【技术实现步骤摘要】
本专利技术涉及无人驾驶，具体为一种无人驾驶控制系统。
技术介绍
1、在无人驾驶技术迅速发展的今天，无人驾驶控制系统作为其核心组成部分，其性能直接影响到无人驾驶车辆的安全性、效率及智能水平，尤其是在像中国大学生无人驾驶方程式大赛这样的高水平赛事中，对无人驾驶系统的要求更为严苛，不仅需要具备高精度的环境感知能力、快速且准确的路径规划能力，还需要能够应对复杂多变的比赛环境，实现稳定可靠的车辆控制。
2、传统的无人驾驶赛车设计中，环境感知层主要通过激光雷达、摄像头等传感器获取周围环境信息，但存在数据融合效率低、目标检测与跟踪实时性差、易受环境干扰等问题，激光雷达虽然精度高，但数据处理量大，且易受雨雾等恶劣天气影响，摄像头虽然视角广，但在光照变化大或存在遮挡物时，检测效果易受影响，此外，传统路径规划方法多基于静态地图或简单的动态障碍物避障策略，难以应对复杂多变的赛道环境，且路径优化算法在实时性、准确性和鲁棒性方面存在不足，这些问题限制了无人驾驶技术在复杂场景下的应用效果。
3、针对上述问题，有必要对现有的无人驾驶控制系统进行优化，通过引入改进的yolov7-tiny目标检测算法和deepsort目标跟踪模块，结合激光雷达点云处理与融合算法，提升环境感知的实时性与准确性，同时采用激光slam算法进行实时地图构建和定位，结合delaunay三角剖分与图搜索树算法进行路径规划，确保路径的平滑性和合理性，因此，开发一种能够综合实现上述特点的一种无人驾驶控制系统具有重要意义。
技术实现思路
1、本专利技术的目的就是为了弥补现有技术的不足，提供了一种无人驾驶控制系统，它能够通过引入改进的yolov7-tiny目标检测算法和deepsort目标跟踪模块，结合激光雷达点云处理与融合算法，显著提升了环境感知的实时性与准确性，同时采用激光slam算法进行实时地图构建和定位，结合delaunay三角剖分与图搜索树算法进行路径规划，确保了路径的平滑性和合理性，并且在决策控制层，通过混合横向控制算法和分段式速度规划方法，实现了对车辆运动的精确控制，此外，通过搭建感知实验平台和采用先进的底层控制系统，进一步提升了系统的整体性能和可靠性。
2、本专利技术为解决上述技术问题，提供如下技术方案：一种无人驾驶控制系统，该系统包括以下组成部分：环境感知层、定位建图层、路径规划层、决策控制层和底层执行层；
3、所述环境感知层包括图像处理模块、点云处理模块与数据融合模块，并配置有高精度激光雷达和摄像头，通过改进的yolov7-tiny目标检测算法和deepsort目标跟踪算法，实现对锥桶等目标的实时检测和跟踪；
4、所述定位建图层采用sc-lego-loam激光slam算法，通过激光雷达的扫描数据构建实时地图，并进行精确定位；
5、所述路径规划层利用delaunay三角剖分将全局地图离散化，通过图搜索树算法生成目标路径，并使用三次b样条曲线进行路径拟合；
6、所述决策控制层根据路径信息和车辆状态，采用基于ddpg的混合横向控制算法和三点曲率速度规划方法，实现对车辆前轮转角和加减速度的控制；
7、所述底层执行层通过can网络接收控制信号，对转向系统、制动系统和驱动系统进行精确控制。
8、进一步地，所述环境感知层包括图像处理模块、点云处理模块与数据融合模块，其中图像处理模块通过实现目标检测及跟踪，获得目标的2d检测框，点云处理模块实现目标聚类，提取目标点云与三维坐标信息，数据融合模块通过融合视觉与激光雷达数据，解析出当前视野内锥桶的坐标、颜色与置信度信息，提供给路径规划层使用。
9、更进一步地，所述环境感知层中图像处理模块采用改进的yolov7-tiny目标检测算法实现目标检测及跟踪，具体地，接收包含目标物体的图像数据，使用模型对图像数据进行处理，该模型包括特征提取层、目标分类层和边界框回归层，在目标分类层中，通过交叉熵损失函数计算分类损失lcls，在边界框回归层中，通过平方误差损失函数计算边界框回归损失lbbox，以优化模型对目标边界框的预测能力，将分类损失和边界框回归损失进行加权求和，得到总损失，其计算公式为：ltotal＝αlcls+βlbbox，其中，α和β是超参数，并基于总损失对模型进行训练和优化，基于真实框和预测框，采用deepsort目标跟踪算法计算每个检测框与每个预测框之间的ciou值，构建分配成本矩阵，其中ciou的计算公式为：其中，iou为交并比，b和bgt分别为预测框和真实框的中心点，ρ2(b,bgt)为中心点之间的欧氏距离的平方，c为最小闭包区域的对角线距离，v为长宽比一致性度量，α为权衡参数，采用匈牙利算法，基于上述分配成本矩阵，将检测框与预测框进行匹配，并引入级联匹配机制提高匹配可靠性，最后用关联成功的检测框更新卡尔曼滤波器，将更新后的边界框作为跟踪框传给下一帧，通过将识别结果与目标跟踪结果相结合，可以在跟踪计数的基础上可视化对锥桶颜色的识别，同时在目标检测器未能检测到目标的情况下，仍能预测出锥桶目标的位置。
