应用单层小波包近似压缩感知的道路理解

针对室外自主移动机器人道路理解中遇到的阴影、裂纹等奇异信号造成的视觉算法不鲁棒问题,以及导航图像实时处理时遇到的大数据难题,提出了单层小波包近似压缩感知(SLWPCS)概念,并给出了其实现方法,与基于自适应遗传算法的图像分割法相结合,构建出一套实时道路理解算法系统.通过粗测各级小波包分解后的近似道路图像,确定出不影响"路-非路"二分类的最佳尺度空间;在最佳尺度空间中采用sym8小波对道路图像进行小波包分解,采用压缩感知矩阵对除斜线方向外的高频系数进行降维处理,并采用OMP算法重构高频系数,再与低频系数一起重构原图像;用灰度类间最大方差和类内最小方差构造适应度函数,对各帧道路图像进行最佳阈值自适应分割,确定出道路边界.采用轮式自主移动机器人作为研究平台,在实际道路和CMU提供的机器人道路视频中进行算法实验,结果表明,文中方法能够在具有阴影、裂纹、光照度变化的条件下鲁棒分割出道路边界,满足系统实时性要求.

基于不确定性知识的实时道路场景理解

由于室外机器人的工作环境非常复杂 ,因此机器人的视觉导航必须具有足够的智能和鲁棒性 .为此 ,提出了一种基于不确定性知识的实时道路理解算法 ,该算法通过不确定性知识推理来融合多种信息和知识 ,以满足在复杂道路环境下的鲁棒性要求 ,它即使在有强烈阴影、水迹等干扰下也能给出比较好的结果 ;通过图象边缘信息的提取可以得到精确的道路边界 ,以满足视觉导航的精确性要求 ;同时在算法设计时 ,兼顾了实时性要求 ,使得算法得以实时实现 ,该算法已在实际的机器人上进行了测试 。

基于多特征融合的道路理解方法

针对单目视觉技术的道路理解算法难以在效率和鲁棒性间达到平衡的问题,提出一种基于多特征信息融合、优化的道路理解算法;算法在初始化阶段,融合边界消失点、路面消失线和车速信息,分别提出基于最小风险函数的道路区域分割算法;在道路识别阶段,首先使用方向随动滤波器对图像进行预处理,然后融合道路方向、边界平行度、像素灰度和其他先验知识,构造车道置信度函数,采用概率Hough变换提取道路边缘;在道路跟踪阶段,提出基于粒子对滤波的道路跟踪算法,对道路进行跟踪。测试结果表明:该方法在结构化道路环境中可以快速准确提取车道线,并且对典型道路干扰具有很好的免疫作用。

基于增强转移网络(ATN)的室外移动机器人道路图像理解

道路图像理解是室外移动机器人视觉导航自主驾驶研究中的一个关键技术 ,由于基于视觉导航的室外移动机器人自主驾驶时 ,对实时性和鲁棒性要求很高 ,因此 ,为了满足室外移动机器人自主驾驶的实时性和鲁棒性要求 ,将人工智能研究句法分析中的一个形式体系——增强转移网络 (ATN )成功地应用于室外移动机器人的道路理解中 ,进而提出了基于 ATN的室外移动机器人道路图像理解算法 ,该算法在统一的 ATN构建思想指导下 ,针对不同的道路情况 ,不仅可以灵活地构建出不同的道理理解 ATN网络 ,还可达到本质上的统一及应用上的灵活。经实验检验 ,该算法在满足系统要求的鲁棒性条件下 ,具有非常高的实时性 。

基于深度残差学习的自动驾驶道路场景理解

随着道路场景理解技术的快速发展,自主驾驶领域取得了长足的进步。在相关任务中,包括道路分割、分类和车辆检测的实时性和准确性是安全性的一个关键问题。为此,提出了一个具有编/解码器网络结构的基于深度残差学习的方法。一方面,编码器网络结构使用不同层次的残差网络来提取高维中的抽象特征,这些特征在接下来的三个任务中共享使用;另一方面,解码器网络结构采用一种子任务的并行计算机制,即道路分割、车辆检测和道路分类任务同时执行。此外,全卷积神经网络用于对提取的图像特征进行上采样以解决道路分割问题。最终,实验结果表明在保证高精度的前提下处理帧率可达到15 fps以上。

基于道路动态视觉导航的控制策略与仿真

使车辆在自然环境中自动行驶，视觉导航方法受到了很大的重视。该文介绍了我们进行的研究工作，其中包括基于道路理解和目标检测的动态视觉导航控制策略，以及这一模拟显示系统的实现。

多智能体协同高精地图构建关键技术研究

自动驾驶车辆的自动化驾驶程度越高,对高精地图的要求越高。智能化的高精地图能够为L5级别自动驾驶车辆提供所需地图数据,是未来高精地图发展的重要方向。基于目前高精地图的构建方法,本文首先提出多智能体协同高精地图构建的定义,分析其构建框架。然后,对多智能体数据采集路径规划、多源异构一体化数据融合与表达、道路场景认知、智能高精地图融合、智能高精地图更新等关键技术进行了研究,提出了可行的技术方案。最后,分析了其未来构建过程中存在的挑战。