近年來,隨著我國(guó)汽車保有量的不斷增長(zhǎng),交通擁堵、事故傷亡、環(huán)境污染及能源枯竭等問題日益嚴(yán)重。因此,將人工智能算法特別是深度學(xué)習(xí)技術(shù)與控制技術(shù)相結(jié)合,研究開發(fā)更加節(jié)能、環(huán)保、安全的智能汽車技術(shù)已引起國(guó)內(nèi)外研究機(jī)構(gòu)的高度重視。環(huán)境感知作為智能汽車決策、規(guī)劃任務(wù)的基礎(chǔ)環(huán)節(jié),通過視覺或雷達(dá)傳感器感知車體外環(huán)境狀態(tài)并進(jìn)行目標(biāo)檢測(cè)和識(shí)別,進(jìn)而實(shí)現(xiàn)自動(dòng)駕駛功能具有重要作用。環(huán)境感知技術(shù)性能優(yōu)劣也稱為更高等級(jí)智能汽車總體性能優(yōu)劣的主要原因之一,也成為近年來智能汽車領(lǐng)域研究熱點(diǎn)之一。本文課題為深度學(xué)習(xí)在智能汽車環(huán)境感知中的應(yīng)用研究,相關(guān)研究?jī)?nèi)容如下:（1）針對(duì)智能汽車環(huán)境感知算法需求,在調(diào)研智能汽車軟硬件框架方案的基礎(chǔ)上完成視覺傳感器、毫米波雷達(dá)、多線激光雷達(dá)及車載工控機(jī)等硬件系統(tǒng)安裝調(diào)試,并基于Socket/UDP通信協(xié)議實(shí)現(xiàn)多源傳感器與工控機(jī)數(shù)據(jù)通信。（2）針對(duì)多源傳感器融合需求,完成相機(jī)坐標(biāo)系與雷達(dá)坐標(biāo)系的聯(lián)合標(biāo)定。完成基于張氏標(biāo)定法的相機(jī)內(nèi)參標(biāo)定;針對(duì)雷達(dá)外參數(shù)標(biāo)定,設(shè)計(jì)了一種通過遺傳算法優(yōu)化水平度函數(shù)的標(biāo)定方法,在不需要人工測(cè)量任何數(shù)據(jù)的基礎(chǔ)下完成激光雷達(dá)的外參數(shù)標(biāo)定。（3）研究基于深度卷積神... 

【文章來源】：重慶交通大學(xué)重慶市

【文章頁數(shù)】：87 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

視覺信息分級(jí)處理示意圖

7(a)間接感知型這是目前主流的智能汽車技術(shù)方案，如百度智能汽車、Google智能汽車等。圖1-2視覺信息分級(jí)處理示意圖Figure1-2Schematicdiagramofhierarchicalprocessingofvisualinformation核心思想是將整個(gè)自動(dòng)駕駛系統(tǒng)分為車體外環(huán)境感知、高精地圖構(gòu)建、駕駛行為決策、路徑規(guī)劃和車輛橫縱向控制等多個(gè)子系統(tǒng)，激光雷達(dá)或毫米波雷達(dá)等傳感器探測(cè)車體外交通標(biāo)志、信號(hào)燈、車輛行人等局部環(huán)境信息，并通過標(biāo)定技術(shù)和高精地圖計(jì)算目標(biāo)方位、距離生成智能車外部環(huán)境的完整表示；決策和規(guī)劃系統(tǒng)則根據(jù)外部環(huán)境信息和車體狀態(tài)生成目標(biāo)軌跡，最后通過車輛控制技術(shù)實(shí)現(xiàn)軌跡跟蹤。圖1-3百度無人車車道線檢測(cè)Figure1-3LanelinedetectionofBaiduautonomousvehicle(b)直接感知型間接感知型方案將環(huán)境感知?jiǎng)澐譃橹T如行人檢測(cè)、車道線及交通信號(hào)識(shí)別等多個(gè)任務(wù)并利用傳感器建模和標(biāo)定技術(shù)映射至車輛坐標(biāo)系下。2015年國(guó)際計(jì)算機(jī)視覺大會(huì)(InternationalConferenceonComputerVision，ICCV)中，普林斯頓的研究人員提出深度駕駛(DeepDriving)[33]算法框架改進(jìn)間接感知型方案。對(duì)車體外環(huán)境信

