L4层级自动驾驶车外环境感知系统设计实现
发布时间：2021-12-11 21:45
近年来,学术界、工业界有关汽车自动驾驶研发需求变得越来越迫切,环境感知技术是自动驾驶最为核心且关键的技术之一,也是整套自动驾驶系统运行的基石版块,所以本文重点就环境感知模块进行分析。自动驾驶汽车环境感知需要依托摄像头、激光雷达、毫米波雷达、超声波雷达、环视摄像头等传感器。在不同场景、路况、天气下需要使用不同的传感器,采用不同传感器数据融合策略才能够达到最优外界环境感知效果。其中L3层级自动驾驶主要依托摄像头为主传感器,L4层级自动驾驶在摄像头基础上,主要依托激光雷达为主传感器。在本研究中主要就摄像头和激光雷达的重点算法进行开发、验证和测试。本文就前视摄像头的语义分割算法提出了一种改进的全卷积网络（i FCN）来平衡图像语义分割精度与处理时间。i FCN改变了传统FCN的结构,上采样解码时采用带权值的密集跳跃连接;同时,该网络采用自适应学习速率,针对不同卷积层设置不同的学习率;最后,使用基于熵的特征选取方法,继续提高网络的分割效果。本文就激光雷达点云处理进行了相关研究。针对复杂路况地面点云分割困难的问题,提出了一种结合点云簇几何特性的路面点云分割方法。针对点云聚类不稳定的问题,根据车载气...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
自动驾驶运行原理
第二章现有工作分析与研究72.1.1单目摄像头单目摄像头可用于前方行车场景感知。图2-1为单目摄像头示例。图2-1单目摄像头单目摄像头一般用于对车辆前方的路况信息进行采集，能够获取精度不错的车辆前方行车场景的图片，识别率不错，其价格一般不高，经济实惠。对工作环境有一定的要求，在极端天气（暴雨、大雪、雾天）下的工作准确率较差。有的摄像头集成有目标轮廓检测识别的低级算法，能够对一些常规物体进行低精度的检测，然而其无学习能力，检测能力完全依靠所集成的数据及算法。表2-3展示了其原理及优缺点。表2-3单目摄像头原理及优缺点原理摄像头通过对行车前方数据信息的采集，可通过内置的简易算法来识别出物体的大致轮廓，并且可依靠相关算法来对距离进行大致的计算优点成本低廉；能够识别具体障碍物的种类；识别准确缺点由于其识别原理导致其无法识别没有明显轮廓的障碍物；工作准确率与外部光线条件有关；并且受限于数据库，没有自学习功能应用领域ACC自适应巡航；车道偏离警告；碰撞预警；车距监测与警告；远光灯控制；限速警示
第二章现有工作分析与研究13图2-2PX2模组及开发套件嵌入式部署目标平台一般为基于ARM的Linux系统。例如NVIDIAPX2平台，如图2-2所示。其包含CPU和GPU两大部分：CPU部分由两颗新一代NVIDIATegra处理器构成，每颗CPU包含8个A57核心和4个Denver核心；GPU部分采用两颗基于NVIDIA的新一代GPU架构“Pascal”设计而成的GPU，单精度计算能力达到8TFlops。图2-3模型导入图2-3展示了模型导入过程，TensorRT可以支持多种框架下保存模型的导入。TensorRT支持常见的深度学习框架包括Caffe、Chainer、CNTK、MXnet、PaddlePaddle、Pytorch、TensorFlow以及Theano。支持模型导入方式包括C++API、PythonAPI、NvCaffeParser和NvUffParser。对于caffe来说,各种部署工具对其的支持比较完善,可直接使用NvCaffeParser导入模型，导入时输入网络结构prototxt文件及caffemodel文件即可。或者使用C++/PythonAPI导入模型，通过代码定义网络结构，并载入模型weights的方式导入。对于其他框架，可使用C++/PythonAPI导入模型：通过代码定义网络结构，载入模型weights的方式导入。以Pytorch为例，在完成训练后，通过stat_dict()函数获取模型的weights，
【参考文献】：
期刊论文
