应用于智能车的车道信息感知及增量建模技术研究

发布时间：2020-09-02 16:38

　　环境感知和环境信息建模是智能车领域的重要技术。感知系统是智能车功能实现的基础,其通过传感器实现本车的定位及对周围环境的识别;环境信息建模是根据车辆周围环境信息建立适用于智能车决策控制的模型,同时实现环境信息的存储和回放。本文针对智能车车道信息感知及基于增量地图的车道信息建模技术进行了深入研究。通过视觉和定位感知技术获取车道级信息,其中包括车辆定位信息、车道线信息和交通标识信息,并应用增量数字地图技术进行车道级信息的融合和建模,通过增量更新提高数字地图的时效性和准确性,以便于更加高效地指导智能车的行驶。具体研究内容如下:(1)基于多模交互的定位感知算法。针对现有低成本车载级GPS定位精度偏低的问题,提出了基于多模交互的汽车导航定位信息感知算法。文中重点考虑到汽车运动学特性、动力学特性及其极限加速制动能力,分别建立了描述汽车常规恒速运动的纵向运动与侧向稳态转向运动模型,描述汽车加减速状态的变速高机动性纵向运动的自适应变加速度统计模型,并通过模型交互、滤波、概率更新等状态估计算法实现了对汽车未来一段时间内可能达到区域的全覆盖性预测性描述,提出了考虑方向的数据关联滤波器,能够更好的预测车辆行驶状态,最终实现了基于低成本GPS和惯性导航系统的高精准航迹推算。(2)基于梯度特征的车道线感知算法。车辆处在行驶状态时,视觉感知系统性能会受到交通环境、天气情况、光线变化及车辆复杂的运动状态的影响。为了降低外界干扰,提高系统的可靠性和稳定性,本文开发了基于FPGA的实时视觉感知系统。该系统能够处理每秒25帧的720P图像数据,达到环境感知系统对实时性的需求;针对FPGA的嵌入式系统的特点,优化了图像预处理算法,充分发挥了FPGA并行运算的优势;提出了基于梯度特征的车道线识别算法;引入梯度算子反馈控制机制,根据不同外界环境实时调整阈值,能够适应不同的行驶场景,输出稳定正确的识别结果。(3)交通标识的检测与分类。本文提出了基于机器学习的交通标识牌识别算法,交通标识牌的检测和分类分别采用了基于Haar特征的Adaboost级联分类器检测算法和随机分组卷积神经网络算法,并充分结合FPGA的特性对算法进行了优化,提出了改进的Haar特征、基于分类回归树的弱分类器结构和随机分组卷积神经网络,在保证识别准确率的前提下降低了算法的计算量。(4)基于增量数字地图的车道信息建模技术。本文提出了一种基于增量数字地图的车道信息建模方法,介绍了增量数字地图的建立方法、基于地图匹配的增量路段判定算法以及地图中坐标系统的转换方法,并通过多信息融合算法对车道信息进行建模并增量更新数字地图,搭建了基于增量地图的多信息融合软硬件平台,实现了增量数字地图的实时更新,提高了数字地图的时效性和准确性。
【学位单位】：吉林大学
【学位级别】：博士
【学位年份】：2018
【中图分类】：U463.6
【部分图文】：

效果图,系统架构

何配置操作系统使各个模块协调、稳定、实时的工作也是一项重要课题，目前车辆的主流的操作系统是OSEK OS和Robot OS 硬件平台主要包括车辆执行机构、工控机等。图 1.1 中车辆为卡尔斯鲁厄理工学院的无人驾驶车辆，安装了激光雷达、立体视觉相机和 GPS。图 1.1 无人车系统架构图 1.2 展示了 KIT 无人车环境感知的效果图，通过激光雷达、摄像头等传感器实时获取周围环境的信息，能够识别不同类型的车辆、行人以及障碍物，视觉实时显示模块用不同颜色的矩形框标识出不同类型的物体。图 1. 2 无人车环境感知实时效果图 1.3 为 KIT 车辆实时定位的效果图，用到的传感器有 GPS/惯性导航系统

效果图,环境感知,效果,系统架构

图 1.1 无人车系统架构2 展示了 KIT 无人车环境感知的效果图，通过激光雷达、取周围环境的信息，能够识别不同类型的车辆、行人以及模块用不同颜色的矩形框标识出不同类型的物体。

效果图,地图定位,效果

图 1.3 地图定位效果汽车控制权及安全责任分配，无人驾驶汽车可分为不同的标级主要有三种，分别是美国高速研究所、美国国家公路交通安动机械工程师学会（Society of Automotive Engineers，SAE）最广的是 SAE 分级，是美国交通部采用的分级标准，其分为不具备无人驾驶功能。0 级只依靠人来控制汽车的功能，包制动。需要驾驶员协助的自动功能。车辆可以通过执行机构，电动稳定系统等对车辆进行有限的控制，ADAS 系统属于自动驾驶更多的驾驶员辅助功能。许多豪华汽车制造商现在提供可以度的 2 级自动驾驶功能。沃尔沃、梅赛德斯 - 奔驰、宝马以

【参考文献】