8息抽象為若干環(huán)境狀態(tài)變量，比如本車距離前后向車及距離車道標(biāo)志線的距離等，在大規(guī)模自動(dòng)駕駛圖像數(shù)據(jù)集中直接學(xué)習(xí)環(huán)境狀態(tài)變量，這種直接感知型的學(xué)習(xí)方法避免了建模及逆透視變換產(chǎn)生的誤差。(c)端到端控制型圖1-4DeepDriving算法架構(gòu)Figure1-4AlgorithmarchitectureofDeepDriving這種方法試圖通過深度卷積網(wǎng)絡(luò)和深度循環(huán)神經(jīng)網(wǎng)絡(luò)的強(qiáng)大特征學(xué)習(xí)能力和時(shí)序建模能力，在人類駕駛數(shù)據(jù)集中直接學(xué)習(xí)車輛控制端的輸出信號(hào)，是一種完全端對(duì)端神經(jīng)網(wǎng)絡(luò)解決方案。端對(duì)端控制方法的基本原理是學(xué)習(xí)一個(gè)傳感器原始數(shù)據(jù)到控制動(dòng)作的直接映射。早在上世紀(jì)80年代，PomerleauD等人[34]基于BP神經(jīng)網(wǎng)絡(luò)建立了一個(gè)端對(duì)端系統(tǒng)ALVINN,受限于理論及算力限制，ALVINN系統(tǒng)采用了淺層ANN，只能適用于簡(jiǎn)單路況場(chǎng)景；2015年，NVIDIA研究人員[35]使用一個(gè)9層的CNN網(wǎng)絡(luò)學(xué)習(xí)人類的道路感知和決策行為。輸入圖像被分割成YUV平面?zhèn)鬟f到網(wǎng)絡(luò)，卷積層用來進(jìn)行特征提取，全連接層用作轉(zhuǎn)向的控制器。在經(jīng)過不到100小時(shí)數(shù)據(jù)的訓(xùn)練下，系統(tǒng)學(xué)會(huì)了在無車道線標(biāo)志環(huán)境下的性能能力，并對(duì)陰天、雨天等環(huán)境具有較強(qiáng)的魯棒性。端對(duì)端的感知、控制方法試圖利用深度學(xué)習(xí)的能力，在原始圖像中直接獲得合理的決策行為。三種技術(shù)方案如圖1-6所示。直接感知型是近年來受到人工智能研究人員廣泛關(guān)注的一種自動(dòng)駕駛解決方案，具有端對(duì)端、整體特征學(xué)習(xí)能力強(qiáng)特點(diǎn)。但是方法的模型訓(xùn)練數(shù)據(jù)需要標(biāo)注精確的狀態(tài)參數(shù)。往往需要使用配置超聲波傳感器及激光雷達(dá)的實(shí)驗(yàn)車輛在實(shí)際道路上采集并手工標(biāo)注，數(shù)據(jù)成本較高。另外環(huán)境狀態(tài)指標(biāo)需要人為定義，在非結(jié)構(gòu)化等交通場(chǎng)景中普適性較差以及算法針對(duì)不同的硬件配置泛化能力較差。端對(duì)端控制方案優(yōu)點(diǎn)是系統(tǒng)簡(jiǎn)化，傳感器等硬件成本低，在模

【參考文獻(xiàn)】：
期刊論文
[1]智能分布式電動(dòng)車輛柔性化系統(tǒng)平臺(tái)[J]. 羅劍,羅禹貢,張書瑋,李克強(qiáng).  中國(guó)機(jī)械工程. 2015(08)
[2]一種基于HOG-LBP的高效車輛檢測(cè)方法[J]. 楊先鳳,楊燕.  計(jì)算機(jī)工程. 2014(09)
[3]獵豹智能車無人駕駛系統(tǒng)總體設(shè)計(jì)[J]. 徐友春,常明,劉洪泉,萬劍,章永進(jìn),賀四清,陳富強(qiáng).  汽車工程. 2006(12)

博士論文
[1]基于視覺的自主車道路環(huán)境理解技術(shù)研究[D]. 杜明芳.北京理工大學(xué) 2015



本文編號(hào)：3486794