基于深度学习的无人驾驶汽车环境感知与控制方法研究

发布时间：2023-12-24 16:03

　　环境感知与控制是实现汽车无人驾驶的关键技术。近年来深度学习技术发展迅猛,在机器视觉、自然语言处理以及控制操作等领域表现出准确率高,鲁棒性强的优点。本文结合深度学习技术对无人驾驶环境感知中的多尺度物体目标检测问题与基于端到端的控制问题进行了研究。首先,为保证深度学习算法的准确性与模型在无人驾驶汽车领域的适用性,本文针对汽车在不同种类路面行驶时面临的逆光、遮挡、截断等工况建立了用于深度学习的无人驾驶汽车专用数据集。经有效的筛选与标注后本文所建数据集共包含40万个左右的目标,基本覆盖汽车行驶时的各种工况,具有场景全面,准确率高的特点。其次,在无人驾驶环境感知方面,本文对当前经典的目标检测框架以及主流多尺度目标检测算法进行研究分析。在分析结果的基础上综合处理卷积特征的空间分辨率与语义级别之间的关系,从深度学习网络结构出发提出了一种能够在不同分支输出具有不同空间分辨率和相同语义级别特征的多分支深度学习网络,并在多个有代表性的公开数据集上对本文所提网络进行对比实验,验证了所提算法的有效性。第三,本文从无人驾驶汽车端到端控制的已有研究出发,综合分析不同时期端到端控制模型的特点,结合具有良好特征提取能...

【文章页数】：77 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文研究内容及组织架构
第二章 相机标定与无人驾驶数据集的建立
    2.1 坐标转换与相机标定
        2.1.1 坐标变换矩阵
        2.1.2 相机标定
    2.2 数据集的采集与处理
        2.2.1 数据集来源
        2.2.2 数据集处理
第三章 基于深度学习无人驾驶汽车的环境感知
    3.1 经典算法研究
        3.1.1 Fast-RCNN网络模型
        3.1.2 经典多尺度目标检测网络模型
        3.1.3 经典模型研究总结
    3.2 多分支网络模型
        3.2.1 基础多分支网络模型(MBN-b)
        3.2.2 多分支网络模型(MBN)
        3.2.3 具有扩张卷积的多分支网络模型(MBN-D)
        3.2.4 多分支网络模型设计总结
    3.3 多分支网络模型与Faster-RCNN网络模型结合
        3.3.1 多分支网络结构用于基础卷积网络并与RPN网络结合
        3.3.2 多分支网络结构与Fast-RCNN网络结合
    3.4 基于公开数据集的验证
        3.4.1 参数共享对所提模型的影响验证
        3.4.2 多尺度物体检测模型对比
        3.4.3 MBN网络消融实验
        3.4.4 MBN-D网络消融实验
        3.4.5 多分支网络结构与Faster-RCNN框架相结合实验
        3.4.6 多分支网络结构在KITTI数据集上与当前先进方法的比较
        3.4.7 多分支网络结构在COCO数据集上的实验
    3.5 本章小结
第四章 基于深度学习的无人驾驶汽车控制研究
    4.1 端到端网络模型
    4.2 NVIDIA端到端模型
    4.3 基于VGG16 的端到端模型
    4.4 基于多分支网络结构的端到端控制模型
    4.5 本章小节
第五章 实验验证
    5.1 实验平台介绍
        5.1.1 深度学习工作站
        5.1.2 实车实验平台
    5.2 基于深度学习的无人驾驶汽车感知实验
    5.3 基于深度学习的无人驾驶汽车控制实验
    5.4 本章小结
总结与展望
参考文献
攻读学位期间取得的研究成果
致谢



本文编号：3874844