基于深度学习的智能车辆视觉里程计技术发展综述

针对基于模型的视觉里程计在光照条件恶劣的情况下存在鲁棒性差、回环检测准确率低、动态场景中精度不够、无法对场景进行语义理解等问题,利用深度学习可以弥补其不足。首先,简略介绍了基于模型的里程计的研究现状,然后对比了常用的智能车数据集,将基于深度学习的视觉里程计分为有监督学习、无监督学习和模型法与深度学习结合3种,从网络结构、输入和输出特征、鲁棒性等方面进行分析,最后,讨论了基于深度学习的智能车辆视觉里程计研究热点,从视觉里程计在动态场景的鲁棒性优化、多传感器融合、场景语义分割3个方面对智能车辆视觉里程计技术的发展趋势进行了展望。     

人工智能在车辆自动驾驶中的应用

提出一种新的基于人工智能的感知 计划 动作agent结构实现智能车辆自动驾驶的方案。首先通过描述该结构的原理说明该结构可以解决自动驾驶中存在的一些问题,接着通过建立自动驾驶知识库阐述如何具体实现自动驾驶,最后通过仿真实验验证该方法能够为智能车辆实现自动或辅助驾驶提供一种非常有效的机制。     

快速路可变限速与匝道控制协同优化策略

可变限速控制和匝道控制是快速路交通控制的主要手段,本文对两者的协同优化策略进行了研究.借助智能车路协同系统强大的信息感知能力,通过引入微观交通流信息,对经典METANET模型进行了改造,构建了可变限速控制影响下的微观METANET模型,实现了一种新的可变限速控制策略,同时,采用ALINEA算法,对入口匝道进行了优化控制,实现了两者的协同优化.最后,基于实际道路和交通流数据搭建了仿真平台,对微观METANET模型和协同优化策略的有效性进行了验证.仿真结果表明,微观METANET模型具有良好的交通流预测效果,协同优化策略能有效地改善快速路交通流状态.     

基于GPS与图像融合的智能车辆高精度定位算法

车辆自定位是实现智能车辆环境感知的核心问题之一.全球定位系统(Global Positioning System,GPS)定位误差通常在10 m左右,不能满足智能车辆的定位需求;惯性导航系统成本较高,不适于智能车辆的推广.本文在视觉地图基础上,提出一种基于GPS与图像融合的智能车辆定位算法.该算法以计算当前位置距离视觉地图中最近一个数据采集点的位姿为目标,首先运用GPS信息进行初定位,在视觉地图中选取若干采集点作为初步候选,其次运用Oriented FAST and Rotated BRIEF(ORB)全局特征进行特征匹配,得到一个候选定位结果,最后通过待检测图像中的局部特征点与候选定位结果中的三维局部特征点建立透视n点模型(Perspective-n-Point,Pn P),得到车辆当前的位姿,并以此对候选定位结果进行修正,得到最终定位结果.实验在长为5 km的路段中进行,并在不同天气及不同智能车辆平台测试.经验证,平均定位精度为11.6 cm,最大定位误差为37 cm,同时对不同天气具有较强鲁棒性.该算法满足了智能车定位需求,且大幅降低了高精度定位成本.     

面向智能车辆的现役道路设施行驶适应性研究综述

为了总结面向智能车辆的现役道路设施行驶适应性，即现役道路基础设施承载智能车辆行驶的适宜程度，阐述自主智能驾驶定义与驾驶自动化等级分类，在此基础上剖析不同等级间的人机功能差异，并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异，通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究，从道路工程角度及其他道路要素方面回顾该领域的研究现状，指出存在的问题和未来发展方向。研究结果表明：相比传统车辆，配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高，主动安全系统次之，而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括：难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值；测试道路场景条件过于理想，考虑的驾驶自动化等级单一，试验规模和样本有限；道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足，缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议：重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享；联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型，利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试，突破现有研究的深度和广度；探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准，精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。     

新型视觉区域智能车辆导航控制器设计

简要介绍了基于机器视觉导航区域智能车辆(CyberCar)的导航原理和组成。首先采用逆M序列作为辨识输入信号和最小二乘算法得到车辆转向系统的系统辨识特征方程,结合预瞄运动学模型和车辆二自由度转向动力学模型,从而建立车辆基于视觉预瞄的转向动力学控制数学模型,根据线性二次型最优控制理论得到状态线性反馈的最优控制规律。通过仿真分析和试验,验证了最优控制器在CyberCar户外路径跟踪过程中平稳、可靠。     

基于线性模型的导航路径图像检测算法研究

对智能车辆视野内的车道采用线性模型进行拟合，分析线性模型拟合车辆道的误差，提出减小误差的方法，并分析户外环境中几种典型光照变化和阴影响对智能车导航的影响，改进基于线性车道模型的边缘检测算法。实验证明：在JUTIV-Ⅱ上采用线性模型可提高导航路径识别的准确性，减少数据处理量和获得较高计算机处理频率。     

外军军用无人车发展现状及特点与趋势

无人车是指能够在各种路面或野外环境行驶及执行某种任务,但车内没有操纵者的车辆。根据控制技术和发展阶段的不同,无人车可分为遥控车辆、自主车辆和智能车辆。摇控车辆是通过无线电、光纤等技术受操纵者远程控制的无人车辆;自主车辆是具有初步人工智能,能够自主行驶     

智能车辆队列行驶控制研究

<正>本文介绍了利用车辆间的无线通信共享GPS修正信息,并采用实时动态差分法(RTK)-GPS对车辆队列行驶进行控制。采用车载GPS观测信息进行研究在ITS(智能交通系统)方面历经数多年,尤其是AVSS(先进的车辆控制与安全系统)可以获取GPS观测信息应用于汽车自动驾驶,效果非常好。     

"道路指纹"关键技术及其在智能车路系统中的应用

针对智能网联汽车与车路协同系统中的高精度定位核心技术问题,提出了"道路指纹"的概念与表征模型,并在"道路指纹"的基础上提出了面向智能车路系统的高精度定位方法."道路指纹"是通过车载传感器数据提取的高稳定性与高辨识度的道路场景特征信息.在"道路指纹"表征模型中,分别从表征的唯一性、计算的快速性、特征的稳定性以及表征的精准性等4个方面完成建模工作.其中,针对表征唯一性需求,提出基于多视角(包括俯视、前视、侧视等)与多传感器的表征方法;针对计算快速性要求,提出了全局特征与语义特征的表征方法;还提出基于深度卷积神经网络(D-CNN)的深度学习特征提取方法,大幅度提高特征表征的鲁棒性;最后,通过提取路面的局部特征,实现特征的精准性(亚像素精度)表征.通过对上述特征进行层次化组织,完成"道路指纹"的表征建模.通过对道路上各个节点进行"道路指纹"计算与建模,并同步获取节点的传感器位姿、场景结构信息,完成道路指纹库构建工作.在定位过程中,首先通过车载传感器获取的数据实时完成"道路指纹"计算,然后通过匹配道路指纹库,完成车辆的高精度位置计算.在开发的"道路指纹"技术基础上,分别从视觉道路指纹定位、LiDAR道路指纹定位以及道路资产管理等3个应用案例给出了该技术的应用前景.所提出的"道路指纹"技术,为解决智能车路系统中的高精度定位问题,特别是卫星信号盲区下的高精度定位问题,提供了一种新的解决思路.