技术新讯 > 测量装置的制造及其应用技术 > 基于双源信息融合的导航方法及相关装置与流程  >  正文

基于双源信息融合的导航方法及相关装置与流程

  • 国知局
  • 2024-09-11 14:17:02

本发明涉及规划导航,尤其涉及一种基于双源信息融合的导航方法及相关装置。

背景技术:

1、随着自主导航技术和人工智能技术的快速发展,对行驶车辆周边的信息的感知十分重要。通常在道路两侧会有各种障碍物,诸如车辆、行人、路沿等。

2、激光雷达作为自动导航的重要传感器,通过主动发射并接收激光,可有效提供周边的三维空间信息,具有测距远、抗干扰力强、数据精度高等优点。

3、目前对于复杂周边信息进行检测与感知依然存在较大的局限性,这对智能行车的安全具有极大的威胁。

技术实现思路

1、为了解决上述技术问题,本发明提出一种基于双源信息融合的导航方法及相关装置,能够得到高效精确的实时导航线。

2、为了达到上述目的,本发明的技术方案如下:

3、基于双源信息融合的导航方法,包括如下步骤:

4、获取车载激光雷达检测得到的原始点云数据并进行预处理;

5、对预处理后的点云数据进行聚类处理,获得取车体坐标系下行走路径两侧所停车辆车体中心点坐标;

6、通过对齐补差法,将行走路径两侧所停车辆车体中心点坐标对齐补差,获得行走路径两侧所停车辆车体中心点连线;

7、采用平均法对行走路径两侧所停车辆车体中心点连线进行处理,获得车体中心坐标插值点导航线;

8、将预处理后的点云数据输入至多尺度扩张语义分割模型中进行语义分割,获得行走路径两侧所停车辆车体的边缘信息;

9、采用支持向量回归svm算法对左右两侧停车车体信息进行二分类,二分类的回归模型即为两侧车体边缘分离导航线;

10、基于平均法对所述车体中心坐标插值点导航线和两侧车体边缘分离导航线进行融合,得到实时导航线。

11、优选地,所述预处理,包括如下步骤:

12、通过open3d库去除所述原始点云数据中的异常点,获得有效点云;

13、将所述有效点云转换到车体坐标系下。

14、优选地,所述对预处理后的点云数据进行聚类处理,获得取车体坐标系下行走路径两侧所停车辆车体中心点坐标,具体包括如下步骤:

15、设定邻域尺度范围,采用泛化dbscan搜索领域空间,将从核心对象出发可达邻域尺度范围内的点组成为同一簇,分别得到左侧共有nl簇,右侧共有nr簇;

16、计算左侧和右侧每个簇的所有中心点的坐标,获得行走路径两侧所停车辆车体中心点坐标。

17、优选地,所述通过对齐补差法,将行走路径两侧所停车辆车体中心点坐标对齐补差,获得行走路径两侧所停车辆车体中心点连线,具体包括如下步骤:

18、依次判断左侧所停车辆车体中心点坐标和右侧所停车辆车体中心点坐标间是否有相近点,若有,则不补差;若无,则进行对应侧的中心点对齐补差;

19、按照x坐标大小依次分别顺序排列对齐补差后的左侧所停车辆车体中心点坐标和右侧所停车辆车体中心点坐标,获得行走路径两侧所停车辆车体中心点连线。

20、优选地,所述多尺度扩张语义分割模型,包括依次连接的多尺度扩张卷积模块、通道注意力模块、若干个残差模块、池化层、堆积失活层、全连接层和回归层,其中,所述多尺度扩张卷积模块,使用不同尺寸的卷积核对预处理后的点云数据进行卷积运算,将卷积过后的特征图进行concatnate拼接操作得到多尺度特征;所述通道注意力模块,通过挤压和激活的操作对获得的所述多尺度特征进行权重分配,学习到不同通道间的权重,利用得到的权重来突出重要特征并抑制不重要的特征;所述若干个残差模块包括依次连接的起始残差网络、中间残差网络和结尾残差网络,所述结尾残差网络的输出特征进行卷积操作后与结尾残差网络的输出特征进行对应元素相加,获得全局特征;所述全局特征依次通过池化层、堆积失活层、全连接层和回归层,获得行走路径两侧所停车辆车体的边缘信息。

21、优选地,所述池化层为全局平均池化层。

22、优选地,所述二分类的回归模型fs(x),如下所示:

23、y=fs(x)=atx+b                      (4)

24、其中a、b为回归模型的系数和常数项;

25、以最大化左右两侧停车车体边缘距分类回归函数的距离||d||为分类标准,引入微小松弛变量ε及其对偶ε*,损失函数的阈值设定为λ,则有如下优化问题:

26、

27、基于上述内容,本发明还公开了基于双源信息融合的导航装置,包括:数据处理模块,第一导航线获取模块,第二导航线获取模块,融合模块,其中,

28、所述数据处理模块,用于获取车载激光雷达检测得到的原始点云数据并进行预处理;

