一种汽车域控制器及通勤道路上车辆自动建图和定位方法技术

本发明专利技术公开了一种汽车域控制器及通勤道路上车辆自动建图和定位方法，所述汽车域控制器包括SOC模块、MCU模块、串口通信模块和云端服务器，所述SOC模块和云端服务器分别通过串口通信模块与MCU模块相连。本发明专利技术提供一种汽车域控制器及通勤道路上车辆自动建图和定位方法，基于每日往来通勤路上车载激光雷达收集的环境点云数据，通过域控制器的MCU芯片上传云端，通过随机森林算法对输入的特征向量，训练出分类模型来定位车辆在道路上的位置，解决部分远离城市郊区道路的高精度地图无法实时更新的问题。更新的问题。更新的问题。

【技术实现步骤摘要】
一种汽车域控制器及通勤道路上车辆自动建图和定位方法


[0001]本专利技术涉及一种汽车域控制器及通勤道路上车辆自动建图和定位方法。

技术介绍

[0002]目前，现有汽车自动驾驶技术大多基于高精度地图先验信息、GPS信号和车辆自身感知算法完成对车辆的定位，但现有部分远离城市的郊区道路，高精度地图厂商没有覆盖，这对汽车的定位有很大的影响。
[0003]同时，城市道路与郊区之间经常有动土施工区域，高精度地图厂商不能实时更新高精度地图，让汽车在使用未更新的地图时，存在较大的自驾风险。

