基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

基于IPM和边缘图像过滤的多干扰车道线检测

在基于视觉的自动驾驶环境感知中，路面阴影、雨水、污渍和反光会对车道线识别和车辆导航造成干扰，针对此问题提出了一种基于逆投影映射（IPM）和边缘图像过滤的改进车道线识别方法。通过逆投影方法可以得到原始道路图像的鸟瞰图像，很大程度上增强了车道线的视觉特性并减少了干扰。同时提出迭代聚类分割方法对IPM图像中的灰度值进行分析，并保留与车道线颜色和形态特征最为接近的灰度点作为车道线边缘。随后提出一种搜索统计边缘图像中连续边缘区域的方法，通过分析边缘点并保留最长区域实现过滤道路干扰因素的目的。最后将该算法与其他常用车道线检测算法进行对比。研究结果表明：该方法可以更好地过滤路面各种干扰因素，有效增强干扰环境下识别模糊车道线、实车道线、虚车道线、弯车道线的能力，大幅提高了自动驾驶环境中的车道保持能力，并且由于该方法相比其他方法能够更加有效地去除路面干扰区域，因此识别车道线的速度得到大幅提高，可以满足自动驾驶对于实时性的要求。     

基于融合分割和变尺度窗口的车道线距离检测

在车辆安全和驾驶行为相关研究中，车道线距离参数是重要的基础参数。针对传统机器视觉测量方法存在的标定过程复杂、测试成本高且移植性能差等问题，提出一种针对车侧摄像机图像的低成本车道线距离检测方法。首先，构建了一种融合局部Otsu算法与光照样条补偿算法的车道线区域分割方法，可在车道线磨损、复杂光照变化、车道线中断等场景中对车道线区域进行精确分割；其次，针对车道线边缘特征复杂多变的情况，设计了一种变尺度窗口算法来完成车道线边缘检测并可补全残损车道线；最后，采用多项式标定方法建立了车道线距离检测算法，实现了车道线距离的自动化快速检测。验证结果表明：在正常场景和多种复杂特殊场景下，所提出的检测算法平均检测误差为0.4 cm,平均检测速率达到30帧·s^-1,整体上优于目前其他技术方案。该方法在检测成本和可移植性方面具有显著优势，可为相关研究领域的技术人员提供新的解决思路。     

基于小型化YOLOv3的实时车辆检测及跟踪算法

为了研究现有车辆目标检测算法的检测精度与检测速度相矛盾的问题,提出了一种小型化的改进YOLOv3深度卷积网络的实时车辆检测及跟踪算法。采用构建卷积层数少的网络架构以及进行多目标跟踪的方法,分析了大网络模型结构时正向推理速度慢、小网络模型结构时检测精度低的原因。在不同尺度卷积特征多层次提取车辆特征信息来保证准确率的基础上,利用K-means++算法改进聚类先验框中心点的提取,同时借鉴darknet19骨干网络结构,构建一种网络深度更小的基础卷积网络结构,采用更少的重复残差块结构单元,使网络模型结构小型化。在采用卡尔曼滤波算法对目标检测后下一时刻的车辆位置进行跟踪的基础上,利用匈牙利匹配算法进行分配关联视频相邻帧中的车辆,确定被检测目标唯一标签ID,实现对多个目标的精确定位与跟踪,以此改善检测不连续、漏检、目标被遮挡等检测不稳定的情况。结果表明:在实车自采集数据和公开数据集KITTI上进行测试,相较于YOLOv3网络,在平均准确率基本保持不变情况下,网络参数减小,网络模型大小缩小为1/4,为57.2 MB,检测速度提高一倍,达到101.7 f/s。整体算法检测速度达到11.3 ms/帧,检测率为97.50%。该小型化网络检测跟踪算法在复杂道路环境中有较强的鲁棒性,可以满足实际智能驾驶过程中对车辆检测跟踪的精度、速度的要求。     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

基于改进DBSCAN算法的激光雷达目标物检测方法

传统的DBSCAN聚类算法是基于密度的聚类算法,原始算法在搜索精度和搜索效率上存在一定的局限性。基于LUX4线激光雷达数据点的点云特点,结合DBSCAN算法存在的不足与路面目标物的实际情况,提出了1种基于改进的DBSCAN聚类算法,选取4个代表点取代对所有点的搜索和改进搜索半径使其随扫描的距离而变化的方法,实现激光雷达目标物的快速、准确检测。通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据检测物在激光雷达探测中的形状特征模型进行形状匹配。实验结果表明该改进算法能较好的识别出目标物,行人检测率由原始算法的61.90%提高到了80.95%,搜索时间较原始算法缩短了44.7%,解决了原始算法精度低、搜索慢的缺点。     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

