本文關(guān)鍵詞：無人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究

  更多相關(guān)文章： 環(huán)境感知系統(tǒng) 傳感器系統(tǒng)標(biāo)定 車道線檢測 障礙物檢測 道路邊界檢測 逆透視變換 B樣條模型

【摘要】：無人駕駛技術(shù)是當(dāng)今前沿科學(xué)技術(shù)的重要發(fā)展項目,它對于社會和經(jīng)濟(jì)發(fā)展、國防建設(shè)以及科技發(fā)展等多個方面都具有重大的影響力。無人駕駛技術(shù)涉及認(rèn)知科學(xué)、傳感器技術(shù)、計算機技術(shù)、人工智能及車輛工程等交叉學(xué)科內(nèi)容,既包含基礎(chǔ)理論方法的研究與關(guān)鍵技術(shù)的突破,也涉及到大量的工程設(shè)計與實現(xiàn)問題。在無人駕駛技術(shù)組成單元中,環(huán)境感知系統(tǒng)是至關(guān)重要的一環(huán),是無人車安全性和智能性的保障。其中,道路信息的檢測是環(huán)境感知系統(tǒng)的核心問題,基于道路信息檢測的車道線檢測技術(shù)、障礙物檢測技術(shù)以及道路邊界檢測技術(shù)屬于無人車感知系統(tǒng)的關(guān)鍵技術(shù),是無人車能夠自主安全駕駛的必要前提條件,一直也是研究的重點和難點。本文的研究針對無人車環(huán)境感知系統(tǒng)幾個關(guān)鍵技術(shù)展開,內(nèi)容包括傳感器系統(tǒng)標(biāo)定、車道線檢測、障礙物檢測以及道路邊界檢測幾個方面,并研究了在實際工程設(shè)計與實現(xiàn)中一些具體的技術(shù)手段。本文具體的研究內(nèi)容及創(chuàng)新之處包括以下幾個方面：1)對無人車的國內(nèi)外發(fā)展現(xiàn)狀進(jìn)行了調(diào)研,分析比較了國外無人車環(huán)境感知系統(tǒng)技術(shù)的實現(xiàn)方法,提出了環(huán)境感知系統(tǒng)面臨的關(guān)鍵問題。并在此基礎(chǔ)上,提出了“智能先鋒”系列無人車環(huán)境感知系統(tǒng)的設(shè)計思路和本文的研究內(nèi)容。2)研究了激光傳感器和視覺傳感器的標(biāo)定方法,設(shè)計并實現(xiàn)了激光傳感器及視覺傳感器的自標(biāo)定和聯(lián)合標(biāo)定方法。通過設(shè)計可視化操作界面來獲取特征點的位置,降低了激光傳感器和視覺傳感器數(shù)據(jù)的特征獲取及匹配難度,提高了標(biāo)定效率及準(zhǔn)確性,為后續(xù)算法處理提供了條件。3)針對單幅圖像信息量少,抗干擾能力差的問題,提出了一種基于逆透視變換時空域匹配融合的車道線檢測與跟蹤算法。算法結(jié)合慣導(dǎo)傳感器信息,利用相機逆透視變換算法及SAC-IA算法,實現(xiàn)車道線特征的時空域匹配融合。相比較傳統(tǒng)車道線檢測算法,獲得了更大范圍且數(shù)據(jù)量更豐富的車道線特征數(shù)據(jù),并采用基于密度特征的線性聚類算法,實現(xiàn)對車道線的特征數(shù)據(jù)聚類及濾除干擾;引入預(yù)測-跟蹤模型進(jìn)一步提高了檢測的準(zhǔn)確性。通過實驗效果及數(shù)據(jù)統(tǒng)計分析表明,算法增強了車道線檢測的抗干擾能力,準(zhǔn)確性和魯棒性高。4)針對無人車系統(tǒng)要求障礙物檢測可靠性及穩(wěn)定性高的問題,提出一種基于四維空間濾波的三維激光雷達(dá)障礙物檢測算法。算法采用空間鄰域分析的方法對三維激光雷達(dá)數(shù)據(jù)進(jìn)行處理來檢測障礙物,避免了傳統(tǒng)基于柵格地圖最大最小高度差障礙物檢測方法因欠分割而導(dǎo)致的漏檢問題。算法還改變了傳統(tǒng)障礙物檢測方法只在三維空間進(jìn)行處理的情況,轉(zhuǎn)化到有時間域的四維空間來進(jìn)行濾波處理,可有效降低因無人車顛簸等造成的“虛警”問題,提高了檢測的穩(wěn)定性。實驗效果及數(shù)據(jù)統(tǒng)計表明,算法對道路環(huán)境中各種常見的不同類型障礙物檢測性能都表現(xiàn)良好,可靠性及穩(wěn)定性高。5)針對復(fù)雜道路環(huán)境下的路面提取問題,提出一種基于B樣條模型的三維激光雷達(dá)道路邊界實時檢測算法。算法采用基于三維激光鄰域曲率梯度分割的方法提取道路邊界特征,可以實現(xiàn)道路邊界非常不明顯情形下的特征點提取：利用自適應(yīng)圓形搜索算法獲取候選道路邊界數(shù)據(jù),并利用FCM算法實現(xiàn)道路邊界特征點聚類,濾除干擾：算法還引入道路模型知識,利用B樣條模型擬合出道路邊界,提高了對干擾及不連續(xù)等外界影響的魯棒性。算法克服了以往算法對道路邊界形狀和高度要求比較高的問題,且能適應(yīng)多種道路環(huán)境。實驗及數(shù)據(jù)統(tǒng)計分析結(jié)果也反映了算法穩(wěn)定可靠,滿足無人車在復(fù)雜道路場景里環(huán)境建模及路徑規(guī)劃的需要。
【學(xué)位授予單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2016
【分類號】：TP391.41

