一种基于多传感器融合的复杂场景路径规划方法与流程

1.本发明属于汽车自动驾驶的技术领域，具体涉及一种基于多传感器融合的复杂场景路径规划方法。


背景技术：

2.随着汽车智能化的快速发展，越来越多的汽车上搭载了自动驾驶系统。自动驾驶系统依靠传感器获取车辆周围的环境信息，如摄像头、毫米波雷达和超声波雷达等，然后基于环境信息和车辆自身的状态信息进行路径规划，代替驾驶员控制车辆，完成基本的自适应巡航、车道保持、辅助变道等驾驶操作；但受限于当前的智能化水平和传感器性能，当车辆行驶至如车道线丢失和十字路口等复杂场景时，自动驾驶系统难以通过传感器获取较为全面的环境信息，导致自动驾驶系统无法继续保持对车辆的稳定控制。此时，自动驾驶系统会退出并提醒用户接管车辆控制，但留给用户接管的时间极其短暂，如果驾驶员不能及时接管车辆，可能存在车辆失控的安全隐患。
3.为提高自动驾驶系统对复杂场景的适应能力，提高自动驾驶系统使用的连续性和安全性，部分厂商选择采用高性能的传感器，如激光雷达和高精度地图等，这样固然可以在一定程度上提高自动驾驶系统获取环境信息的可靠性，但高配置的硬件成本较高，用户接受度较差，对于量产项目难以实现利润最大化。中国专利cn201811183196.7 一种快速完备的自动驾驶轨迹规划方法，该方案基于多传感器信息输出的道路边界对道路环境进行重构，然后在可行驶区域内进行路径采样，设定相应的轨迹选择权重函数，对采样路径进行选择，最后输出可行驶路径；基于采样的方法固然可以实现精确的路径规划，但是对于算力消耗较大，无法在低成本控制器中实现相应的算法。


