基于附着系数的车路协同控制方法、装置、设备及介质制造方法及图纸

本发明专利技术涉及人工智能技术领域，提供一种基于附着系数的车路协同控制方法、装置、设备及介质，能够利用路侧设备采集的图像数据及激光雷达数据等多模态感知信息进行路面附着系数的计算，并且，在计算过程中采用边缘大算力对路面附着系数进行全气候、全天侯的状态实时估计，将估计的实时路面附着系数同步至车端，与车端控制进行信息深度融合，不仅能够释放车端的一大部分算力用于优化自动驾驶相关的其他性能，实现路面状态信息的路车深度协同，还能更加有效的辅助进行车辆控制。更加有效的辅助进行车辆控制。更加有效的辅助进行车辆控制。

【技术实现步骤摘要】
基于附着系数的车路协同控制方法、装置、设备及介质


[0001]本专利技术涉及人工智能
，尤其涉及一种基于附着系数的车路协同控制方法、装置、设备及介质。

技术介绍

[0002]不同路面类型对应于不同的路面附着系数，并直接影响车辆驾驶的安全边界与稳定边界。无论是有人驾驶还是无人驾驶，路面附着系数作为车辆动力学的关键参数，其参数辨识精确度将直接影响驱动力和制动力的动力矩分配、稳定性控制以及车辆状态估计等。
[0003]现有技术中，根据路面识别所依据的原理，路面研究主要可以分为两类：基于原因的识别方法（Cause－Based）和基于效应的识别方法（Effect－Based）。
[0004]其中，基于原因的路面识别研究主要集中在路面类型和路面状况的识别上，多用于识别路面附着系数与路面粗糙度。此类识别方法需要建立一个反映各个因素与路面参数相关的模型，通过测量相关因素，利用该模型获得附着系数等路面参数。影响路面附着系数的因素主要包括路面类型、路面状况、轮胎类型和车辆参数。与车辆相关的参数可以直接获得，但路面类型和路面状况需要依靠一定的传感器进行测量。
[0005]其中，基于效应的路面识别方法是通过测量分析由于路面变化引起的整车响应来估算路面附着系数的大小。该类方法一般无需增加额外的传感器，对工作环境要求不高。根据响应的类型，基于效应的路面识别方法可以分为两类：基于车辆动力学响应识别路面方法和基于轮胎响应识别路面方法。其中，基于车辆动力学响应识别路面方法可以分为纵向动力学响应和侧向动力学响应。通过纵向动力学响应识别路面，根据轮胎力获得附着率（又称利用附着系数），再根据车轮转速、车速信息得到车轮的滑移率。其中，基于轮胎响应识别路面方法可根据响应形式的不同分为测量轮胎噪声响应和测量胎面变形响应。由于车辆在行驶过程中轮胎与地面之间会产生噪声，不同道路状况下轮胎噪声有所不同，因此通过声学传感器采集车轮与路面之间的噪声可作为识别路面的依据。
[0006]但是，上述路面研究方法也存在一定问题，具体如下：基于原因的识别方法对路面的识别具有预测性，可以在轮胎与路面接触前识别路面，但光学传感器对工作环境要求苛刻，容易受外界因素影响，鲁棒性较差。另外，该类方法需要通过大量的测试试验采集数据，识别精度依赖于数据的准确性，对未经测试的路面难以准确估算。并且，该类方法主要测量的是影响路面附着系数的路面类型参数及路面状态参数两个因素，并未考虑到轮胎参数及整车参数的变化，其准确度必然随着车辆的使用及轮胎的磨损而降低。
[0007]基于效应的识别方法是通过测量分析由于路面变化引起的整车响应来估算路面附着系数的大小。此类方法不具备预测性，车轮接触过的区域才能识别到附着系数，无法识别车辆前方的道路情况，无法适应智能车对环境感知越来越高的要求。并且，该方法在曲线斜率估算过程中需要较多的数据点，因此实时性较差，不适用时变路况。该方法对数据点的精度也有较高的要求，很难适用于实车行驶过程。
[0008]综上所述，无论是基于原因的识别方法还是基于效应的识别方法，都是部署于车端的路面附着系数估计方法。由于路面附着系数的估计方法中通常涉及大量复杂算法，部署在车端的路面附着系数估计方法对车端的算力配置要求极高。车辆在道路上持续移动意味着部署在车端的路面附着系数估计方法需要持续不断地计算，这不仅对车辆的算力是极大的考验，且车端传统的嵌入式系统架构无法满足参数辨识的实时性需求，也就无法基于路面附着系数辅助进行车辆的有效控制。

