面向自动驾驶道路场景中异常案例的多模态数据挖掘算法

基于深度学习的视觉感知技术的发展有利于自动驾驶系统中环境感知技术的进步。然而,对于自动驾驶场景中的异常案例,目前的感知模型还存在一些问题。这是因为基于深度学习的感知模型的能力取决于训练数据集的分布。尤其是驾驶场景中的类别从未出现在训练集中,感知系统也往往很脆弱。因此识别未知类别和极端场景仍然是自动驾驶感知技术安全性的挑战。本文从处理数据集的角度出发,提出了一种新颖的多模态异常案例自动挖掘流程(corner case mining pipeline, CCMP)。为验证CCMP的有效性,在Waymo开放数据集的基础上构建了异常案例子集“Waymo-Anomaly”,该子集共有3 200个图像,每个图像都将包含文本中定义的异常案例场景。并且基于私有数据集Waymo-Anomaly,证明了CCMP针对异常案例场景挖掘的召回率可以达到91.7%。此外,还通过实验验证了目标检测器在包含异常案例的数据集中针对长尾分布的有效性。最终,希望从处理数据集的角度来提高自动驾驶感知模型在现实世界中的真实性。

基于动作条件交互的高效行人过街意图预测

城市化的进程不断加速,人车冲突问题已成为现代社会亟待解决的重大难题。复杂交通场景下,行人横穿马路行为导致交通事故频发,准确、实时地预测行人过街意图对避免人车冲突、提高驾驶安全系数和保障行人安全至关重要。本文提出基于动作条件交互的高效行人过街意图预测框架(efficient action-conditioned interaction pedestrian crossing intention anticipation framework,EAIPF)来预测行人过街意图。EAIPF引入行人动作编码模块增强多模态动作模式下的表征能力,挖掘深层骨架上下文信息。同时,引入场景对象交互模块挖掘与对象交互信息,理解交通场景中高级语义线索。最后,意图预测模块融合行人动作特征和对象交互特征,实现行人过街意图的鲁棒预测。所提出的方法在两个公共数据集JAAD和PIE上验证算法性能,准确率分别达到了89%和90%,表明本文方法可以在复杂交通场景下准确预测行人穿越意图。

基于激光雷达点云的动态驾驶场景多任务分割网络

在自动驾驶场景理解任务中进行准确的可行驶区域以及动静态物体分割对于后续的局部运动规划和运动控制至关重要。然而当前基于激光雷达点云的通用语义分割方法并不能在车端边缘计算设备上实现实时且鲁棒的预测,且不能预测当前时刻的物体运动状态。为解决该问题本文提出一种可行驶区域及动静态物体多任务分割网络MultiSegNet。该网络利用激光雷达输出的深度图及处理后得到的残差图像作为编码空间特征和运动特征的表征输入到网络用于特征学习,从而避免直接处理无序高密度点云。针对深度图在不同方向视角内目标分布数量差异较大的特点,本文提出了变分辨率分组输入策略。该方法能在降低网络计算量的同时提高网络的分割精度。为适配不同尺度目标所需要的卷积感受野尺寸本文提出了深度值引导的分层空洞卷积模块。同时本文为有效关联并融合不同时域下物体的空间位置和姿态信息提出了时空运动特征增强网络。为验证所提出MultiSegNet的有效性,本文在大规模点云驾驶场景数据集SemanticKITTI及nuScenes上进行验证。结果表明:可行驶区域、静态物体和动态物体的分割IoU分别达到98%、97%和70%,性能优于主流网络,且在边缘计算设备上实现实时推理。

