一种自动驾驶车在恶劣天气防碰撞方法技术

本发明专利技术公开了了一种自动驾驶车在恶劣天气的防碰撞方法，通过RTK和IMU+轮速组成的高精组合惯导，实现基于混合路段时间空间对齐的自车车辆定位；通过对外部传感器采集数据的动态置信度判定进行他车车辆的定位；将置信度最高的传感器感知结果作为聚类中心；将云端粗粒度预测轨迹和自车细粒度预测轨迹两种优势相结合，实现自动驾驶车的精准防碰撞。本发明专利技术解决了在恶劣天气下，由于各类传感器的类型、分辨率、数量、自车周围障碍物的距离、天气可见度、干扰物的不同，对传感器的效果产生影响的问题；解决了云端向车端下发的预测轨迹不准确的问题；解决了云端对于车端下发的预测轨迹对于车端只是一个粗粒度防碰撞的效果，达不到精准防碰撞的效果的问题。准防碰撞的效果的问题。准防碰撞的效果的问题。

【技术实现步骤摘要】
一种自动驾驶车在恶劣天气防碰撞方法


[0001]本专利技术涉及车辆预防碰撞领域，具体涉及一种自动驾驶车在恶劣天气防碰撞方法。

技术介绍

[0002]自动驾驶车利用车载传感器实时进行车辆行驶环境分析、并进行车辆轨迹预测，从而实现自动驾驶。但在恶劣天气情况下和遇到信号不稳定路段的情况下，自动驾驶车所依赖的车载传感器往往会不同程度地降低灵敏度甚至失效，给自动驾驶车防碰撞带来很大困难。
[0003]恶劣天气自动驾驶车防碰撞的难点之一：恶劣天气对各类传感器采集数据的准确有着更高的要求，但恶劣天气随着各类传感器的类型、分辨率、数量、自车周围障碍物的距离、天气可见度、干扰物的不同，都会对传感器的感知效果产生影响。各类传感器包括用于自车定位的传感器，如RTK系统、IMU、轮速仪，以及用于自车观测他车的外部传感器，如相机、雷达、毫米波雷达；所述恶劣天气对传感器感知效果产生影响，如RTK系统会受到电离层的影响，台风或雷会产生压力波向上激发引起电离层扰动；RTK系统对行驶在高架桥下或隧道中的车辆也会产生信号不稳定的影响；恶劣天气还会对外部传感器的感知效果产生影响，例如雾、雨、雪或极端光照条件下，包括低光照或低反射物体，多模式传感器配置可能会不对称地失效。例如，传统的RGB相机在弱光场景区域中会产生不可靠的嘈杂测量，而扫描激光雷达传感器在雨雪中，小颗粒同样会通过反向散射影响激光雷达深度估计。在有雾或雪的天气下，由于反向散射，最新的脉冲激光雷达系统被限制在小于20m的范围内。
[0004]恶劣天气自动驾驶车防碰撞的难点之二：在恶劣天气下，由于自车的观测范围较平时更为局限，如大雾天气伸手不见五指，自车传感器对周围障碍物观测不清，因此更为依赖云端实时路况进行安全的自动驾驶，而云端的实时路况来自于自车实时上传的各类传感器的感知数据，由于自车在上传感知数据时，并未根据传感器的类型、分辨率、数量、自车周围障碍物的距离、天气可见度、干扰物向云端提供每类传感器当时的置信度分数，云端也并未根据每类传感器当时的置信度分数筛选预测轨迹的每个轨迹点，导致云端向车端下发的针对自车周围障碍物(他车)的预测轨迹是不准确的。
[0005]恶劣天气自动驾驶车防碰撞的难点之三：第一，云端向自车下发的m秒内的预测轨迹，其轨迹上的每个点只代表车辆m秒内各个几何中心点的位置、不能代表车辆的宽和长或车辆的大和小，当自车和他车车体较长或较宽时，虽然云端给出的当前时刻自车和他车的轨迹还没有相交，但是由于两辆车辆尺寸比较大，可能此时已经发生了蹭车或碰撞的危险。第二、云端能够提供m秒内多条预测轨迹、但不能提供自车接到云端预测轨迹时自车在轨迹上的位置，云端下发预测轨迹的时刻是t0时刻，而自车接到云端轨迹的时刻是t1时刻，从t0到t1自车又行驶了一段距离，如果让云端把自车未来接到预测轨迹那一时刻的位置也计算出来，则云端的运算量就会很大，导致云端向自车的响应时间就会延长。总之，云端对于车端下发的预测轨迹对于车端只是一个粗粒度防碰撞的效果，达不到精准防碰撞的效果。

