一种在线学习和实时估计路面状态的方法技术

本发明专利技术公开了一种在线学习和实时估计路面状态的方法，该方法包括分类器离线粗训练，在线更新和实时估计三个步骤，其中分类器离线粗训练包括路面的图像采集、图像粗标注、分类器训练，在线更新根据动力学得到精确的路面附着系数对路面附着系数估计图进行修正，得到原始图像与修正的路面附着系数估计图用于分类器在线训练，分类器可以实时估计出精确的路面附着系数图，用于车辆主动安全与智能化功能设计。本发明专利技术使用常见的视觉传感器可完成对路面附着系数的估计，估计结果准确，为主动安全系统和智能驾驶系统的设计提供了很好的基础。

A Method of Online Learning and Real-time Estimation of Pavement State

【技术实现步骤摘要】
一种在线学习和实时估计路面状态的方法
本专利技术涉及机器视觉进行路面状态预测和辨识领域，具体的说，是涉及一种在线学习和实时估计路面状态的方法。
技术介绍
现有技术中，路面附着系数的估计方法主要有两种，一种是基于结果的路面附着系数估计方法，另一种是基于原因的路面附着系数估计方法。基于结果的方法对于路面附着系数估计虽然准确可靠，但是由于动力学建模较为复杂，实时性难以保证；而且，基于动力学的方法是属于基于结果的方法，即物体与路面接触才能估计，这样的估计结果即便准确，也难以对一些极限工况产生及时干预和控制。基于原因的方法对路面识别都具有一定的主动预测性，可以在接触之前识别和估计路面状态，但如果加装传感器过于复杂或成本较高，则会失去其商业推广价值；其次，光学传感器对工作环境要求苛刻，超声波和电磁波等受环境影响大，鲁棒性差，且均存在不能在线学习的问题，导致准确性受样本影响大，方法在未经测试的路面性能下降明显。以上不足，有待改进。
技术实现思路
为了克服现有的技术的不足,本专利技术提供一种在线学习和实时估计路面状态的方法。本专利技术技术方案如下所述：一种在线学习和实时估计路面状态的方法，其特征在于，包括以下步骤：分类器离线粗训练：通过视觉传感器采集不同路面工况的原始图像；对所述原始图像数据进行标注，形成路面附着系数粗估计数据集；以及利用所述路面附着系数粗估计数据集对粗分类器进行端到端的训练；在线更新：通过所述视觉传感器获取第一路面图像，并输入到所述粗分类器得到路面附着系数估计图；将所述原始图像与所述路面附着系数估计图储存在缓冲区；通过车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数估计图内的像素匹配；根据车辆动力学获得精确的第一路面附着系数，并修正所述路面附着系数估计图中与该车辆的车轮轨迹对应像素的附着系数；以及将修正后的所述路面附着系数估计图与其对应的所述原始图像保存成数据对，当所述数据对数量超过预设值时，利用所述数据对对所述粗分类器进行在线更新训练，获得精分类器。实时估计：通过所述视觉传感器获取第二路面图像，并输入到所述精分类器实时得到路面附着系数图；通过所述车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数图内的像素匹配；以及根据所述车辆动力学实时获得精确的第二路面附着系数。根据上述方案的本专利技术，其特征在于，所述视觉传感器为单目相机、双目相机或者立体3D相机。根据上述方案的本专利技术，其特征在于，所述粗分类器为决策树、随机森林、深度卷积神经网络、深度卷积神经网络与递归神经网络及其变体的组合或者深度卷积神经网络与条件随机场的组合。根据上述方案的本专利技术，其特征在于，所述路面附着系数估计图每一个像素点都被分配路面附着系数粗估计结果，且该结果与所述原始图像对应位置像素相对应，从而反映所述原始图像路面状态。根据上述方案的本专利技术，其特征在于，所述路面附着系数估计图每一个像素点都代表所述原始图像对应位置像素的粗估路面附着系数。根据上述方案的本专利技术，其特征在于，所述路面附着系数估计图可以在所述车辆静止或运动过程中获取。根据上述方案的本专利技术，其特征在于，当计算出所述车辆的车轮进入第一张所述路面附着系数估计图区域范围内时，将所述路面附着系数估计图的像素与所述车辆的车轮轨迹进行对应和匹配。