专利汇可以提供基于障碍物运动预测的无人车紧急转向避障方法专利检索,专利查询,专利分析的服务。并且本 发明 公开了一种基于障碍物运动预测的无人车紧急转向避障方法, 数据采集 模 块 采集 汽车 行驶过程中的道路边界信息、实时状态信息和障碍物信息,将障碍物信息输入到障碍物运动预测模块,该模块对障碍物的落地 位置 、落地时间进行预测,得到相应的数据,然后将预测数据同汽车的状态信息、道路边界信息输入到无人车避障轨迹生成模块,生成相应的转向避障轨迹,将生成的避障轨迹数据、车辆状态信息输入神经网络控 制模 块,求出无人车 跟踪 转向避障轨迹所需的 方向盘 转 角 ,控制无人车方向盘完成相应的避障任务。该发明的转向避障方法,可以实现无人车在车辆前方突然有障碍物落下时完成紧急转向避障任务,提高了无人车行驶的安全性和紧急转向避障的快速性。,下面是基于障碍物运动预测的无人车紧急转向避障方法专利的具体信息内容。
1.一种基于障碍物运动预测的无人车紧急转向避障方法,其特征在于,包含以下步骤:
步骤1),在无人车上设置速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘转角传感器、陀螺仪、激光雷达和GPS传感器;
所述速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘转角传感器、陀螺仪分别用于获取车辆行驶过程中的实时速度、横摆角速度、侧向加速度、方向盘转角、车辆航向角;
所述激光雷达用于获取道路的边界离散点坐标以及障碍物外形轮廓的离散点的坐标、速度信息;
所述GPS传感器用于获取车辆质心的实时位置坐标信息;
步骤2),根据障碍物外形轮廓的离散点坐标信息和道路的边界离散点坐标计算出此时障碍物与道路左边界、道路右边界之间的最小距离分别为Ll0、Lr0,然后计算出障碍物所有离散点相对于激光雷达的位置坐标和速度,再计算出障碍物所有离散点相对于无人车质心的位置坐标和速度,然后根据车辆实时速度计算出障碍物所有离散点的绝对速度,并任意选取障碍物的一个离散点为目标点Q用于计算障碍物落地时间;
步骤3),根据目标点Q相对于无人车质心的位置坐标和绝对速度、无人车质心高度H计算出障碍物落地时间:
设障碍物目标点Q相对于无人车质心的位置坐标分别为(xQ,yQ,zQ),障碍物目标点Q的绝对速度在x、y、z方向上的分量大小均为vx、vy、vz;所述x方向沿道路前方,以向前为正;y方向垂直于x方向,以向右为正;z方向垂直于水平面,以向下为正;g为重力加速度;
步骤3.1),根据以下公式计算障碍物落地时间t:
步骤4),根据障碍物所有离散点相对于无人车质心的坐标、障碍物落地时间计算出障碍物所有离散点落地时相对于无人车质心的坐标;
步骤4.1),令离散点的绝对速度和目标点Q相同,根据以下公式计算障碍物落地时离散点(xi,yi,zi)相对于无人车质心的坐标(x′i,y′i,z′i):
步骤5),根据Ll0、Lr0、障碍物速度vy和落地时间t,计算障碍物落地时与道路左、右边界之间的距离Ll、Lr,判断进行左转向还是右转向:若Ll≥Lr,进行左转向;若Ll<Lr,进行右转向;障碍物落地时与道路左、右边界之间的距离Ll、Lr的计算公式如下:
步骤6),为避免无人车避障过程中与障碍物发生碰撞,根据障碍物落地时所有离散点相对于无人车质心的坐标以及转向方向选取转向目标点P,记转向目标点P落地时相对于无人车质心的坐标为(x′p,y′p,z′p);
步骤6.1),如果是左转向,选择障碍物中心点左边的离散点作为转向目标点的备选点,如果是右转向,选择障碍物中心点右边的离散点作为转向目标点的备选点;
步骤6.2),计算各个被选择为转向目标点备选点的离散点(xi,yi,zi)对应的转向半径Ri;
步骤6.3),选取转向半径最小的点作为转向目标点P,其落地时相对于无人车质心坐标为(x′p,y′p,z′p);
步骤7),结合无人车转向方向,根据障碍物落地时转向目标点P相对于无人车质心的位置坐标数据和无人车宽度W生成期望转向避障路径OSF,并将期望避障轨迹坐标转换为相对于激光雷达的坐标;
