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。     

基于自适应阈值的三维激光点云地面分割算法研究

针对自动驾驶汽车感知模块中三维激光点云前后背景分割过程存在的误分割问题,提出了一种基于路面波动幅度的自适应阈值地面分割方法。该方法将原始点云进行栅格划分,依据点云数量信息设计了相应的高度阈值分割算法和地面平面模型分割算法。具体地,地面平面模型分割算法首先选取局部区域点集拟合地面平面模型,然后针对地面点云分割中存在的误分割问题,构建路面波动幅度方程,并采用基于点集分布特征的自适应阈值方法实现初步分割,最后借助分割后的地面点云重新优化平面模型与分割阈值。本文中基于开源语义分割数据集Semantic-KITTI提出了统一的算法评价基准数据集Semantic-Nova与性能评价指标,同时基于自研的自动驾驶汽车平台采集的实际场景进行了性能测试。试验结果表明,本文中提出的自适应阈值地面分割算法不仅在基准数据集上能够达到较高的精度,而且在实际场景中满足鲁棒性和实时性要求,具有较高的工程应用价值。     

基于分布式强化学习的车辆控制算法研究

端到端自动驾驶算法的开发现已成为当前自动驾驶技术研发的热点。经典的强化学习算法利用车辆状态、环境反馈等信息训练车辆行驶，通过试错学习获得最佳策略，实现了端到端的自动驾驶算法开发，但仍存在开发效率低下的问题。为解决虚拟仿真环境下训练强化学习算法的低效性和高复杂度问题，本文提出了一种异步分布式强化学习框架，并建立了进程间和进程内的多智能体并行柔性动作-评价（soft actor-critic, SAC）分布式训练框架，加速了Carla模拟器上的在线强化学习训练。同时，为进一步实现模型的快速训练和部署，本文提出了一种基于Cloud-OTA的分布式模型快速训练和部署系统架构，系统框架主要由空中下载技术（over-the-air technology, OTA）平台、云分布式训练平台和车端计算平台组成。在此基础上，本文为了提高模型的可复用性并降低迁移部署成本，搭建了基于ROS的Autoware-Carla集成验证框架。实验结果表明，本文方法与多种主流自动驾驶方法定性相比训练速度更快，能有效地应对密集交通流道路工况，提高了端到端自动驾驶策略对未知场景的适应性，减少在实际环境中进行实验所需的时间和资...     

基于级联YOLOv7的自动驾驶三维目标检测

针对图像和原始点云三维目标检测方法中存在特征信息残缺及点云搜索量过大的问题，以截体点网（frustum PointNet, F-PointNet）结构为基础，融合自动驾驶周围场景RGB图像信息与点云信息，提出一种基于级联YOLOv7的三维目标检测算法。首先构建基于YOLOv7的截体估计模型，将RGB图像目标感兴趣区域（region of interest, RoI）纵向扩展到三维空间，然后采用PointNet++对截体内目标点云与背景点云进行分割。最终利用非模态边界估计网络输出目标长宽高、航向等信息，对目标间的自然位置关系进行解释。在KITTI公开数据集上测试结果与消融实验表明，级联YOLOv7模型相较基准网络，推理耗时缩短40 ms/帧，对于在遮挡程度为中等、困难级别的目标检测平均精度值提升了8.77%、9.81%。     

基于自动驾驶汽车稳定性的聚类辨识模型设计

在自动驾驶汽车中高级辅助驾驶系统（ADAS）的设计过程中，车辆稳定性控制目标并没有考虑驾驶员个性化特质需求，尤其在一些极端行驶条件下控制效果会适得其反。鉴于此，在传统汽车稳定性评价标准的基础上融合了隐马尔科夫理论（HMM）和K-means聚类算法，采用无迹卡尔曼滤波和因子加权分析的参数处理方法，设计了一种自动驾驶汽车稳定性辨识模型。模型通过Carsim/Simulink和基于DSPACE驾驶模拟器的硬件在环仿真方法进行了验证。结果表明：该模型能够实现自动驾驶汽车稳定性的合理分类和在线辨识，同时能为今后进一步优化自动驾驶汽车轨迹规划方法提供理论依据。     

