循环多特征信息融合法:一种基于深度学习的车道线检测方法

车道线检测是辅助驾驶和自动驾驶的核心技术之一。为了进一步增强车道线特征的提取能力,提出了一种基于深度学习的循环多特征信息融合车道线识别算法。针对模型计算效率问题,该算法将车道线检测问题视为基于行选择单元格的分类问题;针对图像中车道信息聚合问题,提出了一种新的循环多特征信息聚合(recurrent multi-feature information aggregator,RMFA)方法,并将该方法与残差神经网络(residual neural network,ResNet)相结合提出融合上下文及多通道信息的车道线识别网络ResNet-RMFA。将该网络模型在Tusimple和CULane公开数据集上进行了性能测试,实验结果表明该模型单帧图像的推理时间可达4.8 ms,在Tusimple数据集上的精确度为96.07%,在CULane数据集上的F_(1)(IoU=0.5)评分为69.3%,达到了速度与精度的良好平衡。

基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory,M-LSTM)网络的换道意图预测模型。首先采用S-G(Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine,SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。

基于双分支分割网络的复杂环境车道线检测方法

对车道线实现准确检测是自动驾驶中的关键技术。针对现有的车道线检测方法对复杂工况下的车道线检测精度不足的问题,提出一个面向复杂场景下的车道线检测模型。基于LaneNet网络设计一种双分支分割网络,利用网络模型中的损失函数使图像像素点占比提高,实现网络参数的优化。通过编码器与解码器结构对车道线采样,实现语义分割与车道线像素点嵌入分割;并通过自适应DBSCAN聚类算法实现对邻域半径和最小样本个数两个参数的自主选择,引入H-Net网络中的图像逆透视变换与车道线拟合实现检测。最后,利用图森数据集对所设计模型进行验证。结果表明,所提出的车道线检测模型有较高的精度,能实现复杂场景下的车道线检测。

A Trajectory Planning Method of Automatic Lane Change Based on Dynamic Safety Domain

Traditional research on automatic lane change has primarily focused on high-speed scenarios and has not considered the dynamic state changes of surrounding vehicles.This paper addresses this problem by proposing a trajectory planning method to enable automatic lane change at medium and low speeds.The method is based on a dynamic safety domain model,which takes into account the actual state change of surrounding vehicles,as well as the upper boundary of the safety domain for collision avoidance and the lower boundary of comfort for vehicle stability.The proposed method involves the quantification of the safety and comfort boundaries through parametric modeling of the vehicle.A quintic polynomial trajectory planning method is proposed and evaluated through simulation and testing,resulting in improved safety and comfort for automatic lane change.

基于深度强化学习的自主换道控制模型

为解决自动驾驶汽车快速安全换道问题,提出并改进了一种基于深度强化学习的自主换道控制模型。首先建立车辆动力学运动模型,其次使用深度确定性策略梯度(DDPG)算法更新模型,最后通过MATLAB/CarSim对学习到的控制策略进行联合仿真验证。为了使模型更真实可靠,提出将CarSim融入智能体的训练,同时为解决传统模型在换道后期控制效果不理想问题,提出一种基于采样时间的方向盘转角输出模型。结果表明:在60、80 km/h车速下,提出的模型从换道开始到稳定行驶的过程相比于改进前更平顺、快速,验证了模型能够实现一般车速下的自主换道控制,为车辆的自主换道研究提供一定的参考。

强化学习在自动驾驶换道研究中的应用

在车辆行驶的过程中,车辆的硬件设备有保障的前提下,错误的行为决策是交通事故发生的主要诱因。强化学习能够和环境不断进行交互调整,具有很好的泛化能力,适合复杂的换道决策场景。首先对自动驾驶系统和换道决策进行了简要介绍;其次,介绍了强化学习的原理和其具代表性算法,并总结了强化学习在换道决策系统中的应用;最后,根据存在的问题,对强化学习在自动驾驶换道决策中的应用进行了展望。

煤矿井下无煤柱自成巷开采技术的应用

针对煤矿井下综采作业时巷道变形量大、综采成本高、浪费量大的不足,提出了无煤柱自成巷技术,对顶板预裂切缝设计方案、恒阻大锚索支护、巷道临时支护方案的应用情况进行了分析。根据在煤矿的实际应用表明,该新的无煤柱自成巷技术能够实现年节约成本11321.2万元,能够有效提升井下综采作业效率和经济性。

