一种面向智能汽车的交通场景语义建模装置、建模方法以及定位方法制造方法及图纸

本发明专利技术公开了一种面向智能汽车的交通场景语义建模装置、建模方法以及定位方法，本发明专利技术为实现高建模精度，将交通场景进行多尺度多层级的精细化表征，包括：道路位置层，场景特征层以及交通语义层。其中，交通语义层采用深度学习的方式对交通元素进行语义识别，并将场景中的行人、车辆等动态目标剔除，解决了动态目标干扰问题；道路位置层描述了场景间的位置关系；场景特征层是在最大限度减少数据存储的基础上对交通场景进行充分的描述。上述三者解决了高精度地图对交通场景精细描述的问题。了高精度地图对交通场景精细描述的问题。了高精度地图对交通场景精细描述的问题。

【技术实现步骤摘要】
一种面向智能汽车的交通场景语义建模装置、建模方法以及定位方法


[0001]本专利技术属于智能汽车技术，具体涉及一种面向智能汽车的交通场景语义建模装置、建模方法以及定位方法。

技术介绍

[0002]随着科技的进步，智能汽车已逐渐成为了国内外研究的热门问题。该领域中的高精度地图是实现汽车智能化的最关键问题之一。高精度地图构建是实现高精度定位、环境感知、决策规划以及执行控制的基础。该地图的构建与普通地图不同，普通地图仅需要提供高精度的经纬度信息，然而仅提供经纬度信息并不能满足智能汽车的驾驶需求，需在普通地图的基础上对交通场景进行描述，而描述的充分与否直接决定了地图构建的精度。因此，对智能汽车的交通场景建模，是高精度地图构建的核心技术。在交通场景建模过程中，不可避免的会出现行人、车辆，上述动态目标会直接影响地图构建精度。

