无人车路径实时优化算法研究
这是一篇关于路径规划,无人驾驶,实时性,模型预测控制的论文, 主要内容为无人驾驶汽车不仅改变了人们的出行方式,还大幅地改善了道路交通的通行效率,是目前人们研究的热点之一。路径规划是无人驾驶技术中的重要环节,它的实时性直接影响无人驾驶的安全性。因此,本文针对在资源有限的情况下求取满足实时性要求的无碰撞路径进行了以下研究和分析:(1)无人驾驶汽车研究现状。本章结合国内外现状概括无人驾驶技术的发展,阐述路径规划实时研究现状,根据优化算法和软硬件本身出发,总结了提高算法实时性的路径规划方法。(2)基于避障函数的无人车路径优化方法。本章首先建立了车辆预测模型并进行验证,同时设计相应的避障函数和路径规划的目标函数。通过Simulink/Car Sim联合仿真,验证所设计的路径规划算法的有效性。(3)基于车辆模型与边界约束简化的MPC路径实时优化。针对路径规划算法存在的实时性问题进行研究,考虑车辆外形及复杂约束对实时性的影响。在低速环境下选择满足精度和实时性的运动学模型,并且利用三个相交圆来简化表示车辆外形。为了解决复杂约束带来的计算负担,采用边界约束简化方法,通过约束筛选算法可以得到满足要求的两个线性约束,从而降低约束的复杂度。利用该思路,通过MATLAB环境对含有静态和动态障碍物场景进行了仿真验证。(4)基于凸可行集迭代的MPC实时路径规划。为了解决障碍物引起的非凸约束优化求解困难,同时解决筛选约束耗时问题,引入凸可行集算法。将非凸区域根据已有的车辆位置和障碍物及区域边界,求取凸可行域并在该区域内进行求解,得到车辆新的位置后,再以新的位置点进行凸可行域的求取,重复该过程,直至搜索完整个可行区域。通过联合仿真对该算法进行验证,结果表明,所设计的算法能够规划出满足实时性的无碰撞路径。(5)无人车实验平台开发。为了验证算法在实车上的效果,在具备线控系统的车辆上搭建无人车硬件平台,并且开发基于机器人系统的软件平台,同时为了使验证平台成为闭环系统,还引用了感知、定位和控制的算法功能包,最后移植到Xavier的平台,根据跟踪算法验证实验平台的可行性。(6)基于ACADO自动代码生成的路径实时优化算法试验。为了能够保证在模型预测控制中,快速求解优化问题,并且保证实车实验中算法的实时性,本章引入ACADO框架,在ACADO框架下设计MPC规划器,同时自动生成C++代码,便于实车实验时被调用。最后,通过MATLAB仿真和实车实验验证了该算法的有效性和实时性。本文对结构化道路下路径实时优化算法进行研究,提出基于MPC的路径规划方法,建立并验证了车辆预测模型。同时,为了提高算法的实时性,引入边界简化约束、凸可行集方法,并使用自动代码生成包解决硬件试验中的MPC代码编写。实验结果表明,本文设计的规划算法能够实现避障功能,并且满足实时性的要求。
无人驾驶分布式电驱动实验车设计与程序开发
这是一篇关于分布式驱动,无人驾驶,快速原型开发,线控实验车,电动汽车的论文, 主要内容为随着新能源汽车尤其是纯电动汽车的快速发展,出现了许多新兴的造车公司和技术研发型初创公司,他们和广大的高校科研机构一样,将研发焦点放在纯电动汽车和无人驾驶汽车技术上,新能源汽车尤其是纯电动汽车和无人驾驶汽车是未来汽车工业的一个重要发展方向。本课题针对电动汽车和汽车无人驾驶技术开发了一种分布式驱动电动实验车,该车能够实现驱动、制动、转向和悬架系统的线控化,是研究电动汽车和无人驾驶技术的良好载体,能够快速、方便的进行无人驾驶算法的开发与实车验证。本文主要依托于国家自然科学基金项目(51675257)和辽宁省重点研发计划指导计划项目(2017106020)。论文研究的主要包括以下几方面内容:(1)实验车设计。对实验车的各个系统包括车架系统、悬架、转向、驱动、制动集成化模块进行设计,并完成实车装配。