一种动态行进轨迹的处理系统及方法,属于图像处理技术领域,为解决现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善的问题;本发明专利技术通过目标检测与跟踪单元利用雷达数据进行目标检测和跟踪,行为意图识别单元分析目标车辆的运动特征和上下文信息,对其行为进行分类和预测,遮挡物检测与识别单元通过传感器数据分析和处理,检测并识别道路上的遮挡物,路径规划与决策单元根据目标车辆的行为意图和遮挡物的位置,重新规划行经的路径,相比较现有的动态行进轨迹处理系统,可以实时监测目标车辆和遮挡物的状态,及时发现潜在的安全隐患,并通过路径规划与决策,避免与目标车辆发生碰撞或其他危险情况,提高行驶的效率和流畅性。
【技术实现步骤摘要】
本专利技术涉及图像处理,特别涉及一种动态行进轨迹的处理系统及方法。
技术介绍
1、随着图像处理技术的发展,传感器的使用越来越多,特别在机器人及自动驾驶领域,通过传感器和处理算法,规划出最优的路线并实时避障,虽然自动驾驶技术能够通过实时感知周围环境,并根据道路状态、车辆及行人运动状态作出判断和提供决策,但在复杂的交通环境和各种不可预测的情况下,仍然需要人类驾驶员的干预或者限制,现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善。
2、为解决上述问题。为此,提出一种动态行进轨迹的处理系统及方法。
技术实现思路
1、本专利技术的目的在于提供一种动态行进轨迹的处理系统及方法,解决了
技术介绍
中现有的动态行进轨迹图像处理技术的预判能力不足,仍需完善的问题。
2、为实现上述目的,本专利技术提供如下技术方案:一种动态行进轨迹的处理系统,包括:
3、目标检测与跟踪单元:基于雷达的目标检测与追踪算法,通过使用传感器数据来检测和跟踪车辆的位置、速度和加速度等信息;
4、行为意图识别单元:用于分析车辆的行为意图,包括减速、刹车、变道等,结合车辆的运动特征和上下文信息,对车辆的行为进行分类和预测;
5、遮挡物检测与识别单元:用于检测并识别道路上的遮挡物,包括静态障碍物和移动物体,通过对传感器数据的处理和分析,识别出遮挡物的位置、尺寸和类型等关键信息;
6、路径规划与决策单元:根据车辆的行为意图和遮挡物的位置,重新规划行经的路径。p>7、进一步地,所述目标检测与追踪单元包括:
8、目标检测与识别模块:用于在传感器数据中检测出可能是车辆的物体区域,并对目标进行识别和分类,以确定其是否为车辆;
9、目标追踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
10、运动估计模块:用于在获得连续跟踪的结果后,估计车辆的运动状态,包括速度和加速度等;
11、水平距离测算模块:用于测算目标车辆与其他目标,如遮挡物、道路边缘等之间的水平距离,以便进行路径规划和决策。
12、进一步地,所述行为意图识别单元包括:
13、数据预处理模块:用于对传感器数据进行预处理,包括数据的滤波、降噪、标定等,用于行为意图识别的特征提取和训练;
14、特征提取模块:用于预处理后的数据中提取有用的特征,以描述车辆的运动特征和上下文信息;
15、行为分类与预测模型:用于使用深度学习技术构建分类和预测模型,对提取的特征进行训练和学习;
16、上下文建模:考虑到行为意图的预测可能受到车辆周围环境的影响,上下文建模可以将目标车辆的行为与其他车辆、交通信号灯、道路标志等上下文信息进行关联建模。
17、进一步地,在行为分类与预测模型中,采用支持向量机算法,其步骤为:
18、s01:数据准备:首先从传感器数据中提取与行为意图相关的特征,如车辆的速度、加速度、方向角等,然后将特征与相应的行为标签进行配对,形成训练数据集。
19、s02:特征转换与映射:对于非线性可分的数据,可以通过核函数将特征映射到高维空间。
20、s03:支持向量机训练:使用训练数据集,通过最大化间隔确定最优的超平面,以实现数据的分类,选择使得分类边界距离最远的样本点作为支持向量,通过优化问题求解得到超平面参数。
21、s04:行为分类与预测:根据训练得到的svm模型,对新的测试样本进行分类和预测,通过将测试样本映射到训练数据所在的高维特征空间,根据超平面的位置来判断样本的行为类别。
22、进一步地,遮挡物检测与识别单元包括:
23、物体检测模块:用于在传感器数据中检测出可能是遮挡物的物体区域;
24、物体分类模块:用于当检测到遮挡物区域,对遮挡物进行分类,以确定其类型;
