基于轻量化动态场景感知的无人车局部路径重规划方法
本发明涉及自动驾驶路径规划,具体为基于轻量化动态场景感知的无人车局部路径重规划方法。
背景技术:
1、随着自动驾驶技术的普及,无人车在开放道路环境中的安全行驶能力成为行业关注的核心。在实际行驶过程中,无人车经常面临行人横穿、非机动车突然切入等高动态复杂场景。这类场景要求车辆的感知与规划系统具备极低的延迟和高度的准确性,以便在短时间内做出安全的路径重规划决策。
2、现有的无人车避障方案主要依赖激光雷达点云聚类或重度深度学习视觉模型。传统的点云聚类与卡尔曼滤波跟踪算法在处理高速运动目标时,往往存在收敛滞后的问题,导致系统无法及时响应突发状况。而基于复杂深度学习网络的端到端感知方案虽然具备较高的识别精度,但其庞大的参数量需要消耗巨大的车载算力,推理延迟较高,难以满足高动态场景对实时性的严苛要求。
3、此外,在视觉深度感知方面,当障碍物处于快速运动状态时,受限于传感器的物理特性及图像边缘的像素模糊,动态目标边缘经常出现深度数据缺失。传统的路径规划系统通常忽略这类局部孔洞,或者仅采用简单的均值填充,这容易导致系统对障碍物运动边界的误判,进而引发局部风险计算的遗漏,最终造成轨迹重规划失效或导致车辆做出危险的行驶动作。
技术实现思路
1、本发明解决的技术问题在于,现有无人车在应对高动态场景时,传统点云聚类跟踪算法耗时长且收敛滞后,基于复杂深度学习网络的方案算力消耗大且推理延迟高,导致避撞成功率偏低;
2、此外,动态目标边缘常出现深度数据缺失,容易导致局部风险计算遗漏,进而影响轨迹重规划的可靠性。
3、为解决上述问题,本发明提供如下技术方案。
4、本发明第一方面提供一种基于动态场景感知的无人车局部路径重规划方法,包括如下步骤:
5、获取连续帧图像及对应的深度图,并结合无人车底盘运动参数进行特征解耦,得到场景中动态障碍物的真实动态位移;
6、根据真实动态位移和深度图,计算动态障碍物的三维物理速度与碰撞时间;
7、基于三维物理速度,在三维时空代价张量中进行前向推演,构建过程噪声协方差随时间放大的高斯风险代价;生成候选轨迹集合,将各候选轨迹代入三维时空代价张量计算动态风险代价积分,并基于动态风险代价积分筛选最优目标轨迹。
8、优选的,获取连续帧图像及对应的深度图,并结合无人车底盘运动参数进行特征解耦,得到场景中动态障碍物的真实动态位移,具体包括:
9、获取连续帧图像之间的原始光流位移;根据无人车底盘运动参数建立雅可比矩阵,计算无人车自身运动对应的背景光流位移;
10、将原始光流位移与背景光流位移进行矢量相减,得到真实动态位移。
11、本步骤通过底盘运动参数建立雅可比矩阵,通过矢量相减消除自车运动产生的背景视差,能够在不依赖语义分割网络的情况下提取动态障碍物的真实位移,从而降低算力开销并提升解耦速度。
12、优选的,根据真实动态位移和深度图,计算动态障碍物的三维物理速度与碰撞时间,具体包括:
13、根据真实动态位移及对应的深度值,计算动态障碍物的三维横向移动速度及相对无人车的纵向相对接近速度;
14、获取动态障碍物与无人车在局部坐标系下的纵向相对距离,将纵向相对距离除以纵向相对接近速度,得到碰撞时间;
15、三维物理速度包括三维横向移动速度和纵向相对接近速度。
16、本步骤结合位移与深度数据直接计算物理空间内的三维移动速度,并据此推导碰撞时间,省略了目标分类与识别过程,为后续时空代价的构建提供实时数据输入。
17、优选的,在根据真实动态位移和深度图,计算动态障碍物的三维物理速度与碰撞时间之前,还包括对深度图进行插值补偿的步骤:提取深度图中深度值缺失区域相邻正常像素间的二维运动矢量;
18、计算深度值缺失区域与其相邻正常像素之间二维运动矢量的余弦相似度;
19、以余弦相似度作为权重对深度值缺失区域进行插值处理,得到补偿后的深度图。
20、本步骤利用相邻正常像素间二维运动矢量的余弦相似度进行插值,修复动态障碍物边缘的深度数据孔洞,减少了因深度数据缺失造成的空间位置计算偏差。
21、优选的,基于三维物理速度,在三维时空代价张量中进行前向推演,构建过程噪声协方差随时间放大的高斯风险代价,具体包括:
