没有合适的资源?快使用搜索试试~ 我知道了~
首页视觉驱动的自动驾驶关键技术研发:参数校准与障碍检测
视觉驱动的自动驾驶关键技术研发:参数校准与障碍检测
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 36 浏览量
更新于2024-07-02
收藏 16.04MB PDF 举报
本研究论文深入探讨了"数据回归-基于视觉的汽车自动驾驶系统关键技术"。首先,作者提出了一种新颖的分类器——反幂律引力分类器,用于视频帧的光学流数据分析。这个分类器能够将光学流数据细分为不同的类别,从而实现障碍物的精确识别,这是自动驾驶系统中的关键功能之一。 论文的核心目标是设计一个小型化并具备实用性的自动驾驶系统。为了达到这一目标,研究者将算法嵌入到DM6446嵌入式系统中,并实现了车辆自动导航系统的部分功能。这包括车道检测和障碍物检测,这些都是实现自动驾驶不可或缺的技术模块。 机器视觉作为自动驾驶系统的基础,是通过摄像头捕捉实时图像并利用计算机视觉技术解析路况的关键手段。参数校准在这个过程中扮演着至关重要的角色,它确保了视觉传感器的准确性和稳定性,使得系统能有效地理解和响应周围环境。 车道检测是自动驾驶车辆行驶路径规划的重要环节,它依赖于高精度的视觉算法来识别车道线并保持在预定车道内。障碍物检测则涉及实时识别道路上可能存在的行人、其他车辆、路障等,以便及时做出反应,保障行车安全。 论文的结构清晰,分为引言、相关知识基础、方法论、实验结果与讨论以及结论等多个部分。引言部分概述了研究背景、自动驾驶系统的发展现状以及本文的研究重点,同时对研究工作进行了简要概括。章节安排严谨,从理论背景到实际应用的探讨,展示了作者对视觉导航技术和自动驾驶系统核心技术的深入理解和掌握。 总结起来,该研究论文针对基于视觉的汽车自动驾驶系统的关键技术进行深入研究,包括新型分类器的设计、嵌入式系统集成、以及车道检测和障碍物检测的具体实现。这些研究成果对于推动自动驾驶技术的实际应用具有重要意义。
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/85774342/bg10.jpg)
第一章绪论
使道路边缘测量距虚拟直线的偏差达到最小.
基于特征的方法还有利用频域特征来检测车道线。文献[79]中就提出了一种
使用频域特征进行车道提取的算法。该算法在车道边界为倾斜的时有很好的效
果,而在车辆处于变换车道时会出现误判断。
(3)基于模型的方法
基于模型的方法主要是基于不同的道路图像模型(20或30),采用不同的检
测技术(Hough变换、模板匹配技术、神经网络技术等)对车道线或道路边界进行
识别。
在道路平坦的假设前提下,道路图像中的车道线可以认为在同一平面上,这
时道路模型有直线模型[30,80,81]、多项式曲线模型[83-86]、双曲线模型[87]
以及样条曲线模型[88,89]等。
在文献[90]中使用了基于Hough变换的方法,Hough变换可以检测直线或连
接处在同一直线上的点,也可以用来检测满足解析式f(x,y)=O形式的各种曲线,
并把曲线上的点连接起来。Hough变换法的主要优点是利用了图像全局特性,因
而受噪声和边界间断的影响较小,鲁棒性强。
模板匹配技术通过引入整体信息实现车道线的判定,可以有效减少阴影的影
响[91-94]。文献[95]提出了基于变形模板和遗传算法的车道检测算法。利用边