技术实现思路

[0009]鉴于以上内容，有必要提供一种基于附着系数的车路协同控制方法、装置、设备及介质，旨在解决对车辆的有效控制问题。
[0010]一种基于附着系数的车路协同控制方法，所述基于附着系数的车路协同控制方法包括：获取基于路侧图像采集设备采集的第一数据，及获取基于路侧激光雷达设备采集的第二数据；对所述第一数据进行预处理，得到第三数据；获取预先训练的路面特征提取模型，并利用所述路面特征提取模型对所述第三数据进行特征提取，得到目标路面特征；对所述第二数据进行滤波处理，得到第四数据；对所述第四数据进行路面拟合，得到第五数据；对所述第五数据进行聚类处理，得到目标路面平整度信息；融合所述目标路面特征与所述目标路面平整度信息，得到待识别数据；利用Yolo
‑
V4模型对所述待识别数据进行目标识别，得到目标路面类型；获取预先构建的映射表，并利用所述目标路面类型在所述映射表中进行匹配，得到目标路面附着系数；根据所述目标路面附着系数生成候选车辆控制方式；通过路侧单元发送所述候选车辆控制方式及所述目标路面附着系数至车载单元。
[0011]根据本专利技术优选实施例，所述对所述第一数据进行预处理，得到第三数据包括：对所述第一数据进行去噪处理，得到第一中间数据；对所述第一中间数据进行平滑处理，得到第二中间数据；对所述第二中间数据进行锐化处理，得到第三中间数据；对所述第三中间数据进行边缘提取处理，得到第四中间数据；对所述第四中间数据进行分割处理，得到所述第三数据。
[0012]根据本专利技术优选实施例，在获取预先训练的路面特征提取模型前，所述方法还包括：获取所述路侧图像采集设备采集的历史图像数据；根据所述历史图像数据对应的路面特征为所述历史图像数据建立标签，得到训练样本；获取预设神经网络模型；将所述历史图像数据的标签确定为训练目标，并利用所述训练样本训练所述预设
神经网络模型，得到所述路面特征提取模型。
[0013]根据本专利技术优选实施例，所述对所述第二数据进行滤波处理，得到第四数据包括：基于kd
‑
tree算法，利用所述第二数据建立高斯分布图；将所述第二数据中不满足所述高斯分布图的点确定为噪点，并从所述第二数据中删除所述噪点，得到去噪数据；在所述去噪数据对应的点云三维坐标上增加反射率信息及局部法线信息，得到扩展数据；去除所述扩展数据中的地面点数据，得到待融合数据；利用ICP融合算法对所述待融合数据中的每两帧数据进行融合，得到融合数据；基于预设范围对所述融合数据进行直通滤波，得到所述第四数据。
[0014]根据本专利技术优选实施例，所述对所述第四数据进行路面拟合，得到第五数据包括：利用RANSAC拟合算法对所述第四数据进行迭代的随机抽样及一致性回归处理，得到拟合平面及平面外点；将所述拟合平面及所述平面外点确定为所述第五数据；其中，将与所述拟合平面的距离小于或者等于预设距离的点确定为平面内点，将所述平面内点对应的平面参数确定为路面在雷达坐标系下的三维描述；其中，将与所述拟合平面的距离大于所述预设距离的点确定为所述平面外点。
[0015]根据本专利技术优选实施例，所述对所述第五数据进行聚类处理，得到目标路面平整度信息包括：从所述第五数据中获取所述平面外点；遍历计算每两个平面外点间的距离；获取距离阈值；当任意两个平面外点间的距离小于或者等于所述距离阈值时，将所述任意两个平面外点确定为一类，得到至少一个点类；将所述至少一个点类中的每个点类确定为一个障碍物类型；对于每个障碍物类型，获取所述本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于附着系数的车路协同控制方法，其特征在于，所述基于附着系数的车路协同控制方法包括：获取基于路侧图像采集设备采集的第一数据，及获取基于路侧激光雷达设备采集的第二数据；对所述第一数据进行预处理，得到第三数据；获取预先训练的路面特征提取模型，并利用所述路面特征提取模型对所述第三数据进行特征提取，得到目标路面特征；对所述第二数据进行滤波处理，得到第四数据；对所述第四数据进行路面拟合，得到第五数据；对所述第五数据进行聚类处理，得到目标路面平整度信息；融合所述目标路面特征与所述目标路面平整度信息，得到待识别数据；利用Yolo
‑
V4模型对所述待识别数据进行目标识别，得到目标路面类型；获取预先构建的映射表，并利用所述目标路面类型在所述映射表中进行匹配，得到目标路面附着系数；根据所述目标路面附着系数生成候选车辆控制方式；通过路侧单元发送所述候选车辆控制方式及所述目标路面附着系数至车载单元。2.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第一数据进行预处理，得到第三数据包括：对所述第一数据进行去噪处理，得到第一中间数据；对所述第一中间数据进行平滑处理，得到第二中间数据；对所述第二中间数据进行锐化处理，得到第三中间数据；对所述第三中间数据进行边缘提取处理，得到第四中间数据；对所述第四中间数据进行分割处理，得到所述第三数据。3.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，在获取预先训练的路面特征提取模型前，所述方法还包括：获取所述路侧图像采集设备采集的历史图像数据；根据所述历史图像数据对应的路面特征为所述历史图像数据建立标签，得到训练样本；获取预设神经网络模型；将所述历史图像数据的标签确定为训练目标，并利用所述训练样本训练所述预设神经网络模型，得到所述路面特征提取模型。4.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第二数据进行滤波处理，得到第四数据包括：基于kd
‑
tree算法，利用所述第二数据建立高斯分布图；将所述第二数据中不满足所述高斯分布图的点确定为噪点，并从所述第二数据中删除所述噪点，得到去噪数据；在所述去噪数据对应的点云三维坐标上增加反射率信息及局部法线信息，得到扩展数据；去除所述扩展数据中的地面点数据，得到待融合数据；
利用ICP融合算法对所述待融合数据中的每两帧数据进行融合，得到融合数据；基于预设范围对所述融合数据进行直通滤波，得到所述第四数据。5.如权利要求1所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第四数据进行路面拟合，得到第五数据包括：利用RANSAC拟合算法对所述第四数据进行迭代的随机抽样及一致性回归处理，得到拟合平面及平面外点；将所述拟合平面及所述平面外点确定为所述第五数据；其中，将与所述拟合平面的距离小于或者等于预设距离的点确定为平面内点，将所述平面内点对应的平面参数确定为路面在雷达坐标系下的三维描述；其中，将与所述拟合平面的距离大于所述预设距离的点确定为所述平面外点。6.如权利要求5所述的基于附着系数的车路协同控制方法，其特征在于，所述对所述第五数据进行聚类处理，得到目标路面平整度信息包括：从所述第五数据中获取所述平面外点；遍历计算每两个平面外点间的距离；获取距离阈值；当任意两个平面外点间的距离小于或者等于所述距离阈值时，将所述任...

【专利技术属性】
技术研发人员：席华炜，董洪泉，卢兵，王博，宋士佳，孙超，王文伟，
申请(专利权)人：北京理工大学深圳汽车研究院电动车辆国家工程实验室深圳研究院，
类型：发明
国别省市：