發(fā)布時(shí)間：2021-11-15 18:06

　　目前,城市道路環(huán)境下無(wú)人駕駛汽車(chē)技術(shù)得到較多地關(guān)注且取得很多卓越成果,但野外道路環(huán)境下無(wú)人駕駛技術(shù)則仍存在較多挑戰(zhàn)。如何在復(fù)雜多變的野外道路環(huán)境下實(shí)現(xiàn)對(duì)車(chē)輛周?chē)h(huán)境的高效準(zhǔn)確感知是實(shí)現(xiàn)野外無(wú)人駕駛的關(guān)鍵技術(shù)之一。本文重點(diǎn)研究利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)野外道路環(huán)境中無(wú)人移動(dòng)平臺(tái)的自主感知。本文的研究工作主要分為三個(gè)部分:基于分類(lèi)網(wǎng)絡(luò)的野外道路環(huán)境感知技術(shù)、基于語(yǔ)義分割網(wǎng)絡(luò)的野外道路環(huán)境感知技術(shù)以及基于卷積神經(jīng)網(wǎng)絡(luò)的整車(chē)實(shí)驗(yàn)。主要完成的內(nèi)容有:本文將無(wú)行人的野外道路環(huán)境感知簡(jiǎn)化為一個(gè)分類(lèi)問(wèn)題,使用一個(gè)分類(lèi)網(wǎng)絡(luò)對(duì)無(wú)行人的野外道路環(huán)境進(jìn)行粗糙地感知。本文改進(jìn)了ShuffleNetV2網(wǎng)絡(luò)中的骨干網(wǎng)絡(luò),提出一種FSNet輕量化的分類(lèi)網(wǎng)絡(luò)。FSNet網(wǎng)絡(luò)的準(zhǔn)確率為97.28%,單張圖像的處理時(shí)間為5.94ms,比ShuffleNetV2網(wǎng)絡(luò)提升了49.5%。有行人的野外道路環(huán)境感知任務(wù)相對(duì)復(fù)雜,本文使用語(yǔ)義分割網(wǎng)絡(luò)對(duì)無(wú)人移動(dòng)平臺(tái)前方道路環(huán)境進(jìn)行像素級(jí)的分割。語(yǔ)義分割網(wǎng)絡(luò)在野外道路環(huán)境感知任務(wù)中泛化性差且易存在誤識(shí)別的問(wèn)題,本文提出的DGNet語(yǔ)義分割網(wǎng)絡(luò)可以很好地解決這些問(wèn)題。DGNet網(wǎng)絡(luò)是在Deep... 

【文章來(lái)源】：中國(guó)礦業(yè)大學(xué)江蘇省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：85 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

AlexNet卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

3基于分類(lèi)網(wǎng)絡(luò)的野外道路感知技術(shù)25外道路環(huán)境的數(shù)據(jù)集，與本文需要處理的野外道路場(chǎng)景很接近。因此，本文選擇IDSIA數(shù)據(jù)集做預(yù)訓(xùn)練數(shù)據(jù)集。3.3.2圖像采集與標(biāo)注雖然有一些公開(kāi)的數(shù)據(jù)集可以使用，但是在測(cè)試的野外道路場(chǎng)地上采集圖像數(shù)據(jù)并制作數(shù)據(jù)集是十分必要的。數(shù)據(jù)圖像采集的方式如圖3-5所示，將三臺(tái)順華利相機(jī)（200萬(wàn)像素，30幀）固定在一塊水平的鋁合金板上，采集同一時(shí)間三個(gè)不同視角的視頻數(shù)據(jù)，1臺(tái)相機(jī)朝著道路的中心線(xiàn)，1臺(tái)相機(jī)朝著左邊30度，1臺(tái)相機(jī)朝著右邊30度，采集的視頻數(shù)據(jù)保存到一臺(tái)華碩筆記本電腦里。圖3-5數(shù)據(jù)采集方法Figure3-5Dataacquisitionmethod為了使采集的視頻數(shù)據(jù)更接近真實(shí)的道路環(huán)境分布，在不同的天氣（晴天和陰天）的不同時(shí)間段（上午8時(shí)，11時(shí)，下午的3時(shí)）采集野外道路場(chǎng)景的視頻數(shù)據(jù)共計(jì)100小時(shí)。在采集的視頻數(shù)據(jù)中，只包含道路的視頻數(shù)據(jù)每100幀提取1幀圖像，包含行人的視頻數(shù)據(jù)每30幀提取1鄭同時(shí)，將提取的圖像中一些模糊的、視角水平傾斜嚴(yán)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(lèi)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(lèi)數(shù)據(jù)集數(shù)據(jù)分布如圖3-6所示，共包含圖像44871張，其中訓(xùn)練集40368張，測(cè)試集4503張，訓(xùn)練集與測(cè)試集樣本的比例接近9:1。各個(gè)類(lèi)間樣本數(shù)量比較均衡，以訓(xùn)練集為例，前三個(gè)類(lèi)的樣本數(shù)量在10000個(gè)左右，行人類(lèi)的樣本數(shù)量略少，有8451個(gè)樣本，但也與前三個(gè)類(lèi)的樣本數(shù)量十分接近。自采分類(lèi)數(shù)據(jù)集中圖像的分辨率為480×640。

