利用车辆雷达数据判断碰撞程度的方法

技术领域

本发明涉及自动驾驶技术领域，尤其是利用车辆雷达数据判断碰撞程度的方法。

背景技术

公安部近期公布的数据显示，我国机动车数量达到3.72亿辆，其中汽车2.81亿辆。在汽车保有量不断上升的同时，道路交通安全问题也越来越突出。道路交通事故早已成为世界范围内的主要死亡原因之一。考虑到道路上的车辆数量不断增加，减少交通事故数量已成为一项重大的社会和公共卫生挑战。驾驶员在驾驶车辆时注意力不集中、分心驾驶是导致车祸的最常见原因之一。由公路交通安全管理局的研究可知，大约80％的车辆事故和65％的近距离碰撞事故都与驾驶员在碰撞前三秒的疏忽有关。因此通过研究和开发先进驾驶辅助系统(ADAS)，实现更高的道路安全措施已经变得至关重要。车辆发生碰撞时，影响车体空间溃缩和车内乘员受到伤害的因素有很多。车辆间在不同位置和重合度下发生碰撞，会对车内空间的溃缩产生不同程度的影响；不同角度和速度下的碰撞，不仅会由于车辆不同位置的刚度差异对车内乘员造成不同的伤害，还会影响侧滑，碰撞后车辆的旋转等。因此，如果能在碰撞发生前获得大概的关键碰撞参数信息，则可以更好地控制车辆，保护车内乘员。

发明内容

本发明的目的是通过提出利用车辆雷达数据判断碰撞程度的方法，以解决上述背景技术中提出的缺陷。

本发明采用的技术方案如下：

提供利用车辆雷达数据判断碰撞程度的方法，包括如下步骤：

S1.1：采集车辆雷达数据；

S1.2：对采集的车辆雷达数据与视觉空间及时间进行融合；

S1.3：对采集的车辆雷达数据进行滤波处理；

S1.4：对车辆雷达数据进行预处理及增强；

S1.5：基于车辆雷达采集的数据预测车辆运动轨迹；

S1.6：基于预测的车辆运行轨迹判定车辆碰撞程度。

作为本发明的一种优选技术方案：所述S1.2中，对雷达数据进行相机标定再进行车辆雷达数据与视觉空间及时间的融合，其中，设主车行驶方向为y轴，x轴为行驶方向右侧，z轴垂直于y轴和x轴向上，以此建立相机坐标系进行数据的融合。

作为本发明的一种优选技术方案：所述S1.3中，对车辆雷达数据进行滤波处理后进行车辆雷达数据的融合、转换。

作为本发明的一种优选技术方案：所述S1.4中的预处理操作包括车辆中心化、直方图均衡化、图像缩放、更改颜色空间和缩放图像通道。

作为本发明的一种优选技术方案：所述S1.4中增强操作包括对图像的非线性变换操作。

作为本发明的一种优选技术方案：所述S1.5中，基于采集的车辆轨迹构建车辆轨迹模型，模拟车辆运动轨迹。

作为本发明的一种优选技术方案：所述轨迹预测模型建立如下：

设车辆为一个刚体质点，用下式表示汽车的运动状态：

汽车的位置、速度和加速度信息用车辆状态向量X

计算机控制算法在离散的时间步长和测量值下工作，输入未知，故没有控制输入u

其中，A为线性系统矩阵，C为观测矩阵。

作为本发明的一种优选技术方案：所述轨迹预测模型中，根据车辆状态向量获得X

其中，x

作为本发明的一种优选技术方案：所述S1.5中，基于轨迹预测模型预测主车与雷达监测到的其他车辆的轨迹模型。

作为本发明的一种优选技术方案：所述S1.6中，量化车辆碰撞因素，通过RBF核函数，使用2折CV验证，并使用网格搜索算法优化参数进行计算，按照多分类不平衡支持向量机分类模型将量化后的影响因素数据及碰撞严重程度纳入分类模型进行判断。

