[发明专利]一种面向复杂环境的可通行区域检测方法及系统

说明书

本发明公开了一种面向复杂环境的可通行区域检测方法，包括如下步骤：步骤1，构建可通行区域点云深度学习检测子系统，包含道路类型识别网络和可通行区域检测网络；步骤2，构建可通行区域传统方法检测子系统，包含道路类型识别模块和可通行区域检测模块；步骤3，点云深度学习检测子系统和传统方法检测子系统通过深度学习框架底层接口直接连接；步骤4，车载激光雷达新采集点云数据优先输入点云深度学习检测子系统。本发明的面向复杂环境的可通行区域检测方法，通过步骤1至步骤4的设置，便可有效的实现利用训练的方式来获得可通行区域了。

技术领域

本发明涉及一种车辆的辅助驾驶及自动驾驶技术领域，更具体的说是涉及一种面向复杂环境的可通行区域检测方法及系统。

背景技术

可通行区域指的是车辆可安全行驶的区域，稳定准确的检测出可通行区域对于车辆自身的定位导航以及车辆路径规划等都是不可或缺的。三维激光雷达检测效果不受光照和阴影的影响且具有三维信息，具有较大技术挖掘潜力，相关传统方法和深度学习方法均是研究热点。这其中存在两个严重阻碍检测效果的问题，其一为传统方法泛化性问题，传统方法需根据特定环境人为选定特征和阈值，系统对环境变化适应性差。其二为深度学习方法对训练集容量以及训练集的依赖，训练集样本量过少使得网络不能完全拟合目标函数，在训练集中获得很好的效果甚至误差为零但在测试集中效果差强人意。针对问题，目前大都选择在传统方法和深度学习方法中分别解决，比如采用分段阈值以增强传统方法对环境的适应性和人工添加样本标签扩充样本集，但效果依旧不理想。

授权公布号为CN110244321、申请公布日为2019年9月17号的专利中提到了一种基于三维激光雷达的道路可通行区域检测系统，该系统剔除激光雷达上方一定高度以外的点获取激光点云兴趣点，并利用RANSAC算法进行地面分割，区分地面点云和障碍物点云，对障碍物点云进行栅格化，提取出每个栅格中距离车辆最近的数据点，这些数据点结合起来既是可通行区域的边界点。但整个系统中特征及其阈值需基于经验和特定数据人工提取设置，致使系统缺乏泛化性，数据稍有扰动就导致系统检测误差甚至检测错误。

授权公布号为CN110070059A、申请公布日为2019年7月30号的专利中提到了一种基于域迁移的非结构化道路检测系统，该系统利用人工合成图像数据训练图像分割网络，并结合采集的无标签非结构化道路检测图像数据，生成伪标签。利用域迁移技术，结合伪标签组成的真实图像数据集和人工合成图像数据集训练整个网络，最终取出完成域迁移训练网络的图像分割网络作为非结构化道路检测网络。由于整个系统网络基于视觉传感器，不能在照明不足和阴影条件下保持准确性和鲁棒性，且系统网络冗余复杂，训练时耗大。

授权公布号为CN110414418A、申请公布日为2019年11月5号的专利中提到了一种图像-激光雷达图像数据多尺度融合的道路检测方法，该方法通过坐标转换矩阵将激光雷达数据投影到相应的图像平面，并通过处理转换成致密激光雷达投影图像，输入编码器中进行多尺度密集融合，将融合结果输入图像-激光雷达融合道路检测网络得到道路检测结果。数据融合虽然增多数据特征量，但时间成本增加，且图像像素纹理信息并不是可通行区域检测的主要特征。网络训练集不足导致道路检测网络不能拟合完整模型，在测试集中效果不理想。

根据调研，目前可通行区域检测系统模型复杂，并且系统泛化性弱，鲁棒性差，无法适应不同环境下车辆定位、导航以及控制需求。为此，本发明提供了一种无需设计复杂的可通行区域检测模型、泛化性强，鲁棒性高，可以在不同环境下实现稳定可通行区域检测的系统。具体为一套传统方法和深度学习方法相结合面向复杂环境的可通行区域检测系统，其中传统检测包含道路类型识别模块和可通行区域检测模块，深度学习检测包含道路识别网络和可通行区域检测网络。

发明内容

针对现有技术存在的不足，本发明的目的在于提供一种传统方法和深度学习方法相结合面向复杂环境的可通行区域检测方法，有效解决了泛化能力低、鲁棒性差以及样本量不足的问题，可以有效应对多种场景。

为实现上述目的，本发明提供了如下技术方案：一种面向复杂环境的可通行区域检测方法，包括如下步骤：