越野环境下高精地图关键技术和应用展望

随着人工智能等技术的发展,无人驾驶技术应运而生,越来越多的无人化装备也投入到作战应用中。面对复杂的越野环境,高精地图可以为无人车辆提供丰富的先验信息,辅助无人车辆进行环境感知、路径规划以及决策等,提升无人车辆越野机动能力。分析高精地图标准化、构建、应用等方面的研究现状,面向无人车辆越野环境下的自主机动任务需求,提出越野环境下高精地图的研究目标与技术体系,归纳总结越野环境下高精地图的基础理论与关键技术,并对越野环境下高精地图的应用发展进行了展望,为高精地图在无人驾驶方面的应用提供了参考。

编队机动自适应车间距保持控制

编队机动是地面无人平台自主导航技术的重要功能之一。研究编队机动系统的车速自适应车间距保持控制方法,建立车速自适应车间距控制框架,将车间距保持控制分为串联的3个部分:跟驰模型、车间距控制和速度规划。以传统时距模型为基础,引入前后车速度关系的修正项,提出改进非线性跟驰模型,模型符合编队机动逻辑,根据车速变化自适应调节安全车间距,提高编队效率。以距离误差和速度误差的加权组合作为车间距控制的目标,设计加权系数的自修正PID控制器,提高了控制响应和控制精度。以参考速度和前后车运动特性为约束,设计速度规划器,对期望速度进行精确跟踪。通过仿真实验和实车实验验证车间距保持控制的性能,实验结果表明控制算法对不同速度具有较好的控制效果,在越野环境前车频繁加减速的工况下具有较好的跟驰性能,且自动适应速度变化过程。

移动机器人目标识别与定位算法发展综述

通过对移动机器人目标识别与定位算法中传统的目标识别算法、基于深度学习的目标识别算法和基于各类传感器的目标定位算法的特点进行综合分析,得出了2点启示,也是以后有待解决的关键技术:1)减小算法计算量以降低对硬件性能的依耐性;2)将目标识别算法与定位算法相融合以实现实时的目标识别与定位.

MLU100智能加速卡的地面无人平台应用研究

针对地面无人平台目标检测,利用MLU100智能计算加速卡,研究了通用服务器架构下的目标检测开源算法SSD/YOLOv3的移植方法,构建了两种测试用例;提出了一种加速卡评价指标体系,利用层次分析法对MLU100智能加速卡性能进行了评价;以地面无人平台自主导航任务为驱动,开展了MLU100智能计算加速卡运行两种目标检测测试用例的静态与动态性能测试。测试结果表明,MLU100智能加速卡能够满足地面无人平台低速行驶情况下的目标检测算法实时运行需求。

地面无人平台3D目标检测算法综述

从单目相机、激光雷达、多传感器融合、立体视觉4个方面对3D目标检测算法的优缺点进行了分析,认为基于相机和激光雷达的数据融合是今后3D目标检测算法的重要发展方向.

基于Pix2Pix算法的虚拟图像生成与可用性验证

目前基于深度学习的目标检测算法需要大规模的训练数据,然而实地收集数据一般周期较长,且针对某些特定场景(如高原、沙漠等)搜集大量数据较困难,难以满足深度学习算法的训练要求.本文采用了一种基于Pix2Pix算法的图像生成方法,在收集到少量真实图像的基础上,利用Pix2Pix算法产生虚拟图像,并设计试验验证虚拟图像的可用性.试验结果表明,虚拟图像和真实图像具有相似的灰度特征和边缘特征,利用真实图像训练的目标检测模型能够准确识别虚拟图像中的车辆、行人等目标,该虚拟图像生成方法能够生成与真实图像具有相似目标特征和背景特征的图像,是一种有效的数据增强方法.