本技术涉及自动驾驶，具体是基于双通路感知的自动驾驶鲁棒规划系统及方法。
背景技术：
1、现代自动驾驶系统的规划模块严重依赖于上游感知模块的输出。目前，基于bevtransformer的感知架构已成为主流，其能够输出丰富的结构化场景信息（车道线、障碍物边界框等）。时空联合规划器则基于这些结构化信息进行轨迹优化。
2、然而，这种串行式架构存在单点失效风险。当bev感知模型因光照突变、天气恶劣、域外物体等cornercase（边角案例）而完全失效或输出严重错误时，下游的规划器将因输入异常或缺失而无法生成安全轨迹，可能导致车辆发生碰撞或进入最小风险状态，严重威胁行车安全。
3、现有技术中，虽有研究将占据网格作为bev感知的补充，通过特征级融合提升感知精度，但这种后融合方式并未改变规划器对单一感知主干的依赖。一旦bev主干网络失效，融合后的特征同样不可靠，无法为规划器提供有效的备用输入。因此，本领域迫切需要一种能够在感知主干失效时仍能维持基本规划功能的冗余架构。
技术实现思路
1、有鉴于此，本技术的目的是提供基于双通路感知的自动驾驶鲁棒规划系统及方法，以解决背景技术中的问题。
2、为了实现上述目的，本技术采用了如下技术方案：
3、本技术的基于双通路感知的自动驾驶鲁棒规划系统，包括：
4、获取模块，用于获取车辆的多个摄像头采集的图像序列和激光雷达采集的点云数据，其中，所述图像序列包括多个摄像头在当前时间段采集的多帧图像，所述当前时间段包括当前时间点之前多个时间点的图像；
5、第一感知通路模块，用于将所述图像序列和所述点云数据输入至预先构建的bevtransformer模型，得到结构化感知结果，其中，所述结构化感知结果包括动态障碍物轨迹、静态场景元素、可行驶区域边界和语义类别；
6、第二感知通路模块，用于将所述图像序列以及所述点云数据输入至预先构建的占据网格生成模型，得到三维占据网格，其中，所述三维占据网格包括多个体素的被占据概率；
7、双模态规划模块，用于对所述结构化感知结果进行置信度评估，得到感知结果置信度，在所述感知结果置信度大于或者等于预设的置信度阈值时，将所述结构化感知结果输出至时空联合规划器，得到第一规划路径；在所述感知结果置信度小于预设的置信度阈值时，基于所述三维占据网格进行路径规划，得到第二规划路径。
8、在本技术一实施例中，对所述结构化感知结果进行置信度评估，得到感知结果置信度，包括：
9、基于所述语义类别进行分类确定性评估，得到语义识别置信度；
10、对所述动态障碍物轨迹和所述可行驶区域边界进行边界确定性评估，得到实例分割置信度；
11、对所述动态障碍物轨迹和所述静态场景元素的时序稳定性进行评估，得到时序一致性置信度；
12、对来自摄像头的结构化感知结果以及来自激光雷达的结构化感知结果进行一致性评估，得到融合置信度；
13、基于所述语义识别置信度、所述实例分割置信度、所述时序一致性置信度和所述融合置信度构建感知结果置信度，其中，所述感知结果置信度的数学表达式为：
14、
15、式中，为第一权重，为第二权重，为第三权重，为第四权重。
16、在本技术一实施例中，基于所述语义类别进行分类确定性评估，得到语义识别置信度，包括：
17、从所述语义类别中的每个物体，提取每个物体的所有预测类别的预测概率，其中，表示第个类别的预测概率；
18、基于每个预测类别的预测概率计算每个物体的熵值，其中，所述熵值的数学表达式为：
19、
20、式中，表示预测类别的数量；
21、从多个物体的熵值中取最大值，得到语义识别置信度。
22、在本技术一实施例中，对所述动态障碍物轨迹和所述可行驶区域边界进行边界确定性评估，得到实例分割置信度，包括：
23、提取所述动态障碍物轨迹和所述可行驶区域边界的掩码系数、实例分割掩码对应的连通区域数量和边界梯度的方差；
24、基于所述实例分割掩码对应的连通区域数量计算连通性得分，其中，所述连通性得到的数学表达式为：
