低速履带式挖掘机自动驾驶端到端决策算法研究
这是一篇关于深度学习,自动驾驶,挖掘机,端到端,决策的论文, 主要内容为随着国家战略的转移和行业需求的上升,智能化、无人化正逐渐成为工程机械行业的主要发展趋势之一。工程机械电动化、线控底盘技术的成熟,为实现智能化控制奠定了技术基础;人工智能、5G技术、物联网、大数据、云计算等高新技术为工程机械开展智能化提供了技术支持。目前智能化、无人化技术研究主要集中于汽车领域,对于工程机械的智能化研究相对较少,工程机械作业环境复杂且工况众多,常作业于矿山、港口、山地等崎岖的非结构化道路,施工困难,人力成本巨大,人身安全有着极大的危险,工程机械领域自身迫切需要开展智能化。本文对工程机械智能化的研究背景及意义进行了系统论述,对智能车和工程机械自动驾驶技术整体国内外研究现状进行了详细阐述,对自动驾驶决策技术研究现状进行了分析。对比了目前自动驾驶主流传感器,针对工程机械自身特点,以履带式挖掘机为例,提出了基于双目图像的多模态决策网络、基于激光雷达点云的决策网络,在数据集上进行对比分析,并开展实车测试,实现了履带式挖掘机特定场景的自动驾驶行走功能。论文基于双目摄像头,以轻量级语义分割模型Bise Net为基础框架,构建语义分割信息提取子网络、RGB图像信息提取子网络,融合图像信息的同时尽量保证网络运行速度,同时嵌入坐标注意力机制优化决策网络性能,保证精度。在开源数据集和真实场景数据集进行测试,搭建的模型在最初的基本模型之上各项指标都有较大的提升,基本满足对于履带式挖掘机左右履带控制信号预测的需求。论文基于激光雷达,搭建自定义激光雷达点云决策网络,并嵌入经典残差连接操作提升网络精度。基于开源数据集和真实场景数据集进行测试,并与基于双目图像的决策网络进行对比。试验结果表明以点云作为输入的端到端决策网络表现尚可,但各项指标均比不上双目图像决策网络。为验证所提网络在工程机械真实场景下的性能,实现履带式挖掘机自动驾驶行走,论文选择所提更优的双目图像决策网络,利用现有试验条件开展了实车测试。选择工程机械典型工况设计试验方案,搭建相关试验平台,并进行必要的数据采集。实车试验证明,本文所提的双目图像决策网络能够在非结构化道路较好的完成履带式挖掘机的自动行走,并进行自主避障,对搭建工程机械智能化系统具有较大的参考价值。
自动驾驶软件的激光雷达模糊测试系统设计与实现
这是一篇关于激光雷达,自动驾驶,模糊测试,点云变异算子的论文, 主要内容为激光雷达是高级别自动驾驶重要的环境感知传感器,能产生在信息表达上比二维数据更有优势的三维点云数据。随着激光雷达传感器在自动驾驶车辆上逐渐普及,激光雷达的安全性和稳定性也受到越来越多的关注。特别是在自动驾驶软件方面,由于激光雷达在目标检测上采用了深度学习技术,输入域空间难以覆盖所有可能场景,在安全性上可能存在漏洞。因此,如何有效对自动驾驶软件的激光雷达模型进行充分测试成为研究的关键点。模糊测试作为被广泛使用的质量保证与漏洞发现技术,主要通过生成大量非预期输入来对目标程序进行测试。在机器学习系统中,模糊测试能大幅提高测试的效率和覆盖率,因此采用模糊测试来提高自动驾驶软件的激光雷达测试充分性是可行的。然而,点云数据的数据特征跟图片和文字相比差异较大,因而需要针对自动驾驶激光雷达点云数据设计新的模糊测试变异算子。本文通过分析自动驾驶激光雷达点云数据的数量、坐标以及强度等特征,同时结合实际场景信息,设计了一系列针对自动驾驶激光雷达点云数据的模糊测试变异算子。随后,基于Spring Boot框架实现了一个针对自动驾驶软件的激光雷达模糊测试系统。通过该模糊测试系统,用户可以上传测试数据集以及待测模型,然后选择变异算子并配置测试任务参数,从而执行测试任务,系统将基于设计的点云特殊变异算子生成扰动测试用例,并对测试模型进行自动化部署及测试,并生成测试报告。另外,该系统还提供点云可视化等功能,具备较强的可用性。本文基于系统的需求分析及概要设计对系统进行功能测试,以保证系统的可用性。紧接着基于点云目标检测网络Point Pillars对本系统进行实证研究,进一步验证本文提出的点云变异算子以及自动驾驶软件的激光雷达模糊测试的有效性。实验结果表明,本文的点云特殊变异算子生成的扰动测试用例是真实有效的,且本文的模糊测试能够揭露自动驾驶激光雷达模型存在的问题。本文开发的模糊测试系统能有效对自动驾驶软件激光雷达进行测试,提高测试的充分性,对于提高自动驾驶软件激光雷达的安全性有一定的积极意义。