对整车的电器部件进行合理的选型,对整车线束进行设计和布置。完成整车通信原理设计,并实现传感器和整车控制器的通信、整车控制器和执行器的通信以及上层感知系统与底层整车控制器的通信。选择无人驾驶相关传感器(激光雷达、摄像头、GPS),并实现传感器与上层PC的通信。(2)完成底层整车控制程序的开发。对整车控制程序的原理进行规划设计,并详细设计了特殊转向模式控制程序、分布式驱动控制程序对转向系统和驱动系统进行集成控制。设计了液压控制单元的控制程序,实现实验车的制动系统线控化。设计了底层系统的无人驾驶接口程序,使底层系统能够接收上层无人驾驶系统的控制指令,并对执行器进行相应的控制。(3)对无人驾驶系统进行设计开发。对无人驾驶系统硬件(激光雷达、摄像头、卫星定位GPS)进行安装与标定,并利用Rtmaps软件开发无人系统程序,实现环境感知传感器与无人系统的通信。完成了数据记录程序和数据回放程序的开发,为后续的无人驾驶技术开发人员提供方便快捷的开发验证平台。(4)对实车进行实验验证。在完成整车开发之后,对实验车进行了实车验证,包括功能性验证实验和性能验证实验,结果表明,实验车能够实现各种特殊行驶模式,同时,实验车能够满足无人驾驶要求的线控要求。实验车的开发,能够为开发人员提供一个良好的开发、测试、验证平台,有助于提高新技术的开发速度,是一种新形式的实验平台。
基于深度学习的车辆角度检测技术及其应用
这是一篇关于回归CNN,无人驾驶,深度学习,车辆角度检测,车牌倾斜角检测,方位角检测的论文, 主要内容为在无人驾驶领域,车辆角度的实时检测对于维护交通安全起着至关重要的作用。而车辆角度检测是检测车辆偏转角度,车牌倾斜角度和前车方位角度的一个关键要素。传统的角度检测方法应用的技术多是传感器技术和图像边缘检测技术,这类方法不但需要较高的技术投入和硬件支持,而且检测精度和实时性较差。近年来,深度学习方法已经在无人驾驶领域得到了广泛的应用。为此,本文提出了一种基于深度学习的车辆角度检测方法,并研究了其在无人驾驶领域中的应用。(1)针对无人驾驶路径规划和智能泊车领域难以通过实时检测车辆的偏转角度指导车辆正确行驶的问题,提出了一种基于回归CNN(regression Convolutional Neural Network,regression CNN)的车辆偏转角度检测方法;(2)针对无人驾驶场景中,当车牌倾斜时,不易于识别车牌信息的问题,提出了一种车牌倾斜角度检测方法,并建立了基于PVA-NET、回归CNN、Caffe Net的倾斜车牌定位、分类、矫正和识别的综合检测系统;(3)针对无人驾驶车辆行驶过程中难以实时掌握前车方位的问题,提出了一种基于深度学习的前车方位角度检测方法,并通过联合Faster R-CNN和回归CNN提出了用于检测前车位置、方位角和距离的综合检测系统。主要研究内容如下:(1)研究了基于深度学习的车辆偏转角度检测方法。首先,分析了回归CNN在检测车辆偏转角时面临的两大问题。问题一:周期角度转换为线性角度时导致的异常检测误差;问题二:训练样本标签值很小时检测误差大。然后,为了解决这两大问题,本文详细设计了MCR-CNN(Multi-Collaborative Regression CNN,MCR-CNN)及其网络结构,用于车辆偏转角度检测模型的训练和测试;提出“两阶段法”,用于优化训练数据集标签值。实验结果表明本文提出的方法能够准确检测出车辆的偏转角度。最后,在中科院高清航拍数据集上进行了检测方法的泛化能力验证实验,并取得了良好的检测结果。(2)研究了基于深度学习的车牌倾斜角度检测方法,并建立了倾斜车牌的定位、倾斜角度检测、矫正与识别框架。