基于深度学习的智能车环境感知算法研究
发布时间：2021-11-10 06:57
近年来,随着我国汽车保有量的不断增长,交通拥堵、事故伤亡、环境污染及能源枯竭等问题日益严重。因此,将人工智能算法特别是深度学习技术与控制技术相结合,研究开发更加节能、环保、安全的智能汽车技术已引起国内外研究机构的高度重视。环境感知作为智能汽车决策、规划任务的基础环节,通过视觉或雷达传感器感知车体外环境状态并进行目标检测和识别,进而实现自动驾驶功能具有重要作用。环境感知技术性能优劣也称为更高等级智能汽车总体性能优劣的主要原因之一,也成为近年来智能汽车领域研究热点之一。本文课题为深度学习在智能汽车环境感知中的应用研究,相关研究内容如下:（1）针对智能汽车环境感知算法需求,在调研智能汽车软硬件框架方案的基础上完成视觉传感器、毫米波雷达、多线激光雷达及车载工控机等硬件系统安装调试,并基于Socket/UDP通信协议实现多源传感器与工控机数据通信。（2）针对多源传感器融合需求,完成相机坐标系与雷达坐标系的联合标定。完成基于张氏标定法的相机内参标定;针对雷达外参数标定,设计了一种通过遗传算法优化水平度函数的标定方法,在不需要人工测量任何数据的基础下完成激光雷达的外参数标定。（3）研究基于深度卷积神...
【文章来源】：重庆交通大学重庆市
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
视觉信息分级处理示意图
7(a)间接感知型这是目前主流的智能汽车技术方案，如百度智能汽车、Google智能汽车等。图1-2视觉信息分级处理示意图Figure1-2Schematicdiagramofhierarchicalprocessingofvisualinformation核心思想是将整个自动驾驶系统分为车体外环境感知、高精地图构建、驾驶行为决策、路径规划和车辆横纵向控制等多个子系统，激光雷达或毫米波雷达等传感器探测车体外交通标志、信号灯、车辆行人等局部环境信息，并通过标定技术和高精地图计算目标方位、距离生成智能车外部环境的完整表示；决策和规划系统则根据外部环境信息和车体状态生成目标轨迹，最后通过车辆控制技术实现轨迹跟踪。图1-3百度无人车车道线检测Figure1-3LanelinedetectionofBaiduautonomousvehicle(b)直接感知型间接感知型方案将环境感知划分为诸如行人检测、车道线及交通信号识别等多个任务并利用传感器建模和标定技术映射至车辆坐标系下。2015年国际计算机视觉大会(InternationalConferenceonComputerVision，ICCV)中，普林斯顿的研究人员提出深度驾驶(DeepDriving)[33]算法框架改进间接感知型方案。对车体外环境信
8息抽象为若干环境状态变量，比如本车距离前后向车及距离车道标志线的距离等，在大规模自动驾驶图像数据集中直接学习环境状态变量，这种直接感知型的学习方法避免了建模及逆透视变换产生的误差。(c)端到端控制型图1-4DeepDriving算法架构Figure1-4AlgorithmarchitectureofDeepDriving这种方法试图通过深度卷积网络和深度循环神经网络的强大特征学习能力和时序建模能力，在人类驾驶数据集中直接学习车辆控制端的输出信号，是一种完全端对端神经网络解决方案。端对端控制方法的基本原理是学习一个传感器原始数据到控制动作的直接映射。早在上世纪80年代，PomerleauD等人[34]基于BP神经网络建立了一个端对端系统ALVINN,受限于理论及算力限制，ALVINN系统采用了浅层ANN，只能适用于简单路况场景；2015年，NVIDIA研究人员[35]使用一个9层的CNN网络学习人类的道路感知和决策行为。输入图像被分割成YUV平面传递到网络，卷积层用来进行特征提取，全连接层用作转向的控制器。在经过不到100小时数据的训练下，系统学会了在无车道线标志环境下的性能能力，并对阴天、雨天等环境具有较强的鲁棒性。端对端的感知、控制方法试图利用深度学习的能力，在原始图像中直接获得合理的决策行为。三种技术方案如图1-6所示。直接感知型是近年来受到人工智能研究人员广泛关注的一种自动驾驶解决方案，具有端对端、整体特征学习能力强特点。但是方法的模型训练数据需要标注精确的状态参数。往往需要使用配置超声波传感器及激光雷达的实验车辆在实际道路上采集并手工标注，数据成本较高。另外环境状态指标需要人为定义，在非结构化等交通场景中普适性较差以及算法针对不同的硬件配置泛化能力较差。端对端控制方案优点是系统简化，传感器等硬件成本低，在模
