[发明专利]一种基于多传感器协作的无人驾驶路径选择方法

说明书

本发明公开了一种基于多传感器协作的无人驾驶路径选择方法，包括：在车身周围布置多协作传感器和高灵敏度摄像头，并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换，获取车身周围的所有基本信息；通过对传感器的覆盖范围和冗余性进行分析，得到汽车自身的行驶状况，将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入；利用全卷积神经网络在编码阶段对数据进行非线性映射；在解码阶段采用非线性激励，利用图像预测通道实现对图像的粗分割，使用Adam算法并对超参数进行优化，对道路进行推理最后得到道路分割模型；基于分割后的道路，结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度，实现高精度路径规划。

技术领域

本发明涉及道路分割以及目标识别技术领域，尤其涉及一种基于多传感器协作的无人驾驶路径选择方法。

背景技术

单一传感器无法满足无人驾驶的需要，GPS相对精确，但更新频率较低，不能满足道路实时识别的要求；惯性传感器的误差会随运行时间而增长。因此，需要找到一种能够融合多种传感器优点的方式，并对其收集的数据进行合理的处理与融合，得到比较实时与精确的定位。

在图像划分时，通常使用卷积神经网络进行道路划分，虽然其能很好地提供物体的大概轮廓，但是却造成了一些细节的丢失，所以利用来自多种传感器的数据进行精确的分割难度较高并急需解决。另外，现有条件下，无人驾驶系统不同传感器的协同工作一般采用卡尔曼滤波器的算法实现。卡尔曼滤波器可以凭借有限且包含一定程度噪声的观测序列，通过不断地更新权重，来进行目标位置及速度的预测工作。相对来说，卡尔曼滤波器具有比较强的鲁棒性，也就是说，对于观测数据而言，即使有一定的误差，通过卡尔曼滤波器之后依旧能够得到比较准确的结果。具体而言，卡尔曼滤波器分为两个阶段，第一个阶段是预测阶段，通过上一个时间戳的信息来对现在时刻的信息进行预测；第二个阶段是更新阶段，在这个阶段中，可以将预测结果与当前位置的观测信息进行对比从而纠正，最后更新物体的位置。在进行多次迭代之后，模型的预测准确率会得到一定的提升。

然而，卡尔曼滤波器对于无人驾驶系统来说存在某些不足，首先是如果运动中的物体长时间被遮挡这样就会出现目标丢失，另外，因为卡尔曼滤波器的每一次更新都需要基于上一阶段的结果，如果系统较长时间的运行，那么就会造成信息的冗杂导致计算压力过大，最终无法保证一定的速度与准确性。

发明内容

本发明提供了一种基于多传感器协作的无人驾驶路径选择方法，本发明能够有效克服传统道路信息识别精度不高的问题，并且降低了多传感器计算量过大而导致资源分配困难的问题，从而实现高精度道路识别的目标，详见下文描述：

一种基于多传感器协作的无人驾驶路径选择方法，所述方法包括以下步骤：

在车身周围布置多协作传感器和高灵敏度摄像头，并根据车身在行驶识别中的不同位置的重要性进行了传感器分布调整和替换，获取车身周围的所有基本信息；

通过对传感器的覆盖范围和冗余性进行分析，得到汽车自身的行驶状况，将高灵敏度摄像头捕捉到的图像作为全卷积神经网络的输入；

利用全卷积神经网络在编码阶段对数据进行非线性映射；在解码阶段采用非线性激励，利用图像预测通道实现对图像的粗分割，使用Adam算法并对超参数进行优化，对道路进行推理最后得到道路分割模型；

基于分割后的道路，结合卷积神经网络中的行驶路线分割模型综合感知提高识别精度，实现高精度的路径规划。

其中，所述传感器分布调整和替换具体为：

传感器需保证360度完全覆盖，并根据不同部分的重要性不同，对前后左右探测距离进行设置，车身每一部分需要两种以上的传感器进行覆盖。

进一步地，所述在解码阶段采用非线性激励，利用图像预测通道实现对图像的粗分割具体为：