CN108068817A - 一种无人驾驶汽车自动变道装置及方法 - Google Patents

Abstract

本发明公开了一种无人驾驶汽车自动变道装置及方法，包括图像采集器、图像处理器、中央处理器模组以及控制执行系统，所述图像采集器采集路面上的道路标志线，所述图像处理器与图像采集器数据连接且用于接收图像采集器的采集数据，并对图像采集器的图像信息进行识别，并分辨出标志线的功用，所述中央处理器模组与图像处理器数据连接且根据预先设置的程序对图像处理器传输出的信号进行综合分析处理后发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。所述无人驾驶汽车自动变道装置及方法在不依赖驾驶员完成自动变道的前提下，主动识别道路线，灵活应对各种道路情况，实用性高。

Description

一种无人驾驶汽车自动变道装置及方法

技术领域：

本发明涉及一种无人驾驶汽车自动变道装置及方法，涉及无人驾驶技术领域。

背景技术：

随着汽车在全球的普及，大量汽车必然需要大量的驾驶人员，为了避免人力资源的浪费，无人驾驶汽车迅速发展，目前无人驾驶汽车主要有两种自动变道方法：一种是驾驶员给汽车一个变道指令，然后由汽车完成变道，这种方法仍然依赖驾驶员的判断、指令，无法实现真正的无人驾驶，另一种是汽车根据既定的行车路线行驶，依赖导航系统实现道路上的变道，由于自然条件下情况复杂，且系统实时性要求也很高，所以交通线的实时识别在辅助导航中效果并不很理想，仍然有着许多没法解决的问题。

发明内容：

本发明所要解决的技术问题是：提供一种主动识别道路线，灵活应对各种道路情况的无人驾驶汽车自动变道装置及方法。

为了解决上述技术问题，本发明是通过以下技术方案实现的：

一种无人驾驶汽车自动变道装置，包括图像采集器、图像处理器、中央处理器模组以及控制执行系统，所述图像采集器采集路面上的道路标志线，所述图像处理器与图像采集器数据连接且用于接收图像采集器的采集数据，并对图像采集器的图像信息进行识别，并分辨出标志线的功用，所述中央处理器模组与图像处理器数据连接且根据预先设置的程序对图像处理器传输出的信号进行综合分析处理后发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。

作为优选，所述图像采集器设置为高速面阵相机。

作为优选，所述中央处理器模组设置为车载ECD。

作为优选，还包括导航系统，所述导航系统与中央处理器模组数据连接，所述导航系统根据输入的目的地为汽车规划行车方案，并根据采集到的信息实时更新数据库。

作为优选，所述导航系统包括云端数据库、车载终端和地面GPS基站三个模块，其中，车载终端分别与云端数据库、地面GPS基站采用无线通讯的方式进行信息交互。

作为优选，还包括环境感知系统，所述环境感知系统与中央处理器模组数据连接，所述环境感知系统包括摄像头和毫米波雷达，用于采集周围车辆的相对距离、相对速度及障碍物情况，并将采集到的信息传输到中央处理器模组。

作为优选，所述控制执行系统包括制动控制器、转向控制器、转向灯控制器和油门控制器，该控制执行系统根据中央处理器模组传输的决策指令，分别通过制动控制器、转向控制器、转向灯控制器和油门控制器以改变本车的速度和转向角，完成变道动作。

作为优选，还包括与中央处理器模组扬声器，将中央处理器模组的决策指令通过声音信号反馈给车内人员。

一种无人驾驶汽车自动变道方法，包括以下步骤，

步骤一，由高速面阵相机采集道路信息，将采集到的信息传输至图像处理器；

步骤二，由图像处理器将处理接收到的图像信息并进行识别处理，将识别后处理后的信息传输至车载ECU；

步骤三，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否；

步骤四，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。

作为优选，所述步骤二中的图像识别方法包括，对图像进行预处理，对采集的图像进行灰度化，并进行适当的形态学处理。基于图像检测交通标线，利用形状和边缘信息进行快速检测。然后基于形状特性进行提取，并对变形的图像进行一下必要的矫正。最后，通过以距离为相似度的测度，完成对图像的识别，其中，具体步骤为：

