CN112793567A - 一种基于路况检测的辅助驾驶方法及*** - Google Patents
一种基于路况检测的辅助驾驶方法及*** Download PDFInfo
- Publication number
- CN112793567A CN112793567A CN202110049651.XA CN202110049651A CN112793567A CN 112793567 A CN112793567 A CN 112793567A CN 202110049651 A CN202110049651 A CN 202110049651A CN 112793567 A CN112793567 A CN 112793567A
- Authority
- CN
- China
- Prior art keywords
- obstacle
- area
- road condition
- driven
- driving
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 abstract description 4
- 230000011218 segmentation Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009432 framing Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提出了一种基于路况检测的辅助驾驶方法及***，涉及辅助驾驶领域。一种基于路况检测的辅助驾驶方法包括：通过预设摄像装置获取视频数据信息及路况图像信息；根据视频数据信息及图像信息确定障碍物数量及待行驶区域；获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；根据计算结果得到可行驶区域并获取当前车辆行驶数据；其能够通过图像分析准确的计算出周围环境的障碍物的位置和距离，并自动控制车辆刹车，可靠性高、准确性高且稳定性好。此外本发明还提出了一种基于路况检测的辅助驾驶***，包括：第一获取模块、确定模块、计算模块、第二获取模块以及输出模块。
Description
技术领域
本发明涉及辅助驾驶领域，具体而言，涉及一种基于路况检测的辅助驾驶方法及***。
背景技术
随着经济技术的发展和人们生活水平的提高，辅助驾驶技术已经广泛应用于人们的生产和生活之中，给人们的生产和生活带来了无尽的便利。
自动刹车及路况识别是辅助驾驶技术中的重要组成部分，其承担着使得车辆自动停止的作用。因此，自动刹车已经成为了辅助驾驶技术中最重要的部分之一。
目前的自动刹车技术，一般采用的技术方案是：车辆通过毫米波雷达或者超声波雷达探测车辆附近的障碍。当车辆行驶方向有障碍时，将通过语音提示驾驶员或者主动刹车，防止车辆发生碰撞，提高驾驶安全性。
但是，现有的辅助驾驶的技术方案，仅适用于开阔的路面，而且对于复杂的环境存在这误报率高，抗干扰能力差等问题。
发明内容
本发明的目的在于提供一种基于路况检测的辅助驾驶方法，其能够通过图像分析准确的计算出周围环境的障碍物的位置和距离，并自动控制车辆刹车，可靠性高、准确性高且稳定性好。
本发明的另一目的在于提供一种基于路况检测的辅助驾驶***，其能够运行一种基于路况检测的辅助驾驶方法。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供一种基于路况检测的辅助驾驶方法，其包括通过预设摄像装置获取视频数据信息及路况图像信息；根据视频数据信息及路况图像信息确定障碍物数量及待行驶区域；获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；根据待行驶区域与障碍物之间的距离及角度得到可行驶区域并获取当前车辆行驶数据；根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
在本发明的一些实施例中，上述通过预设摄像装置获取视频数据信息及路况图像信息包括：通过图像识别方法检测路况图像信息中的预设部分并确定预设部分中的ROI(Region of interest，感兴趣区域)。
在本发明的一些实施例中，还包括根据当前行驶场景数据，预设摄像装置从预设部分获取ROI；对预设部分的像素点进行逐行扫描，确定ROI的上边界，预设摄像装置根据当前行驶场景数据，确定ROI的下边界，预设摄像装置对预设部分的像素点进行逐列扫描，确定所述ROI的左边界和/或右边界。
在本发明的一些实施例中，上述根据视频数据信息及图像信息确定障碍物数量及待行驶区域包括：通过人工智能算法进行计算，确定周围环境的障碍物数量信息。
在本发明的一些实施例中，还包括将视频数据信息作为输入，对各个输入数据进行动态权重打分后进行求和得到总分，根据总分通过设定的激励函数后得到一个神经元的输出，通过多个神经元进行结合得到最终的障碍物数量信息。
在本发明的一些实施例中，上述获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度包括：根据加权评分算法对获取的障碍物信息和点云数据进行数据结合，并通过预设次数的迭代计算，得到最终待行驶区域与障碍物之间的距离和角度。
在本发明的一些实施例中，上述根据计算结果得到可行驶区域并获取当前车辆行驶数据包括：根据待行驶区域与障碍物之间的距离和角度，结合路况图像信息进行数据分析得到可行驶区域。
