一种自动驾驶汽车的导航方法与流程

阅读：评论：0

1.本发明涉及自动驾驶技术领域，尤其涉及一种自动驾驶汽车的导航方法。

背景技术：

2.汽车工业的进步，十分显著的改善了我们普通人的生活，得益于此，交通出行变得更加的方便，对于整体国家经济的发展也起到了很大的推动作用。但也应该注意到的是，随之而来的因为汽车工业发展带来许多的“副作用”，诸如环境问题、能源问题以及交通拥堵、交通安全等问题也日益尖锐。因此越来越多的国家政府机构和汽车生产厂商开始了对汽车工业的未来发展进行政策指引和战略方向调整，许多国家出台了利好新能源汽车研发生产的政策规定，而相应的许多厂家也积极响应政策的号召，在新能源技术领域开展了大量的前沿技术研究。
3.汽车工业的进步显著的方便了现代人们的生活，但同时因汽车的普及也出现了诸如交通拥堵、环境污染等问题，因此未来汽车势必将向着更加智能化、网联化、电动化的方向发展。车辆的无人化驾驶作为汽车科技发展的最终形态，路径跟踪控制则是实现车辆真正无人化驾驶的技术前提。车辆的自动驾驶技术是指车辆能够利用视觉、激光以及雷达等传感技术实现对行驶环境的信息感知，结合实时的道路条件，交通状况，行人状态等环境信息，经由高速计算处理核心规划得出合理的行驶路径和车辆运动控制信息，交由底层运动控制系统包括转向系，驱动/制动系统等最终完成对车辆的自动化驾驶操作。
4.针对目前日益严重的道路交通安全，依托于人工智能的快速发展，无人驾驶汽车得到了快速地发展。在现实道路场景中，考虑周围车辆之间的交互轨迹预测是自动驾驶汽车运动规划的一大挑战。

技术实现要素：

5.本发明提供了一种自动驾驶汽车的导航方法，以解决至少一个上述技术问题。
6.本发明提供了一种自动驾驶汽车的导航方法，包括以下步骤：
7.通过单目相机获取当前车辆周围的实时画面信息；
8.通过双目相机获取双目实时画面信息，其中双目实时画面信息包括当前车辆的邻近车道车辆与行人信息；
9.对获得的当前车辆周围的实时画面信息进行局部决策级画面增强处理，得到增强关键图像；
10.通过计算得到双目实时画面信息中邻近车道车辆与行人之间的距离，并对按邻近车道的最高时速对邻近车道车辆进行安全距离标记；
11.利用轨迹预测模型对邻近车道车辆以及当前车辆的同车道前方的车辆进行分析，获得影响安全驾驶的异常行驶车辆信息，对其行驶路线进行相应的预测，获得异常行驶车辆行为预测信息；
12.通过对增强关键图像进行检测处理，获得增强关键图像中的关键信息，提取关键
信息中关键地名与交通指示信息，并对关键地名与交通指示信息中的文本信息进行提取，并标记为紧急导航文本信息；对当前车辆的周围出现遮挡物进行标记，记为潜在风险预估信息；
13.利用潜在风险评估检测模型对潜在风险预估信息进行潜在风险判定，得到最终潜在风险信息；
14.检测当前的卫星情况，当检测到卫星处于异常状态时，利用卫星修复模型，对卫星异常的原因进行判断以及修复，获得精确卫星定位；
15.当修复失败时，利用导航系统中应急定位算法，对应急lbs定位以及绘制出在异常状态下行驶的路线图进行数据融合，从而推算出当前的修复性精确位置定位；
16.利用精确卫星定位或修复性精确位置定位，结合异常行驶车辆行为预测信息以及潜在风险预估信息，规划出车辆交互式预测导航轨迹；
17.利用运动控制检测机构对当前车辆的运动控制机构以及对当前车辆的状态进行判断，利用可适应性不确定性智能车辆转向稳定系统，以执行车辆交互式预测导航轨迹的动作。
18.可选地，对获得的车辆实时画面信息进行局部决策级画面增强处理，得到增强关键图像的步骤包括以下步骤：
19.利用关键信息预提取网络对当前车辆周围实时画面信息进行关键信息的预提取，获得初步关键信息；
20.利用画面增强模型对车辆实时画面信息获得的初步关键信息进行局部决策级画面增强处理，得到增强关键图像。
21.可选地，通过计算得到双目实时画面信息中车辆与行人距离，并对按邻近车道车辆道路的最高时速对车辆进行安全距离标记的步骤包括以下步骤：
22.利用以下公式计算出当前车辆到邻近车道后方车辆的距离：
[0023][0024]
其中，p为目标所在位置，z
l
为左相机到目标的距离，zr为右相机到目标的距离，o
l
