基于视觉的缩微智能车车道检测与控制

针对智能车辆自主驾驶行为研究,提出并实现了一种基于视觉导航的缩微智能车系统.从软硬件架构、数据通信方式上介绍了缩微智能车系统的整体设计,并针对缩微道路交通环境中传统车道线检测技术易受光照变化影响的问题,提出一种灰度形态学Top-Hat变换与亮度轮廓扫描方法相结合的车道线检测算法.为分析智能车在缩微交通环境下的自主驾驶表现,设计了一种模拟驾驶员转向行为的舵机模糊控制算法.实验结果表明,该方法可以有效模拟车辆在真实道路交通环境中的自主驾驶行为,为智能交通系统研究提供了一种新思路.

缩微智能车目标检测系统的设计与仿真

为实现对车辆前方目标检测,提出并模拟了一种对缩微智能车前方目标进行检测的方案.在交通沙盘中,搭载ARM9开发板的缩微智能车,通过多种传感器数据融合采集缩微智能车的前方目标信息,然后再对数据进行集中处理.处理过程包括对视觉数据进行行人识别、对雷达数据进行目标状态分析,以及对通信数据进行分包,最后将数据包发送到监控平台完成前方运动目标信息的实时显示.仿真结果表明:该系统实现了对缩微智能车前方目标信息的实时采集,其采集精度和系统稳定性优于传统的目标运动信息采集系统.

缩微智能车巡航控制系统开发方法研究

为实现缩微智能车的巡航控制,提出了一种基于Matlab/Simulink软件图形化编程的控制系统开发方法,将控制算法部署到树莓派开发板中以实现缩微智能车巡航控制。基于模糊控制算法和PID控制算法设计了缩微智能车巡航控制器,以真实车辆1∶10比例的缩微智能车、树莓派开发板与缩微交通环境搭建了开发与测试平台,利用该平台对设计的缩微智能车巡航控制器进行了测试与验证。实验结果表明:缩微智能车在车速控制与跟车控制2种工作模式下表现较好,即提出的开发方法简单可行且具有应用价值。

缩微智能车室内定位系统研究

为在缩微交通环境下模拟实现现实交通中GPS对车辆的定位以及辅助驾驶功能,文中利用RFID以及网络通信技术建立了缩微智能车的室内定位系统,并在此基础上运用卡尔曼滤波算法对缩微智能车进行机动目标跟踪,实现了缩微车在缩微交通环境下的实时定位显示。大量实验结果表明,该室内定位系统能够可靠显示智能车的当前位置,定位误差小于0.07 m,满足缩微交通环境下缩微车的定位需求。

缩微智能车路径跟踪的增量式PID控制

为实现缩微智能车沿预设路径稳定行驶,以多传感器缩微智能车为载体,搭建一套包含无线通信系统、视频监控系统、终端控制系统的缩微道路交通实验台,实现了图像数据处理、道路识别跟踪、路径规划判断以及运动控制执行等功能。研究了缩微智能车路径跟踪的控制算法,该算法能实时调整缩微智能车当前位置与预设路径之间的偏差,使缩微智能车的航向在一定程度上能与预设路径保持一致。实验结果表明:改进后的增量式PID算法响应速度加快,超调量减小,缩微智能车能够更加快速稳定地实现路径跟踪。

基于视觉的缩微智能车跟驰问题研究

论文在基于简单视觉的缩微智能车自主驾驶的基础上提出一种完全基于视觉检测的多车道车辆跟驰交互模型,根据缩微智能车机械性能要求,通过仿真得到车辆跟驰模型参数,并通过缩微智能车跟驰实验验证跟驰模型及模型参数的有效性,为进一步群缩微智能车协同驾驶、交通仿真和评估研究提供理论支持和技术支撑。此外,三维缩微道路环境和智能车可为智能交通系统仿真研究提供一种兼具计算机仿真和场地实验优势的缩微实验新平台,可降低实验成本,提高交通仿真的可信度。