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 田炳香;鄭榜貴;吳晴;;高速公路車道線檢測與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2008年09期

2 葉慶;趙明輝;李菲;孫曉泉;;夜間車道線檢測與跟蹤算法研究[J];現(xiàn)代電子技術(shù);2009年13期

3 余厚云;張為公;;直線模型下的車道線跟蹤與車道偏離檢測[J];自動化儀表;2009年11期

4 余厚云;張為公;;基于動態(tài)感興趣區(qū)域的車道線識別與跟蹤[J];工業(yè)儀表與自動化裝置;2009年05期

5 劉富強;張姍姍;朱文紅;李志鵬;;一種基于視覺的車道線檢測與跟蹤算法[J];同濟(jì)大學(xué)學(xué)報(自然科學(xué)版);2010年02期

6 胡慶新;吳林成;顧愛華;;高速公路中搜索車道線的方法[J];微計算機信息;2010年22期

7 高德芝;段建民;楊磊;楊喜寧;;應(yīng)用多階動態(tài)規(guī)劃的車道線識別方法[J];機械工程學(xué)報;2011年08期

8 楊晶東;楊敬輝;樸松昊;;一種有效的車道線識別與偏道預(yù)警方法[J];控制工程;2011年02期

9 徐后杰;李會方;繆國鋒;;基于單目視覺的車道線分離警告算法研究[J];微處理機;2011年03期

10 錢鷹;劉仕照;;分段切換車道模型在車道線識別中的應(yīng)用[J];計算機應(yīng)用;2011年S2期

中國重要會議論文全文數(shù)據(jù)庫 前8條

1 畢雁冰;;提高車道線識別精度的一種方法[A];第三屆中國CAE工程分析技術(shù)年會論文集[C];2007年

2 楊廣林;苗冬霜;;結(jié)構(gòu)化道路車道線檢測與跟蹤算法[A];2005年全國理論計算機科學(xué)學(xué)術(shù)年會論文集[C];2005年

3 劉曉龍;鄧志東;;基于全局與局部模型相互制約及具有模型不確定性評估的車道線檢測方法[A];2013年中國智能自動化學(xué)術(shù)會議論文集（第三分冊）[C];2013年

4 張潔穎;王生進(jìn);丁曉青;;基于車輛軌跡的車道線檢測與劃分[A];圖像圖形技術(shù)與應(yīng)用進(jìn)展——第三屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會議論文集[C];2008年

5 余貴珍;李芹;王迪;;車輛智能化車道線跟蹤方法研究[A];第八屆中國智能交通年會優(yōu)秀論文集——智能交通與安全[C];2013年

6 李鋼;圣華;張仁斌;;基于LMedSquare選取最佳子集的車道線檢測算法[A];2009全國虛擬儀器大會論文集（二）[C];2009年

7 劉天輝;李飛;;車輛視覺導(dǎo)航中道路檢測算法研究[A];第十一屆沈陽科學(xué)學(xué)術(shù)年會暨中國汽車產(chǎn)業(yè)集聚區(qū)發(fā)展與合作論壇論文集（信息科學(xué)與工程技術(shù)分冊）[C];2014年

8 孫曉軍;李華;;基于Facet模型的一種車道線提取方法[A];第八屆中國智能交通年會論文集[C];2013年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前5條

1 杜明芳;基于視覺的自主車道路環(huán)境理解技術(shù)研究[D];北京理工大學(xué);2015年

2 王俊;無人駕駛車輛環(huán)境感知系統(tǒng)關(guān)鍵技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2016年

3 陳軍;基于DSP的高速公路車道偏離報警系統(tǒng)研究[D];天津大學(xué);2010年

4 沈\，

本文編號：1266907