一种智能网联汽车环境感知系统的多雷达数据融合方法技术方案

本发明专利技术提出了一种智能网联汽车环境感知系统的多雷达数据融合方法。智能网联汽车外部环境感知系统的多雷达数据存在互补性与冗余性，针对多雷达数据的互补性，本发明专利技术构建了覆盖智能网联汽车周围全部环境的菱形栅格地图，其由L个同心菱形及J条从车辆的几何中心延伸至与最外层菱形相交的径向线组成，所述菱形栅格地图不仅更加接近于多雷达探测的区域，还可以为对潜在威胁进行风险评估打下基础，从而更好的成为上层控制系统做决策依据。针对多雷达数据的冗余性，本发明专利技术提出了基于动态参数贝叶斯的多雷达数据融合方法，这种方法不仅可以有效的降低单颗雷达在真实道路环境下较高的漏检率与虚警率，还对噪声响应十分灵敏，并具有很强的鲁棒性与实时性。

A Multi-Radar Data Fusion Method for Intelligent Network-based Vehicle Environment Perception System

【技术实现步骤摘要】
一种智能网联汽车环境感知系统的多雷达数据融合方法
本专利技术涉及智能网联汽车的多传感器信息融合领域。特别涉及一种智能网联汽车环境感知系统的多雷达数据融合方法。
技术介绍
智能网联汽车是当今前沿科学技术的重要发展项目，它对于社会和经济发展、国防建设以及科技发展等多个方面都具有重大的影响。在智能网联汽车技术组成单元中，环境感知系统是至关重要的一环，是智能网联汽车安全性和智能性的保障。目前来看，智能网联汽车中对外部环境感知最重要的传感器之一是雷达，雷达可以很好的提供障碍物的位置、距离以及速度的信息，这些信息对智能网联汽车都是至关重要的。但是目前受到探测范围、噪声及制造成本的制约，单颗雷达远远达不到智能网联汽车对外部环境感知的要求，所以就要采取多颗雷达融合的方式，然而这样就对多传感器的信息融合技术有了更高的要求。交通部门的一项数据统计显示：在全部交通事故中追尾碰撞占36.03％，造成的经济损失占40.69％，导致死亡人数占55.08％，由此可见追尾碰撞居各种交通事故之首，而且多为恶性事故，所造成的事故伤害及经济损失最大。这是因为在单一行驶方向的标准化路面上，车辆都具有较高的纵向行驶速度，只有在并线、侧滑或少数其他情况时，才会具有较明显的横向速度。因此在智能网联汽车行驶时，纵向方向的潜在威胁所带来的行驶风险更高。
技术实现思路
本专利技术提出了一种面向智能网联汽车的多雷达数据融合方法。本专利技术通过构建覆盖智能网联汽车周围全部环境的菱形栅格地图来解决多雷达数据存在的互补性问题。本专利技术提出的菱形栅格地图基于对行驶风险的分析，认为在等距离的条件下，来自车辆纵向风险远高于横向风险，故将与车辆纵向夹角较小、相对距离较远的位置和与车辆纵向夹角较大、相对距离较近的位置划分在一起，这是因为其行驶风险大致相同。一种智能网联汽车环境感知系统的多雷达数据融合方法，通过构建覆盖智能网联汽车周围全部环境的菱形栅格地图来解决多雷达数据存在的互补性问题，所述菱形栅格地图由L个同心菱形及J条径向线组成，具体包括以下步骤:步骤一：读取多雷达数据：解析出雷达探测到的障碍物的角度与距离信息；步骤二：判断障碍物所属的菱形栅格地图区域；步骤三：多雷达数据的初步判断：若探测到该位置有障碍物的雷达数目为零，则该位置输出为无障碍物区域；若探测到该位置有障碍物的雷达数目与探测范围覆盖此区域的雷达数目相同，则该位置输出为有障碍物区域；若探测到该位置有障碍物的雷达数目即不为零也小于探测范围覆盖此区域的雷达数目，则通过步骤四进行判断；步骤四：基于动态参数贝叶斯的多雷达数据融合；公式(1)为贝叶斯推理的组合公式；P(Ei|Hj)的取值：将每颗雷达前z帧的探测结果与多雷达融合后的输出结果作比较，得到其漏检率和虚警率，再将此值作为自变量通过函数f(t)得到先验概率值P(Ei|Hj)；P(Hj)的取值：计算菱形栅格地图中每个栅格及其8邻接的栅格在前五帧被各颗雷达探测到有障碍物的次数，并将这个次数与探测范围覆盖此区域的雷达个数做比值，再将此比值通过与阈值y(3≤y≤5)做比较来确定P(Hj)的取值；在确定先验概率值后，通过贝叶斯推理的组合公式，计算出P(H1|Ex)与P(H0|Ex)的比值。