[发明专利]基于超声波传感器的场景再识别方法

说明书

本发明公开了一种基于超声波传感器的场景再识别方法，包括：预存场景地图，提取场景地图中场景或物体的曲面、边界线、拐角点以及语义特征点，场景或物体的边界线和曲面拟合，存入数据库；行驶的无人车上的任一个超声波传感器实时动态获取其相对于检测范围内的障碍物的多个实时位置信息，进行坐标变换，得无人车的行驶轨迹；提取中行驶轨迹中的拐角点以及曲线，将拐角点标识以及曲线拟合，以得轨迹拟合信息；将轨迹拟合信息与提取信息和场景拟合信息进行匹配对比，优化得与无人车上超声传感器感知到的环境最为匹配的场景局部区域。本发明建立了与超声波传感器匹配的场景再识别方法，极大的降低了场景再识别的使用成本及功耗。

技术领域

本发明涉及无人驾驶技术领域，尤其涉及一种基于超声波传感器的场景再识别方法。

背景技术

无人驾驶中技术涵盖五大模块；定位、建图、感知、规划和控制。在封闭应用场景(如停车场，园区内，小区内等)下的无人驾驶解决方案中最为重要的功能之一为，根据感知模块处理后的传感器信息从场景地图识别出无人车当前所处环境，该功能的实现依赖于三方面；精准的地图信息，精确可靠的传感器以及将传感器信息和地图进行匹配比对的算法即场景再识别算法。近年来包括高精激光雷达、长距毫米波雷达、短距超声波雷达和相机在内的传感器的发展为上述三方面中的前两方面提供了支持。目前可靠场景再识别算法多数基于将实时激光雷达的实时数据与预建地图进行比对，受限于激光雷达居高不下得成本和计算机计算能力的限制，使用该算法的无人车解决方案成本高昂。目前尚未有适用于如超声波传感器器这种低成本的传感器的场景再识别方法。

发明内容

本发明的一个目的是解决至少上述问题，并提供至少后面将说明的优点。

本发明还有一个目的是提供一种基于超声波传感器的场景再识别方法，建立了与超声波传感器匹配的场景再识别方法，极大的降低了场景再识别的成本以及功耗。

为了实现根据本发明的这些目的和其它优点，提供了一种基于超声波传感器的场景再识别方法，包括：

步骤1、在数据库中预存储场景地图，提取所述场景地图中的标识信息并将所述标识信息存储入所述数据库，所述标识信息包括所述场景地图中的场景或物体的曲面、边界线、拐角点以及语义特征点。

步骤2、将步骤1中场景或物体的所述边界线和曲面拟合，以得场景或物体的拟合信息，并将拟合信息存储至所述数据库。

步骤3、在行驶过程中，按照时间顺序，所述无人车上的任一个超声波传感器实时动态获取其相对于检测范围内的障碍物的多个实时位置信息，将实时动态获取的所述多个实时位置信息依次进行坐标变换生成多个坐标信息。

步骤4、按时间顺序，依次串接实时动态获取的任一个超声波传感器的多个坐标信息以获取该超声波传感器随时间变化的轨迹，以此类推，获得所述无人车的多个超声波传感器的多个轨迹，多个轨迹组成为所述无人车的行驶轨迹。

步骤5、通过提取步骤4中所述行驶轨迹中多个轨迹的拐角点以及曲线，将所述拐角点标识以及所述曲线拟合，以得轨迹拟合信息。

步骤6、通过将步骤5中的所述轨迹拟合信息与步骤3中存储至所述数据库内的所述提取信息和场景拟合信息进行匹配对比，以优化得与所述无人车上所述超声传感器感知到的环境最为匹配的场景局部区域；其中，所述匹配对比抽象为对曲线和流形的差异度量的优化。

优选的是，步骤1中预存储的所述场景地图通过激光雷达或毫米波雷达获取。

优选的是，步骤1中所述拐角点的标识采用Harris算子；所述语义特征点的标识根据计算力限制及精度要求采用SIFT算子、加速稳健特征、HOG或通过某一像素与其周围领域内足够多的像素点相差较大的方式，确定所述像素可能是角点的FAST算子；所述边界线的识别采用Canny算法。

优选的是，步骤5中所述轨迹拟合信息获取过程如下：