一种基于无人驾驶的障碍物规避系统

技术领域

本发明属于无人驾驶技术领域，特别是涉及一种基于无人驾驶的障碍物规避系统。

背景技术

无人驾驶汽车是一种智能汽车，依靠人工智能、计算视觉、雷达、监控装置和全球定位系统协同工作，让电脑可以在没有任何人类主动的操作下，自动安全地操作机动车辆。无人驾驶主要原理为通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标；同时通过车载传感器感知周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶。

以当前的技术来看，每种传感器都有局限，有些是传感器本身，比如雷达的横向精度和对障碍物的检测，比如摄像头恶劣环境使用时不堪重负，这就造成了在探测无人驾驶车周围的障碍物时精度大大降低。除此之外，在目前的技术中，主要是针对静止状态下的障碍物进行规避，而在车辆的前进过程中，如何对遇到的运动状态的障碍物进行规避也是非常有必要的。

发明内容

本发明的目的是提供一种基于无人驾驶的障碍物规避系统，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于无人驾驶的障碍物规避系统，包括：

采集模块，用于获取若干个传感器的运行状态及对应采集的障碍物数据信息；

处理模块，与所述数据采集模块连接，用于基于若干个传感器的运行状态获取对应的权重信息，并将采集的障碍物数据信息与对应的权重信息进行数据融合，获得障碍物的位置信息；

判断模块，与所述处理模块连接，用于获取障碍物的性状信息并判断障碍物的运动状态；

规避模块，与所述判断模块连接，用于基于障碍物的位置信息、运动状态和性状信息，规划绕行路线。

可选的，所述采集模块包括：

第一采集单元，用于基于若干个激光雷达探测周围环境信息，获得障碍物的三维图像信息；

第二采集单元，用于基于双目摄像机获取障碍物的三维坐标和障碍物的速度信息；

第三采集单元，用于获取传感器自身的运行状态信息。

可选的，所述处理模块包括：

权重获取单元，用于基于传感器的运行状态和周围环境因素，采用深度学习算法获得传感器的权重值，其中，当传感器未运行时，权重值为零；

数据融合单元，用于将若干个传感器采集的障碍物的数据信息与其对应的权重值进行数据融合，获得障碍物的位置信息。

可选的，所述判断模块包括：

运动状态判断单元，用于获取预设时间间隔内的障碍物的图像信息，比较任意两张图像信息的位置，若位置相同，则障碍物为静止状态；反之，障碍物为运动状态；

性状信息判断单元，用于基于障碍物的图像信息，获得障碍物的性状信息、高度信息、宽度信息和长度信息，并和对应的阈值进行比较。

可选的，所述规避模块包括：

静止状态规避单元，用于将障碍物的性状信息、高度信息和宽度信息与对应阈值的进行比较，规划绕行路线；

运动状态规避单元，用于获取障碍物的位置信息及速度信息，并构建障碍物的移动模型，若无人车的速度向量落在所述移动模型中，则无人车重新规划行进路线或调整行进速度；反之，无人车按照预先设定的路线继续行驶。

可选的，所述静止状态规避单元包括：

第一规避单元，用于当障碍物的性状信息为刚性，且高度信息超过第一预设阈值，无人车根据障碍物的宽度信息重新规划路线；

第二规避单元，用于当障碍物的形状信息为柔性，且高度信息超过第二预设阈值，无人车根据障碍物的宽度信息重新规划路线；其中，所述第二预设阈值大于第一预设阈值。

可选的，所述运动状态规避单元包括：

速度获取单元，用于获取无人车和障碍物的位置信息和速度信息，并获取无人车的速度向量信息和障碍物的速度向量信息；

模型构建单元，用于以障碍物的最大长度值和无人车的最大长度值之和为直径制定碰撞圈，从无人车的中心点向碰撞圈的两侧做切线，两条切线之间的区域即为移动障碍物模型，并将所述移动障碍物模型以无人车的中心为原点，沿障碍物的速度向量方向平移；

