【技术实现步骤摘要】
本申请涉及车辆自动驾驶领域，尤其是涉及一种ai视觉感知的自动车距保持辅助系统。
技术介绍
1、自动车距保持系统，作为自动驾驶技术的关键组成部分，目前主要依赖于两种类型的传感器：雷达(包括毫米波雷达)和光学摄像头。这些系统的核心目标是在各种道路条件下保持车辆与前车的安全距离。
2、雷达传感器通过发射电磁波并捕捉其反射波来检测前方对象的距离和速度，它们对恶劣天气条件具有相对较强的抗干扰能力。
3、雷达系统虽然在恶劣天气条件下表现较好，但可能在城市环境中由于多路径效应(即电磁波的多重反射)导致误读。而摄像头系统在夜间或直射阳光下的性能降低，特别是在对比度低或光线不均匀的情况下。
4、这些系统利用摄像头捕获前方的视觉图像，通过图像处理算法识别车辆、行人、道路标志和车道线等。虽然摄像头在提供视觉细节方面优于雷达，但在低光照或直射阳光条件下性能可能下降。
技术实现思路
1、为了能够较好地自动保持驾驶车辆与前车的车距，本申请提供了一种ai视觉感知的自动车距保持辅助系统。
2、所述ai视觉感知的自动车距保持辅助系统包括：
3、图像获取模组，所述图像获取模组供获取道路多模态图像信息；
4、处理模组，供处理各种数据；
5、通讯模块，供进行数据通讯；
6、反馈模块，供向车辆驾驶员发传递反馈信息；
7、控制模块，供控制车辆的车速；
8、其中，所述图像获取模组、所述通讯模块、所述反馈模块和
9、其中，所述图像获取模组包括摄像模块、激光雷达模块和热成像模块，所述摄像模块、激光雷达模块和热成像模块分别被可通讯地连接于所述处理模组，其中，所述摄像模块供获取道路图像数据，所述激光雷达模块供获取道路云点数据，所述热成像模块供获取道路热成像数据；
10、其中，所述处理模组包括车载处理模块和外部处理模块，所述外部处理模块通过所述通讯模块可通讯地连接于所述车载处理模块。
11、通过采用上述技术方案，所述ai视觉感知的自动车距保持辅助系统可以综合道路图像数据、道路点云数据和道路热成像数据对驾驶车辆的前方车辆的车距进行识别，进而可以提高车距识别的准确度，通过所述外部处理模块也可以提高识别效率。
12、可选的，所述ai视觉感知的自动车距保持辅助系统进一步包括车距保持策略，所述车距保持策略包括以下步骤：
13、a1，通过所述图像获取模组获取道路多模态图像信息，其中，道路多模态图像信息包括道路图像数据、道路云点数据和道路热成像数据；
14、a2，根据道路图像数据通过所述处理模块以预设的车道识别算法生成车道信息；
15、a3，根据道路多模态图像信息通过所述处理模块以预设的车距识别算法生成车距信息；
16、a4，根据车道信息和车距信息确定前方车辆车距；
17、a5，获取自身车速数据；
18、a6，根据自身车速数据和道路图像数据以预设的安全制动距离算法计算安全制动距离；
19、a7，根据前方车辆车距、安全制动距离和预设的预留距离以预设的安全距离算法计算安全距离；
20、a8，通过所述反馈模块向车辆驾驶员发送预设的车速调节告知信息；
21、a9，根据安全距离通过所述控制模块调节当前车辆的车速。
22、通过采用上述技术方案，所述ai视觉感知的自动车距保持辅助系统可以根据道路图像数据识别出车道信息，并根据车道信息和通过车距识别算法生成车距信息确定驾驶车辆所处车道的前方车辆车距，进而根据前方车辆车距对当前车辆进行车距调节，使当前车辆和前方车辆保持在一个较安全的距离。
23、可选的，所述车距识别算法包括以下步骤：
24、b1，通过所述摄像模块获取道路图像数据，并根据道路图像数据以预设的特征提取算法生成道路图像特征数据；
25、b2，通过所述激光雷达模块获取道路点云数据，根据道路点云数据以预设的点云转换算法生成道路深度图数据，并根据道路深度图数据以特征提取算法生成道路深度特征数据；
26、b3，通过所述热成像模块获取道路热成像数据，并根据道路热成像数据以特征提取算法生成道路热成像特征数据；
27、b4，根据道路图像特征数据、道路深度特征数据和道路热成像特征数据以预设的特征融合算法生成道路融合特征数据；
28、b5，根据道路融合特征数据以预训练的车距识别模型生成车距信息。
29、通过采用上述技术方案，通过以上步骤，所述车距识别算法可以通过特征提取算法和特征融合算法减少需要进行识别处理的数据量，可提高对道路车辆的车距识别的效率，同时通过多维度的数据保留重要特征数据，又保证了车距识别的准确度。
30、可选的，所述ai视觉感知的自动车距保持辅助系统进一步包括以下步骤用于训练车距识别模型：
31、c1，于预设的历史数据库获取历史道路多模态图像信息，并于历史道路多模态图像信息中获取相匹配的历史图像数据、历史点云数据、历史热成像数据和历史车距数据；