自动车物流园区的车辆调度控制方法及其仿真
这是一篇关于自动车物流园区,自动驾驶,路径规划,A*算法,防碰撞启发式算法,Anylogic仿真的论文, 主要内容为2020年,我国物流业经受了前所未有的严峻挑战,取得了来之不易的不俗成绩。公路物流、仓储、快递物流、电商物流等各项指数均处于扩张区间,物流业的强大韧性,为我国经济运行率先由负转正做出了重要贡献。物流园区是在物流作业的过程中重要的基础设施及主要的载体,是物流作业的集中地区,在几种运输方式的衔接地,同时承担这仓储,加工以及运输等重要的物流功能。物流园区信息化和自动化程度不断提高,纯自动化的物流环境也快速发展。在物流园区内不仅是需要对车辆的管理更加的规范,对人,车,货物的实时监控要求也越来越高。车辆的自动化在物流园区自动化的实现过程中作为一个重要的环节,其自动化实现的方式是研究重点。货物运输作为物流园区作业中的重要环节,现在大部分的车辆运输还是人工控制,运输效率低下,运输成本高。所以建立一个全自动驾驶的物流园区是提高运输效率和降低运输成本的发展方向。在全自动驾驶环境下,为使整体交通系统达到最优,首先需要基于自动驾驶技术的强大驾驶行为执行能力;其次自动车的调度方法是自动化物流园区的的关键。在实现物流园区运输车辆的自动化环境的过程中,是新背景下对自动车运输轨迹计算的理论与方法等的和结合与创新;也是实现对自动车运输轨迹的冲突协调,提高自动车环境下物流运输的效率。本文在自动车的轨迹运行上选择A*算法进行路径的规划以及冲突分析。A*算法在处理有障碍物前提下的智能寻路方面有高效便捷的优点,在进行路径的搜索时可以指定相应的启发式函数来进行路径的搜索。用这种算法可以减少搜索的节点,从而可以提高路径搜索的效率,在保证路径最优的同时,大大降低了搜索量,提高了效率。在基于A*算法的路径规划问题的基础上引入防碰撞式启发式算法,当多个自动车同时进行运输时,在节点处能够进行下一个节点是否被其他车辆进行占用的信息收集,从而实现在最短路径下的路径规划,同时也防止了自动车在行驶过程中发生碰撞问题。本文用Anylogic软件对此模型进行了仿真,验证了其可行性。本文在自动车路径规划问题上取得一定的成果,不单是单个车的最短路径规划,同时也在多个自动车行驶过程中如何避免发生碰撞的问题上进行了研究,这有利于路径问题的优化,也在自动车的路径规划问题上提高了运输的效率。
基于激光雷达与相机融合的3D车道线检测方法研究
这是一篇关于自动驾驶,车道线检测,激光雷达,计算机视觉,3D车道线的论文, 主要内容为随着传感器技术与自动驾驶产业的发展,基于多源传感器融合的环境感知技术得到迅速发展。车道线检测作为自动驾驶环境感知系统中的重要一环,对车辆的安全具有重大的作用,特别是在结构化道路中只有正确检测出车道线,才能准确获取道路的可行驶区域并确定车辆与车道线之间的关系,进而为后续决策规划任务提供良好的基础,保证车辆的正常行驶。但是目前车道线检测方法大多基于单一传感器,这种方法受传感器本身特性的影响较大,而基于传感器融合的检测方法研究相对较少且存在精度不高、计算量大等问题。同时,现有的车道线检测方法主要关注车道线的2D检测结果,缺失道路坡度等三维信息,而3D车道线不仅具有精准的三维车道坐标,为车辆提供坡度或颠簸程度等复杂路面信息,还能为地图和定位模块提供更加丰富的路面信息,促进高级自动驾驶的发展。为此,本文以3D车道线检测问题为研究对象,提出了一种基于激光雷达和相机融合的3D车道线检测方法。本文的主要工作如下:首先,可靠的传感器标定参数是实现多传感器精确融合的必要条件,为获取精确的多传感器联合标定参数,构建了激光雷达与相机联合标定框架及模型。