基于神经网络智能驾驶跟驰设计实现

发布时间：2022-12-24 00:41

　　作为未来汽车工业的发展方向,智能驾驶是必然趋势。汽车的驾驶与人工智能的结合越来越紧密,在感知层面对环境进行分类、目标检测、语义分割等是结合的主要运用,在算法运用部分从机器学习到深度学习发生了巨大的变迁。从传统的HOG和SVM、SIFT等到深度学习的卷积神经网络、循环神经网络、递归循环网络等,因为深度学习带来可见的效果,被广泛运用在自动驾驶的环境感知层面。基于深度学习神经网络的基础上通过将交通拥堵时的车辆低速运动状态抽象为跟驰模型（Car Following Model）,在树莓派硬件基础上,通过一系列的数据采集,网络模型搭建,实体模型搭建,训练调优,设计和构建自动跟驰驾驶框架,为车辆在单车道拥堵的路况上提供了一种有条件的自动驾驶思路。主要实现车辆的自适应巡航、对交通信号的识别处理,对车辆的识别以及自适应跟驰三个功能。运用端到端的感知到控制策略,设计搭建了卷积神经网络,通过记录操作者的序列,训练网络模型,直接输出对车辆的控制,作为一级控制策略,实现了车辆的自适应巡航。在DarknetYolov3目标检测网络的基础上模拟车辆在城市交通运行的环境,通过对模型的Finetune重新训练,设计实... 

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文研究内容
    1.4 论文组织结构
2 相关技术概述
    2.1 卷积神经网络
    2.2 端到端控制
    2.3 车头时距模型(Time Headway)
    2.4 Yolov3-Tiny(You only look once)实时目标检测
    2.5 本章小结
3 端到端跟驰模型的设计
    3.0 模型结构设计
    3.1 硬件层设计
    3.2 数据集采集
    3.3 End-to-End CNN结构设计
    3.4 二级感知控制设计
    3.5 本章小结
4 智能驾驶模型的实现与测试
    4.1 硬件模块实现
    4.2 软件核心模块实现
    4.3 训练与结果可视化
    4.4 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献


【参考文献】：
期刊论文
[1]无人驾驶汽车的起源与发展[J]. 贾玉龙.  信息记录材料. 2018(04)
[2]Analysis of Autopilot Disengagements Occurring During Autonomous Vehicle Testing[J]. Chen Lv,Dongpu Cao,Yifan Zhao,Daniel J.Auger,Mark Sullman,Huaji Wang,Laura Millen Dutka,Lee Skrypchuk,Alexandros Mouzakitis.  IEEE/CAA Journal of Automatica Sinica. 2018(01)
[3]百度“Apollo”计划风云录[J]. 戴日新.  企业管理. 2017(08)
[4]深度学习在无人驾驶汽车领域应用的研究进展[J]. 王科俊,赵彦东,邢向磊.  智能系统学报. 2018(01)
[5]汽车行业的下一风口:智能驾驶[J]. 崔丽媛.  交通建设与管理. 2016(12)
[6]图解:智能驾驶=无人驾驶? NO![J]. 崔丽媛,姚梦阳.  交通建设与管理. 2016(12)
[7]洞察无人车辆技术发展[J]. 徐彬,李明喜,周晶晶,倪俊,付苗苗.  机器人产业. 2016(01)
[8]深度学习在无人驾驶汽车中的应用[J]. 孙皓天.  电脑知识与技术. 2015(24)
[9]开放、创新与产业转型——从智能驾驶谈起[J]. 李德毅.  科技创新与品牌. 2014(06)
[10]驾驶员车头时距研究[J]. 孟凡兴,张良,张伟.  工业工程与管理. 2013(02)



本文编号：3725711