为左相机的光圈中心点，or为右相机的光圈中心点，d为两个相机的光心距离，f为相机的焦距，p
l
和pr分别为物体经过左右相机的光圈中心点投影到相机感光元件上的点；p
l’和p
r’为左右相机最外层保护层到左右相机的光圈中心点的距离，p
l’和p
r’横坐标为x
l
和xr，y为当前相机的到车辆尾部的直线距离；
[0025]
按邻近车道车辆道路的最高时速，以及结合当前的天气状况，对车辆进行安全距离标记。
[0026]
可选地，利用轨迹预测模型对邻近的车道以及当前车辆的同车道前方的车辆进行分析，获得影响安全驾驶的异常行驶车辆信息，对其行驶路线进行相应的预测，获得异常行驶车辆行为预测信息的步骤包括以下步骤：
[0027]
通过对增强关键图像进行检测处理，获取其中的道路指示牌与交通灯状态，通过道路交通自注意力模型对道路指示牌中的文本信息的语义，结合道路交通状况进行诠释，从而对文本信息内容进行重新排序或者补充，并将其标记为紧急导航文本信息；
[0028]
对增强关键图像中出现的车辆、路面的障碍物以及行人进行分类，将遮挡车辆、当
前车道障碍物以及距离小于安全距离阈值的路人进行标注，记为潜在风险预估信息。
[0029]
可选地，通过对增强关键图像进行检测处理，获得图像中的关键信息，提取其中关键地名与交通指示信息，并对其中的文本信息进行提取，标记为紧急导航文本信息；对周围出现遮挡物行标记，记为潜在风险预估信息的步骤包括以下步骤：
[0030]
提取潜在风险预估信息，利用潜在风险评估检测模型进行潜在风险期待值评估计算：
[0031][0032]
其中为潜在风险期待值，h为车辆与通车道前方车辆的距离，w为环境自适应值，g为车辆所处路面车道的数量，n为当前车流量水平值，v为当前车辆的速度，v0为当前车道合规的最高时速，vt为邻近车道后方车辆的速度，i为邻近车道后方车辆车头的倾斜角；
[0033]
其中w环境自适应值是根据紧急导航文本信息的语义判断以及结合车辆驾驶经验，通过半朴素贝叶斯分类器推算出的突发情况出现的概率；
[0034]
利用上述公式将大于潜在风险期待值阈值的风险事件，标记为初步潜在风险信息；
[0035]
利用潜在风险评估检测模型的损失计算公式，计算出各个潜在风险事件的损失值：
[0036][0037]
其中，β为各个潜在风险事件的损失值，μ为避免该风险时间而需要跨越的车道的匝数，γ为避免该风险的反应时间，为预设的潜在风险场景动态变化值，ω为预测经济损失成本，α为预设的不同物体的碰撞权重值；
[0038]
对初步潜在风险信息进行潜在风险事件的损失值的比较，从而确认损失值最大的初步潜在风险信息为，最终潜在风险信息。
[0039]
可选地，对卫星异常的原因进行判断以及修复的步骤包括以下步骤：
[0040]
通过历史训练经验判断出卫星信号是因物理失效或恶意网络攻击而导致的异常原因，并判断出当前卫星异常的类型；
[0041]
通过卫星诊断修复算法，对gps和lidar的传感器数据进行多通道数据融合、特征提取和异常诊断结果输出，从而对遭受到恶意网络攻击的车辆信息进行修复。
[0042]
可选地，绘制出在异常状态下行驶的路线图的步骤包括以下步骤：
[0043]
利用lidar里程计对每帧获得的特征点进行提取，并建立特征点坐标系，并将后续的特征点置于该坐标系中；
[0044]
将lidar里程计当前该坐标系中提取的当前特征点与上一帧提取的特征点集进行匹配，求解出相对位姿变换矩阵并推算出位姿信息，从而获得异常状态下行驶的路线图。
[0045]
可选地，当修复失败时，利用导航系统中应急定位算法，对应急lbs定位以及绘制出在异常状态下行驶的路线图进行数据融合的步骤包括以下步骤：
[0046]
将两个定位系统的时间进行校准操作，并将lbs定位的位置以及推算出位姿信息，分别置于导航的地图中，绘制出两张相应的初步运动轨迹地图；
[0047]
对两张初步运动轨迹地图统一时间点的位置进行比较，对距离差大于设定阈值的地图位置进行参数解算，以获得准确定位结果。
[0048]
可选地，结合异常行驶车辆行为预测信息以及潜在风险预估信息，规划出车辆交互式预测导航轨迹的步骤包括以下步骤：
[0049]
利用运动规划算法，以车道中线为参照线，将道路宽度作为边界约束，建立全局笛卡尔坐标系，并在坐标系中绘制出相应的车辆预测导航轨迹；
