本發(fā)明涉及無(wú)人駕駛車(chē)輛，尤其涉及一種用于無(wú)人駕駛車(chē)輛的安全控制方法、裝置、設(shè)備及計(jì)算機(jī)程序產(chǎn)品。

背景技術(shù)：

1、目前，無(wú)人駕駛技術(shù)在城市交通、物流運(yùn)輸?shù)阮I(lǐng)域得到了初步應(yīng)用，但在復(fù)雜動(dòng)態(tài)交通環(huán)境下的安全控制仍然存在不足。現(xiàn)有技術(shù)對(duì)多源傳感器數(shù)據(jù)的處理能力有限，無(wú)法快速且準(zhǔn)確地融合各類(lèi)傳感器數(shù)據(jù)，導(dǎo)致在動(dòng)態(tài)場(chǎng)景，如行人橫穿馬路、車(chē)輛突然變道中反應(yīng)不夠及時(shí)，尤其在交通密集區(qū)域，障礙物的預(yù)測(cè)和路徑規(guī)劃的準(zhǔn)確性較低，無(wú)法充分滿(mǎn)足無(wú)人駕駛車(chē)輛在復(fù)雜場(chǎng)景下實(shí)時(shí)決策與安全行駛的需求。因此，亟需一種能夠在多源數(shù)據(jù)融合、多樣化動(dòng)態(tài)障礙物預(yù)測(cè)的情況下，依然能夠?qū)崿F(xiàn)高效、穩(wěn)定的行駛路徑規(guī)劃方法，以提高無(wú)人駕駛車(chē)輛在復(fù)雜交通環(huán)境中的安全性和可靠性。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述存在的技術(shù)不足，本發(fā)明的主要目的在于提供一種用于無(wú)人駕駛車(chē)輛的安全控制方法、裝置、設(shè)備及計(jì)算機(jī)程序產(chǎn)品，旨在解決現(xiàn)有技術(shù)中對(duì)多源傳感器數(shù)據(jù)的處理能力有限，無(wú)法快速且準(zhǔn)確地融合各類(lèi)傳感器數(shù)據(jù)，導(dǎo)致在動(dòng)態(tài)場(chǎng)景，如行人橫穿馬路、車(chē)輛突然變道中反應(yīng)不夠及時(shí)，尤其在交通密集區(qū)域，障礙物的預(yù)測(cè)和路徑規(guī)劃的準(zhǔn)確性較低，無(wú)法充分滿(mǎn)足無(wú)人駕駛車(chē)輛在復(fù)雜場(chǎng)景下實(shí)時(shí)決策與安全行駛的需求的技術(shù)問(wèn)題。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提供一種用于無(wú)人駕駛車(chē)輛的安全控制方法，所述用于無(wú)人駕駛車(chē)輛的安全控制方法，

3、優(yōu)選地，所述方法包括：

4、步驟s10：基于多源傳感器采集的多源實(shí)時(shí)數(shù)據(jù)，采用卡爾曼濾波對(duì)所述多源實(shí)時(shí)數(shù)據(jù)進(jìn)行時(shí)間和空間的融合，進(jìn)而形成車(chē)輛周?chē)h(huán)境的三維建模，并生成環(huán)境感知結(jié)果數(shù)據(jù)；

5、步驟s20：采用卷積神經(jīng)網(wǎng)絡(luò)中的卷積層對(duì)所述環(huán)境感知結(jié)果數(shù)據(jù)進(jìn)行局部掃描，提取所述環(huán)境感知結(jié)果數(shù)據(jù)中的道路邊緣特征數(shù)據(jù)、道路紋理特征數(shù)據(jù)、物體形狀特征數(shù)據(jù)，并通過(guò)分類(lèi)器對(duì)提取到的特征進(jìn)行分類(lèi)得到車(chē)輛周?chē)矬w信息，包括行人信息、其他車(chē)輛信息、交通標(biāo)志信息；

6、步驟s30：采用基于道路結(jié)構(gòu)的邊緣檢測(cè)算法，結(jié)合車(chē)輛行駛軌跡信息和道路幾何形態(tài)信息檢測(cè)并標(biāo)注出道路關(guān)鍵信息，包括邊界信息、車(chē)道線(xiàn)信息、車(chē)道寬度信息；

