一种基于深度学习的超声波自适应阈值估计方法与流程

1.本发明属于自动驾驶技术领域，特别涉及一种超声波自适应阈值估计方法。


背景技术：

2.现如今自动驾驶产业发展迅速，技术更迭越来越快，传感器的应用也越来越多样。其中，超声波雷达因其实时性好，盲区较小以及成本低廉的特点，在自动驾驶中尤其是车辆低速运动场景下得到大规模应用。超声波雷达不仅在倒车预警和者碰撞预警等辅助驾驶功能中扮演着主传感器的角色，而且在如自动泊车等高级自动驾驶功能中也起着举足轻重的作用。作为距离传感器，超声波雷达在自动驾驶中主要起着车位扫描、障碍物定位及扫描的作用。
3.作为有源主动传感器，超声波雷达的工作原理是通过超声波探头发射装置向外发出超声波，超声波遇到周围物体后返回被超声波雷达接收装置回收并处理，通过对超声波在空气中飞行时间(tof:time of flight)进行计算从而得到超声波雷达与周围物体的距离。作为重要性能评价指标，超声波雷达测得的距离越接近真实值性能越佳。在超声波雷达工作过程中，超声波的回波处理是影响超声波探测性能的关键技术之一。在实际应用中，回波处理是通过在不同距离下设置不同的阈值来实现的，当超声波雷达接收到的某一距离下的回波强度超过该阈值时则将该测得的距离作为当前障碍物的距离。因此，超声波雷达在不同距离下的阈值设定对超声波雷达的工作精度起着重要的作用。
4.目前现有的车载超声波雷达的应用大都是通过设定固定阈值来控制超声波的回波转化，传感器一旦成型其阈值设定则无法改变。然而，车载超声波的工作频率一般工作在40khz-60khz，该频率的声波极易受环境因素的干扰。此外车辆行驶场景环境复杂多变，基于传统固定阈值的测量方法，其存在很大的弊端，在不同场景下应用得不到充分的使用，如在室内停车场地面平整光滑对声波的干扰比价小，针对这种场景阈值系统就需要降低阈值的初始值，在干扰较小的情况下降低阈值可以更多的得到有效值，如较远或较小的障碍物(返回波较少引起的电信号较弱)，若阈值比较大，则无法扫描出较远和较小的障碍物；反而在室外柏油马路的路面，道路不平整，路面反射的干扰波比较多，此时就需要增大阈值，过滤掉因路面不平整反射回来的干扰值。