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。     

基于前额脑电多尺度小波对数能量熵的驾驶疲劳检测分析

为研究脑机接口（BCI）在交通运输中的应用，减少因疲劳驾驶导致的交通安全事故，提出基于前额脑电（EEG）信号多尺度小波对数能量熵的驾驶疲劳检测方法。首先，设计驾驶仿真模拟试验，利用脑电帽采集26名被试清醒驾驶和疲劳驾驶的前额EEG信号，试验过程中，使用主观检测方法每隔20 min对被试进行问询；其次，应用MATLAB对采集到的EEG数据进行预处理，基于2种驾驶状态形成被试初始样本数据集；进而，在该数据集基础上，利用多尺度熵的概念，提取EEG信号小波对数能量熵（WLE）特征，同时提取经典模糊熵（FE）特征进行比较分析；然后，运用极限学习机（ELM）对提取的特征数据集进行快速有效的精准分类，并使用留一交叉验证法进行验证评估；最后，对比经典FE分类表现，并结合多种性能指标对驾驶疲劳检测结果进行综合比较。研究结果表明：在本文试验条件下，基于多尺度WLE（MWLE）的前额EEG疲劳识别率显著高于基于多尺度FE（MFE）的识别率，其理论平均正确率达91.8%；基于多尺度熵的EEG信号特征提取方法能有效提高驾驶疲劳识别效果和算法效率；多种性能指标表明前额EEG的WLE可以作为衡量驾驶疲劳的有效生理指标；结果验证了采用基于ELM对MWLE的前额EEG信号进行驾驶疲劳检测方法的有效性和实用性，有助于促进可穿戴BCI在疲劳驾驶预警中的应用。     

一种车载数字相机与激光雷达融合算法设计

环境感知是智能辅助驾驶的底层模块，单传感器感知存在易受干扰、所需配置传感器数量多和感知效果差等弊端，为此提出一种车载数字相机与激光雷达融合算法。综合考虑信息融合高效性与系统鲁棒性采取决策级融合策略，利用CENTER POINT算法对雷达点云数据进行处理，再利用Yolo v3算法进行密集型数据训练处理图像数据，最后使用交并比匹配（IOU）和已有文献的D-S论据实现数据融合并输出决策结果。经过KITTI数据集验证，该融合算法输出的识别效果优于单传感器，且在多种路况上均有良好的目标检测效果。     

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%。     

基于双里程计传感器融合的SLAM建图研究

在自动驾驶车辆研究领域中，SLAM车辆感知是热点研究领域之一，SLAM根据里程计类型可分为以视觉为主和以激光为主。两者本质上都以实现位姿估计和地图构建为目的，激光里程计主要是构建点云地图比较直观，视觉里程计构建的是稀疏视觉特征的地图。本文提出紧耦合双里程计传感器融合的SLAM框架，以完成实时状态估计和地图构建，并且具有高精度和鲁棒性。该方法可以有效地解决传统基于视觉或激光算法或者视觉和激光单一松耦合中累积误差的问题，框架融合了视觉与激光惯性的各自优点而形成两个子系统，这两个子系统采用紧密耦合方式进行设计，构成一个完整的系统。实验通过Ouster数据集评估绝对轨迹整体误差，并且该方法在自动驾驶接驳车中的应用表现出较高的精度。     

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。     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle, CAV)为研究对象, 研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论, 采用CAV的自动驾驶模型描述车间相互作用, 以所有CAV车辆在行驶过程中的总油耗为优化目标, 根据信号灯的配时信息建立模型约束, 通过优化CAV头车的速度轨迹, 保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。为了对该优化控制进行高效求解, 采用离散Pontryagin极小值原理建立最优解的必要条件, 利用基于神经网络训练的弹性反向传播(Resilient backpropagation, RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示: 整个CAV车队均能在不停车的情形下通过信号交叉口, 避免因在红灯时间窗到达停车线造成的停车、启动等过程, 总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势, 显著改善了城市交通通行效率和燃油经济性。      

基于混凝土组合箱梁残缺三维激光点云的自动逆向建模方法

针对虚拟预拼装过程中,施工现场条件与构件本身性质对混凝土桥梁构件三维激光扫描及其后续逆向建模质量产生不良影响的问题,以混凝土组合箱梁为背景,提出残缺三维激光点云的自动逆向建模方法.该方法利用实测点云与设计数据最佳匹配的数学优化问题提高自动性,并采用k-d tree和最小生成树(MST)等数据结构以及算法提高计算效率和鲁...     