[0050]
结合异常行驶车辆行为预测信息以及潜在风险预估信息，对车辆预测导航轨迹进行矫正，规划出车辆交互式预测导航轨迹。
[0051]
可选地，利用运动控制检测机构对当前车辆的运动控制机构以及对当前车辆的状态进行判断，利用可适应性不确定性智能车辆转向稳定系统，从而能更好地执行车辆交互式预测导航轨迹的动作；
[0052]
利用运动控制检测机构，根据车辆底盘齿轮实时转动，检测轮胎的状态；
[0053]
利用遗传算法对控制器的参数进行优化，输入车辆交互式预测导航轨迹中的参考速度与当前速度的差值，获得所需要的加速度，并作为制动器与加速器的统一加速信号；
[0054]
利用可适应性不确定性智能车辆转向稳定系统，结合统一加速信号以及车辆交互式预测导航轨迹，通过控制器对底盘各系统的协调控制，从而实现根据不同轮胎的状态，对轮胎的稳定控制。
[0055]
本发明实施例的目的通过考虑未知的非线性对控制性能的影响，利用遗传算法对控制器的参数进行优化，对系统的未知非线性进行在线逼近，提高了控制器的实用性，从而降低因控制器的交通事故的发生和进一步提升乘客的体验感。
附图说明
[0056]
图1-图2为本发明一实施例提供的自动驾驶汽车的导航方法的步骤流程示意图；
[0057]
图3为一实施例的道路示意图；
[0058]
图4为另一实施例的道路示意图；
[0059]
图5为再一实施例的道路示意图。
具体实施例：
[0060]
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0061]
本技术实施提供了一种自动驾驶汽车的导航方法。所述自动驾驶汽车的导航方法的执行主体包括但不限于服务端、终端等能够被配置为执行本技术实施例提供的该方法的设备中的至少一种。
[0062]
换言之，所述可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集、云端服务器或云端服务器集等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(contentdelivery network，cdn)、以及大数据和人工智能平台等基础云计算服务的云服务器。
[0063]
参照图1以及图2所示，为本发明一实施例提供的一种自动驾驶汽车的导航方法的
流程示意图。在本实施例中，所述自动驾驶汽车的导航方法包括以下步骤：
[0064]
步骤s1：通过单目相机获取当前车辆周围的实时画面信息；
[0065]
本发明实施例中，通过获取当前车辆周围的实时画面信息，以用于后续从所述实时画面信息中提取增强关键图像。
[0066]
详细地，所述实时画面信息是指通过分布在车声周围的单目摄像头，获得的车辆周围的信息，并进行处理而得到的车辆360
°
的视频信息，并标记为实时画面信息；
[0067]
进一步地，360
°
的视频信息是指通过全景摄像机拍摄，将静态的全景图片转化为动态的视频图像。它不再是单一的静态全景图片形式，而具有景深、动态图像、声音等包罗万象的因素，同时具备声画对位、声画同步的功能。
[0068]
步骤s2：通过双目相机获取得到当前车辆的邻近车道的车辆与行人信息，并标记为双目实时画面信息；
[0069]
本发明实施例中，通过双目相机获取得双目实时画面信息，以用于后续对临近车道后方车辆的距离进行计算；
[0070]
详细地，所述双目实时画面信息是指通过安装在车辆后视镜的两个有一定距离的摄像头同时获得的画面信息；
[0071]
进一步地，在车辆左右后视镜分别安装两个可移动的且具有一点距离的单目相机，从而组成双目相机系统。可举例地，当因角度无法拍摄到邻近车道完整的视频录像时，双目相机系统可以通过调节而完成拍摄。
[0072]
步骤s3：对获得的车辆实时画面信息进行局部决策级画面增强处理，得到增强关键图像；
[0073]
详细地，利用关键信息预提取网络对车辆实时画面信息进行关键信息的预提取，获得初步关键信息；
[0074]
