一种无人驾驶的多特征融合的动态障碍物检测跟踪方法与流程

1.本发明属于计算机图像处理技术领域，具体涉及一种无人驾驶的多特征融 合的动态障碍物检测跟踪方法。


背景技术：

2.无人驾驶车辆感知、决策与运动规划研究基础上提出了基于激光雷达的无 人驾驶车辆动态障碍物检测跟踪方法、基于时空栅格地图的无人驾驶汽车避撞 系统和基于驾驶意图检测的动态车辆避撞方法。
3.上述公开的技术一定程度上提升了无人驾驶车辆在行驶中的安全性，但由 于动态障碍物检测跟踪使用的是基于几何特征的方法，具有以下缺点：无匹配 率较高，且由于缺乏动态障碍物的类别信息，无入驾驶车辆对于不同种类的障 碍物的避撞策略相同，缺乏合理性；由于没有考虑动态障碍物不同的行为意图 对其行驶轨迹的影响，动态障碍物的轨迹预测结果误差大，导致无人驾驶车辆 碰撞检测距离短，最终执行激烈的避撞行为，降低了安全性和平顺性。因此无 法直接用于无人驾驶控制系统的开发中。


技术实现要素：

4.本发明的目的在于提供一种无人驾驶的多特征融合的动态障碍物检测跟踪 方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种无人驾驶的多特征融合的动 态障碍物检测跟踪方法，包括步骤一：车辆通过基于时空特征向量特征对障碍 物图片展开模型训练，并得到训练后的分类模型；
6.步骤二：车辆通过训练后的模型对环境进行识别分类；
7.步骤三：车辆对动态障碍物的检测匹配及运动状态轨迹的估算，根据感知 的信息提供给控制系统并作出决策，合理规避动态障碍物。
8.优选的，所述的时空特征向量特征包括空间维度特征、时间维度特征、以 及无人驾驶汽车位姿。
9.优选的，空间维度特征是根据不同种类的障碍物的轮廓特点构造几何特征， 几何特征分为3类：通用特征(是指在判断障碍物是否是任意某一类障碍物时 都要使用的特征)、行人特征和车辆特征。
10.优选的，时间维度特征是从多帧叠加数据中提取出更加有效的障碍物特征， 需具备的性质以下：可重复性：相同种类的物体在不同场景下共同拥有的特征 越多越好；准确性：特征定位要精确，不仅包括特征的位置还包含特征的尺度； 不变性：特征不随障碍物图像的尺度变化或旋转变化而改变；鲁棒性：特征对 小的变形不能过于敏感，这些变形包括离散化效应和测量噪声。
11.优选的，通过空间维度和时间维度特征及车辆位姿设计出动态障碍物形式：
12.f＝({z
t
}n，m，(p
t
)n)。
13.与现有技术相比，本发明的有益效果是：采用本发明的技术，在相同的无 人驾驶场景动态路路况下，通过时空维度特征结合无人驾驶车辆的位姿变化构 建时空特征向量，得到一个高性能的动态障碍物分类模型，有效提升了动态障 碍物识别的准确性和实时性，有助于指导无人驾驶车辆生成更正确的决策意见 并返回给无人驾驶控制系统。
附图说明
14.图1为本发明的流程示意图；
15.图2为本发明的训练所用部分正样本图像示意图；
16.图3为本发明的车辆通过训练后的模型对环境进行识别分类的流程示意图；
17.图4为本发明的车辆规划轨迹与移动障碍物轨迹的三维空间示意图。
具体实施方式
18.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
19.请参阅图1至图4，本发明提供一种技术方案：以下将结合具体实施例对本 发明进行详细说明：
20.步骤一、车辆通过基于时空特征向量特征对障碍物图片展开模型训练，并 得到训练后的分类模型；
21.a.空间维度上，根据不同种类的障碍物的轮廓特点构造几何特征，几何特 征分为3类：通用特征(是指在判断障碍物是否是任意某一类障碍物时都要使 用的特征)、行人特征和车辆特征。行人的腿部由两个子障碍物块组成，骑自行 车的人是线性排列的障碍物块，激光雷达通过扫描到动态车辆的一条车身边沿 或者两条相互垂直的车身边沿。
