基于滑动分块Bootstrap方法的非结构道路谱α-稳定分布参数区间估计与重构

采用对称α-稳定分布模型来描述非结构路面谱的非高斯幅值分布特性。针对实际路谱采集作业中路段长度有限、道路自身特性多样等因素对重构路谱准确性的不利影响,使用空间滑动Bootstrap重抽样,得到采集谱稳定分布参数的估计区间,进而基于稳定分布序列生成理论并考虑道路模拟试验的实际限制,使用有幅值截断的稳定分布序列,重构出具有随机稳定分布特征且适用于台架试验的非结构道路重构谱。通过对某工程车的试验场道路重构的实际应用,验证了所提出的非结构道路谱参数区间估计以及路谱重构方法的有效性和实用性。为开展车辆的非结构道路模拟试验乃至车辆的虚拟行驶疲劳试验提供了一种道路谱时域重构的可靠方法。

非结构道路环境下的智能汽车质心侧偏角估计

车辆质心侧偏角是描述车辆侧向运动状态的重要参量之一,其估计的精度直接影响车辆的安全控制,传统的质心侧偏角估计方法不能满足非结构道路环境下的智能汽车质心侧偏角估计的要求。通过建立3自由度智能汽车动力学模型,采用CarSim和MATLAB构建智能汽车整车参数化模型;基于扩展kalman滤波(EKF)算法,设计非结构道路环境下的状态观测器对智能汽车质心侧偏角进行估计。在高、低附着系数路面双移线工况和蛇形工况下,对状态观测器的估计效果进行联合仿真验证。仿真结果表明:该方法能较精确地估计出非结构道路环境下智能汽车的质心侧偏角。

基于SegNet的非结构道路可行驶区域语义分割

为了增强自动驾驶车辆对非结构化道路中可行驶区域的场景理解能力,基于SegNet深度学习网络结构,提出了一种针对非结构道路的可行驶区域语义分割方法。在传统的卷积神经网络基础上,构建编码-解码深度卷积神经网络,用于自动习得图片中非结构化道路的特征,通过在数据集上进行训练和学习,得到图像语义分割模型,可直接用该模型预测非结构道路中的可行驶区域,实现自动驾驶车辆在非结构道路中行驶时的环境感知。实验结果表明,研究方法分割效果和精确度提升明显,Dice相似度和Jaccard相似系数均可达80%以上。

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。

基于本体的非结构化道路场景建模和行为决策的方法研究

本文章针对非结构化道路,自主车辆难以进行有效导航和决策规划的问题,提出了一种基于本体论进行驾驶场景建模与行为决策的方法。首先,建立了非结构化道路中各个元素的本体模型,其中利用八方位模型来描述道路场景中无人车和障碍物之间的位置关系。然后,将自主车辆中栅格地图的笛卡尔坐标系转换为Frenet坐标系,以组合弹簧模型为架构定义风险函数来评估车辆在当前场景行车的风险值。再将光电信息数据和先验驾驶知识进行融合,形成本体知识库。最后用Prolog推理机推理出最终的行为决策结果,而该结果需满足安全性和合理性评估。实验结果表明,在非结构化道路中,该方法在决策层面能给出更符合驾驶员行为的决策结果、在辅助规划路径方面也表现良好。

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%。

融合OTSU与形态学图像处理的非结构化道路分割

非结构化道路通常具有不规则的道路边界,缺少车道线和道路标识,背景环境较为复杂。针对非结构化道路场景中的道路区域分割问题,提出了融合OTSU算法与形态学图像处理的道路分割算法,即首先将摄像头获得的彩色场景图像转换为灰度图像;其次进行高斯滤波,减少噪声;再次利用OTSU算法计算出合适的分割阈值,得到初始分割二值图像;从次使用形态学图像处理减少噪声和平滑图像;最后对得到的分割图像进一步处理,保留分割图像中最大的连通区域,得到道路区域分割结果。实验结果表明,融合算法可以更加精确地分割非结构化道路场景中的道路区域,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。

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。

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。

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。

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。

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.

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.

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将该文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,该文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为2.41×10^(6),相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。

基于纹理特征的非结构化道路分割算法

为了提取出智能车在视觉导航系统中可行驶的区域,提出了一种基于纹理特征的算法,用于分割出城市的非结构化道路中可行的道路区域。首先,为了提取出车道中车辙印对应的纹理特征,通过选取2个频率8个方向的Gabor模板对图像进行变换分析,得到各个像素点的纹理强度以及方向特征,利用其方向特征值对候选消失点进行投票,得票最高点即道路消失点,然后提取出有效投票区域中的直线斜率,建立通过消失点的直线方程来划分出可行的道路区域。实验结果表明,该算法在强光照以及夜间场景下可有效地分割出可行的道路区域,并且不受阴影的影响。

最大熵原理在非结构化道路图像识别中的应用

根据非结构化道路环境的特点,结合最大熵理论在图像处理中的运用,提出了一种基于最大熵理论的非结构化道路图像识别的算法。对于以往划分道路时,阴影区域和道路与非路交界区域容易出现分类错误的现象,通过两次最大熵分类,把这些区域重新划分,最终将道路与周围的环境区分开来。同时满足实时性的要求。

基于PCA-SVM准则改进区域生长的非结构化道路识别

针对智能车辆在非结构化道路识别中需要采用众多的特征参数,增加了特征融合识别难度与计算复杂度,并且部分背景与道路区域存在相似性会产生道路识别的误分、误判的问题,提出了一种基于主成分分析的支持向量机(PCA-SVM)准则改进区域生长的非结构化道路识别算法。首先,对非结构化道路颜色、纹理等复杂特征信息进行提取,采用PCA对提取的特征信息进行降维;然后,利用降维后的主元特征对SVM进行训练后作为复杂道路单元格的分类器。利用道路位置、起始单元格等先验知识以及道路边界单元格统计特征改进区域生长方法,在单元格生长时利用分类器判别,排除误判区域。实际道路检测结果表明,所提算法具有较好的鲁棒性,能够有效识别非结构化路面区域。对比结果表明,所提算法在保证准确率的同时,将10余维复杂特征信息压缩为3维主元特征,相比传统算法可缩短计算时间一半以上。针对背景与道路相似区域造成的传统算法10%左右的误判问题,所提算法能够有效排除。在野外环境下基于视觉的局部路径规划与导航方面,所提算法为缩短识别时间、排除背景干扰提供了可行途径。