一种环境感知与自适应驾驶辅助电子控制系统技术方案

本发明专利技术涉及自动驾驶技术领域，尤其为一种环境感知与自适应驾驶辅助电子控制系统，包括：包括：采集模块：用于通过采集装置收集车辆附近信息，获得原始数据；处理模块：用于对原始数据进行图像预处理，获得预处理数据；识别模块：用于对处理模块中的预处理数据分类识别；预测模块：用于对分类识别后的物质进行运动轨迹预测；控制中心：用于接收各模块信息和自适应驾驶辅助。本发明专利技术通过电子雷达与摄像头相结合防止某一元器件出现故障，同时使用全卷积神经网络对周围物质进行语义分割，最后采用已经训练好的完备的卷积神经网络模型作为基础进行二次模型训练，在缩短了时间的同时还增加了模型的正确性。模型的正确性。模型的正确性。

【技术实现步骤摘要】
一种环境感知与自适应驾驶辅助电子控制系统


[0001]本专利技术涉及自动驾驶
，尤其是一种环境感知与自适应驾驶辅助电子控制系统。

技术介绍

[0002]在我国快速的现代化进程中，出现了许多自动驾驶汽车。自动驾驶汽车的出现也导致了一系列的问题。由于车辆一般时速较快同时有可能出现突发状况，这也导致自动驾驶技术存在一定的风险。现有技术中，通过电子雷达对周围事物进行信息获取，保障了信息的快速获取，但单一的电子元器件出现错误的概率较大，同时通过深度学习来进行自动驾驶预测这需要相对来说较长的时间同样有可能导致事故的发生。因此，本领域技术人员提供了一种环境感知与自适应驾驶辅助电子控制系统，以解决上述
技术介绍
中提出的问题。