缘算子得到道路图像的边缘信息,然后构建变形模型。再通过遗传算法搜索似然
函数的全局最大值,以确定道路形模板模型的最优参数。
文献[88]中提出了一种使用B-Snake曲线进行车道标线检测算法。因为
B-Snake曲线具有通过一组控制点组成任意形状曲线的特点,所以基于B-Snake
的车道模型能够描述的车道结构范围很广。在该算法中,基于平行直线透视的关
系,可将检测两个车道边缘的问题转化为检测车道中线的问题。
针对结构化道路,文献[96]提出了一种识别车道曲率的图像处理算法。该算
法首先在世界坐标系中定义好的抛物线函数,然后通过图像坐标系的变换得到的
车道曲率函数。
为了减小光照变化和阴影对检测效果的影响,文献[97]提出了一种使用方向
滤波器进行车道检测的方法,可以检测圆弧形的车道线。该方法通过设置期望的
道路几何滤波器识别车道线,并利用采集的即时道路图像数据更新道路模型。
13
![](https://csdnimg.cn/release/download_crawler_static/85774342/bg11.jpg)
第一章绪论
在道路不平坦的情况下,可以利用双目视觉系统获得立体道路图像,通过建
立3D道路模型进行车道检测[98-1011。文献[101]分别给出垂直和水平两个分量
的道路曲线。文献[99]给出了3D道路模型参数,在不需要左右图像匹配的情况
下,可以获得3D道路图像参数。
对于基于视觉的车道检测,目前的自动驾驶系统大多采用了限定边缘搜索区
域的方法以提高搜索的速度。如VaMoRs建立了基于BW上的视觉导航系统[102],
首先采用Kalman滤波器对车道线的位置进行预测,然后将搜索区域限定在预测
车道线位置附近。ARGO的视觉导航系统GOLD[103,104]以及Navlab的
RALPH[105,106]导航系统都将搜索区域限定在前一帧车道线的附近。以上系统大
都利用车道宽度一定的假设来强化其搜索算法[107]。
虽然基于视觉的车道检测已经成功应用在自动驾驶系统上,但它还存在以下
几个方面的难题:
光照的变化:在室外的自然光照的情况下,不同的天气条件,不同的区域(如
隧道)路面场景的光照情况会随时变化。在现有的自动驾驶系统的测试过程中,
都遇到视觉系统对光照敏感的问题。
阴影的影响;道路旁的树木、建筑物,或者道路上的车辆等产生的阴影均会
改变道路图像的纹理,在车道检测过程会严重影响车道线的提取。
障碍物的影响:车辆前方的其它车辆、行人以及其它障碍物有时会影响车道
线的可见性。
其它方面:车道线由于年久失修而造成的车道线与背景的对比度变小、路面
上的油污形成的纹理、车道宽度的变化,还有由于摄像机动态范围不足而造成的
图像质量差等。
1.3.3车道跟踪
自动驾驶系统的车道跟踪实现的功能有任务规划、行为决策、车辆操作等。
从目前车道跟踪的研究状况看,形式上可以分为上、下两层,上层为规划层,下
层为控制层。规划层的任务是根据自动驾驶系统环境感知的信息,采用智能控制
算法规划出操纵自丰车的控制命令,并将其发送给控制层;而控制层接收到了上
层的控制命令,通过对控制命令的解码后,向车辆的转向、油门和刹车发出控制
14
![](https://csdnimg.cn/release/download_crawler_static/85774342/bg12.jpg)
第一章绪论
信号从而达到驾驶自主车的目的。
从功能上看,自动驾驶系统的车道跟踪可以分为纵向控制和横向控制两种.