第二方面，本申请实施例提供一种基于路况检测的辅助驾驶***，其包括第一获取模块，用于通过预设摄像装置获取视频数据信息及路况图像信息；
确定模块，用于根据视频数据信息及图像信息确定障碍物数量及待行驶区域；
计算模块，用于获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；
第二获取模块，用于根据计算结果得到可行驶区域并获取当前车辆行驶数据；
输出模块，用于根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
在本发明的一些实施例中，上述确定ROI模块，用于通过图像识别方法检测路况图像信息中的预设部分并确定预设部分中的ROI。
在本发明的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述***执行：第一获取模块、确定模块、计算模块、第二获取模块以及输出模块。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
其能够通过图像分析准确的计算出周围环境的障碍物的位置和距离，并自动控制车辆刹车，可靠性高、准确性高且稳定性好。通过对路况图像的图像识别，扩展了障碍物检测的检测范围，既可以对常见障碍物进行检测，也可以对不常见的障碍物进行检测，进而提高障碍物检测的准确度，方便后续避障控制算法的设计。由于对路况图像中障碍物的检测都是像素级的检测，这样相比其他障碍物检测方法，检测范围更广。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例提供的一种基于路况检测的辅助驾驶方法步骤示意图；
图2为本发明实施例提供的一种基于路况检测的辅助驾驶方法详细步骤示意图；
图3为本发明实施例提供的一种基于路况检测的辅助驾驶***模块示意图。
图标：10-第一获取模块；20-确定模块；30-计算模块；40-第二获取模块；50-输出模块。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请预设部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围，而是仅仅表示本申请的选定实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
下面结合附图，对本申请的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
实施例1
请参阅图1，图1为本发明实施例提供的一种基于路况检测的辅助驾驶方法步骤示意图，其如下所示：
步骤S100，通过预设摄像装置获取视频数据信息及路况图像信息；
在一些实施方式中，预设摄像装置可以是视觉传感器，用于采集车体前方道路的路况图像信息，该路况图像中可以包括行人、车辆、路面、隔离栏等物体，还可以包括人行道、行道树、交通信号灯、交通指示牌等。
在一些实施方式中，预设摄像装置可以为单目摄像头，由单目摄像头在一个时刻拍摄一张待处理的路况图像。摄像装置还可以包括多目摄像头，这些摄像头可以在物理上合设于一个摄像装置中，还可以在物理上分设于多个摄像装置中。通过多目摄像头在同一时刻拍摄多张路况图像，并可以根据这些路况图像进行处理，得到一张待处理的路况图像。
在一些实施方式中，可以通过预设摄像装置获取车体周围的视频信息，并对采集到的视频进行分帧提取图像信息，从而获得单帧路况图像信息。
步骤S110，根据视频数据信息及图像信息确定障碍物数量及待行驶区域；
在一些实施方式中，对获取的视频数据信息进行分帧处理，提取单帧图像，或者直接获取图像信息，对图像进行图像识别，根据每一帧里面的图像抽取特征，然后跑分类器，确定障碍物数量，可以采用R-CNN，图片检测网络，通过R-CNN得到网络分类，还可以获取目标物体的坐标，即使图片里有很多目标物体，可以逐个找出来，例如，障碍物数量为0个、1个、2个、3个等；确定待行驶区域为车辆所处位置，例如，在高速公路上、在街道马路上、在小区行车道上等。
步骤S120，获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；
在一些实施方式中，点云数据是某个坐标系下的点的数据集。点包含了丰富的信息，包括三维坐标X，Y，Z、颜色、分类值、强度值、时间等，通过三维坐标计算出障碍物之间的距离及角度。
步骤S130，根据待行驶区域与障碍物之间的距离及角度得到可行驶区域并获取当前车辆行驶数据；
在一些实施方式中，将待行驶区域图像通过图像识别方法剔除障碍物，剩余图像部分即为可行驶区域。
步骤S140，根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
在一些实施方式中，根据得到的当前车辆的行车数据，以及得到的周围环境的障碍物距离和角度，计算当前车辆的刹车力度f，从而完成车辆的自动刹车及辅助驾驶；根据下述公式计算刹车力度
f＝k[(D/V)-(d/a)]
其中，障碍物的距离D、剩余距离d、为当前速度V、理论加速度a、设定的比例系数k。
在一些实施方式中，根据得到的当前车辆的行车数据，以及得到的周围环境的障碍物距离和角度，计算当前车辆的加速度A，从而完成车辆的自动刹车及辅助驾驶。
实施例2
请参阅图2，图2为本发明实施例提供的一种基于路况检测的辅助驾驶方法详细步骤示意图，其如下所示：