若比值大于阈值r(0.5≤r≤2)，则该位置输出为有障碍物区域；若比值小于阈值r(0.5≤r≤2)，则该位置输出为无障碍物区域；步骤五：将多雷达数据融合结果输出；改变经过多雷达融合后判断为有障碍物的小栅格的颜色，没有障碍物的位置颜色保持不变，并显示在人机交互界面上，另外将有障碍物的区域发送至上层控制系统，并成为其做决策的依据。所述步骤二判断障碍物所属的菱形栅格地图区域的方法，首先通过角度信息可以得到障碍物在与纵向正方向角度为d×n及d×(n+1)的两条径向线(JnJn+1)之间；接下来由障碍物的距离信息，通过三角形的正弦定理求得障碍物投影在纵向方向的距离，此距离再与菱形地图的纵向参数作比较，判断出所属的同心菱形区域(LhLh+1)，最后就可以确定障碍物出现在的Lnh区域。附图说明图1菱形栅格地图示意图；图2菱形栅格地图的工作流程图；图3多雷达在智能网联汽车上的安装分布图。有益效果本专利技术提出的融合方法能够有效地将多个雷达数据进行信息融合，不仅有效降低了单颗雷达探测时较高的漏检率与虚警率，还更加适应真实的道路环境。将其应用到智能网联汽车中可以很好地对外部环境进行感知，从而成为上层控制系统做决策依据。具体实施方式本专利技术针对面向智能网联汽车的多雷达数据所存在的互补性与冗余性，提出了一种多雷达数据融合的方法。针对多雷达数据的互补性，本方法提出了菱形栅格地图的构建方法，相比于其他形状的栅格地图，不仅更加接近于多雷达探测的区域，还可以为对潜在威胁进行更加合理地风险评估打下基础，从而更好的成为上层控制系统做决策依据。针对多雷达数据的冗余性，本专利技术提出了基于动态参数贝叶斯的多雷达数据融合方法，这种方法不仅可以有效的降低单颗雷达在噪声环境下较高的漏检率与虚警率，还对噪声响应十分灵敏，并具有很强的鲁棒性与实时性。菱形栅格地图(如图1所示)由L个同心菱形及J条径向线组成。同心菱形的中心为车辆的几何中心，纵向参数为c1×n(n＝1,2,3,..,k)，纵向正方向为车辆后轴中心点指向车辆前轴中心点的方向。横向参数为c2×n(n＝1,2,3,..,k)，横向正方向为俯视条件下，车身左侧指向右侧的的方向。径向线以纵向正方向为基准每相隔d度从车辆的几何中心延伸至与最外层菱形相交的位置。目前应用较广的栅格地图划分方法是矩形栅格地图和圆形栅格地图。然而使用矩形栅格地图时，将角度与距离转换成了位置坐标，从而忽略掉了非常重要的角度信息；使用圆形栅格地图时，更多的考虑了距离的一致，而行驶在真实的道路环境下，受到车道线宽度及道路宽度等因素的影响，车辆横向行驶的范围远低于纵向行驶范围，横向速度也远低于纵向速度，因此来自车辆横向风险远低于纵向，所以圆形栅格地图存在一定的局限性。此外，在考虑牺牲小部分雷达探测极值距离,探测效果不稳定且对安全驾驶影响相对较弱的区域的情况下，菱形栅格地图的雷达探测覆盖率要远高于矩形栅格地图和圆形栅格地图。综合上述分析，本专利技术认为：菱形栅格地图不仅能够有效地将多雷达数据进行信息融合，还可以对潜在威胁进行更加合理地风险评估打下基础，从而更好的成为上层控制系统做决策依据。本专利技术对菱形栅格地图的工作流程做出详细的规划(如图2所示)，具体包括以下步骤:步骤一：读取多雷达数据。i代表第i颗雷达，j代表第i颗雷达探测到的障碍物。通过雷达坐标系与车辆坐标系转化，得到雷达探测到的障碍物的角度aij(单位：度)信息，与距离sij(单位：米)信息。步骤二：判断障碍物所属的菱形栅格地图区域(如图3所示)。首先输入aij与sij，并判断每颗雷达探测到的障碍物数目z(l)＝m(l＝1,2,...,imax)。之后初始化i，j及gnh，并令a＝aijs＝sij，这是为了可以依次进行菱形栅格地图位置判断。然后判断角度：可以得到障碍物在与纵向正方向角度为d×n及d×(n+1)的两条径向线(JnJn+1)之间，再进行距离判断，已知障碍物的距离sij，且知道障碍物的角度aij(通过其判断出与纵向方向的最小夹角b),而另外一个顶角由菱形地图的参数确定本文档来自技高网...