步骤1，将彩色的原始图像转化为灰度图像，灰度图像的表示方法是将图像的每一个像素点的亮度值进行量化处理，通常将每个像素点的亮度范围划分为0-255之间共256个灰度级别，0代表该点全黑，255代表该点全白，原理是使用一个256色的调色板，每一项RGB的值是相同的，灰度范围为0-255，灰度值用公式表示为：

用数学形态学的方法提取图形中能有效表达和描绘区域形状的图像分量，如边界、骨架及凸壳等，在经过预处理后，还需要进行一些包括膨胀、腐蚀、开运算及闭运算处理；

步骤2，图像的二值化通过将具有相同属性的像素点归为一个区域，不同属性的归为另一个区域，当根据某一属性进行图像区域分割时就是要设置相对应的阈值，设G=｛0，1……，L-1｝为图像灰度值的集合，L代表图像灰度级别，设定灰度值B=｛b0，b1}为阈值T∈G的两个灰度值且b0,b1∈G，以T为阈值对图像f(x,y)进行二值化，得到一个只有0和255两个灰度级别的图像f_T(x,y),具体表达式如下：

此处阈值的选取利用最小误差法，边缘检测可以通过微分算子的卷积完成，用导数算子作用于图像会使灰度变化较大的区域得出的值较高，因此，将对应的边缘区域设置门限，从而提取边缘的像素点，这里使用Canny算子进行边缘提取，道路标线的特征提取利用投影、几何特性、傅立叶描述子、链码特征表述道路标线的轮廓形状，综合利用Hu不变矩和Zernike不变矩作为特征值来识别目标。

步骤3，道路标线的识别利用Euclidean距离度量模版特征与待识别图像特征的相似性，将待识别的道路标线的特征向量与样本库中标准的特征表进行一一对比，当样本库中某一交通标线特征值和待识别的标线图像匹配时，则判定被识别的图像为该标准交通标线，并输出对应的功用信号，反之，被识别图像不是道路标线。

与现有技术相比，本发明的有益之处是：所述无人驾驶汽车自动变道装置及方法在不依赖驾驶员完成自动变道的前提下，主动识别道路线，灵活应对各种道路情况，因而具有较高的实用性和经济效益，适合推广应用。

附图说明：

下面结合附图对本发明进一步说明：

图1所示为本发明中无人驾驶汽车的自动变道装置及方法的原理方框图；

图2所示为本发明中导航系统的运行过程示意图；

图3所示为本发明中基于云端数据库导航行车系统结构图；

图4所示为本发明具体实施例中无人驾驶汽车自动变道决策系统；

图5所示为本发明具体实施例中针孔测距坐标原理图。

具体实施方式：

下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，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它实施例，都属于本发明保护的范围：

如图1所示的一种无人驾驶汽车自动变道装置，包括图像采集器、图像处理器3、中央处理器模组以及控制执行系统7，所述图像采集器采集路面上的道路标志线，所述图像处理器与图像采集器数据连接且用于接收图像采集器的采集数据，并对图像采集器的图像信息进行识别，并分辨出标志线的功用，所述中央处理器模组与图像处理器数据连接且根据预先设置的程序对图像处理器传输出的信号进行综合分析处理后发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否，作为优选实施方案，所述控制执行系统包括制动控制器、转向控制器、转向灯控制器和油门控制器，该控制执行系统根据中央处理器模组传输的决策指令，分别通过制动控制器、转向控制器、转向灯控制器和油门控制器以改变本车的速度和转向角，完成变道动作，在本实施例中，所述图像采集器设置为高速面阵相机2，所述中央处理器模组设置为车载ECD4。

如图2、图3所示，所述无人驾驶汽车自动变道装置还包括导航系统6，所述导航系统与中央处理器模组数据连接，所述导航系统根据输入的目的地为汽车规划行车方案，并根据采集到的信息实时更新数据库，在本实施例中，所述导航系统包括云端数据库、车载终端和地面GPS基站三个模块，其中，车载终端分别与云端数据库、地面GPS基站采用无线通讯的方式进行信息交互，具体步骤为，

( 1 )车载终端将车辆目的地、车况信息、实时位置等相关信息上传至云端数据库，并下载云端传输的相应行车方案信息；行车时发现实际路况与云端下载路况不同，以实际路况为准，进行自主规划，并将有变化的路况信息发送至云端，更新云端数据库；

