[发明专利]一种基于Yolo v4与Tof算法相结合的避障方法

说明书

本发明公开了一种基于Yolo v4与Tof算法相结合的避障方法，包括以下步骤：采集若干种待识别障碍物目标的图像，并标记障碍物目标在图像中的位置以及目标的类型；利用Yolo v4神经网络对采集的图像进行训练；采集待避障路径的场景图像，利用训练后的神经网络识别其中的障碍物目标及其类型；求取障碍物目标在水平方向相对于摄像头中心的相对角度；利用激光雷达探测场景环境中的各物体信息；基于相对角度和各物体信息，获取障碍物目标的距离信息；依据障碍物目标的类型、角度和距离信息，待进行避障的移动平台进行路径规划，实现避障运动。本发明结合Yolo v4神经网络和Tof测距算法，可以获得完整的障碍物信息，实现有效避障。

技术领域

本发明属于避障技术领域，特别涉及一种基于Yolo v4与Tof算法相结合的避障方法。

背景技术

在生产技术发展和汽车的普及，交通运输问题日益严重。交通事故频发造成的人员、财产损失要求车辆具有安全性和一定的智能性。因此，以实现全自动、无人化为目标的智能车辆是近年来的一个重要的研究领域。

现有的障碍物检测与避障技术主要有：

1、文献《室内移动机器人自主避障研究》中提出利用红外线和超声波探测周围障碍物的距离信息，从而实现避障。但该方法只能获取障碍物的距离信息，无法进一步识别障碍物的类型，且超声波和红外线的探测精度不高。

2、文献《基于双目视觉的障碍物识别研究》中提出利用双目视觉目标识别技术，结合V-视差进行障碍物的识别。但该方法存在计算复杂、共视范围小、容易出现多义性、实时性较差等问题。

发明内容

本发明的目的在于针对上述现有技术存在的问题，提供一种基于Yolo v4与Tof算法相结合的避障方法，对障碍物进行实时、高精度的识别。

实现本发明目的的技术解决方案为：一种基于Yolo v4与Tof算法相结合的避障方法，所述方法包括以下步骤：

步骤1，采集若干种待识别障碍物目标的图像，并标记待识别障碍物目标在图像中的位置以及障碍物目标的类型；

步骤2，利用Yolo v4神经网络对步骤1采集的图像进行训练；

步骤3，采集待避障路径的场景图像，利用训练后的Yolo v4神经网络识别其中的障碍物目标及其类型；

步骤4，求取步骤3中障碍物目标在水平方向相对于摄像头中心的相对角度；

步骤5，利用激光雷达实时探测场景环境中的各物体信息；

步骤6，基于所述相对角度和步骤5中的各物体信息，获取步骤3中障碍物目标的距离信息；

步骤7，依据障碍物目标的角度和距离信息，待进行避障的移动平台进行路径规划，实现避障运动。

本发明与现有技术相比，其显著优点为：1)通过将激光雷达返回的位置信息和图像处理技术结合，使得图像处理技术在环境感知研究过程中不再局限于光线的影响；2)通过将图像处理返回的障碍物识别信息与激光雷达的信息相结合，使得激光雷达在环境感知研究过程在不再局限于障碍物的位置，还能够增加障碍物的颜色、类型等参数信息；3)两种技术相结合，对环境中障碍物感知更具体，由此使得后续路径规划中对不同障碍物做出不同的响应；4)两种技术相结合的手段，使得智能移动平台的环境感知更加精确、应用场景更加多样、应用的功能也更加强大，同时平台的可扩展性也大大增加。

下面结合附图对本发明作进一步详细描述。

附图说明

图1为一个实施例中基于Yolo v4与Tof算法相结合的避障方法的流程图。

具体实施方式