基于传统图像处理算法的车道线检测

在现代交通驾驶领域中,随着自动驾驶技术的迅速发展,车道线检测也变得至关重要。基于此,文章提出了一种基于传统图像处理算法的车道线检测方法,该方法利用了传统图像处理算法中的滤波算法、Canny边缘检测算法和Hough直线检测算法作为基本算法模型,采用只对ROI中进行检测的措施来满足对于前方车道线的准确检测。在检测中,使用了OpenCV开源图像处理库来对进行上述方法进行实现。此方法可极大减少对前方车道线检测的外界干扰,在汽车实验场中利用该方法,可以比较准确地检测出车辆前方的车道线,并且该算法在一般机器上能够实现实时级的车道线检测。但是在实验过程中,也发现当前方的障碍物较多的时候,所采用的算法不能很好地检测出车道线,对外界的抗干扰能力比较差。     

面向多元场景结合GLNet的车道线检测算法

各种复杂环境下路面车道线的高效精确检测是自动驾驶领域中车道偏离预警系统的关键性技术之一。由于车辆实际运行环境的复杂性和路面车道线的多样性，现有方法在车道线检测的准确性和鲁棒性上仍需不断增强。提出一种面向多元场景结合GLNet的车道线检测算法。首先采用改进Gamma校正对待检测路面图像预处理，消减光照不均匀、夜晚等环境干扰，增强车道线纹理。然后为增强数据集的多样性，在LaneNet网络的基础上引入对抗生成网络DCGAN，构建GLNet网络模型。该模型采用编码-解码的网络结构提取车道线特征（车道蒙板和像素点），通过DBSCAN聚类算法将不同车道线划分为不同的实体，使用H-Net网络学习的视觉转换矩阵优化并拟合输出车道线。最后基于已训练好的GLNet权重模型对车道线进行精确提取，并在Tusimple数据集和自制数据集上测试验证。试验结果表明：该方法的检测准确率可达97.4%，相较于基于LaneNet网络的车道线检测算法明显提高；DCGAN网络的加入丰富了数据集类型，并提高了该模型的表征及分类能力；DBSCAN聚类算法的平均聚类时间约为0.016 s，相较于Meanshift算法运行效率更高。所提出的方法考虑了不规范、环境复杂等多种道路类型的车道线检测任务，提升了对复杂噪声与多元场景的处理能力，在车辆辅助驾驶领域具有较好的鲁棒性和适用性。     

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MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。     

车辆前方行驶环境识别技术探讨

基于雷达和视觉技术对车辆前方行驶环境识别,进而判断车辆安全状态和实现纵向横行运动状态警示和控制,其是实现汽车安全辅助驾驶的主要技术途径。介绍车辆前方行驶环境识别涉及到的雷达和视觉的一些技术,其中包括雷达种类和适用场合,雷达检测障碍物的算法,车用图像的性能要求,基于图像特征和模型的车道线识别的方法,利用图像实现其他环境信息识别的方法。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

基于机器视觉的客运车辆危险行驶状态辨识技术研究

为了提高客运车辆危险驾驶状态的辨识效能,提出利用机器视觉辨识危险驾驶行为。使用车载CCD实时采集路面图像,依据图像处理算法检测车道标识线的位置以及本车与前方目标车辆的实时距离,建立了车辆横向偏航辨识模型和车辆纵向危险行驶状态辨识模型;结合所建模型的辨识结果,确定预警方案。实车试验结果表明,所建模型能有效辨识车辆横向偏航和纵向跟车过近危险行驶行为,可用来降低潜在的危险驾驶行为,提高车辆在途行驶安全性。     