主动悬架直线电机温升-电磁特性分析与优化设计

为了提高主动悬架系统中直线电机的工作性能,以一种圆筒型永磁同步直线电机为研究对象,对其进行特性分析与结构优化。以某SUV为例,构建了其主动悬架系统的多体动力学模型,仿真确定了电机的总体设计指标与初始结构。采用有限元方法建立了考虑材料热属性变化的直线电机温升模型,分析了不同行驶车速下的温升分布及其对直线电机电磁特性的影响。结果发现:电机温升直接影响输出推力与绕组损耗,抑制温升有助于减小绕组损耗,但推力波动会随之上升。根据磁-热耦合特性分析结果,以空载定位力和绕组温升为优化目标,进行了参数敏感度分析,并采用响应面法对直线电机结构参数进行多目标优化。结果表明:优化后直线电机的空载定位力减小了7.5%,绕组损耗降低了17.5%,绕组温升降低了11.02%,电机工作性能显著提升。试制了永磁同步直线电机样机,并进行了台架测试,实验与仿真误差均在5%以内,验证了结构和优化方案的有效性。

车辆视角下的行人穿行意图识别与行为预测

预测行人穿行马路的行为一直是智能驾驶汽车研究领域的重点方向,对于行人安全保护至关重要。现有研究通常使用轨迹或姿势对行人的行为进行建模,但是行人行为复杂多变,需对其进行更加深层的语义解读。将行人的穿行意图与行为相结合,设计多任务网络来识别行人意图并预测行人行为。行人的穿行意图会影响其行为,故使用行人未来的行为作为先验来检测行人目前的意图和行为,同时考虑到行人周围的交通目标与自车运动对于行人的影响,设计特征融合模块来融合行人特征与交通目标特征。在自动驾驶数据集(PIE和JAAD)上验证实验模型,结果表明,该模型展现了其在行人意图与行为建模方面的优势。

周车轨迹预测不确定性智能车避撞策略研究

提出了一种基于周车轨迹预测不确定性的智能汽车避撞策略研究方法。轨迹预测模块,将基于物理的轨迹预测模型和数据驱动模型相结合构建物理引导的轨迹预测模型(PG-LSTM),模型输出关于周车预测轨迹的二维高斯分布参数,以表征驾驶员行为的不确定性;风险评估及避撞策略模块,结合轨迹预测模型的输出结果,提出一个新的风险度量--预测驾驶风险PDR和预测相对驾驶风险指数PRDRI作为评估未来风险的参考指标,建立紧急工况下避撞决策机制。通过Carsim搭建复杂紧急工况场景进行仿真实验。仿真结果表明:所提出的驾驶风险评估模型可以准确地辨识复杂行车场景未来驾驶风险,同时基于驾驶风险所提出的避撞决策机制能够提升智能汽车的避撞安全性。

驾驶场景下结合运动速度以及外观特征的多类多目标跟踪方法

基于相机传感器的多目标跟踪算法是自动驾驶的重要组成部分。驾驶场景下,基于交并比进行前后帧关联的方案一直存在大量的身份切换,此现象在对向来车以及自车转弯时更加明显。本文将目标在二维平面上的运动速度作为扩展匹配空间的变量,设计了基于目标速度变化的交并比算法:Velocity IoU,从而优化前后帧目标关联。同时,使用自监督的外观模型提取不同目标的外观特征编码。基于上述的运动模型以及外观模型,提出了一种互补的关联策略,最终实现驾驶场景下多类别多目标跟踪。在BDD100K上验证了该方法,对应mMOTA为45.2,mIDF1为55.2,IDs为8793,优于大部分跟踪算法。

不确定性环境下的自动驾驶汽车行为决策方法

在真实驾驶环境中,由于感知数据的噪声和其他交通参与者难以预测的行为意图,自动驾驶汽车如何在高度交互的复杂驾驶环境中考虑不确定性因素的影响,做出合理的决策,是当前决策规划系统须解决的主要问题之一。本文提出了一种不确定性环境下的自动驾驶汽车行为决策方法,为消除不确定性的影响,将行为决策过程转化为部分可观察马尔可夫决策过程(POMDP)。同时为解决POMDP模型计算复杂度过高的问题,首次将复杂网络理论应用于自动驾驶汽车周围微观的驾驶环境,对自动驾驶汽车驾驶环境进行动态建模,实现了车辆节点间交互关系的有效刻画,并对重要车辆节点进行科学筛选,用于指导自车的行为决策,实现对关键车辆节点的精准识别和决策空间的剪枝。在仿真环境中验证了所提方法的有效性,实验结果表明,与现有最先进的行为决策方法相比,所提出的方法拥有更高的计算效率,且拥有更好的性能和灵活性。