通过对多传感器联合标定理论和标定参数进行分析,确定了本文所需要实现的联合标定功能和需要获取的标定参数;通过硬同步和软同步相结合的方法,实现了多传感器时间同步;基于激光雷达和相机的安装位置和二者数据间的特征匹配关联关系,实现了多传感器空间初始外参标定和精准标定。最终通过实验分析,验证了本文所构建的联合标定框架及模型可以获得精确的标定参数,能够保证激光雷达和相机数据实现精准融合。其次,基于联合标定结果,构建了基于图像的车道线分割及候选点云提取方法。前者将车道线检测问题简化为语义分割问题,搭建了基于Bise Net-v2的车道线分割网络;针对现有语义分割数据集中缺少车道标签问题,通过像素插值的方法将现有车道线检测数据集转换为分割数据集,并利用处理后的数据集对车道线分割网络进行了训练。后者利用联合标定结果对激光雷达点云进行了投影变换,并通过提取投影图与车道线分割参考结果图之间的关联关系获得了车道线候选点云。然后,结合基于图像提取的候选点云信息,构建了基于多特征梯度的点云提取方法和3D车道线融合检测方法。针对现有基于激光雷达的车道线检测方法精度低、误检多的问题,构建了基于点云高度和反射强度多梯度特征的车道线点云提取方法,在原始点云中提取出了车道线二次候选点云;针对点云分布特征不一致,噪声点多的问题,构建了点云插值和滤波方法,分别对融合后的候选点云进行了滤波、插值和聚类,提取出了每一条车道线所对应的3D点云簇;针对3D车道线分段及拟合效果差的问题,构建了基于多线段的3D车道线拟合方法,利用差分进化和贝叶斯优化问题实现了对车道线点云的自适应分段,并利用分段结果实现了车道线拟合,获得了精准的3D车道线几何信息。最后,在自动驾驶数据集上对本文所提检测方法的可行性和准确性进行了验证。针对不同场景下的数据进行了多组实验,实验结果表明,本文提出的基于激光雷达与相机融合的3D车道线检测方法能够精确地对3D车道线信息进行有效识别与提取,整个车道线检测框架及系统具有较高的应用价值。
面向自动驾驶的语义分割与目标检测多任务模型研究
这是一篇关于自动驾驶,深度学习,语义分割,目标检测,多任务模型的论文, 主要内容为随着人工智能和汽车行业的蓬勃发展,自动驾驶技术成为新的研究热点之一,其中最重要的视觉分割与检测功能具有极高的研究价值。本文基于深度学习方法,提出语义分割模型解决可行驶区域和车道线识别问题,改进目标检测算法解决障碍物检测任务。在改进后的单任务基础上,构建视觉分割与检测多任务模型进一步提高效率。具体研究内容概括如下:首先,本文在高分辨率网络HRNet基础上提出轻量化语义分割算法Bi HRNet,用于解决分割场景中的遮挡问题。提出双分支连通结构对原网络精简,并在基础模块中加入坐标注意力机制提高对结构化连续区域的预测,同时设计跨分辨率融合模块增强高低分辨率特征的融合。在Cityscapes数据集上m Io U指标达到75.3%,参数量仅为2.67M,同时保证一定的推理速度。其次,本文在无锚框算法Center Net上提出解决小目标识别问题的检测模型ICNet。设计轻量特征融合网络,在浅层语义输入后加入空间金字塔池化模块增强对小目标的预测能力。在回归分支中使用自适应尺寸的高斯核进行正样本生成,有效提升了训练速度。KITTI数据集上的结果表明ICNet较于原网络提高了12.2%的小目标精度,同时在1.8小时内可以完成训练,节约了时间和资源成本。最后,本文联合语义分割与目标检测单任务的改进构建多任务网络MHRNet。在解码器中提出上下文蒸馏模块,将其他任务的中间特征作为对当前任务的辅助,均衡并提高每个任务的精度。在BDD100K数据集上检测m AP为75.9%,可行驶区域m Io U为89.2%,车道线Io U为28.8%,证明多任务模型具有良好的性能和应用潜力。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码客栈 ，原文地址：https://m.bishedaima.com/lunwen/48617.html
