1.一种基于超声波传感器的场景再识别算法,其中,包括:
步骤1、在数据库中预存储场景地图,提取所述场景地图中的标识信息并将所述标识信息存储入所述数据库,所述标识信息包括所述场景地图中的场景或物体的曲面、边界线、拐角点以及语义特征点;
步骤2、将步骤1中场景或物体的所述边界线和曲面拟合,以得场景或物体的拟合信息,并将拟合信息存储至所述数据库;
步骤3、在行驶过程中,按照时间顺序,所述无人车上的任一个超声波传感器实时动态获取其相对于检测范围内的障碍物的多个实时位置信息,将实时动态获取的所述多个实时位置信息依次进行坐标变换生成多个坐标信息;
步骤4、按时间顺序,依次串接实时动态获取的任一个超声波传感器的多个坐标信息以获取该超声波传感器随时间变化的轨迹,以此类推,获得所述无人车的多个超声波传感器的多个轨迹,多个轨迹组成为所述无人车的行驶轨迹;
步骤5、通过提取步骤4中所述行驶轨迹中多个轨迹的拐角点以及曲线,将所述拐角点标识以及所述曲线拟合,以得轨迹拟合信息;
步骤6、通过将步骤5中的所述轨迹拟合信息与步骤3中存储至所述数据库内的所述提取信息和场景拟合信息进行匹配对比,以优化得与所述无人车上所述超声传感器感知到的环境最为匹配的场景局部区域;其中,所述匹配对比抽象为对曲线和流形的差异度量的优化。
2.如权利要求1所述基于超声波传感器的场景再识别算法,其中,步骤1中预存储的所述场景地图通过激光雷达或毫米波雷达获取。
3.如权利要求1所述基于超声波传感器的场景再识别算法,其中,步骤1中所述拐角点的标识采用Harris算子;所述语义特征点的标识根据计算力限制及精度要求采用SIFT算子、加速稳健特征、HOG或通过某一像素与其周围领域内足够多的像素点相差较大的方式,确定所述像素可能是角点的FAST算子;所述边界线的识别采用Canny算法。
4.如权利要求3所述基于超声波传感器的场景再识别算法,其中,步骤5中所述轨迹拟合信息获取过程如下:采用所述Harris算子对所述拐角点标识;
采用梯度下降、高斯过程或EM算法对所述曲线拟合。
5.如权利要求4所述基于超声波传感器的场景再识别算法,其中,步骤2中所述边界线的拟合采用霍夫变换;所述曲面及所述曲面上曲线的拟合采用所述梯度下降、高斯过程或EM算法。
6.如权利要求1所述的基于超声波传感器的场景再识别算法,其中,步骤6中的所述度量可在对所述曲面进行切片后使用L2距离,或使用基于概率分布的KL散度或JS散度。
7.如权利要求1所述的基于超声波传感器的场景再识别算法,其中,步骤6中优化所用算法为梯度下降法。