10、更进一步地，所述环境感知层中点云处理模块根据赛场情况，过滤掉锥桶分布的矩形区域外的点云，并采用ransac算法，根据设定阈值选取迭代过程中随机拟合数量最多的点云作为提取的地面点云，将地面噪声点滤去，并利用半径滤波，滤去离群点，得到过滤后的点云，再采用欧式聚类，根据设定的聚类球体半径以及聚类点云阈值，获取聚类点云簇，并根据锥桶特征对聚类点云簇的高度、宽度进行限制，滤去除锥桶外的障碍物，筛选出符合特征信息的锥桶，将提取出锥桶点云及其位置信息发送给数据融合模块。
11、更进一步地，所述环境感知层数据融合模块接收点云聚类模块处理得到的锥桶点云簇及其三维边界框以及图像处理模块得到的图像边界框，将三维边界框极值投影至像素平面，获得二维边界框，接着使用匈牙利算法进行匹配计算，将三维边界框与二维边界框的距离交并比作为分配成本矩阵，完成图像与点云检测结果的匹配，从而实现锥桶位置信息与类别信息的融合关联。
12、更进一步地，所述定位建图层采用sc-lego-loam激光slam算法，通过激光雷达的扫描数据构建实时地图，并进行精确定位，具体地，通过激光雷达扫描周围环境并生成点云数据，并从点云数据中提取特征点，通过特征匹配算法构建实时地图，利用地图和当前激光扫描数据，通过激光slam算法进行精确定位，设激光雷达扫描数据为s＝{p1,p2,...,pn}，其中pi是扫描中的点，具有极坐标(ri,θi)，将θ划分为m个等宽的区间，每个区间的宽度为对于每个区间j，计算落在该区间内的点的最大和最小半径rmax,j，rmin,j，使用scan context算法对扫描数据进行处理，scan context直方图h是一个m-维向量，其中h[j]＝(rmin,j,rmax,j)，通过比较当前扫描与历史扫描的相似度来识别回环，设两个scancontext直方图分别为h1和h2，则它们之间的相似度d可以通过计算两个直方图对应本文档来自技高网...
【技术保护点】
1.一种无人驾驶控制系统，其特征在于，该系统包括以下组成部分：环境感知层、定位建图层、路径规划层、决策控制层和底层执行层；
2.根据权利要求1所述的一种无人驾驶控制系统，其特征在于，所述环境感知层包括图像处理模块、点云处理模块与数据融合模块，其中图像处理模块通过实现目标检测及跟踪，获得目标的2d检测框，点云处理模块实现目标聚类，提取目标点云与三维坐标信息，数据融合模块通过融合视觉与激光雷达数据，解析出当前视野内锥桶的坐标、颜色与置信度信息，提供给路径规划层使用。
3.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层中图像处理模块采用改进的YOLOv7-tiny目标检测算法实现目标检测及跟踪，具体地，接收包含目标物体的图像数据，使用模型对图像数据进行处理，该模型包括特征提取层、目标分类层和边界框回归层，在目标分类层中，通过交叉熵损失函数计算分类损失Lcls，在边界框回归层中，通过平方误差损失函数计算边界框回归损失Lbbox，以优化模型对目标边界框的预测能力，将分类损失和边界框回归损失进行加权求和，得到总损失，其计算公式为：Ltotal＝α
4.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层中点云处理模块根据赛场情况，过滤掉锥桶分布的矩形区域外的点云，并采用RANSAC算法，根据设定阈值选取迭代过程中随机拟合数量最多的点云作为提取的地面点云，将地面噪声点滤去，并利用半径滤波，滤去离群点，得到过滤后的点云，再采用欧式聚类，根据设定的聚类球体半径以及聚类点云阈值，获取聚类点云簇，并根据锥桶特征对聚类点云簇的高度、宽度进行限制，滤去除锥桶外的障碍物，筛选出符合特征信息的锥桶，将提取出锥桶点云及其位置信息发送给数据融合模块。
5.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层数据融合模块接收点云聚类模块处理得到的锥桶点云簇及其三维边界框以及图像处理模块得到的图像边界框，将三维边界框极值投影至像素平面，获得二维边界框，接着使用匈牙利算法进行匹配计算，将三维边界框与二维边界框的距离交并比作为分配成本矩阵，完成图像与点云检测结果的匹配，从而实现锥桶位置信息与类别信息的融合关联。
