[发明专利]一种基于车载多源传感器概率融合的自动驾驶变道行为决策方法

权利要求书

1.一种基于车载多源传感器概率融合的自动驾驶变道行为决策方法，其特征在于：包括如下步骤：

1)使用视频目标检测算法从车载摄像头的视频中检测出目标，通过单目深度估计以及目标跟踪的方法提取出车辆的距离、方向、车速参数；

2)使用PointRCNN目标检测方法对激光雷达获得的原始点云数据进行3D目标检测，由此从检测到的目标获取车辆的距离、方向、车速、宽高参数；

3)对变道过程进行建模，将高速公路上的变道场景分成四种场景，提出每种场景下安全距离上限与下限的计算方法；

4)提出变道完全或发生紧急制动后，计算当前车辆与不同场景中周围车辆相隔距离的方法；

5)根据3)、4)中预测的当前车辆在变道完成后或紧急制动后将行驶的距离和安全距离上下限的关系，提出将变道的安全距离转化为安全概率的转化公式；

步骤5)中，结合3)、4)中得到的数据，因为不同的初始状态会导致不同的安全变道区间，故使用步骤4)中计算得到的距离减去安全距离的下限，以表示在变道完成后或紧急情况发生后车辆行驶距离与安全距离的差距，再对此数值进行归一化处理，使其分布在0到1之间；在这个数值等于0时，安全变道的概率应为0，等于1时，安全变道的概率应为1；安全概率转化函数：

其中D_end为变道完成或发生紧急制动后本车与目标车相隔距离，为安全距离下界，为安全距离上界，x为步骤4)中计算得到的距离与安全距离下限的差值；

6)将参数信息通过5)得到的多组决策概率视为多组证据，使用证据理论将无冲突的证据进行融合，从而得到多组存在冲突的证据；

7)建立安全决策融合规则，引入谨慎决策类和决策复合类，将存在冲突的决策概率进行融合，从而得出最终的决策建议以提高决策的谨慎性和安全性。

2.根据权利要求1所述的基于车载多源传感器概率融合的自动驾驶变道行为决策方法，其特征在于：步骤1)中从车载摄像头的视频中检测出目标，通过单目深度估计以及目标跟踪的方法提取出车辆的距离、方向、车速的参数，主要有以下的步骤：

1)首先从单目摄像头获取的视频中使用OpenCV提取出一系列帧的图像；

2)构建一个车辆检测器Haar Cascade Classifier，这个检测算法分为4个阶段：特征选择、创建图像、使用Adaboost训练、使用级联分类器函数进行多尺度检测；

3)训练一个机器学习模型，具体分为图像采集、数据增强、训练这三个步骤，由训练的模型去检测和追踪车辆；

4)对相机进行畸变矫正；畸变矫正需要确定相机的内参和外参；相机的内参主要通过相机标定来获得；记f是相机的焦距，光轴与成像平面的交点称为主点，X表示箭头长度，Z是相机到箭头的距离；现实世界坐标系与成像平面坐标系之间的转换关系为：

引入两个新的参数C_x和C_y，来对偏移进行矫正：

引入了f_x和f_y，分别为透镜的物理焦距长度与成像装置的单元尺寸的乘积；(1)、(2)、(3)可以统一表达为

其中公式(4)中的M为相机的内参矩阵；相机外参来源于相机自身的畸变，畸变可以分为由透镜形状造成的径向畸变和由整个相机自身安装过程造成的切向畸变；成像装置上某点的径向位置可以根据公式(5)(6)进行调整，其中(x,y)是成像装置上的原始位置，(x_corrected,y_corrected)是矫正后的新位置；切向畸变是由于制造上的缺陷使透镜与成像平面不平行而产生的，切向畸变矫正可以通过公式(7)(8)来调整；上述的k₁,k₂,k₃,p₁,p₂为相机外参；

x_corrected＝x(1+k₁r²+k₂r⁴+k₃r⁶) (6)

y_corrected＝y(1+k₁r²+k₂r⁴+k₃r⁶) (7)

x_corrected＝x+[2p₁xy+p₂(r²+2x²)] (8)

y_corrected＝y+[p₁(r²+2y²)+2p₂xy] (9)

使用标定板通过常用的相机标定算法去求解相机内参和外参这8个参数即可实现通过软件算法消除畸变；

5)使用PnP方法测距；已知目标车辆的估计距离，结合ppm(每米像素数)和fps(每秒帧数)就可以通过公式(9)去估计目标车辆的速度v_target(km/h)：

v_target＝d_target×fps×3.6 (10)。