步骤S200，通过图像识别方法检测路况图像信息中的预设部分并确定预设部分中的ROI。
步骤S210，根据当前行驶场景数据，预设摄像装置从预设部分获取ROI。
步骤S220，对预设部分的像素点进行逐行扫描，确定ROI的上边界，预设摄像装置根据当前行驶场景数据，确定ROI的下边界，预设摄像装置对预设部分的像素点进行逐列扫描，确定所述ROI的左边界和/或右边界。
步骤S230，通过人工智能算法进行计算，确定周围环境的障碍物数量信息。
步骤S240，将视频数据信息作为输入，对各个输入数据进行动态权重打分后进行求和得到总分，根据总分通过设定的激励函数后得到一个神经元的输出，通过多个神经元进行结合得到最终的障碍物数量信息。
步骤S250，根据加权评分算法对获取的障碍物信息和点云数据进行数据结合，并通过预设次数的迭代计算，得到最终待行驶区域与障碍物之间的距离和角度。
步骤S260，根据待行驶区域与障碍物之间的距离和角度，结合路况图像信息进行数据分析得到可行驶区域。
在一些实施方式中，通过若干路网络摄像头获取周围环境的视频数据信息；根据获取的视频数据信息，判断周围环境是否存在障碍物；具体为采用人工智能算法进行计算，从而判断周围环境是否存在障碍物：获取若干个网络摄像头的视频数据信息作为输入，对各个输入数据进行动态权重打分后在进行求和得到总分；然后对总分通过设定的激励函数后得到一个神经元的输出；然后通过多个神经元进行结合得到最终的周围环境是否存在障碍物的判定信息；
根据判断的障碍物信息，结合若干激光雷达传感器获取的点云数据，计算得到周围环境的障碍物距离和角度；通过加权评分算法对获取的障碍物信息和若干路激光雷达传感器获取的点云数据进行数据结合，并通过若干轮的迭代计算，从而得到最终的障碍物的距离和角度，获取当前车辆的行车数据；根据得到的当前车辆的行车数据，以及得到的周围环境的障碍物距离和角度，计算当前车辆的刹车力度，从而完成车辆的自动刹车。
在一些实施方式中，根据判断的障碍物信息，结合若干激光雷达传感器获取的点云数据，计算得到周围环境的障碍物距离和角度，***通过计算结果提前预判转向方向并控制转向灯提前预闪，随后在时间节点进行转向的辅助驾驶操作。
在一些实施方式中，图像识别方法可以为图像分割算法，如语义分割算法、实例分割算法等。其中，语义分割算法是将图像中的像素按照图像中表达语义含义的不同进行分组(grouping)/分割(segmentation)。例如，语义分割算法的经典算法可以包括：基于全卷积神经网络(fully convolutional networks，FCN)的语义分割算法、基于空洞卷积(dilated convlotion)的语义分割算法、或者金字塔场景解析网络(pyramidsceneparsing network，pspnet)的语义分割算法等，还可以是其他可能的语义分割算法，以能够实现对路况图像进行语义分割为准。而实例分割算法是先用目标检测算法将图像中的实例进行定位，再用语义分割算法对不同定位框中的目标物体进行标记，从而实现实例分割。例如，实例分割算法的经典算法可以包括：基于多任务网络级联(multi-tasknetwork cascades，MNC)的实例分割算法、基于实例FNC(instanceFCN，ISFCN)的实例分割算法、基于掩膜区域卷积神经网络(mask regions with convolutionalneural networks，Mask R-CNN)的实例分割算法或者基于路径聚合网络(pathaggregation network，PAN)的实例分割算法等，当然，还可以是其他可能的实例分割算法。
通过图像分割算法可以将路况图像中常见的障碍物，如车辆、行人、路面、隔离栏等检测出来。并且，通过图像分割算法，可以将路况图像中的可行驶区域提取出来。由于图像分割算法是根据图像内容对指定区域进行标记的计算机视觉任务，简言之就是识别图像里有什么，其在图像中的位置是什么。图像分割算法的目标在于标记图像中每一个像素，并将每一个像素与其表示的类别对应起来，得到障碍物的像素级描述。
实施例3
请参阅图3，图3为本发明实施例提供的一种基于路况检测的辅助驾驶***模块示意图，其如下所示：
第一获取模块10，用于通过预设摄像装置获取视频数据信息及路况图像信息；
确定模块20，用于根据视频数据信息及图像信息确定障碍物数量及待行驶区域；
计算模块30，用于获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；
第二获取模块40，用于根据计算结果得到可行驶区域并获取当前车辆行驶数据；
输出模块50，用于根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
还包括存储器、处理器和通信接口，该存储器、处理器和通信接口相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。存储器可用于存储软件程序及模块，处理器通过执行存储在存储器内的软件程序及模块，从而执行各种功能应用以及数据处理。该通信接口可用于与其他节点设备进行信令或数据的通信。
其中，存储器可以是但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-OnlyMemory，PROM)，可擦除只读存储器(Erasable Programmable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory，EEPROM)等。