进一步地，所述对车辆实时画面信息进行关键信息的预提取包括：对车辆实时画面信息进行关键帧提取，对关键帧的图像进行图像标注，获得初步关键信息；示例性的，上述关键帧图像中出现了交通指示灯、交通指示灯灯柱、道路指示牌、行人、车辆、广告牌以及建筑物，此时系统则将交通指示灯、道路指示牌、行人、车辆标注为初步关键信息；
[0075]
本发明实施例的目的是通过对车辆实时画面的预提取，得到含关键信息的关键帧，以及对信息中的关键信息进行预处理，以减少后续进行画面增强处理时的工作量；
[0076]
详细地，利用画面增强模型对车辆实时画面信息获得的初步关键信息进行局部决策级画面增强处理，得到增强关键图像；
[0077]
本发明实施例的目的是通过对初步关键信息进行局部决策级画面增强处理，减少处理的时间，提高数据处理的效率，以及保证后续得到文字信息的精确度、提升车辆的安全性、降低违反交通规则带来的经济成本；
[0078]
步骤s4：通过计算得到双目实时画面信息中车辆与行人距离，并对按邻近车道车辆道路的最高时速对车辆进行安全距离标记；
[0079]
详细地，利用以下公式计算出到目标的距离：
[0080]
[0081]
其中，p为目标所在位置，z
l
为左相机到目标的距离，zr为右相机到目标的距离，o
l
为左相机的光圈中心点，or为右相机的光圈中心点，d为两个相机的光心距离，f为相机的焦距，p
l
和pr分别为物体经过左右相机的光圈中心点投影到相机感光元件上的点；p
l’和p
r’为左右相机最外层保护层到左右相机的光圈中心点的距离，p
l’和p
r’横坐标为x
l
和xr，y为当前相机的到车辆尾部的直线距离；
[0082]
本发明实施例的目的是通过双目相机对邻近车道后方车辆的距离进行计算，能有效防止当雷达系统故障时无法对邻近车道后方车辆的距离进行计算，而导致不能进行变道操作或者无法对其变道操作做出反馈情况的出现；
[0083]
详细地，按邻近车道车辆道路的最高时速，以及结合当前的天气状况，对车辆进行安全距离标记。
[0084]
本发明实施例的目的是对车辆进行安全距离标记，从而使得车辆与邻近车道车辆，保持相应的安全距离，以便能根据邻近车道车辆的操作做出相应的规避操作和确保车辆系统有充足的时间做出反应；示例性的，当车辆在下雨天行驶在高速公路并处以中间车道时，则设置左边邻近车道的安全距离阈值为300米，右边邻近车道的安全距离阈值为200米；
[0085]
步骤s5：利用轨迹预测模型对邻近的车道以及当前车辆的同车道前方的车辆进行分析，获得影响安全驾驶的异常行驶车辆信息，对其行驶路线进行相应的预测，获得异常行驶车辆行为预测信息；
[0086]
详细地，对邻近的车道以及当前车辆的同车道前方的车辆进行分析，是指通过对邻近车道的车辆车灯、车辆车头的倾斜角度以及同车道的刹车灯的状态以及车速进行预测；
[0087]
本发明实施例的目的是通过周围车辆的行驶轨迹进行预测，从而后续能更好地对自身的路径进行规划；示例性的，即将行驶至十字路口时且车辆处于中间直行车道需要进行左转弯时，此时通过预测分析，左车道的汽车需要往中间车道时，则此时可以获得异常行驶车辆行为预测信息；
[0088]
步骤s6：通过对增强关键图像进行检测处理，获得图像中的关键信息，提取其中关键地名与交通指示信息，并对其中的文本信息进行提取，标记为紧急导航文本信息；对周围出现遮挡物行标记，记为潜在风险预估信息；
[0089]
详细地，通过对增强关键图像进行检测处理，获取其中的道路指示牌与交通灯状态，通过道路交通自注意力模型对道路指示牌中的文本信息的语义，结合道路交通状况进行诠释，从而对文本信息内容进行重新排序或者补充，并将其标记为紧急导航文本信息；
[0090]
本发明实施例的目的是希望通过自注意力模型对增强关键图像进行全局的交通处理，保障车辆的行驶安全，并能在后续的路径规划中做出更好的选择；示例性的，交通指示牌显示出现学校路段的图标，并无相应的文字标识，当交通信号灯显示绿可通行时，人行横道内仍然有人在慢速通过时，则此时紧急导航文本信息内容为禁止起步，当前为学校路段，应减速慢行；
[0091]
详细地，对增强关键图像中出现的车辆、路面的障碍物以及行人进行分类，将遮挡车辆、当前车道障碍物以及距离小于安全距离阈值的路人进行标注，记为潜在风险预估信息。
[0092]
