發(fā)布時間：2018-01-31 09:48

  本文關(guān)鍵詞： 目標(biāo)檢測 運(yùn)動狀態(tài)估計 多傳感器 縮微車 行人識別 聯(lián)合自適應(yīng)卡爾曼濾波　出處：《吉林大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

【摘要】：車輛的目標(biāo)檢測主要是通過車載傳感器對局部環(huán)境感知來實(shí)現(xiàn),其中最重要的部分是估計車輛前方目標(biāo)的運(yùn)動狀況。車輛行駛過程中對前方目標(biāo)運(yùn)動狀態(tài)的估計是智能車輔助駕駛系統(tǒng)中的重要研究課題,其主要包括實(shí)時測量搭載傳感器的實(shí)驗(yàn)車與前方目標(biāo)的相對橫縱向速度、相對橫縱向加速度和相對位置等狀態(tài)變量。傳統(tǒng)的單傳感器目標(biāo)檢測只能根據(jù)傳感器的特性獲取某一方面的數(shù)據(jù),而多傳感器可以為縮微車提供更加完整的數(shù)據(jù)信息。因此可以將自適應(yīng)卡爾曼濾波模型和聯(lián)合卡爾曼濾波模型做出融合,達(dá)到了避免單傳感器信息采集盲區(qū)的問題并且提高了濾波器系統(tǒng)穩(wěn)定性的目的,最終達(dá)到提高多數(shù)據(jù)源信息融合的質(zhì)量目的,為進(jìn)一步的判斷和決策提供了良好的基礎(chǔ)。另一方面采用縮微車技術(shù)可以降低實(shí)驗(yàn)成本、降低實(shí)驗(yàn)風(fēng)險、提高系統(tǒng)維護(hù)性并且提供了模擬大規(guī)模車輛的功能,這些特點(diǎn)使得縮微車成為了智能交通實(shí)驗(yàn)的良好載體。本文以場景中的縮微車為基礎(chǔ),即每個車輛都可以獲得一定范圍內(nèi)的其他車輛和障礙物的狀態(tài)信息,通過以下兩個方面對該系統(tǒng)進(jìn)行設(shè)計與實(shí)現(xiàn):(1)實(shí)現(xiàn)對縮微車前方目標(biāo)檢測:縮微車在行駛過程中通過攝像頭、雷達(dá)和車載光電編碼器不斷采集車輛前方的局部交通情況,然后通過mini2440處理器對來自不同傳感器的信息進(jìn)行集中處理。在mini2440中將進(jìn)行如下算法:采用基于HOG+SVM行人識別提取圖像數(shù)據(jù)的行人目標(biāo)、采用區(qū)域分割法提取雷達(dá)數(shù)據(jù)的目標(biāo)運(yùn)動信息以及通過光電編碼器獲取車輛自身車速。最后經(jīng)過處理的信息將發(fā)送到服務(wù)器端并進(jìn)行數(shù)據(jù)融合完成局部交通環(huán)境的顯示。(2)實(shí)現(xiàn)多傳感器數(shù)據(jù)融合:基于新息自適應(yīng)卡爾曼濾波,提出了一種多傳感器聯(lián)合濾波的方法來提高估計前方行駛車輛的運(yùn)動狀態(tài)的精度。該濾波方式以激光雷達(dá)和毫米波雷達(dá)作為局部濾波器,通過自適應(yīng)過程實(shí)時調(diào)整局部濾波器的測量噪聲協(xié)方差和系統(tǒng)噪聲協(xié)方差,并利用測量噪聲協(xié)方差計算出聯(lián)合濾波中各局部濾波器的信息分配因子,最后根據(jù)信息分配因子來完成最優(yōu)信息融合并將全局濾波結(jié)果反饋到各局部濾波器。聯(lián)合卡爾曼濾波可以結(jié)合多種傳感器的測量優(yōu)勢,使每次得到的濾波結(jié)果是各個局部濾波器中最優(yōu)的,并且利用反饋機(jī)制提高了測量精度。根據(jù)實(shí)驗(yàn)結(jié)果可知,本文提出的縮微車目標(biāo)檢測系統(tǒng)的功能正確完善,可以達(dá)到實(shí)時監(jiān)控局部交通環(huán)境的目的。同時聯(lián)合自適應(yīng)卡爾曼濾波方式有良好的環(huán)境適應(yīng)能力和系統(tǒng)容錯率,當(dāng)一個傳感器的濾波性能出現(xiàn)異常時,該系統(tǒng)的濾波結(jié)果并未產(chǎn)生異常。在整個實(shí)驗(yàn)過程中,該方法相較于標(biāo)準(zhǔn)卡爾曼濾波和單傳感器的新息自適應(yīng)濾波具有最高的測量精度。
[Abstract]:The target detection of vehicle is mainly realized by the local environment perception of the vehicle sensor. The most important part is to estimate the moving state of the vehicle in front of the vehicle. The estimation of the moving state of the forward target is an important research topic in the intelligent vehicle assisted driving system. It mainly includes the real-time measurement of the relative transverse and longitudinal velocities between the experimental vehicle and the target in front of the sensor. The traditional single sensor target detection can only obtain some data according to the characteristics of the sensor. The multi-sensor can provide more complete data information for the minibus, so the adaptive Kalman filter model and the United Kalman filter model can be fused. It can avoid the problem of single sensor information acquisition blind area and improve the stability of filter system. Finally, it can improve the quality of multi-data source information fusion. On the other hand, it can reduce the cost of experiment, reduce the risk of experiment, improve system maintainability and provide the function of simulating large-scale vehicle. These characteristics make the minibus a good carrier of intelligent traffic experiment. This paper is based on the scene of the minivan, that is, each vehicle can obtain a certain range of other vehicles and obstacles of the state information. Through the following two aspects of the design and implementation of the system: 1) to achieve the microcar forward target detection: the minibus in the process of driving through the camera. Radar and on-board photoelectric encoder continuously collect the local traffic information in front of the vehicle. Then the information from different sensors is processed centrally through the mini2440 processor. In mini2440, the following algorithm will be used: adopt HOG based on. The pedestrian target extracted from the image data is identified by SVM pedestrian recognition. The region segmentation method is used to extract the target motion information from radar data and the vehicle speed is obtained by photoelectric encoder. Finally, the processed information will be sent to the server and fused to complete the local traffic environment. Display of. 2) realize multi-sensor data fusion: adaptive Kalman filter based on innovation. A multi-sensor combined filtering method is proposed to improve the accuracy of estimating the moving state of the moving vehicle in front of the vehicle. The filtering method uses laser radar and millimeter wave radar as local filters. The measurement noise covariance and the system noise covariance of the local filter are adjusted in real time by the adaptive process, and the information allocation factor of each local filter in the joint filter is calculated by using the measurement noise covariance. Finally, according to the information allocation factor, the optimal information fusion is completed and the global filtering results are fed back to the local filters. The United Kalman filter can combine the measurement advantages of various sensors. The filter results obtained each time are the best in each local filter, and the measurement accuracy is improved by the feedback mechanism. According to the experimental results, the function of the microbus target detection system proposed in this paper is correct and perfect. At the same time, the combined adaptive Kalman filter has good environmental adaptability and system fault tolerance, when the filtering performance of a sensor is abnormal. In the whole experiment, this method has the highest measurement accuracy compared with the standard Kalman filter and the single sensor innovation adaptive filter.
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：U463.6;TN713

