一种基于AI智能决策的安全生产风险评估方法及系统与流程

摘要: 本发明涉及安全风险评估的,尤其是涉及一种基于ai智能决策的安全生产风险评估方法及系统。背景技术:1、在布设密集金属货架的仓储与生产环境中,移动载体常用于运送大型...
一种基于AI智能决策的安全生产风险评估方法及系统与流程

本发明涉及安全风险评估的,尤其是涉及一种基于ai智能决策的安全生产风险评估方法及系统。

背景技术:

1、在布设密集金属货架的仓储与生产环境中,移动载体常用于运送大型非金属货物。为保障人机协作区域的运行安全,移动载体普遍装配环境感知与防碰撞系统,用于实时监测周边人员入侵与障碍物状态。此类作业环境通道狭窄,移动载体在运送大型货物转弯或直行时,货物体积极易遮挡车载传感器的探测视场,在车体周边形成动态的探测盲区。同时,周围密集排列的金属货架与支架具有强反射特性,会对无线电波产生复杂的干涉作用。

2、中国专利文献cn112257522a公开了一种基于环境特征的多传感器融合环境感知方法。该方案获取当前环境的光强与雨水信息,以在激光雷达、毫米波雷达和视觉传感器之间进行方案切换。当判定采用毫米波雷达与视觉传感器融合的工况下,该方案采用卷积神经网络算法处理视觉图像数据,基于卡尔曼滤波器结合车辆二自由度模型处理毫米波雷达信号。最后利用加权平均信息融合算法对处理后的视觉图像和雷达信号进行融合输出,以获取障碍物信息。

3、然而,上述现有技术在真实的仓储物流场景中存在一定的局限性。第一,现有方案在处理异构传感器数据融合时,若未在底层隔离视觉与雷达的物理特性差异,将缺乏多普勒径向速度与回波强度字段的视觉点云强行代入包含雷达专属物理特征的状态矩阵中进行滤波,极易导致异构状态矩阵维数不匹配引发滤波发散。第二,环境中的金属货架会对微波产生镜面反射多径,现有的多径过滤机制往往仅依据目标运动状态是否与自车同向来进行杂波剔除,但在通道内跟随作业时,前方真实工人与前向车辆的运动状态恰好与自车高度一致,极易被系统误判为杂波并剔除,从而引发严重的跟车碰撞危险。第三,在执行静态图谱过滤与坐标映射时,现有方案缺失引入全局绝对定位的必要前提,导致局部观测坐标向全局环境图谱映射的基准发生断层。因此,亟需提供一种能够在底层隔离异构点云物理特征,并结合全局定位与物理空间映射原理消除雷达镜面多径假象,实现准确风险评估的方法。

技术实现思路

1、为了解决盲区杂波导致的跟踪失效,实现稳定防撞,本发明提供一种基于ai智能决策的安全生产风险评估方法及系统。

2、第一方面,本发明提供的一种基于ai智能决策的安全生产风险评估方法,采用如下的技术方案:一种基于ai智能决策的安全生产风险评估方法,包括:

3、获取移动载体在基准时刻的全局绝对位姿、深度矩阵、同步亮度矩阵、雷达点云以及自车速度向量,并计算所述同步亮度矩阵的均值和方差;

4、若所述均值大于预设极亮阈值且所述方差小于预设致盲底限,将探测视场配置为空间掩码,控制限速并启用近场制动;

5、否则提取所述深度矩阵的梯度边缘构建三维盲区,映射生成动态盲区并配置为所述空间掩码;

6、将所述深度矩阵对应的深度点云与所述雷达点云转换至底盘坐标系;基于所述自车速度向量对所述雷达点云进行时间补偿;融合未落入所述空间掩码的所述深度点云与落入所述空间掩码内经补偿的所述雷达点云附加数据源属性生成待决点云;

7、将所述待决点云关联历史航迹生成有效航迹,基于所述数据源属性提取量测特征解算相对速度向量,并与所述自车速度向量相加生成绝对速度向量;

8、若所述绝对速度向量未满足预设过滤条件,提取瞬时空间特征输入分类器输出置信度;

9、当所述置信度满足预设阈值时基于所述相对速度向量计算碰撞余量,满足制动条件时紧急制动。

10、可选的,提取所述深度矩阵的梯度边缘构建三维盲区,包括:

11、计算所述深度矩阵中相邻网格的深度差;

12、当所述深度差的绝对值大于尺寸阈值时,将对应的所述相邻网格提取为边缘点并连接生成闭合的所述梯度边缘;

13、由投影中心向所述梯度边缘发射射线形成闭合包络面;

14、以所述梯度边缘的深度截面为起点,沿所述包络面延伸至距离边界,生成封闭的多面锥状体作为所述三维盲区。

15、可选的,基于所述自车速度向量对所述雷达点云进行时间补偿,包括:

16、提取所述雷达点云的采集时刻,计算所述采集时刻与所述基准时刻的时间差;

17、计算所述自车速度向量与所述时间差的乘积生成偏移向量;

18、将所述偏移向量叠加至所述底盘坐标系下的所述雷达点云的空间坐标中完成时间补偿。

19、可选的,基于所述数据源属性提取量测特征解算相对速度向量,包括:

20、当所述数据源属性为雷达点云时,利用雷达安装偏移量、所述历史航迹的空间坐标及径向速度构建第一量测方程;