技术实现思路

[0006]本专利技术针对现有技术的不足，提出一种自动驾驶车在恶劣天气防碰撞方法，第一目的在于解决在恶劣天气下，由于各类传感器的类型、分辨率、数量、自车周围障碍物的距离、天气可见度、干扰物的不同，都会对传感器的效果产生影响的问题；第二目的在于解决云端对传感器感知结果没有进行置信度的分析和基于置信度的融合，导致云端向车端下发的的预测轨迹是不准确的问题；第三目的在于解决云端对于车端下发的预测轨迹对于车端只是一个粗粒度防碰撞的效果，达不到精准防碰撞的效果的问题。
[0007]本专利技术为解决其技术问题提出以下技术方案。
[0008]本专利技术设计了一种自动驾驶车在恶劣天气防碰撞方法，包括以下步骤：
[0009]步骤一、自车数据采集与融合，通过自车的车载传感器进行自车位姿信息与其他车辆信息采集，对所有外部传感器进行置信度判定，将同种传感器数据进行时间空间对齐后上传至云端；
[0010]步骤二、云端数据融合，对于多车辆上传的数据进行聚类，对聚类为同一辆车的数据进行时间空间对齐；
[0011]步骤三、路况融合预测，界定预测范围和优先级，并传达范围内的预测结果；
[0012]步骤四、风险规避，判断自车和其他车的运动轨迹是否存在碰撞危险，存在危险时利用TTC紧急制动模型采取警告或制动措施；
[0013]其特点是：
[0014]所述步骤一的自车位姿信息采集，通过RTK和IMU+轮速组成的高精组合惯导，实现基于混合路段时间空间对齐的自车车辆定位；所述步骤一的其他车辆信息采集，通过对外部传感器采集数据的动态置信度判定进行他车车辆的定位；所述外部传感器包括安装在自车上的相机、毫米波雷达、激光雷达；所述混合路段包括信号正常的路段和信号不稳定的路段；
[0015]所述步骤二的云端数据融合，将置信度最高的传感器感知结果作为聚类中心；
[0016]所述步骤四的风险规避，将云端粗粒度预测轨迹和自车细粒度预测轨迹两种优势相结合，实现自动驾驶车的精准防碰撞。
[0017]进一步地，所述步骤一的自车位姿信息采集，通过RTK和IMU+轮速组成的高精组合惯导，实现基于混合路段时间空间对齐的自车车辆定位，具体过程如下：
[0018]1)在信号正常的道路中行驶时，使用RTK进行车辆定位；
[0019]2)在车辆通过高架桥底信号不稳定的路段或由于雨雪雷电等恶劣天气导致信号不稳定时，在信号不稳定前的原有RTK数据基础上使用IMU+轮速持续进行车辆定位。
[0020]进一步地，所述步骤一的过程2)的具体步骤如下：
[0021]①
设定IMU的坐标系与车体坐标系一致，所述车体坐标系为：以车辆后轴中心为原点，车辆前进方向为正前方，x轴指向正前方，y轴指向正左方，z轴指向正上方；
[0022]②
进行RTK数据与IMU+轮速数据间的时间、空间对齐，RTK采集的数据位于世界坐标系下，右上角角标W代表世界坐标系；所述进行RTK数据与IMU+轮速数据间的时间、空间对齐，即为求得IMU在t
RTK
时刻的车体坐标系下的位姿B代表车体坐标系。
[0023]进一步地，所述过程
②
的时间空间对齐方法，具体如下：
[0024]a.取信号不稳或信号消失前的最后一个采集的RTK数据，将其对应的时间记为t
RTK
，找到最接近且早于t
RTK
时刻的第一个IMU数据作为起点t
start
，最接近且刚好晚于t
RTK
时刻的IMU数据时间作为终点t
end
；
[0025]b.在t
RTK
时刻基于世界坐标系的RTK位姿为t
start
与t
end
时刻基于IMU坐标系的IMU位姿为B代表Body，即车体坐标系；借助IMU数据使用线性插值法获取t
RTK