技术实现要素：

5.本发明的目的是：针对现有的设置固定阈值的方法无法使超声波雷达很好地适应不同场景和工作模式下的精度的问题，提出一种基于深度学习的超声波自适应阈值估计方法，以保证超声波传感器对不同场景和工况条件的适应性。
6.本发明的技术方案是：一种基于深度学习的超声波自适应阈值估计方法，包括以下步骤：
7.模型训练阶段：
8.s101.超声波雷达安装与标定；
9.将超声波雷达探头的安装位置进行基础的校准，保证安装的位置和探测角度满足超声波正常工作的条件；
10.s102.数据采集；
11.将超声波数据恢复到默认标准参数下，在不同工作场景下，采集对应探头的数据；
12.s103.数据标注；
13.对s102中超声波测试返回的脉冲进行标注；标注类型主要包括声波飞行时间、脉冲宽度、状态信息、场景种类、工作状态；
14.s104.模型训练；
15.从标注后的数据中训练提取出障碍物类别和此次超声波工作的场景，建立基于深度学习的自适应阈值预测模型；自适应阈值预测模型的基本原理为：将前期测试的数据装入模型，模型在大量数据的基础上可以对所有数据进行分类归一化，将所有特征进行提取，在后续正常工作时，读入的数据模型能够很好的根据此前训练的模型将数据提取出障碍物类别和此次超声波工作的场景；
16.模型推理阶段：
17.s201.超声波脉冲信号获取；
18.基于s101步骤中已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号；
19.s202.信号滤波处理；
20.对s201中获取的超声波脉冲信号进行滤波处理，去除信号中的高频、低频噪音；
21.s203.信号量化处理；
22.对滤波处理后的超声波脉冲信号进行量化处理，获得数字化的超声波信号；
23.s204.基于深度学习的自适应阈值推理；
24.将s203中获得的数字化的超声波信号输入s104中训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。
25.上述方案中，具体的，所述s104的模型训练阶段包括以下步骤：
26.a.截取、归一化处理；
27.对注入的数据进行截取，过滤掉明显的干扰信息，选择有效的超声波脉冲数据；对有效的超声波脉冲数据进行线性变换，抽象出特征；
28.b.进行聚类、提取特征点；之后，对所输出的置信度较低的数据特征点进行抛弃，对于其它特征点进行降维，采用低维度特征来表示高维度下的特征，保留不同类的特征所体现出的不同规律；
29.c.利用训练的多样本数据进行类别处理，输出障碍物类别和此次超声波工作的场景。
30.有益效果：本方法能够根据训练过的模型将超声波雷达采集到的数据提取出障碍物类别和此次超声波工作的场景，并根据不同的场景输出该场景下超声波雷达的自适应阈值，很好的适应了不同场景下的不同参数，做到真正的自适应参数。
附图说明
31.图1为本发明的流程图；
32.图2为本发明中模型训练阶段的流程图；
33.图3为本发明中模型推理阶段的流程图；
34.图4为本发明中基于深度学习的自适应阈值预测模型训练过程图。
具体实施方式
35.实施例1，参见附图1，一种基于深度学习的超声波自适应阈值估计方法，包括以下步骤：
36.参见附图2，模型训练阶段：
37.s101.超声波雷达安装与标定；
38.将超声波雷达探头的安装位置进行基础的校准，保证安装的位置和探测角度满足超声波正常工作的条件；
39.s102.数据采集；
40.将超声波数据恢复到默认标准参数下，在不同工作场景下，采集对应探头的数据；
41.s103.数据标注；
42.对s102中超声波测试返回的脉冲进行标注；标注类型主要包括声波飞行时间、脉冲宽度、状态信息、场景种类、工作状态；其中：
43.脉冲宽度：单位是ms，大小主要跟阈值和障碍物类型及距离有关；
44.障碍物类别：主要是指物体的大致类型，如车辆、灌木丛、行人、马路沿等；
45.工作场景：主要指地下室、室外柏油路、石子路；
46.对应阈值：是本次测量对应的阈值；
47.测试距离：每个脉冲对应一个障碍物距离，三个脉冲对用三个障碍物距离；
48.s104.模型训练；
49.从标注后的数据中训练提取出障碍物类别和此次超声波工作的场景，建立基于深度学习的自适应阈值预测模型；
50.参见附图3，模型推理阶段：
51.s201.超声波脉冲信号获取；
52.基于s101步骤中已安装标定好的超声波雷达，进行数据采集获得超声波脉冲信号；
53.s202.信号滤波处理；
54.对s201中获取的超声波脉冲信号进行滤波处理，去除信号中的高频、低频噪音；
55.s203.信号量化处理；
56.对滤波处理后的超声波脉冲信号进行量化处理，获得数字化的超声波信号；
57.s204.基于深度学习的自适应阈值推理；
58.将s203中获得的数字化的超声波信号输入s104中训练获得的基于深度学习的自适应阈值预测模型，判断车辆所处场景，从而输出该场景下超声波雷达的自适应阈值。
59.实施例2，参见附图4，在实施例1的基础上，进一步的，
60.所述s104的模型训练阶段包括以下步骤：
61.a.截取、归一化处理；
62.对注入的数据进行截取，过滤掉明显的干扰信息，如脉冲较窄、较乱等；选择有效
的超声波脉冲数据；对有效的超声波脉冲数据进行线性变换，采用batchnorm抽象出特征，防止梯度消失，加快模型收敛；
63.b.利用classificationdetector模型进行聚类、提取特征点；之后，对所输出的置信度较低的数据特征点进行抛弃，对于其它特征点利用t-sne进行降维，采用低维度特征来表示高维度下的特征，保留不同类的特征所体现出的不同规律，可以有效实现后端深度学习场景模型的运算视觉；
64.c.利用训练的多样本数据进行类别处理，输出障碍物类别和此次超声波工作的场景；其中，工作场景别分类主要根据超声波脉冲反射区间值强度区分，如在近距离内出现脉冲数据较多且脉宽宽度窄，一般是地面不平滑、干扰较大的路面场景；障碍物类别主要根据模型输出匹配值大小来区分，主要设计到三个参数，一个匹配度区间、一个置信度、一个权重。
65.虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。