路线规划单元，用于当无人车的速度向量落在所述移动障碍物模型中时，重新规划无人车的行进路线；

速度调整单元，用于当无人车的速度向量落在所述移动障碍物模型中时，调整无人车的行进速度，实现对障碍物的规避。

本发明的技术效果为：

本发明根据若干个传感器在不同环境和因素影响下，使用卷积神经网路综合考虑多个影响因子的条件下，输出一个可以表示当前该传感器运行状态的权重值，综合得到一个统一的障碍物位置信息，有利于建立精确统一的三维坐标系，减少数据融合过程中的偏差，可以提高障碍物探测的准确性，从而在无人驾驶车辆中准确地探测到障碍物并精准避开，保障车辆的安全性。

本发明综合考量了障碍物在两种不同的运动状态下，无人车采取的规避措施。在静止状态下，根据前方障碍物的性状信息以及高度信息，判断无人车是否需要躲避，在需要躲避时还能根据障碍物的特征信息更好的规划路线；在运动状态下，本发明充分考虑了障碍物与无人车的相对运动因素，并以此进行规避，进一步提高了规避障碍物的准确性。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的规避系统结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

如图1所示，本实施例中提供一种基于无人驾驶的障碍物规避系统，包括：

采集模块，用于获取若干个传感器的运行状态及对应采集的障碍物数据信息；处理模块，与数据采集模块连接，用于基于若干个传感器的运行状态获取对应的权重信息，并将采集的障碍物数据信息与对应的权重信息进行数据融合，获得障碍物的位置信息；判断模块，与处理模块连接，用于获取障碍物的性状信息并判断障碍物的运动状态；规避模块，与判断模块连接，用于基于障碍物的运动状态和性状信息，规划绕行路线。

可实施的，采集模块包括：第一采集单元，用于基于若干个激光雷达探测周围环境信息，获得障碍物的三维图像信息；第二采集单元，用于基于双目摄像机获取障碍物的三维坐标和障碍物的速度信息；第三采集单元，用于获取传感器自身的运行状态信息。

具体的，无人驾驶汽车通过传感器对目标物体进行探测，本实施例中，无人驾驶汽车具有多个传感器，多个传感器分别对目标物体进行探测，获取目标物体的多组传感器信息。本实施例中的传感器包括各种可以用于障碍探测的传感器，如摄像头、超声波雷达、毫米波雷达或激光雷达等。传感器探测到的数据信息类型或内容与传感器的类型有关，如摄像头探测的数据信息可能包括目标物体图像信息等，雷达探测到的数据信息可能包括目标物体的距离等。本实施例中多个传感器为至少两个传感器，可以是三个、四个或更多，传感器的种类也不做限制，可以是相同种类，也可以是不同种类传感器，采用不同种类传感器时，传感器之间优势互补协同作用，更有利于提高探测精度。

可实施的，处理模块包括：权重获取单元，用于基于传感器的运行状态和周围环境因素，采用深度学习算法获得传感器的权重值，其中，当传感器未运行时，权重值为零；数据融合单元，用于将若干个传感器采集的障碍物的数据信息与其对应的权重值进行数据融合，获得障碍物的位置信息。

具体的，在雨雪等天气恶劣的情况下以及其他外部因素下，不同传感器的可靠性会降低，因此，无人驾驶汽车的多个传感器探测障碍物获取障碍物的多组数据信息后，需要获取每个传感器当前的可靠度，通过传感器当前的可靠度计算每一组数据信息的权重。不同传感器探测障碍物可能出现偏差，当前的环境也可能影响传感器的精确度，因此，首先需要获取每个传感器的可靠度。传感器可靠度的影响因素包括传感器自身特性、环境因素以及传感器的运行状态等。如，激光雷达的三维成像效果好，但容易受天气影响，毫米波雷达的三维成像效果不及激光雷达，受天气影响，但影响相对较小，而摄像头受天气的影响非常大，因此天气良好的情况下，激光雷达的权重高于毫米波雷达，天气恶劣时，激光雷达与摄像头的权重均下降。而在某一传感器运行状态不正常时，即发生故障时，其可靠度为0，权重为0。因此，不同传感器的可靠性受多种因素的影响，可以通过算法如深度学习算法对各个传感器在不同情况下的权重进行计算，从而有效将传感器受到多因素干扰的运行的可靠度用权重表示出来。