【技术保护点】
1.一种智能网联汽车环境感知系统的多雷达数据融合方法，其特征在于：通过构建覆盖智能网联汽车周围全部环境的菱形栅格地图来解决多雷达数据存在的互补性问题，所述菱形栅格地图由L个同心菱形及J条径向线组成，具体包括以下步骤:步骤一：读取多雷达数据：解析出雷达探测到的障碍物的角度与距离信息；步骤二：判断障碍物所属的菱形栅格地图区域；步骤三：多雷达数据的初步判断：若探测到该位置有障碍物的雷达数目为零，则该位置输出为无障碍物区域；若探测到该位置有障碍物的雷达数目与探测范围覆盖此区域的雷达数目相同，则该位置输出为有障碍物区域；若探测到该位置有障碍物的雷达数目即不为零也小于探测范围覆盖此区域的雷达数目，则通过步骤四进行判断；步骤四：基于动态参数贝叶斯的多雷达数据融合；

【技术特征摘要】
1.一种智能网联汽车环境感知系统的多雷达数据融合方法，其特征在于：通过构建覆盖智能网联汽车周围全部环境的菱形栅格地图来解决多雷达数据存在的互补性问题，所述菱形栅格地图由L个同心菱形及J条径向线组成，具体包括以下步骤:步骤一：读取多雷达数据：解析出雷达探测到的障碍物的角度与距离信息；步骤二：判断障碍物所属的菱形栅格地图区域；步骤三：多雷达数据的初步判断：若探测到该位置有障碍物的雷达数目为零，则该位置输出为无障碍物区域；若探测到该位置有障碍物的雷达数目与探测范围覆盖此区域的雷达数目相同，则该位置输出为有障碍物区域；若探测到该位置有障碍物的雷达数目即不为零也小于探测范围覆盖此区域的雷达数目，则通过步骤四进行判断；步骤四：基于动态参数贝叶斯的多雷达数据融合；公式(1)为贝叶斯推理的组合公式；P(Ei|Hj)的取值：将每颗雷达前z帧的探测结果与多雷达融合后的输出结果作比较，得到其漏检率和虚警率，再将此值作为自变量通过函数f(t)得到先验概率值P(Ei|Hj)；P(Hj)的取值：计算菱形栅格地图中每个栅格及其8邻接的栅格在前五帧被各颗雷达探测到有障碍物的次数，并将...

【专利技术属性】
技术研发人员：刘富，孙韧韬，刘云，侯涛，康馨匀，刘璐，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22