22.b.时间维度上从多帧叠加数据中提取出更加有效的障碍物特征，需具备的 性质以下：
23.可重复性：相同种类的物体在不同场景下共同拥有的特征越多越好；
24.准确性：特征定位要精确，不仅包括特征的位置还包含特征的尺度；
25.不变性：特征不随障碍物图像的尺度变化或旋转变化而改变；
26.鲁棒性：特征对小的变形不能过于敏感，这些变形包括离散化效应和测量 噪声。
27.c.通过空间维度和时间维度特征及车辆位姿设计出动态障碍物形式：
28.f＝({z
t
}n，m，(p
t
)n)
29.其中zt，是t时刻障碍物的空间维度特征，如轮廓中心点、边沿线终点以 及拐点；
30.n是使用的障碍物历史信息的帧数，m表示障碍物的zemike不变矩特征， 能够表示障碍物的旋转平移放大不变的历史轮廓特征；f是传感器的历史位置在 最新传感器坐标系中的坐标，p的引入可以抑制由于无人驾驶汽车自身位姿变化 带来的影响，结合障碍物的坐标变化还可以反映出动态障碍物的运动特性，在 构建完成时空特征向量后，通过模型训练得到障碍物分类器用于动态障碍物的 识别。
31.分类器模型训练过程中使用了无人驾驶汽车在行驶中获取的动态障碍物数 据作
为训练样本，本文在训练过程中使用100个车辆，100个行人和100个自行 车数据组作为正样本数据，每个数据组包含20个检测跟踪过程中不同时刻的障 碍物特征，每一个分类样本包含两部分参数，一个是时空特征向量，一个是障 碍物所属类别，训练所用部分正样本图像如图2所示；此外，在训练过程中使 用了1500个负样本，在每一个基分类器训练过程中从正负样本中分别随机抽取 2000个正样本和500个负样本，其中训练集和测试集的比例为4:1，当准确率 达到90％或者迭代训练次数超过50时停止训练。
32.步骤二、车辆通过训练后的模型对环境进行识别分类；
33.车辆通过真实环境中采集的数据进行测试并与基于障碍物轮廓特征的方法 进行比较，场景中包含99个动态障碍物，其中汽车77辆、自行车14辆和8个 行人，识别结果显示通过这种时空模型识别方法平均识别距离为52.5米，识 别精度高达98.6％。
34.步骤三、车辆对动态障碍物的检测匹配及运动状态轨迹的估算；
35.车辆从地图和感知信息中提取出道路结构信息和动态障碍物的运动状态信 息，接着结合道路结构和动态障碍物的运动状态检测其行为轨迹意图，在考虑 安全性和时效性的基础上结合意图检测结果预测出一条长期理想轨迹，利用运 动目标的实时运动状态也可以预测出一条短期轨迹，最后将这两条轨迹进行融 合并用于碰撞检测，根据碰撞检测结果选择合适的避撞动作；如图3所示。
36.障碍物轨迹包含障碍物位置信息和时间序列信息，如图4，轨迹看作三维空 间(栅格地图上的x、y和时间维)中的一条曲线，碰撞检测就是检查无人驾驶车 辆规划的轨迹与其它移动障碍物的轨迹之间是否有交点(空间上两条轨迹在栅 格地图上有交点，时间上无人驾驶汽车和动态车辆到达该交点的时间相同)；车 辆采取时间上避障和空间上避障的策略。
37.当车辆识别到行人和自行车等，优先采用减速行驶在时间上避开潜在碰撞， 如果距离较近则直接减速直到停车。
38.当车辆识别到车辆时，根据其实际运动轨迹及距离、速度，采用跟车行驶， 变道，停车让行等策略。
39.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言， 可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变 化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。