22、以动态障碍物的初始位置为起点,根据三维物理速度计算其在连续多个预测时间步下的预测中心位置;
23、在每个预测时间步的预测中心位置处,构建包含过程噪声协方差矩阵的高斯代价函数;
24、随着预测时间步的增加,对过程噪声协方差矩阵的参数进行数值放大,生成各预测时间步对应的高斯风险等高线,并将各高斯风险等高线映射至三维时空代价张量,形成高斯风险代价。
25、本步骤根据预测中心位置及随时间放大的过程噪声协方差矩阵,量化动态障碍物在未来各时间段的位置不确定性,并在三维时空代价张量中形成连续的高斯风险分布。
26、优选的,将各候选轨迹代入三维时空代价张量计算动态风险代价积分,并基于动态风险代价积分筛选最优目标轨迹,具体包括:
27、获取各候选轨迹在各预测时间步对应的时间序列坐标;
28、将各时间序列坐标映射至三维时空代价张量,对沿候选轨迹各预测时间步对应的高斯风险代价进行积分累加,得到各候选轨迹对应的动态风险代价积分;
29、剔除动态风险代价积分大于预设代价阈值的候选轨迹;
30、在剩余的候选轨迹中,选取动态风险代价积分数值最小的轨迹作为最优目标轨迹。
31、本步骤通过在三维时空代价张量中进行积分累加,量化各候选轨迹在未来时间段内与高斯风险分布的重合程度,以此作为评价指标筛选出风险代价最低的轨迹。
32、优选的,基于动态风险代价积分筛选最优目标轨迹之后,还包括。获取道路的左侧物理边界坐标和右侧物理边界坐标;
33、判断最优目标轨迹是否与左侧物理边界坐标或右侧物理边界坐标存在空间干涉;
34、若存在空间干涉,且候选轨迹集合中不存在动态风险代价积分小于或等于预设代价阈值的其他候选轨迹,则生成制动减速请求。本步骤增加了针对空间干涉的判定逻辑,在无可通行轨迹的受限空间内输出制动减速请求,避免车辆因轨迹规划超出物理边界而发生碰撞。
35、本发明第二方面提供一种基于动态场景感知的无人车局部路径重规划系统,包括:特征解耦模块,用于获取连续帧图像及对应的深度图,并结合无人车底盘运动参数进行特征解耦,得到场景中动态障碍物的真实动态位移;
36、速度预测模块,用于根据真实动态位移和深度图,计算动态障碍物的三维物理速度与碰撞时间;
37、时空映射模块,用于基于三维物理速度,在三维时空代价张量中进行前向推演,构建过程噪声协方差随时间放大的高斯风险代价;轨迹重规划模块,用于生成候选轨迹集合,将各候选轨迹代入三维时空代价张量计算动态风险代价积分,并基于动态风险代价积分筛选最优目标轨迹。
38、本发明第三方面提供一种电子设备,包括存储器和处理器,存储器用于存储一条或多条计算机指令,一条或多条计算机指令被处理器执行时,实现本发明第一方面及其各实现方式的基于动态场景感知的无人车局部路径重规划方法。
39、本发明第四方面提供一种计算机可读存储介质,其上存储有计算机指令,该计算机指令被处理器执行时实现本发明第一方面及其各实现方式的基于动态场景感知的无人车局部路径重规划方法。
40、本发明提供了基于轻量化动态场景感知的无人车局部路径重规划方法。具备以下有益效果:
41、1.本发明通过结合无人车底盘运动参数建立雅可比矩阵,利用矢量相减直接消除自车运动产生的背景光流位移。该方式能够在不依赖庞大语义分割网络的前提下,快速提取场景中动态障碍物的真实位移,降低了车载计算单元的算力开销,有效缩短了高动态场景下的感知延迟。
42、2.本发明利用深度值缺失区域相邻正常像素间的二维运动矢量余弦相似度作为权重,对深度图进行插值补偿。该机制修复了动态障碍物边缘因传感器局限性产生的深度数据孔洞,减少了因局部深度缺失造成的空间位置计算偏差,提高了后续时空代价映射的准确性。
43、3.本发明基于预测的三维物理速度构建过程噪声协方差随时间放大的高斯风险代价,并在三维时空代价张量中进行积分累加。这种计算方式将轨迹寻优过程转化为量化的代数积分,能够准确评估候选轨迹在未来时间段内与风险分布的重合度,从而在复杂动态环境中筛选出综合代价最小的安全避让轨迹。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com