本发明提供的利用车辆雷达数据判断碰撞程度的方法，与现有技术相比，其有益效果有：

本发明通过获取车辆雷达数据，并统一雷达数据与视觉数据的坐标，对车辆的轨迹进行预测，基于预测的车辆轨迹判断车辆的碰撞程度，能在碰撞发生前获得大概的关键碰撞参数信息，使驾驶员可以更好地控制车辆，保护车内乘员，降低车内乘员因车辆碰撞受到的伤害。

附图说明

图1为本发明优选实施例的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，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。

参照图1，本发明优选实施例提供了利用车辆雷达数据判断碰撞程度的方法，包括如下步骤：

S1.1：采集车辆雷达数据；

S1.2：对采集的车辆雷达数据与视觉空间及时间进行融合；

S1.3：对采集的车辆雷达数据进行滤波处理；

S1.4：对车辆雷达数据进行预处理及增强；

S1.5：基于车辆雷达采集的数据预测车辆运动轨迹；

S1.6：基于预测的车辆运行轨迹判定车辆碰撞程度。

所述S1.2中，对雷达数据进行相机标定再进行车辆雷达数据与视觉空间及时间的融合，其中，设主车行驶方向为y轴，x轴为行驶方向右侧，z轴垂直于y轴和x轴向上，以此建立相机坐标系进行数据的融合。

所述S1.3中，对车辆雷达数据进行滤波处理后进行车辆雷达数据的融合、转换。

所述S1.4中的预处理操作包括车辆中心化、直方图均衡化、图像缩放、更改颜色空间和缩放图像通道。

所述S1.4中增强操作包括对图像的非线性变换操作。

所述S1.5中，基于采集的车辆轨迹构建车辆轨迹模型，模拟车辆运动轨迹。

所述轨迹预测模型建立如下：

设车辆为一个刚体质点，用下式表示汽车的运动状态：

汽车的位置、速度和加速度信息用车辆状态向量X

计算机控制算法在离散的时间步长和测量值下工作，输入未知，故没有控制输入u

其中，A为线性系统矩阵，C为观测矩阵。

所述轨迹预测模型中，通过传感器采集得到观测值，根据车辆状态向量获得X

其中，x

所述S1.5中，基于轨迹预测模型预测主车与雷达监测到的其他车辆的轨迹模型。

所述S1.6中，量化车辆碰撞因素，通过RBF核函数，使用2折CV验证，并使用网格搜索算法优化参数进行计算，按照多分类不平衡支持向量机分类模型将量化后的影响因素数据及碰撞严重程度纳入分类模型进行判断。

本实施例中，基于车辆雷达采集车辆雷达数据，对车辆雷达数据进行相机标定，以主车行驶方向为y轴，x轴为行驶方向右侧，z轴垂直于y轴和x轴向上，以此建立相机坐标系进行数据的融合。根据标定的相机坐标系对滤波后的采集的车辆雷达数据进行转换，以及车辆雷达数据采集的车辆图像的车辆中心化、直方图均衡化、图像缩放、更改颜色空间和缩放图像通道操作和非线性变换增强操作。

基于转换后的车辆雷达数据构建车辆轨迹模型，设车辆为一个刚体质点，用下式表示汽车的运动状态：

汽车的位置、速度和加速度信息用车辆状态向量X

计算机控制算法在离散的时间步长和测量值下工作，而且总是在一定的帧率下，所以很难实现连续模型。在车辆雷达检测过程中，输入也是未知的，所以没有控制输入u

/>

其中，A为线性系统矩阵，C为观测矩阵。

通过传感器采集得到观测值，根据车辆状态向量获得X

其中，x

根据轨迹预测模型预测主车及雷达监测到的其他车辆的轨迹模型，量化车辆碰撞因素，通过RBF核函数，使用2折CV验证，并使用网格搜索算法优化参数进行计算，按照多分类不平衡支持向量机分类模型将量化后的影响因素数据及碰撞严重程度纳入分类模型进行判断。当判断可能发生碰撞时向车主警示可能发生的碰撞情况，当遇到紧急状态无法避让时，车主可以根据预测的碰撞情况做出保护措施，减少因为碰撞受到的伤害。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。