点云空间与反射强度融合的非结构化道路可行驶区域检测

可行驶区域检测旨在检测和提取智能车辆在道路上可行进的区域,目前主流的检测方法主要基于三维激光雷达的空间特征实现,难以处理路面边缘无清晰空间特征的非结构化道路.为此,本文提出了一种基于点云空间和反射强度融合的非结构化道路可行驶区域检测方法.首先,通过融合反射强度因子改进了基于空间特征的柱坐标系检测模型;然后,使用强度和降维空间检测对检测精度较低的环形检测模型进行优化,并将其与柱坐标系检测模型联合使用以提高方法检测准确率;最后,在自录实际道路数据集上进行对比实验.实验结果表明本文方法显著提高了非结构化道路可行驶区域检测的成功率与精确率,在结构化道路上也具有良好效果.

改进SOLOv2的非结构化道路图像实例分割

针对非结构化道路图像中多个目标重叠且间尺度差异较大等,容易漏检或错检,分割精度不佳等问题。提出一种改进的SOLOv2实例分割算法。首先在特征金字塔结构添加自底而上增强路径以减少特征传递过程的损失,其次使用双重注意力指导特征选择,自适应地选择重要特征,抑制冗余信息,提升细节特征的提取能力,增强类别分支和掩膜分支的特征表示,进而提高掩膜预测的准确率。此外,对非结构化道路图像数据集进行预处理操作,提高模型的泛化能力。实验结果表明,本方法对实例边界把控更为精准,对比SOLOv2和Mask-RCNN平均精度分别提高2.0%、2.2%,检测帧率提高到6.1帧/s,在不同环境下均具有良好的分割性能。

基于改进人工势场法的非结构化道路路径规划

自动驾驶车辆在园区内的非结构化道路会车避让时常因距离过小而无法顺利会车。针对这一问题引入改进的人工势场法。首先,增加道路边界斥力势场和车道中心线势场以保证车辆不会驶出道路边界和驶回原有道路;其次,为解决难以实现会车问题,在车辆前进方向和障碍物的碰撞范围外设置临时目标点,避免因势场合力为零无法规划路径。此外,引入障碍物动态斥力势场,根据障碍物的当前位置和速度,可以预测未来一段时间内障碍物的位置,将障碍物速度斥力与传统的静态斥力场相结合,得到最终的斥力场。仿真表明,引入的改进人工势场法在非结构化道路中会车避让的通过时间缩短了约34%。

基于视觉的非结构化道路识别综述

非结构化道路识别在无人驾驶中是一个具有挑战性的问题,涉及到道路本身类型不固定、形状不规则、表面不平整和边界模糊等复杂性。为了全面了解基于视觉的非结构化道路识别方法和研究现状,通过文献综述分析了3种主要的道路识别方法,分别是基于道路特征、基于道路模型和基于机器学习的方法。同时,整理了当前常用的非结构化道路开源数据集。结果表明基于道路特征和基于道路模型的方法计算复杂度高且识别精度较低,基于机器学习的方法能够显著提升识别精度,但也存在数据需求量大、训练时间长和可解释性差等问题。

非结构化道路条件下单目视觉实时测距研究

为了自动驾驶汽车能够在非道路条件下进行有效的防碰撞,提高智能汽车安全性。论文通过对传感系统中的单目摄像头对前方物体的测距方法进行研究,来提高车辆在非结构化道路上的安全性能。对单目摄像头的标定采用了基于两个灭点的标定方法的数学模型,使用了针孔透视模型来成像以及单帧静态图像测距模型来计算前方物体与本车距离,加强图像的稳定性使用了RANSAC算法,Prescan和Simulink进行仿真试验,最后进行实车在非道路条件下的实时测距试验。试验结果表明:汽车在非结构化道路化的条件下行驶摄像头能进行实时测距。

