[发明专利]一种无人驾驶汽车避障测试设备

说明书

本申请涉及智能检测领域，其具体地公开了一种无人驾驶汽车避障测试设备，其通过融合超声波回波探测特征和探测图像特征来构建无人驾驶汽车避障方案，以提高避障检测的精准度。

技术领域

本申请涉及智能检测领域，且更为具体地，涉及一种无人驾驶汽车避障测试设备。

背景技术

近几年，随着自动化专业发展，无人驾驶汽车有着十分广阔的发展前景。目前用于无人驾驶汽车自主避障的信号来源主要有以下几种方式：激光雷达测试避障物、图像识别障碍物、超声波测距。

激光雷达可以获取车辆周围障碍物的位置信息，达到控制车辆绕开障碍物的目的。但是，激光雷达造价昂贵，使得在很多应用场景中无法得以应用。

随着人工智能技术的快速发展，可以在车辆的前方放置高清摄像头，通过采集图像后进行AI识别障碍物，但这种图像识别障碍物的方式无法计算障碍物与车辆之间的距离，给车辆避障带来很大挑战。

超声波测距，超声波传感器是一种成本低、实现方法简单、技术成熟的方案，其利用超声波传感器来实现避障。但是，超声波的测试距离一般比较近，主要应用在侧方停车等低速领域，不适合高速行驶的车辆自主避障领域。

因此，期待一种优化的无人驾驶汽车避障测试设备。

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种无人驾驶汽车避障测试设备，其通过融合超声波回波探测特征和探测图像特征来构建无人驾驶汽车避障方案，以提高避障检测的精准度。

根据本申请的一个方面，提供了一种无人驾驶汽车避障测试设备，其包括：

探测信采集单元，用于获取由部署于车辆的高清摄像头采集的探测图像以及由部署于所述车辆的超声波传感器采集的超声波回波探测信号；

格拉姆角和场变换单元，用于对所述超声波回波探测信号进行格拉姆角和场变换以得到超声波回波格拉姆角和场图像；

探测图像特征提取单元，用于将所述探测图像通过作为过滤器的第一卷积神经网络以得到探测图像特征向量；

超声回波探测特征提取单元，用于将所述超声波回波格拉姆角和场图像通过作为过滤器的第二卷积神经网络以得到超声波回波特征向量；

多源特征融合单元，用于融合所述探测图像特征向量和所述超声波回波特征向量以得到分类特征向量；以及

避障测试结果生成单元，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示是否进行避障。

在上述无人驾驶汽车避障测试设备中，所述探测图像特征提取单元，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第一卷积神经网络的最后一层的输出为所述探测图像特征向量，所述作为过滤器的第一卷积神经网络的第一层的输入为所述探测图像。

在上述无人驾驶汽车避障测试设备中，所述超声回波探测特征提取单元，进一步用于：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于特征矩阵的池化以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的第二卷积神经网络的最后一层的输出为所述超声波回波特征向量，所述作为过滤器的第二卷积神经网络的第一层的输入为所述超声波回波格拉姆角和场图像。

在上述无人驾驶汽车避障测试设备中，所述多源特征融合单元，进一步用于：以如下公式来融合所述探测图像特征向量和所述超声波回波特征向量以得到所述分类特征向量；