25、物体跟踪模块:用于在连续的图像帧中追踪遮挡物,并估计其位置、尺寸和运动状态等信息;
26、遮挡物属性分析模块:用于检测到的遮挡物进行进一步的属性分析,如通过运动估计和轨迹分析技术来分析遮挡物的形状、速度、加速度等。
27、进一步地,在目标检测与识别模块以及物体检测模块中,通过使用yolo算法对目标车辆或遮挡物的识别,其识别步骤为:
28、s01:网络输入处理:将输入图像划分为固定大小的网格,每个网格负责检测其中的一个物体,同时预测出多个边界框和类别置信度;
29、s02:特征提取:使用预训练的卷积神经网络作为特征提取器,通过卷积和池化层,从原始图像中提取出丰富的特征表示;
30、s03:特征融合:将不同层次的特征图进行融合,使得算法能够在不同尺度上进行物体检测,通过跨层连接,将较低层的特征图与较高层的特征图进行连接。
31、s04:预测边界框:对于每个网格,根据网络预测的边界框参数,参数包括坐标、宽度和高度,计算出相对于整个图像的边界框位置;
32、s05:类别预测:对于每个网格,根据网络预测的类别概率,确定物体的类别;
33、s06:非极大值抑制:由于同一个物体可能会被多个网格检测到,为了避免重复检测,使用非极大值抑制nms算法对边界框进行筛选,通过设置阈值,保留置信度最高的边界框。
34、进一步地,所述路径规划与决策单元包括:
35、行为意图分类算法:利用深度学习方法,分析目标车辆的运动特征和上下文信息,对目标车辆的行为意图进行分类和预测,如减速、刹车、变道等;
36、碰撞风险评估算法:基于目标车辆与遮挡物之间的距离、相对速度等信息,评估目标车辆与遮挡物之间的碰撞风险;
37、路径生成模块:根据目标车辆的行为意图和遮挡物的位置,重新规划路径;
38、决策与控制模块:据路径规划结果和当前车辆状态,制定控制策略,例如调整加速度、转向角度等。
39、进一步地,在碰撞风险评估算法中,利用最小二乘法评估目标车辆与遮挡物之间的碰撞风险,其步骤为:
40、s01:距离与时间建模:根据目标车辆和遮挡物之间的相关数据,将目标车辆和遮挡物之间的距离随时间的变化进行建模;
41、s02:碰撞风险评估:通过最小二乘法,拟合距离随时间变化的模型,并计算预测值和实际观测值之间的残差,较大的残差表明存在较高的碰撞风险;
42、s03:优化问题求解:将碰撞风险评估转化为一个优化问题,通过最小化残差平方和来寻找最佳的模型参数。
43、本专利技术提出的另一种技术方案:提供一种动态行进轨迹的处理方法,包括以下步骤:
44、s1:获取传感器数据:从雷达、摄像头等传感器中获取车辆周围环境的数据,包括目标车辆和其他遮挡物的位置、速度、加速度等信息;
45、s2:目标检测与跟踪:使用基于雷达或摄像头数据的目标检测与追踪算法,对目标车辆和其他遮挡物进本文档来自技高网
...
【技术保护点】
1.一种动态行进轨迹的处理系统,其特征在于,包括:
2.如权利要求1所述的一种动态行进轨迹的处理系统,其特征在于:所述目标检测与追踪单元包括:
3.如权利要求2所述的一种动态行进轨迹的处理系统,其特征在于:所述行为意图识别单元包括:
4.如权利要求3所述的一种动态行进轨迹的处理系统,其特征在于:在行为分类与预测模型中,采用支持向量机算法,其步骤为:
5.如权利要求4所述的一种动态行进轨迹的处理系统,其特征在于:遮挡物检测与识别单元包括:
6.如权利要求5所述的一种动态行进轨迹的处理系统,其特征在于:在目标检测与识别模块以及物体检测模块中,通过使用YOLO算法对目标车辆或遮挡物的识别,其识别步骤为:
7.如权利要求6所述的一种动态行进轨迹的处理系统,其特征在于:所述路径规划与决策单元包括:
8.如权利要求7所述的一种动态行进轨迹的处理系统,其特征在于:在碰撞风险评估算法中,利用最小二乘法评估目标车辆与遮挡物之间的碰撞风险,其步骤为:
【技术特征摘要】
1.一种动态行进轨迹的处理系统,其特征在于,包括:
2.如权利要求1所述的一种动态行进轨迹的处理系统,其特征在于:所述目标检测与追踪单元包括:
3.如权利要求2所述的一种动态行进轨迹的处理系统,其特征在于:所述行为意图识别单元包括:
4.如权利要求3所述的一种动态行进轨迹的处理系统,其特征在于:在行为分类与预测模型中,采用支持向量机算法,其步骤为:
5.如权利要求4所述的一种动态行进轨迹的处理系统,其特征在于:遮...
【专利技术属性】
技术研发人员:沈春松,王嘉鸿,王广利,
申请(专利权)人:深圳云程科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。