基于卷积自编码的沥青路面目标与裂缝智能识别

目前基于深度学习的路面裂缝识别经常面临训练数据集小，以及路面图片标注成本高等问题，基于小规模路面图片数据集，利用卷积自编码（CAE）方法进行数据增强，开展包括路面裂缝在内的路面目标智能化识别方法研究。在传统图像几何变换数据增强的基础上，采用CAE重构图片方法对原始数据集进行两步骤扩增；利用卷积神经网络DenseNet，设置了不同数据扩增方法的对比试验；针对沥青路面裂缝图片背景较黑，裂缝特征不清晰，无监督聚类学习难度大等问题，采用了一种基于CAE预训练的深度聚类算法DCEC，对经数据增强的路面图片进行无标注的聚类识别。研究结果表明：经过DenseNet网络100代的训练，在同一测试集的测试下，基于原始数据集训练的网络分类准确度为78.43%，利用传统图像处理方法进行扩增后准确度为83.44%，利用所提出的图片增强方法进行数据扩增后准确度达87.19%；在保持扩增后数据集样本量大小相同的情况下，与几何变换、像素颜色变换等经典数据增强手段相比，CAE重构图片的数据扩增方法有较高的路面图片识别精度；CAE数据扩增方法较受训练数据集样本量的影响，利用传统方法将数据集扩增后进行CAE特征学习，重构后的图片样本更易被机器识别；相较于传统机器学习聚类算法，所提出的的DCEC深度聚类方法将聚类准确率提升了约10%，初步实现了无需人工标注的路面目标的端到端智能识别。     

多车道复杂环境下汽车驾驶倾向性特征动态提取

对多车道复杂环境下汽车驾驶倾向性特征动态提取进行研究,有利于准确推演驾驶人意图,对汽车辅助(自动)驾驶系统、特别是其主动安全预警子系统构建也具有十分重要的意义.以3车道场景为例,分析目标车位于不同车道时周边的交通态势(主要指车辆集群编组关系,重点以目标车位于中间车道为例),设计实验采集人、车、环境等相关动态信息,运用粗糙集理论,进行基于最小信息熵的连续属性离散化和基于启发式贪心算法的属性约简,提取不同态势下驾驶倾向性类型特征向量.实验验证表明,文中提取的多车道复杂车辆编组关系下汽车驾驶倾向性动态特征向量是科学合理的,能够准确反映驾驶人倾向性.研究结果可为建立多车道复杂环境下驾驶倾向性动态辨识模型提供理论依据.     

基于模糊集理论的车道标志线精确检测

为了解决复杂路面条件下车道标志线的检测问题,提出了一种基于模糊集理论的车道标志线精确检测方法.采用阈值分割、腐蚀、边缘检测等技术对交通图像进行处理;通过Hough变换粗略提取位于各车道标志线及其附近的所有亮点像素作为待分类的像素点,构成样本集;按照模糊聚类分析准则得到直线的斜率和截距,实现车道标志线的精确检测.实验证明了该方法的精确性和有效性.     

基于道路模型的弯道检测研究与应用

基于机器视觉的弯道图像能提供车辆行驶道路环境的丰富信息,从建立弯道模型、提取车道线像素点以及拟合车道模型等步骤分析了传统基于道路模型的弯道检测方法,针对传统方法很难适用于多种不同形状弯道的特点,提出一种基于特征点提取的弯道检测新方法;介绍了弯道检测在车道偏离预警、弯道限速以及弯道防碰撞预警等领域的应用情况;最后提出弯道检测应该建立三维车道线模型、注重发展多传感器融合技术,提高其适用性和鲁棒性.     

利用激光点云的城市无人驾驶路径规划算法

为了解决随机采样算法受感知环境不确定性影响下的弱鲁棒性以及弱可靠性问题，采用一种基于激光空间势场的渐优随机采样算法框架来设计符合无人驾驶需要的规划算法。针对感知环境的不确定性，首先基于势场原理与激光障碍物点云构建一个融入了斥力场的规划空间，解决激光障碍物提取中的过分割等问题。其次，利用规划空间来处理随机采样算法中的采样策略、最优母节点选取策略、修剪策略以及最终路径选择策略。再次，在算法中加入了Anytime策略来提高优化解的利用率，使得算法的计算效率满足无人驾驶实时性的要求。同时，为了保证无人驾驶中规划路径的鲁棒性与可靠性，创建了一个综合5重因素的代价函数来选择最优路径，并根据不同的无人驾驶场景来调整相对应的参数；最后在城市测试道路上进行了实地测试。结果表明：设计的算法框架能够适应最高时速40 km·h^-1的城区驾驶环境，并能完成跟驰、换道、融入以及静动态障碍物的避障决策。在与SST算法的对比试验中，所提出的算法在各个试验中的轨迹、方向盘转角以及速度的平滑性都优于SST算法，其轨迹与障碍物的距离也优于SST算法。     

