车载毫米波雷达隧道环境感知方法、装置及非暂时性计算机可读存储介质与流程

摘要: 本发明实施例涉及智能网联汽车,具体涉及一种车载毫米波雷达隧道环境感知方法、装置及非暂时性计算机可读存储介质。背景技术:1、车载毫米波雷达凭借其全天候、全天时的工...
车载毫米波雷达隧道环境感知方法、装置及非暂时性计算机可读存储介质与流程

本发明实施例涉及智能网联汽车,具体涉及一种车载毫米波雷达隧道环境感知方法、装置及非暂时性计算机可读存储介质。

背景技术:

1、车载毫米波雷达凭借其全天候、全天时的工作能力,已成为智能驾驶系统的核心传感器。在实际运行中,雷达不仅要探测前方障碍物,还需在复杂的道路环境下准确区分真实目标与虚假干扰,以避免误制动或漏报。隧道场景是车载雷达面临的高难度典型工况之一。由于隧道空间的封闭特性,雷达发射的电磁波极易在隧道壁、路面及顶部之间发生多次反射,形成显著的多径效应。此类多径反射回波被雷达接收后,会被错误地解读为真实存在的障碍物,从而产生虚假目标,即“鬼影目标”(ghost targets)。这些虚假目标通常呈现与真实车辆相近的雷达截面积和连续平滑的运动特征,极易干扰上层控制策略的正确判断。

2、目前,针对隧道场景下的虚假目标抑制或滤除,主要采用以下几类技术方案。

3、第一类是基于信号处理层面的固定阈值或简单规则过滤方法。例如,通过设定固定的雷达截面积阈值、信噪比阈值,或依据目标是否存在剧烈的横向位置跳变来剔除干扰。然而,该方法鲁棒性较差,不同场景下的合适阈值差异显著。在隧道环境中,多径反射所形成的虚假目标往往信号强度较大,且短时间内运动轨迹相对平滑,仅依靠雷达截面积或简单的运动学规则难以将其与真实车辆有效区分。若阈值设定过高,容易滤除摩托车等真实小型目标;若阈值过低,则无法抑制隧道内的强烈杂波。

4、第二类是利用栅栏拟合方法对隧道壁进行几何近似,并据此滤除虚假目标。但实际应用中,普通道路的金属栅栏与隧道壁在点云分布上存在明显差异:栅栏点云通常较为密集、分布规律,而隧道壁点云大多稀疏且分布杂乱。采用同一套拟合参数难以兼顾二者,必然导致隧道壁拟合精度下降,进而使得虚假点的滤除效果不甚理想。

5、第三类是基于机器学习或深度学习模型对雷达点云进行场景分类或目标真伪识别。例如,利用卷积神经网络提取点云的空间分布特征,以判定当前是否处于隧道环境或直接区分目标属性。该类方法虽在识别准确率上有所提升,但存在明显局限性:

6、1. “黑箱”特性导致可解释性差。深度学习模型的决策逻辑难以追溯。在汽车安全领域,当雷达在隧道内发生误报将虚假目标当成真车或漏报将真车滤除时,工程师难以快速分析具体是哪一层特征导致了错误,这给系统调试、验证及满足iso 26262功能安全认证要求带来极大困难。

7、2. 计算资源消耗大。复杂的网络模型需要占用大量车载计算单元资源,难以满足车载雷达数据处理的高实时性要求,同时也增加了硬件成本。

8、3. 缺乏几何约束的融合。现有的分类方法往往只关注目标本身的特征,而忽略了场景环境如隧道壁与目标之间的几何位置关系。实际上,隧道内的虚假目标多出现在隧道壁之外或特定的多径反射路径上。若不能准确识别场景并利用隧道壁的几何信息进行空间一致性校验,便难以彻底根除多径干扰。

技术实现思路

1、本发明实施例所要解决的技术问题在于,提供一种车载毫米波雷达隧道环境感知方法、装置及非暂时性计算机可读存储介质,以实现在车载嵌入式平台上对隧道场景的高鲁棒性识别及对多径虚假目标的精准空间约束滤除。

2、为解决上述技术问题,作为本发明的一方面,提供一种车载毫米波雷达隧道环境感知方法,包括:

3、获取车载毫米波雷达的点云数据,并从所述点云数据中提取预设特征;

4、将所述预设特征输入至经训练的、基于决策逻辑的场景分类模型,以识别当前车辆所处的场景类别;

5、若识别出的所述场景类别为隧道场景,则利用所述隧道场景下的感兴趣区域内的多帧静止点云,通过自适应的曲线拟合策略,构建表征隧道壁几何形态的边界方程;