6.根据权利要求1所述的一种无人驾驶控制系统，其特征在于，所述定位建图层采用SC-LeGO-LOAM激光SLAM算法，通过激光雷达的扫描数据构建实时地图，并进行精确定位，具体地，通过激光雷达扫描周围环境并生成点云数据，并从点云数据中提取特征点，通过特征匹配算法构建实时地图，利用地图和当前激光扫描数据，通过激光SLAM算法进行精确定位，设激光雷达扫描数据为S＝{p1,p2,...,pN}，其中pi是扫描中的点，具有极坐标(ri,θi)，将θ划分为M个等宽的区间，每个区间的宽度为对于每个区间j，计算落在该区间内的点的最大和最小半径rmax,j，rmin,j，使用Scan Context算法对扫描数据进行处理，ScanContext直方图H是一个M-维向量，其中H[j]＝(rmin,j,rmax,j)，通过比较当前扫描与历史扫描的相似度来识别回环，设两个Scan Context直方图分别为H1和H2，则它们之间的相似度D可以通过计算两个直方图对应区间之间的欧氏距离来得到，即
7.根据权利要求1所述的一种无人驾驶控制系统，其特征在于，所述路径规划层利用Delaunay三角剖分算法将全局地图离散化为由点与线组成的网格，在离散化的网格中，采用图搜索树算法，基于节点间的实际成本和估计成本，生成从起点到终点的最优路径，将生成的路径点作为控制点，使用三次B样条曲线进行拟合，得到平滑且曲率连续的路径，其中，三次B样条曲线的表达式为：其中，P(t)是路径上任意点的位置，Bj,3(t)是三次B样条基函数，Pi+j是控制点。
8.根据权利...
【技术特征摘要】
1.一种无人驾驶控制系统，其特征在于，该系统包括以下组成部分：环境感知层、定位建图层、路径规划层、决策控制层和底层执行层；
2.根据权利要求1所述的一种无人驾驶控制系统，其特征在于，所述环境感知层包括图像处理模块、点云处理模块与数据融合模块，其中图像处理模块通过实现目标检测及跟踪，获得目标的2d检测框，点云处理模块实现目标聚类，提取目标点云与三维坐标信息，数据融合模块通过融合视觉与激光雷达数据，解析出当前视野内锥桶的坐标、颜色与置信度信息，提供给路径规划层使用。
3.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层中图像处理模块采用改进的yolov7-tiny目标检测算法实现目标检测及跟踪，具体地，接收包含目标物体的图像数据，使用模型对图像数据进行处理，该模型包括特征提取层、目标分类层和边界框回归层，在目标分类层中，通过交叉熵损失函数计算分类损失lcls，在边界框回归层中，通过平方误差损失函数计算边界框回归损失lbbox，以优化模型对目标边界框的预测能力，将分类损失和边界框回归损失进行加权求和，得到总损失，其计算公式为：ltotal＝αlcls+βlbbox，其中，α和β是超参数，并基于总损失对模型进行训练和优化，基于真实框和预测框，采用deepsort目标跟踪算法计算每个检测框与每个预测框之间的ciou值，构建分配成本矩阵，其中ciou的计算公式为：其中，iou为交并比，b和bgt分别为预测框和真实框的中心点，ρ2(b,bgt)为中心点之间的欧氏距离的平方，c为最小闭包区域的对角线距离，v为长宽比一致性度量，α为权衡参数，采用匈牙利算法，基于上述分配成本矩阵，将检测框与预测框进行匹配，并引入级联匹配机制提高匹配可靠性，最后用关联成功的检测框更新卡尔曼滤波器，将更新后的边界框作为跟踪框传给下一帧，通过将识别结果与目标跟踪结果相结合，可以在跟踪计数的基础上可视化对锥桶颜色的识别，同时在目标检测器未能检测到目标的情况下，仍能预测出锥桶目标的位置。
4.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层中点云处理模块根据赛场情况，过滤掉锥桶分布的矩形区域外的点云，并采用ransac算法，根据设定阈值选取迭代过程中随机拟合数量最多的点云作为提取的地面点云，将地面噪声点滤去，并利用半径滤波，滤去离群点，得到过滤后的点云，再采用欧式聚类，根据设定的聚类球体半径以及聚类点云阈值，获取聚类点云簇，并根据锥桶特征对聚类点云簇的高度、宽度进行限制，滤去除锥桶外的障碍物，筛选出符合特征信息的锥桶，将提取出锥桶点云及其位置信息发送给数据融合模块。
5.根据权利要求2所述的一种无人驾驶控制系统，其特征在于，所述环境感知层数据融合模块接收点云聚类模块处理得到的锥桶点云簇及其三维边界框以及图像处理模块得到的图像边界框，将三维边界框极值投影至像素平面...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。