根据上述方案的本专利技术，其特征在于，所述步骤S2，更包括：所述粗分类器在线更新训练后，清空所述缓冲区存储的所述原始图像与其对应所述路面附着系数估计图，并重新采集数据进行存储，更新后的所述粗分类器继续产生所述路面附着系数估计图。根据上述方案的本专利技术，其特征在于，当所述路面附着系数估计图的结果与修正后的所述路面附着系数估计图的结果差别小于预设值时，在线更新训练停止，获得所述精分类器。根据上述方案的本专利技术，其特征在于，当所述路面附着系数估计图的结果与所述车辆动力学估计的结果差异超出预设值，在线更新训练重新开始。本专利技术使用常见的视觉传感器即可完成对路面附着系数的估计，安装简单、实现方便；由于在设计过程中即考虑方案的在线学习功能，更能适应不同的工况，且方法为主动预测型，在轮胎与路面接触之前就可对路面附着系数进行实时、准确的估计，为主动安全系统和智能驾驶系统的设计提供了很好的基础。附图说明图1为本专利技术一实施例的一种在线学习和实时估计路面状态的方法流程图；图2为本专利技术一实施例的第一种视觉传感器布置方案；图3为本专利技术一实施例的第二种视觉传感器布置方案；图4为本专利技术一实施例的第三种视觉传感器布置方案；图5为本专利技术一实施例的粗训练分类器结构；图6为本专利技术一实施例的在线更新实时估计阶段的分类器结构；图7为本专利技术一实施例的在线更新阶段，粗分类器与修正为精分类器提供训练数据的过程。具体实施方式下面结合附图以及实施方式对本专利技术进行进一步的描述：如图1至图7所示，一种在线学习和实时估计路面状态的方法，包括以下步骤：S1：分类器离线粗训练：通过视觉传感器采集不同路面工况的原始图像；对原始图像数据进行标注，形成路面附着系数粗估计数据集；以及利用路面附着系数粗估计数据集对粗分类器进行端到端的训练；S2：在线更新：通过视觉传感器获取第一路面图像，并输入到粗分类器得到路面附着系数估计图；将原始图像与路面附着系数估计图储存在缓冲区；通过车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与路面附着系数估计图内的像素匹配；根据车辆动力学获得精确的第一路面附着系数，并修正路面附着系数估计图中与该车辆的车轮轨迹对应像素的附着系数；以及将修正后的路面附着系数估计图与其对应的原始图像保存成数据对，当数据对数量超过预设值时，利用数据对对粗分类器进行在线更新训练，获得精分类器。S3：实时估计：通过视觉传感器获取第二路面图像，并输入到精分类器实时得到路面附着系数图；通过车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与路面附着系数图内的像素匹配；以及根据车辆动力学实时获得精确的第二路面附着系数。优选的，步骤S2，更包括：粗分类器在线更新训练后，清空缓冲区存储的原始图像与其对应路面附着系数估计图，并重新采集数据进行存储，更新后的粗分类器继续产生路面附着系数估计图。当路面附着系数估计图的结果与修正后的路面附着系数估计图的结果差别小于预设值时，在线更新训练停止，获得精分类器。当路面附着系数估计图的结果与车辆动力学估计的结果差异超出预设值，在线更新训练重新开始。优选的，视觉传感器为单目相机、双目相机或者立体3D相机，本专利技术采用双目相机作为视觉传感设备，双目相机由于安装处理灵活、价格便宜且可以用于估算深度信息。优选的，粗分类器为决策树、随机森林、深度卷积神经网络、深度卷积神经网络与递归神经网络及其变体的组合或者深度卷积神经网络与条件随机场的组合。优选的，路面附着系数估计图每一个像素点都被分配路面附着系数粗估计结果，且该结果与原始图像对应位置像素相对应，从而反映原始图像路面状态。优选的，路面附着系数估计图每一个像素点都代表原始图像对应位置像素的粗估路面附着系数。优选的，路面附着系数估计图可以在车辆静止或运动过程中获取。优选的，当计算出车辆的车轮进入第一张路面附着系数估计图区域范围内时，将路面附着系数估计图的像素与车辆的车轮轨迹进行对应和匹配。图2-4所示，为三种视觉传感器布置在本文档来自技高网...

