基于改进纯跟踪的智能车路径跟随方法

为提高智能车的路径跟随精度和行驶平稳性，提出一种基于改进纯跟踪的路径跟随方法。首先建立纯跟踪路径跟随模型，分析纯跟踪模型在初始偏差条件下的控制效果；然后将航向偏差作为反馈变量对纯跟踪方法进行补偿，并以横向偏差和航向偏差为输入、以补偿权重为输出，采用类模糊方法实现补偿权重的动态调节；最后通过实车试验选定控制参数，并验证所提方法的控制性能。结果表明，该方法在不同初始偏差和不同目标行驶速度下能够实现偏差的快速消除，并保证行驶平稳性，具有较好的路径跟随效果，运算耗时较少。     

基于多传感器信息融合的3维目标实时检测

针对基于多传感器信息融合的3维目标检测，提出了一种实时高精度的双阶段深度神经网络PointRGBNet。第1阶段，在区域提案网络中，首先将3维点云投影到2维图像上生成6维RGB点云，然后对输入的6维RGB点云进行特征提取，得到低维特征图与高维特征图，利用融合后的特征图生成大量置信度较高的提案；第2阶段，在目标检测网络中，利用第1阶段生成的提案进行RoI池化，得到特征图上与每个提案对应的特征集合，通过针对性地学习提案的特征集合，实现了更精准的3维目标检测。在KITTI数据集上的公开测试结果表明，PointRGBNet在检测精度上不仅优于仅使用2维图像或3维点云的目标检测网络，甚至优于某些先进的多传感器信息融合网络，而且整个网络的目标检测速度为12帧/s，满足实时性要求。