[发明专利]基于机器视觉的低速园区无人车巡航及紧急制动系统

说明书

本发明公开了一种基于机器视觉的低速园区无人车巡航方法。步骤1)建立道路语义分割模型，语义分割模型在ICNet的基础上通过制作道路本地数据集、训练道路本地数据、微调参数和网络结构，对ICNet的backbone做出调整，缩小卷积核的size；加载模型，输入待预测图像image，运行模型预测输入；步骤2)基于道路语义分割模型的识别结果计算车辆偏移道路中心的距离：本发明既解决了以激光雷达为主要传感器的自动驾驶方案的成本高昂问题，也解决了传统计算机视觉的车道线感知受环境复杂度影响的问题。本发明借由于本地化ICNet的模型的性能提高，使得Yolov3和ICNet模型同时运行依然能够达到20fps+。

技术领域

本发明属于深度学习语义分割领域，更具体的涉及一种基于深度学习语义分割的低速园区无人车巡航及紧急制动系统。

背景技术

语义分割，对图片的每个像素都做分类。较为重要的语义分割数据集有：VOC2012nbsp；以及 MSCOCOnbsp；现有的传统机器学习方法有：像素级的决策树分类，参考TextonForestnbsp；以及 Random Forest based classifiersnbsp。再有就是深度学习方法。更确切地说，是卷积神经网络。深度学习最初流行的分割方法是，打补丁式的分类方法 (patch classification )。逐像素地抽取周围像素对中心像素进行分类。由于当时的卷积网络末端都使用全连接层 ( full connected layers ) ，所以只能使用这种逐像素的分割方法。2014年，来自伯克利的 Fully Convolutional Networks(FCN)nbsp卷积网络，去掉了末端的全链接层。随后的语义分割模型基本上都采用了这种结构。除了全链接层，语义分割另一个重要的问题是池化层。池化层能进一步提取抽象特征增加感受域，但是丢弃了像素的位置信息。但是语义分割需要类别标签和原图像对齐，因此需要从新引入像素的位置信息。有两种不同的架构可以解决此像素定位问题。第一种是编码-译码架构。编码过程通过池化层逐渐减少位置信息、抽取抽象特征；译码过程逐渐恢复位置信息。一般译码与编码间有直接的连接。该类架构中U-netnbsp是最流行的。第二种架构是膨胀卷积 (dilated convolutions ) ，抛弃了池化层，使用的卷积核如图1。

条件随机场的后处理经常用来提高分割的精确度，后处理利用图像的光感强度（可理解为亮度），将周围强度相近的像素分为同一类，能提高 1-2个百分点。

PID横向控制，PID控制器（比例-积分-微分控制器）由比例单元P、积分单元I和微分单元D组成。PID控制的基础是比例控制；积分控制可消除稳态误差，但可能增加超调；微分控制可加快大惯性系统响应速度以及减弱超调趋势。PID控制在工业领域应用广泛，参数少，简单易用，消耗运算很少，成本极低。图2中，δ∈[δmin，δmax]为满足车辆动态姿态限制的方向盘转角，Vr∈[δmin，δmax]为前向速度。而对这些状态量的控制可以是一个典型的PID反馈控制系统。其中e(t)代表当前的跟踪误差，而这个跟踪的变量误差可以是轨迹的纵向/横向误差，角度/曲率误差或者是若干车辆姿态状态变量的综合误差。其中P控制器代表对当前误差的反馈，其增益由KP控制；I和D控制器分别代表积分项和微分项，其增益分别有KI和KD来控制。控制车辆尽可能遵循上游动作规划（Motion Planning）所输出的时空轨迹。可以使用两个基于PID反馈控制的控制器来分别控制方向盘转角δ以及前进速度Vs。

现有技术的不足和缺点：

A: 陈家凡. 基于机器视觉的车道线识别与预警[D].浙江理工大学，2018.

论文所选用的实验场景方面基本偏向于城市和高速两大主要场景，在这两个场景的基础上，对车道线识别与预警算法做了相应的改进，使其主要针对该场景。因为一套算法是无法都适合不同场景和不同天气条件。

B: 董莹莹. 基于机器视觉的车辆和车道线检测研究[D].湖南大学，2018.