基于车辆位置与速度特征的驾驶行为模式分类方法

精细车辆轨迹中包含连续的时间戳、位置，以及速度等信息。通过对车辆轨迹数据进行量化表达与挖掘分析，可以实现对车辆行为模式的分类。现有研究大多关注对位置的聚类，很少对车速、加速度等特征进行研究分析，而车速等是反映驾驶行为模式的重要特征。为了将轨迹多维信息纳入分析框架，研究了基于位置与速度特征的车辆轨迹行为模式分类方法。为克服现有行为模式分类方法的维度单一性，运用豪斯多夫轨迹距离算法计算出位置和速度特征的综合距离矩阵，针对豪斯多夫距离算法鲁棒性差的缺点，采用单向豪斯多夫距离90%分位值对算法进行了改进，降低噪声影响。同时，引入了车辆位置和速度来进一步提高分类的准确性，运用多次分层聚类算法依次对位置与速度轨迹图进行分类，得到车辆位置和速度上的行为模式。以HighD数据集为样本，提取了三车道上的行车轨迹，验证了基于速度与位置特征的车辆行为模式分类方法。结果表明:①本方法可以得到位置和速度的综合行为模式，聚类平均准确率达到94.8%，优于DBTCAN准确率89.3%和t-Cluster准确率86.4%；②基于换道模式轨迹偏移率曲线的分析，得到了4种互异的典型车辆换道模式。该方法可利用多维轨迹数据对行车模式进行分类及行为辨识，在车辆轨迹分类与不良行为辨识方面具有应用潜力。      

Vision-based fusion of robust lane tracking and forward vehicle detection in a real driving environment

With the goal of developing an accurate and fast lane tracking system for the purpose of driver assistance, this paper proposes a vision-based fusion technique for lane tracking and forward vehicle detection to handle challenging conditions, i.e., lane occlusion by a forward vehicle, lane change, varying illumination, road traffic signs, and pitch motion, all of which often occur in real driving environments. First, our algorithm uses random sample consensus (RANSAC) and Kalman filtering to calculate the lane equation from the lane candidates found by template matching. Simple template matching and a combination of RANSAC and Kalman filtering makes calculating the lane equation as a hyperbola pair very quick and robust against varying illumination and discontinuities in the lane. Second, our algorithm uses a state transfer technique to maintain lane tracking continuously in spite of the lane changing situation. This reduces the computational time when dealing with the lane change because lane detection, which takes much more time than lane tracking, is not necessary with this algorithm. Third, false lane candidates from occlusions by frontal vehicles are eliminated using accurate regions of the forward vehicles from our improved forward vehicle detector. Fourth, our proposed method achieved robustness against road traffic signs and pitch motion using the adaptive region of interest and a constraint on the position of the vanishing point. Our algorithm was tested with image sequences from a real driving situation and demonstrated its robustness.     

公交与右转混合型专用道仿真分析及效益评价

为解决设置公交专用道所带来的道路资源利用率低，相邻车道交通压力增大，专用道分时段开启致使社会车辆行驶混乱等问题，基于车种分离思想，提出一种公交车辆与右转车辆混合专用道的组织方式，允许公交车辆与右转社会车辆共用一条车道，以寻求保持公交优先与减少对社会车辆影响的平衡点。为论证该方案的可行性，首先，针对所研究的道路环境，提出了基于流量生成模型与配时优化模型的车道组仿真流程；随后，在考虑红灯时右转车辆行驶特性的前提下，建立了人均延误和车均延误的双指标评价矩阵模型；最后，分别在MATLAB和VISSIM仿真平台上，实现了对传统车道组、公交与右转混合型专用道车道组和公交专用道车道组3种方案的效益评价，并对其中的关键影响因素进行分析。仿真结果表明：所提出的公交与右转混合型专用道车道组的总体车均延误与人均延误在大多情况下处于较低水平，而公交专用道车道组和普通车道组也具有各自的优势区域；公交与右转混合型专用道的车道组织方式可以在保证社会车辆延误不明显增加的情况下，有效确保公交车辆的优先性，在一定条件下具有适用性，在工程实践中可作为公交专用道的过渡或替代方案。     

基于最大相关准则图像分割的结构化道路路径识别和跟踪算法

为提高基于视觉导航的智能车辆对结构化道路车道标识线的识别和跟踪精度,同时消除车流、阴影和光照不均匀等不利因素的影响,提出一种基于最大相关准则的图像分割算法及基于感兴趣区域的车道标识线跟踪算法:首先,对图像进行滤波和光线补偿等前期处理,采用最大相关准则的图像分割算法对道路图像进行阈值分割;然后,根据车道的结构特征及先验知识提取车道标识线的特征点,并运用最小二乘法对特征点拟合,得到车道模型的参数;最后,通过建立感兴趣区域(ROI)的方法实现对车道标识线的准确跟踪。试验结果表明,该算法具有很好的准确性、实时性和鲁棒性。     

车道识别过程中搜索车道线的方法

提出了一种在RO I(region of interest)即感兴趣区域中建立搜索窗口的车道识别算法,使其能够很好地处理非理想路况的各种不确定因素,并建立实时动态搜索窗口,除了能精确地追踪车道标志线之外,还能应用于弯路路况。运用LM edSquare曲线拟合算法提高了车道拟合过程的稳健性和精确性。由于RO I的建立,整个识别过程的计算量大大降低,适应实时性要求。