21、当所述数据源属性为深度点云时,利用所述历史航迹的空间坐标构建不含所述径向速度的第二量测方程;

22、通过卡尔曼滤波器融合求解生成所述相对速度向量。

23、可选的,所述预设过滤条件包括静态条件,判定满足所述静态条件包括:

24、计算所述绝对速度向量的模长,利用所述全局绝对位姿将所述有效航迹的坐标映射为绝对坐标;

25、当所述数据源属性为雷达点云时,计算所述待决点云的回波强度均值;

26、若所述模长小于底噪阈值,所述绝对坐标与预设金属图谱匹配,且所述数据源属性为深度点云或所述回波强度均值大于反射阈值时,剔除所述有效航迹。

27、可选的,所述预设过滤条件还包括动态条件,未满足所述静态条件时,判定满足所述动态条件包括:

28、计算所述绝对速度向量与所述自车速度向量的夹角及模长差;

29、当所述绝对坐标落入所述预设金属图谱对应的不可通行物理边界内,且所述夹角落入同向区间且所述模长差小于差值阈值时,判定满足所述动态条件并剔除所述有效航迹。

30、可选的,提取瞬时空间特征,包括:

31、提取所述有效航迹的绝对坐标,利用所述全局绝对位姿转换生成相对于所述移动载体的相对位置向量;

32、提取所述有效航迹包含的所述待决点云的三维坐标集,计算所述三维坐标集的协方差矩阵并提取特征值生成空间分布特征;

33、将所述相对位置向量、所述相对速度向量与所述空间分布特征拼接重构为所述瞬时空间特征。

34、可选的,当所述置信度满足预设阈值时基于所述相对速度向量计算碰撞余量,包括:

35、利用多层感知机构成的所述分类器对所述瞬时空间特征进行映射生成目标置信度作为所述置信度;所述分类器基于历史瞬时空间特征及利用实际物理碰撞时间标定的监督标签,通过损失函数迭代训练生成;

36、当所述目标置信度大于概率阈值时生成风险信令;

37、基于所述风险信令及所述相对速度向量计算所述碰撞余量。

38、可选的,基于所述风险信令及所述相对速度向量计算所述碰撞余量,包括:

39、响应所述风险信令,提取所述移动载体的行驶轨迹;

40、计算所述有效航迹对应的绝对坐标相对于所述移动载体的横向相对距离及纵向相对距离,计算所述相对速度向量在所述行驶轨迹方向的投影分量;

41、当所述横向相对距离小于横向安全边界且所述投影分量小于零时,取所述纵向相对距离与所述投影分量的绝对值的比值作为所述碰撞余量;否则将所述碰撞余量设为安全极值。

42、第二方面,本发明提供的一种基于ai智能决策的安全生产风险评估系统,采用如下的技术方案:一种基于ai智能决策的安全生产风险评估系统,包括:

43、盲区构建模块,获取移动载体在基准时刻的全局绝对位姿、深度矩阵、同步亮度矩阵、雷达点云以及自车速度向量,并计算所述同步亮度矩阵的均值和方差;若所述均值大于预设极亮阈值且所述方差小于预设致盲底限,将探测视场配置为空间掩码并控制限速及启用近场制动;否则提取所述深度矩阵的梯度边缘构建三维盲区,映射为动态盲区并配置为所述空间掩码;

44、点云处理模块,将所述深度矩阵对应的深度点云与所述雷达点云转换至底盘坐标系;基于所述自车速度向量对所述雷达点云进行时间补偿;融合未落入所述空间掩码的所述深度点云与落入所述空间掩码内经补偿的所述雷达点云附加数据源属性生成待决点云;将所述待决点云关联历史航迹生成有效航迹,基于所述数据源属性提取量测特征解算相对速度向量,并与所述自车速度向量相加生成绝对速度向量;

45、智能决策模块,当所述绝对速度向量未满足预设过滤条件时,提取瞬时空间特征输入分类器输出置信度;当所述置信度满足预设阈值时计算碰撞余量;

46、安全执行模块,当所述碰撞余量满足制动条件时控制所述移动载体紧急制动。

47、综上所述,本发明包括以下有益技术效果:

48、1、通过空间掩码机制在底层隔离深度点云与雷达点云的物理特征,将未落入空间掩码的深度点云与落入空间掩码内经时间补偿的雷达点云附加各自数据源属性后融合生成待决点云,并在后续滤波中依据数据源属性分支提取对应的量测特征解算速度向量,避免了异构传感器数据因物理特性差异强行代入统一状态矩阵所引发的卡尔曼滤波发散,有效提升了多传感器融合过程中的状态估计稳定性。

49、2、利用全局绝对位姿将有效航迹的坐标映射为绝对坐标,并结合预设金属图谱的哈希命中判定,在绝对速度向量模长小于底噪阈值且数据源属性为深度点云或雷达点云回波强度均值大于反射阈值时销毁有效航迹,使得静态金属货架的镜面多径反射杂波在全局物理空间中被准确识别并剔除,降低了静止强反射结构被误判为动态障碍物的概率。

50、3、通过预先在离线环境下提取历史瞬时空间特征并结合基于实际物理碰撞时间标定的监督标签对多层感知机分类器进行监督训练,使分类器能够以具备运动学因果律的瞬时空间特征为输入映射输出目标置信度,在在线推理阶段无需依赖人工设定规则即可对不同数据源表征的障碍物风险进行统一评估,扩大了评估方法在不同传感配置场景下的适用性。