面向降雨环境的激光雷达衰减模型研究

针对现有激光雷达衰减模型依赖统计生成点云、缺乏噪点解释性等问题，提出了一种面向降雨环境的激光雷达衰减模型。首先，建立激光雷达发射-接收模型，并根据雨滴尺寸分布模型模拟获得雨滴空间分布数据；其次，耦合散射模型与噪点模型，获得激光传播过程的光强变化，得到点云的仿真图像；最后，采集正常天气和降雨天气下的点云图像，仿真生成不同降雨量下的衰减点云。将衰减模型获得的点云与对应实际降雨天气点云图像进行对比，结果表明：所提出的模型在各评价指标上明显优于现有模型，有效解释了降雨过程对激光雷达产生的衰减影响。     

基于激光雷达的3D目标检测研究综述

近年来,随着自动驾驶技术的快速发展,智能汽车对于环境感知技术的需求也越来越高,由于激光雷达数据具有较高的精度,能够更好的获取环境中的三维信息,已经成为了3D目标检测领域研究的热点。为了给智能汽车提供更加准确的环境信息,对激光雷达3D目标检测领域主要研究内容进行综述。首先,分析了自动驾驶车辆各种环境感知传感器的优缺点;其次,根据3D目标检测算法中数据处理方式的不同,综述了基于点云的检测算法和图像与点云融合的检测算法;然后,梳理了主流自动驾驶数据集及其3D目标检测评估方法;最后对当前点云3D目标检测算法进行总结和展望,结果表明当前研究中2D视图法和多模态融合法对自动驾驶技术发展的重要性。     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于体素柱形的激光雷达点云车辆目标检测算法

环境车辆是自动驾驶汽车行驶时的主要障碍物之一，对环境车辆的尺寸、位置、朝向等空间信息进行感知对于保障行驶安全具有重要意义。激光雷达点云数据包含了场景中物体表面扫描点的三维坐标，是实现车辆目标检测任务的重要数据来源。结合SECOND与PointPillars方法，提出一种基于体素柱形的三维车辆目标检测模型，利用三维稀疏卷积聚合点云局部特征，在体素特征图上构造柱形并进行特征编码，有效解决点柱形方法缺乏柱形间特征交互问题，增强点云特征的空间语义信息；基于均值池化操作生成锚框点云占据位图并提出一种简单负样本过滤策略，在模型训练阶段筛除预设在无点云覆盖区域的无效锚框，缓解正负样本或难易样本不均衡问题；在目标框回归模块中，使用类别置信度与交并比(IoU)预测值计算混合置信度，改善分类分支与位置回归分支结果不一致问题，并使用KITTI三维目标检测数据集进行模型训练与评估。研究结果表明：在严格判定标准下(IoU阈值设置为0.7),所提算法在简单、中等、困难3种难度级别下分别获得了89.60%、79.17%、77.75%的平均检测精度(AP_3D),与SECOND、PointPill...     

基于运动约束的激光雷达与车体坐标系旋转参数标定

激光雷达是智能网联汽车环境感知的重要传感器,多坐标系空间标定是激光雷达精准环境感知的前提条件。针对激光雷达与车体坐标系空间同步面临传感器观测单一的问题,提出基于激光雷达与车辆的平面运动和直线运动约束2步标定方法。为构建运动约束,基于激光里程计获取激光雷达运动位姿信息,通过激光雷达运动轨迹信息和时域上多帧地面平面拟合信息进行平面行驶识别,在满足平面路况下构建平面运动约束标定,进而标定横滚角与俯仰角;基于俯仰角和横滚角对车辆轨迹进行修正,通过激光运动轨迹建立直线行驶判别模型判别车辆运动状态,在满足车辆直线行驶路况下构建直线运动约束,从而标定偏航角。最后,在智能驾驶试验车上开展了激光雷达与车辆坐标系标定的实车试验,通过实车采集的数据验证了提出的空间同步方法的可行性。试验结果表明：提出的激光雷达与车体坐标系标定方法优于基于标定物的方法,在原始数据上可以保证标定后的旋转误差降低至0.61,误差率降低约47.4%。在手动调整的扩充数据上标定后的旋转误差降至1.64,误差率降低约40.6%。相对于基于标定物的方法,其旋转误差均有降低且不需要借助特定的标定物与标定场,降低了对环境的依赖程度。同时通过消...     