本发明实施例的目的是对潜在风险进行预估，以减少交通意外的发生，当旁边的车辆遮挡了道路两旁的画面，为了防止道路两旁的自行车、行人等突然加速，导致意外的发生；示例性的，当前的车速为每小时60千米，则划定行人与当前车道的距离为1m为行人安全距离，当与行人的距离小于该距离时则标注为潜在风险预估信息，防止行人突然窜出马路，导致紧急刹车不及时的情况的发生。
[0093]
步骤s7：提取潜在风险预估信息，利用潜在风险评估检测模型进行潜在风险的最终结果判定，得到最终潜在风险信息；
[0094]
详细地，提取潜在风险预估信息，利用潜在风险评估检测模型进行潜在风险期待值评估计算：
[0095][0096]
其中为潜在风险期待值，h为车辆与通车道前方车辆的距离，w为环境自适应值，g为车辆所处路面车道的数量，n为当前车流量水平值，v为当前车辆的速度，v0为当前车道合规的最高时速，v
t
为邻近车道后方车辆的速度，i为邻近车道后方车辆车头的倾斜角；
[0097]
其中w环境自适应值是根据紧急导航文本信息的语义判断以及结合车辆驾驶经验，通过半朴素贝叶斯分类器推算出的突发情况出现的概率；
[0098]
本发明实施例利用了环境自适应值w，能很好的根据实时变化的环境以及当前的时间，推导出相应的潜在风险期待值，从而能更准确地对潜在风险进行规避；利用邻近车道后方车辆车头的倾斜角i、当前车道合规的最高时速v0以及邻近车道后方车辆的速度v
t
，对当前车辆是否需要进行变道操作有着显著的有益影响；利用sin函数是因为在之前是递增函数，侧面证明了车头的倾斜角度越大，潜在风险期待值越大；
[0099]
本发明实施例的目的是通过半朴素贝叶斯分类器利用当前的各种条件，推算出可能发生的一些事件的概率，从而初步对当前可能发生的意外，进行初步的判断；示例性的，当经过一个小区，当前的时间为临近上班和上学的时间，且当前的道路较为拥挤，后方的车辆有明显变道地行为的时候，则很容易推算出变道车辆、突然横穿的行人以及电动车的情况的发生；
[0100]
详细地，利用上述公式将大于潜在风险期待值阈值的风险事件，标记为初步潜在风险信息；
[0101]
利用潜在风险评估检测模型的损失计算公式，计算出各个潜在风险事件的损失值：
[0102][0103]
其中，β为各个潜在风险事件的损失值，μ为避免该风险时间而需要跨越的车道的匝数，γ为避免该风险的反应时间，为预设的潜在风险场景动态变化值，ω为预测经济损失成本，α为预设的不同物体的碰撞权重值；
[0104]
本发明实施例的目的是对不同物体进行不同损失值赋值，能在后续的规划中，能更好地对行人以及附近的车辆进行保护；通过对不同物体的碰撞权重值α，能有效防止当前
车辆为减少经济成本的损失而导致人员伤亡情况的发生，在任何时候避免对行人造成损害，提升当前车辆周围行人的安全性，以及消除行人的顾虑；
[0105]
详细地，对初步潜在风险信息进行潜在风险事件的损失值的比较，从而确认最终潜在风险信息。
[0106]
本发明实施例的目的是通过损失值确定了最终的潜在风险，便于后续的路径规划以及保障当前的交通参与者的安全。示例性的，当前初步的潜在的风险为行驶在单向行驶的车道，前方的车辆突然急刹车并停下的时候，如左侧为道路防护栏，右侧有行人时，则此时最终为保障前方车辆以及行人的安全，则将前方车辆和行人确定为最终潜在风险信息；但若此时，如左侧为道路防护栏，右侧无行人且无障碍物时，则此时则要保障自身以及前方车辆的安全，则将道路防护栏以及前方车辆定义为最终潜在风险信息，并后续进行及时的规避；
[0107]
步骤s8：检测当前的卫星情况，当检测到卫星处于异常状态时，利用卫星修复模型，对卫星异常的原因进行判断以及修复，获得精确卫星定位；
[0108]
详细地，通过历史训练经验判断出卫星信号是因物理失效或恶意网络攻击而导致的异常原因以及当前卫星异常的类型；
[0109]
进一步地，无人驾驶汽车的遭受的网络攻击可以是内部攻击和外部攻击。需理解的是，外部攻击主要是指对通信设备、信号检测设备和其他车辆数据的基础黑设备进行攻击和干扰；内部攻击，则是指对车载控制系统、导航传感器以及其他车载传感器进行攻击和干扰；
[0110]
示例性的，信号检测设备，判断的结果可分为：无等级的正常状态；中等级的不同程度的x向偏移、y向偏移、x向延时漂移以及y向延时漂移，高等级的定点攻击(即在行驶的过程中，卫星信号显示长时间在某一点上)；