处理器可以是一种集成电路芯片，具有信号处理能力。该处理器可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以理解，图3所示的结构仅为示意还可包括比图3中所示更多或者更少的组件，或者具有与图3所示不同的配置。图3中所示的各组件可以采用硬件、软件或其组合实现。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的预设部分，所述模块、程序段或代码的预设部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，本申请实施例提供的一种基于路况检测的辅助驾驶方法及***，其能够通过图像分析准确的计算出周围环境的障碍物的位置和距离，并自动控制车辆刹车，可靠性高、准确性高且稳定性好。通过对路况图像的图像识别，扩展了障碍物检测的检测范围，既可以对常见障碍物进行检测，也可以对不常见的障碍物进行检测，进而提高障碍物检测的准确度，方便后续避障控制算法的设计。由于对路况图像中障碍物的检测都是像素级的检测，这样相比其他障碍物检测方法，检测范围更广。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。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，本申请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申请内。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。
Claims (10)
1.一种基于路况检测的辅助驾驶方法，其特征在于，包括：
通过预设摄像装置获取视频数据信息及路况图像信息；
根据视频数据信息及路况图像信息确定障碍物数量及待行驶区域；
获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；
根据待行驶区域与障碍物之间的距离及角度得到可行驶区域并获取当前车辆行驶数据；
根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
2.如权利要求1所述的一种基于路况检测的辅助驾驶方法，其特征在于，所述通过预设摄像装置获取视频数据信息及路况图像信息包括：
通过图像识别方法检测路况图像信息中的预设部分并确定预设部分中的ROI。
3.如权利要求2所述的一种基于路况检测的辅助驾驶方法，其特征在于，还包括：
根据当前行驶场景数据，预设摄像装置从预设部分获取ROI；
对预设部分的像素点进行逐行扫描，确定ROI的上边界，预设摄像装置根据当前行驶场景数据，确定ROI的下边界，预设摄像装置对预设部分的像素点进行逐列扫描，确定所述ROI的左边界和/或右边界。
4.如权利要求1所述的一种基于路况检测的辅助驾驶方法，其特征在于，所述根据视频数据信息及图像信息确定障碍物数量及待行驶区域包括：
通过人工智能算法进行计算，确定周围环境的障碍物数量信息。
5.如权利要求4所述的一种基于路况检测的辅助驾驶方法，其特征在于，还包括：
将视频数据信息作为输入，对各个输入数据进行动态权重打分后进行求和得到总分，根据总分通过设定的激励函数后得到一个神经元的输出，通过多个神经元进行结合得到最终的障碍物数量信息。
6.如权利要求1所述的一种基于路况检测的辅助驾驶方法，其特征在于，所述获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度包括：
根据加权评分算法对获取的障碍物信息和点云数据进行数据结合，并通过预设次数的迭代计算，得到最终待行驶区域与障碍物之间的距离和角度。
7.如权利要求1所述的一种基于路况检测的辅助驾驶方法，其特征在于，所述获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度包括：
根据待行驶区域与障碍物之间的距离和角度，结合路况图像信息进行数据分析得到可行驶区域。
8.一种基于路况检测的辅助驾驶***，其特征在于，包括：
第一获取模块，用于通过预设摄像装置获取视频数据信息及路况图像信息；
确定模块，用于根据视频数据信息及图像信息确定障碍物数量及待行驶区域；
计算模块，用于获取障碍物的点云数据，计算得到待行驶区域与障碍物之间的距离及角度；
第二获取模块，用于根据计算结果得到可行驶区域并获取当前车辆行驶数据；
输出模块，用于根据可行驶区域、当前车辆行驶数据以及待行驶区域与障碍物之间的距离及角度，计算当前车辆的刹车力度和/或加速度，从而完成车辆的辅助驾驶。
9.如权利要求8所述的一种基于路况检测的辅助驾驶***，其特征在于，还包括：
确定ROI模块，用于通过图像识别方法检测路况图像信息中的预设部分并确定预设部分中的ROI。
10.如权利要求8所述的一种基于路况检测的辅助驾驶***，其特征在于，包括：
用于存储计算机指令的至少一个存储器；
