【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。