( 2)云端数据库是根据车载终端上传的信息和实时路况信息，进行行车规划，再将相应的路况环境和行车方案传输至车载终端；

( 3 )地面GPS基站是利用RTK技术，计算得出基站到卫星距离的改正参数，并将该参数发送到车载终端；

在实际应用中，结合上述信息交互步骤，所述导航系统的具体应用步骤为，

步骤301：启动车辆，通过车辆终端的交互系统输入目的地。

步骤302：连接云端数据库，将目的地信息、车况信息和本车当前所处位置信息等相关信息上传至云端数据库。

步骤303：根据车辆上传信息和道路信息以及交通信息等，由云端数据库进行计算规划，得出行车方案，再将方案信息传输至车载终端。

步骤304：车辆根据下载的地图信息和行车方案行驶，并利用车辆设备实时采集周围环境信息和道路信息。

步骤305：将采集到的实时信息与由云端数据库下载的环境信息和道路信息作对比。

步骤306：判断实时信息和云端数据是否一致，若信息发生变化，则执行步骤307，若内容一致，则执行步骤309。

步骤307：将实时信息传输至云端数据库，覆盖原有信息，更新数据库。

步骤308：车辆根据实际环境信息和道路信息，自主规划行车方案，再按照规划的方案行驶。

步骤309：判断行车途中是否发生变化，需要调整行车路线，若发生变化，执行步骤301，若没有变化，则执行步骤310。

步骤310：按照下载的规划方案，继续行车。

在本实施例中，所述无人驾驶汽车自动变道装置还包括环境感知系统1，所述环境感知系统与中央处理器模组数据连接，所述环境感知系统包括摄像头和毫米波雷达，用于采集周围车辆的相对距离、相对速度及障碍物情况，并将采集到的信息传输到中央处理器模组。

所述无人驾驶汽车自动变道装置还包括与中央处理器模组扬声器5，将中央处理器模组的决策指令通过声音信号反馈给车内人员。

一种无人驾驶汽车自动变道方法，包括以下步骤，

步骤一，由高速面阵相机采集道路信息，将采集到的信息传输至图像处理器；

步骤二，由图像处理器将处理接收到的图像信息并进行识别处理，将识别后处理后的信息传输至车载ECU；

步骤三，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否；

步骤四，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。

作为优选实施方案，所述步骤二中的图像识别方法包括，对图像进行预处理，对采集的图像进行灰度化，并进行适当的形态学处理，基于图像检测交通标线，利用形状和边缘信息进行快速检测。然后基于形状特性进行提取，并对变形的图像进行一下必要的矫正。最后，通过以距离为相似度的测度，完成对图像的识别，其中，

步骤1，将彩色的原始图像转化为灰度图像，灰度图像的表示方法是将图像的每一个像素点的亮度值进行量化处理，通常将每个像素点的亮度范围划分为0-255之间共256个灰度级别，0代表该点全黑，255代表该点全白，原理是使用一个256色的调色板，每一项RGB的值是相同的，灰度范围为0-255，灰度值用公式表示为：

用数学形态学的方法提取图形中能有效表达和描绘区域形状的图像分量，如边界、骨架及凸壳等，在经过预处理后，还需要进行一些包括膨胀、腐蚀、开运算及闭运算处理；

步骤2，图像的二值化通过将具有相同属性的像素点归为一个区域，不同属性的归为另一个区域。当根据某一属性进行图像区域分割时就是要设置相对应的阈值。设G=｛0，1……，L-1｝为图像灰度值的集合，L代表图像灰度级别，设定灰度值B=｛b0，b1}为阈值T∈G的两个灰度值且b0,b1∈G。以T为阈值对图像f(x,y)进行二值化，得到一个只有0和255两个灰度级别的图像f_T(x,y),具体表达式如下：

此处阈值的选取利用最小误差法。边缘检测可以通过微分算子的卷积完成，用导数算子作用于图像会使灰度变化较大的区域得出的值较高，因此，将对应的边缘区域设置门限，从而提取边缘的像素点，这里使用Canny算子进行边缘提取。道路标线的特征提取利用投影、几何特性、傅立叶描述子、链码特征表述道路标线的轮廓形状，综合利用Hu不变矩和Zernike不变矩作为特征值来识别目标。

