[發(fā)明專利]基于機(jī)器視覺的低速園區(qū)無人車巡航及緊急制動(dòng)系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201910141424.2
• 申請日: 2019-02-26
• 公開（公告）號(hào): CN109886215B
• 公開（公告）日: 2021-10-19
• 發(fā)明（設(shè)計(jì)）人: 徐江;張杰;趙健成;顧昕程;程威翔;梁昊;吳龍飛;張旭;英之旋;盧起;王一品;姚鋒
• 申請（專利權(quán)）人: 常熟理工學(xué)院
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;G06K9/32;G06N3/04;G06T7/80
• 代理公司: 常州佰業(yè)騰飛專利代理事務(wù)所(普通合伙) 32231
• 代理人: 滕詣迪

本發(fā)明公開了一種基于機(jī)器視覺的低速園區(qū)無人車巡航方法。步驟1)建立道路語義分割模型，語義分割模型在ICNet的基礎(chǔ)上通過制作道路本地?cái)?shù)據(jù)集、訓(xùn)練道路本地?cái)?shù)據(jù)、微調(diào)參數(shù)和網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)ICNet的backbone做出調(diào)整，縮小卷積核的size；加載模型，輸入待預(yù)測圖像image，運(yùn)行模型預(yù)測輸入；步驟2)基于道路語義分割模型的識(shí)別結(jié)果計(jì)算車輛偏移道路中心的距離：本發(fā)明既解決了以激光雷達(dá)為主要傳感器的自動(dòng)駕駛方案的成本高昂問題，也解決了傳統(tǒng)計(jì)算機(jī)視覺的車道線感知受環(huán)境復(fù)雜度影響的問題。本發(fā)明借由于本地化ICNet的模型的性能提高，使得Yolov3和ICNet模型同時(shí)運(yùn)行依然能夠達(dá)到20fps+。

技術(shù)領(lǐng)域

本發(fā)明屬于深度學(xué)習(xí)語義分割領(lǐng)域，更具體的涉及一種基于深度學(xué)習(xí)語義分割的低速園區(qū)無人車巡航及緊急制動(dòng)系統(tǒng)。

背景技術(shù)

語義分割，對(duì)圖片的每個(gè)像素都做分類。較為重要的語義分割數(shù)據(jù)集有：VOC2012nbsp；以及 MSCOCOnbsp；現(xiàn)有的傳統(tǒng)機(jī)器學(xué)習(xí)方法有：像素級(jí)的決策樹分類，參考TextonForestnbsp；以及 Random Forest based classifiersnbsp。再有就是深度學(xué)習(xí)方法。更確切地說，是卷積神經(jīng)網(wǎng)絡(luò)。深度學(xué)習(xí)最初流行的分割方法是，打補(bǔ)丁式的分類方法 (patch classification )。逐像素地抽取周圍像素對(duì)中心像素進(jìn)行分類。由于當(dāng)時(shí)的卷積網(wǎng)絡(luò)末端都使用全連接層 ( full connected layers ) ，所以只能使用這種逐像素的分割方法。2014年，來自伯克利的 Fully Convolutional Networks(FCN)nbsp卷積網(wǎng)絡(luò)，去掉了末端的全鏈接層。隨后的語義分割模型基本上都采用了這種結(jié)構(gòu)。除了全鏈接層，語義分割另一個(gè)重要的問題是池化層。池化層能進(jìn)一步提取抽象特征增加感受域，但是丟棄了像素的位置信息。但是語義分割需要類別標(biāo)簽和原圖像對(duì)齊，因此需要從新引入像素的位置信息。有兩種不同的架構(gòu)可以解決此像素定位問題。第一種是編碼-譯碼架構(gòu)。編碼過程通過池化層逐漸減少位置信息、抽取抽象特征；譯碼過程逐漸恢復(fù)位置信息。一般譯碼與編碼間有直接的連接。該類架構(gòu)中U-netnbsp是最流行的。第二種架構(gòu)是膨脹卷積 (dilated convolutions ) ，拋棄了池化層，使用的卷積核如圖1。

條件隨機(jī)場的后處理經(jīng)常用來提高分割的精確度，后處理利用圖像的光感強(qiáng)度（可理解為亮度），將周圍強(qiáng)度相近的像素分為同一類，能提高 1-2個(gè)百分點(diǎn)。

PID橫向控制，PID控制器（比例-積分-微分控制器）由比例單元P、積分單元I和微分單元D組成。PID控制的基礎(chǔ)是比例控制；積分控制可消除穩(wěn)態(tài)誤差，但可能增加超調(diào)；微分控制可加快大慣性系統(tǒng)響應(yīng)速度以及減弱超調(diào)趨勢。PID控制在工業(yè)領(lǐng)域應(yīng)用廣泛，參數(shù)少，簡單易用，消耗運(yùn)算很少，成本極低。圖2中，δ∈[δmin，δmax]為滿足車輛動(dòng)態(tài)姿態(tài)限制的方向盤轉(zhuǎn)角，Vr∈[δmin，δmax]為前向速度。而對(duì)這些狀態(tài)量的控制可以是一個(gè)典型的PID反饋控制系統(tǒng)。其中e(t)代表當(dāng)前的跟蹤誤差，而這個(gè)跟蹤的變量誤差可以是軌跡的縱向/橫向誤差，角度/曲率誤差或者是若干車輛姿態(tài)狀態(tài)變量的綜合誤差。其中P控制器代表對(duì)當(dāng)前誤差的反饋，其增益由KP控制；I和D控制器分別代表積分項(xiàng)和微分項(xiàng)，其增益分別有KI和KD來控制。控制車輛盡可能遵循上游動(dòng)作規(guī)劃（Motion Planning）所輸出的時(shí)空軌跡。可以使用兩個(gè)基于PID反饋控制的控制器來分別控制方向盤轉(zhuǎn)角δ以及前進(jìn)速度Vs。

現(xiàn)有技術(shù)的不足和缺點(diǎn)：

A: 陳家凡. 基于機(jī)器視覺的車道線識(shí)別與預(yù)警[D].浙江理工大學(xué)，2018.

論文所選用的實(shí)驗(yàn)場景方面基本偏向于城市和高速兩大主要場景，在這兩個(gè)場景的基礎(chǔ)上，對(duì)車道線識(shí)別與預(yù)警算法做了相應(yīng)的改進(jìn)，使其主要針對(duì)該場景。因?yàn)橐惶姿惴ㄊ菬o法都適合不同場景和不同天氣條件。

B: 董瑩瑩. 基于機(jī)器視覺的車輛和車道線檢測研究[D].湖南大學(xué)，2018.