全卷积神经网络与卡尔曼滤波融合车道线跟踪控制技术

发布时间：2020-08-18 12:43

【摘要】：在智能控制与工业和科技深度融合发展的时代下,车辆的无人化控制系统已经成为现代车辆发展与生产中不可或缺的技术,不断提升社会生产效率和提高人们的出行体验。车道保持控制技术作为无人车控制最为基础与核心的模块之一,具有重要的研究价值与意义。本文采用深度学习方法进行车道识别检测,通过最小二乘法拟合检测到的车道曲线,结合卡尔曼滤波完成车道线的跟踪与定位,得到车辆在车道上的行驶轨迹,从而完成车道保持控制任务。主要研究内容有:1.采用全卷积神经网络算法来识别检测车道,首先研究了关于典型计算机视觉中识别车道线的边缘检测算法,并设计一种基于边缘检测法标定车道数据集的方法。然后完成数据集制作并训练全卷积神经网络模型,最后通过训练好的全卷积神经网络模型实现对车道的检测与识别。2.针对车道检测误检漏检问题,研究车道线跟踪定位,首先通过全卷积神经网络完成车道检测,得到车道的检测数据。然后通过逆透视变换得到对应的鸟瞰图,提取鸟瞰图上的左右车道像素点坐标,通过最小二乘法拟合车道线曲线方程,求解曲线方程系数。通过卡尔曼滤波器对每次拟合的曲线方程系数进行预测得到最优曲线方程,完成车道线跟踪,并根据左右两车道线方程求解出车道中心线曲线方程以及其曲线斜率,从而得到车辆行驶轨迹。3.为了验证车道保持控制的可行性,采用预测控制模型,将卡尔曼滤波器跟踪得到的车道中心线作为车道保持的控制行驶轨迹,求出行驶所需的偏航角并给定期望速度。构建mpc控制器仿真模型,验证并分析控制模型的可靠性。搭建实车测试平台,完成模型控制测试任务,并进行实车测试与分析。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TN713;TP183;U463.6
【图文】：

鸟瞰图,数据集,标签

像根据左右车道分割为两份，分别对两副图做相同的车道线捕捉处理，检测高定最高阈值 max_threshold 的像素点，去除掉低于最低阈值 min_threshold 的像，再检测像素值介于 max_threshold 与 min_threshold 之间的像素值并且该像素与高于 max_threshold 的像素点进行连接，在经过 Hough 变换，并设定一条直可接受输出直线的最短长度和一条直线中两点间隔的最大距离，得到一系列，计算每条直线斜率并求其均值，将斜率均值一定区间之外的斜率直线去除。下直线的斜率再取均值，根据新的均值斜率重新进行划线，得到所需车道直线后通过二值化鸟瞰图检测到的车道线通过逆变器矩阵嵌入到原始图像中得到(h)所示。.1.3 制作数据集标签根据上述 2.1.2 节中的方法处理车道图如图 2.2 所示。

暗光,可视化,车道

邮电大学硕士学位论文第 2 章全卷积神经网络的车道检测络是否能够激活实际的车道区域，或者能够激活类似的区域。以此查看每个层中车道线激活映射。将图 2.6 中(a)输入到网络模型中生成如下可视化图片，观察图(b)和(c)可以看，经过第一层卷积层的激活效果，图片中车道几乎不可见，经过多次卷积层激活越来越清晰，由此可见本网络的结构设计有效。当然这是图 2.6 原始输入信息图是光线较暗的情况下拍摄的。第二次测试换上光线较强的车道图，如图 2.7 所示，过第一次卷积层激活后，图(b)中车道线与车道区域已经明显被激活了，到第三卷积层时，图(c)中车道区域则被激活的更加明显了。即经过多次卷积过滤与激后，其最终的输出特征信息图像可以达到本文设计需求。

卷积,车道,暗光,层时

经过第一层卷积层的激活效果，图片中后越来越清晰，由此可见本网络的结构设计片是光线较暗的情况下拍摄的。第二次测试经过第一次卷积层激活后，图(b)中车道线与个卷积层时，图(c)中车道区域则被激活的更活后，其最终的输出特征信息图像可以达到(a)输入原始车道图 (b)车道图 2.6 暗光

【相似文献】