【CN110162040A】一种基于深度学习的低速自动驾驶小车控制方法及系统【专利】

(19)中华人民共和国国家知识产权局

(12)发明专利申请

(10)申请公布号 (43)申请公布日 (21)申请号 201910388213.9

(22)申请日 2019.05.10

(71)申请人 重庆大学

地址 400044 重庆市沙坪坝区沙正街174号

重庆大学A区

(72)发明人 仲元红　张超　张明恒　李瑾熙　

(74)专利代理机构 重庆上义众和专利代理事务

所(普通合伙) 50225

代理人 水淼

(51)Int.Cl.

G05D 1/02(2006.01)

(54)发明名称

一种基于深度学习的低速自动驾驶小车控

制方法及系统

(57)摘要

一种基于深度学习的低速自动驾驶小车控

制方法，一：启动系统；二：等待用户路线信息指

令，获得则进入下一步；三：通过网络分别获取地

图数据和车辆位置及姿态数据；四：根据用户路

线信息、地图信息和车辆位置信息规划车辆行驶

路线方案；五：车辆采集路面图像数据，识别出可

行驶路面，从规划车辆行驶路线方案中选定适合

的行驶路线，并调整车辆姿势，避开障碍物；六：

发出控制指令，车辆按照五中确定的行驶路线行

驶。车辆利用全局路径规划确定网络地图中小车

的实时位置；利用通信系统由PC或手机客户端远

程发送小车起点及目的地位置并回传小车实时

状态信息；通过全局路径规划、局部避障和通信

系统的结合实现了在半开放环境中的低成本低

速自动运行。权利要求书3页 说明书5页CN 110162040 A 2019.08.23

C N 110162040

A

权　利　要　求　书1/3页CN 110162040 A

1.一种基于深度学习的低速自动驾驶小车控制方法，其特征在于，采用的步骤为：

步骤一：启动系统；

步骤二：等待用户路线信息指令，获得则进入下一步；

步骤三：通过网络获取地图数据，通过GPS和IMU传感器获取车辆位置及姿态数据；

步骤四：根据用户路线信息、地图信息和车辆位置信息规划车辆行驶路线方案；

步骤五：车辆采集路面图像数据，识别出可行驶路面，从所述规划车辆行驶路线方案中选定适合的行驶路线，并调整车辆姿势，避开障碍物；

步骤六：发出控制指令，车辆按照步骤五中确定的行驶路线行驶。

2.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤五中车辆采集路面图像数据，识别出可行驶路面具体体为；

5.1车载摄像头实时获取道路前方图像，将图像处理为240x426个像素点的大小；

5.2识别图形下部，具体为140x426像素点大小；

5.3送入可行驶路面识别的深度学习网络；

5.4识别出的路面存在破碎，边缘层次不齐的情况，采用相似度的比较方法进行修补，使得最终的可行驶路面连通区域集中，同时移除区域较小的路面。

3.根据权利要求2所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤5.4具体为；

5.4.1将原图RGB转化成灰度图；

5.4.2采用欧氏距离计算方法计算逐点像素与左上，左下，右上，右下四个像素点的相似度，生成图1；

5.4.3再将原图以步长为3缩小，继续计算逐点相似度，生成图2；

5.4.4重复步骤5.4.3，生成图3；

5.4.5将图3通过插值放大到图2大小，并按照图3比图2等于1.5：1的比重与图2相加，生成新图1；

5.4.6将新图1通过插值放大到图1大小，并按照新图1：图1等于2：1的比重与图1相加，生成新图2，由此得到每一像素点对于全局的相似度；

5.4.7将整个相似度图分为70x142的小块，在每块之间将相似度量化为0,1,2,3,4,5,共6个级别，对每个级别中是路面的点进行统计，若该类中50％都被识别为路面，则认为该类是路面的可能性较大，进行补偿，同时不是路面则进行削减；

5.4.8将生成的补偿与削减情况与网络输出的softmax层的概率相加，最终进行路面的判别；

5.4.9根据两个softmax的值，获得到当前路面的可行驶区域，计算每块连通区域大小，移除大小小于2000的小区域，最终得到可行驶路面。

4.根据权利要求1所述基于深度学习的低速自动驾驶小车控制方法，其特征在于：所述步骤五中从所述规划车辆行驶路线方案中选定适合的行驶路线，并调整车辆姿势，避开障碍物，具体方法为：

从当前线路中，选取三个指标对路面进行评价，最大连续路面长度，路面梯度，路面到达的最远距离，获取可行驶路面的二值化图像，0代表不可行驶，1代表可行驶，有深度学习网络输出；计算图像像素中每一列的1的个数，作为对道路长度的估计，如可行驶路面的最

2