[0111]
详细地，通过卫星诊断修复算法，对gps和lidar的传感器数据进行多通道数据融合、特征提取和异常诊断结果输出，从而对遭受到恶意网络攻击的车辆信息进行修复。
[0112]
进一步地，原始的无人行驶汽车gps和和lidar的传感器多通道测量数据被直接输入到输入层自动完成数据融合和数据处理，再将卷积网络层内的多个id卷积层、relu激活层和池化层对原始的数据进行特征提取，最后，完成降维和参数量的压缩，并且自适应的关联一维卷积网络层与输出层之间的维度变换和诊断结果的输出；
[0113]
本发明实施例的目的通过对卫星异常的类型进行判断，能使后续更好等选择如何对卫星异常状况进行修复，以减少处理卫星异常的时间，更好更快地在卫星异常的状态下进行路径的规划；
[0114]
步骤s9：当修复失败时，利用导航系统中应急定位算法，对应急lbs定位以及绘制出在异常状态下行驶的路线图进行数据融合，从而推算出当前的修复性精确位置定位；
[0115]
详细地，利用lidar里程计对每帧获得的特征点进行提取，并建立特征点坐标系，并将后续的特征点置于该坐标系中；
[0116]
详细地，将lidar里程计当前该坐标系中提取的当前特征点与上一帧提取的特征点集进行匹配，求解出相对位姿变换矩阵并推算出位姿信息，从而获得异常状态下行驶的路线图；
[0117]
进一步地，将两个定位系统的时间进行校准操作，并将lbs定位的位置以及推算出
位姿信息，分别置于导航的地图中，绘制出两张相应的初步运动轨迹地图；
[0118]
进一步地，将获得的异常状态下行驶的路线图在地图上进行初步的绘制，并将明显处于道路外的路线进行矫正处理，同步到两张相应的初步运动轨迹地图中；
[0119]
进一步地，对两张初步运动轨迹地图统一时间点的位置进行比较，对距离差大于设定阈值的地图位置进行参数解算，以获得准确定位结果。
[0120]
本发明实施例的目的通过lidar里程计和lbs定位进行gps失效时的双重点位，以便获得点位信息更加精准和有效；
[0121]
步骤s10：利用精确卫星定位或修复性精确位置定位，结合异常行驶车辆行为预测信息以及潜在风险预估信息，规划出车辆交互式预测导航轨迹；
[0122]
详细地，利用运动规划算法，以车道中线为参照线，将道路宽度作为边界约束，建立全局笛卡尔坐标系，并在坐标系中绘制出相应的车辆预测导航轨迹；
[0123]
详细地，结合异常行驶车辆行为预测信息以及潜在风险预估信息，对车辆预测导航轨迹进行矫正，规划出车辆交互式预测导航轨迹；
[0124]
如图3-图5所示，为在实际道路交通常见的三种的道路，规划路径；
[0125]
图3为没有考虑多车交互的运动规划，对换道动作反应不及时的示意图；
[0126]
图4为加速动作过大，降低乘车舒适性的道路示意图；
[0127]
图5为车速过大，可能超速的示意图；
[0128]
示例性的，图3所示的减速行驶场景中，c3初始车速为5.5m/s，周围车c4速度为8m/s，周围车c2速度为2m/s，从c1与c2的交互预测轨迹可以看出，c2从岔口驶出右转时距离较高车速的c1较近，所以c1在行驶过程中为避免与c2发生碰撞，突然向左驶入主车c3当前所在车道，下述所述c1、c2、c3的初始车速如图3相同；
[0129]
图4所示，没有考虑多车交互的运动规划对c1换道动作反应不及时，主车在0～10s的时间内仍处于较高行驶速度,在10s时才对已经驶入c3当前所在车道的c1做出相应减速，导致速度突然的变化，降低行驶效率的同时增加碰撞风险。在图4、图5中，加速度和加速度变化率波动较大、转弯幅度过大，降低乘车舒适性。相对于没有考虑轨迹预测的运动规划，通过交互式预测导航轨迹规划出的速度跟随曲线更加平稳，加速度、加速度变化率波动更小，转弯更加平滑，说明驾驶舒适性更高。
[0130]
本发明实施例的目的通过交互式预测导航轨迹提升了乘客的乘坐体验和减少了交通事故的发生；
[0131]
步骤s11：利用运动控制检测机构对当前车辆的运动控制机构以及对当前车辆的状态进行判断，利用可适应性不确定性智能车辆转向稳定系统，通过控制器使底盘执行车辆交互式预测导航轨迹的动作；