时刻的IMU在t本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自动驾驶车在恶劣天气的防碰撞方法，包括以下步骤：步骤一、自车数据采集与融合，通过自车的车载传感器进行自车位姿信息与其他车辆信息采集，对所有外部传感器进行置信度判定，将同种传感器数据进行时间空间对齐后上传至云端；步骤二、云端数据融合，对于多车辆上传的数据进行聚类，对聚类为同一辆车的数据进行时间空间对齐；步骤三、路况融合预测，界定预测范围和优先级，并传达范围内的预测结果；步骤四、风险规避，判断自车和其他车的运动轨迹是否存在碰撞危险，存在危险时利用TTC紧急制动模型采取警告或制动措施；其特征在于：所述步骤一的自车位姿信息采集，通过RTK和IMU+轮速组成的高精组合惯导，实现基于混合路段时间空间对齐的自车车辆定位；所述步骤一的其他车辆信息采集，通过对外部传感器采集数据的动态置信度判定进行他车车辆的定位；所述外部传感器包括安装在自车上的相机、毫米波雷达、激光雷达；所述混合路段包括信号正常的路段和信号不稳定的路段；所述步骤二的云端数据融合，将置信度最高的传感器感知结果作为聚类中心；所述步骤四的风险规避，将云端粗粒度预测轨迹和自车细粒度预测轨迹两种优势相结合，实现自动驾驶车的精准防碰撞。2.根据权利要求1所述一种自动驾驶车在恶劣天气的防碰撞方法，其特征在于：所述步骤一的自车位姿信息采集，通过RTK和IMU+轮速组成的高精组合惯导，实现基于混合路段时间空间对齐的自车车辆定位，具体过程如下：1)在信号正常的道路中行驶时，使用RTK进行车辆定位；2)在车辆通过高架桥底信号不稳定的路段或由于雨雪雷电等恶劣天气导致信号不稳定时，在信号不稳定前的原有RTK数据基础上使用IMU+轮速持续进行车辆定位。3.根据权利要求2所述一种自动驾驶车在恶劣天气的防碰撞方法，其特征在于：所述步骤一的过程2)的具体步骤如下：
①
设定IMU的坐标系与车体坐标系一致，所述车体坐标系为：以车辆后轴中心为原点，车辆前进方向为正前方，x轴指向正前方，y轴指向正左方，z轴指向正上方；
②
进行RTK数据与IMU+轮速数据间的时间、空间对齐，RTK采集的数据位于世界坐标系下，右上角角标W代表世界坐标系；所述进行RTK数据与IMU+轮速数据间的时间、空间对齐，即为求得IMU在t
RTK
时刻的车体坐标系下的位姿B代表车体坐标系。4.根据权利要求3所述一种自动驾驶车在恶劣天气的防碰撞方法，其特征在于：所述过程
②
的时间空间对齐方法，具体如下：a.取信号不稳或信号消失前的最后一个采集的RTK数据，将其对应的时间记为t
RTK
，找到最接近且早于t
RTK
时刻的第一个IMU数据作为起点t
start
，最接近且刚好晚于t
RTK
时刻的IMU数据时间作为终点t
end
；b.在t
RTK
时刻基于世界坐标系的RTK位姿为t
start
与t
end
时刻基于IMU坐标系的IMU位姿为B代表Body，即车体坐标系；借助IMU数据B代表Body，即车体坐标系；借助IMU数据使用线性插值
法获取t
RTK
时刻的IMU在t
RTK
时刻的位姿数据该线性插值法即，其中，t
RTK
＝0.01；t
start
＝0；t
end
为0.01_0.011；IMU在车体坐标系下的位姿为已知，根据上述已知条件可求出IMU在RTK时刻的车体坐标系下的位姿由此实现IMU和RTK的时间对齐；c.借助其中为已知，获取t
RTK
时刻的RTK与IMU的位姿转换关系WB代表从世界坐标系转到车体坐标系；d.获得车辆在t
RTK
到t
end
时间段内的位姿变换ΔT
R
‑
e
具体为：所述借助轮速获得车辆在t
RTK
到t
end
时间段内沿x轴方向的平移量Δx；借助IMU使用线性插值法获得车辆在t
RTK
到t
end
时间段内的在x、y、z不同方向上的旋转角度Δyaw、Δpitch和Δroll，通过旋转角差Δyaw、Δpitch、Δroll与平移量Δx积分获得车辆在t
RTK
到t
end
时间段内沿y轴和z轴方向上的平移量Δy、Δz，即可获得车辆在t
RTK
到t
end
时间段内的位姿变换ΔT
R
‑
e
；根据获取从t
RTK
到t
end
时刻的RTK与IMU的位姿转换关系上述公式等号左边为已知，ΔT
R
‑
e