纵向控制就是对车辆的行驶速度进行控制,对其主要是有安全性和舒适性的要求
[109,110];横向控制是通过对车辆的转向机构进行控制,使得车辆可以保持在
一定的车道内或者切换到另一车道内行驶,对其主要是有控制精度的要求
[111,112]。车辆动力学模型和制动器模型与控制器算法相结合构成了车道跟踪
的控制模式。
从1960年开始,Ohio大学的P.E.Fenton等人就进行有关横向控制问题的
研究,他们试图用PID和串联校正网络等经典控制方法建立横向控制器[81]。也
有一些学者从驾驶员一汽车闭环操纵系统仿真的目的出发,研究驾驶员的横向控
制系统模型,推动了对横向控制问题的研究。MacAdam等人在1981借鉴了驾驶
员开车时的预瞄特点[113],指出“驾驶员在开车时总是在注意前方距离为d的
地方的道路一,提出了横向控制的预瞄模型。从而大大推动了车辆路径跟踪控制
和驾驶员横向控制建模的研究。S.E.Shladover建议控制器的参数应随车速的变
化而变化[114]。
自动驾驶系统横向控制器的设计是实现车道保持与变道控制的关键技术之
一。目前,有很多控制算法应用于横向控制器的设计,包括古典控制算法[115]、
最优控制算法[116,117]、鲁棒控制算法[118]和模糊神经网络控制理论[119]≯
极点配置方法、模糊控制方法[120’122]、模型参考自适应控制方法[123]、预测
控制方法[124]等。
在横向控制器设计中,如何解决道路的曲率问题是关键。文献[125]中虽然
将曲率作为状态方程的一个参数,但实际上是把曲率作为一个外界的干扰来处
理,因此它属于没有预瞄的最优控制算法。文献[126]中将预瞄点处的距离偏差
设置为性能指标函数,但影响该函数的因素很多,包括曲率、车辆的当前位置与
道路中心线的位置偏差和角度偏差。尽管在预瞄点处的距离偏差可能相同,但由
于曲率因素造成的偏差和其他因素引起的偏差的控制规律是不同的,而这种控制
算法并没有加以区分,必然会在某些情况下造成不理想的控制效果。文献[127]
中同时考虑了预瞄时间之内和预瞄时间之外的控制效果,而实际车辆控制间隔的
时间小于预瞄时间,因此实际上预瞄时间之外的控制效果并不会对控制产生任何
![](https://csdnimg.cn/release/download_crawler_static/85774342/bg13.jpg)
第一章绪论
影响,相反减缓了消除偏差的快速性。
纵向控制的研究主要集中在解决速度控制时刹车和油门的切换,以及在严重
非线性和大的纵向干扰条件下如何提高控制精度的问题上。目前,纵向控制所采
用的控制方法有模糊控制、增益调度的PID控制[128]、滑模变结构控制等。
Edward[129]将纵向控制和侧向控制联合考虑,设计了一个纵向侧向藕合的控制
器。
车道跟踪的难题在于:汽车驾驶控制系统的非线性,目前,还没有一套很好
的智能控制算法能适应汽车自动驾驶系统在不同状况下的控制需求。
1.3.4障碍物检测
障碍物检测是自动驾驶系统的关键技术之一,是自主车辆安全行驶和避免发
生碰撞的前提条件。障碍物是指阻止车辆行驶的物体,或者是突出道路表明的物
体,通常包括车辆、行人、其它物体。目前,常用的障碍物检测方法有特征检测
法、基于运动的方法和立体视法等。
(1)特征检测法
特征检测法首先对图像进行特征提取,然后利用障碍物的先验特征知识对提
取的特征进行识别和跟踪,一般选择的特征有水平/垂直边缘、阴影、对称性、
纹理、形状、色彩等。
特征检测法一般用于车辆和行人的检测。文献[130,131]提出了把车辆底部
的阴影作为主要特征,并通过大量实例说明了在不同光照条件下,车辆底部阴影
的灰度要比道路的其他部分,甚至比带有水迹、油渍等干扰杂质的路面的灰度都
要暗。对于行人的检测,一般采用人的形状特征和步行特征。文献[132]提出利
用汽车的对称性作为车辆检测的特征,当然背景中如果存在其它对称的目标会导
致采用对称性检测的方法失效。文献[133]根据香农的信息论中熵的概念提出了
以汽车的纹理作为特征来检测车辆。因为车辆与背景图像的反差会在左右边界处
形成较高的熵,所以在场景中如果检测出有较高的熵区域(纹理)存在,就可判断
场景中有其他车辆。当然以纹理作为特征的缺点是抗干扰性比较差,误检率较高.