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 于允平;智能車輛和高速公路方興未艾[J];世界產(chǎn)品與技術(shù);1996年02期

2 郭烈,王榮本,顧柏園,余天洪;世界智能車輛行人檢測技術(shù)綜述[J];公路交通科技;2005年11期

3 李旭;張為公;;智能車輛導(dǎo)航技術(shù)的研究進(jìn)展[J];機(jī)器人技術(shù)與應(yīng)用;2007年04期

4 程釗;萬齊齊;唐旋來;劉廣林;彭剛;黃心漢;王永驥;;智能車道路識別及控制研究[J];伺服控制;2007年06期

5 羅曉玲;;基于視覺的智能車導(dǎo)航技術(shù)[J];信息與電腦(理論版);2011年10期

6 熊升華;趙海良;;基于矩形安全鄰域的智能車移動仿真研究[J];計算機(jī)應(yīng)用研究;2013年12期

7 潘明;汪鐳;康琦;吳啟迪;;基于電磁信號導(dǎo)航的智能車系統(tǒng)設(shè)計與開發(fā)[J];中國科技論文;2014年04期

8 于少偉;;智能車輛自動超車控制仿真研究[J];系統(tǒng)仿真學(xué)報;2009年08期

9 孫輝;張參參;史久根;;競賽用智能車的設(shè)計[J];安徽工業(yè)大學(xué)學(xué)報(自然科學(xué)版);2009年03期

10 李宗;項(xiàng)羽升;蒲榮軍;張笑楠;;電磁智能車的設(shè)計與調(diào)試[J];硅谷;2012年13期

相關(guān)會議論文 前6條

1 張祖鋒;徐友春;張鵬;朱增輝;;縮微智能車的環(huán)境感知與控制決策算法研究[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