25、
26、基于所述边界梯度的方差计算边界清晰度得分，其中，所述边界清晰度得分的数学表达式为：
27、
28、基于所述掩码系数、所述连通性得分以及所述边界清晰度得分计算实例分割置信度，其中，实例分割置信度的数学表达式为：
29、
30、式中，为第五权重，为第六权重，为第七权重。
31、在本技术一实施例中，对所述动态障碍物轨迹和所述静态场景元素的时序稳定性进行评估，得到时序一致性置信度，包括：
32、获取上一帧图像中所有物体的运动参数，其中，所述运动参数包括位置、速度和方向，表示物体序号；
33、基于卡尔曼滤波和上一帧图像中所有物体的运动参数预测下一帧图像中所有物体的预测运动参数；
34、计算每一帧图像中运动参数与预测运动参数的无量纲差异，得到每一帧图像中每个物体的运动变化率；
35、计算每个物体的运动变化率的平均值，得到时序一致性置信度。
36、在本技术一实施例中，对来自摄像头的结构化感知结果以及来自激光雷达的结构化感知结果进行一致性评估，得到融合置信度，包括：
37、从所述结构化感知结果中提取来自摄像头的第一位置和来自激光雷达的第二位置；
38、计算相同物体的第一位置与第二位置的欧式距离；
39、计算多个物体的欧式距离的平均距离；
40、对所述平均距离进行归一化，得到融合置信度，其中，所述融合置信度的数学表达式为：
41、
42、式中，为设定的最大参考距离。
43、在本技术一实施例中，基于所述三维占据网格进行路径规划，得到第二规划路径，包括：
44、从所述三维占据网格中提取被占据概率高于预设概率阈值的目标体素；
45、构造代价函数，其中，所述代价函数包括路径平滑代价、速度代价、障碍物代价和方向代价，障碍物代价基于路径节点与目标体素的最近距离确定；
46、基于所述代价函数和所述三维占据网格执行rrt*快速遍历随机树算法，得到第二规划路径。
47、在本技术一实施例中，所述代价函数的数学表达式为：
48、
49、
50、
51、
52、
53、式中，、、和均为权重系数，表示平滑性代价，表示路径弯曲程度典型值，表示速度代价，表示障碍物代价，表示方向代价，表示路径在空间中的位置向量，为弧长参数，为车辆速度，为限定速度，表示速度典型值，表示路径点与目标体素的最近距离，表示路径维元，为路径方向向量，为目标方向向量。
54、本技术还提供基于双通路感知的自动驾驶鲁棒规划方法，包括步骤：
55、获取车辆的多个摄像头采集的图像序列和激光雷达采集的点云数据，其中，所述图像序列包括多个摄像头在当前时间段采集的多帧图像，所述当前时间段包括当前时间点之前多个时间点的图像；
56、将所述图像序列和所述点云数据输入至预先构建的bev transformer模型，得到结构化感知结果，其中，所述结构化感知结果包括动态障碍物轨迹、静态场景元素、可行驶区域边界和语义类别；
57、将所述图像序列以及所述点云数据输入至预先构建的占据网格生成模型，得到三维占据网格，其中，所述三维占据网格包括多个体素的被占据概率；
58、对所述结构化感知结果进行置信度评估，得到感知结果置信度，在所述感知结果置信度大于或者等于预设的置信度阈值时，将所述结构化感知结果输出至时空联合规划器，得到第一规划路径；在所述感知结果置信度小于预设的置信度阈值时，基于所述三维占据网格进行路径规划，得到第二规划路径。
59、本技术的有益效果是：本技术的基于双通路感知的自动驾驶鲁棒规划系统及方法，本技术在规划层面构建了独立于主感知模型的备用输入通路，从根本上解决了感知单点失效问题。通过置信度监测实现自动、无缝的模式切换，同时兼顾了常态下的高性能和异常下的高安全性。第二感知通路（占据网格）的设计目标更为单一（几何占据），可做得更轻量、更鲁棒，与第一通路形成互补。本技术中的架构符合汽车行业功能安全标准（如iso26262）中对冗余和安全架构的要求，有助于提升自动驾驶系统的整体安全等级。