目前,城市道路環(huán)境下無人駕駛汽車技術得到較多地關注且取得很多卓越成果,但野外道路環(huán)境下無人駕駛技術則仍存在較多挑戰(zhàn)。如何在復雜多變的野外道路環(huán)境下實現對車輛周圍環(huán)境的高效準確感知是實現野外無人駕駛的關鍵技術之一。本文重點研究利用卷積神經網絡實現野外道路環(huán)境中無人移動平臺的自主感知。本文的研究工作主要分為三個部分:基于分類網絡的野外道路環(huán)境感知技術、基于語義分割網絡的野外道路環(huán)境感知技術以及基于卷積神經網絡的整車實驗。主要完成的內容有:本文將無行人的野外道路環(huán)境感知簡化為一個分類問題,使用一個分類網絡對無行人的野外道路環(huán)境進行粗糙地感知。本文改進了ShuffleNetV2網絡中的骨干網絡,提出一種FSNet輕量化的分類網絡。FSNet網絡的準確率為97.28%,單張圖像的處理時間為5.94ms,比ShuffleNetV2網絡提升了49.5%。有行人的野外道路環(huán)境感知任務相對復雜,本文使用語義分割網絡對無人移動平臺前方道路環(huán)境進行像素級的分割。語義分割網絡在野外道路環(huán)境感知任務中泛化性差且易存在誤識別的問題,本文提出的DGNet語義分割網絡可以很好地解決這些問題。DGNet網絡是在Deep... 

【文章來源】：中國礦業(yè)大學江蘇省 211工程院校 教育部直屬院校

【文章頁數】：85 頁

【學位級別】：碩士

【部分圖文】：

AlexNet卷積神經網絡結構圖

3基于分類網絡的野外道路感知技術25外道路環(huán)境的數據集，與本文需要處理的野外道路場景很接近。因此，本文選擇IDSIA數據集做預訓練數據集。3.3.2圖像采集與標注雖然有一些公開的數據集可以使用，但是在測試的野外道路場地上采集圖像數據并制作數據集是十分必要的。數據圖像采集的方式如圖3-5所示，將三臺順華利相機（200萬像素，30幀）固定在一塊水平的鋁合金板上，采集同一時間三個不同視角的視頻數據，1臺相機朝著道路的中心線，1臺相機朝著左邊30度，1臺相機朝著右邊30度，采集的視頻數據保存到一臺華碩筆記本電腦里。圖3-5數據采集方法Figure3-5Dataacquisitionmethod為了使采集的視頻數據更接近真實的道路環(huán)境分布，在不同的天氣（晴天和陰天）的不同時間段（上午8時，11時，下午的3時）采集野外道路場景的視頻數據共計100小時。在采集的視頻數據中，只包含道路的視頻數據每100幀提取1幀圖像，包含行人的視頻數據每30幀提取1鄭同時，將提取的圖像中一些模糊的、視角水平傾斜嚴重的、未包含道路信息等圖像剔除掉。按照每一張圖像所屬的類別，將圖像放入到不同的文件夾下，分別是left、centre、right和person。制作的分類數據集數據分布如圖3-6所示，共包含圖像44871張，其中訓練集40368張，測試集4503張，訓練集與測試集樣本的比例接近9:1。各個類間樣本數量比較均衡，以訓練集為例，前三個類的樣本數量在10000個左右，行人類的樣本數量略少，有8451個樣本，但也與前三個類的樣本數量十分接近。自采分類數據集中圖像的分辨率為480×640。

工程碩士專業(yè)學位論文38個類，超過33萬張圖片，有標注的圖片有20萬張。COCO數據集中的部分圖像如圖4-3所示。圖4-3COCO數據集Figure4-3COCOdatasets（2）Cityscapes數據集Cityscapes數據集是面向城市道路的大規(guī)模數據集，包含了50個不同城市的街道場景。該數據集提供了兩套不同評測標準，其中精細（Fine）評測標準提供5000張精細標注的圖像，粗糙（Coarse）評測標準除了提供5000張精細標注的圖像之外，還有20000張粗糙標注的圖像。Cityscapes數據集提供了像素級的標注，并提供了算法評估的接口。Cityscapes數據集中的部分圖像如圖4-4所示。ImageObjectsClass圖4-4Cityscapes數據集Figure4-4Cityscapesdatasets4.3.2圖像采集與標注深度學習任務通常都是有監(jiān)督的學習，語義分割任務也是如此。在訓練語義分割網絡時，網絡的輸入是一張彩色的RGB圖像和一張單通道的灰度圖。這張單通道的灰度圖即是輸入RGB圖像的標簽，標簽圖像與RGB圖像具有相同的分辨率，標簽圖像上的每一個像素表示與之對應的RGB圖像上每一個像素所屬的類別。在制作語義分割任務的標簽時，需要對RGB圖像中的不同區(qū)域打上標簽，比如將圖像中的道路區(qū)域打上標簽1，行人區(qū)域打上標簽2，剩下的區(qū)域都當成背景，打上標簽0。由于輸入圖像中的道路區(qū)域并沒有明顯的邊界，本文在給道路區(qū)域打標簽時，一個原則是小車可以行駛的區(qū)域即是道路區(qū)域。

【參考文獻】：
期刊論文
[1]無人駕駛汽車發(fā)展現狀及發(fā)展趨勢[J]. 劉作峰,張金友.  河北農機. 2020(01)
[2]中國汽車產業(yè)智能化升級發(fā)展研究[J]. 王小明.  改革. 2019(12)
[3]淺談城市環(huán)境下無人駕駛汽車的發(fā)展與挑戰(zhàn)[J]. 王楠,李麗麗,陳鵬東,王源紹.  內燃機與配件. 2018(17)
[4]地面無人作戰(zhàn)平臺“作戰(zhàn)機器人”國內外研究現狀[J]. 李玉璽,李正宇,徐宏斌,侯林海.  兵器裝備工程學報. 2017(12)
[5]山河智能“龍馬一號”驚艷亮相世界機器人大會[J].   工程機械. 2017(10)
[6]無人駕駛技術的應用[J]. 張津平.  信息系統(tǒng)工程. 2017(04)
[7]考慮土壤剪切變形的鉸接式履帶車輛轉向性能[J]. 董超,成凱,胡文強,歐陽波,武斌.  吉林大學學報(工學版). 2016(06)
[8]智能汽車前景可期——訪中國工程院院士李德毅[J]. 王玲,張琨.  高科技與產業(yè)化. 2013(10)
[9]眼睛——人體的“偵察兵”[J]. 張光輝.  小學科技. 2012(11)
[10]美國“蜘蛛”和“壓路機”輪式無人地面戰(zhàn)斗車輛[J]. 安向京,費曉曦.  汽車運用. 2011(12)

博士論文
[1]城市環(huán)境下無人駕駛車輛決策系統(tǒng)研究[D]. 陳佳佳.中國科學技術大學 2014

碩士論文
[1]自動駕駛背景下的行人檢測技術研究[D]. 呂郅強.哈爾濱理工大學 2018
[2]車道線檢測和語義分割模型在自動駕駛中的應用[D]. 陳必科.南京理工大學 2018
[3]復雜野外環(huán)境下機器人障礙物檢測方法研究[D]. 王盛.浙江大學 2015
[4]基于雷達與相機的無人駕駛智能車障礙物檢測技術研究[D]. 張雙喜.長安大學 2013



本文編號：3497255