【参考文献】：
期刊论文
[1]智能分布式电动车辆柔性化系统平台[J]. 罗剑,罗禹贡,张书玮,李克强. 中国机械工程. 2015(08)
[2]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[3]猎豹智能车无人驾驶系统总体设计[J]. 徐友春,常明,刘洪泉,万剑,章永进,贺四清,陈富强. 汽车工程. 2006(12)
博士论文
[1]基于视觉的自主车道路环境理解技术研究[D]. 杜明芳.北京理工大学 2015
本文编号：3486794
【文章来源】：重庆交通大学重庆市
【文章页数】：87 页
【学位级别】：硕士
【部分图文】：
视觉信息分级处理示意图
7(a)间接感知型这是目前主流的智能汽车技术方案，如百度智能汽车、Google智能汽车等。图1-2视觉信息分级处理示意图Figure1-2Schematicdiagramofhierarchicalprocessingofvisualinformation核心思想是将整个自动驾驶系统分为车体外环境感知、高精地图构建、驾驶行为决策、路径规划和车辆横纵向控制等多个子系统，激光雷达或毫米波雷达等传感器探测车体外交通标志、信号灯、车辆行人等局部环境信息，并通过标定技术和高精地图计算目标方位、距离生成智能车外部环境的完整表示；决策和规划系统则根据外部环境信息和车体状态生成目标轨迹，最后通过车辆控制技术实现轨迹跟踪。图1-3百度无人车车道线检测Figure1-3LanelinedetectionofBaiduautonomousvehicle(b)直接感知型间接感知型方案将环境感知划分为诸如行人检测、车道线及交通信号识别等多个任务并利用传感器建模和标定技术映射至车辆坐标系下。2015年国际计算机视觉大会(InternationalConferenceonComputerVision，ICCV)中，普林斯顿的研究人员提出深度驾驶(DeepDriving)[33]算法框架改进间接感知型方案。对车体外环境信
8息抽象为若干环境状态变量，比如本车距离前后向车及距离车道标志线的距离等，在大规模自动驾驶图像数据集中直接学习环境状态变量，这种直接感知型的学习方法避免了建模及逆透视变换产生的误差。(c)端到端控制型图1-4DeepDriving算法架构Figure1-4AlgorithmarchitectureofDeepDriving这种方法试图通过深度卷积网络和深度循环神经网络的强大特征学习能力和时序建模能力，在人类驾驶数据集中直接学习车辆控制端的输出信号，是一种完全端对端神经网络解决方案。端对端控制方法的基本原理是学习一个传感器原始数据到控制动作的直接映射。早在上世纪80年代，PomerleauD等人[34]基于BP神经网络建立了一个端对端系统ALVINN,受限于理论及算力限制，ALVINN系统采用了浅层ANN，只能适用于简单路况场景；2015年，NVIDIA研究人员[35]使用一个9层的CNN网络学习人类的道路感知和决策行为。输入图像被分割成YUV平面传递到网络，卷积层用来进行特征提取，全连接层用作转向的控制器。在经过不到100小时数据的训练下，系统学会了在无车道线标志环境下的性能能力，并对阴天、雨天等环境具有较强的鲁棒性。端对端的感知、控制方法试图利用深度学习的能力，在原始图像中直接获得合理的决策行为。三种技术方案如图1-6所示。直接感知型是近年来受到人工智能研究人员广泛关注的一种自动驾驶解决方案，具有端对端、整体特征学习能力强特点。但是方法的模型训练数据需要标注精确的状态参数。往往需要使用配置超声波传感器及激光雷达的实验车辆在实际道路上采集并手工标注，数据成本较高。另外环境状态指标需要人为定义，在非结构化等交通场景中普适性较差以及算法针对不同的硬件配置泛化能力较差。端对端控制方案优点是系统简化，传感器等硬件成本低，在模
【参考文献】：
期刊论文
[1]智能分布式电动车辆柔性化系统平台[J]. 罗剑,罗禹贡,张书玮,李克强. 中国机械工程. 2015(08)
[2]一种基于HOG-LBP的高效车辆检测方法[J]. 杨先凤,杨燕. 计算机工程. 2014(09)
[3]猎豹智能车无人驾驶系统总体设计[J]. 徐友春,常明,刘洪泉,万剑,章永进,贺四清,陈富强. 汽车工程. 2006(12)
博士论文
[1]基于视觉的自主车道路环境理解技术研究[D]. 杜明芳.北京理工大学 2015
本文编号：3486794
本文链接：https://www.wllwen.com/kejilunwen/qiche/3486794.html
