本發(fā)明涉及智能輔助駕駛，特別是一種基于v2x的路口盲區(qū)輔助駕駛方法及系統(tǒng)。

背景技術(shù)：

1、隨著智能交通系統(tǒng)的快速發(fā)展，基于車輛間通信(vehicle-to-everything,v2x)的輔助駕駛技術(shù)逐漸成為研究熱點(diǎn)。v2x技術(shù)通過車輛與車輛(v2v)、車輛與基礎(chǔ)設(shè)施(v2i)、車輛與行人(v2p)以及車輛與網(wǎng)絡(luò)(v2n)之間的通信，實(shí)現(xiàn)了車輛之間的信息共享和協(xié)同決策。這一技術(shù)在提高道路安全性、減少交通事故、提升交通效率等方面展現(xiàn)出巨大潛力。目前，v2x技術(shù)已廣泛應(yīng)用于交通信號優(yōu)化、緊急車輛優(yōu)先通行、道路狀況預(yù)警等多個場景。

2、然而，現(xiàn)有的基于v2x的輔助駕駛系統(tǒng)在處理復(fù)雜路口尤其是存在視野盲區(qū)的情況時仍面臨挑戰(zhàn)。首先，傳統(tǒng)系統(tǒng)主要依賴單一傳感器(如攝像頭或雷達(dá))進(jìn)行環(huán)境感知，這在復(fù)雜多變的路口環(huán)境中容易導(dǎo)致感知不準(zhǔn)確或遺漏關(guān)鍵信息。例如，攝像頭在夜間或惡劣天氣條件下的性能下降，雷達(dá)則難以區(qū)分靜止和緩慢移動的障礙物。其次，現(xiàn)有v2x系統(tǒng)在數(shù)據(jù)融合和實(shí)時通信方面存在不足，導(dǎo)致信息傳輸延遲和不完整，影響了障礙物運(yùn)動軌跡的預(yù)測精度和實(shí)時性。這些問題不僅影響了系統(tǒng)的可靠性和安全性，還限制了其在實(shí)際交通場景中的廣泛應(yīng)用。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述現(xiàn)有存在的問題，提出了本發(fā)明。

2、因此，本發(fā)明提供了一種基于v2x的路口盲區(qū)輔助駕駛方法及系統(tǒng)解決現(xiàn)有技術(shù)中單一傳感器感知不準(zhǔn)確和v2x實(shí)時通信不足的問題。

3、為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：

4、第一方面，本發(fā)明實(shí)施例提供了一種基于v2x的路口盲區(qū)輔助駕駛方法，其包括，通過多模態(tài)數(shù)據(jù)融合與深度學(xué)習(xí)模型的結(jié)合，本發(fā)明實(shí)現(xiàn)了更全面、準(zhǔn)確的環(huán)境感知，克服了單一傳感器的局限性，提高了環(huán)境感知的準(zhǔn)確性和可靠性，能夠在各種天氣和光照條件下穩(wěn)定工作，減少了漏檢和誤檢的概率；同時，通過實(shí)時監(jiān)測障礙物位置變化、預(yù)測運(yùn)動軌跡和評估風(fēng)險(xiǎn)與v2x通信的結(jié)合，最終生成了更加安全、高效的駕駛決策。

5、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述通過車載傳感器采集多模態(tài)數(shù)據(jù)并進(jìn)行預(yù)處理，具體步驟如下，

6、通過車載傳感器采集圖像數(shù)據(jù)、雷達(dá)數(shù)據(jù)和激光雷達(dá)點(diǎn)云數(shù)據(jù)；

7、采用高斯濾波器對圖像數(shù)據(jù)進(jìn)行去噪處理；

8、采用坐標(biāo)變換和卡爾曼濾波對雷達(dá)數(shù)據(jù)進(jìn)行校正處理；

9、采用ransac算法對激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行濾波處理。

10、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述對預(yù)處理后的多模態(tài)數(shù)據(jù)進(jìn)行特征提取，構(gòu)成模態(tài)特征向量，具體步驟如下，

11、使用cnn提取圖像數(shù)據(jù)特征；

12、使用rnn提取雷達(dá)數(shù)據(jù)和激光雷達(dá)點(diǎn)云數(shù)據(jù)的時間序列特征；

13、通過特征拼接法，將不同傳感器的特征向量進(jìn)行拼接，形成多模態(tài)特征向量f。

14、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述基于多模態(tài)特征向量，采用深度學(xué)習(xí)模型進(jìn)行綜合感知，識別視野盲區(qū)內(nèi)的障礙物位置，具體步驟如下，