【技术保护点】
1.一种在线学习和实时估计路面状态的方法，其特征在于，包括以下步骤：分类器离线粗训练：通过视觉传感器采集不同路面工况的原始图像；对所述原始图像数据进行标注，形成路面附着系数粗估计数据集；以及利用所述路面附着系数粗估计数据集对粗分类器进行端到端的训练；在线更新：通过所述视觉传感器获取第一路面图像，并输入到所述粗分类器得到路面附着系数估计图；将所述原始图像与所述路面附着系数估计图储存在缓冲区；通过车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数估计图内的像素匹配；根据车辆动力学获得精确的第一路面附着系数，并修正所述路面附着系数估计图中与该车辆的车轮轨迹对应像素的附着系数；以及将修正后的所述路面附着系数估计图与其对应的所述原始图像保存成数据对，当所述数据对数量超过预设值时，利用所述数据对对所述粗分类器进行在线更新训练，获得精分类器；估时估计：通过所述视觉传感器获取第二路面图像，并输入到所述精分类器实时得到路面附着系数图；通过所述车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数图内的像素匹配；以及根据所述车辆动力学实时获得精确的第二路面附着系数。

【技术特征摘要】
1.一种在线学习和实时估计路面状态的方法，其特征在于，包括以下步骤：分类器离线粗训练：通过视觉传感器采集不同路面工况的原始图像；对所述原始图像数据进行标注，形成路面附着系数粗估计数据集；以及利用所述路面附着系数粗估计数据集对粗分类器进行端到端的训练；在线更新：通过所述视觉传感器获取第一路面图像，并输入到所述粗分类器得到路面附着系数估计图；将所述原始图像与所述路面附着系数估计图储存在缓冲区；通过车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数估计图内的像素匹配；根据车辆动力学获得精确的第一路面附着系数，并修正所述路面附着系数估计图中与该车辆的车轮轨迹对应像素的附着系数；以及将修正后的所述路面附着系数估计图与其对应的所述原始图像保存成数据对，当所述数据对数量超过预设值时，利用所述数据对对所述粗分类器进行在线更新训练，获得精分类器；估时估计：通过所述视觉传感器获取第二路面图像，并输入到所述精分类器实时得到路面附着系数图；通过所述车载传感器对车辆进行定位和追踪，并将该车辆的车轮轨迹与所述路面附着系数图内的像素匹配；以及根据所述车辆动力学实时获得精确的第二路面附着系数。2.根据权利要求1所述的在线学习和实时估计路面状态的方法，其特征在于，所述视觉传感器为单目相机、双目相机或者立体3D相机。3.根据权利要求1所述的在线学习和实时估计路面状态的方法，其特征在于，所述粗分类器为决策树、随机森林、深度卷积神经网络、深度卷积神经网络与递归神经网络及其变体的组合或者深度卷积神经网络与条件随机场的...

【专利技术属性】
技术研发人员：杨顺，刘海贞，韩威，刘继凯，袁野，刘凯，郑思仪，陈杰，
申请(专利权)人：北京中科原动力科技有限公司，
类型：发明
国别省市：北京,11