一种基于自动驾驶毫米波雷达的场景验证方法与流程

本发明涉及自动驾驶中机器感知，具体来说，涉及一种基于自动驾驶毫米波雷达的场景验证方法。

背景技术：

1、随着自动驾驶的发展，道路交通安全受到了社会的广泛关注。一个自动驾驶系统包括感知周围的环境，通过感知系统的结果做出决策、规划路线，最后控制自动驾驶车辆的运行。感知系统是自动驾驶车辆的重要组成部分，为其他的功能提供了重要的保证。在感知系统中，感知周围的车辆尤为突出，它为车辆换道、避免车辆之间的碰撞等提供了重要的依据。

2、环境感知是自动驾驶领域机器感知的重要任务之一，而对于环境中可行驶区域的识别是这项任务的核心组成部分。随着汽车4d毫米波雷达点云技术的兴起，在增加点云数量、提高点云质量两个主要课题基础上，赋能自动驾驶车辆对于行驶环境的感知是毫米波雷达点云技术面临的又一重要任务。当前，基于深度学习的卷积神经网络、基于概率图的方法、激光雷达数据驱动的实时3d地图构建、支持向量机、基于聚类的方法、自适应阈值法等都在帮助车辆实现行驶区域识别功能。但是此类方法对于4d毫米波雷达点云而言仍有改进空间，主要原因在于毫米波雷达点云质量不及激光雷达点云，其质量和数量都直接影响了上述算法的应用效果。

3、针对相关技术中的问题，目前尚未提出有效的解决方案。

技术实现思路

1、针对相关技术中的问题，本发明提出一种基于自动驾驶毫米波雷达的场景验证方法，以克服现有相关技术所存在的上述技术问题。

2、为此，本发明采用的具体技术方案如下：

3、一种基于自动驾驶毫米波雷达的场景验证方法，包括以下步骤：

4、设置在车辆上的毫米波雷达、gps和odom传感器实时采集车辆的信息；

5、毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标信息点云数据；

6、根据自车高度，对点云数据进行空间切割，所述点云数据向地面坐标系进行分层投影；

7、并对毫米波雷达采集到的数据进行预处理生成局部栅格图；

8、根据目标的雷达截面积，筛选出潜在车辆目标

9、计算所有粒子的权重和，若粒子的总权重和小于最小权重和时，车辆位姿状态为所有粒子状态的平均值；否则，根据所有粒子权重加权求和计算车辆的状态；并根据粒子的权重计算当前定位结果的置信度；

10、根据回波信号获取筛选的潜在车辆目标的速度信息，

11、利用恒虚警检测算法，排除潜在的假车辆目标

12、以自车坐标原点为圆心，以所需视野半径为半径绘制黑色圆，从所述黑色圆中每间隔1度提取0至360度距离坐标系中心最近度像素点坐标，得到包含360个坐标的freespace轮廓；

13、获取毫米波雷达的至少一个目标测试用例，利用场景文件构建自动功能的测试场景库；

14、利用预设脚本读取所述场景设计文档，并在所述要素取值范围内遍历所述静态逻辑场景与所述动态逻辑场景，生成所述多个场景文件；

15、利用每个目标测试用例的场景描述和所述场景示意图建立每个目标测试用例对应的目标逻辑场景。

16、作为优选的，所述根据回波信号获取雷达视域内的目标位置信息，过程包括：对雷达回波信号进行一维快速傅里叶变换，获得雷达视域内的目标位置信息。

17、作为优选的，所述毫米雷达的数量有六个，分别设置在车头、车顶和车尾，其中车头设置两个，车顶设置两个，车尾设置两个。

18、作为优选的，基于所述目标车辆环境数据进行障碍物运动预测，获得障碍物运动倾向集合；

19、基于所述目标位置信息调用获得实时道路交通规则；

20、基于所述障碍物运动倾向集合和所述实时道路交通规则进行所述目标车辆的避障驾驶轨迹生成。

21、作为优选的，所述将每一层点云的二值图像切割成特定尺寸大小的若干子区域的步骤具体包括，建立字典，将每一层所有子区域作为元素填充进该字典，每个元素的值包含该子区域的位置信息、黑色像素占比信息；其中，所述位置信息用于确定子区域间位置关系，所述黑色像素占比信息是指各层二值图像同一位置子区域中黑色像素数量总和，用于表征点云密度。

22、作为优选的，通过毫米波雷达获取包括距离、方位角以及速度数据；

23、获取车辆的车速以及车身姿态参数，并根据所述车速以及所述车身姿态参数判断是否满足预设的动态标定条件；其中，车身姿态参数包括加速度、方向盘转角、偏航率以及俯仰率。