非结构化道路下离轴式拖挂车辆主动避障控制研究

为实现离轴式拖挂车辆在非结构化道路下的主动避障,提出一种基于拖挂车辆模型预测控制的主动避障控制器,且无须全局路径与路径跟踪器支持。首先,基于刚体运动学和非完整约束建立挂接全挂车的拖挂系统运动学模型,并对其运动特性分析与验证。其次,根据拖挂系统运动学模型建立离轴式拖挂车辆的预测模型。最后,提出一种无须全局路径支持,且满足拖挂车辆转弯避碰的惩罚函数,并针对拖挂系统的安全性与稳定性设计目标函数,采用非线性求解器对目标函数优化,将优化输出离散控制序列作用于拖挂系统。仿真与实车实验表明,离轴式拖挂系统主动避障控制器能使拖挂车辆在满足剪切碰撞约束的前提下安全避障,且全挂车避障路径与非避障最短路径的横向误差及航向误差均能收敛。

基于改进BiSeNet的非结构化道路分割算法研究

非结构化道路通常没有清晰的边界及车道线,环境较为复杂,传统的基于道路纹理、颜色特征的分割方法无法满足实时性和准确性的要求。针对非结构化道路场景,提出了基于改进BiSeNet的轻量化语义分割模型,采用轻量化主干提取网络和引入深度可分离卷积,优化速度控制;在最后的特征融合阶段引入通道注意力,自适应地选择重要特征,抑制冗余信息,提高非结构化道路分割的准确性。改进后模型参数量仅有1.11×106,检测速度提升18.83%,F1-score达到了96.74%。对比其他主流语义分割模型,该算法具有参数量小、速度快、准确率高等优势,可为非结构化道路场景下无人驾驶车辆的安全运行提供参考。

面向非结构化道路场景的车辆全局速度规划

为实现智能网联车辆在复杂非结构化道路场景下行驶速度规划,该文提出了一种基于分段匀加速模型的车辆全局速度规划方法。以驾驶安全平稳性为原则分析车辆动力学特性,计算侧翻与侧滑临界车速作为非结构道路上各路径点的极限行驶速度;设计分段匀加速模型建立全局速度规划问题,构建考虑效率、平稳性及能耗的综合损失函数,考虑非结构化道路的坡度曲率连续变化,设计车辆速度、加速度及加加速度变量边界来约束决策变量;结合重型电动车辆制动能量回收功能,针对性提出非结构化道路场景下电动车辆速度规划模型,并通过仿真对方法进行验证。结果表明:主车的加速度范围稳定在-1.0~1.0 m/s^(2),加加速度范围稳定在-0.5~0.8 m/s^(3);相比于基于动态规划的速度规划,所提出的速度规划算法保证车辆行驶平稳性的同时,减少了车辆控制输入,0.8 s的计算时间可满足无人驾驶车载设备实时计算需求;将提出的算法应用于无人矿卡实车,车辆行驶平稳,最大加加速度不超过0.45m/s^(3)。

基于改进区域生长和小波变换的非结构化道路检测

针对在复杂场景的非结构化道路中,由于众多的环境干扰因素从而不能准确检测车道线的问题,提出了一种基于改进区域生长法和小波变换相结合的非结构化道路检测算法。根据大多数情况下道路区域在车载摄像头的正下前方及道路区域与道路两旁背景灰度值的一定差异,来有效地选取区域生长的种子点及生长原则进行区域生长道路初分割。同时结合基于小波变换的边缘检测来修正由于初分割道路受复杂环境导致道路检测不准确的情况。实验结果表明,该算法能够较准确地检测出受光照等因素影响的道路区域,且具有较高的准确性。

