[发明专利]基于多源信息融合的智能车辆可通行区域检测方法

说明书

本发明公开了一种基于多源信息融合的智能车辆可通行区域检测方法，该方法包括：S100，采集车载传感器检测到的车辆周围的障碍物目标信息，输出静态障碍物目标库；S200，接收车辆周围的障碍物目标信息，将由车载传感器检测到的障碍物目标信息进行时空同步，再将所有检测到的车辆周围的障碍物信息进行单帧目标融合，利用运动预测和多帧目标关联进行连续帧间的多目标跟踪，输出动态障碍物目标库；S300，接收静态障碍物目标库和S200输出的动态障碍物目标库，并根据静态障碍物目标库的信息更新动态障碍物目标库，形成实时的障碍物目标信息，生成可通行区域。本发明能够在车辆行驶过程中准确获取车辆周围障碍物的位置、尺度、类别和运动信息以及二值化栅格化地图，跟踪多目标的运动轨迹，形成包括二值化栅格化地图和动态障碍物信息实时更新的智能车辆可通行区域。

技术领域

本发明涉及自动驾驶技术领域，特别是涉及一种基于多源信息融合的智能车辆可通行区域检测方法。

背景技术

智能车辆通过环境感知、地图导航、轨迹规划及决策控制等技术手段来实现在各种交通场景下的自动驾驶。智能车辆的推广应用对缓解交通拥堵，提高交通安全，提高燃油消耗率，减少环境污染起着积极的作用。各国政府、相关企业、科研机构和高校单位等都投入大量人力和物力到自动驾驶相关技术的学术理论研究和工程实用研究，希望自动驾驶车辆早日进入人们的日常生活中，并让人们共享自动驾驶技术带来的福祉。智能车辆通过摄像机、毫米波雷达、激光雷达、GPS(全球定位系统)和IMU(惯性测量单元)等车载传感器实现车辆周围环境的感知和定位，以及自车的定位和导航信息，继而基于地图信息和障碍物信息进行实时轨迹规划，并将横纵向速度、方向盘转角等决策信息通过CAN总线发布给车辆底层控制单元，实现加减速、制动、转向等具体操作。

智能车辆可通行区域检测包括道路边界检测和障碍物检测，两者都是基于车载传感器进行环境感知和融合之后的结果，是智能车辆进行轨迹规划的基础。智能车辆可通行区域的检测是自动驾驶环境感知技术的重要组成部分，也能为智能车辆进行实时轨迹规划提供依据。智能车辆可通行区域检测的准确程度有助于提高轨迹规划子系统的智能化水平，对后续智能车辆的决策控制有重要指导意义，从而提高智能车辆的整体智能化水平，实现各种交通使用者之间的各行其道，保障安全有序的交通环境。因此，智能车辆可通行区域检测方法的研究，可为智能车辆提供实时轨迹规划的信息，让智能车辆安全有序地在可通行区域行驶，预防碰撞事故的发生，保障各种交通参与者的交通安全。

目前，针对智能车辆可通行区域检测方法的研究较多，采用的传感器类型有单目摄像机、双目摄像机和激光雷达，涉及的道路类型有车道清晰或车道线模糊的结构化道路和无车道线的非结构化道路，检测的目标是车道边界或路面和障碍物。在结构化道路上，基于摄像机传感器检测的方法采用传统的非参数学习或机器学习或深度学习的方法，同时进行车道线、行人和车辆等目标的特征提取和分类，获取路面边界和障碍物目标的位置和类别信息，但缺少行人和车辆等目标的动态运动信息；基于激光雷达传感器的方法首先利用车道线反射强度和路面高度信息分割出道路边界，然后通过聚类方法筛选出障碍物，最终进行道路边界和障碍物的融合输出可通行区域，此种方法精度有限且缺少障碍物的类别信息，不利用障碍物目标的轨迹跟踪。在非结构化道路上，特别是缺少车道标记的路面，基于深度学习的路面像素点分割方法更常见，但需要事先对图像进行像素级的标记。

总体来说，现阶段针对智能车辆的可通行区域检测具有以下几个方面的问题：1)不能普遍适用于结构化道路和非结构化道路；2)没有充分考虑不同类别障碍物目标的运动信息特征，以及简单利用线性或非线性模型预测目标运动，不能有效地进行障碍物信息的实时更新；3)缺少多目标方向和轨迹跟踪功能，缺乏对真实道路场景中多目标轨迹的跟踪和管理；4)没有充分利用智能车辆常配的车载传感器，如激光雷达深度图在目标检测中的使用，以及对毫米波雷达返回宽度和速度信息的使用；5)在非结构道路上，基于深度学习的路面像素点分割的方法，需要对图像进行像素级的标记，人工成本高。

因此，希望有一种技术方案来克服或至少减轻现有技术的上述缺陷中的至少一个。

发明内容