半直接法与IMU融合的双目视觉里程计

针对基于特征点法的视觉里程计实时性和鲁棒性较差的问题,提出一种基于半直接法的双目视觉惯性里程计算法.在跟踪线程中将惯性测量数据作为先验,并使用逆光流法跟踪均匀化的特征关键点,以提高特征匹配的速度和鲁棒性,构建高精度的初始化地图,为后续的运动估计提供良好的初值.使用简化的双目视觉模型构造重投影误差,结合IMU误差项构建联合优化模型,并在滑动窗口中进行非线性优化求解.实验结果显示,该算法在数据集上的定位精度达到主流算法的水平,与VINS-Fusion算法相比,此算法拥有更低的CPU负载和更高的运行帧率.

基于激光雷达和视觉信息融合的车辆识别与跟踪

为提高自动驾驶系统对车辆目标的识别和跟踪精度,提出一种基于激光雷达和单目视觉的信息融合框架。利用改进的DBSCAN算法对障碍物点云数据进行聚类,采用更快速区域卷积神经网络(Faster R-CNN)识别单目视觉图像中的车辆目标,融合两种传感器的信息获得完整的车辆目标信息,使用联合概率数据关联(JPDA)算法实时跟踪目标车辆的运动状态。试验结果表明,该算法可有效避免传感器杂波的干扰,能够适应车辆目标的数量变化并及时更新航迹信息,具有较高的精度和鲁棒性。

基于AOD-Net和SSD的雾天车辆和行人检测

为了提高智能汽车在恶劣天气下的环境感知能力,提出一种针对雾天环境下车辆和行人的检测方法。将AOD-Net去雾算法与SSD目标检测算法相结合,实现了城市交通雾天环境下的车辆和行人检测。利用去雾处理后的雾天图片和原始带雾图片分别进行目标检测模型训练,并在不同雾浓度等级的交通环境下进行车辆和行人检测,结果显示:AOD-Net与SSD网络相结合得到的检测mAP值可达75.8%,比SSD算法的mAP值高4.1%,表明AOD-Net与SSD网络相结合的算法能更加有效地检测带雾图片中的车辆和行人。

考虑舒适性的AEB避撞算法及仿真验证

为进一步优化汽车自动紧急制动系统的避撞算法,设计了考虑制动过程驾乘舒适性的制动减速度控制策略。通过设置制动减速度变化缓冲区对制动减速度及其变化率进行限制,得到满足舒适性条件的减速度控制曲线。基于AEB典型测试工况对设计的减速度控制曲线进行具体分析,提出了新的制动安全距离模型。最后,建立车辆纵向动力学模型并通过CarSim与Matlab联合仿真对提出的避撞算法进行仿真验证。仿真结果显示:提出的避撞算法能够在实现有效避撞的同时满足舒适性条件。