6、对于待检测的目标点迹,根据所述目标点迹的空间位置与所述边界方程限定的空间区域之间的几何关系,计算所述目标点迹的置信度,并基于所述置信度判定所述目标点迹的真实性。

7、优选地,所述基于决策逻辑的场景分类模型为决策树模型,并通过以下方式获得:

8、获取在多种场景下采集的雷达点云及航迹数据,并对每一帧数据标注场景类别标签,所述场景类别至少包括正常道路和隧道;

9、从标注后的数据中提取候选特征,构建训练数据集;

10、利用所述训练数据集对决策树模型进行训练,并在训练过程中基于特征重要性权重从所述候选特征中筛选出所述预设特征,得到经训练的决策树模型。

11、优选地,所述训练数据集按类别沿时间轴划分为训练验证集和测试集,其中同一类别中时间在前的数据用于训练验证,时间在后的数据用于测试,以保证测试集在时间维度上独立于训练验证集。

12、优选地,对决策树模型进行训练时,先以大于预设深度的最大树深度使决策树充分生长,再采用交叉验证方法对充分生长后的树模型进行剪枝,以减小模型规模并提高泛化能力。

13、优选地,识别当前车辆所处的场景类别后,还包括:

14、对连续多帧的场景识别结果进行滑窗平滑处理,以当前窗口内出现频次最多的场景类别作为平滑后的识别结果;

15、基于平滑后的识别结果进行场景状态管理,当连续第一预设帧数的识别结果均为隧道场景时,将当前场景状态置为隧道中状态;当处于隧道中状态时连续第二预设帧数的识别结果均为正常道路时,将当前场景状态恢复为正常道路状态。

16、优选地,所述自适应的曲线拟合策略包括:

17、分别针对车辆左侧和右侧,累积感兴趣区域内的多帧静止点云;

18、对累积的点云分别进行一阶线性拟合和二阶曲线拟合;

19、基于调整后的决定系数和贝叶斯信息准则,在一阶模型与二阶模型之间择优,获得初始边界方程;

20、对所述初始边界方程进行物理合理性校验,在所述初始边界方程不符合预设的隧道壁形态约束条件时,将其降级为一阶模型或固定横向偏置。

21、优选地,所述物理合理性校验包括:

22、当选出二阶模型作为初始边界方程时,计算该二阶曲线的弓高或最大甩尾,若所述弓高或所述最大甩尾超过预设阈值,则降级为一阶模型;

23、当选出一阶模型作为初始边界方程时,计算该一阶模型的斜率,若所述斜率超过预设阈值,则降级为所有参与拟合点云的横向坐标的平均值。

24、优选地,所述计算所述目标点迹的置信度,具体包括:

25、计算所述目标点迹到其对应侧边界方程的横向距离;

26、当所述横向距离小于预设缓冲距离时,所述目标点迹的置信度设为1;

27、当所述横向距离大于或等于所述预设缓冲距离时,所述目标点迹的置信度随所述横向距离的增大而递减。

28、本发明还提供一种车载毫米波雷达隧道环境感知装置,包括:

29、一个或多个处理器;

30、存储器;

31、一个或多个应用程序,其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个应用程序被配置用于执行所述的车载毫米波雷达隧道环境感知方法。

32、本发明还提供一种非暂时性计算机可读存储介质,其上存储有计算机指令,所述计算机指令被处理器执行时实现所述的车载毫米波雷达隧道环境感知方法。

33、实施本发明实施例,具有如下有益的效果:首先,通过采用基于决策逻辑的轻量级场景分类模型替代传统深度神经网络,从根本上解决了现有技术中场景识别计算资源消耗大、可解释性差的问题。决策逻辑模型的每个判断节点对应明确的特征阈值比较,完整决策路径清晰可视,便于工程调试与功能安全认证,同时其轻量化特性满足了车载嵌入式平台的实时性要求。其次,针对隧道等封闭场景,本发明通过自适应的曲线拟合策略,在线性模型与非线性模型之间基于统计学指标择优,并结合弓高、甩尾、斜率等物理合理性校验进行降级处理,构建出精确贴合实际隧道壁几何形态的边界方程。该方法有效解决了现有技术忽略环境边界特征、无法为动目标提供有效空间约束的问题。最后,基于构建的隧道壁边界方程,本发明通过计算目标点迹空间位置与该几何基准的相对距离,生成基于空间一致性的置信度评分,实现了对多径虚假目标的精准识别与滤除。该方法克服了传统基于单一信号特征过滤鲁棒性差的缺陷,显著降低了隧道场景下的误报率与漏报率,提升了车载雷达在复杂封闭环境中的感知可靠性。