[发明专利]无人驾驶清扫车的路沿识别方法、装置、设备及存储介质

说明书

本发明公开了无人驾驶清扫车的路沿识别方法、装置、设备及存储介质，该方法通过道路可行区域分割模型和路沿识别后处理算法，利用道路可行区域分割模型获取待检图像中道路前景像素的掩膜，而后，利用路沿识别后处理算法去除掩膜中的噪声、提取路沿的初始点集、平滑点集并过滤异常点以及拟合得到路沿曲线，有效实现了路沿的识别。解决了现有技术中路沿识别不准确、算法响应慢的问题，提升了无人驾驶车的路沿识别的鲁棒性、精度和算法效率，为无人清扫车的自动贴边清扫能力提供了良好的感知基础。

技术领域

本发明涉及自动驾驶的视觉感知技术领域，尤其涉及一种无人驾驶清扫车的路沿识别方法、一种无人驾驶清扫车的路沿识别装置、一种电子设备、以及一种存储介质。

背景技术

无人驾驶清扫车的一项重要功能是自动贴边清扫，这要求其视觉感知模块能够精准地识别工作路段的道路边沿。路沿识别方法的精度和效率是决定无人驾驶清扫车贴边清扫性能的一项重要指标。目前，自动驾驶领域的路沿识别方法主要有两种，分别是基于激光雷达点云的识别方案以及基于计算机视觉的方案。其中，激光点云方案在清扫车贴近路沿时存在视野盲区，并且激光雷达的成本远高于相机。基于计算机视觉的方案因其硬件价格低廉、良好的感知视野以及能采集到稠密的信息，成为业界的主流方案。

然而，室外场景采集到的道路图像易受光照变化、路边植被干扰的影响，且不同工作路段的路沿形貌、背景信息差别大，使得路沿识别任务具有挑战性。并且应用于自动驾驶的识别算法需要具有很高的实时性。现有的路沿识别方法对路沿的特征描述能力有限，多数存在精度低、效率不高、不鲁棒等缺点，难以满足无人清扫车在多种场景自动作业的要求。

因此，现有技术还有待提高。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供一种应用于无人驾驶清扫车的路沿识别方法、相应的无人驾驶清扫车的路沿识别装置、一种设备以及一种存储介质，旨在解决现有技术在用于无人驾驶清扫车进行路沿识别时路沿识别不准确、算法响应慢以及精度不高的问题。

为了解决上述问题，本发明的技术方案如下：

提出一种无人驾驶清扫车的路沿识别方法，所述方法包括：

采集路沿的待检测图像，并将所述待检测图像输入至预训练的道路可行区域分割模型当中，以获取所述待检测图像对应的道路可行区域的掩膜图像；

将所述掩膜图像输入至路沿拟合后处理算法当中，以获取用于拟合路沿曲线的初始点集，并完成路沿曲线的拟合；

将得到的所述拟合路沿曲线进行离散化，以获取拟合后的路沿点集，并将路沿点集通过外参标定信息映射至车体坐标系供无人驾驶清扫车的规控模块使用。

在一个实施例中，所述道路可行区域分割模型的训练过程包括：

采集所述无人驾驶清扫车的工作路段的图像以构建所述道路可行区域分割模型的训练集以及验证集；

基于深度学习技术构建语义分割算法，根据所述训练集以及验证集利用所述语义分割算法训练所述道路可行区域分割模型；

根据预设评估指标在所述训练过程保存的所有模型权重中挑选最优的目标模型权重，以确定最终用于道路可行区域识别的分割模型。

在一个实施例中，所述路沿曲线的拟合后处理算法具体包含以下步骤：

针对所述掩膜图像进行连通域分析，过滤掉像素面积小于给定阈值的连通域，并保留面积最大的若干连通域，作为道路可行区域；

沿着所述掩膜图像的高度方向从上至下搜索，获取路沿在所有宽度索引的大致位置的图像点集，并将所述图像点集的坐标映射回所述待检测图像的原图坐标系，作为初始点集；

采用距离加权的平滑算法对所述初始点集进行平滑处理，并将平滑后的初始点集输入基于局部窗的估计方法并计算每个局部区间的估计点集；