15、使用歷史數(shù)據(jù)對深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，通過卷積層和池化層進(jìn)行綜合感知，生成高層次的特征表示，并將不同模態(tài)的特征向量進(jìn)行拼接，形成多模態(tài)特征向量，將多模態(tài)特征向量輸入到第一個全連接層，生成中間特征表示，通過relu激活函數(shù)進(jìn)行非線性變換，將非線性變換后的特征表示輸入到第二個全連接層，生成視野盲區(qū)內(nèi)的障礙物位置坐標(biāo)；

16、通過反向傳播算法更新深度學(xué)習(xí)模型參數(shù)，迭代優(yōu)化深度學(xué)習(xí)模型；

17、將多模態(tài)特征向量f輸入訓(xùn)練好的深度學(xué)習(xí)模型進(jìn)行綜合感知，識別路口盲區(qū)內(nèi)障礙物的位置坐標(biāo)，表達(dá)式為：

18、pi＝fc2(relu(fc1(f)))；

19、其中，pi表示路口盲區(qū)內(nèi)第i個障礙物的位置坐標(biāo)，f是多模態(tài)特征向量，fc1表示深度學(xué)習(xí)模型的第一個全連接層，fc2表示深度學(xué)習(xí)模型的第二個全連接層。

20、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述實(shí)時監(jiān)測路口盲區(qū)內(nèi)的障礙物位置變化，預(yù)測障礙物的未來運(yùn)動軌跡，具體步驟如下，

21、通過車載傳感器實(shí)時監(jiān)測路口盲區(qū)內(nèi)的障礙物位置變化，使用卡爾曼濾波器，根據(jù)上一時刻的障礙物狀態(tài)，預(yù)測當(dāng)前時刻的障礙物的未來運(yùn)動軌跡，然后，根據(jù)車載傳感器新的檢測數(shù)據(jù)，更新障礙物的位置和速度，預(yù)測障礙物的未來運(yùn)動軌跡，表達(dá)式為：

22、

23、其中，xi,k+1是第i個障礙物在第k+1時刻的運(yùn)動軌跡，xi,k-1是第i個障礙物在第k-1時刻位置和速度，xi,j,k+1表示第i個障礙物在第k+1時刻的第j個粒子位置，wj是第j個粒子的權(quán)重，m是粒子數(shù)量，k表示時間步長；

24、障礙物的未來運(yùn)動軌跡，是由障礙物在未來時刻的移動速度和位置坐標(biāo)組合形成。

25、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述根據(jù)障礙物的未來運(yùn)動軌跡，評估車輛通過路口的風(fēng)險(xiǎn)等級，具體步驟如下，

26、根據(jù)障礙物的未來運(yùn)動軌跡，結(jié)合車輛與每個障礙物的最小距離和車輛與每個障礙物的速度差異，計(jì)算每個障礙物與車輛的碰撞風(fēng)險(xiǎn)評分，表達(dá)式為：

27、

28、其中，xe,t表示車輛在時間t的位置，xi,t表示第i個障礙物在時間t的位置坐標(biāo)，t表示預(yù)測的時間范圍，t表示車輛與障礙物存在碰撞風(fēng)險(xiǎn)的時間范圍，ve表示車輛速度，vi表示第i個障礙物的速度，λ表示速度差異的權(quán)重因子，ri表示第i個障礙物與車輛的碰撞風(fēng)險(xiǎn)評分，t表示時間區(qū)間[k,k+t]中的具體時間點(diǎn)；

29、基于歷史數(shù)據(jù)分別定義一個低風(fēng)險(xiǎn)閾值rl和高風(fēng)險(xiǎn)閾值rh，根據(jù)碰撞風(fēng)險(xiǎn)評分ri，將障礙物分為不同的風(fēng)險(xiǎn)等級；

