基于三维激光雷达的无人车障碍物检测与跟踪

针对真实交通场景中障碍物的检测与跟踪问题,提出了一种基于三维激光雷达HDL-64E的无人车障碍物检测与跟踪方法。首先对三维激光雷达产生且经路面分割后的点云数据栅格化,并进行栅格增补。在障碍物聚类之后,先利用无人车RTK-GPS数据和INS航向角数据进行多帧融合的静态障碍物的检测,再进一步利用动态障碍物模板匹配算法对静态障碍物检测结果形成的可行驶区域进行动态障碍物检测。最后,利用标准卡尔曼滤波器实现对动态障碍物的跟踪。本文方法应用在自主研发的无人车上的大量实验结果表明,本文提出的方法具备较高的可靠度,满足无人车的环境感知要求。     

基于跟踪误差模型的智能车辆轨迹跟踪方法

为提高智能车辆轨迹跟踪精度,以车辆动力学模型为基础,提出一种基于线性时变模型预测控制的轨迹跟踪方法。该方法将车辆非线性动力学跟踪误差模型进行线性化和离散化处理,作为控制器的预测模型;建立系统控制增量的目标函数,设计状态量、控制量和控制增量约束条件,利用带约束的二次规划问题求解目标函数;将求得的最优序列的第一项控制量作用于系统。实验结果表明,在双移线工况下,当车速小于15 m/s时,横向最大误差小于0.52 m,航向最大误差小于0.067 rad。     

基于视觉的智能车辆自主导航最优控制器设计

本文主要介绍作者设计、制造的新型智能车辆JUTIV－Ⅱ的基于视觉的最优控制器设计技术、实验表明，我们采用的基于视觉的最优控制器算法有效、可靠。     

智能车辆视野及其图像变形矫正的研究

对ＪＵＴＩＶ－Ⅱ型智能车机器视觉系统的结构和该视觉系统产生的图像畸变的原因进行分析，提出并证明视野中等腰梯形区域的对角线交点就是经ＣＣＤ摄像机得到的矩形图像对角线交点的结论，根据该结论推导出机器视觉的图像畸变矫正算法，实验结果表明本文所研究的图像矫正算法可以有效地矫正导航路标的图像畸变，为智能车辆导航路径的识别提供了准确的图像信息。     

一种机器视觉导航的智能车辆转向控制模型设计

提出了一种智能车辆转向控制模型，该模型采用路标的方向偏差和距离偏差作为输入参数，输出前轮转向角；采用了状态控制法，对外界环境的干扰具有较强的鲁棒性。实验表明：在20Hz的控制频率下，该控制算法在JUTIV－Ⅱ型智能车上表现出很好的效果。     

识别阴影中智能车辆导航路径的神经网络方法研究

提出采用消阴影神经网络I和消阴影神经网络II来消除智能车辆导航图像中的阴影并识别出导航路径的方法。所开发的消阴影神经网络I和II均为3层结构，分别是输入层、隐层和输出层，采用自适应线性单元优化了网络的隐层节点数，文中也介绍了神经网络I和II的训练过程。在JLUIV—2型智能车辆上进行了实际路径识别试验，试验结果表明：连续使用消阴影神经网络I和II可快速有效地消除导航图像中的阴影，获得清晰可靠的导航路径。     

具有时空约束的无人车集群构型变换方法

针对具有时空约束的无人车集群构型变换问题,采用图论方法描述集群协同关系,将集群构型变换问题分解为最小变换单元的队形变换问题. 为满足队形变换的空间约束,运用基于模型的轨迹预测方法为无人车规划提供满足起点和目标点约束的行驶路径,运用曲线插值方法规划平滑且满足时间约束的速度曲线,根据碰撞检测结果提出速度规划的边界条件. 仿真和实车实验证明了构型变换方法的有效性.     

智能车辆车道保持系统

车道保持系统是智能交通系统(ITS)的主要研究内容之一。本文介绍了车道保持系统的研究意义，国内外的发展状况，车道保持系统的基本结构以及清华大学汽车安全与节能国家重点试验室在车道保持系统以及THASV-I实验车平台方面的研究工作，主要包括：研究开发的机器视觉车道识别系统，拟人控制算法，安全简便的转向执行系统。