基于KDTree树和欧式聚类的越野环境下行人识别的研究

越野环境下行人的识别是班组伴随自动驾驶车辆的基础要求。本文中针对激光雷达点云数据中的行人识别问题,特别是越野环境下的特殊问题,提出基于聚类思想的解决方案。在理论分析的基础上,结合人的几何物理特征,设计了基于KDTree和欧式聚类的行人识别算法,并在越野环境下履带式车辆上进行试验。结果表明,所设计的激光雷达行人识别算法能准确识别激光雷达点云数据中的行人,在越野环境下有良好的识别率。     

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。     

雨雪天气对自动驾驶视觉图像质量的影响

为对自动驾驶汽车在雨雪天气下的测试提供可靠依据,保证汽车在雨雪恶劣环境下的系统可靠性,针对自动驾驶视觉图像质量影响的量化评估进行研究.通过封闭试验场模拟环境构建、测试工况和量化评估指标设计进行深入分析,研究雨雪天气对视觉图像的影响.首先,针对不同天气条件建立环境模拟方案,设计多种测试工况,采集不同降雨/降雪等级条件下不...     

基于车辆模型紧耦合的封闭园区车辆定位方法

自主定位是自动驾驶车辆的一项基本能力,全球导航卫星系统(GNSS)可在开阔环境提供定位解决方案,然而在封闭园区环境如港口或工业园区等,高密度的植被和建筑等环境因素会导致GNSS信号不稳定,从而影响定位精度,对自动驾驶系统的安全造成严重威胁。为解决这一问题,本文中提出融合激光雷达(LiDAR)和惯性测量单元(IMU)的自动驾驶定位方法,通过引入车辆运动学模型以约束车辆位姿优化方向,同时采用模块化设计思路构建系统残差并基于紧耦合方法联合优化获得车辆准确位姿。试验结果表明,所提出的方法能够提高弱GNSS信号环境中自动驾驶车辆的定位精度和鲁棒性。     

信号交叉口自动驾驶左转车辆类人化全局运动轨迹规划

为了提高信号交叉口自动驾驶车辆左转运动规划的适应性、鲁棒性与类人化程度，提出一种考虑多目标需求的自动驾驶类人化全局运动规划方法。首先，基于西安市北大街信号交叉口规格构建结构化场景，结合车辆运动学模型与道路几何规格定义自动驾驶车辆规范化行驶安全域和车辆运动参数约束条件；其次，根据信号灯状态、道路限速与车辆性能约束制定上游阶段车辆不停车通行规则，以行驶安全、燃油消耗、通行效率与驾驶舒适度作为目标性能函数，构建类人化全局多目标优化模型，通过人类驾驶的车辆预转弯行为耦合上游阶段与转弯阶段；再次，针对非线性运动规划模型变量与约束规模化问题，采用粒子群算法与全联立正交配置有限元方法求解不同阶段车辆运动轨迹的最优解；最后，试验建立Prescan与MATLAB/Simulink联合仿真平台，从多目标性能、适应性以及合理性方面验证该模型的综合性能。结果表明：在以信号灯状态和车辆初速度为变量建立的12种工况下，该模型与人类驾驶车辆、混合运动规划模型相比，平均可分别节省燃油消耗63.7%和29.5%，平均通行延时分别降低3、0.9 s，且轨迹曲率更平缓，最大横向加速度与方向盘转角平方和的平均值最小，证明该模型的多目标性能更好；在以路缘石半径与车道数目为变量建立的7种交叉口规格工况下，所提出模型的车辆轨迹平滑，轨迹安全域边界距离始终大于1.4 m，曲率变化符合期望且峰值小于0.22 m^-1，说明该模型具有较好的适应性；在自由/固定终端时刻条件下，该模型规划的车辆空间路径、速度、曲率及航向角的变化与目标权重变化保持一致，验证了模型的合理性。     

Automated driving recognition technologies for adverse weather conditions

During automated driving in urban areas, decisions must be made while recognizing the surrounding environment using sensors such as camera, Light Detection and Ranging (LiDAR), millimeter-wave radar (MWR), and the global navigation satellite system (GNSS). The ability to drive under various environmental conditions is an important issue for automated driving on any road. In order to introduce the automated vehicles into the markets, the ability to evaluate various traffic conditions and navigate safely presents serious challenges. Another important challenge is the development of a robust recognition system can account for adverse weather conditions. Sun glare, rain, fog, and snow are adverse weather conditions that can occur in the driving environment. This paper summarizes research focused on automated driving technologies and discuss challenges to identifying adverse weather and other situations that make driving difficult, thus complicating the introduction of automated vehicles to the market.     

基于激光雷达的SLAM和融合定位方法综述

基于激光雷达的同步定位和建图(SLAM)及融合定位技术是无人驾驶的关键技术.激光雷达可以从环境中获取精确的距离及强度信息,被广泛应用于高精度地图构建及基于地图的匹配定位,可有效增强基于卫星定位在弱GNSS区域的鲁棒性.基于当前无人驾驶背景下激光SLAM及融合定位方法的研究现状,对应用于无人驾驶车辆的激光SLAM和融合定...     