[0132]
详细地，利用运动控制检测机构，根据车辆底盘齿轮实时转动，检测轮胎的状态；
[0133]
详细地，利用遗传算法对控制器的参数进行优化，输入车辆交互式预测导航轨迹中的参考速度与当前速度的差值，获得所需要的加速度，并作为制动器与加速器的统一加速信号；
[0134]
本发明实施例的目的通过考虑未知的非线性对控制性能的影响，利用遗传算法对控制器的参数进行优化，对系统的未知非线性进行在线逼近，提高了控制器的实用性，从而降低因控制器的交通事故的发生和进一步提升乘客的体验感；
[0135]
详细地，利用可适应性不确定性智能车辆转向稳定系统，结合统一加速信号以及车辆交互式预测导航轨迹，通过控制器对底盘各系统的协调控制，从而实现根据不同轮胎的状态，对轮胎的稳定控制；
[0136]
本发明实施例的目的通过考虑了控制增益未知、执行器死区和故障对控制性能的影响，实现线控转向系统在存在控制增益、执行器死区和故障的情况下仍然可以获得满意的控制性能，实现对轮胎的实时控制，从而能更好地执行车辆交互式预测导航轨迹的动作；
[0137]
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

技术特征：

1.一种自动驾驶汽车的导航方法，其特征在于，所述方法包括以下步骤：步骤s1：通过单目相机获取当前车辆周围的实时画面信息；步骤s2：通过双目相机获取双目实时画面信息，其中双目实时画面信息包括当前车辆的邻近车道车辆与行人信息；步骤s3：对获得的当前车辆周围的实时画面信息进行局部决策级画面增强处理，得到增强关键图像；步骤s4：通过计算得到双目实时画面信息中邻近车道车辆与行人之间的距离，并按邻近车道车辆的道路的最高时速对邻近车道车辆进行安全距离标记；步骤s5：利用轨迹预测模型对邻近车道车辆以及当前车辆的同车道前方的车辆进行分析，获得影响安全驾驶的异常行驶车辆信息，对其行驶路线进行相应的预测，获得异常行驶车辆行为预测信息；步骤s6：通过对增强关键图像进行检测处理，获得增强关键图像中的关键信息，提取关键信息中关键地名与交通指示信息，并对关键地名与交通指示信息中的文本信息进行提取，并标记为紧急导航文本信息；对当前车辆的周围出现遮挡物进行标记，记为潜在风险预估信息；步骤s7：利用潜在风险评估检测模型对潜在风险预估信息进行潜在风险判定，得到最终潜在风险信息；步骤s8：检测当前的卫星情况，当检测到卫星处于异常状态时，利用卫星修复模型，对卫星异常的原因进行判断以及修复，获得精确卫星定位；步骤s9：当修复失败时，利用导航系统中应急定位算法，对应急lbs定位以及绘制出在异常状态下行驶的路线图进行数据融合，从而推算出当前的修复性精确位置定位；步骤s10：利用精确卫星定位或修复性精确位置定位，结合异常行驶车辆行为预测信息、潜在风险预估信息以及紧急导航文本信息，规划出车辆交互式预测导航轨迹；步骤s11：利用运动控制检测机构对当前车辆的运动控制机构以及对当前车辆的状态进行判断，利用可适应性不确定性智能车辆转向稳定系统，以执行车辆交互式预测导航轨迹的动作。2.根据权利要求1所述的方法，其特征在于，步骤s3具体为：利用关键信息预提取网络对当前车辆周围的实时画面信息进行关键信息的预提取，获得初步关键信息；利用画面增强模型对初步关键信息进行局部决策级画面增强处理，得到增强关键图像。3.根据权利要求1所述的方法，其特征在于，步骤s4中进行安全距离标记的步骤为：利用以下公式计算出当前车辆到邻近车道目标的距离：其中，p为目标所在位置，z
l
为左相机到目标的距离，z
r
为右相机到目标的距离，o
l
为左相机的光圈中心点，o
r
为右相机的光圈中心点，d为两个相机的光心距离，f为相机的焦距，p
l
和p
r
分别为物体经过左右相机的光圈中心点投影到相机感光元件上的点；p
l’和p
r’为左右
相机最外层保护层到左右相机的光圈中心点的距离，p
l’和p
r’横坐标为x
l
和x
r