基于图卷积交互网络的车辆轨迹预测方法

精确预测邻近车辆的未来轨迹对自动驾驶汽车的决策和运动规划至关重要,现有研究倾向于利用递归神经网络(RNN)对车辆的时间交互进行建模,但其对车辆交互建模的可解释性差,忽略了实际的车道结构,在捕捉车辆与其环境的交互方面存在不足。为解决这一问题,本文提出了一种基于图卷积交互网络的考虑车道拓扑约束的车辆轨迹预测模型。其中车辆交互关系提取模块在构建车辆的空间关系时增加了边缘权重,以考虑车辆的邻近交互,使交互更具可解释性;行驶场景表征模块旨在通过从高精地图中提取车道拓扑来提高车辆轨迹预测的准确性;轨迹预测模块将上述两个模块的输出进行集成,并输出预测的未来轨迹。这种集成允许对道路结构和车辆行驶轨迹之间的相互作用进行更精确的建模。实验结果表明,与主流方法相比,该模型在Argoverse数据集上取得了良好的性能,提高了复杂道路结构下车辆轨迹规划的准确性和合理性。

面向自动驾驶场景的多目标点云检测算法

基于点云的三维目标检测算法是自动驾驶系统中关键技术之一。目前基于体素的无锚框检测算法是学术界的研究热点,但是大多数研究都侧重于设计复杂的二阶段修正模块,在牺牲巨大的算法延迟的情况下带来有限的算法性能提升。而单阶段无锚框点云检测算法虽然具有更加精简的检测流程,但其检测性能难以满足自动驾驶场景的需求。对此,本文基于无锚框检测算法CenterPoint,提出了一种面向自动驾驶场景的单阶段无锚框点云目标检测算法。具体来说,本文通过引入编码解码稀疏模块,极大地促进了三维特征提取器对于空间非连通区域的信息交互,保证了三维特征提取器能够提取到满足各类目标检测的特征。此外,考虑到现有的二维特征融合主干与基于中心点的无锚框检测头的适配存在挑战性,本文通过引入自校正卷积和大核注意力模块,能够有效提取到目标区域的点云特征,并将目标区域的点云特征聚集到中心点区域,从而提升算法对于目标的召回率和检测精度。本文所提出的算法在大规模公开数据集nuScenes上进行模型训练和实验验证,与基准算法相比,mAP和NDS分别提升了5.97%和3.62%。同时,本文将所提出的算法在基于自主搭建的实车平台上进行实际道路实验,进一步证明了所提出算法的有效性。

智能汽车路径跟踪混合控制策略研究

针对传统单一控制算法无法有效协调智能汽车不同转向工况下横向控制性能要求的问题,根据智能汽车在高速和低速转向工况下呈现出的系统特性差异,设计了一种基于PID控制和模型预测控制的智能汽车路径跟踪混合控制策略。该控制策略在低速模式下采用PID控制,在高速模式下则采用模型预测控制,通过车辆速度确定路径跟踪控制模式,进而设计带稳定监督的控制模式切换机制,实现了横向控制系统的平滑切换。基于Carsim和MATLAB/Simulink仿真平台对所设计的智能汽车路径跟踪混合控制策略进行了仿真验证,在此基础上,进一步完成了实车试验。仿真和实车试验结果表明,所设计的混合控制策略能够保证智能汽车不同速度下的路径跟踪性能,具有较好的跟踪精度、实时性和车辆行驶稳定性。

采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法

针对传统采用人工特征的机器学习算法难以满足复杂交通场景下鲁棒车辆识别需求的问题,以视觉显著性理论为依据,提出一种利用显著图的车辆候选提取方法.在深度学习的知识框架下,提出了一种采用深度卷积网络(deep convolutional neural networks,DCNN)的鲁棒视觉车辆识别算法.该DCNN分类器采用卷积层和池层构建2组隐层,并直接以灰度图片像素作为输入,经由随机梯度下降算法进行训练,最后以全连接层输出车辆识别判断.选择KITTI标准库作为测试数据库进行了车辆识别试验.结果表明,所提出的车辆识别算法可实现98.13%的检测率和1.77%的误检率,总体性能优于已有算法.