不良天气下驾驶行为研究综述

不良天气会对城市交通的运行和安全造成较大影响.事实上,不良天气条件下驾驶员驾驶行为的变化是造成交通拥堵和事故发生的根本原因.针对不良天气下的驾驶行为进行综述,对研究不良天气条件下的交通拥堵及事故具有积极意义.面向国内外不良天气条件下驾驶行为研究的进展,从雨、雪、雾3种常见的不良天气出发,对不良天气条件下环境变化及其对驾驶行为的影响进行分析,并对不良天气条件下驾驶行为的研究方向进行探讨.相关研究发现,不同等级的雨、雪、雾天气下驾驶员选择的车速、车头时距等驾驶行为参数以及反应时间、车辆启动延迟均存在较大差异.      

雨夜驾驶人对黑色障碍物视认距离变化规律研究

为预防和减少雨夜道路交通事故,定量研究降雨强度对驾驶人视认距离变化规律,以确定行车速度、停车视距及限速选择,进行实际道路试验研究。试验共选择被试38人,在不同降雨量的雨夜,选用黑色障碍物,在不同车速条件下,进行驾驶人空间距离判识实际道路试验。试验共进行71组,最终依据速度和降雨强度,聚类为25组不同条件下全样本试验。统计全部结果,分析数据分布特征。利用曲面回归分析方法,建立视认距离随降雨量和行车速度变化规律函数模型。模型相关系数为0.9832,模型有效度系数为0.94,可有效表示视认距离与瞬时降雨强度和行驶速度之间的关系。研究表明,随着单位时间内降雨量增加,视认距离缩短;随着行驶速度增加,视认距离减小;当两因素耦合作用于驾驶人时,会因为视认距离减小导致允许反应时间缩短。      

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。     

Path Tracking for Autonomous Race Car Based on G-G Diagram

Currently, the autonomous driving technique is attracting increasing research focus from all over the world. Generally, the control systems of an autonomous vehicle include environment perception, path planning and path tracking control systems. In this paper, the path tracking control issue of the autonomous vehicle will be focused on. Few of the previous proposed path tracking controllers consider the vehicle driving and handling limit, which degenerates the potential of the autonomous vehicle to finish the desired path as quick as possible. To this end, this paper proposes a path tracking controller for autonomous vehicle, which aims at pushing it to the driving and handling limit. The limit dynamic performance of the autonomous vehicle is represented by the G-G diagram, which indicates the acceleration capability of the autonomous vehicle. The G-G diagram is obtained by phase portrait method and it is validated by a modified FSAE racing car. Finally, a path tracking controller based on the G-G diagram is proposed. The simulation validation results demonstrate the effectiveness of the proposed controller.     

Reduction of preview distance in lane-keeping control

Lane marker detection is indispensable for a lane-keeping-control algorithm. However, it is impossible to detect lane markers when the curvature of the lane the vehicle is travelling on is large or when there is another car in front of the vehicle with short distance. For lane marker detection, it is desirable to set a preview point close to the vehicle. Therefore, by analyzing the block diagram of driver-vehicle system, we propose a method to reduce preview distance without lane tracking performance deterioration by increasing preview points from the conventional one point to two points. Furthermore, it is revealed that driving along a corner with constant curvature without steady-state deviation and arbitrary design of tracking dynamic characteristics become possible by increasing preview points.     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

Hierarchical map representation using vector maps and geometrical maps for self-localization

Map-based self-localization estimates the pose of the self-driving vehicle in an environment, becoming an essential part of autonomous driving tasks. Generally, maps used in self-localization have detailed geometric information on an environment in formats such as point cloud maps and Gaussian mixture model (GMM) maps. As other maps are widely developed for autonomous driving, vector maps store more object-focused information, such as buildings and road facilities, for navigation and scene understanding in autonomous driving tasks. However, it is not compatible with self-localization due to the lack of detailed geometric information. The two different map formats of vector maps and maps for self-localization complicate the management, preventing the development of the area where a self-driving vehicle can drive stably. This paper proposes a unified map format with a hierarchical structure that enables both vector maps and self-localization maps (i.e., GMM maps) to be managed more easily. Because proposed maps can be treated as vector maps at the high-level layer, various tasks related to navigation and scene understanding in autonomous driving can utilize. A GMM map is stored at the low-level layer associated with a vector map component, enabling accurate self-localization in an environment. The proposed map format is compatible with vector maps widely developed by mapping companies on the surface and facilitates future map management. The experimental results of self-localization in urban areas showed that the proposed map gives the competitive self-localization accuracy compared with the GMM map even with fewer cells that link to vector components. The proposed maps enable self-localization with sufficient accuracy for safe autonomous driving operations.