一种机器人智能教练辅助驾驶系统的制作方法

本发明涉及智能辅助驾驶领域，具体涉及一种机器人智能教练辅助驾驶系统。

背景技术

随着现代交通以及汽车工业的快速发展，随之产生的交通安全形势日趋严峻，因此通过设置车辆辅助驾驶系统是车辆安全行驶的重要保障，但是，目前的车辆辅助驾驶系统往往依赖于车载相机获取道路信息，但相机本身易受外界环境的影响，尤其是在天气条件、光照条件恶劣的环境下，容易对检测结果造成误差。因此，提高车辆辅助驾驶系统对道路信息的检测精确度成为目前亟需解决的问题。

技术实现要素：

针对上述问题，本发明提供一种机器人智能教练辅助驾驶系统。

本发明的目的采用以下技术方案来实现：本发明提供了一种机器人智能教练辅助驾驶系统，该机器人智能教练辅助驾驶系统包括：激光雷达，固定在车体前方，用于扫描车体前方路面，得到前方路面情况的原始数据；信息处理中心，用于对采集的原始数据进行处理；检测和指令生成中心，用于根据信息处理结果，检测当前车辆运行状态是否符合交通规则，并生成相应的语音指令发送至语音播报系统；语音播报系统，用于向驾驶员播报相应的语音指令。

有益效果：本发明提供了一种机器人智能教练辅助驾驶系统，本发明利用激光雷达的回波信号，由于回波信号由物体的固有属性反射率决定，能够更真实地反映物体特征，从而能够准确得检测出车道线，同时也提高了检测精度并降低了漏检率。

本发明通过利用激光雷达对路面信息进行采集，通过信息处理中心对采集的数据进行处理，进而根据处理结果检测当前车辆运行状态是否符合交通规则，该系统还能够实时判断当前车辆的运行状态并根据车辆运行状态生成相应语音指令播报给驾驶员，使得驾驶员能够根据语音指令及时调整驾驶操作，避免违章驾驶以及交通事故的发生。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1是本发明的原理图；

图2是本发明信息处理中心的框架结构图。

附图标记：激光雷达1；信息处理中心2；显示装置3；检测和指令生成中心4；语音播报系统5；车道线特征点提取模块21；车道线特征点聚类模块22；车道线特征拟合模块23；种子点获取单元211；种子点修订单元212；种子点更新单元213。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，一种机器人智能教练辅助驾驶系统，该机器人智能教练辅助驾驶系统包括：激光雷达1，固定在车体前方，用于扫描车体前方路面，得到前方路面情况的原始数据；信息处理中心2，用于对采集的原始数据进行处理；显示装置3，设置在车体内部，用于显示信息处理结果；检测和指令生成中心4，用于根据信息处理结果，检测当前车辆运行状态是否符合交通规则，并生成相应的语音指令发送至语音播报系统5；语音播报系统5，用于向驾驶员播报相应的语音指令。

作为优选，原始数据包括角度信息、距离信息和扫描点的回波脉冲宽度信息。

作为优选，参见图2，信息处理中心2包括车道线特征点提取模块21、车道线特征点聚类模块22和车道线特征拟合模块23；车道线特征点提取模块21，用于从采集的原始数据中提取描述车道线分布的特征点；车道线特征点聚类模块22，用于对已提取的特征点进行聚类分析；车道线特征拟合模块23，用于根据聚类结果，采用最小二乘法对车道线进行拟合，获取拟合后的车道线。

作为优选，车道线特征点提取模块21包括种子点获取单元211、种子点修订单元212和种子点更新单元213；种子点获取单元211，用于根据回波脉冲宽度信息，提取用于描述车道线特征的种子点；种子点修订单元212，用于对获取的种子点进行分析，剔除多余的干扰点；种子点更新单元213，用于根据修订后的种子点进行区域生长，获取用于描述车道线分布的特征点。

