基于卫星定位的智能驾驶及ADAS模拟测试方法和系统技术方案

本发明专利技术公开了基于卫星定位的智能驾驶及ADAS模拟测试方法和系统，属于智能驾驶技术领域，该测试方法具体步骤如下：(1)采集场景信息并对测试车辆进行定位模拟；(2)收集车辆状态信息并控制该车辆进行模拟行驶；(3)对车辆行驶路径进行级联分析并调整；(4)实时接收车辆行驶状态并进行异常分析；本发明专利技术能够提高对故障物的检测精确性，同时能够对故障物运动状态进行预测并生成多组备用方案，提高车辆行驶过程中的安全性，能够大粒度的对内存进行压缩，保证云端服务器连接设备过多时数据传输效率的稳定，提高使用体验。提高使用体验。提高使用体验。

【技术实现步骤摘要】
基于卫星定位的智能驾驶及ADAS模拟测试方法和系统


[0001]本专利技术涉及智能驾驶
，尤其涉及基于卫星定位的智能驾驶及ADAS模拟测试方法和系统。

技术介绍

[0002]智能驾驶本质上涉及注意力吸引和注意力分散的认知工程学，主要包括网络导航、自主驾驶和人工干预三个环节。智能驾驶的前提条件是，我们选用的车辆满足行车的动力学要求，车上的传感器能获得相关视听觉信号和信息，并通过认知计算控制相应的随动系统，智能驾驶是工业革命和信息化结合的重要抓手，快速发展将改变人、资源要素和产品的流动方式，颠覆性地改变人类生活，近年来，卫星导航定位系统快速普及和发展，其在经济建设、社会发展、国家安全和国民生产生活等方面发挥着日趋重要的作用，卫星定位和高精地图已是智能驾驶系统核心技术之一。
[0003]经检索，中国专利号CN114488855A公开了基于卫星定位的智能驾驶及ADAS模拟测试方法和系统，该专利技术虽然极大地提高了ADAS和智能驾驶测试的定位精度。使测试车辆决策系统能够基于完整的模拟工况进行测试，以现有测试场地的场景生成定位模拟，减少了定位模拟成本，灵活性更高，但是对故障物的检测准确性差，车辆测试过程安全性低；此外，现有的基于卫星定位的智能驾驶及ADAS模拟测试方法和系统在云端服务器连接设备过多时数据传输效率的稳定性降低，使用体验差；为此，我们提出基于卫星定位的智能驾驶及ADAS模拟测试方法和系统。

