基于语义分割的车辆行驶车道定位方法

提出一种基于语义分割的车辆行驶车道定位方法.首先采用“编码器-解码器”网络架构实现多车道语义分割,通过最大池化计算的池化索引来进行非线性上采样,消除上采样的学习需要;然后结合目标检测YOLO v2算法,判断行驶车辆所属车道的位置,从而进行车道定位.利用卡尔斯鲁厄理工学院和丰田美国技术研究院公布的数据集(KITTI)中城市道路(UM)的数据制作训练和测试数据库,并将其公开发布.该算法可以实现端到端训练,网络结构简单、速度快、内存需求低,每帧图像的执行速度在60 ms以内.

基于视觉和毫米波雷达的车道级定位方法

提出了一种基于视觉和毫米波雷达的车道级定位方法.利用机器视觉方法,通过摄像头检测车道线,并用圆曲线模型进行拟合;采用毫米波雷达检测道路两旁的静止护栏边沿,以获取道路的边界信息,采用低精度全球定位系统(GPS)获取当前道路信息,并对比车道线与道路边沿的相对位置关系,从而进行车道级定位.结果表明,针对中、高速城市道路及高速公路场景,所提出的车道级定位方法的定位效果较好.

集成时空邻近与卷积网络车道级高精度定位算法

提高车道水平定位精度是智能交通系统发展的重要技术之一。本文提出了一种新的车道级定位方法——时空邻近卷积神经网络(STP-CNN),利用时空附近(STP)动态细化候选匹配道路,再进一步采用个性化卷积神经网络(CNN)自适应识别最优匹配车道。该方法通过优化集成GPS、车速和惯性测量单元等参数,实现了厘米级和车道级车辆位置的平滑估计。试验结果验证了该方法的可行性和有效性。

一种不依赖差分技术的车道级卫星定位技术

在5G+新基建的移动互联网时代,高精度定位成为诸多领域的新宠,备受年轻一代的青睐。在此背景下,博盛尚科技向市场推出一种新型的RAC高精度卫星定位接收机,其特点是不使用任何差分技术(及惯导),仅采用普通民用单频信号(GPS L1或北斗B1),就能实现优于1米的定位精度。这项技术的应用,使高精度卫星定位既摆脱了对地基(星基)增强网的依赖,又大幅降低了成本,能够推动高精度卫星定位大规模普及应用时代的提前到来。

基于多通道融合和极线约束的道路检测与定位

计算机双目视觉道路检测及定位在实现无人运动平台自主导航中具有重要意义.根据双目摄像机系统模型,提出基于多通道阈值融合的车道线检测方法,融合车道线边缘和色彩信息进行图像阈值分割,采用透视变换和自适应动态滑窗法提取车道线像素,采用最小二乘法拟合道路模型并依据极线约束关系进行定位,投影至SLAM地图中.实验结果表明,算法在光照变化、阴影遮挡等场景中均能精确检测车道线,将车道线信息投影至三维地图可以有效地将车道信息与地图信息进行融合,提高了道路感知能力.

基于北斗的高精度定位车载导航系统的设计

随着导航系统的发展,车载导航系统的装配量越来越大,用户和市场对导航系统的定位精度要求越来越高。本文设计了基于北斗高精度定位车载导航系统,装配了具有强大处理能力的处理器和适合航位推算的传感器模块。不仅采用高精度定位模块提高了定位精确度,而且从软件方面也可以提高定位精确度,例如采用提高定位精确度的成熟算法,例如卡尔曼滤波、航位推算及地图匹配等。可以达到车道级定位精确度。

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2.5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。

复杂城市环境下GNSS/INS组合导航可观测度分析及鲁棒滤波方法

城市峡谷等复杂场景下,建筑物遮挡、多路径和非视距等效应严重影响GNSS信号质量。通过引入动态时变系统可观测度分析方法,在线评价系统每个状态变量的可观测程度,并探究GNSS信号异常对组合导航性能的影响机理。针对智能车辆途径人行天桥和高架桥时GNSS信号受限等情况,基于比较残差协方差矩阵的递推值和理论计算值,提出一种新型的自适应因子,在线度量GNSS/INS融合滤波的异常程度,进而设计自适应鲁棒的卡尔曼滤波(ARKF)算法,并基于可观测度分析验证其有效性。实验结果表明:所提出的ARKF方法能够保证GNSS短时受限时,融合定位最大误差限制在1 m内,增强了GNSS/INS组合导航系统的鲁棒性和环境适应性,保证了车道级高精度导航定位。

交通场景下的大型车辆右转停车检测方法研究

随着大型车辆右转必停的新交规逐步实施,针对现有的监管方式存在效率较低的问题,提出了一种大型车辆右转停车检测方法。对YOLOv7-tiny检测模型进行改进,在ELAN模块中引入注意力机制,以提升大型车辆的检测性能。设计了一种新的大型车辆右转车道定位方法,通过自适应探测车道,提高了其在不同监控视角下的定位准确性。对大型车辆的运动轨迹进行序列数据转换,并采用结合加权平均的中值滤波算法,有效降低了原始数据的噪声。在滑动窗口损失函数中引入权重因子,进一步提升了检测方法的鲁棒性。实验结果表明,改进后的大型车辆检测模型在自制数据集和公开数据集上均取得了性能提升,大型车辆右转车道定位方法具有更强的泛化能力,并且检测到的停车时间覆盖率达到了97.4%。