技术实现思路

[0003]针对上述问题，本专利技术提供了一种面向智能汽车的交通场景语义建模装置及方法、以及利用该建模装置的定位方法。为保证建模精度，将交通场景进行多尺度多层级的精细化表征，包括：道路位置层，场景特征层以及交通语义层。其中，交通语义层采用深度学习的方式对交通元素进行语义识别，并将场景中的行人、车辆等动态目标剔除，解决了动态目标干扰问题；道路位置层描述了场景间的位置关系；场景特征层是在最大限度减少数据存储的基础上对交通场景进行充分的描述。上述三者解决了高精度地图对交通场景精细描述的问题。
[0004]技术方案如下：
[0005]本专利技术的一种面向智能汽车的交通场景语义建模装置，包括多源异构数据采集系统，多源异构传感器标定与融合系统，特征处理系统。所述多源异构数据采集系统，主要负责对交通场景语义的数据采集，包括三个激光测距仪、一个北斗系统、一个差分北斗基站和一个惯性导航系统，激光测距仪安装在智能汽车外部的任意位置，北斗系统安装于车顶的任意位置，差分北斗基站安装于被测道路场景附近无被遮挡的高处，惯性导航系统安装于智能汽车内的任意位置；所述多源异构传感器标定与融合系统，主要作用为融合交通场景模型中的多语义特征，主要包括平整的带有反射功能的平面标定板；特征处理系统主要作用为将所采集的数据进行语义特征提取，主要为车载工控机，安装于智能汽车中的任意位置。
[0006]本专利技术还公开了一种面向智能汽车的交通场景语义建模方法，包括多个尺度不同层级建模，包括以下步骤：
[0007](1)数据采集：(1.1)多传感器标定；(1.2)多源数据采集与融合；
[0008](2)多尺度交通场景语义建模：(2.1)构建道路位置层；(2.2)构建场景特征层；
(2.3)构建交通语义层。
[0009]进一步的，所述步骤(1.1)中多传感器标定方法为：a.将平整的带有反射功能的标定板在三个激光雷达前放置，三个激光雷达同时射向标定板并获取数据，获取次数为三次。b.对标定板的数据进行平面拟合，计算标定板的平面方程，三个激光雷达的平面方程分别为下式所示：
[0010]a
″1x+b
″1y+c
″1z+d
″1＝0
[0011][0012][0013]式中，n为第n次获取的平面，n＝1，2，3，α
m
，b
m
，c
m
，d
m
(m＝1，2，3)分别为4个平面方程的系数。c.以标定板为基准平面，计算三个激光雷达的位置关系，通过R
j
和t
j
表示，如下式所示：
[0014][0015]式中，j为第j个激光雷达。通过上式完成标定。
[0016]进一步的，(1.2.1)在智能汽车行驶过程中，三个激光雷达分别对周边交通场景采集激光点云，北斗接收机在激光雷达接收点云的同时同步接收经纬度信息，并通过惯导系统与北斗差分基站获得高精度位置信息。
[0017](1.2.2)对采集信息通过步骤(1.1)所得结果，将三个不同激光雷达所采集的点云映射至统一坐标系下，完成不同传感器间的融合。
[0018][0019]式中[X
j Y
j Z
j
]T
是第j(j＝1，2，3)个激光雷达的坐标，[x y z]T
是统一坐标系下的坐标，R
j
，t
j
是激光雷达到统一坐标系的位置关系矩阵，尺寸分别为3
×
3与3
×
1.
[0020]进一步的，所述步骤(2.1)中构建道路位置层的具体方法为：
[0021](2.1.1)计算点云帧间的位置关系，运用旋转矩阵A和平移向量B来表示，如下式所示：
[0022][0023]式中，是第i帧点云数据的高精度位置信息，i＝0，1，2，3
…
。A
i+1
，B
i+1
表示第i+1帧与第i帧的位置关系矩阵，A
i+1
为3
×
3的矩阵，B
i+1
为3
×
1的向量。
[0024](2.1.2)帧间点云位置关系优化。引入卡尔曼滤波思想，以激光点云为测量集，以高精度北斗信息为观察集，完成帧间点云位置关系的优化。其中北斗信息为观察集，如下式所示：
[0025][0026]式中Z
b
为观察集，H
b
为观测矩阵，W
k
为北斗数据，是上一状态下的北斗数据的经纬坐标，是当前状态下的北斗数据的经纬坐标；激光点云为测量集，如下式所示：
[0027][0028]式中Z
l
为测量集，E为测量矩阵式中为单位阵，L
k
为激光点云数据，将二者相融合，并加入状态转移矩阵F，完成关系优化如下式所示：
[0029][0030]进一步的，所述步骤(2.2)中构建交通语义层的具体方法为：
[0031](2.2.1)构建交通场景语义数据集，包括但不局限于机动车、行人、建筑物、树木、交通标志等。
[0032](2.2.2)引入深度学习，对交通场景的语义进行判别：构建面向交通场景的卷积神经网络，网络共34层，构造如图9所示，图中“3
×
3 conv，64”意为卷积层，对于卷积层采用对应的滤波器，尺寸为3
×
3，该层提取交通场景语义特征，64为通道数，卷积层用于提取图像特征，“avgpool”是平均池化层，平均池化层将特征进行压缩，从而达到简化计算的效果，“fc”为全连接层，将卷积计算结果进行标记，即对交通语义特征进行判断。如下式所示：
[0033]Y＝F(X，{w
i
})+X
[0034]式中X为激光点云，通过对其进行F(X，{w
i
})的训练处理，w
i
是残差映射，最终输出Y，即为交通场景的语义性。
[0035](2.2.3)对语义性进行判定，对判定为动态目标语义特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向智能汽车的交通场景语义建模装置，其特征在于，包括多源异构数据采集系统、多源异构传感器标定与融合系统、特征处理系统；所述多源异构数据采集系统，包括三个激光测距仪、一个北斗系统、一个差分北斗基站和一个惯性导航系统，主要负责对交通场景语义的数据采集；所述多源异构传感器标定与融合系统，主要作用为融合交通场景模型中的多语义特征；所述特征处理系统，主要作用为将所采集的数据进行语义特征提取。2.根据权利要求1所述的一种面向智能汽车的交通场景语义建模装置，其特征在于，所述激光测距仪安装在智能汽车外部的任意位置，北斗系统安装于车顶的任意位置，差分北斗基站安装于被测道路场景附近无被遮挡的高处，惯性导航系统安装于智能汽车内的任意位置；所述多源异构传感器标定与融合系统，主要包括平整的带有反射功能的平面标定板；特征处理系统主要为车载工控机，安装于智能汽车中的任意位置。3.一种面向智能汽车的交通场景语义建模方法，其特征在于，包括多个尺度不同层级建模，包括以下：S1数据采集：S1.1多传感器标定；S1.2多源数据采集与融合；S2多尺度交通场景语义建模：S2.1构建道路位置层；S2.2构建交通语义层；S2.3构建场景特征层。4.根据权利要求3所述的一种面向智能汽车的交通场景语义建模方法，其特征在于，所述步骤S1.1中多传感器标定的方法为：S1.1.1.将平整的带有反射功能的标定板在三个激光雷达前放置，三个激光雷达同时射向标定板并获取数据，获取次数为三次；S1.1.2.对标定板的数据进行平面拟合，计算标定板的平面方程，三个激光雷达的平面方程分别为下式所示：方程分别为下式所示：方程分别为下式所示：式中，n为第n次获取的平面，n＝1,2,3，a
m
,b
m
,c
m
,d
m
(m＝1,2,3)分别为4个平面方程的系数；S1.1.3.以标定板为基准平面，计算三个激光雷达的位置关系，通过R
j
和t
j
表示，如下式所示：式中，j为第j个激光雷达,通过上式完成标定。5.根据权利要求3所述的一种面向智能汽车的交通场景语义建模方法，其特征在于，所述S1.2中多源数据采集与融合的方法如下：S1.2.1在智能汽车行驶过程中，三个激光雷达分别对周边交通场景采集激光点云，北斗接收机在激光雷达接收点云的同时同步接收经纬度信息，并通过惯导系统与北斗差分基站获得高精度位置信息；S1.2.2对采集信息通过步骤S1.1标定的结果，将三个不同激光雷达所采集的点云映射
至统一坐标系下，完成不同传感器间的融合；式中[X
j Y
j Z
j
]
T
是第j(j＝1,2,3)个激光雷达的坐标，[x
i y
i z
i
]
T
是统一坐标系下的坐标，R
j
，t
j
是激光雷达统一坐标系的位置关系，尺寸分别为3
×
3与3
×
1。6.根据权利要求3所述的一种面向智能汽车的交通场景语义建模方法，其特征在于，所述步骤S2.1中构建道路位置层的具体方法为：S2.1.1计算点云帧间的位置关系，运用旋转矩阵A和平移向量B来表示，如下式所示：式中，是第i帧点云数据的高精度位置信息，i＝0,1,2,3
…
。A
i+1
...

【专利技术属性】
技术研发人员：李祎承，陆子恒，蔡英凤，王海，朱镇，蒋卓一，冯锋，
申请(专利权)人：江苏大学，
类型：发明
国别省市：