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。     

基于注意力机制的多模态自动驾驶行为决策模型

针对现有端到端自动驾驶模型未考虑驾驶场景中不同区域的重要性和不同语义类别之间的关系而导致预测准确率低的问题，受驾驶人注意力机制和现有端到端自动驾驶模型的启发，充分考虑驾驶场景的动态变化、驾驶场景的语义信息和深度信息对驾驶行为决策的影响，以连续多帧驾驶场景的RGB图像为输入，构建一种基于注意力机制的多模态自动驾驶行为预测模型，实现对方向盘转角和车速的准确预测。首先，通过语义分割模型和单目深度估计模型分别获取RGB图像的语义图像和深度图像；其次，为剔除与驾驶行为决策无关信息，以神经科学和空间抑制理论为基础，设计一种拟人化注意力机制作为能量函数来计算驾驶场景中不同区域的重要度；为学习语义图像中与驾驶行为决策最为相关类别之间的关系，采用图注意力网络(Graph Attention Network,GAT)对驾驶场景的语义图像进行特征提取；然后，以保留RGB特征为原则对提取的驾驶场景的图像特征、语义特征和深度特征进行融合，采用卷积长短期记忆网络(Convolutional Long Short Term Memory,ConvLSTM)实现融合特征在连续多帧之间的传递，进而实现下一帧驾驶场景对应驾驶行为的预测；最后，与其他模型的对比试验、消融试验、泛化试验和特征可视化试验来充分验证所提出自动驾驶行为预测模型的性能。试验结果表明：与其他驾驶行为预测模型相比，所提出模型的训练误差为0.021 2，预测准确率为86.97%，均方误差为0.031 5，其驾驶行为的预测性能优于其他模型；连续多帧的语义图像和深度图像、拟人化注意力机制和面向语义特征提取的GAT有助于提升驾驶行为预测的性能；该模型具有较好的泛化能力,其做出驾驶行为预测所依赖的特征与经验丰富的驾驶人所关注的特征基本一致。     

基于视觉传感器的ADAS纵向行驶工况识别方法研究

汽车先进驾驶辅助系统在应用时要根据不同的车辆行驶工况对车辆进行相应的控制,而准确的车辆行驶工况识别信号是合理的控制策略的基础.为了得到准确的车辆行驶工况识别信号,利用视觉传感器分别对车辆跟踪定位,以及车道线检测技术进行了研究.利用adaboost分类器检测出前方车辆;应用文中提出的基于坐标映射与定比分线并能够抵抗俯仰角干扰的测距方法进行车辆定位,验证结果显示该测距方法误差小于1m;再应用改进后的基于置信度判断与Kalman滤波技术的车道线跟踪检测方法进行车道线检测,并通过实车道路试验对此进行了验证,验证结果显示该车道线检测方法误差小于1°.提出1种基于PreScan的将所应用的车辆跟踪测距与车道线跟踪检测方法相结合的方法,用以实现汽车ADAS纵向行驶工况的识别,并通过PreScan仿真场景验证了该工况识别方法,结果表明该方法能够为ADAS提供准确的工况识别信号.      

基于改进RepVGG网络的车道线检测算法

为提高自动驾驶系统中车道线检测的速度和精度,提出了基于可解耦训练状态与推理状态的车道线检测算法.在结构重参数化VGG(RepVGG)主干网络中引入注意力机制压缩-激励(SE)模块,增强对重要车道线信息的特征提取;同时设计并行可分离的辅助分割分支,对局部特征进行建模以提高检测精度.采用行方向位置分类车道线检测方式,在主干...     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

面向前车的驾驶行为感知与意图识别算法研究

感知周围车辆的驾驶行为并识别其意图将成为新一代高级驾驶辅助系统的重要组成部分。针对现有方法只考虑单一驾驶行为且可扩展性和可伸缩性差,提出一种基于稀疏表示理论的驾驶行为感知字典模型(Driving Behavior Perception Dictionary Model, DBPDM)。将车辆行驶状态视为时间序列,设计基于自回归积分移动平均(Autoregressive Integrated Moving Average,ARIMA)结合在线梯度下降(Online Gradient Descent, OGD)优化器的在线预测模型,提出基于驾驶行为预测的意图识别构架(Intention Recognition Framework, IRF)。首先,采用图Lasso方法估计典型驾驶行为的稀疏逆协方差矩阵构建驾驶行为字典库,并采用Logdet散度方法计算各逆协方差矩阵的差异获得行为感知字典模型。然后,基于在线预测模型对目标车辆的行驶轨迹和运动状态进行预测,结合主车车辆的行驶状态作为稀疏表示的观测信号,以获取预测时域内的目标车辆意图。最后,采用NGSIM (Next Generation SIMulation)真实驾驶数据对模型进行开发和测试。研究结果表明:所提出的行为感知模型能对6种典型驾驶行为构建行为字典,在分类准确率上与现有方法相比有明显提升,对换道和转向行为样本的平均识别准确率分别达到99.1%和92.9%;该模型能够在相对早期阶段准确地识别出车辆行为;在线预测算法能较好预测出目标车辆的行驶轨迹和运动状态,从而间接地反映出其在预测时域内的驾驶意图;IRF可在换道和转向行为开始前的1.5 s较为准确地识别出目标车辆的意图,平均识别准确率超过80%。     