技术实现思路

[0003]本专利技术的目的是通过提出一种环境感知与自适应驾驶辅助电子控制系统，以解决上述
技术介绍
中提出的缺陷。
[0004]本专利技术采用的技术方案如下：
[0005]提供一种环境感知与自适应驾驶辅助电子控制系统，包括：
[0006]采集模块：用于通过采集装置收集车辆附近信息，获得原始数据；
[0007]处理模块：用于对原始数据进行图像预处理，获得预处理数据；
[0008]识别模块：用于对处理模块中的预处理数据分类识别；
[0009]预测模块：用于对分类识别后的物质进行运动轨迹预测；
[0010]控制中心：用于接收各模块信息和自适应驾驶辅助。
[0011]作为本专利技术的一种优选技术方案：所述采集模块中的采集装置包括激光雷达和电子摄像头，单一的激光雷达可能会导致采集数据出现错误因此采用激光雷达与电子摄像头，两者同时收集周边数据，如果某一电子元器件发出预警则车辆立马减速甚至停止。
[0012]作为本专利技术的一种优选技术方案：所述处理模块中图像预处理操作包括数据增强、归一化和标准化，对图像进行预处理能够增加数据样本量和减少模型计算时所消耗的时间增加模型性能。
[0013]作为本专利技术的一种优选技术方案：所述数据增强是对原始数据进行各种变换从而对样本量进行扩充，计算公式如下：
[0014]f＝ω1R+ω2G+ω2B
[0015]g＝kf+b
[0016]其中f为灰度值，RGB为图像三通道，ω1、ω2、ω2为灰度转化的系数，g为图像增强后的灰度值，k为缩放系数，b为偏置值，对数据进行归一化处理计算公式如下：
[0017][0018]其中g
′
为归一化后的数据，g
max
为最大值，g
min
为最小值，对归一化后的数据进行标准化处理计算公式如下：
[0019][0020]其中g
″
为标准化处理后的数值，为平均值，δ为标准差。
[0021]作为本专利技术的一种优选技术方案：所述识别模块中通过FCN全卷积神经网络进行对预处理数据进行分类识别。
[0022]作为本专利技术的一种优选技术方案：所述FCN全卷积神经网络实现步骤如下：
[0023]3.1：将数据预处理结果g
″
作为模型输入；
[0024]3.2：搭建网络模型；
[0025]3.3：训练模型；
[0026]3.4：验证模型。
[0027]作为本专利技术的一种优选技术方案：所述搭建网络模型包括编码器和解码器，编码器计算过程如下：
[0028]卷积层：
[0029]X
i+1
＝Sigmiod(W*X
i
+b)
[0030]池化层：
[0031]g
i
＝max(x
i
)
[0032]其中X为输出，Sigmiod()为激活函数W为卷积核，*为卷积操作，b为偏置值，x
i
为g
″
i
对应的卷积核大小内的像素值，解码器计算公式如下：
[0033]上采样：
[0034]X
i+1
＝Relu(Upsample(X
i+1
))
[0035]反卷积：
[0036]X
i+1
＝Sigmiod(W
T
*X
i
+b)
[0037]其中Relu()为激活函数，Upsample()为上采样，W
T
为卷积核的转置矩阵。
[0038]作为本专利技术的一种优选技术方案：所述训练模型是根据损失函数最终确定参数，损失函数如下：
[0039][0040]其中为预测值，Size为数据总和，验证模型计算公式如下：
[0041][0042]其中TP、TF为预测正确，NP、NF为预测错误。
[0043]作为本专利技术的一种优选技术方案：所述预测模型中对分类识别后的物质进行运动轨迹预测使用训练好的CNN模型进行二次训练。
[0044]作为本专利技术的一种优选技术方案：所述控制中心通过预测模型预测的结果进行自适应驾驶辅助。
[0045]本专利技术提供的环境感知与自适应驾驶辅助电子控制系统，与现有技术相比，其有益效果有：
[0046]本专利技术通过电子雷达与摄像头相结合防止某一元器件出现故障，同时使用全卷积神经网络对周围物质进行语义分割，最后采用已经训练好的完备的卷积神经网络模型作为基础进行二次模型训练，在缩短了时间的同时还增加了模型的正确性。
附图说明
[0047]图1为本专利技术优选实施例的系统框图。
[0048]图中各个标记的意义为：100、采集模块；200、处理模块；300、识别模块；400、预测模块；500、控制中心。
具体实施方式
[0049]需要说明的是，在不冲突的情况下，本实施例中的实施例及实施例中的特征可以相互组合，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0050]参照图1，本专利技术优选实施例提供了一种环境感知与自适应驾驶辅助电子控制系统，包括：
[0051]采集模块100：用于通过采集装置收集车辆附近信息，获得原始数据；
[0052]处理模块200：用于对原始数据进行图像预处理，获得预处理数据；
[0053]识别模块300：用于对处理模块200中的预处理数据分类识别；
[0054]预测模块400：用于对分类识别后的物质进行运动轨迹预测；
[0055]控制中心500：用于接收各模块信息和自适应驾驶辅助。
[0056]所述采集模块100中的采集装置为激光雷达和摄像头。
[0057]所述处理模块200中图像预处理操作包括数据增强、归一化和标准化。
[0058]所述数据增强是对原始数据进行各种变换计算公式如下：
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种环境感知与自适应驾驶辅助电子控制系统，其特征在于：包括：采集模块(100)：用于通过采集装置收集车辆附近信息，获得原始数据；处理模块(200)：用于对原始数据进行图像预处理，获得预处理数据；识别模块(300)：用于对处理模块(200)中的预处理数据分类识别；预测模块(400)：用于对分类识别后的物质进行运动轨迹预测；控制中心(500)：用于接收各模块信息和自适应驾驶辅助。2.根据权利要求1所述的环境感知与自适应驾驶辅助电子控制系统，其特征在于：所述采集模块(100)中的采集装置包括激光雷达和电子摄像头。3.根据权利要求1所述的环境感知与自适应驾驶辅助电子控制系统，其特征在于：所述处理模块(200)中图像预处理操作包括数据增强、归一化和标准化。4.根据权利要求3所述的环境感知与自适应驾驶辅助电子控制系统，其特征在于：所述数据增强是对原始数据进行各种变换计算公式如下：f＝ω1R+ω2G+ω2Bg＝kf+b其中f为灰度值，RGB为图像三通道，ω1、ω2、ω2为灰度转化的系数，g为图像增强后的灰度值，k为缩放系数，b为偏置值，对数据进行归一化处理计算公式如下：其中g'为归一化后的数据，g
max
为最大值，g
min
为最小值，对归一化后的数据进行标准化处理计算公式如下：其中g”为标准化处理后的数值，为平均值，δ为标准差。5.根据权利要求4所述的环境感知与自适应驾驶辅助电子控制系统，其特征在于：所述识别模块(300)中通过FCN全卷积神经网络进行对预处理数据进行分类识别。6.根据权利要求5所述的环境感知与自适应驾驶辅助电子控制系统，其特征在于：所述FCN全卷积神经网络实现步骤如下：3.1：将数据预处理结果g”作为模型输入...

【专利技术属性】
技术研发人员：武术，
申请(专利权)人：上海芯箭电子有限公司，
类型：发明
国别省市：