所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF,半径均为R、角度均为θ,其中:
步骤8),首先将步骤1)所得无人车质心的实时位置坐标投影到地面得到行驶轨迹坐标,并将其转换为相对于激光雷达的坐标;然后将行驶轨迹坐标相对于激光雷达的坐标、期望避障轨迹相对于激光雷达的坐标以及无人车的实时速度、横摆加速度、航向角、侧向加速度输入预先训练好的神经网络模型,输出无人车的实时方向盘转角;
步骤9),根据实时方向盘转角信号控制无人车方向盘转角进行转向避障,并在避障完成后控制无人车恢复直线行驶。
2.根据权利要求1所述的基于障碍物运动预测的无人车紧急转向避障方法,其特征在于,所述步骤8)中预先训练好的神经网络模型的训练步骤如下:
步骤8.1),设定车辆的最小车速阈值、最大车速阈值;
步骤8.2),以右转向为例,设定初始转向目标点相对于无人车质心的坐标为(L/2,-WR/
2,-H),并按照预设的坐标步长阀值Δx改变转向目标点的x、y坐标,直至x坐标值达到激光雷达测量距离最大值Lmax,针对x方向上每个转向目标点,按照预设的第二坐标步长阀值Δy增加转向目标点的y坐标、直至y坐标值达到WR/2,得到各个工况下的转向目标点;
步骤8.3),根据每个工况下转向目标点相对于无人车质心的坐标(x,y,z),结合无人车的宽度W,然后计算得到无人车在各个工况下的期望避障轨迹OSF和期望轨迹的坐标数据;
所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF,半径均为R、角度均为θ,其中:
步骤8.4),对于每一条期望避障轨迹,以最小车速阈值为车速进行行驶,按照预设的车速步长阈值增加车速、直至车速大于最大车速阈值,记录各个车速下无人车质心的位置坐标、横摆角速度、航向角、侧向加速度、方向盘转角;
步骤8.5),使用MATLAB将步骤8.4)所记录的无人车质心的位置坐标经过投影在地面上得到行驶轨迹坐标,并将行驶轨迹坐标数据和步骤8.3)所得的期望轨迹坐标数据一起导入MATLAB中;使用MATLAB软件对行驶过程中的坐标数据进行处理;先经过坐标变化将所有坐标数据均转换为相对于激光雷达的坐标,然后计算所测量的行驶轨迹坐标和期望轨迹坐标之间的横向偏差和航向偏差;若测量的行驶轨迹与期望轨迹之间的误差超过预设的误差阀值,则舍弃该组测量数据;反之则留下该组测量数据;
步骤8.6),将留下的测量数据分为神经网络训练数据和测试数据,其中训练数据占所有测量数据的75%,测试数据占所有测量数据的25%;使用MATLAB中的BP神经网络工具箱利用训练数据对神经网络进行训练,以无人车行驶轨迹相对于激光雷达的坐标、期望轨迹相对于激光雷达的坐标、无人车速度、横摆角速度、航向角、侧向加速度为神经网络输入,方向盘转角为输出,得到训练好的神经网络模型。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种燃料电池电堆的水管理方法 | 2020-05-08 | 972 |
基于多特征融合CNN-BLSTM的人体复杂行为识别方法 | 2020-05-08 | 739 |
融合北斗与多传感器的机场行李牵引车定位装置与方法 | 2020-05-08 | 454 |
一种轿厢电梯数据采集器 | 2020-05-11 | 113 |
一种便携式多功能智能药盒 | 2020-05-11 | 681 |
基于虚拟现实的孤独症早期筛查评估系统及方法 | 2020-05-08 | 589 |
一种大型喷灌机植保系统 | 2020-05-11 | 670 |
定位装置及定位系统 | 2020-05-11 | 356 |
基于智能手机监测呼吸、步伐及定位人员信息的采集识别 | 2020-05-08 | 119 |
基于空气呼吸器压力测试的红外智能检测终端装置 | 2020-05-08 | 900 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。