L4層級自動駕駛車外環(huán)境感知系統(tǒng)設計實現(xiàn)
發(fā)布時間：2021-12-11 21:45
近年來,學術界、工業(yè)界有關汽車自動駕駛研發(fā)需求變得越來越迫切,環(huán)境感知技術是自動駕駛最為核心且關鍵的技術之一,也是整套自動駕駛系統(tǒng)運行的基石版塊,所以本文重點就環(huán)境感知模塊進行分析。自動駕駛汽車環(huán)境感知需要依托攝像頭、激光雷達、毫米波雷達、超聲波雷達、環(huán)視攝像頭等傳感器。在不同場景、路況、天氣下需要使用不同的傳感器,采用不同傳感器數(shù)據(jù)融合策略才能夠達到最優(yōu)外界環(huán)境感知效果。其中L3層級自動駕駛主要依托攝像頭為主傳感器,L4層級自動駕駛在攝像頭基礎上,主要依托激光雷達為主傳感器。在本研究中主要就攝像頭和激光雷達的重點算法進行開發(fā)、驗證和測試。本文就前視攝像頭的語義分割算法提出了一種改進的全卷積網(wǎng)絡（i FCN）來平衡圖像語義分割精度與處理時間。i FCN改變了傳統(tǒng)FCN的結構,上采樣解碼時采用帶權值的密集跳躍連接;同時,該網(wǎng)絡采用自適應學習速率,針對不同卷積層設置不同的學習率;最后,使用基于熵的特征選取方法,繼續(xù)提高網(wǎng)絡的分割效果。本文就激光雷達點云處理進行了相關研究。針對復雜路況地面點云分割困難的問題,提出了一種結合點云簇幾何特性的路面點云分割方法。針對點云聚類不穩(wěn)定的問題,根據(jù)車載氣...
【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：70 頁
【學位級別】：碩士
【部分圖文】：
自動駕駛運行原理
第二章現(xiàn)有工作分析與研究72.1.1單目攝像頭單目攝像頭可用于前方行車場景感知。圖2-1為單目攝像頭示例。圖2-1單目攝像頭單目攝像頭一般用于對車輛前方的路況信息進行采集，能夠獲取精度不錯的車輛前方行車場景的圖片，識別率不錯，其價格一般不高，經(jīng)濟實惠。對工作環(huán)境有一定的要求，在極端天氣（暴雨、大雪、霧天）下的工作準確率較差。有的攝像頭集成有目標輪廓檢測識別的低級算法，能夠?qū)σ恍┏Ｒ?guī)物體進行低精度的檢測，然而其無學習能力，檢測能力完全依靠所集成的數(shù)據(jù)及算法。表2-3展示了其原理及優(yōu)缺點。表2-3單目攝像頭原理及優(yōu)缺點原理攝像頭通過對行車前方數(shù)據(jù)信息的采集，可通過內(nèi)置的簡易算法來識別出物體的大致輪廓，并且可依靠相關算法來對距離進行大致的計算優(yōu)點成本低廉；能夠識別具體障礙物的種類；識別準確缺點由于其識別原理導致其無法識別沒有明顯輪廓的障礙物；工作準確率與外部光線條件有關；并且受限于數(shù)據(jù)庫，沒有自學習功能應用領域ACC自適應巡航；車道偏離警告；碰撞預警；車距監(jiān)測與警告；遠光燈控制；限速警示
第二章現(xiàn)有工作分析與研究13圖2-2PX2模組及開發(fā)套件嵌入式部署目標平臺一般為基于ARM的Linux系統(tǒng)。例如NVIDIAPX2平臺，如圖2-2所示。其包含CPU和GPU兩大部分：CPU部分由兩顆新一代NVIDIATegra處理器構成，每顆CPU包含8個A57核心和4個Denver核心；GPU部分采用兩顆基于NVIDIA的新一代GPU架構“Pascal”設計而成的GPU，單精度計算能力達到8TFlops。圖2-3模型導入圖2-3展示了模型導入過程，TensorRT可以支持多種框架下保存模型的導入。TensorRT支持常見的深度學習框架包括Caffe、Chainer、CNTK、MXnet、PaddlePaddle、Pytorch、TensorFlow以及Theano。支持模型導入方式包括C++API、PythonAPI、NvCaffeParser和NvUffParser。對于caffe來說,各種部署工具對其的支持比較完善,可直接使用NvCaffeParser導入模型，導入時輸入網(wǎng)絡結構prototxt文件及caffemodel文件即可�；蛘呤褂肅++/PythonAPI導入模型，通過代碼定義網(wǎng)絡結構，并載入模型weights的方式導入。對于其他框架，可使用C++/PythonAPI導入模型：通過代碼定義網(wǎng)絡結構，載入模型weights的方式導入。以Pytorch為例，在完成訓練后，通過stat_dict()函數(shù)獲取模型的weights，
【參考文獻】：
期刊論文