29、所述第一导航线获取模块,用于对预处理后的点云数据进行聚类处理,获得取车体坐标系下行走路径两侧所停车辆车体中心点坐标;用于通过对齐补差法,将行走路径两侧所停车辆车体中心点坐标对齐补差,获得行走路径两侧所停车辆车体中心点连线;用于采用平均法对行走路径两侧所停车辆车体中心点连线进行处理,获得车体中心坐标插值点导航线;

30、所述第二导航线获取模块,用于将预处理后的点云数据输入至多尺度扩张语义分割模型中进行语义分割,获得行走路径两侧所停车辆车体的边缘信息;用于采用支持向量回归svm算法对左右两侧停车车体信息进行二分类,二分类的回归模型即为两侧车体边缘分离导航线;

31、所述融合模块,用于基于平均法对所述车体中心坐标插值点导航线和两侧车体边缘分离导航线进行融合,得到实时导航线。

32、基于上述内容,本发明还公开了一种计算机设备,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如上述任一所述的方法。

33、基于上述内容,本发明还公开了一种可读存储介质,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的方法。

34、基于上述技术方案,本发明的有益效果是:本发明基于双源信息融合的导航方法及相关装置,该方法通过open3d库去除车载雷达获取原始点云中异常点,并将有效点云转换到车体坐标系下;采用gdbscan聚类算法获取行走路径两侧所停车辆车体中心点坐标;通过对齐补差法,将上下两侧停车车体中心点坐标对齐补差;采用平均法求得车体中心坐标插值点导航线;基于多尺度扩张卷积语义分割,并融合svm二分类得到的分类器作为两侧车体边缘分离导航线;但考虑到车体中心坐标插值点导航线是基于车体中心位置信息获得,未考虑车体边缘信息;而基于多尺度扩张卷积进行语义分割,融合svm二分类的分割得到的两侧车体边缘分离导航线是以车体边缘信息生成的导航线,未考虑车体中心位置信息,因此,将二者进行融合,得到高效精确的实时导航线。

技术特征:

1.基于双源信息融合的导航方法,其特征在于,包括如下步骤:

2.根据权利要求1所述的基于双源信息融合的导航方法,其特征在于,所述预处理,包括如下步骤:

3.根据权利要求1所述的基于双源信息融合的导航方法,其特征在于,所述对预处理后的点云数据进行聚类处理,获得取车体坐标系下行走路径两侧所停车辆车体中心点坐标,具体包括如下步骤:

4.根据权利要求3所述的基于双源信息融合的导航方法,其特征在于,所述通过对齐补差法,将行走路径两侧所停车辆车体中心点坐标对齐补差,获得行走路径两侧所停车辆车体中心点连线,具体包括如下步骤:

5.根据权利要求1所述的基于双源信息融合的导航方法,其特征在于,所述多尺度扩张语义分割模型,包括依次连接的多尺度扩张卷积模块、通道注意力模块、若干个残差模块、池化层、堆积失活层、全连接层和回归层,其中,所述多尺度扩张卷积模块,使用不同尺寸的卷积核对预处理后的点云数据进行卷积运算,将卷积过后的特征图进行concatnate拼接操作得到多尺度特征;所述通道注意力模块,通过挤压和激活的操作对获得的所述多尺度特征进行权重分配,学习到不同通道间的权重,利用得到的权重来突出重要特征并抑制不重要的特征;所述若干个残差模块包括依次连接的起始残差网络、中间残差网络和结尾残差网络,所述结尾残差网络的输出特征进行卷积操作后与结尾残差网络的输出特征进行对应元素相加,获得全局特征;所述全局特征依次通过池化层、堆积失活层、全连接层和回归层,获得行走路径两侧所停车辆车体的边缘信息。

6.根据权利要求5所述的基于双源信息融合的导航方法,其特征在于,所述池化层为全局平均池化层。

7.根据权利要求1所述的基于双源信息融合的导航方法,其特征在于,所述二分类的回归模型,如下所示:

8.基于双源信息融合的导航装置,其特征在于,包括:数据处理模块,第一导航线获取模块,第二导航线获取模块,融合模块,其中,

9.一种计算机设备,其特征在于,包括:存储器,用于存储计算机程序;处理器,用于执行所述计算机程序时实现如权利要求1至7任一项所述的方法。

10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。

技术总结本发明公开基于双源信息融合的导航方法及相关装置。该方法,获取原始点云数据并进行预处理;对预处理后的点云数据进行聚类,获得行走路径两侧所停车辆车体中心点坐标;通过对齐补差法,将行走路径两侧所停车辆车体中心点坐标对齐补差,获得行走路径两侧所停车辆车体中心点连线并采用平均法进行处理,获得车体中心坐标插值点导航线;将预处理后的点云数据输入至多尺度扩张语义分割模型中,获得行走路径两侧所停车辆车体的边缘信息;采用SVM算法对左右两侧停车车体信息进行二分类,获得两侧车体边缘分离导航线;基于平均法对车体中心坐标插值点导航线和两侧车体边缘分离导航线进行融合,得到实时导航线。本发明能够得到高效精确的实时导航线。技术研发人员:蒋剑受保护的技术使用者:苏州友电物联科技服务有限公司技术研发日:技术公布日:2024/9/9

本文地址:https://www.jishuxx.com/zhuanli/20240911/289999.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。