步骤3，道路标线的识别利用Euclidean距离度量模版特征与待识别图像特征的相似性，将待识别的道路标线的特征向量与样本库中标准的特征表进行一一对比，当样本库中某一交通标线特征值和待识别的标线图像匹配时，则判定被识别的图像为该标准交通标线，并输出对应的功用信号，反之，被识别图像不是道路标线。

如图4所示，在实际应用中，所述方法的中的步骤三中发送具体决策指令的步骤为，

步骤311，系统首先利用高速面阵相机采集道路标志线信息，由图像处理器识别标志线功用信号；用环境感知系统测出前后左右车辆与本车的相对速度和距离，并监测道路上是否有障碍物等信息，然后将这些信息传输给车载ECU进行分析判断。

步骤312：由车载ECU将采集到的信息进行数据分析，判断车道线功用、与目标车道上的车辆间的距离是否大于安全距离以及道路上是否有障碍物。

步骤313：若本车与目标车道上的车辆的相对距离都小于车辆间安全行驶距离，那就继续采集信息，直至与目标车道上的车辆的相对距离都大于安全距离。

步骤314：满足起初的变道要求后，由车载ECU将所有信息数据进行融合处理，通过模拟计算，得出变道决策方案，即变道轨迹和控制数据。

步骤315：将决策信息传输给控制执行系统，根据决策方案中的转向角角度、速度操控本车，实行变道。

步骤316：如果在变道过程遇到障碍物、车道线突然变为实线、目标车道上的车辆速度突然变化，或者其他突发情况，则立刻停止变道执行，由主控制器将采集到的信息进行处理分析，判断是否继续进行变道，能否绕过障碍物等，重新得出变道决策方案，由控制执行系统执行决策动作。

步骤317：如果没有遇到障碍物或其他突发情况，就继续变道，直至到达目标车道位置，完成变道.

进一步地，如果在变道过程中，在本车道上前后方有车辆，则需考虑在变道时，本车与其的相对距离是否始终大于安全距离，如不满足则不可进行变道。另外，若在变道过程中，本车要终止变道，回到本车道时，要重新规划方案，将本车道变为目标车道，进行模拟计算后再执行。

进一步地，在变道过程中，用到了车辆间的距离分析，来完善环境感知的安全性，其中车辆间的距离分析方法具体如下：

建立二维图像坐标与世界坐标之间的数学关系需要对摄像机进行线性标定，这里采用针孔成像原理，坐标系的建立如图5所示。

假设摄像头CCD位于世界坐标系水平面上H的一点，并有一定的倾斜角度。图5中，Ymin与Ymax分别表示CCD垂直视角投影在地面上的最近和最远距离，Xmax表示CCD水平视角在地面上最远的投影距离，α与β则是对应垂直视角，γ为CCD水平视角在地面上的投影与坐标系y轴夹角，根据XOY坐标系的几何关系，可得α，β与γ之间的关系式为：

在x-y坐标系中，根据计算得到的α，β与γ的值，可以推算出摄像头与车牌图像间在x方向和y方向的距离Lx和Ly，假设车牌图像的大小为M×N,图像坐标系中的任意像元点T的坐标为(i，j)：

计算得到Lx和Ly，就可以通过勾股定理计算得到两车的实际距离L：

将计算得到的L与既定的安全距离L0（在拐弯、掉头和直行等的变道方式中L0有不同的设定值）进行比较，并将比较结果传输到车载ECU，由车载ECU做出相应决策。

上述无人驾驶汽车自动变道装置及方法在不依赖驾驶员完成自动变道的前提下，主动识别道路线，灵活应对各种道路情况，实用性和经济效益高。

需要强调的是：以上仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (10)

1.一种无人驾驶汽车自动变道装置，其特征在于：包括图像采集器、图像处理器、中央处理器模组以及控制执行系统，所述图像采集器采集路面上的道路标志线，所述图像处理器与图像采集器数据连接且用于接收图像采集器的采集数据，并对图像采集器的图像信息进行识别，并分辨出标志线的功用，所述中央处理器模组与图像处理器数据连接且根据预先设置的程序对图像处理器传输出的信号进行综合分析处理后发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。