32、c2，根据历史图像数据以特征提取算法生成历史图像特征数据；
33、c3，根据历史点云数据以点云转换算法生成历史深度图数据，并根据历史深度图数据以特征提取算法生成历史深度特征数据；
34、c4，根据历史热成像数据以特征提取算法生成历史热成像特征数据；
35、c5，根据历史图像特征数据、历史深度特征数据、历史热成像特征数据以特征融合算法生成历史融合特征信息；
36、c6，根据历史融合特征信息和历史车距数据生成车距识别数据集；
37、c7，根据车距识别数据集对预设的深度学习模型进行训练以生成车距识别模型。
38、通过采用上述技术方案，所述ai视觉感知的自动车距保持辅助系统可以根据历史数据进行特提取，以减少数据量，并对多模态的特征进行融合，进一步减少数据量并保证必要特征信息，最后根据历史数据的特征数据训练生成车距识别模型，可提高训练效率。
39、可选的，所述处理模块包括分部识别算法用于对道路多模态图像信息进行分块处理，所述分部识别算法包括以下步骤：
40、d1，根据道路图像数据以及车道信息以预设的分割算法生成主要区域图像数据和次要区域图像数据；
41、d2，根据道路深度图数据以及车道信息以分割算法生成主要区域深度图数据和次要区域深度图数据；
42、d3，根据道路热成像数据以及车道信息以分割算法生成主要区域热成像数据和次要区域热成像数据；
43、d4，所述车载处理模块分别根据主要区域图像数据、主要区域深度图数据和主要区域热成像数据以特征提取算法生成主要区域图像特征数据、主要区域深度特征数据和主要区域热成像特征数据；
44、d5，所述车载处理模块根据主要区域图像特征数本文档来自技高网...
【技术保护点】
1.AI视觉感知的自动车距保持辅助系统，其特征在于，包括：
2.根据权利要求1所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述AI视觉感知的自动车距保持辅助系统进一步包括车距保持策略，所述车距保持策略包括以下步骤：
3.根据权利要求2所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述车距识别算法包括以下步骤：
4.根据权利要求3所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述AI视觉感知的自动车距保持辅助系统进一步包括以下步骤用于训练车距识别模型：
5.根据权利要求4所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述处理模块包括分部识别算法用于对道路多模态图像信息进行分块处理，所述分部识别算法包括以下步骤：
6.根据权利要求5所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述安全制动距离算法包括以下步骤：
7.根据权利要求6所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述AI视觉感知的自动车距保持辅助系统进一步包括道路损坏监测策略，所述道路损坏监测策略包括
8.根据权利要求7所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述AI视觉感知的自动车距保持辅助系统进一步包括道路异物监测策略，所述道路异物监测策略包括以下步骤：
9.根据权利要求8所述的所述的AI视觉感知的自动车距保持辅助系统，其特征在于，所述点云转换算法为：
...【技术特征摘要】
1.ai视觉感知的自动车距保持辅助系统，其特征在于，包括：
2.根据权利要求1所述的ai视觉感知的自动车距保持辅助系统，其特征在于，所述ai视觉感知的自动车距保持辅助系统进一步包括车距保持策略，所述车距保持策略包括以下步骤：
3.根据权利要求2所述的ai视觉感知的自动车距保持辅助系统，其特征在于，所述车距识别算法包括以下步骤：
4.根据权利要求3所述的ai视觉感知的自动车距保持辅助系统，其特征在于，所述ai视觉感知的自动车距保持辅助系统进一步包括以下步骤用于训练车距识别模型：
5.根据权利要求4所述的ai视觉感知的自动车距保持辅助系统，其特征在于，所述处理模块包括分部识别算法用于对道路多模态图像信...
【专利技术属性】
技术研发人员：徐琛，
申请(专利权)人：深圳芯视觉科技有限公司，
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。