一种多信息融合的自动驾驶系统道路边界构建方法技术方案

本发明专利技术涉及一种多信息融合的自动驾驶系统道路边界构建方法，包括如下步骤：1）利用高精度地图提供的道路信息构建道路边界K1；2）利用摄像头和毫米波雷达所获信息构建道路边界K2；3）利用摄像头获取的车道图片构建道路边界K3；4）利用摄像头对车辆进行跟踪形成的车流轨迹构建道路边界K4；5）通过无迹卡尔曼滤波方法对道路边界K1、道路边界K2、道路边界K3和道路边界K4进行滤波处理，得到融合道路边界。本发明专利技术针对高精度地图、摄像头和毫米波雷达各自的局限性，通过无迹卡尔曼滤波技术,将利用多种方式构建的道路边界融合在一起，使融合后的道路边界具有更高的可靠性与稳定性。路边界具有更高的可靠性与稳定性。路边界具有更高的可靠性与稳定性。

【技术实现步骤摘要】
一种多信息融合的自动驾驶系统道路边界构建方法


[0001]本专利技术属于自动驾驶的
，具体涉及一种多信息融合的自动驾驶系统道路边界构建方法。

技术介绍

[0002]近年来，随着信息技术、物联网及人工智能技术的蓬勃发展，汽车正朝着智能化、无人化的方向演进，越来越多的汽车开始搭载自动驾驶系统或辅助驾驶功能。为保证自动驾驶系统控制下的车辆能够正确且安全的行驶，避免车辆偏离或冲出道路，需要对车辆正在行驶的道路进行识别，构建道路边界。
[0003]目前，道路边界的构建可以通过高精度地图、摄像头、毫米波雷达和激光雷达等设备来实现，如中国专利CN202110528933.8一种道路边界检测方法，该方案通过激光雷达获取道路数据，进行道路边界的构建，其目的是为适用于矿区非结构化道路的边界构建。但上述方法都存在一定局限性，例如：高精度地图由于建立较为复杂，需要花费的人力和物力较大，目前的高精度地图还覆盖不全，基于高精度地图的道路边界构建方案在部分道路无法正常使用；摄像头可以通过识别车流、车道线等信息构建道路边界，但摄像头构建的道路边界不仅在精度上不如高精度地图，而且容易受光照影响。
[0004]中国专利CN202111260300.X一种激光雷达和摄像头融合的智能汽车道路边界检测方法，该方案在激光雷达的基础上，增加摄像头来作为构建道路边界的数据获取途径，其目的是为解决道路边界无明显高度变化时激光雷达难以应用的问题；该方案不仅较为复杂，且仅融合了激光雷达和摄像头，其适用范围和可靠性仍不理想。