技术实现要素：

4.针对现有技术的上述不足，本发明要解决的技术问题是提供一种基于多传感器融合的复杂场景路径规划方法，解决目前路径规划方法存在场景适应性较差的问题，取得提高自动驾驶系统使用的连续性和安全性的效果。
5.为解决上述技术问题，本发明采用如下技术方案：一种基于多传感器融合的复杂场景路径规划方法，包括如下步骤：1）摄像头获取本车周围的车道线特征，毫米波雷达获取目标车辆数据和本车周围的点云数据；2）判断车道线特征、目标车辆数据和点云数据的有效性，当车道线特征有效时，执行步骤3），当车道线特征无效时，执行步骤4）；3）根据车道线特征进行路径规划，结束步骤；4）若目标车辆数据有效，则根据目标车辆数据获取车流轨迹，若点云数据有效，则根据点云数据重构道路边界；5）根据车流轨迹或/和道路边界进行路径规划。
6.进一步地，步骤1）中，车道线特征包括车道线长度、车道线置信度、车道线曲率以及车道线与本车的横向距离。
7.进一步地，步骤1）中，目标车辆数据包括目标车辆与本车的纵向距离、目标车辆与本车的横向距离和目标车辆的航向角。
8.进一步地，步骤1）中，点云数据包括点与本车的横向距离、点与本车的纵向距离、点类型和点置信度。
9.进一步地，步骤2）中，判断车道线信息有效的条件为：车道线长度、车道线置信度和车道线曲率均符合对应阈值；判断目标车辆数据有效的条件为：目标车辆与本车的纵向距离、目标车辆与本车的横向距离和目标车辆与本车的航向角差值均符合对应阈值；判断点云数据有效的条件为：点的置信度、点与本车的纵向距离和点与本车的横向距离均符合对应阈值，且点类型为护栏或路沿。
10.进一步地，步骤3）中，根据车道线特征进行路径规划包括如下内容：当左右车道线均有效，左右车道线的距离小于3.5m且大于2.7m时，根据左右车道线计算中心线，本车沿中心线行驶；当左右车道线均有效，且左右车道线的距离小于2.5m或大于3.8m时，本车靠左车道线行驶并保持一定距离；当左车道线或右车道线有效时，本车靠有效的左车道线或右车道线行驶并保持一定距离。
11.进一步地，步骤4）中，根据目标车辆数据获取车流轨迹的方式如下：提取目标车辆数据中目标车辆后保险杠中心的历史位置点，对多帧目标车辆数据中的目标车辆后保险杠中心的历史位置点进行最小二乘拟合，将得到的三次方程曲线作为车流轨迹。
12.进一步地，步骤4）中，根据点云数据重构道路边界的方式如下：将毫米波雷达的探测范围分为若干个扇区，根据扇区内毫米波雷达探测到障碍物的距离在本车行驶方向上形成可行驶区域的包络线，将包络线作为道路边界。
13.相比现有技术，本发明的有益效果如下：本发明所述一种基于多传感器融合的复杂场景路径规划方法，先分别获取车道线特征、目标车辆数据和点云数据，然后根据预设规则判断车道线特征、目标车辆数据和点云数据的有效性，筛选出有效的数据并基于有效数据进行路径规划；当车道线特征无效，即车道线丢失时，也可进行路径规划，从而解决目前路径规划方法存在场景适应性较差的问题，本方案不仅可避免无效数据对路径规划的影响，还可降低算力消耗，可有效提高自动驾驶系统使用的连续性和安全性。
附图说明
14.图1为实施例的一种基于多传感器融合的复杂场景路径规划方法的流程图。
具体实施方式
15.下面结合附图对本发明的具体实施方式作进一步的详细说明。
16.实施例：请参见图1，一种基于多传感器融合的复杂场景路径规划方法，包括如下步骤：
1）摄像头获取本车周围的车道线特征，毫米波雷达获取目标车辆数据和本车周围的点云数据；其中，车道线特征包括车道线长度、车道线置信度、车道线曲率以及车道线与本车的横向距离，可根据车道线特征判断本车周围道路的复杂程度；目标车辆数据包括目标车辆与本车的纵向距离、目标车辆与本车的横向距离和目标车辆的航向角；点云数据包括点与本车的横向距离、点与本车的纵向距离、点类型和点置信度。
17.2）判断车道线特征、目标车辆数据和点云数据的有效性，当车道线特征有效时，执行步骤3），当车道线特征无效时，执行步骤4）；其中，判断车道线信息有效的条件为：车道线长度、车道线置信度和车道线曲率均符合对应阈值；判断目标车辆数据有效的条件为：目标车辆与本车的纵向距离、目标车辆与本车的横向距离和目标车辆与本车的航向角差值均符合对应阈值；判断点云数据有效的条件为：点的置信度、点与本车的纵向距离和点与本车的横向距离均符合对应阈值，且点类型为护栏或路沿；这样，将符合预设规则的有效信息作为路径规划的参考信息，不仅可避免无效信息对本车路径规划的影响，还可降低算力浪费。
18.3）根据车道线特征进行路径规划，结束步骤；本实施例中，根据车道线特征进行路径规划包括如下内容：当左右车道线均有效，左右车道线的距离小于3.5m且大于2.7m时，根据左右车道线计算中心线，本车沿中心线行驶；当左右车道线均有效，且左右车道线的距离小于2.5m或大于3.8m时，本车靠左车道线行驶并保持一定距离；当左车道线或右车道线有效时，本车靠有效的左车道线或右车道线行驶并保持一定距离。
19.4）若目标车辆数据有效，则根据目标车辆数据获取车流轨迹，若点云数据有效，则根据点云数据重构道路边界；其中，根据目标车辆数据获取车流轨迹的方式如下：提取目标车辆数据中目标车辆后保险杠中心的历史位置点，最为目标车辆的历史行驶轨迹，并基于历史轨迹预测目标车辆在未来一段时间内的行驶估计，具体为：对多帧目标车辆数据中的目标车辆后保险杠中心的历史位置点进行最小二乘拟合得到的三次方程曲线，将三次方程曲线作为车流轨迹以用于本车路径规划；毫米波雷达通过发射电磁波感知周围的环境信息，当反射的电磁波可以聚类时，通过对聚类数据的学习，可是识别到目标车辆、行人、动物等信息，当遇到不规则物体，如不规则障碍物、道路边缘等物体时，基于周围物体反射的电磁波无法进行聚类分析，基于毫米波雷达的特性；本实施例中，将毫米波雷达的探测范围分为180个扇区，当电磁波从各个扇区发出时，如果对应扇区内有障碍物，可在对应扇区内接收到障碍物反射的电磁波，因此，通过扇区内障碍物的距离，可在车辆行驶方向上形成可行驶区域的包络线，当障碍物为规则边界，如护栏、路岩等，包络线即为道路边界形成的离散点，即由道路边界构成的可通行区域。
20.5）根据车流轨迹或/和道路边界进行路径规划；本实施例中，当双侧车道线丢失
（如十字路口）时，利用车流轨迹/和道路边界计算车道中心线，然后根据车道中心线规划本车行驶路径，从而解决在车道线丢失的情况下，路径规划困难的问题。
21.本发明所述一种基于多传感器融合的复杂场景路径规划方法，先分别获取车道线特征、目标车辆数据和点云数据，然后根据预设规则判断车道线特征、目标车辆数据和点云数据的有效性，筛选出有效的数据并基于有效数据进行路径规划；当车道线特征无效，即车道线丢失时，也可进行路径规划，从而解决目前路径规划方法存在场景适应性较差的问题，本方案不仅可避免无效数据对路径规划的影响，还可降低算力消耗，可有效提高自动驾驶系统使用的连续性和安全性。
22.最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。