[发明专利]一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法

说明书

本发明提供了一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法，通过多传感数据，多还原算法融合实现了道路交通场景和司机驾驶行为的精确还原，具体包括：多源数据相互校正实现车辆行驶轨迹精确还原；基于单目视觉和毫米波雷达实现对障碍物速度和距离的精确测量；多源数据融合生成<道路交通场景，驾驶行为>数据对。本发明克服了现有还原技术数据源单一，较为依赖昂贵设备获得高质量数据，且还原精度较低的缺陷。

技术领域

本发明属于智能交通和图像识别领域，特别涉及一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法。

背景技术

汽车要实现真正的无人驾驶，它必须能够感知和识别周围的物体，并且要知道自己的确切位置。这两方面都是无人驾驶技术的核心。司机一系列驾驶行为的做出，都是依据当时所处的交通环境，无论是自动驾驶算法的研究，还是辅助司机驾驶，在汽车行驶过程中随时感应周围的环境，收集数据，进行静态、动态物体的辨识、侦测与追踪，并结合导航仪地图数据，进行系统的运算与分析，都是十分重要的。

现阶段主流无人驾驶研发技术中，都选择了激光雷达作为感知设备。激光雷达的优势在于其探测范围更广，探测精度更高。但是，激光雷达的缺点也很明显，在雨雪雾等极端天气下性能较差，采集的数据量十分庞大也十分昂贵。作为ADAS不可或缺的核心传感器类型，毫米波雷达技术相对成熟。但毫米波雷达的缺点也十分直观，探测距离受到频段损耗的直接制约，也无法感知行人，并且对周边所有障碍物无法进行精准的建模。

视觉是人类认知世界最重要的功能手段，生物学研究表明，人类获取外界信息75％依靠视觉系统，而在驾驶环境中这一比例甚至高达90％，如果能够将人类视觉系统应用到自动驾驶领域，无疑将会大幅度提高自动驾驶的准确性。

针对这种情况，本发明提出的方法中，结合了单目视觉和雷达两种数据实现车外场景精确感知。单目视觉利用卷积神经网络实现的目标检测可扩展性更高，不仅可以通过修改召回率获得更多的目标检测结果从而避免雷达对部分障碍物无法识别的问题，也可以通过不断训练新模型，适应不同交通场景，不断增加可以识别的障碍物；借助毫米波雷达的精确数据，可以实现对单目视觉中摄像机参数的反向校正，提高测距测速算法精度，同时辅助单目视觉的目标检测。现有的车辆轨迹还原算法，其精度依赖于高质量的数据，针对这种情况，本发明实现了二维和三维还原算法的融合，同时借助单目视觉数据和GPS数据构建的卡尔曼滤波器，实现对数据去噪和还原的结果的校正，轨迹还原结果的精度更高。

在还原得到的数据对基础上可以研究实现面向复杂环境的自动驾驶决策控制系统深度学习技术，从而使自动驾驶系统通过数据驱动的自学逐步形成良好的驾驶习惯，同时可以帮助改善司机驾驶习惯，也可以作为研发厂商制定发展战略和有关部门政策制定和实施的重要借鉴依据。

发明内容

本发明解决的主要问题是通过在车辆上布设的各类传感设备，采集存储车辆在实际道路行驶过程中各种行车场景数据，利用统计分析、数据挖掘等大数据知识，从数据维度、车型维度、时间维度、地域维度等多角度，深入分析、比较用户驾驶行为，发现驾驶行为共性和个性。利用基于深度学习的图像场景理解，借助雷达数据进一步对数据进行标注，还原车外交通场景，最终形成<交通场景，驾驶行为>的数据对。克服现有还原技术数据源单一，较为依赖昂贵设备获得高质量数据，且还原精度较低的缺陷，提供一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法。

本发明技术解决方案：一种基于多传感数据实现对道路交通场景和司机驾驶行为的还原方法，通过多传感数据，多还原算法融合实现了道路交通场景和司机驾驶行为的精确还原，具体包括：多源数据相互校正实现车辆行驶轨迹精确还原；基于单目视觉和毫米波雷达实现对障碍物速度和距离的精确测量；多源数据融合生成<道路交通场景，驾驶行为>数据对。

具体实现如下：