7、步驟s40：根據(jù)所述車(chē)輛周?chē)矬w信息和道路關(guān)鍵信息綜合判斷確認(rèn)障礙物信息，結(jié)合車(chē)輛的行駛速度數(shù)據(jù)、行駛方向數(shù)據(jù)、與障礙物的相對(duì)速度數(shù)據(jù)和相對(duì)加速度數(shù)據(jù)，使用優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)未來(lái)預(yù)設(shè)時(shí)間內(nèi)障礙物的移動(dòng)路徑；

8、步驟s50：根據(jù)所述移動(dòng)路徑信息結(jié)合改進(jìn)dijkstra算法生成最優(yōu)行駛路線(xiàn)。

9、優(yōu)選地，所述步驟s30中，使用優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)未來(lái)預(yù)設(shè)時(shí)間內(nèi)障礙物的移動(dòng)路徑的步驟包括：

10、步驟s301：將車(chē)輛的行駛速度數(shù)據(jù)vvehicle(t)、行駛方向數(shù)據(jù)θvehicle(t)、障礙物與車(chē)輛的相對(duì)速度數(shù)據(jù)vrelative(t)和障礙物與車(chē)輛的相對(duì)加速度數(shù)據(jù)arelative(t)輸入到優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)中；

11、步驟s302：在優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)中，將步驟s301中的vvehicle(t)、θvehicle(t)、vrelative(t)、arelative(t)作為每個(gè)時(shí)間步的輸入數(shù)據(jù)xt，通過(guò)以下公式進(jìn)行處理：

12、輸入門(mén)層控制輸入數(shù)據(jù)對(duì)當(dāng)前狀態(tài)的影響：it＝σ(wi·[ht-1,xt+bi])，

13、遺忘門(mén)層決定遺忘先前信息的程度：ft＝σ(wf·[ht-1,xt+bf])，

14、輸出門(mén)層控制當(dāng)前時(shí)間步的輸出：ot＝σ(wo·[ht-1,xt+bo])，

15、單元狀態(tài)更新層通過(guò)記憶單元輸入信息生成當(dāng)前狀態(tài)：

16、ct＝ft·ct-1+it·tanh(wc·[ht-1,xt]+bc)，

17、其中，wi、wf、wo、wc表示各層權(quán)重矩陣，bi、bf、bo、bc表示各層偏置項(xiàng)，σ是sigmoid激活函數(shù)，ht-1是前一個(gè)時(shí)間步t-1的隱藏狀態(tài)輸出，ct-1是上一時(shí)間步的單元狀態(tài)，tanh是雙曲正切激活函數(shù)；

18、步驟s303：模型的輸出為未來(lái)預(yù)設(shè)時(shí)間內(nèi)障礙物的運(yùn)動(dòng)路徑預(yù)測(cè)，包括位置(xout,yout)和速度vout，這些輸出由lstm的最后一層計(jì)算得到。

19、優(yōu)選地，所述步驟s10中，根據(jù)所述車(chē)輛周?chē)矬w信息和道路關(guān)鍵信息綜合判斷確認(rèn)障礙物信息包括：

20、使用道路幾何信息和車(chē)輛的行駛軌跡進(jìn)行關(guān)聯(lián)判斷；

21、當(dāng)車(chē)輛周?chē)矬w為靜態(tài)物體且處于車(chē)輛的行駛軌跡中，判斷是障礙物；

22、當(dāng)車(chē)輛周?chē)矬w為動(dòng)態(tài)物體，無(wú)論是否處于車(chē)輛的行駛軌跡中，均判斷是障礙物。

23、優(yōu)選地，所述步驟s30中，障礙物信息包括障礙物的幾何形狀、邊緣輪廓、材質(zhì)特征和障礙物的空間移動(dòng)趨勢(shì)信息。

24、優(yōu)選地，所述步驟s40中，根據(jù)所述移動(dòng)路徑信息結(jié)合改進(jìn)dijkstra算法生成最優(yōu)行駛路線(xiàn)的步驟，包括通過(guò)動(dòng)態(tài)調(diào)整節(jié)點(diǎn)權(quán)重，對(duì)障礙物的多條移動(dòng)路徑進(jìn)行實(shí)時(shí)更新，并生成最優(yōu)行駛路線(xiàn)。

25、優(yōu)選地，所述動(dòng)態(tài)調(diào)整節(jié)點(diǎn)權(quán)重的步驟在障礙物距離車(chē)輛小于預(yù)設(shè)安全距離時(shí)優(yōu)先執(zhí)行，并通過(guò)增加障礙物附近節(jié)點(diǎn)的權(quán)重，優(yōu)先選擇遠(yuǎn)離障礙物的行駛路線(xiàn)。

