CN113635893A - 一种基于城市智慧交通的无人驾驶车辆转向的控制方法 - Google Patents

Abstract

本发明提出了一种基于城市智慧交通的无人驾驶车辆转向的控制方法，所述城市智慧交通包括数据控制台、红绿灯控制模块、摄像头与通讯模块，包括如下步骤：根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据；对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，根据所述最小安全距离得出无人车的角速度和行驶速度；根据无人车的角速度和行驶速度，构建无人车动力学模型，生成无人车的转向避障路径，本发明无人车设定目的地，将目的地信息发送至数据控制台，数据控制台根据实时路况以及红绿灯情况选择最佳行驶路线，并发送给无人车，无人车获取最佳行驶路线，无人车采集的实时数据与最佳行驶路线结合，得到其中的转向数据。

Description

一种基于城市智慧交通的无人驾驶车辆转向的控制方法

技术领域

本说明书一个或多个实施例涉及无人驾驶技术领域，特别是指一种基于城市智慧交通的无人驾驶车辆转向的控制方法。

背景技术

车辆技术的发展使得无人驾驶技术成为近年来国内外研究的热点，无人驾驶成为当前重要研究方向之一。无人驾驶技术是在机器人技术的基础上结合车辆工程开发的，涉及人工智能与计算机视觉等交叉学科，在物流配送、共享出行、公共交通、环卫等领域都可起到非常重要的作用。无人驾驶相比有驾驶员驾驶的汽车有如下三个优点。首先提高了***对环境的反应速度。人对外界环境的变化的感知的位置精度是有限的，在车辆行驶条件下对障碍物的位置和速度只能给出大概的估计，而无人驾驶智能车的车载传感器可以大大的提高环境中的信息精度。第二，驾驶员在对于外界环境的变化刺激的反映是缓慢的，而且人的反应时间还受到天气、年龄、心情等因素影响，疲劳驾驶的话人的反应时间会更长。而无人驾驶智能汽车的刹车反映时间一般为定值，不会超过0.3秒，并且外界因素对其影响相对于对人的影响非常小。第三，无人驾驶可以为乘客提供一个舒适自然的环境，不用紧握方向盘担忧事故发生，使得人们能把时间精力花在更多的事情上；

但现有的无人车的安全性还有需要验证的地方，将其应用在城市道路上还有很多的工作要做，如何提高无人车在道路行驶尤其是转向时的安全问题是现在亟需解决的问题。

发明内容

有鉴于此，本说明书一个或多个实施例的目的在于提出一种基于城市智慧交通的无人驾驶车辆转向的控制方法，用以解决上述问题的之一或全部。

基于上述目的本说明书一个或多个实施例提出的一种基于城市智慧交通的无人驾驶车辆转向的控制方法，所述城市智慧交通包括数据控制台、红绿灯控制模块、摄像头与通讯模块，控制方法包括如下步骤：

根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据；

对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，根据所述最小安全距离得出无人车的角速度和行驶速度；

根据无人车的角速度和行驶速度，构建无人车动力学模型，生成无人车的转向避障路径。

可选的，根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据，具体包括：

无人车设定目的地，并将目的地信息发送至数据控制台，数据控制台根据实时路况以及红绿灯情况选择最佳行驶路线，并发送给无人车，无人车获取最佳行驶路线，无人车采集的实时数据与最佳行驶路线结合，得到其中的转向数据。

可选的，所述无人车上安装有超声波雷达、毫米波雷达、激光雷达和摄像模组，所述摄像模组包括前向摄像头、侧向摄像头与后向摄像头，所述无人车上还安装有定位模组。

可选的，所述无人车采集的实时数据包括红绿灯情况、无人车的位置信息、无人车所在的车道信息、无人车与周围障碍物的距离、红绿灯情况、无人车的尺寸信息与无人车的姿态，无人车采集的实时数据与最佳行驶路线结合，确认无人车是否可以转向，并得到转向数据。

可选的，对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，具体包括：

激光雷达对周边障碍物进行检测，得到激光雷达检测数据，检测数据发送至数据控制台，数据通过卷积神经网络模型学习并预测障碍物的相关属性，对障碍物进行识别；

毫米波雷达对周边障碍物进行检测，得到毫米波检测数据，摄像模组对周边障碍物进行检测，得到图像数据，对障碍物进行识别；

通过融合算法，将激光雷达检测数据、毫米波检测数据与图像数据进行融合，得到无人车周边障碍物的精确位置；

根据无人车的位置信息与无人车周边障碍物的精确位置，得到避免碰撞的最小安全距离。

可选的，所述无人车动力学模型是包括无人车的动力性、制动性、平顺性和稳定性，测量车辆的质量和受力情况与车辆运动之间的关系。

可选的，所述无人车动力学模型为：

其中，k1，k2为前后轮的侧偏刚度，m为汽车总质量，a为车辆重心到前轴的距离，b车辆重心到后轴的距离，δ为前轮转角，Iz汽车车体转动惯量；β表示质心偏侧角，wr表示横摆角速度，u表示前进速度，表示侧向加速度，表示横摆角加速度。

从上面所述可以看出，本说明书一个或多个实施例提出的基于城市智慧交通的无人驾驶车辆转向的控制方法，通过无人驾驶车与城市智慧交通***相结合，将无人车采集的数据与城市智慧交通***的数据进行融合计算，生成无人车动力学模型，得到无人车的转向避障路径，提高无人车行驶的安全性。

附图说明

为了更清楚地说明本说明书一个或多个实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书一个或多个实施例，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的附图。

图1为本说明书一个或多个实施例的基于城市智慧交通的无人驾驶车辆转向的控制方法的流程示意图；

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本公开进一步详细说明。

需要说明的是，除非另外定义，本说明书一个或多个实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本说明书一个或多个实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。

