本发明涉及智能驾驶，具体涉及基于智能驾驶的环境感知系统。
背景技术：
1、基于智能驾驶的环境感知是指利用各种传感器（如摄像头、雷达、激光雷达等）收集车辆周围的实时环境数据，并通过高级人工智能算法对这些数据进行处理和分析，可以识别道路上的动态和静态物体，如行人、其他车辆、道路标志、交通信号灯以及潜在的障碍物等。通过这种信息处理，车辆能够形成对周围环境的全局理解，为自动驾驶系统提供精确的环境模型。但是，在一些复杂环境中（如城市的高楼反射区域、隧道或桥下），雷达和激光雷达的信号可能受到反射或干扰，使得系统接收到失真的数据，可能导致算法误认为物体不存在或误判物体的位置和移动轨迹，进而引发错误决策。同时，由于传感器误判环境中的动态或静态物体，车辆可能无法正确规划行驶路径。例如，在隧道或高楼密集的城市区域，雷达反射导致环境模型失真，车辆可能无法正确识别道路边界或导航标志，从而偏离正常路线。这不仅会增加交通事故风险，还可能严重影响乘客的安全。
技术实现思路
1、本发明的目的是提供一种基于智能驾驶的环境感知系统，以解决背景技术中不足。
2、为了实现上述目的，本发明提供如下技术方案：基于智能驾驶的环境感知系统，包括信号采集模块、对比分析模块、信号强度分析模块、信号路径复杂性评估模块、干扰等级划分模块，干扰处理模块以及路径优化模块；
3、信号采集模块：自动驾驶系统通过车辆上安装的若干个雷达和激光雷达传感器，分别获取车辆行驶过程中来自不同方向的反射信号；
4、对比分析模块：通过slam技术预先构建出车辆周围的基础环境模型，将实时采集到的反射信号数据与基础环境模型中的静态环境信息进行对比分析，根据分析结果确定虚假信息区域；
5、信号强度分析模块：对于虚假信息区域，根据信号反射距离的变化情况，对雷达和激光雷达的信号强度数据进行收集，对回波信号中的异常高强度信号比例变化情况进行分析，评估回波信号强度的稳定性；
6、信号路径复杂性评估模块：通过对比信号的到达时间，对若干个雷达和激光雷达传感器检测到同一物体的信号延迟状态进行分析，评估信号路径的复杂性；
7、干扰等级划分模块：根据回波信号强度的稳定性和信号路径的复杂性，评估信号异常对环境感知数据的干扰程度，根据评估结果，将其划分为高干扰等级，一般干扰等级和低干扰等级；
8、干扰处理模块：对于低干扰等级，将雷达和激光雷达的数据直接用于实时更新基础环境模型和动态物体的检测；对于高干扰等级，基于低干扰等级的数据和静态环境模型降低行驶，并逐步修正行驶路径；
9、路径优化模块：对于一般干扰等级，对固定时间段内信号异常对环境感知数据的干扰程度进行进一步的预测，并根据预测结果对路径调整范围进行优化。
10、优选的，对比分析模块中，将实时采集到的反射信号数据与基础环境模型中的静态环境信息进行对比分析，具体为：
11、从slam构建的基础环境模型中提取静态物体的位置信息，并与实时采集到的雷达、激光雷达反射信号进行对比；
12、对比基于三维空间中物体的位置、大小、形状特征，如果实时数据与环境模型中的物体位置、尺寸匹配，则认为物体是已知的静态物体，不需要进一步处理；
13、对于实时数据中未能与环境模型匹配的物体，系统会进一步分析其反射信号特性，判断是否为动态物体，若物体显示为静态但与基础环境模型中的位置不符，则将其标记为虚假信息区域。
14、优选的，信号强度分析模块中，对虚假信息区域内的t时间段内的信号强度进行时间序列分析，根据回波信号中的异常高强度信号比例变化情况生成异常信号比例波动指数，则异常信号比例波动指数的获取方法为：
15、在t时间段内，计算时间点t处的异常信号比例，即异常高强度信号占所有信号的比例标记为，并建立相应的时间序列集合，计算时间序列中各时间点与其滞后值之间的相似性，表达式为：；式中，w为滑动窗口大小，为滞后时间间隔，为时间点i的异常信号比例，为时间点的异常信号比例，为滑动窗口w内时间点t的异常信号比例的均值，计算公式为：；滑动窗口从时间开始，逐步向前移动，直到覆盖整个时间段t，计算整个t时间段内的异常信号比例波动情况，即计算异常信号比例波动指数，表达式为：；式中，fd为异常信号比例波动指数。