与所述存储器通讯的至少一个处理器，其中当所述至少一个处理器执行所述计算机指令时，所述至少一个处理器使所述***执行：第一获取模块、确定模块、计算模块、第二获取模块以及输出模块。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049651.XA CN112793567A (zh) | 2021-01-14 | 2021-01-14 | 一种基于路况检测的辅助驾驶方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110049651.XA CN112793567A (zh) | 2021-01-14 | 2021-01-14 | 一种基于路况检测的辅助驾驶方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112793567A true CN112793567A (zh) | 2021-05-14 |
Family
ID=75810902
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110049651.XA Withdrawn CN112793567A (zh) | 2021-01-14 | 2021-01-14 | 一种基于路况检测的辅助驾驶方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112793567A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708567A (zh) * | 2022-06-06 | 2022-07-05 | 济南融瓴科技发展有限公司 | 一种基于双目摄像头的路面坑洼检测和避让方法及*** |
| CN114864066A (zh) * | 2022-07-06 | 2022-08-05 | 深圳壹家智能锁有限公司 | 共享陪护床的管理方法、装置、设备及存储介质 |
| CN115179920A (zh) * | 2022-09-07 | 2022-10-14 | 北京中科慧眼科技有限公司 | 一种基于越野场景的车辆行驶***调节方法和*** |
| CN116052122A (zh) * | 2023-01-28 | 2023-05-02 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间的检测方法、装置、电子设备及存储介质 |
| CN116883478A (zh) * | 2023-07-28 | 2023-10-13 | 广州瀚臣电子科技有限公司 | 一种基于汽车摄像头的障碍物距离确认***及方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977845A (zh) * | 2019-03-21 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 一种可行驶区域检测方法及车载终端 |
| CN110803144A (zh) * | 2019-12-02 | 2020-02-18 | 长沙万为机器人有限公司 | 自动刹车方法、自动刹车装置及其自动驾驶车辆 |
| CN112149460A (zh) * | 2019-06-27 | 2020-12-29 | 华为技术有限公司 | 一种障碍物检测方法及装置 |
-
2021
- 2021-01-14 CN CN202110049651.XA patent/CN112793567A/zh not_active Withdrawn
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109977845A (zh) * | 2019-03-21 | 2019-07-05 | 百度在线网络技术（北京）有限公司 | 一种可行驶区域检测方法及车载终端 |
| CN112149460A (zh) * | 2019-06-27 | 2020-12-29 | 华为技术有限公司 | 一种障碍物检测方法及装置 |
| CN110803144A (zh) * | 2019-12-02 | 2020-02-18 | 长沙万为机器人有限公司 | 自动刹车方法、自动刹车装置及其自动驾驶车辆 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114708567A (zh) * | 2022-06-06 | 2022-07-05 | 济南融瓴科技发展有限公司 | 一种基于双目摄像头的路面坑洼检测和避让方法及*** |
| CN114864066A (zh) * | 2022-07-06 | 2022-08-05 | 深圳壹家智能锁有限公司 | 共享陪护床的管理方法、装置、设备及存储介质 |
| CN115179920A (zh) * | 2022-09-07 | 2022-10-14 | 北京中科慧眼科技有限公司 | 一种基于越野场景的车辆行驶***调节方法和*** |
| CN116052122A (zh) * | 2023-01-28 | 2023-05-02 | 广汽埃安新能源汽车股份有限公司 | 一种可行驶空间的检测方法、装置、电子设备及存储介质 |
| CN116883478A (zh) * | 2023-07-28 | 2023-10-13 | 广州瀚臣电子科技有限公司 | 一种基于汽车摄像头的障碍物距离确认***及方法 |