技术实现思路
r/>[0005]针对现有技术的上述不足，本专利技术要解决的技术问题是提供一种多信息融合的自动驾驶系统道路边界构建方法，解决目前道路边界的构建方法存在适用性和可靠性较差的问题，取得适用范围广、可靠性好的效果。
[0006]为解决上述技术问题，本专利技术采用如下技术方案：
[0007]一种多信息融合的自动驾驶系统道路边界构建方法，包括如下步骤：
[0008]1)利用高精度地图提供的道路信息构建道路边界K1；
[0009]2)利用摄像头和毫米波雷达所获信息构建道路边界K2；
[0010]3)利用摄像头获取的车道图片构建道路边界K3；
[0011]4)利用摄像头对车辆进行跟踪形成的车流轨迹构建道路边界K4；
[0012]5)通过无迹卡尔曼滤波方法对道路边界K1、道路边界K2、道路边界K3和道路边界K4进行滤波处理，得到融合道路边界。
[0013]进一步地，步骤1)包括如下子步骤：
[0014]11)通过GPS和IMU获取车辆位置；
[0015]12)从高精度地图中获取车辆位置对应的道路信息，所述道路信息包括道路的形
状、坡度、曲率和航向；
[0016]13)根据所述道路信息构建道路边界K1。
[0017]进一步地，步骤2)包括如下子步骤：
[0018]21)筛选出摄像头、毫米波雷达所获信息中的静态点云；
[0019]22)检测静态点云是否有左右边界，是，则以静态点云的左右边界为K
‑
Means算法的中心进行聚类；否，则对多个周期的静态点云通过K
‑
Means聚类算法筛选出左右边界；
[0020]23)运用最小二乘法对静态点云的左右边界进行曲线拟合生成道路的左右边界，得到道路边界K2。
[0021]进一步地，步骤3)包括如下子步骤：
[0022]31)利用摄像头获取的车道图片；
[0023]32)对车道图片进行清理，所述清理包括障碍物遮挡检测、阴影消除和曝光矫正；
[0024]33)提取车道图片中的车道线；
[0025]34)对车道线进行曲线拟合生成道路的左右边界，得到道路边界K3。
[0026]进一步地，步骤4)包括如下子步骤：
[0027]41)利用摄像头对车辆进行跟踪形成车辆的车流轨迹；
[0028]42)对多个车辆的车流轨迹进行聚类，筛选出多条车流轨迹；
[0029]43)对筛选出的多条车流轨迹进行曲线拟合，生成自车车道的中心线；
[0030]44)基于自车车道的中心线向左右方向拓展，生成道路的左右边界，得到道路边界K4。
[0031]进一步地，步骤5)中无迹卡尔曼滤波方法的状态传递矩阵由车辆运动学模型给出，状态传递矩阵的约束曲率变换率为常量。
[0032]进一步地，步骤5)中所述无迹卡尔曼滤波方法包括如下子步骤：
[0033]51)预测；预测包括计算Sigma点集、分配Sigma点权重、转换Sigma点并计算新的均值和协方差；
[0034]52)测量；测量包括转换状态、计算增益、更新状态。
[0035]进一步地，步骤51)的详细操作如下：
[0036]计算Sigma点集：选取2n+1个Sigma点，Sigma点集用如下公式表示：
[0037]x0＝μ，i＝0
[0038][0039][0040]其中，n为车辆运动学模型的状态维度，μ为均值，λ为比例因子，∑为协方差矩阵；
[0041]分配Sigma点权重：为选取的Sigma点分配权重，所用权重矩阵如下：
[0042][0043][0044]转换Sigma点：把选取的所有Sigma点带入运动学模型中，计算预测状态；
[0045]y
i
＝g(x
i
),i＝0,...2n
[0046]其中，y
i
表示预测状态，g(x
i
)为车辆运动学模型；
[0047]算新的均值和协方差：计算高斯分布的均值和方差，公式如下：
[0048][0049][0050]其中，μ
′
为高斯分布的均值，∑
′
为高斯分布的方差，角标T表示进行矩阵转置，R为噪声矩阵。
[0051]进一步地，步骤52)的详细操作如下：
[0052]转换状态：把预测状态空间转换为测量状态空间，转换公式如下：
[0053]Z
i
＝h(x
i
),i＝0,...2n
[0054][0055][0056]其中，Z
i
表示测量状态，h(x
i
)为状态转换函数，表示测量状态的均值，S是测量空间的协方差矩阵，Q为噪声矩阵；
[0057]计算增益：计算卡尔曼增益，计算公式如下：
[0058][0059]K＝T
·
S
‑1[0060]其中，角标T表示进行矩阵转置，大写T为协方差矩阵，K为卡尔曼增益；
[0061]更新状态：在测量状态中更新测量值的均值和方差用于下一时刻的预测步骤中，计算公式如下：
[0062][0063]∑＝(I
‑
KT)∑
′
。
[0064]进一步地，步骤51)中分配Sigma点权重时，道路边界K本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多信息融合的自动驾驶系统道路边界构建方法，其特征在于：包括如下步骤：1)利用高精度地图提供的道路信息构建道路边界K1；2)利用摄像头和毫米波雷达所获信息构建道路边界K2；3)利用摄像头获取的车道图片构建道路边界K3；4)利用摄像头对车辆进行跟踪形成的车流轨迹构建道路边界K4；5)通过无迹卡尔曼滤波方法对道路边界K1、道路边界K2、道路边界K3和道路边界K4进行滤波处理，得到融合道路边界。2.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法，其特征在于：步骤1)包括如下子步骤：11)通过GPS和IMU获取车辆位置；12)从高精度地图中获取车辆位置对应的道路信息，所述道路信息包括道路的形状、坡度、曲率和航向；13)根据所述道路信息构建道路边界K1。3.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法，其特征在于：步骤2)包括如下子步骤：21)筛选出摄像头、毫米波雷达所获信息中的静态点云；22)检测静态点云是否有左右边界，是，则以静态点云的左右边界为K
‑
Means算法的中心进行聚类；否，则对多个周期的静态点云通过K
‑
Means聚类算法筛选出左右边界；23)运用最小二乘法对静态点云的左右边界进行曲线拟合生成道路的左右边界，得到道路边界K2。4.根据权利要求1所述一种多信息融合的自动驾驶系统道路边界构建方法，其特征在于：步骤3)包括如下子步骤：31)利用摄像头获取的车道图片；32)对车道图片进行清理，所述清理包括障碍物遮挡检...

【专利技术属性】
技术研发人员：李铖，王月强，任凡，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：