首先,应用PVA-NET(Performance Vs Accuracy Network)对顺时针旋转和逆时针旋转的车牌图像进行定位和分类,并根据PVA-NET模型检测到的边界框的四个顶点坐标和对应的标签,将边界框中的车牌图像裁剪出来;然后,使用回归CNN来检测车牌图像的水平倾角和垂直倾角,并根据回归CNN检测到的水平和垂直角度提出了车牌倾斜矫正算法;最后,分析了车牌字符特征,提出了基于Caffe Net的倾斜车牌字符识别模型,并在CCPD(Chinese City Parking Dataset,CCPD)数据集上进行了实验验证。结果表明,PVA-NET模型对车牌定位和分类的平均精度(AP)分别为87.40%和89.47%;倾斜角度检测模型可以准确地检测出车牌的水平倾角和垂直倾角;车牌矫正算法能够准确地矫正倾斜车牌;Caffe Net车牌字符识别模型在CCPD数据集上取得了较高的识别精度。(3)研究了基于深度学习的前车方位角检测方法,并将角度检测与前车距离检测相结合提出了基于Faster R-CNN、回归CNN的前车定位、方位角检测和测距系统。首先,完成数据集的采集、制作和标注工作,并使用所标注的数据集基于CNN训练出前车距离和方位角检测模型;然后,优化了Faster R-CNN的anchor值,使得Faster R-CNN更适用于前车定位;最后,提出了前车定位、测距和方位角综合检测系统。实验结果表明,本文所提出的方法能够准确检测出前车的位置、方位角和距离的大小,特别在测距精度上,相比单目视觉测距方法,具有较高的检测精度。图51幅,表12个,参考文献75篇。
用于无人驾驶环境感知的语义分割算法研究
这是一篇关于无人驾驶,语义分割,深度可分离卷积,注意力机制,梯度压缩的论文, 主要内容为无人驾驶汽车技术的发展使得当今社会的交通安全与道路拥堵问题得到了逐步改善,而图像语义分割作为无人驾驶视觉感知系统中最重要的环节之一,其算法研究对于无人驾驶技术发展有着重要意义。目前主流图像语义分割算法中,普遍存在因算法结构过于复杂而导致计算过程的计算负担过大,用于无人驾驶场景时容易出现分割准确度和定位精度较差等问题。因此,针对以上问题并结合无人驾驶道路场景的特点,设计一种基于注意力机制与深度可分离卷积的轻量级语义分割算法网络,同时提出一种基于梯度压缩GC(Gradient Compression)的Adam优化算法(Adam-GC)来提高算法的分割速度、分割精度以及网络模型的泛化能力与稳定性,主要工作内容如下:深入研究了图像语义分割算法的原理后,搭建轻量级特征提取网络,在U-Net算法结构的基础上将标准卷积替代为深度可分离卷积,并引入注意力机制来实现特征通道维度的权重信息学习,同时为提高算法的训练速度、检测精度以及网络模型的泛化能力在模型训练过程中使用梯度压缩训练优化算法。对Cityscapes数据集进行提取与预处理,使其数据格式与本文所提出的算法模型相匹配,随后分析了图像语义分割领域常用的数据增强方法以及损失函数在道路场景感知任务中的优劣,使用Mosaic数据增强方法对训练数据进行增强,同时选用均交并比MIo U(Mean Intersection over Union)损失函数进行本文所提出算法模型的训练。为验证本文所提出的算法模型的有效性,使用Cityscapes数据集对各阶段原始算法与本文算法模型进行训练,并对各项性能指标做出对比分析,同时进一步将本文算法模型与目前其他主流语义分割算法进行对比验证,最后,通过设置泛化性实验来验证本文提出方法的泛化能力。有效性验证和对比性验证实验结果表明,改进后算法网络的整体分割结果在Cityscapes验证集上可以达到78.02%MIo U,相较于原始算法提高了5.9%,在行人、车辆、道路等无人驾驶行驶场景重要类别上的分割效果较为优异,可准确识别其所属类别,分割边缘也较为光滑、准确,优于基本算法网络和其他主流算法网络。同时,相较于原始U-Net,改进后的算法在每张图片的分割速度上可达到0.14秒,分割速度提高了12.5%,满足了轻量级算法的要求。在泛化性实验中可达到78.24%与79.12%MIo U,在Cityscapes验证集上的分割速度上可达到0.07秒,除了满足稳定性、准确性、泛化性和轻量性要求外,对图像语义分割技术的发展具有特殊意义。因此,本文提出的轻量级图像语义分割算法网络改进方法不仅可以有效地减少无人驾驶汽车感知系统的计算负担,同时对提高其感知系统的性能起到积极意义。