2.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：所述图像采集器设置为高速面阵相机。

3.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：所述中央处理器模组设置为车载ECD。

4.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：还包括导航系统，所述导航系统与中央处理器模组数据连接，所述导航系统根据输入的目的地为汽车规划行车方案，并根据采集到的信息实时更新数据库。

5.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：所述导航系统包括云端数据库、车载终端和地面GPS基站三个模块，其中，车载终端分别与云端数据库、地面GPS基站采用无线通讯的方式进行信息交互。

6.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：还包括环境感知系统，所述环境感知系统与中央处理器模组数据连接，所述环境感知系统包括摄像头和毫米波雷达，用于采集周围车辆的相对距离、相对速度及障碍物情况，并将采集到的信息传输到中央处理器模组。

7.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：所述控制执行系统包括制动控制器、转向控制器、转向灯控制器和油门控制器，该控制执行系统根据中央处理器模组传输的决策指令，分别通过制动控制器、转向控制器、转向灯控制器和油门控制器以改变本车的速度和转向角，完成变道动作。

8.根据权利要求1所述的无人驾驶汽车自动变道装置，其特征在于：还包括中央处理器模组扬声器，将中央处理器模组的决策指令通过声音信号反馈给车内人员。

9.一种无人驾驶汽车自动变道方法，其特征在于：包括以下步骤，

步骤一，由高速面阵相机采集道路信息，将采集到的信息传输至图像处理器；

步骤二，由图像处理器将处理接收到的图像信息并进行识别处理，将识别后处理后的信息传输至车载ECU；

步骤三，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否；

步骤四，由车载ECU对接收到的图像信息进行综合分析处理并发出决策指令，并将决策指令传输到控制执行系统，控制汽车变道与否。

10.根据权利要求9所述的一种无人驾驶汽车自动变道方法，其特征在于：所述步骤二中的图像识别方法包括，对图像进行预处理，对采集的图像进行灰度化，并进行形态学处理，基于图像检测交通标线，利用形状和边缘信息进行快速检测，然后基于形状特性进行提取，并对变形的图像进行一下必要的矫正，最后，通过以距离为相似度的测度，完成对图像的识别，其中，具体步骤为：

步骤1，将彩色的原始图像转化为灰度图像，灰度图像的表示方法是将图像的每一个像素点的亮度值进行量化处理，通常将每个像素点的亮度范围划分为0-255之间共256个灰度级别，0代表该点全黑，255代表该点全白，原理是使用一个256色的调色板，每一项RGB的值是相同的，灰度范围为0-255，灰度值用公式表示为：

用数学形态学的方法提取图形中能有效表达和描绘区域形状的图像分量，如边界、骨架及凸壳，在经过预处理后，还需要进行一些包括膨胀、腐蚀、开运算及闭运算处理；

步骤2，图像的二值化，通过将具有相同属性的像素点归为一个区域，不同属性的归为另一个区域，当根据某一属性进行图像区域分割时就是要设置相对应的阈值，设G=｛0，1……，L-1｝为图像灰度值的集合，L代表图像灰度级别，设定灰度值B=｛b0，b1}为阈值T∈G的两个灰度值且b0,b1∈G，以T为阈值对图像f(x,y)进行二值化，得到一个只有0和255两个灰度级别的图像f_T(x,y),具体表达式如下：

此处阈值的选取利用最小误差法，边缘检测可以通过微分算子的卷积完成，用导数算子作用于图像会使灰度变化较大的区域得出的值较高，因此，将对应的边缘区域设置门限，从而提取边缘的像素点，这里使用Canny算子进行边缘提取，道路标线的特征提取利用投影、几何特性、傅立叶描述子、链码特征表述道路标线的轮廓形状，综合利用Hu不变矩和Zernike不变矩作为特征值来识别目标；

步骤3，道路标线的识别，利用Euclidean距离度量模版特征与待识别图像特征的相似性，将待识别的道路标线的特征向量与样本库中标准的特征表进行一一对比，当样本库中某一交通标线特征值和待识别的标线图像匹配时，则判定被识别的图像为该标准交通标线，并输出对应的功用信号，反之，被识别图像不是道路标线。