获得权重与数据信息后，根据对多个传感器的多组数据信息及其对应的权重进行数据融合，将多个传感器探测的障碍物信息整合在统一的坐标系上面，建立精确统一坐标系的三维立体图像，计算出障碍物的位置信息，最大程度上提高障碍物坐标的准确性。障碍物的位置信息包括坐标信息以及轮廓信息，即可以精准的获得障碍物体的轮廓及其所在的位置，准确地避开障碍物。

可实施的，判断模块包括：运动状态判断单元，用于获取预设时间间隔内的障碍物的图像信息，比较任意两张图像信息的位置，若位置相同，则障碍物为静止状态；反之，障碍物为运动状态；性状信息判断单元，用于基于障碍物的图像信息，获得障碍物的性状信息、高度信息、宽度信息和长度信息，并和对应的阈值进行比较。

无人驾驶车根据性状信息规划绕行路线。物体性状主要指物体的软硬数据，有些物品，比如海绵、草堆，虽然比较高，但无人驾驶车还是可能直接跨过去的。但同样高度的物品，如果换成是砖头，可能就得绕行了。并且物体的宽度决定了其需要绕行的线路长短，比如障碍物是砖头，宽度很短，无人车提前偏移一下就轻松绕过去了，比如障碍物是木头，把路给堵住了，可能就需要重新规划路线，其中，本实施例基于A*算法的成本最小化来查找躲避障碍物的最优路径。

可实施的，规避模块包括：静止状态规避单元，用于将障碍物的性状信息、高度信息和宽度信息与对应阈值的进行比较，规划绕行路线；运动状态规避单元，用于获取障碍物的位置信息及速度信息，并构建障碍物的移动模型，若无人车的速度向量落在移动模型中，则无人车重新规划行进路线或调整行进速度；反之，无人车按照预先设定的路线继续行驶。

可实施的，静止状态规避单元包括：第一规避单元，用于当障碍物的性状信息为刚性，且高度信息超过第一预设阈值，无人车根据障碍物的宽度信息重新规划路线；第二规避单元，用于当障碍物的形状信息为柔性，且高度信息超过第二预设阈值，无人车根据障碍物的宽度信息重新规划路线；其中，第二预设阈值大于第一预设阈值。

可实施的，运动状态规避单元包括：速度获取单元，用于获取无人车和障碍物的位置信息和速度信息，并获取无人车的速度向量信息和障碍物的速度向量信息；模型构建单元，用于以障碍物的最大长度值和无人车的最大长度值之和为直径制定碰撞圈，从无人车的中心点向碰撞圈的两侧做切线，两条切线之间的区域即为移动障碍物模型，并将移动障碍物模型以无人车的中心为原点，沿障碍物的速度向量方向平移；路线规划单元，用于当无人车的速度向量落在移动障碍物模型中时，重新规划无人车的行进路线；速度调整单元，用于当无人车的速度向量落在移动障碍物模型中时，调整无人车的行进速度，实现对障碍物的规避。

可实施的，基于深度学习还能够获得障碍物的属性信息；如果属性信息为动物或人，降低速度或暂停运行，并发出告警信息；当预设的时间内检测到障碍物无避让，规划绕行路线。动物、人有能动性，即便在识别的时候处于静止状态，仍然可以通过喇叭、指示灯等方式告警，提醒让道。这种方式一方面减少规划路线的运算量，另一方面减少变道有利于行车安全。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。