用于无人驾驶环境感知的语义分割算法研究
这是一篇关于无人驾驶,语义分割,深度可分离卷积,注意力机制,梯度压缩的论文, 主要内容为无人驾驶汽车技术的发展使得当今社会的交通安全与道路拥堵问题得到了逐步改善,而图像语义分割作为无人驾驶视觉感知系统中最重要的环节之一,其算法研究对于无人驾驶技术发展有着重要意义。目前主流图像语义分割算法中,普遍存在因算法结构过于复杂而导致计算过程的计算负担过大,用于无人驾驶场景时容易出现分割准确度和定位精度较差等问题。因此,针对以上问题并结合无人驾驶道路场景的特点,设计一种基于注意力机制与深度可分离卷积的轻量级语义分割算法网络,同时提出一种基于梯度压缩GC(Gradient Compression)的Adam优化算法(Adam-GC)来提高算法的分割速度、分割精度以及网络模型的泛化能力与稳定性,主要工作内容如下:深入研究了图像语义分割算法的原理后,搭建轻量级特征提取网络,在U-Net算法结构的基础上将标准卷积替代为深度可分离卷积,并引入注意力机制来实现特征通道维度的权重信息学习,同时为提高算法的训练速度、检测精度以及网络模型的泛化能力在模型训练过程中使用梯度压缩训练优化算法。对Cityscapes数据集进行提取与预处理,使其数据格式与本文所提出的算法模型相匹配,随后分析了图像语义分割领域常用的数据增强方法以及损失函数在道路场景感知任务中的优劣,使用Mosaic数据增强方法对训练数据进行增强,同时选用均交并比MIo U(Mean Intersection over Union)损失函数进行本文所提出算法模型的训练。为验证本文所提出的算法模型的有效性,使用Cityscapes数据集对各阶段原始算法与本文算法模型进行训练,并对各项性能指标做出对比分析,同时进一步将本文算法模型与目前其他主流语义分割算法进行对比验证,最后,通过设置泛化性实验来验证本文提出方法的泛化能力。有效性验证和对比性验证实验结果表明,改进后算法网络的整体分割结果在Cityscapes验证集上可以达到78.02%MIo U,相较于原始算法提高了5.9%,在行人、车辆、道路等无人驾驶行驶场景重要类别上的分割效果较为优异,可准确识别其所属类别,分割边缘也较为光滑、准确,优于基本算法网络和其他主流算法网络。同时,相较于原始U-Net,改进后的算法在每张图片的分割速度上可达到0.14秒,分割速度提高了12.5%,满足了轻量级算法的要求。在泛化性实验中可达到78.24%与79.12%MIo U,在Cityscapes验证集上的分割速度上可达到0.07秒,除了满足稳定性、准确性、泛化性和轻量性要求外,对图像语义分割技术的发展具有特殊意义。因此,本文提出的轻量级图像语义分割算法网络改进方法不仅可以有效地减少无人驾驶汽车感知系统的计算负担,同时对提高其感知系统的性能起到积极意义。
复杂场景下的车辆及行人视觉目标检测方法研究
