基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110775057A(43)申请公布日2020.02.11(21)申请号201910811032.2(22)申请日2019.08.29(71)申请人浙江零跑科技有限公司地址310051浙江省杭州市滨江区物联网街451号1楼、6楼(72)发明人缪其恒骆超杰金智王江明许炜(74)专利代理机构杭州杭诚专利事务所有限公司33109代理人尉伟敏杨燕霞(51)Int.Cl.B60W30/12(2020.01)B60W50/00(2006.01)权利要求书3页说明书7页附图1页(54)发明名称基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法(57)摘要本发明涉及一种基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法：①基于深度卷积神经网络，对车辆盲区视觉场景输入进行车辆以及道路标识线联合分析，输出当前车辆所处车道的边界信息以及相邻车道的同向车辆信息；②估算侧后方车辆以及自身车辆所在车道边界与自身车辆的相对距离，计算自身车辆与盲区车辆预碰撞时间以及自身车辆车道预偏离时间；③通过声音以及图形界面两种交互方式向驾驶者发出分级预警；④用PID控制器通过电子转向系统对车辆进行转向扭矩控制，使得车辆在无变道意图且即将偏离行驶车道或有变道意图且有碰撞风险时能够回到当前行驶车道。本发明能主动避免相应潜在事故的发生，提升车辆自动驾驶的主动安全性能。CN110775057ACN110775057A权利要求书1/3页1.一种基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于包括下列步骤：①盲区视觉场景输入分析：基于深度卷积神经网络，对车辆盲区视觉场景输入进行车辆以及道路标识线联合分析，输出当前车辆所处车道的边界信息以及相邻车道的同向车辆信息；②视觉场景分析结果后处理：基于盲区相机安装参数，估算侧后方车辆以及自身车辆所在车道边界与自身车辆的相对距离，计算自身车辆与盲区车辆预碰撞时间以及自身车辆车道预偏离时间；③转向扭矩控制：用PID控制器通过电子转向系统对车辆进行转向扭矩控制，使得车辆在无变道意图且即将偏离行驶车道时或有变道意图且有碰撞风险时能够回到当前行驶车道。2.根据权利要求1所述的基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于所述的步骤①包括下列步骤：(1.1)多任务卷积神经网络拓扑：输入为三通道RGB图像，经共享卷积特征编码描述后，分支解码输出目标检测结果以及路面语义分割结果；(1.2)离线模型训练：采集不同时间、不同天气以及不同驾驶工况的盲区场景驾驶视频，按固定时间间隔选取时序离散训练样本，人工标注生成训练标签；(1.3)模型压缩：按照嵌入式平台运算特性，将步骤(1.2)中离线模型训练所得模型参数进行压缩操作，经精度验证与重训练后，将精简模型部署于嵌入式平台；(1.4)在线模型推理：按步骤(1.1)中网络拓扑定义的网络输入尺寸，截取并缩放图像原始数据ROI部分，进行图像预处理，将预处理完的图像输入压缩后的神经网络，经模型前向运算后输出模型定义盲区场景分析结果。3.根据权利要求1所述的基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于所述的步骤②包括下列步骤：(2.1)神经网络输出后处理，包括目标输出后处理以及路面语义输出后处理；(2.2)计算图像坐标对应的路面现实距离；(2.3)盲区车辆跟踪；(2.4)车道线跟踪；(2.5)计算自身车辆与盲区车辆预碰撞时间TTC，计算自身车辆车道预偏离时间TLC。4.根据权利要求3所述的基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于所述的步骤(2.1)具体为：目标输出后处理：按如下公式计算目标序列中同类目标的图像区域重合度IOU，将重合度大于设定阈值的同类目标定义为相同目标，选取置信度最高的目标位置作为该目标的最终输出结果；其中，areai为目标i的图像区域面积；路面语义输出后处理：将路面语义图层按如下公式进行输出通道压缩后，送入车道边2CN110775057A权利要求书2/3页界回归网络进行车道线二阶拟合解析参数回归，输出车道线解析参数a，b，c；其中，cht(x，y)为路面语义图层通道i在(x，y)坐标处的置信度，Rmin为预设置信度阈值。5.根据权利要求3所述的基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于所述的步骤(2.2)具体为：根据离线盲区相机标定的道路平面映射矩阵HL/R，按如下公式计算图像坐标对应的路面现实距离；其中，为实际坐标，为图像坐标，下标L、R分别对应左、右盲区相机。6.根据权利要求3所述的基于车载盲区视觉场景分析控制转向扭矩的车道辅助方法，其特征在于所述的步骤(2.3)盲区车辆跟踪具体为：利用卡尔曼滤波基于匀速运动学模型，预测盲区车辆运动：Xt＝