16、优选的，信号路径复杂性评估模块中，对若干个雷达和激光雷达传感器检测到同一物体的信号延迟状态进行分析，对比若干个传感器的信号的延迟差异后生成延迟偏差异常指数，则延迟偏差异常指数的获取方法为：
17、从n个传感器获取到达同一物体的信号延迟数据，将不同传感器的信号延迟差异数据整理成矩阵形式，矩阵x表示为：；表示第m个时间点、由第n个传感器检测到的信号延迟差，对矩阵中的信号延迟差进行标准化处理后，计算不同传感器的延迟数据之间的线性关系，表达式为：；式中，t为矩阵转置，z是标准化后的延迟数据矩阵，c是一个n×n的矩阵，表述信号延迟差数据之间的协方差，对协方差矩阵c进行特征值分解，得到特征值和对应的特征向量；为第n个主成分的特征值，为第n个主成分对应的特征向量；其中，；将原始标准化数据z投影到选定的主成分上，得到主成分得分s，表达式为：；式中，为前k个主成分的特征向量组成的矩阵，根据主成分得分，计算延迟偏差异常指数，表达式为：；式中，为第j个主成分得分，为延迟偏差异常指数。
18、优选的，干扰等级划分模块中，将异常信号比例波动指数和延迟偏差异常指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测环境感知数据的干扰程度值标签为预测目标，以最小化对所有环境感知数据的干扰程度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定环境感知数据的干扰程度值，其中，机器学习模型为多项式回归模型。
19、优选的，将获取到的环境感知数据的干扰程度值与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将环境感知数据的干扰程度值分别与第一标准阈值和第二标准阈值进行对比；
20、若环境感知数据的干扰程度值大于第二标准阈值，说明信号异常对环境感知数据的干扰程度高，此时生成高异常信号，将其划分为高干扰等级；
21、若环境感知数据的干扰程度值大于等于第一标准阈值且小于等于第二标准阈值，说明信号异常对环境感知数据的干扰程度一般，此时生成一般异常信号，将其划分为一般干扰等级；
22、若环境感知数据的干扰程度值小于第一标准阈值，说明信号异常对环境感知数据的干扰程度低，此时生成低异常信号，将其划分为低干扰等级。
23、优选的，路径优化模块中，对于一般干扰等级，对固定时间段内信号异常对环境感知数据的干扰程度进行进一步的预测；
24、对于一般干扰等级，即在固定时间段内生成的环境感知数据的干扰程度值大于等于第一标准阈值且小于等于第二标准阈值，将后续固定时间段内生成的大于等于第一标准阈值且小于等于第二标准阈值的环境感知数据的干扰程度值进行收集，并建立相应的数据集合，计算数据集合的均值和标准差，对其进行分析预测后，根据预测结果对路径调整范围进行优化。
25、优选的，若数据集合内的环境感知数据的干扰程度值均值大于等于环境感知数据的干扰程度值均值的参考阈值，且环境感知数据的干扰程度值标准差小于环境感知数据的干扰程度值标准差的参考阈值，说明环境感知数据的干扰程度高但波动小，干扰稳定，对路径进行中等程度的调整，避免高干扰区域的持续影响；
26、若环境感知数据的干扰程度值均值大于等于环境感知数据的干扰程度值均值的参考阈值，且环境感知数据的干扰程度值标准差大于等于环境感知数据的干扰程度值标准差的参考阈值，说明环境感知数据的干扰程度高且波动大，干扰强烈且不稳定，大幅调整路径，避开区域，防止不可预测的信号干扰对路径规划造成不良影响；
