隨著自動駕駛研究的深入,業(yè)內(nèi)普遍認(rèn)為實(shí)現(xiàn)L4級別以上的自動駕駛需要專用地圖的支持。高精度地圖是一種可行的解決方案,但其高昂的成本導(dǎo)致推廣進(jìn)度緩慢。針對該問題,本團(tuán)隊(duì)提出了一種輕量化、低成本的自動駕駛系統(tǒng)專用地圖——認(rèn)知地圖。認(rèn)知地圖采用層結(jié)構(gòu)表示,其中車道層是認(rèn)知地圖的基礎(chǔ)。本文的研究工作圍繞面向城市智能汽車的認(rèn)知地圖車道層生成系統(tǒng)展開,主要完成了以下三個工作:（1）認(rèn)知地圖車道層的表達(dá)及生成。i)針對高精度地圖成本高昂的問題,本文根據(jù)人類駕駛車輛的認(rèn)知過程,設(shè)計(jì)了認(rèn)知地圖車道層的表達(dá)方式,以更低成本實(shí)現(xiàn)了同樣的功能。ii)針對人工制圖效率低下的問題,本文設(shè)計(jì)了認(rèn)知地圖車道層路口部分生成方法、認(rèn)知地圖車道層非路口部分生成方法,制圖效率提升70%。（2）融合語義分割和形狀分類的路口識別方法。路口特征是生成認(rèn)知地圖車道層路口部分的重要依據(jù)。針對缺少路口識別方法的問題,本文提出了融合語義分割和形狀分類的路口識別網(wǎng)絡(luò),該網(wǎng)絡(luò)使用了split-transform-merge策略,以更輕量化的結(jié)構(gòu)實(shí)現(xiàn)接近復(fù)雜網(wǎng)絡(luò)的特征表達(dá)效果,并引入了多級跳層結(jié)構(gòu)使網(wǎng)絡(luò)專注于全局特征以提升識別率。（3）基于Lan... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：86 頁

【學(xué)位級別】：碩士

【部分圖文】：

高精度地圖測繪車

電子科技大學(xué)碩士學(xué)位論文6原始RGB圖像灰度圖去除噪點(diǎn)后的灰度圖霍夫空間的點(diǎn)集二值化圖像邊緣特征抑制噪聲點(diǎn)后的點(diǎn)集灰度化高斯核去噪聲Sobel算子提取邊緣特征保留灰度值為255的點(diǎn)霍夫變換極大值抑制路肩、車道線繪制直線圖1-5霍夫檢測算法流程（2）基于深度學(xué)習(xí)的方法基于深度學(xué)習(xí)[17]的方法的復(fù)雜度高于傳統(tǒng)方法、實(shí)時性低于傳統(tǒng)方法，但是具有更強(qiáng)的泛化能力，在使用之前不需要根據(jù)被檢測物體的形狀和個數(shù)進(jìn)行調(diào)參。因此基于深度學(xué)習(xí)的方法一般應(yīng)用于環(huán)境復(fù)雜的場景，如開放的室外場景。2016年He[18]等人提出了雙視角卷積神經(jīng)網(wǎng)絡(luò)(DVCNN)，不同于一般的網(wǎng)絡(luò)，該網(wǎng)絡(luò)同時使用前視圖和俯視圖。利用前視圖，可以將移動的汽車、護(hù)欄和路邊等排除在外，而通過俯視圖，非路邊形狀的結(jié)構(gòu)將會被去除，如箭頭和地面標(biāo)語。該網(wǎng)絡(luò)的結(jié)構(gòu)如圖1-6所示。實(shí)驗(yàn)結(jié)果表明該網(wǎng)絡(luò)的精確度和召回率均高于普通CNN網(wǎng)絡(luò)，但是處理一張圖像的時間長達(dá)11s，不具備實(shí)時性。圖1-6DVCNN結(jié)構(gòu)圖

第一章緒論72018年Song[19]等人利用傳統(tǒng)計(jì)算機(jī)視覺的方法進(jìn)行車道線特征提取，然后使用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetworks)[20]對提取出的特征進(jìn)行分類，判別特征是否為車道線的特征，以及車道線的類別。該網(wǎng)絡(luò)由四層卷積層(convolutionlayer)，兩層池化層(poolinglayer)，兩層全連接層(fullyconnectedlayer)組成，其中卷積層用于提取特征，池化層用于減少訓(xùn)練所需參數(shù)，全連接層用于重組特征。該網(wǎng)絡(luò)的輸入是經(jīng)過傳統(tǒng)視覺方法處理后的圖像，輸出為圖像中的車道線類別，一共可以檢測五種車道線類別，如圖1-7所示，從左至右分別是：1)單實(shí)線；2)雙實(shí)現(xiàn)；3)單虛線；4)左實(shí)線+右虛線；5)左虛線+右實(shí)線。圖1-7五種車道線類別該方法只是局部使用了卷積神經(jīng)網(wǎng)絡(luò)，因此計(jì)算速度快于普通的端到端的神經(jīng)網(wǎng)絡(luò)，但是該算法只能檢測上圖所示的五種類型車道線，而且車道線必須完整、清晰，如果出現(xiàn)局部遮擋或其車道線不清晰則無法正確檢測。1.2.4路口特征識別研究現(xiàn)狀（1）結(jié)構(gòu)化道路的路口特征識別方法結(jié)構(gòu)化道路具有完整清晰的道路標(biāo)志線，道路的背景環(huán)境比較單一，道路的幾何特征也比較明顯，具有標(biāo)準(zhǔn)的路口形狀。因此，針對結(jié)構(gòu)道路的路口特征識別問題，可以簡化為車道線或道路邊界的檢測問題。如圖1-8所示：圖1-8結(jié)構(gòu)化道路的十字路口

【參考文獻(xiàn)】：
期刊論文
[1]深層網(wǎng)絡(luò)中的梯度消失現(xiàn)象[J]. 周祥全,張津.  科技展望. 2017(27)
[2]基于車載系統(tǒng)雙目CCD相機(jī)測距[J]. 張穎江,潘堯,吳聰.  信息安全與技術(shù). 2016(01)
[3]自主移動機(jī)器人三角定位的路標(biāo)優(yōu)化[J]. 張祥德,牛紀(jì)祥,董再勵.  東北大學(xué)學(xué)報(bào). 2004(01)
[4]基于Hough變換的直線跟蹤方法[J]. 陳震,高滿屯,楊聲云.  計(jì)算機(jī)應(yīng)用. 2003(10)

碩士論文
[1]面向認(rèn)知地圖的地標(biāo)識別研究及其應(yīng)用[D]. 許成鳳.電子科技大學(xué) 2019
[2]面向智能汽車的多層次認(rèn)知地圖表達(dá)與生成方法研究[D]. 王楊.電子科技大學(xué) 2019
[3]面向認(rèn)知地圖的智能車定位系統(tǒng)及其應(yīng)用[D]. 駱佩佩.電子科技大學(xué) 2018
[4]基于點(diǎn)線綜合特征的雙目視覺SLAM方法[D]. 謝曉佳.浙江大學(xué) 2017



本文編號：3609237