基于特征融合的果园非结构化道路识别方法

针对果园道路无明显边界且道路边缘存在阴影、土壤和沙石干扰等问题,提出一种基于特征融合的果园非结构化道路识别方法。通过相机标定获取畸变参数对采集到的图像进行畸变矫正,并提出一种基于滤波与梯度统计相结合的动态感兴趣区域(ROI)提取方法对HSV颜色空间S分量进行ROI选取,采用最大值法将颜色特征与S分量多方向纹理特征掩膜相融合并进行二值化与降噪处理。根据道路边缘突变特征寻找特征点,并提出一种基于距离与位置双重约束的两级伪特征点剔除方法。为更好贴合非结构化道路不规则边缘,引入分段三次样条插值法拟合道路边缘,以此实现道路识别。试验结果表明,在晴天、阴天、顺光、逆光、冬季晴天和雨雪天气6种工况条件下,S分量、纹理图像和融合图像的平均纵向偏差均值分别为2.43、39.71、1.36像素,平均偏差率均值分别为0.99%、18.02%和0.54%,相较于S分量与纹理图像而言,使用本文方法构建的融合图像其平均纵向偏差与平均偏差率均得到有效减少。最小二乘法、随机采样一致性法(RANSAC)与分段三次样条插值法拟合边缘的平均偏差均值分别为2.64、3.16、0.66像素,平均偏差率均值分别为1.02%、1.21%和0.26%,偏差率平均标准差分别为0.23%、0.31%与0.09%,其中分段三次样条插值法的平均偏差均值、平均偏差率均值与偏差率平均标准差均最小,表明本文拟合方法其拟合精度更高且具有更好的稳定性。6种工况条件下,本文算法单帧图像平均处理时间为89.9 ms,满足农业机器人作业过程中的实时性要求。本文方法可为农业机器人进行果园复杂环境非结构化道路识别提供参考。

一种轻量化非结构化道路语义分割神经网络

非结构化道路由于没有明显车道线且道路特征多、地域差异大,现有的结构化道路分割方法无法满足非结构化道路分割在实际应用中的实时性与准确性要求.为了解决上述难点,本文基于DeepLabv3+网络提出一种G-lite-DeepLabv3+网络结构,使用Mobilenetv2网络替换解码器中的Xception特征提取网络,并通过在Mobilenetv2网络与空洞空间金字塔池化模块中使用分组卷积替换普通卷积,且有选择地取舍批规范层来减少参数量,在不影响精度的同时提升分割效率.同时针对非结构化道路在图像里分布位置相对较固定的特点,引入注意力机制对高级语义特征进行处理,提升网络对有用特征的敏感度与准确性.选用与我国非结构化道路路况相似的印度道路驾驶IDD进行训练,并与其他经典语义分割网络进行实验对比,结果表明,相比于其他网络,本文提出的G-lite-DeepLabv3+准确率与实时性均表现较好、误分割与边缘清晰度均好于对照网络;与经典算法进行对比,平均交并比mIoU提升1.3%,平均像素精度提升6.2%,帧率提升22.1%.

结构化道路场景的自动驾驶车辆轨迹规划与跟踪控制算法研究

自动驾驶技术的快速发展使得结构化道路场景的自动驾驶车辆轨迹规划与跟踪控制算法成为研究的热点。这项研究的目标是设计安全、高效和智能的轨迹规划和跟踪控制算法,以应对不同道路场景和交通状况的挑战。在轨迹规划方面,研究者致力于基于道路几何、交通规则和障碍物等信息生成平滑且符合驾驶习惯的车辆轨迹。跟踪控制算法的研究旨在实现车辆按照预定轨迹进行准确控制和稳定跟踪。未来的发展包括强化学习和深度学习的应用、多模态感知和融合、实时地图更新与共享、协同自动驾驶以及环境感知和预测的提升。这些发展将进一步推动自动驾驶技术的成熟和商业化,为未来的智能交通系统带来更高的安全性和效率。

统一的双模块交互式非结构化道路分割网络

非结构化的道路无明确辅助标识线、边缘模糊、难以识别。为了提高道路分割的精度,文章提出了一种统一的双模块交互式深度神经网络结构。在编码器阶段,利用卷积模块和自注意机制模块在特征层面增强表示学习。利用特征交互单元,融合了不同尺度下的局部特征和全局表示,充分挖掘和利用两种模块的特点。在解码器阶段,使用上卷积模块恢复至原图大小,输出像素级预测结果,同时使用融合连接补充上采样过程中损失的信息,最后使用深度监督来进一步提高分割精度。实验结果表明,文章提出的方法在公共道路数据集KITTI上取得了较好的区域分割效果。

基于机器视觉的非结构化道路检测与障碍物识别方法

为了实现非结构化道路检测与障碍物的识别,提出了一种基于最小错误率贝叶斯决策与Hough变换相结合的非结构化道路检测与障碍物识别算法。算法首先将Otsu多阈值理论引入到最小错误率贝叶斯决策中并进行图像分割,然后利用Hough变换进行道路检测、提取出纯路面区域并再次进行路面分割,最后根据分割结果进行路面障碍物定位。结果表明,该算法能够有效实现非结构化道路的检测与障碍物的识别,在光影、照度变化、水渍等不利因素影响较小的情况下,具有较好的鲁棒性。

