實(shí)現(xiàn)高級(jí)別的自動(dòng)駕駛是本世紀(jì)最有價(jià)值的研究之一,而自主駕駛的本質(zhì)是尋找傳感器數(shù)據(jù)與駕駛指令之間的映射關(guān)系�，F(xiàn)有自主駕駛系統(tǒng)通常采用分層遞階式或反應(yīng)式體系結(jié)構(gòu),這些體系結(jié)構(gòu)有利于自主駕駛的實(shí)現(xiàn),但是也存在結(jié)構(gòu)復(fù)雜、時(shí)延高等問題,而端到端體系結(jié)構(gòu)則旨在跳過中間環(huán)節(jié),直接構(gòu)建這一映射關(guān)系,因此對(duì)端到端自動(dòng)駕駛框架的研究有利于簡化系統(tǒng),提升系統(tǒng)的可靠性和反應(yīng)速度,對(duì)最終實(shí)現(xiàn)高級(jí)別的自動(dòng)駕駛具有重要意義。深度卷積神經(jīng)網(wǎng)絡(luò)作為近年來被廣泛使用在計(jì)算機(jī)視覺領(lǐng)域的機(jī)器學(xué)習(xí)工具,能夠從大量樣本中自主地學(xué)習(xí)知識(shí),因此可以利用卷積神經(jīng)網(wǎng)絡(luò)從人類駕駛員的大量駕駛數(shù)據(jù)中自動(dòng)地、有監(jiān)督地學(xué)習(xí)傳感器數(shù)據(jù)和方向盤角度之間的映射關(guān)系,本文對(duì)此展開了探索性質(zhì)的研究。主要工作具體如下:(1)設(shè)計(jì)了基于圖像和卷積神經(jīng)網(wǎng)絡(luò)的端到端自動(dòng)駕駛框架。目前,雖然已經(jīng)有學(xué)者對(duì)基于神經(jīng)網(wǎng)絡(luò)和圖像的端到端駕駛進(jìn)行了研究,但是他們使用的神經(jīng)網(wǎng)絡(luò)中,要么太過簡單,要么需要較高的顯存資源,因此本文對(duì)此進(jìn)行了優(yōu)化,采用了“卷積-池化-全連接”的設(shè)計(jì)思想,構(gòu)建了一種層數(shù)更多但是顯存占用相對(duì)較小的卷積神經(jīng)網(wǎng)絡(luò),并在真實(shí)環(huán)境中采集的數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。實(shí)...

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景與意義
    1.2 研究現(xiàn)狀
        1.2.1 國內(nèi)外自主駕駛研究現(xiàn)狀
        1.2.2 自主駕駛系統(tǒng)結(jié)構(gòu)
    1.3 本文研究內(nèi)容
    1.4 論文組織結(jié)構(gòu)
2 相關(guān)技術(shù)綜述
    2.1 自主駕駛系統(tǒng)體系結(jié)構(gòu)
    2.2 神經(jīng)網(wǎng)絡(luò)相關(guān)理論
        2.2.1 卷積神經(jīng)網(wǎng)絡(luò)與深度神經(jīng)網(wǎng)絡(luò)的發(fā)展
        2.2.2 深度神經(jīng)網(wǎng)絡(luò)與自主駕駛技術(shù)的結(jié)合
    2.3 端到端自主駕駛系統(tǒng)
    2.4 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
3 基于圖像的端到端自動(dòng)駕駛框架
    3.1 卷積神經(jīng)網(wǎng)絡(luò)
        3.1.1 卷積神經(jīng)網(wǎng)絡(luò)的組成
        3.1.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
    3.2 實(shí)驗(yàn)設(shè)計(jì)
        3.2.1 數(shù)據(jù)集介紹
        3.2.2 網(wǎng)絡(luò)設(shè)計(jì)與訓(xùn)練設(shè)置
        3.2.3 基于對(duì)抗生成網(wǎng)絡(luò)的對(duì)抗攻擊
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 對(duì)比實(shí)驗(yàn)結(jié)果
        3.3.2 網(wǎng)絡(luò)深度對(duì)于網(wǎng)絡(luò)網(wǎng)絡(luò)性能的影響
        3.3.3 使用殘差網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)性能的影響
        3.3.4 對(duì)抗樣本生成網(wǎng)絡(luò)
    3.4 本章小結(jié)
4 基于激光雷達(dá)點(diǎn)云的端到端自動(dòng)駕駛框架
    4.1 激光雷達(dá)傳感器概述
    4.2 基于PointNet和跳躍連接層的網(wǎng)絡(luò)框架
    4.3 實(shí)驗(yàn)與結(jié)果分析
        4.3.1 對(duì)比實(shí)驗(yàn)結(jié)果
        4.3.2 不同特征維度對(duì)模型結(jié)果的影響
        4.3.3 隨機(jī)排序點(diǎn)云對(duì)模型結(jié)果的影響
        4.3.4 使用跳躍連接層對(duì)模型效果的影響
    4.4 本章小結(jié)
5 基于點(diǎn)云、圖像數(shù)據(jù)融合的端到端駕駛框架
    5.1 相機(jī)標(biāo)定技術(shù)與圖像、點(diǎn)云數(shù)據(jù)融合
        5.1.1 相機(jī)模型與畸變
        5.1.2 相機(jī)標(biāo)定與點(diǎn)云投影
    5.2 基于點(diǎn)云和圖像融合的端到端自主駕駛網(wǎng)絡(luò)框架
    5.3 實(shí)驗(yàn)結(jié)果與分析
        5.3.1 對(duì)比實(shí)驗(yàn)結(jié)果
        5.3.2 首個(gè)卷積操作的卷積核尺寸對(duì)于模型結(jié)果的影響
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 工作展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3852405