基于可拓优度评价的智能汽车横向轨迹跟踪控制方法

针对复杂工况横向控制精度低、稳定性差的问题,提出了一种基于可拓优度评价的智能汽车横向轨迹跟踪控制方法,创新采用可拓优度评价控制方法,设计了两层结构的横向轨迹跟踪控制系统。上层控制器包括基于预瞄偏差的PID反馈控制和基于道路曲率的PID前馈反馈控制;下层控制器利用可拓优度评价方法来评价上层两控制器的优劣,根据实时的车辆道路系统状态,选择优度高的控制器输出值,从而实现智能汽车横向轨迹跟踪控制功能,不论是小偏差、小曲率工况,还是大偏差、大曲率工况,都能达到良好的控制效果,提升了智能汽车横向控制系统的工况适应性和可靠性。仿真结果表明,与单一PID反馈控制相比,采用优度评价控制时,横向位置偏差和航向偏差分别减小了16.67%和12%。

基于实例分割和自适应透视变换算法的多车道线检测

为了解决传统的车道线检测算法对光照变化、阴影遮挡等环境干扰较为敏感而导致鲁棒性不足的问题,提出了一种基于实例分割和自适应透视变换算法的多车道线检测方法.该算法首先通过设计的多分支实例分割网络实现多车道线分割,该多分支实例分割网络包括车道线语义分割分支和车道线Id分支;再应用自适应透视变换模型获得鸟瞰图视角下的实例分割后的车道线像素点集合;最后利用最小二乘法二阶多项式完成车道线像素点的拟合.基于Culane车道线数据集进行训练及验证,验证表明,每帧图片检测用时约28 ms,车道线检测准确率达91.4%.将车道线检测模型集成到实车ROS平台进行测试,测试表明,所提算法能够实现各类复杂交通场景下的多车道线实时检测.

一种基于形态学特征的车道线识别方法

现有车道线检测算法主要用边缘信息提取车道特征,通过相邻像素点灰度的对比产生特征点,易受多种外部因素影响导致检测结果易受干扰,为此,提出了一种新的特征点提取算法。该算法通过计算区域内灰度各向结构张量的旋度,选择变化趋势最大的像素作为特征点,提高了算法在复杂情况下的鲁棒性。在兴趣区域采用新的车道线特征提取算法提取特征点,而后筛选特征点,并用Hough变换拟合。在求得车道线后,通过特征点坐标方差区分虚线和实线。通过约15 500帧不同时间段的车道图片对算法进行检验,结果表明:检测方法能很好地实现在多种环境下的车道线检测,在晴天工况下的正确率为99.18%,在雨天工况下的正确率为97.19%,在受损路面工况下的正确率为94.72%,在夜晚工况下的正确率为97.62%。

基于多传感器融合的紧耦合SLAM系统

同时建图与定位(SLAM)是自动驾驶功能重要的组成部分,现有算法以激光或视觉惯性里程计为主,未充分利用多模态传感器各自的优势,对特征缺失的场景鲁棒性不足。针对此问题,本文中提出了一种采用激光雷达、摄像头和惯性测量单元(IMU)的多传感器紧耦合SLAM系统。首先它改善了激光雷达点云特征提取和平面拟合的方案,提升了利用点云对视觉特征点深度信息优化的效率和精度。其次提出的紧耦合状态估计框架通过在视觉惯性系统中直接添加激光雷达里程计约束,在不增加算法复杂度的前提下提升了系统的稳定性和精度。最后由粗到精的视觉-激光雷达耦合回环框架进一步降低了系统的长时累计漂移。在开源数据集KITTI上进行大量测试验证的结果表明,与其它常用的算法相比,所提出的算法具有较高的精度和环境适应能力。另外在基于自主搭建的自动驾驶汽车测试平台进行的实车试验还证明本算法可适应长时间大场景的工作环境。