这是一篇关于人工智能,复杂场景,无人驾驶,图像去噪,目标检测的论文, 主要内容为近些年人工智能技术发展迅猛,目前已经被广泛使用在各行各业之中,交通运输行业作为我国重要行业领域,人工智能技术在其行业内的重要应用即为自动驾驶。其中自动驾驶汽车通过摄像头采集道路信息,并通过目标检测算法识别障碍物,例如车辆和行人,最后根据障碍物信息进行后续的运动决策。但是实际道路状况具有一定的复杂性,影响算法对车辆和行人等目标的识别效率。故针对复杂场景下的车辆行人目标检测精度较低的问题,本文提出了CSP U-Net图像去噪算法以及SGW-YOLO视觉目标检测算法,具体的工作如下:(1)针对复杂场景下的恶劣天气会使摄像机拍摄的视频图像质量降低,造成视频中的目标模糊,影响目标检测算法效率的问题,本文提出了一种集成了通道融合模块与通道注意力机制的CSP U-Net图像去噪算法,并引入了MS-SSIM损失函数,可在显著幅提升网络的去噪性能的同时,更好地应对去噪之后出现的色彩失真的问题。最后在多个数据集上对算法的性能进行验证,证明本文图像去噪算法的优越性。(2)针对目标之间遮挡较多、远距离小目标难识别等问题,提出了一种融合Transformer的多尺度实时目标检测算法SGW-YOLO。首先提出一种SGWin Transformer V2主干网络替换YOLOv5s的原始主干网络;其次引入CBAM模块,使模型可以更关注小目标所在的区域;然后在损失函数部分针对小目标的定位利用SIo U进行优化损失函数,并在每个CSP模块前添加了上下文信息提取模块,增加了模型的上下文信息提取能力。通过消融实验数据指标对比可知所提出的算法整体性能优于其他同类别目标检测算法。(3)结合改进的图像去噪算法以及目标检测算法在真实的复杂场景中进行实验,对比只使用目标检测算法和同时使用去噪和检测两种算法的车辆行人检测效果,验证了图像去噪算法和目标检测算法结合的优势性。综上所述,本文对复杂场景下的车辆行人视觉目标检测中存在的问题进行研究和分析,对遮挡、密集、复杂气候因素给无人驾驶智能检测系统带来的阻碍提出合理的解决方案,对未来的无人驾驶需求具有一定的参考价值。
基于收敛因子新型粒子群算法的无人驾驶车辆调度与充换电优化研究
这是一篇关于无人驾驶,合乘匹配,充换电,调度优化,新型粒子群算法的论文, 主要内容为随着城市化规模不断扩大,私家车数量迅速膨胀,另一方面,出租车传统组织和经营模式存在空驶率高、运输效率低下等问题,导致城市道路拥堵日益严重,环境污染形式严峻。同时,充换电站作为新能源汽车的主要能量补给节点,对充换电站内规模化电池组优化调度充电,将促进配电网“削峰填谷”,降低充电站运营成本,增强社会效益。针对以上目标,论文研究无人驾驶车辆调度与充换电优化,主要内容如下:(1)提出带收敛因子的局部和全局搜索粒子群算法(μ-LGCPSO):建立了μ-LGCPSO算法递推方程及其参数设置,将新型μ-LGCPSO算法用于函数优化测试,并与LGCPSO和PSO进行比较分析,发现其收敛速度较快,寻优能力较强,验证了μ-LGCPSO算法优化连续函数问题的可行性与可靠性。(2)建立了无人驾驶汽车运行优化调度模型:考虑多人拼车、多个目的地及时间约束、车辆电量限制等条件,建立了基于实现无人驾驶系统总成本最小的车辆优化调度模型,提出了μ-LGCPSO算法的新型编码规则,并用μ-LGCPSO算法对无人驾驶汽车运行调度模型仿真优化,验证其优化效果较好。(3)建立了无人驾驶充换电调度优化模型:根据无人驾驶电动汽车的客户需求及续航里程,考虑分时电价区别,建立以车库充换电成本最低为目标的充换电调度优化模型,采用新型编码策略,利用μ-LGCPSO算法优化充换电调度,节约充换电耗费。(4)设计了无人驾驶车辆管控系统:设计了无人驾驶汽车运行系统架构与逻辑流程,设计了服务器后台管控系统、乘客叫车APP,实现乘客叫车、系统派车、返回车库充换电动态优化调度管控。
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：代码工厂 ，原文地址：https://m.bishedaima.com/lunwen/54374.html