本说明书一个或多个实施例提出了一种基于城市智慧交通的无人驾驶车辆转向的控制方法，所述城市智慧交通包括数据控制台、红绿灯控制模块、摄像头与通讯模块，如图所示，控制方法包括如下步骤：

步骤一：根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据；

步骤二：对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，根据所述最小安全距离得出无人车的角速度和行驶速度；

步骤三：根据无人车的角速度和行驶速度，构建无人车动力学模型，生成无人车的转向避障路径。

无人驾驶车与城市智慧交通***相结合，将无人车采集的数据与城市智慧交通***的数据进行融合计算，生成无人车动力学模型，得到无人车的转向避障路径，提高无人车行驶的安全性。

在一种实施方式中，根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据，具体包括：

无人车设定目的地，并将目的地信息发送至数据控制台，数据控制台根据实时路况以及红绿灯情况选择最佳行驶路线，并发送给无人车，无人车获取最佳行驶路线，无人车采集的实时数据与最佳行驶路线结合，得到其中的转向数据。

在一种实施方式中，所述无人车上安装有超声波雷达、毫米波雷达、激光雷达和摄像模组，所述摄像模组包括前向摄像头、侧向摄像头与后向摄像头，所述无人车上还安装有定位模组。

在一种实施方式中，所述无人车采集的实时数据包括红绿灯情况、无人车的位置信息、无人车所在的车道信息、无人车与周围障碍物的距离、红绿灯情况、无人车的尺寸信息与无人车的姿态，无人车采集的实时数据与最佳行驶路线结合，确认无人车是否可以转向，并得到转向数据。

在一种实施方式中，对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，具体包括：

激光雷达对周边障碍物进行检测，得到激光雷达检测数据，检测数据发送至数据控制台，数据通过卷积神经网络模型学习并预测障碍物的相关属性，对障碍物进行识别；

毫米波雷达对周边障碍物进行检测，得到毫米波检测数据，摄像模组对周边障碍物进行检测，得到图像数据，对障碍物进行识别；

通过融合算法，将激光雷达检测数据、毫米波检测数据与图像数据进行融合，得到无人车周边障碍物的精确位置；

根据无人车的位置信息与无人车周边障碍物的精确位置，得到避免碰撞的最小安全距离。

在一种实施方式中，所述无人车动力学模型是包括无人车的动力性、制动性、平顺性和稳定性，测量车辆的质量和受力情况与车辆运动之间的关系。

可选的，所述无人车动力学模型为：

其中，k1，k2为前后轮的侧偏刚度，m为汽车总质量，a为车辆重心到前轴的距离，b车辆重心到后轴的距离，δ为前轮转角，Iz汽车车体转动惯量；β表示质心偏侧角，wr表示横摆角速度，u表示前进速度，表示侧向加速度，表示横摆角加速度。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本说明书一个或多个实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

本说明书一个或多个实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (7)

1.一种基于城市智慧交通的无人驾驶车辆转向的控制方法，所述城市智慧交通包括数据控制台、红绿灯控制模块、摄像头与通讯模块，其特征在于，控制方法包括如下步骤：

根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据；

对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，根据所述最小安全距离得出无人车的角速度和行驶速度；

根据无人车的角速度和行驶速度，构建无人车动力学模型，生成无人车的转向避障路径。

2.根据权利要求1所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，根据预设的目的地选择最佳行驶路线，并提取出最佳行驶路线的转向数据，具体包括：

无人车设定目的地，并将目的地信息发送至数据控制台，数据控制台根据实时路况以及红绿灯情况选择最佳行驶路线，并发送给无人车，无人车获取最佳行驶路线，无人车采集的实时数据与最佳行驶路线结合，得到其中的转向数据。

3.根据权利要求2所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，所述无人车上安装有超声波雷达、毫米波雷达、激光雷达和摄像模组，所述摄像模组包括前向摄像头、侧向摄像头与后向摄像头，所述无人车上还安装有定位模组。

4.根据权利要求2所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，所述无人车采集的实时数据包括红绿灯情况、无人车的位置信息、无人车所在的车道信息、无人车与周围障碍物的距离、红绿灯情况、无人车的尺寸信息与无人车的姿态，无人车采集的实时数据与最佳行驶路线结合，确认无人车是否可以转向，并得到转向数据。

5.根据权利要求4所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，对所述转向数据进行深度学习，得到避免碰撞的最小安全距离，具体包括：

激光雷达对周边障碍物进行检测，得到激光雷达检测数据，检测数据发送至数据控制台，数据通过卷积神经网络模型学习并预测障碍物的相关属性，对障碍物进行识别；

毫米波雷达对周边障碍物进行检测，得到毫米波检测数据，摄像模组对周边障碍物进行检测，得到图像数据，对障碍物进行识别；

通过融合算法，将激光雷达检测数据、毫米波检测数据与图像数据进行融合，得到无人车周边障碍物的精确位置；

根据无人车的位置信息与无人车周边障碍物的精确位置，得到避免碰撞的最小安全距离。

6.根据权利要求1所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，所述无人车动力学模型是包括无人车的动力性、制动性、平顺性和稳定性，测量车辆的质量和受力情况与车辆运动之间的关系。

7.根据权利要求6所述的基于城市智慧交通的无人驾驶车辆转向的控制方法，其特征在于，所述无人车动力学模型为：

其中，k1，k2为前后轮的侧偏刚度，m为汽车总质量，a为车辆重心到前轴的距离，b车辆重心到后轴的距离，δ为前轮转角，Iz汽车车体转动惯量；β表示质心偏侧角，wr表示横摆角速度，u表示前进速度，表示侧向加速度，表示横摆角加速度。

Images