30、當(dāng)ri＜rl時，則認(rèn)為當(dāng)前障礙物對車輛的威脅較小，處于較低的風(fēng)險(xiǎn)；

31、當(dāng)rh≤ri＜rl時，則認(rèn)為當(dāng)前障礙物對車輛的威脅處于中風(fēng)險(xiǎn)；

32、當(dāng)ri≥rh時，則認(rèn)為當(dāng)前障礙物對車輛的威脅較大，處于較高的風(fēng)險(xiǎn)水平。

33、作為本發(fā)明所述基于v2x的路口盲區(qū)輔助駕駛方法的一種優(yōu)選方案，其中：所述通過v2x通信接收實(shí)時交通信息，結(jié)合實(shí)時交通信息與風(fēng)險(xiǎn)等級，生成駕駛決策，具體步驟如下，

34、通過v2x通信接收來自其他車輛、路側(cè)單元和交通管理中心的實(shí)時交通信息，將實(shí)時交通信息與風(fēng)險(xiǎn)評估結(jié)果相結(jié)合，生成駕駛決策；

35、在低風(fēng)險(xiǎn)情況下，如果前方紅綠燈即將變?yōu)榧t燈，車輛應(yīng)減速并準(zhǔn)備停車，如果為綠燈，車輛繼續(xù)按原計(jì)劃行駛，如果路面濕滑，車輛適當(dāng)降低車速，如果行人靠近，車輛減速并保持安全距離；

36、在中風(fēng)險(xiǎn)情況下，如果前方紅綠燈即將變?yōu)榧t燈，車輛應(yīng)減速并準(zhǔn)備停車；如果為綠燈，車輛減速并保持安全距離，如果路面濕滑，車輛適當(dāng)降低車速并保持安全距離，如果行人靠近，車輛減速并保持安全距離，做好隨時避讓的準(zhǔn)備；

37、在高風(fēng)險(xiǎn)情況下，無論當(dāng)前紅綠燈狀態(tài)如何，車輛應(yīng)立即減速并準(zhǔn)備停車，如果路面濕滑，車輛立即減速并保持安全距離，同時尋找最佳的避讓路徑和時機(jī)，如果行人靠近，車輛立即采取避讓措施。

38、第二方面，本發(fā)明提供了一種基于v2x的路口盲區(qū)輔助駕駛系統(tǒng)，包括，數(shù)據(jù)采集與預(yù)處理模塊、障礙物位置識別模塊、障礙物軌跡預(yù)測模塊、風(fēng)險(xiǎn)評估模塊和決策生成模塊；數(shù)據(jù)采集與預(yù)處理模塊，用于通過車載傳感器采集多模態(tài)數(shù)據(jù)并進(jìn)行預(yù)處理，對預(yù)處理后的多模態(tài)數(shù)據(jù)進(jìn)行特征提取，構(gòu)成模態(tài)特征向量；障礙物位置識別模塊，用于基于多模態(tài)特征向量，采用深度學(xué)習(xí)模型進(jìn)行綜合感知，識別路口盲區(qū)內(nèi)的障礙物位置；障礙物軌跡預(yù)測模塊，用于實(shí)時監(jiān)測路口盲區(qū)內(nèi)的障礙物位置變化，預(yù)測障礙物的未來運(yùn)動軌跡；風(fēng)險(xiǎn)評估模塊，用于根據(jù)障礙物的未來運(yùn)動軌跡，評估車輛通過路口的風(fēng)險(xiǎn)等級；決策生成模塊，用于通過v2x通信接收實(shí)時交通信息，結(jié)合實(shí)時交通信息與風(fēng)險(xiǎn)等級，生成駕駛決策。

39、第三方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)設(shè)備，包括存儲器和處理器，所述存儲器存儲有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如本發(fā)明第一方面所述的基于v2x的路口盲區(qū)輔助駕駛方法的任一步驟。

40、第四方面，本發(fā)明實(shí)施例提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其中：所述計(jì)算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如本發(fā)明第一方面所述的基于v2x的路口盲區(qū)輔助駕駛方法的任一步驟。

41、本發(fā)明有益效果為：多模態(tài)數(shù)據(jù)融合與深度學(xué)習(xí)模型的結(jié)合，本發(fā)明實(shí)現(xiàn)了更全面、準(zhǔn)確的環(huán)境感知，克服了單一傳感器的局限性，提高了環(huán)境感知的準(zhǔn)確性和可靠性，能夠在各種天氣和光照條件下穩(wěn)定工作，減少了漏檢和誤檢的概率；同時，通過實(shí)時監(jiān)測障礙物位置變化、預(yù)測運(yùn)動軌跡和評估風(fēng)險(xiǎn)與v2x通信的結(jié)合，最終生成了更加安全、高效的駕駛決策。