27、若环境感知数据的干扰程度值均值小于环境感知数据的干扰程度值均值的参考阈值，且环境感知数据的干扰程度值标准差大于等于环境感知数据的干扰程度值标准差的参考阈值，说明环境感知数据的干扰程度低但波动大，干扰时强时弱，进行小范围的路径调整，以减少干扰风险；
28、若环境感知数据的干扰程度值均值小于环境感知数据的干扰程度值均值的参考阈值，且环境感知数据的干扰程度值标准差小于环境感知数据的干扰程度值标准差的参考阈值，环境感知数据的干扰程度低且波动小，干扰稳定且微弱，无需调整路径，车辆继续按原路径行驶。
29、在上述技术方案中，本发明提供的技术效果和优点：
30、1、本发明通过多模块协同工作，解决了复杂环境下传感器信号干扰导致的误判问题。通过信号采集、slam对比分析、信号强度和路径复杂性评估等模块，系统能够识别并分类不同等级的干扰。对于低干扰等级，传感器数据直接用于环境模型更新和动态物体检测，确保车辆行驶的稳定性和准确性；对于高干扰等级，系统降低车辆速度并修正路径，防止因信号干扰导致的错误决策，极大提升了自动驾驶系统在复杂环境中的安全性。
31、2、本发明通过对一般干扰等级的情况进行预测和路径优化，通过收集和分析环境感知数据的干扰程度值，结合其均值和标准差，动态调整车辆的行驶路径。对于干扰程度高但波动小的情况，系统进行中等程度的路径调整，而对于波动较大的高干扰情况，则进行大幅度的路径优化，避免不稳定的干扰区域。系统能够根据环境干扰的变化灵活调整车辆的行驶策略，确保了自动驾驶的安全性、稳定性及行驶效率。
1.基于智能驾驶的环境感知系统，其特征在于：包括信号采集模块、对比分析模块、信号强度分析模块、信号路径复杂性评估模块、干扰等级划分模块，干扰处理模块以及路径优化模块；
2.根据权利要求1所述的基于智能驾驶的环境感知系统，其特征在于：对比分析模块中，将实时采集到的反射信号数据与基础环境模型中的静态环境信息进行对比分析，具体为：
3.根据权利要求1所述的基于智能驾驶的环境感知系统，其特征在于：信号强度分析模块中，对虚假信息区域内的t时间段内的信号强度进行时间序列分析，根据回波信号中的异常高强度信号比例变化情况生成异常信号比例波动指数，则异常信号比例波动指数的获取方法为：
4.根据权利要求3所述的基于智能驾驶的环境感知系统，其特征在于：信号路径复杂性评估模块中，对若干个雷达和激光雷达传感器检测到同一物体的信号延迟状态进行分析，对比若干个传感器的信号的延迟差异后生成延迟偏差异常指数，则延迟偏差异常指数的获取方法为：
5.根据权利要求4所述的基于智能驾驶的环境感知系统，其特征在于：干扰等级划分模块中，将异常信号比例波动指数和延迟偏差异常指数转换为第一特征向量，将第一特征向量作为机器学习模型的输入，机器学习模型以每组第一特征向量预测环境感知数据的干扰程度值标签为预测目标，以最小化对所有环境感知数据的干扰程度值标签的预测误差之和作为训练目标，对机器学习模型进行训练，直至预测误差之和达到收敛时停止模型训练，根据模型输出结果确定环境感知数据的干扰程度值，其中，机器学习模型为多项式回归模型。
6.根据权利要求5所述的基于智能驾驶的环境感知系统，其特征在于：将获取到的环境感知数据的干扰程度值与梯度标准阈值进行比较，梯度标准阈值包括第一标准阈值和第二标准阈值，且第一标准阈值小于第二标准阈值，将环境感知数据的干扰程度值分别与第一标准阈值和第二标准阈值进行对比；
7.根据权利要求1所述的基于智能驾驶的环境感知系统，其特征在于：路径优化模块中，对于一般干扰等级，对固定时间段内信号异常对环境感知数据的干扰程度进行进一步的预测；
8.根据权利要求7所述的基于智能驾驶的环境感知系统，其特征在于：若数据集合内的环境感知数据的干扰程度值均值大于等于环境感知数据的干扰程度值均值的参考阈值，且环境感知数据的干扰程度值标准差小于环境感知数据的干扰程度值标准差的参考阈值，说明环境感知数据的干扰程度高但波动小，干扰稳定，对路径进行中等程度的调整，避免高干扰区域的持续影响；