基于地空信息融合的无人机交通状态感知方法研究

现有的无人机（UAV）交通状态感知方法，主要针对宏观交通状态参数的获取，同时尚未克服UAV自运动对交通参数检测精度的影响，难以满足智能交通系统对于高精度微观交通参数的应用需求。为此，提出一种基于地空信息融合的UAV交通状态感知方法，该方法包括：地空信息融合模型、道路关键点（IKP）检测及跟踪、车辆目标检测及追踪算法和交通状态参数提取及估计。其中，地空信息融合模型利用地基信息（IKP世界坐标）与空基信息（IKP像素坐标）进行最优化融合，并通过自适应IKP追踪算法与自适应UAV位置偏移判断算法实时更新模型参数，以此克服UAV自运动对车辆轨迹精度的影响，进而获取可靠的车辆级（瞬时速度、车头间距和车头时距）与车道级（车道动态密度、车道流量和空间平均车速）交通状态参数。利用提出的感知方法获取实地拍摄视频的车辆级交通参数并进行了分布检验，同时比较了基于不同交通流模型的车道级参数估算方法。结果表明：该方法在车辆检测的mAP@0.5指数超过90%，同时提取的车辆轨迹相对完整，获取的车辆级和车道级交通状态参数也符合实际交通流状况。最后，将该模型应用于实地道路的交通拥堵检测及交通事件检测，该研究结果为UAV在现代交通感知和管理中的应用提供了一种理论和技术参考。     

基于人机共驾的车道保持辅助控制系统研究（双语出版）

车道保持控制系统是汽车安全辅助驾驶的重要组成部分，可有效提高汽车主动安全性、避免车辆无意识地偏离本车道。目前，大部分车道保持控制系统在工作时将驾驶人的操作视为外界干扰，没有考虑人机共驾阶段下驾驶人与控制系统的控制权分配问题，易造成人机冲突、影响驾驶人的驾驶感受。论文兼顾驾驶人与辅助控制系统各自优势，基于人机共驾技术对车道保持控制系统进行研究。构建基于安全行驶区域与最晚预警边界相结合的车道偏离决策模型，在保证其预警精度的同时降低计算复杂性，根据车辆行驶状态和路面附着系数动态调整预警阈值；研究串级MPC-PID控制策略实现对车辆横向位置的控制，将最优问题转化为二次规划求得目标前轮转角，利用PID算法完成对目标前轮转角的跟踪；引入共驾系数对车辆的控制权进行分配，研究共驾系数分配模型，以车辆状态误差和驾驶人转向力矩作为模糊控制的输入变量、共驾系数作为输出变量，降低辅助控制系统与驾驶人之间的冲突；最后，利用CarSim与Simulink联合仿真对所研究的控制策略进行仿真验证，结果表明共驾系数能够根据驾驶人的操作和车辆运行状态的变化实现动态调整，辅助控制力矩与驾驶人输入力矩变化趋势相同，在保留驾驶人一定操作的基础下可避免车辆偏离车道、降低人机冲突。     

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性,采用2台无人机同时在200 m的高空对交通流进行拍摄,获取交通流运行状态。构建拍摄路段的高精度地图,获取每一时刻车辆的精确运行状态数据,在此基础上对2个视频进行拼接,最终获得车道位置、速度、车辆编号等8项关键指标,共提取换道行为1 520条,筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据,在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s,平均换道空间距离为148.08 m,换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m）,其相对距离在10 m以内的占28.24%,驾驶人为了加快行驶,在与目标车道后方车辆相对距离较小的情况下,依然采取换道措施。与正前方车辆的相对速度差最大,平均值为10.2 km·h^-1,并且在83%的情况下,本车的速度大于前车,说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC,MTC分别对换道起始时刻的安全性进行分析,并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急,非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性,以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

基于多属性决策的无人驾驶自主变道决策技术研究

在无人驾驶领域,随着车辆上布置的传感器不断丰富,无人驾驶系统可以从周围环境获得更多的信息,从而为车辆的自主判断行为决策带来可能。然而即使是有经验的驾驶员在进行变道动作的时候也需要格外的小心,因此无人驾驶系统的变道行为分析需要做到足够准确和谨慎,才能保证安全性,这也正是目前为止还没有非常完善的无人驾驶变道决策系统的原因。本文提出一种基于多属性决策的无人驾驶自主变道决策技术,帮助无人驾驶车辆在道路行驶中进行更有效、更安全的自主变道决策。