，y为当前相机到车辆尾部的直线距离；按邻近车道车辆道路的最高时速，以及结合当前的天气状况，对车辆进行安全距离标记。4.根据权利要求1所述的方法，其特征在于，步骤s6具体为：通过对增强关键图像进行检测处理，获取其中的道路指示牌与交通灯状态，通过道路交通自注意力模型对道路指示牌中的文本信息的语义结合道路交通状况进行诠释，从而对文本信息内容进行重新排序或者补充，并将其标记为紧急导航文本信息；对增强关键图像中出现的车辆、路面的障碍物以及行人进行分类，将遮挡车辆、当前车道障碍物以及距离小于安全距离阈值的路人进行标注，记为潜在风险预估信息。5.根据权利要求1所述的方法，其特征在于，步骤s7具体为：提取潜在风险预估信息，利用潜在风险评估检测模型进行潜在风险期待值评估计算：其中为潜在风险期待值，h为车辆与通车道前方车辆的距离，w为环境自适应值，g为车辆所处路面车道的数量，n为当前车流量水平值，v为当前车辆的速度，v0为当前车道合规的最高时速，vt为邻近车道后方车辆的速度，i为邻近车道后方车辆车头的倾斜角；其中w环境自适应值是根据紧急导航文本信息的语义判断以及结合车辆驾驶经验，通过半朴素贝叶斯分类器推算出的突发情况出现的概率；利用上述公式将大于潜在风险期待值阈值的风险事件标记为初步潜在风险信息；利用潜在风险评估检测模型的损失计算公式计算出各个潜在风险事件的损失值：其中，β为各个潜在风险事件的损失值，μ为避免该风险时间而需要跨越的车道的匝数，γ为避免该风险的反应时间，为预设的潜在风险场景动态变化值，ω为预测经济损失成本，α为预设的不同物体的碰撞权重值；对初步潜在风险信息进行潜在风险事件的损失值的比较，从而确认损失值最大的初步潜在风险信息为，最终潜在风险信息。6.根据权利要求1所述的方法，其特征在于，步骤s8中的对卫星异常的原因进行判断以及修复，具体步骤为：通过历史训练经验判断出卫星信号是因物理失效或恶意网络攻击而导致的异常原因，并判断出当前卫星异常的类型；通过卫星诊断修复算法，对gps和lidar的传感器数据进行多通道数据融合、特征提取和异常诊断结果输出，从而对遭受到恶意网络攻击的车辆信息进行修复。7.根据权利要求1所述的方法，其特征在于，步骤s9中绘制出在异常状态下行驶的路线图的具体步骤为：利用lidar里程计对每帧获得的特征点进行提取，并建立特征点坐标系，并将后续的特征点置于该特征点坐标系中；
将lidar里程计当前该特征点坐标系中提取的当前特征点与上一帧提取的特征点集进行匹配，求解出相对位姿变换矩阵并推算出位姿信息，从而获得异常状态下行驶的路线图。8.根据权利要求5所述的方法，其特征在于，步骤s8中的位置融合的具体步骤为：将两个定位系统的时间进行校准操作，并将lbs定位的位置以及推算出位姿信息，分别置于导航的地图中，绘制出两张相应的初步运动轨迹地图；对两张初步运动轨迹地图统一时间点的位置进行比较，对距离差大于设定阈值的地图位置进行参数解算，以获得准确定位结果。9.根据权利要求1所述的方法，其特征在于，步骤s10中规划车辆交互式预测导航轨迹，具体步骤为：利用运动规划算法，以车道中线为参照线，将道路宽度作为边界约束，建立全局笛卡尔坐标系，并在坐标系中绘制出相应的车辆预测导航轨迹；结合异常行驶车辆行为预测信息、潜在风险预估信息以及紧急导航文本信息，对车辆预测导航轨迹进行矫正，规划出车辆交互式预测导航轨迹。10.根据权利要求1所述的方法，其特征在于，步骤s11的具体步骤为：利用运动控制检测机构，根据车辆底盘齿轮实时转动检测轮胎的状态；利用遗传算法对控制器的参数进行优化，获取车辆交互式预测导航轨迹中的参考速度与当前速度的差值，获得所需要的加速度，并作为制动器与加速器的统一加速信号；利用可适应性不确定性智能车辆转向稳定系统，结合统一加速信号以及车辆交互式预测导航轨迹，通过控制器对底盘各系统的协调控制，从而实现根据不同轮胎的状态，对轮胎进行稳定控制。

技术总结

本发明涉及无人驾驶技术领域，尤其涉及一种自动驾驶汽车的导航方法。所述方法包括以下步骤：获取当前车辆周围的实时画面信息以及获取得到当前车辆的邻近车道的车辆与行人信息，对获得的车辆实时画面信息进行局部决策级画面增强处理，得到增强关键图像，并对邻近车辆进行安全距离标记，获得异常行驶车辆行为预测信息。本发明通过规划出车辆交互式预测导航轨迹，执行车辆交互式预测导航轨迹的动作，以提升驾驶的安全性以及乘客的舒适度。升驾驶的安全性以及乘客的舒适度。升驾驶的安全性以及乘客的舒适度。