技术实现思路

[0004]本专利技术所要解决的是，克服现有技术的不足，提供一种汽车域控制器及通勤道路上车辆自动建图和定位方法，基于每日往来通勤路上车载激光雷达收集的环境点云数据，通过域控制器的MCU芯片上传云端，通过随机森林算法对输入的特征向量，训练出分类模型来定位车辆在道路上的位置，解决部分远离城市郊区道路的高精度地图无法实时更新的问题。
[0005]为了解决上述技术问题，本专利技术的技术方案是：本专利技术一方面提供一种汽车域控制器，它包括SOC模块、MCU模块、串口通信模块和云端服务器，所述SOC模块和云端服务器分别通过串口通信模块与MCU模块相连；所述SOC模块的输入端连接前视摄像头传入的视频数据，所述SOC模块的输出端通过串口通信模块与MCU模块相连，所述SOC模块用于对接收的视频帧提取车道数量信息；所述MCU模块用于接收SOC模块传回的视觉处理车道数量结果，接收激光雷达采集的点云数据，接收GPS经纬度信息，存储对点云数据进行特征处理和拼接经纬度、车道编号的程序代码，同时用于和云端服务器通信，传递处理后的道路点云数据并接收云端服务器训练好的模型数据。
[0006]本专利技术另一方面提供一种汽车域控制器的通勤道路上车辆自动建图和定位方法，它包括：步骤S1、车主驾驶车辆在通勤道路上往返多次，采集周围环境的点云数据，得到历史点云数据；步骤S2、根据采集到的历史点云数据，构建历史道路特征向量的训练集；步骤S3、基于历史道路特征向量的训练集，采用随机森林算法进行分类训练，建立属于车主特定的通勤道路上的随机森林分类模型；步骤S4、得到车主特定的通勤道路上的随机森林分类模型后，当车主驾驶车辆在通勤道路上行驶时，采集当前关键帧点云数据，将当前车辆的点云数据与历史点云数据进行对比，得出车辆在通勤道路上的位置定位。
[0007]进一步，所述步骤S1中，采集周围环境的点云数据，得到历史点云数据，具体包括
如下步骤：步骤S11、基于域控制器的SOC模块接收到的当前视频帧检测出路宽Wl，除以本车宽度Wc，得到车道数量n；步骤S12、通过车顶的激光雷达收集周围环境的点云数据传入域控制器的MCU模块，将每一帧点云数据根据垂线方向的高度差选取8层点云数据，搭配车辆经纬度和车道编号上传云端服务器，所述车道编号为1～n。
[0008]进一步，所述步骤S2中，根据采集到的历史点云数据，构建历史道路特征向量的训练集，具体包括如下步骤：步骤S21、在通勤道路上以每隔10米的经纬度数据为基准点，对基准点收集的环境点云数据做特征向量计算：在每层点云上以车辆为中心，50米为半径，按5米间隔划分出10个同心圆，将8个高度差的点云数据S分别在8层的10个同心圆上做投影；首先，对于同一层的10个同心圆上的投影，计算每个激光点到车辆激光发射原点的距离为；然后，统计每层的10个同心圆上激光点的总数目，做归一化处理，得到单层投影特征向量，所述单层投影特征向量的表达式为：；步骤S22、在云端服务器处理点云数据时，对于给定的两帧点云数据和，根据步骤S21中的单层投影特征向量计算方法，将所述单层投影特征向量组成一帧点云数据的特征向量组和，所述特征向量组和的表达式为：，，N=80；两帧点云数据和的距离差用如下函数表示：其中，|| ||为2范数；n个历史道路特征向量的训练集的表达式如下：其中，是二进制变量，表示两帧激光来自同一场景，表示两帧激光来自不同场景。
[0009]进一步，所述步骤S3中，基于历史道路特征向量的训练集，采用随机森林算法进行分类训练，建立属于车主特定的通勤道路上的随机森林分类模型，具体包括如下步骤：基于n个历史道路特征向量的训练集，在云端服务器采用随机森林算法进行分类训练：步骤S31、对得到的n个历史道路特征向量样本的数据集，先取出一个样本放入采样集，然后把所述样本再放入数据集里；步骤S32、经过m次放回采样可得到含有m个样本的采样集，然后对每个采样集在迭代时，采用C4.5算法计算出信息增益比最大的特征作为分裂结点，每次迭代从根节点开始，选择局部最优特征对决策树进行分裂，一直迭代，直到满足收敛条件或没有特征可划分为
止，最终得到决策树模型；步骤S33、通过步骤S31～步骤S32对数据集采集J轮，得到J个含有m个样本的采样集，一个采样集训练出一个局部最优分类决策树作为随机森林的基学习器，最后由J个随机森林的基学习器构成属于车主特定的通勤道路上的随机森林分类模型。
[0010]进一步，所述步骤S4中，将当前车辆的点云数据与历史点云数据进行对比，具体包括如下步骤：当车主驾驶自己的车辆在通勤道路上行驶时将当前采集的关键帧点云数据的特征向量和历史关键帧点云数据的特征向量进行配对，送入训练好的随机森林分类模型进行判断，得出当前场景是否与历史场景点云一致；如果当前场景与历史场景点云一致，则表示车辆走到了通勤道路上曾经走过的关键点，完成了slam中的回环检测问题，之后按照slam建图方法完成关键点之间的道路建图以及对车辆的定位；如果当前场景与历史场景点云不一致，则表示当前通勤道路部分发生了改变，将当前采集的关键帧点云数据替换掉云端服务器的历史关键帧点云数据，并重新训练随机森林分类模型。
[0011]采用了上述技术方案，本专利技术通过前期车主驾驶自己的车在通勤道路上往来多次，建立起属于自己特定的通勤道路上的关键帧节点地图。车辆能够基于域控制器，通过训练好的随机森林分类模型来判断当前车辆的点云数据是否与通勤道路历史关键帧点云数据相匹配，如果匹配，则完成了对本车在道路上的节点定位和slam回环中的闭环检测，接着通过slam建图和定位的方法完成本关键帧节点到下一个关键帧节点之间的道路建图和对本车的定位。本专利技术相比市面上现有厂家的技术，对固定通勤路线的道路建图具有便捷性和实时更新的特点。
附图说明
[0012]图1为本专利技术的汽车域控制器的原理框图；图2为本专利技术的通勤道路上车辆自动建图和定位方法的流程图；图3为本专利技术的关键帧点云数据的一层点云在xy平面的投影图；图4为本专利技术的随机森林分类模型的训练流程图。
具体实施方式
[0013]为了使本专利技术的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本专利技术作进一步详细的说明。
[0014]实施例一如图1所示，本实施例提供一种汽车域控制器，它包括SOC模块、MCU模块、串口通信模块、云端服务器和电源模块，SOC模块和云端服务器分别通过串口通信模块与MCU模块相连；SOC模块的输入端连接本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种汽车域控制器，其特征在于：它包括SOC模块、MCU模块、串口通信模块和云端服务器，所述SOC模块和云端服务器分别通过串口通信模块与MCU模块相连；所述SOC模块的输入端连接前视摄像头传入的视频数据，所述SOC模块的输出端通过串口通信模块与MCU模块相连，所述SOC模块用于对接收的视频帧提取车道数量信息；所述MCU模块用于接收SOC模块传回的视觉处理车道数量结果，接收激光雷达采集的点云数据，接收GPS经纬度信息，存储对点云数据进行特征处理和拼接经纬度、车道编号的程序代码，同时用于和云端服务器通信，传递处理后的道路点云数据并接收云端服务器训练好的模型数据。2.一种如权利要求1所述的汽车域控制器的通勤道路上车辆自动建图和定位方法，其特征在于，它包括：步骤S1、车主驾驶车辆在通勤道路上往返多次，采集周围环境的点云数据，得到历史点云数据；步骤S2、根据采集到的历史点云数据，构建历史道路特征向量的训练集；步骤S3、基于历史道路特征向量的训练集，采用随机森林算法进行分类训练，建立属于车主特定的通勤道路上的随机森林分类模型；步骤S4、得到车主特定的通勤道路上的随机森林分类模型后，当车主驾驶车辆在通勤道路上行驶时，采集当前关键帧点云数据，将当前车辆的点云数据与历史点云数据进行对比，得出车辆在通勤道路上的位置定位。3.根据权利要求2所述的通勤道路上车辆自动建图和定位方法，其特征在于，所述步骤S1中，采集周围环境的点云数据，得到历史点云数据，具体包括如下步骤：步骤S11、基于域控制器的SOC模块接收到的当前视频帧检测出路宽Wl，除以本车宽度Wc，得到车道数量n；步骤S12、通过车顶的激光雷达收集周围环境的点云数据传入域控制器的MCU模块，将每一帧点云数据根据垂线方向的高度差选取8层点云数据，搭配车辆经纬度和车道编号上传云端服务器，所述车道编号为1～n。4.根据权利要求3所述的通勤道路上车辆自动建图和定位方法，其特征在于，所述步骤S2中，根据采集到的历史点云数据，构建历史道路特征向量的训练集，具体包括如下步骤：步骤S21、在通勤道路上以每隔10米的经纬度数据为基准点，对基准点收集的环境点云数据做特征向量计算：在每层点云上以车辆为中心，50米为半径，按5米间隔划分出10个同心圆，将8个高度差的点云数据S分别在8层的10个同心圆上做投影；首先，对于同一层的10个同心圆上的投影，计算每个激光点到车辆激光发射原点的距离为 ；然后，统计每层的10个同...

【专利技术属性】
技术研发人员：宋国强，郭子明，陈刚，
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：