24、作为优选的，获取所述高精度地图播发的基于当前定位匹配的道路边界的类型与行点，以车辆中心为原点，拟合得到道路边界曲线方程；

25、根据所述毫米波雷达的安装参数以及修正后的方位角，计算得到所述毫米波雷达的失准角度。

26、作为优选的，将筛选后的毫米波雷达测量数据与所述道路边界曲线方程进行点线关联，以将毫米波雷达的测量值与高精度地图下的道路边界关联；

27、基于上述关联，以所述道路边界曲线方程计算得到的方位角修正原始测量数据中的方位角。

28、作为优选的，在毫米波雷达处于静态场景时，获取毫米波雷达探测的移动目标特征数据，并获取实际测量的毫米波雷达与位于预设位置的标定物之间的距离，以及所述标定物与移动目标之间的距离，其中，所述静态场景是指，车载的毫米波雷达是静止的，而目标是移动的；

29、静态场景下，在毫米波雷达的正前方，与毫米波雷达在同一竖直方向上的某一位置预先设置标定物，然后在标定物的同一水平方向设置移动目标，使移动目标始终沿标定物的同一水平方向以一较小速度进行移动，由此，毫米波雷达与标定物、移动目标的位置关系始终构成直角三角形。

30、根据本发明的另一个方面，提供了一种的基于自动驾驶毫米波雷达的场景验证方法，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序。

31、本发明的有益效果为：通过毫米波雷达获取包括距离、方位角以及速度的原始测量数据，并以预设条件筛选；基于高精度定位下道路边界的类型与行点，拟合得到道路边界曲线方程；将筛选后的毫米波雷达测量数据与所述道路边界曲线方程进行点线关联，以将毫米波雷达的测量值与高精度地图下的道路边界关联；满足了自动驾驶环境下的实时性需求；结合恒虚警检测算法、目标雷达截面积筛选和航迹初始算法，很好的消除了虚假目标，提高了系统的安全性及可靠性。

技术特征：

1.一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，所述根据回波信号获取雷达视域内的目标位置信息，过程包括：对雷达回波信号进行一维快速傅里叶变换，获得雷达视域内的目标位置信息。

3.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，所述毫米雷达的数量有六个，分别设置在车头、车顶和车尾，其中车头设置两个，车顶设置两个，车尾设置两个。

4.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，基于所述目标车辆环境数据进行障碍物运动预测，获得障碍物运动倾向集合；

5.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，所述将每一层点云的二值图像切割成特定尺寸大小的若干子区域的步骤具体包括，建立字典，将每一层所有子区域作为元素填充进该字典，每个元素的值包含该子区域的位置信息、黑色像素占比信息；其中，所述位置信息用于确定子区域间位置关系，所述黑色像素占比信息是指各层二值图像同一位置子区域中黑色像素数量总和，用于表征点云密度。

6.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，通过毫米波雷达获取包括距离、方位角以及速度数据；

7.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，获取所述高精度地图播发的基于当前定位匹配的道路边界的类型与行点，以车辆中心为原点，拟合得到道路边界曲线方程；

8.根据权利要求7所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，将筛选后的毫米波雷达测量数据与所述道路边界曲线方程进行点线关联，以将毫米波雷达的测量值与高精度地图下的道路边界关联；

9.根据权利要求8所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，在毫米波雷达处于静态场景时，获取毫米波雷达探测的移动目标特征数据，并获取实际测量的毫米波雷达与位于预设位置的标定物之间的距离，以及所述标定物与移动目标之间的距离，其中，所述静态场景是指，车载的毫米波雷达是静止的，而目标是移动的；

10.根据权利要求1所述的一种基于自动驾驶毫米波雷达的场景验证方法，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至9中任意一项所述的基于自动驾驶毫米波雷达的场景验证方法。

技术总结本发明公开了一种基于自动驾驶毫米波雷达的场景验证方法，包括以下步骤：设置在车辆上的毫米波雷达、GPS和ODOM传感器实时采集车辆的信息；毫米波雷达发射并接收雷达信号，根据回波信号获取雷达视域内的目标信息点云数据；根据自车高度，对点云数据进行空间切割，所述点云数据向地面坐标系进行分层投影。将筛选后的毫米波雷达测量数据与所述道路边界曲线方程进行点线关联，以将毫米波雷达的测量值与高精度地图下的道路边界关联；满足了自动驾驶环境下的实时性需求；结合恒虚警检测算法、目标雷达截面积筛选和航迹初始算法，很好的消除了虚假目标，提高了系统的安全性及可靠性。技术研发人员：陈锋,朱奇章,柳世铭,李占明,周煊,傅直全,宋小毅受保护的技术使用者：浙江万安科技股份有限公司技术研发日：技术公布日：2024/11/4