面向智能交通实践课程的微缩智能车设计方案及教学应用研究

针对智能交通专业实践教学过程中遇到的测试场地、实践成本、安全风险等方面的问题,提出面向智能交通实践课程的微缩智能车设计方案。通过对真实智能网联车按照一定比例进行微缩移植,结合多种先进的传感器,微缩智能车可以基本复现真实智能网联车的功能。同时,综合考虑智能交通专业实践教学在数据方面的需要,微缩智能车可以开放传感器数据、车辆状态数据、车辆动力控制数据等多种类型数据,满足实践教学的数据需求。此外,微缩智能车可以支撑部分实践教学实验,也可以与智能交通沙盘和驾驶模拟器进行搭配,支撑复杂场景下的实践教学,助力智能交通专业人才培养。

基于多缩微车的智能交通半实物仿真平台

为了更真实地模拟现实环境中的人、车、路等交通要素及相关的交通设施,解决交通安全与拥堵等问题,提出一种缩微尺度下智能交通半实物仿真平台。介绍了半实物仿真平台的硬件组成和软件架构,进行车载系统、道路及路侧系统设计,详细说明此平台在车辆自主驾驶与多车交互驾驶、三维构图与定位和基于事件驱动的车联网集群混成控制3个方面的应用,并进行仿真。仿真结果表明:该平台能够使缩微智能车实现完全模拟真车在真实道路环境下的驾驶行为,为交通系统仿真与智能交通系统的研究提供了有益借鉴。

一种基于注意力动力学的缩微智能车视觉认知计算模型

提出一种基于注意力动力学的新的视觉认知计算模型,并应用于缩微智能车的自主驾驶.该模型通过上层驾驶任务、底层对象显著性和先验知识,共同驱动视觉注意关注区域的选择.首先由上层驾驶任务确定任务相关区域;然后在任务相关区域内通过基于改进的Itti-Koch显著图的底层对象显著性检测方法和基于先验知识的注意力跟踪转移机制,确定注意关注区域;最后根据在注意关注区域内进行识别认知的结果,完成自主驾驶控制决策和先验知识保存,并通过反馈机制实现驾驶任务切换.实验结果表明,新模型能够有效减少智能车图像计算处理的时间,极大提高智能车环境感知的能力和智能决策的效率.

基于缩微智能车的车辆跟随控制系统

针对车辆跟随系统中每辆车只能获得局部信息的情况,给出了一种控制器设计方法,并利用李雅普诺夫方法分析了系统的稳定性,给出了保证系统能够稳定运行的充分条件.为增强系统的可扩展性,在原有控制器基础上加入了速度限制,以避免系统位置偏差的逐级放大.在缩微交通环境下实现了5辆缩微车的车辆跟随系统,以验证控制方案的可行性.通过仿真和缩微车实验表明,运用所设计的控制方案,车辆跟随系统能够稳定行驶,避免了系统位置偏差的传播.

基于Pure Pursuit算法的智能缩微车路径跟踪

为实现缩微智能车沿预设路径稳定行驶,本文以多传感器缩微智能车为载体,搭建了1套包含无线通信系统、视频监控系统、终端控制系统的缩微道路交通实验台,实现了图像数据处理、道路识别跟踪、路径规划判断以及运动控制执行等主要功能。重点研究了缩微智能车路径跟踪的Pure Pursuit控制算法,该算法能实时调整缩微智能车当前位置与预设路径之间的偏差,从而使得缩微智能车的航向在一定程度上能与预设路径保持一致。实验结果表明:Pure Pursuit算法响应速度快、超调量小,缩微智能车能更快速稳定地实现路径跟踪。

基于虚拟样机的微缩智能车仿真教学实验开发

基于虚拟样机的微缩智能车仿真教学实验采用Unity3D技术,根据第十四届全国大学生智能汽车竞赛官方规则设计微缩智能车虚拟样机和虚拟赛道,搭建虚拟比赛环境。通过行为克隆方式采集运行中的驾驶行为数据,进而采用NVIDIA端到端自动驾驶卷积神经网络模型结构进行端到端训练,训练出的模型能够完成较为复杂的赛道任务。本实验疫情期间用于自动化专业选修课系统仿真和全校创业公选课自动驾驶仿真探索,取得良好的教学效果。

