨迹预测算法使用。 7.根据权利要求6所述的一种自动驾驶车辆的智能避障方法，其特征在于：步骤八所述的根据避障原理，将预测的行驶轨迹加入到轨迹规划中具体为，两辆车相向行驶，以当前车辆为主要研究对象，障碍物车辆朝向当前车辆所在的方向行驶，此时当前车辆的障碍物检测装置会检测到障碍物车辆，障碍物轨迹预测子系统通过观测到障碍物车辆的行走趋势预测出障碍物车辆未来可能出现的位置，将预测出来的位置标记，车辆决策子系统判断出障碍物车辆可能出现的位置进行相应避障，重新生成新轨迹，在默认情况下，车辆生成的新轨迹在当前车辆运行轨迹的右侧；且生成的新轨迹必须满足实际地图的限制，需满足车辆轨迹的行驶限制条件，在可行驶的区域内。 8.根据权利要求7所述的一种自动驾驶车辆的智能避障方法，其特征在于：所述的满足车辆轨迹的行驶限制条件，是通过验证过程实现的，具体为：步骤1、将可能影响车辆轨迹的限制条件转化为数学条件，限制条件包括有：速度限制、加速度限制、转弯时的方向限制、车辆与障碍物的距离限制，转换之后的数学公式为：j1(x),j2(x),j3(x)…；步骤2、对不同的限制分别取不同的权重a1,a2,a3…，以满足车辆在不同情况的决策需求；步骤3、将轨迹转化为优化函数：x*＝arg min J(x)；其中，J(x)为先通过将各限制条件与各对应权重相乘，再将各乘机结果相加；步骤4、求解优化函数的最小值，即得到当前最优的路径。 9.根据权利要求8所述的一种自动驾驶车辆的智能避障方法，其特征在于：所述的轨迹预测方法利用循环神经网络，包括神经网络的训练过程和预测过程；当轨迹预测算法执行训练过程之后生成训练好的模型，在神经网络预测过程中，输入障碍物车辆的轨迹，应用训练好的模型得到车辆的未来轨迹。
所属类别：	发明专利