[1]基于空间上下文关联的车载点云聚类方法[J]. 张颖,刘亚文,苗堃. 测绘地理信息. 2019(04)
[2]全球无人驾驶汽车现状综述[J]. 马雪洁,高蒙,王新房. 电脑知识与技术. 2019(19)
[3]车载激光扫描数据中多类目标的层次化提取方法[J]. 董震,杨必胜. 测绘学报. 2015(09)
硕士论文
[1]遥感卫星影像的云检测方法研究[D]. 付华联.成都理工大学 2019
[2]基于深度学习网络的多光谱行人检测与分割方法研究[D]. 宋姚姚.北京交通大学 2018
本文编号：3535454
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
自动驾驶运行原理
第二章现有工作分析与研究72.1.1单目摄像头单目摄像头可用于前方行车场景感知。图2-1为单目摄像头示例。图2-1单目摄像头单目摄像头一般用于对车辆前方的路况信息进行采集，能够获取精度不错的车辆前方行车场景的图片，识别率不错，其价格一般不高，经济实惠。对工作环境有一定的要求，在极端天气（暴雨、大雪、雾天）下的工作准确率较差。有的摄像头集成有目标轮廓检测识别的低级算法，能够对一些常规物体进行低精度的检测，然而其无学习能力，检测能力完全依靠所集成的数据及算法。表2-3展示了其原理及优缺点。表2-3单目摄像头原理及优缺点原理摄像头通过对行车前方数据信息的采集，可通过内置的简易算法来识别出物体的大致轮廓，并且可依靠相关算法来对距离进行大致的计算优点成本低廉；能够识别具体障碍物的种类；识别准确缺点由于其识别原理导致其无法识别没有明显轮廓的障碍物；工作准确率与外部光线条件有关；并且受限于数据库，没有自学习功能应用领域ACC自适应巡航；车道偏离警告；碰撞预警；车距监测与警告；远光灯控制；限速警示
第二章现有工作分析与研究13图2-2PX2模组及开发套件嵌入式部署目标平台一般为基于ARM的Linux系统。例如NVIDIAPX2平台，如图2-2所示。其包含CPU和GPU两大部分：CPU部分由两颗新一代NVIDIATegra处理器构成，每颗CPU包含8个A57核心和4个Denver核心；GPU部分采用两颗基于NVIDIA的新一代GPU架构“Pascal”设计而成的GPU，单精度计算能力达到8TFlops。图2-3模型导入图2-3展示了模型导入过程，TensorRT可以支持多种框架下保存模型的导入。TensorRT支持常见的深度学习框架包括Caffe、Chainer、CNTK、MXnet、PaddlePaddle、Pytorch、TensorFlow以及Theano。支持模型导入方式包括C++API、PythonAPI、NvCaffeParser和NvUffParser。对于caffe来说,各种部署工具对其的支持比较完善,可直接使用NvCaffeParser导入模型，导入时输入网络结构prototxt文件及caffemodel文件即可。或者使用C++/PythonAPI导入模型，通过代码定义网络结构，并载入模型weights的方式导入。对于其他框架，可使用C++/PythonAPI导入模型：通过代码定义网络结构，载入模型weights的方式导入。以Pytorch为例，在完成训练后，通过stat_dict()函数获取模型的weights，
【参考文献】：
期刊论文
[1]基于空间上下文关联的车载点云聚类方法[J]. 张颖,刘亚文,苗堃. 测绘地理信息. 2019(04)
[2]全球无人驾驶汽车现状综述[J]. 马雪洁,高蒙,王新房. 电脑知识与技术. 2019(19)
[3]车载激光扫描数据中多类目标的层次化提取方法[J]. 董震,杨必胜. 测绘学报. 2015(09)
硕士论文
[1]遥感卫星影像的云检测方法研究[D]. 付华联.成都理工大学 2019
[2]基于深度学习网络的多光谱行人检测与分割方法研究[D]. 宋姚姚.北京交通大学 2018
本文编号：3535454
本文链接：https://www.wllwen.com/kejilunwen/qiche/3535454.html