26、優(yōu)選地，所述方法還包括根據(jù)最優(yōu)行駛路線(xiàn)自動(dòng)調(diào)整車(chē)輛的速度和方向。

27、優(yōu)選地，所述安全控制裝置包括：

28、數(shù)據(jù)融合模塊，用于基于多源傳感器采集的多源實(shí)時(shí)數(shù)據(jù)，采用卡爾曼濾波對(duì)所述多源實(shí)時(shí)數(shù)據(jù)進(jìn)行時(shí)間和空間的融合，進(jìn)而形成車(chē)輛周?chē)h(huán)境的三維建模，并生成環(huán)境感知結(jié)果數(shù)據(jù)；

29、特征提取模塊，用于采用卷積神經(jīng)網(wǎng)絡(luò)中的卷積層對(duì)所述環(huán)境感知結(jié)果數(shù)據(jù)進(jìn)行局部掃描，提取所述環(huán)境感知結(jié)果數(shù)據(jù)中的道路邊緣特征數(shù)據(jù)、道路紋理特征數(shù)據(jù)、物體形狀特征數(shù)據(jù)，并通過(guò)分類(lèi)器對(duì)提取到的特征進(jìn)行分類(lèi)得到車(chē)輛周?chē)矬w信息，包括行人信息、其他車(chē)輛信息、交通標(biāo)志信息；

30、道路信息檢測(cè)模塊，用于采用基于道路結(jié)構(gòu)的邊緣檢測(cè)算法，結(jié)合車(chē)輛行駛軌跡信息和道路幾何形態(tài)信息檢測(cè)并標(biāo)注出道路關(guān)鍵信息，包括邊界信息、車(chē)道線(xiàn)信息、車(chē)道寬度信息；

31、障礙物預(yù)測(cè)模塊，用于根據(jù)所述車(chē)輛周?chē)矬w信息和道路關(guān)鍵信息綜合判斷確認(rèn)障礙物信息，結(jié)合車(chē)輛的行駛速度數(shù)據(jù)、行駛方向數(shù)據(jù)、與障礙物的相對(duì)速度數(shù)據(jù)和相對(duì)加速度數(shù)據(jù)，使用優(yōu)化的長(zhǎng)短期記憶網(wǎng)絡(luò)預(yù)測(cè)未來(lái)預(yù)設(shè)時(shí)間內(nèi)障礙物的移動(dòng)路徑；

32、路徑規(guī)劃模塊，用于根據(jù)所述移動(dòng)路徑信息結(jié)合改進(jìn)dijkstra算法生成最優(yōu)行駛路線(xiàn)。

33、優(yōu)選地，所述用于無(wú)人駕駛車(chē)輛的安全控制設(shè)備包括：

34、存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的用于無(wú)人駕駛車(chē)輛的安全控制程序，所述用于無(wú)人駕駛車(chē)輛的安全控制程序被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述的用于無(wú)人駕駛車(chē)輛的安全控制方法。

35、優(yōu)選地，所述計(jì)算機(jī)程序產(chǎn)品包括用于無(wú)人駕駛車(chē)輛的安全控制程序，所述用于無(wú)人駕駛車(chē)輛的安全控制程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1至7中任一項(xiàng)所述的用于無(wú)人駕駛車(chē)輛的安全控制方法。

36、本發(fā)明的有益效果：相較于現(xiàn)有技術(shù)中對(duì)多源傳感器數(shù)據(jù)的處理能力有限，無(wú)法快速且準(zhǔn)確地融合各類(lèi)傳感器數(shù)據(jù)，導(dǎo)致在動(dòng)態(tài)場(chǎng)景，如行人橫穿馬路、車(chē)輛突然變道中反應(yīng)不夠及時(shí)，尤其在交通密集區(qū)域，障礙物的預(yù)測(cè)和路徑規(guī)劃的準(zhǔn)確性較低，無(wú)法充分滿(mǎn)足無(wú)人駕駛車(chē)輛在復(fù)雜場(chǎng)景下實(shí)時(shí)決策與安全行駛的需求的技術(shù)問(wèn)題，由于本發(fā)明通過(guò)改進(jìn)的深度學(xué)習(xí)模型對(duì)多源數(shù)據(jù)進(jìn)行融合和分析，實(shí)現(xiàn)了對(duì)動(dòng)態(tài)障礙物的快速反應(yīng)，從而避免了潛在碰撞，提高了行駛安全性和決策效率。