【技术实现步骤摘要】
本专利技术属于车辆控制，具体涉及一种基于视觉和雷达的agv小车避障方法。
技术介绍
1、agv(automated guided vehicle)小车是一种自动导引车辆，通过搭载各种传感器和控制系统，能够在无人操作的情况下进行路径规划、避障和运输等任务。agv小车的避障技术是其核心功能之一，保证了它在复杂环境中的安全运行。
2、现有的主动避障技术大多依赖于外部避障结构，这类外部结构会对agv小车的行驶性能带来额外负担。在不使用外部避障结构的情况下，对小车的主动避障控制具有很高的技术要求。使用单一的雷达传感器或者视觉技术无法对障碍物进行有效的预测和识别，并且雷达传感器容易受到测量噪声的影响，测量噪声需要在测量过程中进行实时调整，修正难度大，导致避障达不到预期的效果。
技术实现思路
1、为解决现有技术中存在的上述问题，本专利技术提供了一种基于视觉和雷达的agv小车避障方法，包括以下步骤：
2、s1：获取agv小车的主动避障图像数据和主动避障雷达数据，根据避障雷达的系统噪声和测量噪声对所述主动避障雷达数据进行修正和预测得到所述避障雷达的分布处理值；
3、s2：根据设定的对齐频率对所述分布处理值进行序列重构，得到时间对齐序列；
4、s3：根据所述时间对齐序列的标准时间对所述主动避障图像数据进行调整得到时间对齐图像，将所述时间对齐图像划分为s*s个单元格，将所述单元格输入卷积神经网络得到目标预测框和先验类别概率，根据所述目标预测框和所述先验类别
5、s4：将所述时间对齐序列的雷达坐标系和所述主动避障图像数据的像素坐标系进行坐标融合，得到所述目标识别框的真实尺寸数据和真实距离数据；
6、s5：对所述目标识别框中的随机点云的坐标求均值得到平均坐标，根据所述对齐频率计算所述平均坐标的速度，根据设定的时间窗口长度计算所述速度的平均值得到平均速度；
7、s6：根据所述平均速度和真实距离数据计算所述目标识别框的避障时间，根据所述避障时间和所述agv小车的性能参数对所述agv小车的行驶速度和行驶方向进行避障控制。
8、具体地，s1具体包括：
9、s101：对所述主动避障雷达数据进行测量噪声修正得到雷达真实值，噪声修正的公式为：其中，xi(t)为第i个避障雷达在t时刻的雷达真实值，mi(t)为所述避障雷达的测量值，ｈi为所述避障雷达的测量值映射矩阵，vi(t)为所述避障雷达在t时刻的测量噪声；
10、s102：对所述雷达真实值进行系统噪声滤波得到雷达滤波值，系统噪声滤波的公式为：xi(t+1)＝ψ(t+1，t)xi(t)-wi，其中，ψ(t+1，t)为状态预测矩阵，wi为所述避障雷达的系统噪声；
11、s103：根据所述雷达滤波值得到t时刻的雷达预估值将所述雷达预估值作为所述主动避障雷达的分布处理值。
12、具体地，测量噪声的计算方法为：
13、s201：计算得到第i个所述避障雷达在t时刻的残差为残差算符；
14、s202：根据设定的时间窗口的步长n计算所述时间窗口下所述残差的均值ave_resi(t，t-1，...，t-n)，根据判断条件：a×ave-resi(t，t-1，...，t-n)＜resi(t)＜a×ave_resi(t，t-1，...，t-n)对所述残差进行离群点剔除得到标准残差，其中a和a为设定离群阈值参数；
15、s203：计算所述标准残差的标准残差方差，根据所述标准残差方差和所述标准残差的比值得到测量噪声迭代参数ri(t)；
16、s204：使用所述测量噪声迭代参数和上一时刻的测量噪声对所述测量噪声进行计算得到所述测量噪声vi(t)＝rt(t)vi(t-1)。
17、具体地，序列重构的方法为：
18、将所述分布处理值的时间除以所述对齐频率得到所述标准时间，对所述标准时间使用所述s102的方法进行计算得到所述分布时间对齐序列。
19、具体地，卷积神经网络通过所述目标预测框、所述先验类别概率和所述置信度训练得到，所述置信度的计算公式为：其中，c(j)表示目标预测框object属于classj先验类别的置信度，p(classj|object)表示目标预测框object属于先验类别classj的先验类别概率，p(object)表示目标检测框object存在识别目标的概率，表示所述目标检测框object和标定的真实训练框的面积比值。
20、具体地，s4中的坐标融合的具体方法为：
21、s401：获取所述雷达坐标系的坐标(r，θ)和所述像素坐标系的坐标(xc，yc，zc)；
22、s402：对坐标(r，sinθ)和坐标(xc，yc，zc)使用公式进行坐标转化，其中k为所述雷达坐标系和所述像素坐标系的原点距离；
23、s403：根据坐标转化后的时间对齐序列测量所述目标识别框的真实尺寸数据和真实距离数据。
24、具体地，s5中平均速度的计算方法具体包括：
25、s501：计算所述平均坐标(xt，yt，zt)，其中，n为所述随机点云的个数；
26、s502：根据所述对齐频率获取一个时间单位后的平均坐标(xt+1，yt+1，zt+1)，根据所述平均坐标和所述对齐频率计算所述平均坐标的速度；
27、s503：计算所述时间窗口长度内的速度得到速度集合，对所述速度集合求均值得到所述平均速度。
28、本专利技术的有益效果为：
29、(1)通过剔除了离群点的残差的方差和残差的比值计算测量噪声迭代参数，对测量噪声进行了有效的控制，实现了更精准的雷达测量；
30、(2)通过将视觉模块的图像数据和雷达系统的雷达数据结合，提高了小车的避障控制成功率。
本文档来自技高网...【技术保护点】
1.一种基于视觉和雷达的AGV小车避障方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述S1具体包括：
3.根据权利要求2所述的方法，其特征在于，所述测量噪声的计算方法为：
4.根据权利要求2所述的方法，其特征在于，所述序列重构的方法为：
5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络通过所述目标预测框、所述先验类别概率和所述置信度训练得到，所述置信度的计算公式为：其中，C(j)表示目标预测框Object属于Classj先验类别的置信度，P(Classj|Object)表示目标预测框Object属于先验类别Classj的先验类别概率，P(Object)表示目标检测框Object存在识别目标的概率，表示所述目标检测框Object和标定的真实训练框的面积比值。
6.根据权利要求1所述的方法，其特征在于，所述S4中的坐标融合的具体方法为：
7.根据权利要求1所述的方法，其特征在于，所述S5中平均速度的计算方法具体包括：
【技术特征摘要】
1.一种基于视觉和雷达的agv小车避障方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述s1具体包括：
3.根据权利要求2所述的方法，其特征在于，所述测量噪声的计算方法为：
4.根据权利要求2所述的方法，其特征在于，所述序列重构的方法为：
5.根据权利要求1所述的方法，其特征在于，所述卷积神经网络通过所述目标预测框、所述先验类别概率和所述置信度训练得到，所述置信度的计算公式为：其中，c(j)表...
【专利技术属性】
技术研发人员：蔡喜林，刘帅，陈有清，陈向华，
申请(专利权)人：上海巴兰仕汽车检测设备股份有限公司，
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。