基于稀疏彩色点云的自动驾驶汽车3D目标检测方法

针对目前在自动驾驶汽车中,目标检测的点云分割与识别算法的准确率低等问题,提出一种稀疏彩色点云结构,该结构由摄像头采集的图像信息与激光雷达采集的点云信息进行空间匹配与特征叠加后生成。通过改进的PointPillars神经网络算法对融合后的彩色稀疏点云进行运算。实验结果表明,本方法在平均精度上比原算法有较大的提升,尤其是对行人和骑单车人的识别平均精度的提升更为明显,在中等难度下的行人和骑单车人3D检测的平均精度值分别提升13.8%和6.6%,显示了本方法的有效性。     

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。     

面向自动驾驶数据生成的风格迁移网络研究

自动驾驶数据集的丰富性是保证基于深度学习的自动驾驶算法鲁棒性和可靠性的关键。当前的自动驾驶数据集在夜晚场景和各类气候、天气条件下的数据量仍十分有限，为满足无人驾驶领域的应用需求，本文中构建了风格迁移网络，可将当前自动驾驶数据集转换为夜晚、雪天等多种形式。该网络采用单编码器-双解码器结构，综合语义分割网络、跳跃连接和多尺度鉴别器等多种手段用于提高图像的生成质量，生成的图像具有良好的视觉效果。用真实数据训练deeplabv3+语义分割网络来评价生成图像的结果表明，本文采用的网络生成图像的平均交并比比基于双编码-双解码结构的两种网络（AugGAN和UNIT）分别提升了2.50%和4.41%。     

人工智能，自动驾驶的思维起步

<正>自动驾驶作为与大家吃穿住行中与行密切关联的一项技术，在过去几年内得到了快速发展，成为关注的重点。然而自动驾驶技术的实现需要众多技术的支持，其中之一就是人工智能技术。1人工智能概述人工智能（Artificial Intelligence，简称AI）是指计算机系统在完成类似人类智力所需的任务时所表现出来的能力。它是一种复杂的技术，通过将大量的数据输入到算法中进行学习，不断调整和改进自己的算法，从而不断优化其性能。它可以被应用于各种各样的领域，包括自然语言处理、图像识别、语音识别、     

自动驾驶传感器筛选与优化配置程序研究

自动驾驶传感器配置需求随着汽车智能化和电动化的快速发展不断增加。基于当前自动驾驶传感器配置无有效筛选途径的现状,通过建立数据库、设定指标项、制定评判准则和选定算法程序快速实现传感器配置方案匹配,并采用响应曲面算法进行优化筛选,满足用户传感器配置需求。     

持续学习算法在车辆目标识别上的应用

自动驾驶汽车技术的日新月异,主要得益于深度学习和人工智能的进步。然而深度学习模型大多是在静态同分布数据集上进行训练,无法随着时间而适应或扩展其行为。针对这一问题,论文将持续学习模型运用于车辆目标识别领域进行研究。首先搭建可以使得算法流畅运行的环境,选定目标识别的原始图像数据集;在分析现有评估指标的基础上,选取适合于本次实验的评估指标,并采用卷积神经网络（CNN）、最接近类均值（NCM）、增量分类器与特征表示（iCaRL）三种持续学习算法对原始图像数据集进行学习训练与对比验证,通过实验验证了应用iCaRL算法使机器进行持续学习训练时,其精度和效率均优于其他两种方法。针对智能驾驶目标识别图像数据集不完善这一问题,构建了一个新的图像数据集,包含车辆、行人、交通标志及信号灯,将iCaRL算法应用于新建图像数据集进行研究,并在新建智能驾驶图像数据集上进行了训练与测试。结果表明,采用iCaRL算法能够较好地学习新建图像数据集,不会因为环境的改变而使得其性能发生大幅变化,测试结果良好,证明该方法可以在智能驾驶领域进行目标识别。     

基于拉格朗日松弛算法的自动驾驶公交调度优化研究

为了解决公交实际运营出现的调度方式单一、车辆配合度较差、串车等问题，降低公交运行中人为因素的影响，提高公交系统的运营效率，提出一种考虑乘客动态需求的调度模型，采用自动驾驶环境下的公交运营方式，结合站点实际乘客需求调配车辆，实现了公交车辆利用程度最大和乘客总体等待时间最小的多目标优化。提出的自动驾驶公交调度方法，获取了乘客个体的实时出行需求，同时实现了对车头时距的调控。在模型求解方面，选取拉格朗日松弛算法，最终获得了多目标优化问题的精确解。以北京公交300路快车作为实际案例进行分析，从公交实际运营数据中提取多项参数作为模型的输入，通过拉格朗日松弛算法的求解，得到自动驾驶条件下公交运行时刻表、乘客等待时间、公交承载量、站点上车乘客人数等多项运营指标。通过与公交实际运营状态的对比，论证了采用自动驾驶公交对于改善公交运营现状的可行性。最后将优化结果与公交实际数据进行了对比分析。结果表明：自动驾驶车辆投入公交运营，能够缓解串车问题，同一线路上公交车的载客量分布更为均衡，在同一断面的客流与车头时距的不均衡程度均有所降低；同时高峰时段发车数量减少了20%，公交车的平均承载量提高了21.7%，车辆平均间隔缩短了29.9%。