[发明专利]一种基于多传感器信息融合的无人方程式赛车感知规划方法

权利要求书

1.一种基于多传感器信息融合的无人方程式赛车的感知规划方法，其特征在于以运算控制单元为信号协调中心，基于传感器系统读取GPS/IMU信号、激光雷达信号、摄像头信号，基于车载接收端读取遥控发射端信号，经运算控制单元分析处理后，发送控制信号给底盘线控系统，实现赛车的安全平稳运行；具体感知方法包括：

（1）基于激光雷达点云进行障碍物识别，实现激光雷达三维建模的环境感知；

（2）基于图像增强的最大稳定极值区域MSER方法和几何特征的锥桶检测算法进行锥桶颜色识别和检测定位；

（3）基于霍夫变换进行车道标志线检测；

（4）基于目标偏向型的双向快速搜索随机树RRT算法进行道路空间搜索和路径优化。

2.如权利要求1所述的基于多传感器信息融合的无人方程式赛车的感知规划方法，其特征在于，基于激光雷达点云障碍物识别的环境感知算法包括以下步骤：

（1）根据激光雷达的点云数据编写UDP协议驱动，利用该驱动获得激光雷达三维目标场景的初始点云数据；

（2）对激光雷达的原始三维点云数据进行投影降维，将三维目标点云正射投影得到目标表面投影图，限制投影在点云感兴趣区域内；

（3）采用霍夫变换查找道路边缘获取道路候选点，采用Canny边缘检测算子进行车道线边缘的提取，取得抑制噪声和边缘检测的平衡，依据道路边缘和路面特征滤除无关区域及路面点云数据，提取三维目标的点云数据；

（4）利用离群值特征滤除离散的噪声点，剔除雷达点云数据中的异常值，采用MAD法作为离群值的判断标准；

（5）基于DBSCAN算法进行聚类，识别桩筒，拟合区域边界，建立无人方程式赛车的局部地图，确定可通行区域。

3.根据权利要求1所述的基于多传感器信息融合的无人方程式赛车的感知规划方法，其特征在于，基于图像增强的最大稳定极值区域MSER方法和几何特征的锥桶检测算法包括以下步骤：

（1）基于颜色特征将锥桶图像进行分割，提取白色分割图像和锥桶颜色分割图像，融合两个模板图像，得到锥桶的二进制图像；

（2）针对赛道锥桶的颜色进行颜色增强，将灰度图像取阈值进行二值化处理，阈值从0到255依次递增，将像素点进行排序；

（3）使用不同灰度阈值对图像进行二值化得到最稳定区域；

（4）对原图进行反转，再次取阈值进行二值化处理，检测出灰度图像的白色区域，提取最大稳定极值区域MSER得到锥桶的ROI区域并进行轮廓提取；

（5）基于几何特征进行锥桶检测，去除复杂背景的干扰；

（6）基于单目视觉进行锥桶坐标的解算与定位，获取锥桶像素中与地面接触的像素点，以该像素点的世界坐标位置作为实际锥桶的世界坐标，判断像素所处物体的维度。

4.根据权利要求1所述的基于多传感器信息融合的无人方程式赛车的感知规划方法，其特征在于，基于霍夫变换的的无人方程式赛车车道标志线检测方法包括以下步骤：

（1）对采集的无人方程式赛道视频进行图像预处理，采用Canny边缘检测算子进行车道线边缘提取，取得抑制噪声和边缘检测的平衡；

（2）分割路面区域生成三角形自适应感兴趣区域，缩小搜索区域；

（3）将道路预处理图像分为左右两部分，依次对左图像和右图像进行Hough变换，获得对应的左右车道线；

（4）对左图像和右图像所有直线的极径和极角分别求平均值，输出两条车道线，获取车道线并叠加到原始图像中。

5.根据权利要求1所述的基于多传感器信息融合的无人方程式赛车的感知规划方法，其特征在于基于目标偏向型的双向快速搜索随机树RRT算法包括以下步骤：

（1）状态空间预处理：根据无人方程式赛车的体积进行状态空间预处理，扩展状态空间边缘，预留出安全区域防止赛车出现碰撞；

（2）双向搜索：以初始点和目标点为起点分别搜索随机树；

（3）目标偏向：在生成新的随机树节点时，让其以一定概率向目标方向拓展，使得随机树在拓展时不断地向终点趋近，降低RRT的迭代次数；

（4）动态步长：在随机树的搜索过程中，采用动态步长算法，采用步长的动态变化来扩展RRT随机数的新节点，在遇到障碍物时能够有效地调整搜索方向，加强避障能力；

（5）路径寻优：当随机树完成对道路空间的搜索时，算法从终点开始对随机树上的节点进行回溯，通过判断节点之间的连线是否有障碍物，删除多余节点，对路径进行去弯取直，从而得到一条较优的路径。