为已知，因此可求出求出此后的信号不稳定的每个时刻t
imu
，从t
RTK
到t
imu
时刻的RTK与IMU的位姿转换关系即用t
imu
替换t
end
时刻，t
imu
时刻不一定是最接近且刚好晚于t
RTK
时刻的IMU数据采集时间；借助可以获取IMU采集数据在世界坐标系下的坐标。5.根据权利要求1所述一种自动驾驶车在恶劣天气的防碰撞方法，其特征在于：所述步骤一的其他车辆信息采集，通过对外部传感器采集数据的动态置信度判定，进行他车车辆的定位，具体过程如下：1)根据相机分辨率不同对相机进行动态置信度判断；2)根据传感器类型和观测距离不同对传感器进行动态置信度判断；3)根据天气情况动态调整相机传感器、及激光雷达传感器的置信度权重ω；4)当存在不止一个相机传感器、或雷达传感器、或毫米波雷达检测到object，需要将各个传感器的置信度进行平均来计算信息的可信度，以相机置信度模型为例，相机置信度最终模型表示为：相机置信度模型包括但不限于自身等级vision_rank
i
、与观测物体的距离vision_disV
object_obser，i
，其他外部传感器同理，激光雷达传感器最终置信度表示为lidar
V_object_obser
；毫米波雷达传感器最终置信度表示为radar
V_object_obser
；毫米波雷达传感器不受天气影响，其对应的ω＝1；RTK也具有相应的权重ω，受高架桥隧道等道路状况与雷雨台风等天气状况的影响，不受观测距离的影响。6.根据权利要求5所述一种自动驾驶车在恶劣天气的防碰撞方法，其特征在于：所述步
骤一的其他车辆信息采集的过程1)根据相机分辨率不同对相机进行动态置信度判断，以视觉传感器为例，相应的模型如下所示：当相机分辨率(vision)为30万像素(rank1)、50万像素(rank2)、80万像素(rank3)、130万像素(rank4)时，分数分别为：0.4a、0.6a、0.8a、a,a为正常置信分数；所述步骤一的其他车辆信息采集的过程2)根据传感器类型和观测距离不同对传感器进行动态置信度判断，具体如下：当传感器类型为Lidar、Radar、Vision、RTK时，根据观测距离的远近，置信分数不同：Lidar：观测距离为0
‑
80时，置信分数为1.2；观测距离为＞80时；置信分数为雷达的基础分数为1.2，随着距离S的增加，当S大于80米，雷达的置信度分数在基础分数基础上下降；Radar：观测距离为0
‑
80时，置信分数为1.0；观测距离为＞80时；置信分数为毫米波雷达的基础分数为1，随着距离S的增加，当S大于80米，雷达的置信度分数在基础分数基础上下降；Vision：观测距离为0
‑
100时，置信分数为0.8；观测距离为＞100时；置信分数为相机的基础分数为0.8，随着距离S的增加，当S大于100米，相机的置信度分数在基础分数基础上下降；RTK：RTK系统置信分数不受观测距离影响，置信分数均为1；但当自车行驶在高架桥下或隧道中，RTK系统的置信分数小于1，遇到台风天气电离层发生波动，RTK系统的置信分数小于1；所述步骤一的其他车辆信息采集的过程3)的根据天气情况动态调整相机传感器、及激光雷达传感器的置信度权重ω，具体为：a.相机传感器或激光雷达传感器置信度的最终权重ω＝ω
d
·
ω
v
；其中，权重ω主要受干扰物ω
d
与可见度ω
v
的影响；b.可见度通过光线强弱等因素对相机、激光雷达进行干扰的权重判定：当光照度L分别为<300lux、≥300lux时，可见度权重ω
v
分别为L/300、1；c.干扰物通过附着在传感器摄像头等屏幕上、在空气中形成大团可被认定为障碍物的水汽等的方式来对相机、激光雷达传感器进行干扰的权重判定：当雨刷频率分别为>50次/min、35
‑
50次/min、<35次/min时，干扰物权重ω
d
分别为：0....

【专利技术属性】
技术研发人员：孙文昭，
申请(专利权)人：北京易航远智科技有限公司，
类型：发明
国别省市：