一种基于SLAM技术的障碍物高精度识别系统技术方案

本发明专利技术公开了一种基于SLAM技术的障碍物高精度识别系统，所述系统由相机与激光雷达作为传感器，通过深度学习的方法来实现障碍物的高精度识别，从而实现路径规划与导航避障功能。所述系统中相机用于图像采集获取RGB彩色图像，通过深度学习映射模型实现从图像到三维场景的RGB可视化映射，再通过深度学习估计模型估计像素点的坐标，从而进行位姿估计，实现自身定位，同时将彩色图像经过灰度处理后提取特征；激光雷达用于进行点云信息采集，所采集到的点云信息进行处理后提取特征信息，获取周边障碍物的位置信息。由图像提取到的特征信息和由点云提取到的特征信息进行交叉对比、信息组合及障碍物信息优化处理，从而进行决策与路线指定，同时由得到的特征信息进行特征对象的追踪，提高障碍物识别精度。提高障碍物识别精度。

【技术实现步骤摘要】
一种基于SLAM技术的障碍物高精度识别系统


[0001]本专利技术涉及智能驾驶
，具体为一种基于SLAM技术的障碍物高精度识别系统。

技术介绍

[0002]目前用在智能驾驶领域的主流SLAM趋向于多传感器融合技术，旨在提供更精确的主动建图与导航避障，但在现实生活中，障碍物的类型多样性极大限制了车辆的导航避障能力，在智能驾驶技术的实际应用中导致频频交通事故，已成为亟待解决的难题。

技术实现思路

[0003]本专利技术的目的在于提供一种基于SLAM技术的障碍物高精度识别系统，以解决上述
技术介绍
中提出的问题。
[0004]为实现上述目的，本专利技术提供如下技术方案：
[0005]本专利技术提供了一种基于SLAM技术的障碍物高精度识别系统，包括相机传感器和激光雷达传感器；
[0006]所述相机传感器，用于图像采集获取RGB彩色图像；
[0007]通过深度学习映射模型实现从图像到三维场景的RGB可视化映射；
[0008]再通过深度学习估计模型估计像素点的坐标，从而估计相机位姿，实现自身定位；
[0009]同时彩色图像经过灰度处理，进行特征识别与特征提取；
[0010]所述激光雷达传感器，由激光雷达技术获得周围空间信息；
[0011]通过点云聚类分割将障碍物从背景信息中分离出来；
[0012]再由物体框线检测与最小凸包法得到障碍物包围最小面积，之后利用激光雷达采集的空间信息进行全景地图绘制；
[0013]再对采集到的点云信息进行点云处理提取特征信息，获取周边障碍物的位置信息；
[0014]所述由相机传感器采集到的图像信息中提取到的特征与激光雷达传感器采集到的点云信息中提取到的特征，进行交叉对比与信息重组及障碍物信息优化处理后，经控制与识别模块进行决策从而进行路线的制定；
[0015]同时，根据重组及优化后的信息由特征对象追踪模块进行特征对象的跟踪与行为预测；
[0016]并将反馈信息传递回信息组合处，经过信息重组后实时更新路径规划。
[0017]所述RGB彩色图像为采集的原色调图像；
[0018]所述深度学习映射模型用于实现从图像到三维场景的RGB可视化映射；
[0019]所述深度学习估计模型用于估计像素点的坐标，从而估计相机位姿，实现自身定位；
[0020]所述灰度图像为灰度化的图像；
[0021]所述特征识别用于识别灰度图像与点云信息中的特征对象；
[0022]所述特征提取用于提取特征识别模块中灰度图像与点云信息的特征对象；
[0023]所述激光雷达用于采集获得周围空间点云信息；
[0024]所述点云聚类分割用于将障碍物从背景信息中分离出来；
[0025]所述物体框线检测与最小凸包法用于得到障碍物包围最小面积；
[0026]所述全景地图绘制利用激光雷达获取的信息绘制全景地图。
[0027]所述交叉对比用于将相机采集的图像信息中的特征对象与激光雷达采集的空间点云信息的特征对象进行交叉对比，并将属于同一物品的特征对象进行信息重组及障碍物信息优化处理；
[0028]所述控制模块根据信息重组传递的特征对象信息建立实时行走路线；
[0029]所述识别模块包括轨迹识别、动态物体识别和行为预测；
[0030]所述轨迹识别用于判断特征对象行走的轨迹；
[0031]所述动态物体识别用于对动态物体进行识别；
[0032]所述行为预测用于对动态物体进行行为预测；
[0033]所述特征对象追踪用于追踪特征对象。
[0034]本专利技术的有益效果是：1、本专利技术通过相机采集的原色图像经过深度学习映射模型实现从图像到三维场景的RGB可视化映射，再通过深度学习估计模型估计像素点的坐标，从而估计相机位姿，实现自身定位；为了减轻数据的计算负担，将相机的彩色图像进行灰度化处理，用于特征提取；空间信息采集基于激光雷达输出的点云数据进行特征提取，获取周边障碍物的位置信息，传输给交叉对比模块，信息重组模块将特征对象进行组合及障碍物信息优化处理，并传递至控制模块处，建立实时行走路线，从而达到提高障碍物识别精度的目的；2、本专利技术同时还通过识别模块中的动态物体识别，识别特征对象是否为动态物体，并经由信息组合将动态特征传递至特征对象追踪模块处，通过特征对象追踪模块实时追踪特征对象，对其行为进行预测，并将反馈传递回信息组合处，控制模块实时制定规避路线。
附图说明
[0035]图1为本专利技术整体结构控制框图；
[0036]图中：前端数据采集，包括相机传感器与激光雷达传感器；后端数据处理，包括信息交叉对比、信息重组、特征对象追踪与路线制定。
具体实施方式
[0037]步骤一：在使用时，该专利技术利用相机传感器和激光雷达传感器，所述相机传感器用于图像采集获取RGB彩色图像，通过深度学习映射模型实现从图像到三维场景的RGB可视化映射，再通过深度学习估计模型估计像素点的坐标，从而估计相机位姿，实现自身定位，同时彩色图像经过灰度处理，进行特征识别与特征提取。
[0038]步骤二：由激光雷达技术获得周围空间信息，通过点云聚类分割将障碍物从背景信息中分离出来，再由物体框线检测与最小凸包法得到障碍物包围最小面积，之后利用激
光雷达采集的空间信息进行全景地图绘制，再对采集到的点云信息进行点云处理提取特征信息，获取周边障碍物的位置信息。
[0039]步骤三：所述由相机传感器采集到的图像信息中提取到的特征与激光雷达传感器采集到的点云信息中提取到的特征，进行交叉对比与信息重组及障碍物信息优化处理后，经控制与识别模块进行决策从而进行路线的制定；同时，根据重组及优化后的信息由特征对象追踪模块进行特征对象的跟踪与行为预测，并将反馈传递回信息组合处，控制模块实时制定规避路线。
[0040]需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0041]尽管已经描述了本专利技术的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本专利技术的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本专利技术的范围由所附权利要求及其等同物限定。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SLAM技术的障碍物高精度识别系统，包括相机和激光雷达，其特征在于：所述相机传感器，用于图像采集获取RGB彩色图像，通过深度学习映射模型实现从图像到三维场景的RGB可视化映射，再通过深度学习估计模型估计像素点的坐标，从而进行自身位姿估计，同时彩色图像经过灰度处理，进行特征识别与特征提取；所述激光雷达用于点云信息的采集，并对采集到的点云信息进行...

【专利技术属性】
技术研发人员：崔高健，商小强，贺红春，陆柏霖，李博士，楚明杨，李绍松，张袅娜，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：