详情

原文传递一种行车环境识别方法

专利名称：	一种行车环境识别方法
摘要：	本申请涉及一种行车环境识别方法，包括如下步骤：步骤S1：通过雷达以及摄像机分别采集行车环境中的目标信息；步骤S2：对雷达以及摄像机所采集的目标信息进行初步融合处理，得到目标初步融合信息；步骤S3：根据目标初步融合信息和自车行驶状态判断当前行车环境模式；步骤S4：根据当前行车环境模式对目标初步融合信息进行对应的优化处理；步骤S5：输出优化处理后的目标信息数据。本申请设置有多个识别模式以及与识别模式对应的多个优化处理方式，针对不同目标利用不同识别模式进行识别，同时采用对应的优化处理方式对初步融合信息进行不同的融合优化处理，有效提高输出数据的准确率。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	惠州市德赛西威智能交通技术研究院有限公司
发明人：	李海鹏;罗作煌;陈丽
专利状态：	有效
申请日期：	2019-07-11T00:00:00+0800
发布日期：	2019-11-08T00:00:00+0800
申请号：	CN201910623416.1
公开号：	CN110422173A
代理机构：	惠州创联专利代理事务所(普通合伙)
代理人：	韩淑英
分类号：	B60W40/00(2006.01);B;B60;B60W;B60W40
申请人地址：	516006 广东省惠州市仲恺高新区和畅五路西8号投资控股大厦
主权项：	1.一种行车环境识别方法，其特征在于，包括如下步骤：步骤S1：通过雷达以及摄像机分别采集行车环境中的目标信息；步骤S2：对雷达以及摄像机所采集的目标信息进行初步融合处理，得到目标初步融合信息；步骤S3：根据所述目标初步融合信息和自车行驶状态判断当前行车环境模式；步骤S4：根据当前行车环境模式对所述目标初步融合信息进行对应的优化处理；以及步骤S5：输出优化处理后的目标信息数据。 2.根据权利要求1所述的行车环境识别方法，其特征在于，所述步骤S2中初步融合处理具体为通过匹配算法为将目标信息融合为包括纵向位置、横向位置、纵向速度、横向速度、目标类型的目标初步融合信息。 3.根据权利要求1所述的行车环境识别方法，其特征在于，所述步骤S3之前还包括：记录目标的航迹信息的步骤。 4.根据权利要求3所述的行车环境识别方法，其特征在于，所述当前行车环境模式选自： A1，正常模式：自车前侧的目标的目标类型为车辆，且该目标同时位于所述摄像机和雷达的探测范围内，其与自车纵向距离为L1~L2，横向距离为L3~L4，L1为5~8米，L2为90~110米，L3为-5米~-3米，L4为3米~5米，若所述雷达在自车一侧或两侧连续检测出多个冗余点，则自车到由其一侧或两侧的多个冗余点类聚处理后的冗余曲线的横向距离大于第一预设距离； B1，接近模式：自车前侧的目标的目标类型为非车辆，与自车距离为1.2~7米，且该目标的航迹信息曾携带为车辆类型，车辆类型消失前其航迹信息连续记录； C1，危险模式：自车前侧的目标的目标类型为非车辆，与自车距离为0~2米，雷达检测到的目标点闪烁，且雷达检测到的目标点闪烁前，该目标点的航迹信息连续记录； D1，边道模式：所述雷达在自车一侧或两侧连续检测出多个冗余点，且自车与由该侧或两侧的多个所述冗余点类聚处理后的冗余曲线的横向距离小于第二预设距离； E1，同时满足边道模式和接近模式；以及 F1，同时满足边道模式和危险模式。 5.根据权利要求1所述的行车环境识别方法，其特征在于，所述步骤S1中还对雷达以及摄像机所采集的数据进行数据预处理，数据预处理具体为将雷达采集的数据从极坐标系下转换至直角坐标系下以及从摄像机数据中筛选出类型为车辆目标。 6.根据权利要求1所述的行车环境识别方法，其特征在于，在所述步骤S1之前还包括步骤S0：采用深度学习算法构建对应多个行车环境模式的神经网络，并对神经网络进行数据训练,所述数据训练过程包括输入数据、过程处理以及输出数据，其中所述输入数据内容包括雷达提供的目标信息、摄像提供的目标信息、目标航迹以及自车信息，每种数据包括输入数据类型、数据个数以及数据来源，所述数据个数均为固定值，若当前时刻下实际数据个数不足则以“-1”作为默认值输入，若实际数据个数过多则舍弃部分直至满足神经网络尺度。 7.根据权利要求7所述的行车环境识别方法，其特征在于，所述步骤S0中还包括对神经网络采用随机失活进行训练优化。 8.根据权利要求8所述的行车环境识别方法，其特征在于，所述训练优化过程中若失活对象的所有输入≤0，则更换失活对象，否则，直至失活对象包含至少一个正值输入。 9.根据权利要求3所述的行车环境识别方法，其特征在于，所述步骤S4中优化处理方法包括： A2，当当前行车环境模式为所述正常模式时，将所述目标初步融合信息作为目标信息数据，当其中任何目标的航迹信息长时间未与摄像机提供的视觉数据匹配时，删除其对应航迹信息携带的目标类型； B2，当当前行车环境模式为所述边道模式时，判断冗余曲线与车道线曲率是否相同，若是，定义对应多个冗余点为冗余数据，并且删除冗余数据，否者，定义对应多个冗余点为有用数据； C2，当当前行车环境模式为所述接近模式时，保留位于自车正前方的目标的目标类型，并且保留静态目标以及之前具有长久航迹的目标的目标类型； D2，当当前行车环境模式为所述危险模式时，保留自车正前方的目标的目标航迹和目标类型，非正前方的目标的中的静态目标、具有长久航迹的目标、以及携带车辆类型的目标的航迹信息保留； E2，当当前行车环境模式同时满足边道模式和接近模式时，位于自车正前方的目标的目标类型全部保留，其中静态目标以及之前具有长久航迹的目标的目标类型保留，删除冗余数据；以及 F2，当当前行车环境模式同时满足边道模式和危险模式时，自车正前方目标的航迹信息和目标类型保留，非正前方的目标的中的静态目标、具有长久航迹的目标、以及携带车辆类型的目标的航迹保留，删除冗余数据。 10.根据权利要求10所述的行车环境识别方法，其特征在于，所述步骤S3之前，当判断自车的车前的目标车辆距离自车超过100米时，跳过步骤S3，直接将所述目标初步融合信息作为目标信息数据输出。
所属类别：	发明专利