基于深度学习的无人驾驶感知与决策若干方法研究

发布时间：2023-02-01 18:20

　　无人驾驶是人工智能领域重要的应用方向,它主要通过计算机系统以及一些智能传感器来达到无人驾驶的目的。它包括感知,决策和控制三个方面。感知方面如车道识别与车辆检测依然存在许多问题,如实时性问题,光照遮挡问题,点云数据的处理问题,二维车辆识别与车道线识别对驾驶环境描述不够具体等问题。而决策方面对于安全和可靠性有着严格的要求,现阶段的决策算法大多根据规则构建,仅能应对正常的驾驶环境,而面对驾驶环境的各种突发情况则很难做出及时正确的决策。本文针对环境感知中的车道识别、车辆识别与驾驶决策部分进行了相关研究,研究的主要内容如下:（1）传统的车道识别算法大多是基于传统图像处理技术的车道线检测,然而传统的算法需要进行预处理,边缘检测,霍夫变换等步骤,每个步骤独立进行却又相互影响,难以达到整体最优的目的,并且实时性问题也使得算法的应用性不高,最重要的是传统的车道线识别方法在应对车道的变化以及复杂的驾驶环境时适应性不佳。本文针对以上的问题提出了基于全卷积神经网络和条件随机场的车道识别方法。该方法将基于车道线的车道识别任务转化为图像分割任务,整个车道的分割过程达到端到端的结构,对于输入的各种驾驶环境图片有自学... 

【文章页数】：69 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 无人驾驶的研究背景与意义
    1.2 无人驾驶的研究现状
        1.2.1 车道识别算法
        1.2.2 车辆检测算法
        1.2.3 无人驾驶决策算法
    1.3 无人驾驶的技术难点
        1.3.1 交通场景及天气因素
        1.3.2 模型和系统的设计
    1.4 数据和评价方法
    1.5 主要研究内容和章节安排
第二章 基于全卷积神经网络与条件随机场的车道识别方法
    2.1 车道识别中的问题及影响
        2.1.1 车道识别中的问题
        2.1.2 车道识别中问题的影响
    2.2 基于全卷积神经网络的图像分割技术
        2.2.1 全卷积神经网络结构
        2.2.2 全卷积神经网络的改进方案
    2.3 条件随机场
        2.3.1 概率无向图模型
        2.3.2 条件随机场的定义与形式
    2.4 本章算法的具体步骤
    2.5 实验
        2.5.1 高速公路环境下的实验对比
        2.5.2 公开数据集下的实验对比
    2.6 本章总结
第三章 融合点云网络与卷积神经网络的二阶段3D车辆检测
    3.1 光学雷达基础知识
        3.1.1 光学雷达的工作原理以及点云数据
    3.2 光学雷达在无人驾驶技术中的应用
        3.2.1 高清地图的绘制
        3.2.2 基于点云的定位
    3.3 基于点云网络的点云数据处理技术
        3.3.1 点云网络结构
        3.3.2 利用点云网络进行3D实力分割
    3.4 基于深度神经网络的车辆识别
        3.4.1 2D车辆检测网络
        3.4.2 比例相关池化与级联拒绝分类器
    3.5 实验
        3.5.1 实验数据库与评价标准
        3.5.2 2D网络车辆检测结果与分析
        3.5.3 PointNet网络3D实例分割与分类结果分析
        3.5.4 3D车辆检测实验结果于分析
    3.6 本章总结
第四章 基于强化学习的无人驾驶决策
    4.1 强化学习算法
        4.1.1 Q-learning算法
        4.1.2 Actor-Critic算法
    4.2 本章算法介绍
        4.2.1 算法参数空间定义
        4.2.2 Deep Deterministic Policy Gradients算法
    4.3 实验
        4.3.1 无人驾驶仿真平台TORCS
        4.3.2 实验设置
        4.3.3 实验结果与分析
    4.4 本章总结
第五章 总结与展望
    5.1 工作总结
    5.2 未来工作展望
参考文献
攻读硕士学位期间的学术活动及成果情况


【参考文献】：
期刊论文
[1]暗通道和测度学习的雾天行人再识别[J]. 孙锐,方蔚,高隽.  光电工程. 2016(12)
[2]基于Hough变换的车道检测改进算法研究[J]. 李明,黄华,夏建刚.  计算机工程与设计. 2012(04)
[3]应用方向可调滤波器的车道线识别方法[J]. 郭磊,李克强,王建强,连小珉.  机械工程学报. 2008(08)



本文编号：3734364