基于补偿滑模控制的混合动力汽车协调控制

由于行星排功率分流式混合动力汽车的结构优势,双行星排功率分流式混合动力汽车已经成为各机构的研究重点。由纯电动模式到混合驱动模式切换的过程中存在发动机起动和发动机转矩引入,而发动机转矩瞬态响应存在迟滞,导致切换过程中动力系统的输出转矩会有较大波动。为减小波动,降低模式切换过程中的动态冲击度,本文中提出补偿滑模控制方法,对双行星排功率分流式混合动力汽车模式切换进行协调控制。首先,建立整车动力学模型,对切换过程每个模式进行分析;之后,针对发动机拖转阶段和混合驱动阶段分别采用补偿控制和基于固定边界层的自适应滑模控制,并对滑模控制进行稳定性分析;最后,结合Matlab/Simulink软件平台进行仿真验证。仿真结果表明,补偿滑模协调控制策略能够有效地减小从纯电动到混合驱动模式切换过程中的转矩波动和冲击度。

自动驾驶汽车横向可拓预瞄切换控制系统研究

针对曲率变化范围大的弯道混合道路工况下,自动驾驶汽车横向控制系统的适应性和控制精度不高的问题,本文中提出了一种自动驾驶汽车横向可拓预瞄切换控制方法。控制系统由上层可拓控制器和下层控制器两部分组成,实现了在经典域中反馈控制和可拓域中前馈-反馈控制策略的切换控制。Simulink仿真结果表明,该控制方法在保证小曲率道路控制精度的同时,降低了大曲率道路的控制误差,对于时变工况具有很好的适应性。

基于并线行为识别的自适应巡航控制方法

本文中针对自适应巡航控制系统受旁车并线影响产生的制动干预时机不确定性问题,提出了一种采用旁道车辆并线行为进行优化的自适应巡航控制策略,以获得制动干预的最佳时机。首先,建立了以历史行驶数据和周围环境为输入、基于长短时记忆网络的驾驶行为识别模型,实现对旁道车辆驾驶行为类别的有效识别。当识别出并线行为后,根据并线车辆运动状态对自适应巡航系统进行加速度控制,建立系统的预测控制模型,确定跟随性、舒适性和油耗这3项性能指标与约束条件,并引入理想点法对期望加速度进行求解,有效避免了人为选择权重因素的干扰。然后,将最优控制序列的第一个元素作用于系统,再重新评估系统状态信息以实现滚动优化。最后,建立MATLAB/Simulink仿真模型,进行定速巡航、跟车行驶和并线工况的对比仿真,并通过实车试验进行验证。结果表明:所提算法能更快响应旁车并线时跟车目标的变化,有效降低速度波动,避免了绝大部分的车辆紧急制动,同时,考虑并线驾驶特性的控制模型能有效提高乘车舒适性,降低安全风险。

无人驾驶汽车周边车辆行为识别算法研究

周边车辆行为识别对于提升无人驾驶汽车决策规划的合理性和控制安全性至关重要。传统的周边车辆行为识别方法识别精度普遍不高,且缺乏对交通主体相互之间邻域影响的考虑,算法鲁棒性较差。针对此,本文中提出了一种SLSTMAT(Social-LSTM-Attention)算法,创新性地引入目标车辆社交特征并通过卷积神经网络提取,建立了基于深度学习的车辆行为识别模型,应用注意力机制来捕捉行为时窗中的多时步信息,实现了周边车辆行为准确识别。采用HighD轨迹数据集和实车数据进行算法验证。结果表明,所提算法对周边车辆行为识别的准确率达94.01%,在目标车辆到达换道点的前1 s时刻行为识别精度达90%,具有较高的工程应用价值。