机器视觉技术在RTG大车自动纠偏系统中的研究与应用

机器视觉技术,在轮胎式龙门起重机行进过程中,实现了对大车的实时偏移量与偏移角度进行的高精度定位检测,进而实现了预测性大车自动纠偏,提高了大车纠偏控制精度。

高速公路自动驾驶车辆测试段专用车道动态使用研究

为实现高速公路自动驾驶车辆专用车道对社会车辆时空路权的动态管理,提出1种基于高速公路自动驾驶车辆专用车道的动态设置与使用方法。基于自动驾驶车辆进出专用车道实时状态的变化,通过智能道钉闪亮范围的动态调整、可变信息标志的布设与控制、清空距离以及安全距离的空间保障,动态调整专用车道上社会车辆的使用路权,保证自动驾驶车辆的安全、快速通行。通过合理设置专用车道的动态使用,为目前高速路网中自动驾驶车辆流量较小的应用场景提供新思路,降低投入产出比,既保证车辆运行安全,又能提高通行效率与道路资源利用率。

基于循环特征融合的弯道增强车道线检测算法

针对道路转弯处曲率过大导致弯道识别的精度下降的问题,本文提出了一种基于循环特征融合Resa-CC的弯道增强车道线检测算法。该算法利用车道线的形状先验性,捕获图像像素中行与列的空间关系,融合信息生成特征图;以残差网络为主体框架,加入编码器、解码器和注意力机制模块,在损失函数中引入弯道结构约束来提高车道线弯道的识别精度。加入循环特征融合模块和自注意力机制模块后准确率分别提升3.41%和1.1%,证明了两模块的有效性;Resa-CC算法准确率可达96.83%,FPS为35.68,误检率FP和漏检率FN分别为0.0315和0.0282,表明本文算法具有较高的检测性能,在车辆行驶弯道路段中能更准确地推断出车道线的位置。

基于OpenCV的车道线检测算法改进研究

随着自动驾驶技术的快速发展,对车道线检测也提出了更高要求。基于OpenCV函数算法整合,完成了车道线的在线检测,首先通过行车记录仪获得车道线视频的帧图像,对图像进行灰度化、降噪、二值化、形态学等预处理操作,选中ROI区域,再通过面积和外接矩形过滤掉干扰因素,最后进行Canny边缘检测和霍夫直线检测,使用最小二乘法拟合检测到的直线并在原图上画出,实现了在白天、黑夜、有障碍车道环境中的成功检测与准确识别。基于传统图像处理算法进行的该项改进,为自动驾驶领域内的车道线提供了一种更加简单有效的检测途径。

路口内虚拟车道自动制图方法

高精度地图在位置查找、自动导航、自动驾驶等场景中起到至关重要的作用。本文对现有高精度地图的制图方法进行了分类与总结,并指出现有制图方法存在的问题:制图效率低且没有规避障碍物,导致即使可以自动化标注路口内的虚拟车道线,但实际却不可用。本文针对现有制图方法存在的问题,设计了一种路口内可以规避障碍物(如岗亭、交通圈等)的虚拟车道线自动化制图方法。通过对北京市和上海市部分路段内的多个路口内的虚拟车道线进行自动化提取,并记录首次自动化制图提取的正确率。试验结果表明,该方法可适用于十字、X形、Y形、T形等多种路口,并且自动化标注的虚拟车道线可以规避路口内的障碍物,满足绝大多数路口内的车道线自动化提取需求,因此该方法可以满足路口内虚拟车道线的自动化制图的预期目标。通过该自动化制图方法,可以快速自动标注路口内的车道线,大大提高制图人员的制图效率。

红林煤矿110工法沿空留巷工程试验研究

贵州红林煤矿9#煤层为突出煤层,其形成采面所需巷道工程量较大,掘进成本高,耗时长,易造成采掘接续紧张,而沿空留巷能较好地克服这些问题。由于该矿井受到瓦斯灾害及复杂地质条件的影响,且没有沿空留巷技术施工经验,故需进行针对性地理论分析和现场试验。项目首先评估了现场工程地质条件,并基于行业规范进行了沿空留巷方案的初始参数设计;然后通过现场试验进行了部分参数优化,并依据优化方案实施了200 m长度的留巷工程;最后通过全程采集矿压、变形等数据分析了支护锚索的承载力变化与围岩变形演化等规律。试验表明,优化后的沿空留巷技术参数能够满足红林煤矿安全需求,该成果为类似工程提供参考依据。