缩微交通环境下的车道标识线检测

为了解决缩微交通环境下的车道标识线检测问题,提出了一种数学形态学与概率霍夫变换相结合的车道标识线检测方法。首先运用灰值腐蚀膨胀对道路图像进行滤光处理,去除光照影响,然后利用自适应阈值二值化图像,最后利用概率霍夫变换寻找车道标识线。实验结果表明,在缩微交通环境下该方法能够准确地检测出车道标识线,具有很强的鲁棒性。

基于智能微缩车的车道线检测算法验证

现阶段的无人驾驶汽车往往搭载众多昂贵的传感器,且实际场景中的试验通常受到政策法规及高昂成本的限制。为此,智能微缩车的出现将原有无人驾驶汽车的物理尺度缩小,使重复试验的成本控制在可接受范围内,且有助于验证无人驾驶汽车的环境感知及横向控制算法。本文基于车道线宽度特征对车道边缘进行检测,通过B样条曲线进行拟合,根据拟合的车道线设计横向保持控制器,最终在微缩车试验平台中进行验证。微缩场景下的试验结果表明本文中的车道检测及横向控制策略能够较稳定地操控智能微缩车跟随目标路径行驶。

基于电磁引导的道路自识别智能汽车软硬件设计与研究

本文利用电磁原理对基于电磁传感器自识别道路的智能汽车寻迹检测装置进行理论研究,在MC9S12系列单片机控制核心基础上对智能汽车的控制系统输入信号进行分析,完成了可以自识别路径的控制原理方案、包括信号控制电路的设计和制作在内的硬件设计。最后以嵌入式软件开发工具软件Codewarrior为开发平台,以增量式PID控制与模糊控制相结合,完成微缩智能车模型控制系统的程序算法的实现。本文为电磁在道路自识别系统中的应用提供了理论依据和工程实现方法,也为同类电气自动化产品在自识别路径与寻迹中提供了分析方法和思路。

基于安全距离模型的车辆跟随控制策略研究

针对车辆协同驾驶领域中的跟随过程,建立了安全距离控制模型,采用BP神经网络PID控制策略设计了控制器,并通过MATLAB/Simulink软件进行仿真分析,将BP神经网络PID控制与传统PID控制的控制效果进行了对比,最后运用缩微环境下的智能车辆系统试验平台设计了Update算法,完成了跟随试验验证。仿真和试验结果表明,本文设计的智能控制器减小了车间距误差,提高了控制准确性,能满足车辆安全跟随行驶要求。

基于城市先进道路交通系统的智能交通仿真平台设计

针对自动驾驶汽车在复杂交通场景中的测评需要,通过对先进道路交通系统的通讯、监控、大数据的技术集成构建了智能交通仿真平台。基于212种中国城市道路交通场景,该仿真平台通过半实物的方式还原了常见的200种自动驾驶运营场景,为自动驾驶汽车的技术研发、功能测试以及智能交通系统的策略研究提供了可视化的验证,大大节约了智能网联汽车的开发成本,并为其开发成效提供了新的途径。

基于深度学习的端到端自动驾驶方法研究

对自动驾驶为整体的系统展开研究,基于卷积神经网络(CNN)构建端到端的自动驾驶系统.实验发现图像序列能够增强转向角预测性能,采用3帧RGB图像作为模型输入的方式相比传统的单流CNN模型预测精度得到显著提高.将时间信息引入端到端自动驾驶系统,提出双流CNN结构,将时空信息有效组合,引导神经网络通过归纳传递发现短期的时间依赖性.同时基于树莓派平台设计了一种微缩智能车,以此验证在实际应用中端到端自动驾驶算法是否具有有效性.