技术实现思路

[0004]本专利技术的目的是为了解决现有技术中存在的缺陷，而提出的基于卫星定位的智能驾驶及ADAS模拟测试方法和系统。
[0005]为了实现上述目的，本专利技术采用了如下技术方案：
[0006]基于卫星定位的智能驾驶及ADAS模拟测试方法，该测试方法具体步骤如下：
[0007](1)采集场景信息并对测试车辆进行定位模拟；
[0008](2)收集车辆状态信息并控制该车辆进行模拟行驶；
[0009](3)对车辆行驶路径进行级联分析并调整；
[0010](4)实时接收车辆行驶状态并进行异常分析。
[0011]其特征在于，步骤(1)所述定位模拟具体步骤如下：
[0012]步骤一：信息采集模块收集测试场地影像信息，并将采集到的各影像信息按照显示比例进行图像分割；
[0013]步骤二：通过傅里叶正变换将各组影像信息转换至频率空间并对其中的高频成分进行分析提取，再对其进行滤波处理减少噪声，再通过傅里叶反变换将其转换至图像空间；
[0014]步骤三：依据优化后的影像信息构建相对应的三维场景模型，并对其进行坐标系处理，之后收集卫星定位的测试车辆位置信息，再将车辆位置坐标与三维场景模型中对应
位置坐标进行匹配完成定位。
[0015]其特征在于，步骤(2)所述模拟行驶具体步骤如下：
[0016]步骤Ⅰ：研究人员通过计算机设定该测试车辆行驶起点以及终点，之后终端控制模块接收工作人员输入的起点位置以及终点位置，并控制测试车辆行驶至起点位置；
[0017]步骤Ⅱ：定位卫星实时采集测试车辆位置，并将其与三维场景模型中的车辆位置坐标进行同步，之后在三维场景模型中标注终点位置并规划行驶路线，路线规划完成后，终端控制模块控制测试车辆按照规定路线行驶。
[0018]其特征在于，步骤(3)所述级联分析具体步骤如下：
[0019]步骤
①
：分析模块接收摄像头采集到影像信息并进行逐帧处理，并通过一级检测网络提取各帧图像中的特征，再送入双向特征金字塔中进行特征融合，并对融合结果进行分类回归，输出检测框以及类别；
[0020]步骤
②
：一级检测网络对各图像中检测框信息进行收集，并生成相对应检测框坐标，再对相关图像进行扩大化剪裁，收集扩大化剪裁后生成的各组图片，并将其进行保存；
[0021]步骤
③
：二级目标检测网络通过RPN过滤掉各组图片中属于背景的简单负样本，挑选出可能含有障碍物的区域进行分类和回归，在语义信息有高有低的图片的每一个点上生成九个锚框并对这些锚框进行分类和回归，通过扩大化剪裁对各组图片中的障碍物位置进行检测；
[0022]步骤
④
：对实际视频帧的间隔时间进行计算并记录计算出的时间，通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取障碍物的运动状态；
[0023]步骤
⑤
：对所有障碍物分配一个的ID，分配完成后，采集所有跟踪目标的外观特征向量，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，然后收集障碍物在当前视频帧中的运动状态，并构建预测方程对各跟踪目标在下一视频帧中的运动状态进行估计；
[0024]步骤
⑥
：依据估计的运动状态为测试车辆设置多组备用行驶方案，若障碍物存在移动情况，则选择相对应备用行驶方案替换原有方案，同时实时将测试车辆位置坐标反馈给研究人员。
[0025]其特征在于，步骤(4)所述异常分析具体步骤如下：
[0026]S1：异常检测模块构建分析神经网络，并将测试车辆行驶过程中产生的各组数据导入该分析神经网络中，再将各组数据处理成统一格式，并通过时域和频域的方法提取特征参数；
[0027]S2：筛选出能够表示测试车辆行驶信息的特征参数，并筛除对于表征能力差的特征参数吗，再对各组数据进行归一化处理并将处理后的各组数据划分为训练集和测试集，对训练集进行标准化处理以生成训练样本；
[0028]S3：将训练样本输送到分析神经网络，设置模型具体参数，采用长期迭代法训练该分析神经网络，并将测试集输入到训练好的分析神经网络中，画出测试车辆状态曲线，并对异常点进行标注反馈。
[0029]基于卫星定位的智能驾驶及ADAS模拟测试系统，包括信息采集模块、定位模块、虚拟同步模块、终端控制模块、状态采集模块、分析模块、异常检测模块、轮毂电机、用户端、云端服务器以及性能优化模块；
[0030]所述信息采集模块用于采集测试场地信息；
[0031]所述定位模块用于收集测试车辆位置信息以及研究人员上传的起点以及终点信息；
[0032]所述虚拟同步模块用于接收测试场地信息并构建三维场地模型并将其坐标化，再将测试车辆位置同步至三维场地模型中；
[0033]所述状态采集模块用于实时采集测试车辆状态信息；
[0034]所述分析模块用于对车辆前后方障碍物进行运动估计并生成多组备用行驶方案；
[0035]所述异常检测模块用于接收测试车辆状态信息，并对其进行异常分析；
[0036]所述轮毂电机用于测试车辆进行移动以及转弯；
[0037]所述用户端用于研究人员下发相关控制指令以及查看相关车辆行驶数据；
[0038]所述云端服务器用于接收并存储各组测试数据；
[0039]所述性能优化模块用于对云端服务器与用户端连接性能进行优化。
[0040]其特征在于，所述性能优本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于卫星定位的智能驾驶及ADAS模拟测试方法，其特征在于，该测试方法具体步骤如下：(1)采集场景信息并对测试车辆进行定位模拟；(2)收集车辆状态信息并控制该车辆进行模拟行驶；(3)对车辆行驶路径进行级联分析并调整；(4)实时接收车辆行驶状态并进行异常分析。2.根据权利要求1所述的基于卫星定位的智能驾驶及ADAS模拟测试方法，其特征在于，步骤(1)所述定位模拟具体步骤如下：步骤一：信息采集模块收集测试场地影像信息，并将采集到的各影像信息按照显示比例进行图像分割；步骤二：通过傅里叶正变换将各组影像信息转换至频率空间并对其中的高频成分进行分析提取，再对其进行滤波处理减少噪声，再通过傅里叶反变换将其转换至图像空间；步骤三：依据优化后的影像信息构建相对应的三维场景模型，并对其进行坐标系处理，之后收集卫星定位的测试车辆位置信息，再将车辆位置坐标与三维场景模型中对应位置坐标进行匹配完成定位。3.根据权利要求2所述的基于卫星定位的智能驾驶及ADAS模拟测试方法，其特征在于，步骤(2)所述模拟行驶具体步骤如下：步骤Ⅰ：研究人员通过计算机设定该测试车辆行驶起点以及终点，之后终端控制模块接收工作人员输入的起点位置以及终点位置，并控制测试车辆行驶至起点位置；步骤Ⅱ：定位卫星实时采集测试车辆位置，并将其与三维场景模型中的车辆位置坐标进行同步，之后在三维场景模型中标注终点位置并规划行驶路线，路线规划完成后，终端控制模块控制测试车辆按照规定路线行驶。4.根据权利要求1所述的基于卫星定位的智能驾驶及ADAS模拟测试方法，其特征在于，步骤(3)所述级联分析具体步骤如下：步骤
①
：分析模块接收摄像头采集到影像信息并进行逐帧处理，并通过一级检测网络提取各帧图像中的特征，再送入双向特征金字塔中进行特征融合，并对融合结果进行分类回归，输出检测框以及类别；步骤
②
：一级检测网络对各图像中检测框信息进行收集，并生成相对应检测框坐标，再对相关图像进行扩大化剪裁，收集扩大化剪裁后生成的各组图片，并将其进行保存；步骤
③
：二级目标检测网络通过RPN过滤掉各组图片中属于背景的简单负样本，挑选出可能含有障碍物的区域进行分类和回归，在语义信息有高有低的图片的每一个点上生成九个锚框并对这些锚框进行分类和回归，通过扩大化剪裁对各组图片中的障碍物位置进行检测；步骤
④
：对实际视频帧的间隔时间进行计算并记录计算出的时间，通过卡尔曼滤波理论建立运动模型，同时通过构建的运动模型实时获取障碍物的运动状态；步骤
⑤
：对所有障碍物分配一个的ID，分配完成后，采集所有跟踪目标的外观特征向量，之后运动模型依据对跟踪目标的线性运动假设，对其在视频帧中的运动状态进行定义，然后收集障碍物在当前视频帧中的运动状态，并构建预...

【专利技术属性】
技术研发人员：缪殷俊，施卫，陈程，张媛，张弛浩，秦忆楠，王本森，
申请(专利权)人：江苏理工学院，
类型：发明
国别省市：