[1]基于空間上下文關聯(lián)的車載點云聚類方法[J]. 張穎,劉亞文,苗堃. 測繪地理信息. 2019(04)
[2]全球無人駕駛汽車現(xiàn)狀綜述[J]. 馬雪潔,高蒙,王新房. 電腦知識與技術. 2019(19)
[3]車載激光掃描數(shù)據(jù)中多類目標的層次化提取方法[J]. 董震,楊必勝. 測繪學報. 2015(09)
碩士論文
[1]遙感衛(wèi)星影像的云檢測方法研究[D]. 付華聯(lián).成都理工大學 2019
[2]基于深度學習網(wǎng)絡的多光譜行人檢測與分割方法研究[D]. 宋姚姚.北京交通大學 2018
本文編號：3535454
【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校
【文章頁數(shù)】：70 頁
【學位級別】：碩士
【部分圖文】：
自動駕駛運行原理
第二章現(xiàn)有工作分析與研究72.1.1單目攝像頭單目攝像頭可用于前方行車場景感知。圖2-1為單目攝像頭示例。圖2-1單目攝像頭單目攝像頭一般用于對車輛前方的路況信息進行采集，能夠獲取精度不錯的車輛前方行車場景的圖片，識別率不錯，其價格一般不高，經(jīng)濟實惠。對工作環(huán)境有一定的要求，在極端天氣（暴雨、大雪、霧天）下的工作準確率較差。有的攝像頭集成有目標輪廓檢測識別的低級算法，能夠?qū)σ恍┏Ｒ?guī)物體進行低精度的檢測，然而其無學習能力，檢測能力完全依靠所集成的數(shù)據(jù)及算法。表2-3展示了其原理及優(yōu)缺點。表2-3單目攝像頭原理及優(yōu)缺點原理攝像頭通過對行車前方數(shù)據(jù)信息的采集，可通過內(nèi)置的簡易算法來識別出物體的大致輪廓，并且可依靠相關算法來對距離進行大致的計算優(yōu)點成本低廉；能夠識別具體障礙物的種類；識別準確缺點由于其識別原理導致其無法識別沒有明顯輪廓的障礙物；工作準確率與外部光線條件有關；并且受限于數(shù)據(jù)庫，沒有自學習功能應用領域ACC自適應巡航；車道偏離警告；碰撞預警；車距監(jiān)測與警告；遠光燈控制；限速警示
第二章現(xiàn)有工作分析與研究13圖2-2PX2模組及開發(fā)套件嵌入式部署目標平臺一般為基于ARM的Linux系統(tǒng)。例如NVIDIAPX2平臺，如圖2-2所示。其包含CPU和GPU兩大部分：CPU部分由兩顆新一代NVIDIATegra處理器構成，每顆CPU包含8個A57核心和4個Denver核心；GPU部分采用兩顆基于NVIDIA的新一代GPU架構“Pascal”設計而成的GPU，單精度計算能力達到8TFlops。圖2-3模型導入圖2-3展示了模型導入過程，TensorRT可以支持多種框架下保存模型的導入。TensorRT支持常見的深度學習框架包括Caffe、Chainer、CNTK、MXnet、PaddlePaddle、Pytorch、TensorFlow以及Theano。支持模型導入方式包括C++API、PythonAPI、NvCaffeParser和NvUffParser。對于caffe來說,各種部署工具對其的支持比較完善,可直接使用NvCaffeParser導入模型，導入時輸入網(wǎng)絡結構prototxt文件及caffemodel文件即可�；蛘呤褂肅++/PythonAPI導入模型，通過代碼定義網(wǎng)絡結構，并載入模型weights的方式導入。對于其他框架，可使用C++/PythonAPI導入模型：通過代碼定義網(wǎng)絡結構，載入模型weights的方式導入。以Pytorch為例，在完成訓練后，通過stat_dict()函數(shù)獲取模型的weights，
【參考文獻】：
期刊論文
[1]基于空間上下文關聯(lián)的車載點云聚類方法[J]. 張穎,劉亞文,苗堃. 測繪地理信息. 2019(04)
[2]全球無人駕駛汽車現(xiàn)狀綜述[J]. 馬雪潔,高蒙,王新房. 電腦知識與技術. 2019(19)
[3]車載激光掃描數(shù)據(jù)中多類目標的層次化提取方法[J]. 董震,楊必勝. 測繪學報. 2015(09)
碩士論文
[1]遙感衛(wèi)星影像的云檢測方法研究[D]. 付華聯(lián).成都理工大學 2019
[2]基于深度學習網(wǎng)絡的多光譜行人檢測與分割方法研究[D]. 宋姚姚.北京交通大學 2018
本文編號：3535454
本文鏈接：http://sikaile.net/kejilunwen/qiche/3535454.html
最近更新
教材專著