有益效果：车道线特征点提取模块采用先由大到小、再从小到大的特征提取算法，先从所有道路信息中选取可能成为车道线的信息，再从可能成为车道线的信息中，通过种子点修订单元212,剔除了大量的干扰信息，得到最有可能成为车道线信息的可靠种子点，之后再利用种子点更新单元213，再从可靠种子点周边区域搜索与可靠种子点相同或者属性相似的特征点进行区域生长，得到完整可靠的描述车道线分布的特征点，通过这种方法可以提高提取车道线信息的准确性和提取效率，有利于后续对车道线特征进行聚类分析，划分出各条车道线。

作为优选，根据回波脉冲宽度信息，提取用于描述车道线特征的种子点，包括：

(1)对获取的回波脉冲宽度进行统计，并划分脉冲宽度级，所述脉冲宽度级γ＝{1，2，...，q，q+1...，l}，其中，每个脉冲宽度级设定的宽度为m；

(2)根据得到的脉冲宽度级γ，统计各个级别内扫描点的个数，根据统计后的结果生成回波脉冲宽度分布直方图；

(3)采用自定义的优化函数求解最优脉冲宽度级，并根据得到的最优脉冲宽度级对所述扫描点进行划分，提取回波脉冲宽度在(0，m×q)范围内的扫描点，该范围内的扫描点即为用于描述车道线特征的种子点；

其中，采用的自定义的优化函数为：

式中，argmin函数表示取满足目标函数取最小值时所对应的脉冲宽度级q，pi为脉冲宽度出现在第i级的概率值，且ni是第i级中扫描点的个数，nw是统计得到的扫描点的总数，pj为脉冲宽度出现在第j级内的概率值；当g为最小值时，此时的q即为最优脉冲宽度级别数。

有益效果：直接使用脉冲宽度值不利于统计扫描点的分布，因此本发明采用对脉冲宽度平均区域划分即脉冲宽度级，统计各级内的扫描点数，从而得到本发明的回波脉冲宽度分布直方图。

采用利用激光雷达扫描物体会立即产生回波以及各个物体的反射率不同的特性，使得激光雷达扫描物体形成的回波脉冲宽度不同，进而通过求解g来获取最优脉冲宽度级别数，该算法避免了使用固定分割阈值带来的分类误差，能够实现对车道线特征和路面特征的有效分离，再则，激光雷达具有很强的抗干扰能力，能够免受外界信号的干扰，提高了检测精度和检测效率。

作为优选，对获取的种子点进行分析，剔除多余的干扰点，具体是利用拉依达准则确定车道线回波脉冲宽度的动态阈值，选取回波脉冲宽度在(μt-3σt，μt+3σt)范围内的种子点作为车道线特征的可靠种子点，其中，μt是在(0，m×q)范围内的所有种子点的回波脉冲宽度均值，σt是在(0，m×q)范围内的所有种子点的回波脉冲宽度标准方差。

有益效果：选用拉依达准则对获取的车道线的特征种子点进一步分析，该方法能够消除粗大误差(可疑数据)的影响，去除车道线的特征种子点中除去车道线之外的其他数据信息。

作为优选，所述根据修订后的种子点进行区域生长，获取用于描述车道线分布的特征点，包括：

(1)选取集合e＝{e1，e2，...eh，...，en}中任一可靠种子点eh为圆心进行作圆，整个圆形区域是以可靠种子点eh为起点的搜索区域，统计该搜索区域内所有种子点，其中，将属于集合e的种子点表示为e＝{e1，e2，...，et}，不属于集合e的种子点表示为f＝{f1，f2，...，fs}，集合e指的是搜索区域内所有可靠种子点构成的集合，n是可靠种子点的个数；

(2)利用下式计算任一种子点fa(a＝1，2，...，s)到所述搜索区域内任一可靠种子点eb(b＝1，2，...，t)的偏离程度：

式中，gab是种子点fa到可靠种子点eb的偏离程度值，σs是搜索区域内所有种子点(包括集合e的可靠种子点和集合f中的种子点)到圆心ei的偏离程度均值，分别是种子点fa的横坐标和纵坐标，分别是可靠种子点eb的横坐标和纵坐标；ηab是在水平方向上种子点fa和可靠种子点eb之间的偏离程度加权系数；

