無人駕駛是人工智能領(lǐng)域重要的應(yīng)用方向,它主要通過計(jì)算機(jī)系統(tǒng)以及一些智能傳感器來達(dá)到無人駕駛的目的。它包括感知,決策和控制三個方面。感知方面如車道識別與車輛檢測依然存在許多問題,如實(shí)時性問題,光照遮擋問題,點(diǎn)云數(shù)據(jù)的處理問題,二維車輛識別與車道線識別對駕駛環(huán)境描述不夠具體等問題。而決策方面對于安全和可靠性有著嚴(yán)格的要求,現(xiàn)階段的決策算法大多根據(jù)規(guī)則構(gòu)建,僅能應(yīng)對正常的駕駛環(huán)境,而面對駕駛環(huán)境的各種突發(fā)情況則很難做出及時正確的決策。本文針對環(huán)境感知中的車道識別、車輛識別與駕駛決策部分進(jìn)行了相關(guān)研究,研究的主要內(nèi)容如下:（1）傳統(tǒng)的車道識別算法大多是基于傳統(tǒng)圖像處理技術(shù)的車道線檢測,然而傳統(tǒng)的算法需要進(jìn)行預(yù)處理,邊緣檢測,霍夫變換等步驟,每個步驟獨(dú)立進(jìn)行卻又相互影響,難以達(dá)到整體最優(yōu)的目的,并且實(shí)時性問題也使得算法的應(yīng)用性不高,最重要的是傳統(tǒng)的車道線識別方法在應(yīng)對車道的變化以及復(fù)雜的駕駛環(huán)境時適應(yīng)性不佳。本文針對以上的問題提出了基于全卷積神經(jīng)網(wǎng)絡(luò)和條件隨機(jī)場的車道識別方法。該方法將基于車道線的車道識別任務(wù)轉(zhuǎn)化為圖像分割任務(wù),整個車道的分割過程達(dá)到端到端的結(jié)構(gòu),對于輸入的各種駕駛環(huán)境圖片有自學(xué)... 

【文章頁數(shù)】：69 頁

【學(xué)位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 無人駕駛的研究背景與意義
    1.2 無人駕駛的研究現(xiàn)狀
        1.2.1 車道識別算法
        1.2.2 車輛檢測算法
        1.2.3 無人駕駛決策算法
    1.3 無人駕駛的技術(shù)難點(diǎn)
        1.3.1 交通場景及天氣因素
        1.3.2 模型和系統(tǒng)的設(shè)計(jì)
    1.4 數(shù)據(jù)和評價方法
    1.5 主要研究內(nèi)容和章節(jié)安排
第二章 基于全卷積神經(jīng)網(wǎng)絡(luò)與條件隨機(jī)場的車道識別方法
    2.1 車道識別中的問題及影響
        2.1.1 車道識別中的問題
        2.1.2 車道識別中問題的影響
    2.2 基于全卷積神經(jīng)網(wǎng)絡(luò)的圖像分割技術(shù)
        2.2.1 全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.2.2 全卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)方案
    2.3 條件隨機(jī)場
        2.3.1 概率無向圖模型
        2.3.2 條件隨機(jī)場的定義與形式
    2.4 本章算法的具體步驟
    2.5 實(shí)驗(yàn)
        2.5.1 高速公路環(huán)境下的實(shí)驗(yàn)對比
        2.5.2 公開數(shù)據(jù)集下的實(shí)驗(yàn)對比
    2.6 本章總結(jié)
第三章 融合點(diǎn)云網(wǎng)絡(luò)與卷積神經(jīng)網(wǎng)絡(luò)的二階段3D車輛檢測
    3.1 光學(xué)雷達(dá)基礎(chǔ)知識
        3.1.1 光學(xué)雷達(dá)的工作原理以及點(diǎn)云數(shù)據(jù)
    3.2 光學(xué)雷達(dá)在無人駕駛技術(shù)中的應(yīng)用
        3.2.1 高清地圖的繪制
        3.2.2 基于點(diǎn)云的定位
    3.3 基于點(diǎn)云網(wǎng)絡(luò)的點(diǎn)云數(shù)據(jù)處理技術(shù)
        3.3.1 點(diǎn)云網(wǎng)絡(luò)結(jié)構(gòu)
        3.3.2 利用點(diǎn)云網(wǎng)絡(luò)進(jìn)行3D實(shí)力分割
    3.4 基于深度神經(jīng)網(wǎng)絡(luò)的車輛識別
        3.4.1 2D車輛檢測網(wǎng)絡(luò)
        3.4.2 比例相關(guān)池化與級聯(lián)拒絕分類器
    3.5 實(shí)驗(yàn)
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)庫與評價標(biāo)準(zhǔn)
        3.5.2 2D網(wǎng)絡(luò)車輛檢測結(jié)果與分析
        3.5.3 PointNet網(wǎng)絡(luò)3D實(shí)例分割與分類結(jié)果分析
        3.5.4 3D車輛檢測實(shí)驗(yàn)結(jié)果于分析
    3.6 本章總結(jié)
第四章 基于強(qiáng)化學(xué)習(xí)的無人駕駛決策
    4.1 強(qiáng)化學(xué)習(xí)算法
        4.1.1 Q-learning算法
        4.1.2 Actor-Critic算法
    4.2 本章算法介紹
        4.2.1 算法參數(shù)空間定義
        4.2.2 Deep Deterministic Policy Gradients算法
    4.3 實(shí)驗(yàn)
        4.3.1 無人駕駛仿真平臺TORCS
        4.3.2 實(shí)驗(yàn)設(shè)置
        4.3.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章總結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 未來工作展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動及成果情況


【參考文獻(xiàn)】：
期刊論文
[1]暗通道和測度學(xué)習(xí)的霧天行人再識別[J]. 孫銳,方蔚,高雋.  光電工程. 2016(12)
[2]基于Hough變換的車道檢測改進(jìn)算法研究[J]. 李明,黃華,夏建剛.  計(jì)算機(jī)工程與設(shè)計(jì). 2012(04)
[3]應(yīng)用方向可調(diào)濾波器的車道線識別方法[J]. 郭磊,李克強(qiáng),王建強(qiáng),連小珉.  機(jī)械工程學(xué)報(bào). 2008(08)



本文編號：3734364