级联触发策略下非结构化道路的自主卡车队列控制

本文针对非结构化道路上自主卡车队列系统的控制问题进行研究,设计一种基于级联触发的控制器,有效提高复杂工况下的卡车队列系统性能.首先,建立不依赖于道路结构的纵–横耦合卡车队列系统模型,该模型涉及复杂环境下车辆存在故障(包括执行器、传感器的失效故障以及随机网络故障)影响.其次,为降低燃油消耗,设计了基于自触发和事件触发的级联触发控制器,并利用李雅普诺夫方法证明了系统的闭环稳定性.此外,通过对系统Zeno行为的分析量化,得到了触发时间间隔的下界值,保证了算法的实际应用性.本文为了实现卡车系统队列稳定性控制目标,进一步给出了控制器设计限制条件.最后,仿真结果表明,所提出的控制方法不但能保证单车渐近稳定以及队列稳定,还能有效减少执行器更新频率,提高燃油经济性.

基于机器视觉的非结构化道路导航路径检测方法

针对视觉导航智能机器人,提出了一种非结构化道路导航路径的检测方法。以道路两边缘线的中间线作为导航路径,首先使用亮度分析的方法判断图像中道路的终止位置;然后采用基于扫描线上像素分布的分割方法提取出导航路径上的候选点;最后采用基于一点的改进Hough变换方法提取导航路径的参数,进行非结构化道路的检测。经过对多幅图片的处理,证明该算法具有速度快、抗干扰能力强、准确性高等优点。

基于主元神经网络的非结构化道路跟踪

在概率的框架内,基于主元神经网络,提出了一种新的蒙特卡罗道路跟踪技术,用于自主陆地车辆在非结构化道路上的导航.使用直线道路模型表示道路边缘,并对其状态利用二阶自回归模型进行预测;在HSV彩色空间将颜色信息和局部空间特征相结合,利用主元神经网络提取主成分;根据道路边缘窗的统计特性,利用粒子滤波器进行道路状态的估计.实验结果表明,该方法能够鲁棒地进行非结构化道路跟踪.

多层感知器自监督在线学习非结构化道路识别

针对智能车辆非结构化道路识别中存在的环境自适应性和在线学习算法实时性问题,提出了一种结合多线程技术和多层感知器自监督在线学习技术的道路识别算法.通过识别结果在线自动更新训练集,并利用评估函数判断是否触发重训分类器,确保当前分类器对行驶道路环境的有效识别.同时,算法中道路图像采集、分类器训练、训练集更新、分类器识别等计算操作分别在各自线程中实现,利用信号量对数据流进行同步互斥,优化计算资源,充分利用了多层感知器分类计算快的特点,并克服其训练耗时问题.实际道路检测实验结果表明,算法具有较好的自适应性及实时性,能够满足智能车辆非结构化道路导航需求.

基于自适应模板的非结构化道路检测

提出一种基于自适应变形模板的非结构化道路检测算法.新模板的形状随着道路的形状改变而改变,利用新生成的模板预测下一帧图像中可能出现的道路区域和非道路区域,分别计算道路区域和非道路区域的平均向量和协方差以及每一个像素点和平均向量间的M ahalanobis距离;通过中值滤波去掉噪声点,再进行边缘跟踪计算出路边.该算法运算量小,检测速度快,基本满足实时性要求,具有良好的抗阴影的能力.

基于多模型结合优化的非结构化道路检测算法

非结构化道路检测一直是道路检测算法中的难点.提出一种基于彩色混合高斯模型与抛物线模型相结合的优化的非结构化道路检测算法.首先采用中值滤波和二次采样法将待处理彩色图像由高分辨率变为低分辨率图像,并对图像进行光照补偿;然后建立基于优化聚类中心的K-means算法的混合高斯模型,通过最小二乘法求解左右道路抛物线模型参数;最后完成对道路边界线的拟合,实现其提取.实验结果表明,该算法对光照不均、阴影等影响的图像处理具有较强的抗干扰性,提高了运算速度,具有一定的鲁棒性和实时性.