(3)根据步骤(2)得到的种子点fa到可靠种子点eb的偏离程度值，计算种子点fa相对于集合e中所有可靠种子点的相似程度值，其中，种子点fa相对于集合e中所有可靠种子点的相似程度值的计算公式为：

式中，sima是种子点fa相对于集合e中所有可靠种子点的相似程度值，sima越大，代表种子点fa是车道线特征点的可能性越大，是可靠种子点eb的权值，且满是

当sima≥u时，种子点fa是车道线的特征点，并将该种子点纳入集合r中，遍历集合f中所有种子点，对集合r进行更新，遍历结束后将可靠种子点eh从集合e中删除并存入集合r中，其中u为设定的阈值；

(4)重新从集合e中选取一可靠种子点作圆，重复执行(1)-(3)，直至集合此时得到的集合r即是用于描述车道线分布的特征点构成的集合。

有益效果：利用上述算法实现对车道线特征点的区域生长，该过程实现了将车道线特征点区域由小变大，且在此过程中，是通过计算种子点相对于可靠种子点的成为车道线特征的可能性来实现车道线特征点区域的生长，该做法能够对属于车道线特征点进行准确识别，提高了整个车道线检测过程的实时性、精确性、稳定性和鲁棒性，能够最大程度地寻找出完整的车道线特征点，有利于后续对车道线条数的划分以及判断车辆是否存在违章现象。

作为优选，所述对已提取的特征点进行聚类分析，具体是：

(1)设置初始聚类数c、模糊系数κ、初始隶属度矩阵u⁰、迭代停止条件阈值ε、最大迭代次数llmax，其中，u为大小为c×k的隶属度矩阵；

(2)根据待聚类的车道线特征点的集合r＝{r1，r2，...，rk，...，rk}，其中，rk的二维坐标表达式为：rk＝(rxk，ryk)，k为集合r中车道线特征点的个数，利用下式计算聚类中心点矩阵v^ll中每个聚类中心点的横坐标和纵坐标，其中聚类中心点vd^ll的横坐标和纵坐标的计算式子为：

式中，vxd^ll为聚类中心点vd^ll的横坐标，vyd^ll为聚类中心点vd^ll的纵坐标，表示当模糊系数为κ时，待聚类的车道线特征点属于第d类的概率，其中d＝1，2，...，c；ll为迭代次数，当ll＝0时，udk为设定的初始值，rxk为车道线特征点rk的横坐标，ryk为车道线特征点rk的纵坐标；

(3)根据集合r、聚类中心点矩阵v^ll和隶属度矩阵u^ll，求解矩阵sfd的最大特征值所对应的特征向量，该特征向量即为聚类中心方向矩阵s^ll；其中矩阵sfd为：

(4)根据集合r、v^ll和s^ll，计算距离矩阵d^ll，其中距离矩阵d^ll中元素ddk的计算式子为：

式中，ddk为待聚类特征点rk到聚类中心点vd的距离；

(5)根据计算得到的距离矩阵d^ll求解新的隶属度矩阵u^ll+1，其中，新的隶属度矩阵u^ll+1中元素udk的计算式子为：

式中，χ为修正因子，dzk为待聚类点k到聚类中心点z的距离；

(6)若||u^ll+1-u^ll||≤ε，则停止迭代，跳转到步骤(7)。否则，令ll＝ll+1，跳转到步骤(2)，重新计算隶属度矩阵，直至达到设定的最大迭代次数llmax；

(7)根据得到的隶属度矩阵，判断rk所属聚类数，遍历集合r中所有车道线特征点，得到聚类后的各条车道线的特征点的集合。

有益效果：通过上述迭代算法对车道线特征点集合r进行识别，在进行迭代过程中，通过迭代求自定义的目标函数的最优值，该方法不但能够很好对车道线特征点进行聚类，同时还能剔除一些杂乱的干扰点，得到精确度高的车道线检测点，有利于提高后续车道线识别的准确性，从而提高检测车道线的检测精度。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。