| CN116883478B (zh) * | 2023-07-28 | 2024-01-23 | 广州瀚臣电子科技有限公司 | 一种基于汽车摄像头的障碍物距离确认***及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Song et al. | Real-time obstacles detection and status classification for collision warning in a vehicle active safety system | |
| Rezaei et al. | Robust vehicle detection and distance estimation under challenging lighting conditions | |
| CN112793567A (zh) | 一种基于路况检测的辅助驾驶方法及*** | |
| Wu et al. | Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement | |
| Nieto et al. | Road environment modeling using robust perspective analysis and recursive Bayesian segmentation | |
| CN110843794A (zh) | 驾驶场景理解方法、装置和轨迹规划方法、装置 | |
| Gavrila et al. | Real time vision for intelligent vehicles | |
| CN111033510A (zh) | 用于运行驾驶员辅助***的方法和装置以及驾驶员辅助***和机动车 | |
| Arenado et al. | Monovision‐based vehicle detection, distance and relative speed measurement in urban traffic | |
| JP2024023319A (ja) | 緊急車両の検出 | |
| Garcia et al. | PHD filter for vehicle tracking based on a monocular camera | |
| Prakash et al. | Robust obstacle detection for advanced driver assistance systems using distortions of inverse perspective mapping of a monocular camera | |
| CN113253299B (zh) | 障碍物检测方法、装置及存储介质 | |
| Liu et al. | Vehicle detection and ranging using two different focal length cameras | |
| Zhang et al. | A novel vehicle reversing speed control based on obstacle detection and sparse representation | |
| CN114296095A (zh) | 自动驾驶车辆的有效目标提取方法、装置、车辆及介质 | |
| Alpar et al. | Intelligent collision warning using license plate segmentation | |
| Qing et al. | A novel particle filter implementation for a multiple-vehicle detection and tracking system using tail light segmentation | |
| CN111612818A (zh) | 新型双目视觉多目标跟踪方法及*** | |
| Arthi et al. | Object detection of autonomous vehicles under adverse weather conditions | |
| Riera et al. | Driver behavior analysis using lane departure detection under challenging conditions | |
| Jung et al. | Intelligent Hybrid Fusion Algorithm with Vision Patterns for Generation of Precise Digital Road Maps in Self-driving Vehicles. | |
| CN116434156A (zh) | 目标检测方法、存储介质、路侧设备及自动驾驶*** | |
| Dai et al. | A driving assistance system with vision based vehicle detection techniques | |
| Lu et al. | A vision-based system for the prevention of car collisions at night |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |