一种基于多传感器融合的车灯控制方法技术

本发明专利技术公开了一种基于多传感器融合的车灯控制方法，它包括步骤S1、通过惯性导航系统进行车辆匹配定位，得到车辆自定位数据；步骤S2、通过摄像头对车辆前方道路的环境进行采集，得到车辆前方道路的环境信息；步骤S3、根据车辆前方道路的环境信息进行建模，再与车辆自定位数据进行匹配，完成基于高精度地图的车辆实时定位。本发明专利技术提供一种基于多传感器融合的车灯控制方法，通过视觉检测算法感知道路信息，结合定位系统数据融合，实现基于高精度地图的车辆实时定位，同时提供了一种自学习算法模型，建立常用历史路线数据库，以有效减少AI芯片的重复计算量，以降低能耗，同时对于常用路段的车辆灯光准确控制，有效减少整车的能源消耗。消耗。消耗。

【技术实现步骤摘要】
一种基于多传感器融合的车灯控制方法


[0001]本专利技术涉及一种基于多传感器融合的车灯控制方法。

技术介绍

[0002]目前，随着汽车向电动化、智能化、网联化和共享化加速融合发展，与之密切相关的高精度地图显得愈发重要。高精度地图先进的自身位置评估和周边环境感知是自动驾驶汽车安全行驶的基础，在感知道路交通环境中具有与传感器同样不可或缺的作用，这也是越来越多的企业开始对此布局，行业热度持续提升的原因。
[0003]同时，现行的国家标准中明确指出新电动车要在第二阶段降耗14％以上。虽然，目前L3+的智能汽车虽然大都通过高精度地图来实现点到点的特定场景的自动驾驶，但并没有建立常用的道路数据库以减少算法计算量，进而降低车辆能耗。同时，通过正确的灯光的控制也能有效做到整车降耗，而上述对前方道路环境的感知结果也是更多的用于车辆控制并未衍用到车灯的控制当中，一定程度上没做到数据复用。

技术实现思路

[0004]本专利技术所要解决的技术问题是，克服现有技术的不足，本专利技术提供一种基于多传感器融合的车灯控制方法，通过视觉检测算法感知道路信息，结合定位系统数据融合，实现基于高精度地图的车辆实时定位，同时提供了一种自学习算法模型，建立常用历史路线数据库，以有效减少AI芯片的重复计算量，以降低能耗，同时对于常用路段的车辆灯光准确控制，有效减少整车的能源消耗。
[0005]为了解决上述技术问题，本专利技术的技术方案是：
[0006]一种基于多传感器融合的车灯控制方法，它包括：
[0007]步骤S1、通过惯性导航系统进行车辆匹配定位，得到车辆自定位数据；
[0008]步骤S2、通过摄像头对车辆前方道路的环境进行采集，得到车辆前方道路的环境信息；
[0009]步骤S3、根据车辆前方道路的环境信息进行建模，再与车辆自定位数据进行匹配，完成基于高精度地图的车辆实时定位；
[0010]步骤S4、获取用户驾驶车辆的历史行程中的历史驾驶数据以及用户驾驶车辆过程中的当前行程的实时驾驶数据；
[0011]步骤S5、对获取的历史驾驶数据和实时驾驶数据进行异常数据剔除，形成新的训练数据集；
[0012]步骤S6、根据新的训练数据集中的待处理数据进行深度学习，通过学习结果建立常用历史路线数据库；
[0013]步骤S7、当车辆启动时，根据基于高精度地图的车辆实时定位进行判断，判断当前实时路径是否为常用历史路线数据库中的路径；
[0014]若判断为是，则直接调用常用历史路线数据库中的汽车照明控制策略执行相关操
作；
[0015]若判断为否，则根据驾驶员的需求结合环境感知和决策控制结果进行记忆，新增一条路线保存至常用历史路线数据库。
[0016]进一步，所述步骤S1具体包括如下步骤：
[0017]采用GNSS+IMU组合定位的方式，GNSS传感器提供绝对定位，设GNSS传感器的位置为(x
i
，y
i
，z
i
)，定位卫星位置为(x
p
，y
p
，z
p
)，伪距离Si构成的定位模型如下：
[0018][0019]其中，t
p
为GNSS传感器时钟模块的时间，t
i
为卫星时钟模块的时间；
[0020]通过接收多颗定位卫星数据信息，建立多组伪距离的观测方程组，然后构建最小二乘线性化方程求解定位点坐标，得到车辆自定位数据。
[0021]进一步，所述驾驶数据包括车辆行驶速度、引擎转速、前车距离、油门刹车以及方向盘数据、车灯状态、安全带状态、安全气囊状态以及驾驶环境信息。
[0022]进一步，所述驾驶环境信息通过前向摄像头和环视摄像头进行检测，所述驾驶环境信息包括经过路段红绿灯信息、路段斑马线信息、路段拥堵信息以及前车信息。
[0023]进一步，所述步骤S5具体包括如下步骤：
[0024]对获取的历史驾驶数据和实时驾驶数据中的非设计运行域的驾驶数据、非正常驾驶场景的驾驶数据、事故场景的驾驶数据进行异常数据剔除，将剩余的正常驾驶数据形成新的训练数据集。
[0025]进一步，所述步骤S6具体包括如下步骤：
[0026]根据新的训练数据集中的待处理数据选择待学习的驾驶参数，并按照驾驶参数对应的计算规则对待处理数据进行计算，得到驾驶参数的学习结果，根据学习结果指示自动驾驶系统在自动驾驶行程中按照该学习结果设置驾驶参数，并最终形成常用历史路线数据库。
[0027]进一步，所述汽车照明控制策略包括当前时间段车灯控制策略，所述当前时间段车灯控制策略为：
[0028]当白天自然光充足时，无需开启前照灯；
[0029]当清晨与黄昏时期，光照强度逐渐变换时，灯光强度随光照强度反比例变化；
[0030]当夜间行车时灯光强度开启至100％。
[0031]进一步，所述汽车照明控制策略包括当前路况条件车灯控制策略，所述当前路况条件车灯控制策略为：
[0032]当前路段为照明条件较好的城市路段时，灯光强度开启50％；
[0033]当前路段为照明条件较差的乡村路段时，灯光强度设置为100％。
[0034]进一步，所述汽车照明控制策略包括当前天气情况车灯控制策略，所述当前天气情况车灯控制策略为：
[0035]当天气晴朗，能见度较高时，灯光强度开启至70％；
[0036]当雨雾或极端天气时，灯光强度开启至100％。
[0037]进一步，所述汽车照明控制策略包括当前行驶情况车灯控制策略，所述当前行驶情况车灯控制策略为：
[0038]根据当前车速判断前方相应距离内是否有车辆正在行驶，若有车辆正在行驶，则当前行驶情况为跟车行驶情况，前照灯光照距离根据实际车距进行调节。
[0039]采用了上述技术方案，本专利技术具有以下的有益效果：
[0040]1、通过建立常用历史路线数据库，使得对于常用路段的道路感知计算量大大减少，进而降低因重复计算而产生的能耗消耗，起到了节能减排的作用。
[0041]2、通过建立常用历史路线数据库，对于常用路段的灯光可实施调节与控制，最大限度的降低灯光滥用而造成的能耗浪费，起到了节能减排的作用。
[0042]3、本专利技术所述的多个传感器为智能车辆常规配置，搭载简便，易于普及。
[0043]4、本专利技术采用了自学习算法，能够在行车过程中根据用户的个性化驾驶数据优化算法以达到符合用户驾驶习惯的性能参数。
附图说明
[0044]图1为本专利技术的基于多传感器融合的车灯控制方法的流程图；
[0045]图2为本专利技术的常用历史路线数据库建立的流程图；
[0046]图3为本专利技术的数据处理的流程图；
[0047]图4为本专利技术的多传感器融合的流程图；
[0048]图5为本专利技术的常用历史路线数据库的示例图。
具体实施方式
[0049]为了使本专利技术的内容更本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多传感器融合的车灯控制方法，其特征在于，它包括：步骤S1、通过惯性导航系统进行车辆匹配定位，得到车辆自定位数据；步骤S2、通过摄像头对车辆前方道路的环境进行采集，得到车辆前方道路的环境信息；步骤S3、根据车辆前方道路的环境信息进行建模，再与车辆自定位数据进行匹配，完成基于高精度地图的车辆实时定位；步骤S4、获取用户驾驶车辆的历史行程中的历史驾驶数据以及用户驾驶车辆过程中的当前行程的实时驾驶数据；步骤S5、对获取的历史驾驶数据和实时驾驶数据进行异常数据剔除，形成新的训练数据集；步骤S6、根据新的训练数据集中的待处理数据进行深度学习，通过学习结果建立常用历史路线数据库；步骤S7、当车辆启动时，根据基于高精度地图的车辆实时定位进行判断，判断当前实时路径是否为常用历史路线数据库中的路径；若判断为是，则直接调用常用历史路线数据库中的汽车照明控制策略执行相关操作；若判断为否，则根据驾驶员的需求结合环境感知和决策控制结果进行记忆，新增一条路线保存至常用历史路线数据库。2.根据权利要求1所述的基于多传感器融合的车灯控制方法，其特征在于：所述步骤S1具体包括如下步骤：采用GNSS+IMU组合定位的方式，GNSS传感器提供绝对定位，设GNSS传感器的位置为(x
i
，y
i
，z
i
)，定位卫星位置为(x
p
，y
p
，z
p
)，伪距离Si构成的定位模型如下：其中，t
p
为GNSS传感器时钟模块的时间，t
i
为卫星时钟模块的时间；通过接收多颗定位卫星数据信息，建立多组伪距离的观测方程组，然后构建最小二乘线性化方程求解定位点坐标，得到车辆自定位数据。3.根据权利要求1所述的基于多传感器融合的车灯控制方法，其特征在于：所述驾驶数据包括车辆行驶速度、引擎转速、前车距离、油门刹车以及方向盘数据、车灯状态、安全带状态、安全气囊状态以及驾驶环境信息。4.根据权利要求1所述的基于多传感器融合的车灯控制方法，其特征在于：所...

【专利技术属性】
技术研发人员：徐健，
申请(专利权)人：常州星宇车灯股份有限公司，
类型：发明
国别省市：