[发明专利]一种基于状态空间的智能车控制方法

权利要求书

1.一种基于状态空间的智能车控制方法，其特征在于，包含以下步骤：

步骤1：获取图像，确定图像的外参矩阵，将相对于摄像头光心的坐标变换到相对于车身的坐标，用于获得车身相对地面引导线的实际距离和姿态；

步骤2：对图像进行Harris边沿检测，提取地面引导线；

步骤3、判断引导线是否为曲线，对于直线引导线不进行帧拼接，对于弯道引导线则结合陀螺仪测量得到的角度变化信息进行帧拼接来确定车身对于引导线的位姿；

步骤4、利用实验测试数据并通过梯度下降的方法进行学习，求得状态预测方程，并利用车身位姿信息，使用卡尔曼滤波器来递推推算预测的方差，求得最优控制输出，并反馈至车身电机，作为下一时刻的输入。

2.根据权利要求1所述的一种基于状态空间的智能车控制方法，其特征在于，步骤1中的获取图像，并对图像进行坐标变换包括如下子步骤：

步骤1.1：采集图像，获得图像中每个像素点在光心坐标系下的坐标(X，Y)：

其中，u，v为图像像素坐标，K为相机的内参矩阵；

步骤1.2：将光心坐标投影至地面坐标得到地面坐标系下的坐标[X_e,Y_e]：

X_e＝X

Y_e＝Y cosβ

其中，光心坐标轴的Z轴与地面在yoz平面的夹角为β，从而完成从像素平面到地面平面的变换。

3.根据权利要求1所述的一种基于状态空间的智能车控制方法，其特征在于，步骤2中的对图像进行HARRIS边沿检测，提取地面引导线，具体包括如下步骤：

步骤2.1：获取图像，并且对图像进行HARRIS边沿检测，即卷积计算，计算公式如下：

δ＝kM_n*m

其中δ为卷积核，k为待定系数，M表示矩阵，n为卷积核的行数，m为卷积核的列数，F_u,v表示(u,v)像素卷积变换后的值，f_i,j表示以(u,v)为中心的n*m矩阵的像素值组成的矩阵中的坐标(i,j)；

步骤2.2：计算最优阈值d，并统计引导线的上升沿与下降沿；对卷积得到的图像求灰度直方图，即统计其各个灰度下像素点的个数，设定阈值d，其取值范围在0至255之间，求其类间方差g：

g＝ω₀*ω₁*(μ₀-μ₁)²

其中大于阈值d的像素点数占整幅图像的比例为ω₀，其平均灰度μ₀，小于阈值d的像素点数占整幅图像的比例为ω₁，其平均灰度μ₁，求g值最大时的阈值d为最优阈值d；

对于l*l的图像矩阵，对第l-1行进行卷积运算得到卷积后的l-2个卷积结果的序列，取p为间隔做差得到p间隔下的差分序列，求其中大于最优阈值d和小于最优阈值d的即为第l-1行中引导线的上升沿与下降沿；

步骤2.3：为将上升沿和下降沿信息转换为引导线位置信息，具体采用以下方法：首先将上升沿记为1，下降沿记为0，排成序列a，同时将每个变化边沿的地面坐标系下X_e排成序列b，然后在序列a头部添加1在序列尾部添加0，在序列b的头部添加0在序列尾部添加l-1时的X_e值，最后序列a中每连续出现一个1和0则可以认为其可能为一条引导线，若其对应的序列b中地面坐标系下X_e的值接近地面引导线的实际宽度的则可以认为为引导线，否则不认为为引导线，最后得到引导线中心在地面坐标系上的坐标(X_en,Y_en)。

在提取引导线后再对列进行处理，获得第2到l-1行的引导线实际位置X_e组成l-2个元素的序列c，对c等间隔求差。