提高经验导航中节点选择效率的方法及装置的制造方法
【技术领域】
[0001] 本发明涉及无人车视觉导航领域，尤其涉及一种提高视觉经验导航中及节点选择 效率的方法及装置。
【背景技术】
[0002] 无人车导航的现有技术中有一些经验导航(experience based navigation)，这 是利用视觉经验帮助无人车的自主航行的一种方法。所谓的经验并不是通常意义上的经 验，而是一系列连续的画面。无人车通过提取感知器传回的当前影像与预先存储的连续画 面，并且对比双方的特性(features)，得出是否匹配的结论。如果匹配成功，无人车可以直 接调用预先存储的特征的地理位置，直观地自我定位。
[0003] 为了完成这看似简单的过程，需要无人车的以下部件通力合作：
[0004] 1.感知器
[0005] 无人车的感知器通常是3D镜头，也可以是激光雷达。经验可以是，但不限于画面。 任何计算机可以识别，处理，并且反应当前交通和背景状况的感知器都可以形成经验。这也 是经验算法的一大优势。感知器需要实时捕捉当前的行车环境，保持图像的稳定和连续。
[0006] 2.特性对比算法
[0007] 图像实时传来以后，无人车的计算单元需要非常快速的分析，提取图像中的信息， 通常被称作特性。所谓特性是一系列能够刻画物体形象的点，这些点通常分布在物体的边 缘，在图像中产生"不连续"的感觉。目前有很多算法可以处理不太复杂的图像，有一些算法 可以处理非常复杂的图像，它们的准确度通常和计算时间相关。越是收敛缓慢的算法，越有 可能精细对比。在这里，我们需要选用快速简单的算法，实时定位。
[0008] 3.经验匹配
[0009] 经验匹配是这一篇的着重点。经验匹配可以做得非常简单直观，从实时图像中提 取的特征和经验库中的特征全部比较过一遍，哪些匹配，哪些不匹配一目了然。如果计算单 元足够强大，这也不是一个好办法。原因是，如果几个场景看起来差不多，或者更进一步增 加难度，让几个场景的光照条件各不相同，可能某个场景和它的经验不能匹配，却和另外一 个无关的经验匹配。发生这种错误，无人车的导航会出大问题。
[0010] 某些实施例中有一种经验构成法，让每个场景可以拥有任意多的经验。变化多的 场景经验数多一些，反之经验数减少。这种按需分配的思路可以一定程度缓解上述的问题。 可是，场景匹配度提高了又有新的问题出现:好几个经验都匹配，难以取舍怎么办？如果这 几个经验都属于一个场景，问题还不严重。如果场景都不同，还是不能使用。
[0011] 更为关键的是，计算处理必须快。车辆行驶的速度不允许一帧一分钟几分钟的分 析。加上长时间的自主航行本来就容易出偏，我们需要一个快速稳定的解决方案。
【发明内容】
[0012] 为此，需要提供一种经验数据库中的节点选择方法，提高经验导航中节点的选择 效率，进一步地提高经验导航的计算效率。
[0013] 为实现上述目的，发明人提供了一种提高经验导航中节点选择效率的方法，包括 如下步骤，建立先验概率模型，将经验库数据代入先验概率模型得到待匹配节点的先验概 率;建立后验概率模型，将经验库数据代入后验概率模型得到待匹配节点的后验概率;根据 所述先验概率和后验概率得到待匹配节点的匹配效率得分，将得分最高的待匹配节点优先 作为经验导航的匹配运算对象。
[0014] 优选地，所述"根据所述先验概率和后验概率得到待匹配节点的匹配效率得分" 具体为，将先验概率和后验概率的积再乘上效率系数得到待匹配节点的匹配效率得分。
[0015] 具体地，所述经验库数据包括历史经验库数据及本次经验导航数据。
[0016] -种提高经验导航中节点选择效率的装置，包括先验概率计算模块、后验概率计 算模块、效率得分计算模块；
[0017] 所述先验概率计算模块用于建立先验概率模型，将经验库数据代入先验概率模型 得到待匹配节点的先验概率；
[0018] 所述后验概率计算模块用于建立后验概率模型，将经验库数据代入后验概率模型 得到待匹配节点的后验概率；
[0019] 所述效率得分计算模块用于根据所述先验概率和后验概率得到待匹配节点的匹 配效率得分，将得分最高的待匹配节点优先作为经验导航的匹配运算对象。
[0020] 优选地，所述效率得分计算模块还用于将先验概率和后验概率的积再乘上效率系 数得到待匹配节点的匹配效率得分。
[0021 ]具体地，所述经验库数据包括历史经验库数据及本次经验导航数据。
[0022] 区别于现有技术，上述技术方案通过建立匹配效率得分机制为待匹配节点进行打 分，并以得分进行有效的筛选标准，提高了经验导航中节点的选择效率，进一步地提高了经 验导航的计算效率。
【附图说明】
[0023] 图1为本发明【具体实施方式】所述的经验导航的执行流水线示意图；
[0024] 图2为本发明【具体实施方式】所述的三种不同的经验示意图；
[0025] 图3为本发明【具体实施方式】所述的提高经验导航中节点选择效率的方法示意图；
[0026] 图4为本发明【具体实施方式】所述的后验概率模型示意图；
[0027] 图5为本发明【具体实施方式】所述的提高经验导航中节点选择效率的装置模块图。 [0028] 附图标记说明：
[0029] 500、先验概率计算模块；
[0030] 502、后验概率计算模块；
[0031] 504、效率得分计算模块。
【具体实施方式】
[0032]为详细说明技术方案的技术内容、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。
[0033] 1、原理介绍
[0034]对于经验导航系统而言，理想的运行硬件应该具备多个微处理器(CPU)或者内核。 图1所示的实施例展示了经验导航的执行流水线(pipeline)的是例子。图中每一个横条(1、 2、3、4)代表了一个独立的进程(process)，流水线在最多的时候会有四个进程在并行运行。 [0035]流水线分成几个步骤，
[0036] 1.从立体摄像机得到原始图像后，特征提取器首先运行，原始图像中的特征被提 取出来。
[0037] 2.这些特征输入视觉里程计进程，这个进程对比当前的图像特征和前一步的图像 特征，估算出机器人目前的位置。
[0038] 3.最新的位移估算和图像特征的信息，接下来被视觉导航系统用来更新经验数据 库，同时尝试在已有的相关经验中定位机器人。
[0039]其中，第1.2.步骤必须串联运行，而第三步可以并行运行。因为经验数据库中的每 个经验都可以独立于其它的经验进行运算，之间没有互相依赖的数据，所以可以分别运行 在不同进程上。图中使用了 4个这样的进程(Np = 4)。一个进程完成了一个经验的运算后，如 果时间限制未到，还可以继续进行另一个经验的运算。图1中的垂直的虚线（online-performance) 为流水线执行的时间限制。因为这个限制的缘故，图中 四个进程在分别各自 执行第二个经验的运算的时候不得不中止，执行流水线进入下一轮运算，处理新的原始图 像。
[0040] 这是因为经验导航需要提供实时的运算结果，所以整个经验导航的执行流水线有 刚性的、严格的执行时间限制。很显然，如果能有效减少经验导航(图中4进程同时并行的部 分)所用的时间，则能提高经验导航的质量(执