基于学习的自动驾驶换道决策算法研究进展

换道决策是自动驾驶决策规划技术关键一环,研究自动驾驶汽车的换道决策算法,可以更好的实现车辆的自主换道。文章通过对现有的换道策略文献进行查阅,对近年来基于学习的自动驾驶换道决策算法进行分类和总结。首先将基于学习的换道决策方法分为两类,即基于传统机器学习和基于强化学习的换道决策,其次对决策算法进行详细说明与研究综述,分析各个方法的优劣,最后对自动驾驶换道决策未来研究方向进行展望,为车辆自主换道决策研究提供参考。

基于自适应巡航的车辆主动换道仿真

传统的自适应巡航功能只能在单一车道内完成车辆巡航速度控制,而不能更加智能化地进行主动换道。针对此类问题,论文通过计算最小安全车距情况下主动切出本车道,利用CarSim/Simulink在80km/h工况下进行仿真验证。结果与当下主流车企使用的自适应巡航系统对比,基于自适应巡航的车辆主动换道策略能够满足在最小安全车距下完成主动换道,且完成设定工况下的换道效果良好。

无煤柱自动成巷关键技术及应用研究

传统无煤柱自动成巷技术采用聚能爆破切顶,存在巨大的安全隐患,且宏观锚索的安装过程相当复杂。为有效弥补无煤柱自动成巷技术的不足,本文研发了新型无煤柱自动成巷技术,采用非炸药爆破方法,即瞬时膨胀器(IESF)形成单一裂缝,大大提高了安全性;微NPR锚索易于操作,具有伸长率大、强度高、抗冲击能力强、无明显颈缩现象等特点,可用于巷道支护;介绍了新型无煤柱自动成巷技术的基本原理、关键技术和实施方案,并在西山煤电马兰矿进行了试验。试验结果表明,IESF具有优良的定向切顶能力,可替代炸药聚能爆破,微NPR锚索具有优良的支护性能,可有效控制顶板变形,自动成形巷道变形较小,满足工作面采煤作业要求。

复杂地形条件下自动成巷无煤柱开采工艺的研究

针对井下煤柱留设开采技术所存在的成巷工作量大、煤炭回采效率低、围岩稳定性差的不足,提出了一种新的自动成巷无煤柱开采技术。对复杂地形条件下无煤柱开采工艺流程、顶板预裂切缝方案、碎石帮支护方案等进行了研究。根据实际应用表明,新的自动成巷无煤柱开采工艺,能够减少井下巷道掘进量、提高井下煤炭回采率,节约成本6937.6万元。

改进的有限时间最优预瞄横向控制器设计

提出了有限时间最优预瞄横向控制算法,根据高速公路车道保持系统实际控制要求,使用了同时考虑车辆当前偏差、预瞄点偏差和控制变量的有限时间二次型性能指标函数。运用最优跟踪算法并进行预瞄距离内曲率恒定的假设,使得控制器参数可以离线求解,保证了车辆控制的实时性。通过仿真及实车试验验证,该控制算法具有较好的跟踪效果。

基于特征颜色的车道线检测算法

研究自动车驾驶车道优化识别特征颜色边缘,针对不同颜色车道线检测,精度算法不完善。为了提高准确性,提出一种基于特征颜色边缘检测算法。根据道路图像不同物体颜色特征,按特征颜色设计转移函数来标记原图像中的特征颜色区域,再对选取的特征颜色区域进行边缘检测并输出二值化,进行识别过程,对结果进行边缘细化操作得到最终的检测结果。和其它特征颜色的边缘检测算法对比表明,改进的算法在边缘识别上,提高了定位的准确度和精细度,实时性地满足自动驾驶系统的要求,对自动车辆车道线检测有实际参考意义。

电动汽车侧向换道行驶主动避撞控制算法

为实现四轮独立驱动电动车的侧向主动安全避撞控制,建立了车辆侧向换道的安全距离模型,在此模型基础上依据避撞要求设计了相应侧向控制器。利用线性二次型调节器(LQR)方法求解出侧向换道最优反馈矩阵,并采用基于输入补偿的前馈补偿策略对系统进行偏转角控制跟踪,保证系统能精确跟随给定期望横摆角。最后,通过实验验证了电动车主动安全距离模型和车辆避撞控制器的有效性,实现了车辆安全稳定避撞功能要求。