文献[134,135]以车辆的水平和垂直边缘作为特征,例如车窗、保险杠、底盘等,
进行车辆的检测。但是,采用边缘特征检测的难点在于阈值的选取,阈值选择的
16
![](https://csdnimg.cn/release/download_crawler_static/85774342/bg14.jpg)
第一章绪论
不好将会严重影响检测效果。文献[136]以汽车的颜色、文献[137]以汽车的形状、
文献[138]以汽车的车灯作为检测特征。当然,单一的特征检测往往在特定的条
件下有效,为了获得鲁棒的车辆检测算法,~般要把几种特征结合起来综合考虑,
取长补短,以提高车辆检测的准确率。文献[139]把汽车的对称性和边缘特征结
合起来检测;文献[140]则把阴影、纹理和对称性结合起来进行车辆检测。
(2)基于运动的方法
基于运动的方法是利用序列图像之间存在的大量相关信息进行障碍物的检
测。通常有差分图像法和光流法(optical
flow)[142,143]两类。
差分图像法有两种,一种是帧差法[144],另一种是差分背景法。帧差法是
先计算相邻帧间图像对应像素的灰度差,再对差分图像进行阈值化处理后提取运
动的区域。此类方法比较适合于运动快且形变较大的运动目标。该方法快捷简单,
实时性较好,但对于全局运动的场景,比如不平坦的路面或弯路较多的道路等,
检测的效果不是很理想。而差分背景法用当前图像与参考背景图像像素灰度值相孕
减来检测运动物体所在的像素区域。此类方法常用于道路监控领域,在智能车辆
应用领域,摄像机随车辆运动,前景和背景会同时发生变化,差分背景法就不适
用了。
光流法首先计算表示相邻帧间像素运动的光流场,由于图像中的背景与障碍
物的光流场不同,由此可以从背景中提取障碍物。在复杂的情况下,利用3D运
动分析以校准运动物体背景的运动,再提取出运动物体[145]。
光流法对视频图像的每一个像素计算位移矢量,给出的信息量丰富,并可处
理全局运动的情况,但是计算会耗费大量时间,对过于复杂、快速的运动效果不
好,也不能满足实时性的要求。文献[134]采用颜色块或局部灰度极值点减少计
算量,取得较好的效果。文献[142]根据前后张图像移动的光流找出移动物体的
群聚并结合里程计来检测障碍物。文献[143]根据相似的光流场变化向量作图像
分割而达到检测障碍物的目的。
基于光流场的障碍物检测方法不需障碍物的先验知识,能有效检测二般高速
运动的障碍物,但是光流计算量大,很难满足实时性的要求。
(3)立体法
基于立体视觉的障碍物检测首先从两个或多个视点获取场景图像,然后通过
17
剩余140页未读,继续阅读
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![pdf](https://img-home.csdnimg.cn/images/20210720083512.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/default.jpg!1)
programxh
- 粉丝: 17
- 资源: 1万+
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- AirKiss技术详解:无线传递信息与智能家居连接
- Hibernate主键生成策略详解
- 操作系统实验:位示图法管理磁盘空闲空间
- JSON详解:数据交换的主流格式
- Win7安装Ubuntu双系统详细指南
- FPGA内部结构与工作原理探索
- 信用评分模型解析:WOE、IV与ROC
- 使用LVS+Keepalived构建高可用负载均衡集群
- 微信小程序驱动餐饮与服装业创新转型:便捷管理与低成本优势
- 机器学习入门指南:从基础到进阶
- 解决Win7 IIS配置错误500.22与0x80070032
- SQL-DFS:优化HDFS小文件存储的解决方案
- Hadoop、Hbase、Spark环境部署与主机配置详解
- Kisso:加密会话Cookie实现的单点登录SSO
- OpenCV读取与拼接多幅图像教程
- QT实战:轻松生成与解析JSON数据
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)