工程碩士專(zhuān)業(yè)學(xué)位論文38個(gè)類(lèi)，超過(guò)33萬(wàn)張圖片，有標(biāo)注的圖片有20萬(wàn)張。COCO數(shù)據(jù)集中的部分圖像如圖4-3所示。圖4-3COCO數(shù)據(jù)集Figure4-3COCOdatasets（2）Cityscapes數(shù)據(jù)集Cityscapes數(shù)據(jù)集是面向城市道路的大規(guī)模數(shù)據(jù)集，包含了50個(gè)不同城市的街道場(chǎng)景。該數(shù)據(jù)集提供了兩套不同評(píng)測(cè)標(biāo)準(zhǔn)，其中精細(xì)（Fine）評(píng)測(cè)標(biāo)準(zhǔn)提供5000張精細(xì)標(biāo)注的圖像，粗糙（Coarse）評(píng)測(cè)標(biāo)準(zhǔn)除了提供5000張精細(xì)標(biāo)注的圖像之外，還有20000張粗糙標(biāo)注的圖像。Cityscapes數(shù)據(jù)集提供了像素級(jí)的標(biāo)注，并提供了算法評(píng)估的接口。Cityscapes數(shù)據(jù)集中的部分圖像如圖4-4所示。ImageObjectsClass圖4-4Cityscapes數(shù)據(jù)集Figure4-4Cityscapesdatasets4.3.2圖像采集與標(biāo)注深度學(xué)習(xí)任務(wù)通常都是有監(jiān)督的學(xué)習(xí)，語(yǔ)義分割任務(wù)也是如此。在訓(xùn)練語(yǔ)義分割網(wǎng)絡(luò)時(shí)，網(wǎng)絡(luò)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(biāo)簽，標(biāo)簽圖像與RGB圖像具有相同的分辨率，標(biāo)簽圖像上的每一個(gè)像素表示與之對(duì)應(yīng)的RGB圖像上每一個(gè)像素所屬的類(lèi)別。在制作語(yǔ)義分割任務(wù)的標(biāo)簽時(shí)，需要對(duì)RGB圖像中的不同區(qū)域打上標(biāo)簽，比如將圖像中的道路區(qū)域打上標(biāo)簽1，行人區(qū)域打上標(biāo)簽2，剩下的區(qū)域都當(dāng)成背景，打上標(biāo)簽0。由于輸入圖像中的道路區(qū)域并沒(méi)有明顯的邊界，本文在給道路區(qū)域打標(biāo)簽時(shí)，一個(gè)原則是小車(chē)可以行駛的區(qū)域即是道路區(qū)域。

【參考文獻(xiàn)】：
期刊論文
[1]無(wú)人駕駛汽車(chē)發(fā)展現(xiàn)狀及發(fā)展趨勢(shì)[J]. 劉作峰,張金友.  河北農(nóng)機(jī). 2020(01)
[2]中國(guó)汽車(chē)產(chǎn)業(yè)智能化升級(jí)發(fā)展研究[J]. 王小明.  改革. 2019(12)
[3]淺談城市環(huán)境下無(wú)人駕駛汽車(chē)的發(fā)展與挑戰(zhàn)[J]. 王楠,李麗麗,陳鵬東,王源紹.  內(nèi)燃機(jī)與配件. 2018(17)
[4]地面無(wú)人作戰(zhàn)平臺(tái)“作戰(zhàn)機(jī)器人”國(guó)內(nèi)外研究現(xiàn)狀[J]. 李玉璽,李正宇,徐宏斌,侯林海.  兵器裝備工程學(xué)報(bào). 2017(12)
[5]山河智能“龍馬一號(hào)”驚艷亮相世界機(jī)器人大會(huì)[J].   工程機(jī)械. 2017(10)
[6]無(wú)人駕駛技術(shù)的應(yīng)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(chē)輛轉(zhuǎn)向性能[J]. 董超,成凱,胡文強(qiáng),歐陽(yáng)波,武斌.  吉林大學(xué)學(xué)報(bào)(工學(xué)版). 2016(06)
[8]智能汽車(chē)前景可期——訪(fǎng)中國(guó)工程院院士李德毅[J]. 王玲,張琨.  高科技與產(chǎn)業(yè)化. 2013(10)
[9]眼睛——人體的“偵察兵”[J]. 張光輝.  小學(xué)科技. 2012(11)
[10]美國(guó)“蜘蛛”和“壓路機(jī)”輪式無(wú)人地面戰(zhàn)斗車(chē)輛[J]. 安向京,費(fèi)曉曦.  汽車(chē)運(yùn)用. 2011(12)

博士論文
[1]城市環(huán)境下無(wú)人駕駛車(chē)輛決策系統(tǒng)研究[D]. 陳佳佳.中國(guó)科學(xué)技術(shù)大學(xué) 2014

碩士論文
[1]自動(dòng)駕駛背景下的行人檢測(cè)技術(shù)研究[D]. 呂郅強(qiáng).哈爾濱理工大學(xué) 2018
[2]車(chē)道線(xiàn)檢測(cè)和語(yǔ)義分割模型在自動(dòng)駕駛中的應(yīng)用[D]. 陳必科.南京理工大學(xué) 2018
[3]復(fù)雜野外環(huán)境下機(jī)器人障礙物檢測(cè)方法研究[D]. 王盛.浙江大學(xué) 2015
[4]基于雷達(dá)與相機(jī)的無(wú)人駕駛智能車(chē)障礙物檢測(cè)技術(shù)研究[D]. 張雙喜.長(zhǎng)安大學(xué) 2013



本文編號(hào)：3497255