2 汪鐵民;;智能車輛的若干問題[A];四川省第九屆（2009年）汽車學(xué)術(shù)交流年會論文集[C];2009年

3 黃鴻;呂曉華;任雪梅;;基于SPCE061A的智能車模語音控制系統(tǒng)[A];國產(chǎn)科學(xué)儀器應(yīng)用、創(chuàng)新和產(chǎn)業(yè)化學(xué)術(shù)研討會論文集（二）[C];2007年

4 張國伍;錢大琳;;中國智能交通發(fā)展戰(zhàn)略構(gòu)想[A];西部開發(fā)與系統(tǒng)工程——中國系統(tǒng)工程學(xué)會第12屆年會論文集[C];2002年

5 王立琦;杜茂;;基于激光掃描儀的智能車前方障礙物檢測[A];'2010系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2010年

6 孫懷江;;ALVINN及其擴(kuò)展[A];全面建設(shè)小康社會：中國科技工作者的歷史責(zé)任——中國科協(xié)2003年學(xué)術(shù)年會論文集（上）[C];2003年

相關(guān)重要報紙文章 前4條

1 記者 劉莉;“中國智能車未來挑戰(zhàn)賽”西安開戰(zhàn)[N];科技日報;2010年

2 陳海霞　顏士秀 小莉;常州“智能車”全國奪冠[N];常州日報;2010年

3 記者張兆軍;兩種智能車 無人可駕駛[N];科技日報;2003年

4 記者 孫春艷;“科博會”在京開幕[N];吉林日報;2003年

相關(guān)博士學(xué)位論文 前10條

1 蘭艷亭;基于免疫機(jī)制的智能車轉(zhuǎn)向控制系統(tǒng)研究[D];中北大學(xué);2017年

2 錢臻;基于組合定位技術(shù)的多智能車輛合作編隊(duì)仿真技術(shù)研究[D];東北林業(yè)大學(xué);2012年

3 汪明磊;智能車輛自主導(dǎo)航中避障路徑規(guī)劃與跟蹤控制研究[D];合肥工業(yè)大學(xué);2013年

4 劉華軍;面向智能車輛的道路環(huán)境理解技術(shù)研究[D];南京理工大學(xué);2007年

5 李進(jìn);視覺導(dǎo)航智能車輛的路徑識別和跟蹤控制[D];合肥工業(yè)大學(xué);2008年

6 沈志熙;基于視覺導(dǎo)航的智能車輛在城區(qū)復(fù)雜場景中的目標(biāo)檢測技術(shù)研究[D];重慶大學(xué);2008年

7 王鋒輝;面向區(qū)域智能運(yùn)輸?shù)亩嘀悄苘囕v協(xié)作研究[D];上海交通大學(xué);2009年

8 焦俊;基于多Agent系統(tǒng)的智能車輛自主行駛控制研究[D];合肥工業(yè)大學(xué);2010年

9 郭景華;視覺導(dǎo)航式智能車輛橫向與縱向控制研究[D];大連理工大學(xué);2012年

10 李貽斌;ITS智能車輛關(guān)鍵技術(shù)研究[D];天津大學(xué);2008年

相關(guān)碩士學(xué)位論文 前10條

1 馬育林;智能車自主駕駛控制系統(tǒng)研制與試驗(yàn)[D];武漢理工大學(xué);2010年

2 邱迎;道路自動識別與控制的智能車系統(tǒng)的研究[D];重慶大學(xué);2010年

3 郭達(dá);智能車避障路徑動態(tài)規(guī)劃和車體控制研究[D];長安大學(xué);2015年

4 崔佳超;無人駕駛智能車在動態(tài)環(huán)境中的避障方法[D];西安工業(yè)大學(xué);2015年

5 楊成;無人駕駛智能車障礙檢測方法研究[D];西安工業(yè)大學(xué);2015年

6 劉健全;基于高速移動網(wǎng)絡(luò)的智能車視頻駕駛系統(tǒng)設(shè)計與實(shí)現(xiàn)[D];浙江大學(xué);2015年

7 劉遠(yuǎn)源;校園環(huán)境下的運(yùn)動目標(biāo)檢測與跟蹤的研究與實(shí)現(xiàn)[D];浙江大學(xué);2015年

8 逄偉;低速環(huán)境下的智能車無人駕駛技術(shù)研究[D];浙江大學(xué);2015年

9 孫濤;基于MC9S12DG128的智能車控制系統(tǒng)研究[D];南昌大學(xué);2015年

10 王廣瑋;智能車輛橫向運(yùn)動控制系統(tǒng)設(shè)計與實(shí)驗(yàn)研究[D];貴州大學(xué);2015年

，

本文編號：1478775