区域智能交通车辆系统发展及其关键技术综述

综合概括区域智能交通车辆研究中涉及的关键技术,重点介绍了导航控制技术、传感器信息融合技术及通信技术。国内外研究现状表明,区域智能交通车辆系统在区域交通中具有良好的应用前景,是智能车辆领域新的研究热点。     

基于单目视觉的区域交通智能车辆道路边界检测方法研究

基于单目视觉的道路边界检测由于其在车辆辅助驾驶系统中的重要应用价值成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。指出图像边缘检测现有算法的不足,采用领域平均法对图像进行平滑处理,根据图像的边缘特征运用Prewitt算子实现边缘增强,以获取精确的边缘信息。使用最大熵算法分割二值化图像进一步减少噪声,从而得到良好的道路特征图像数据。利用道路约束条件,建立视觉系统动态感兴趣区域(DAOI),运用改进的Hough变换最终识别道路边界。试验结果表明:本文所述算法不仅能准确、实时检测出道路板边界,而且能有效地抑制噪声,为区域交通智能车辆的换道和超车提供研究基础。     

车载导航地图服务发展探讨

从车载导航地图的存储介质、服务载体和服务内容等多方面探讨了车载导航地图服务的发展.物理存储技术的进步促进了导航地图数据存储的发展,为导航地图服务打下基础,手持导航设备及消费电子的出现极大扩展了车用导航电子地图的应用范围,实时动态数据的丰富提升了导航地图服务质量.     

性能基导航中飞行技术误差估计研究综述

从人为因素、飞行器性能与环境因素3方面剖析了性能基导航中飞行技术误差的影响因素及其特性。依据导航方式与特定运行条件分类论述了基于飞行试验的飞行技术误差试验统计研究, 指出了此类研究方法的局限性。评述了基于成型机理的飞行技术误差方差估计模型与方法, 讨论了各种方法的特点和应用范围。从飞行技术误差估计方法与应用2方面分析了现有研究的局限性与后续研究展望。分析结果表明: 在手动操作方式下, 不同的飞行策略对飞行技术误差有较大影响, 航径偏移指示器的灵敏度与侧向飞行技术误差负相关。在航路和终端区, 某些通用航空飞行器的侧向飞行技术误差的标准差分别高达759.32、481.52m, 主要原因是未安装高精度导航系统。对飞行试验结果进行统计拟合的估计方法无法全面地覆盖全部机型、航段与天气条件, 因而具有一定的局限性, 而基于成型机理的飞行技术误差估计方法估计的侧向、高度飞行技术误差的标准差分别为2.68、1.13m, 通过与仿真结果和实测数据的比较, 方法的有效性得到验证。性能基导航设备在实时估计飞行技术误差时, 采用假设常值而不进行实时估计, 将会使飞行器处于危险中。从多重因素入手研究如何减小性能基导航中飞行技术误差是未来的重要研究方向。     

基于图像色相值突变特征的钢轨区域快速识别方法

应用彩色图像中不同区域HSL色彩空间中色相值突变特征提取轨检图像中钢轨边界点, 对多条不同等分线处钢轨边界点进行直线拟合以确定钢轨边缘, 识别目标钢轨区域。分析了机器视觉轨检系统序列图像中轨枕、砟石、扣件与钢轨的分布特征及不同特征区域图像色相值的突变特征, 研究了轨检图像不同等分数值下等分线处色相值突变点与钢轨边界点的对应关系, 讨论了不同等分值对识别时间与识别失败率的影响。在不同光照条件下对识别方法与传统方法进行了对比分析。分析结果表明: 当等分值为8时识别效果最优, 识别失败率为5.0%, 识别时间为4.65 ms; 在500~1 000、1 000~10 000、10 000~100 000 lx三个特征光照强度区间, 识别方法在木枕与混凝土枕轨道中钢轨区域的平均最大识别时间分别为4.57、4.48 ms, 比传统方法分别减少了44.4%、47.1%, 识别时间标准差分别为0.15、0.12 ms, 比传统方法分别降低了91.8%、93.6%, 平均最大识别失败率分别为3.5%、3.3%, 比传统方法分别降低了66.0%、76.9%, 识别失败率标准差均为1.6%, 比传统方法分别降低了68.9%、71.1%。可见, 本文方法是一种机器视觉轨检系统中目标钢轨区域识别的有效方法。     

车载导航系统陀螺的自适应校正方法

分析了低成本压电振动陀螺误差及其影响因素,在实验的基础上得出采用温度补偿陀螺误差的可行性。建立了联合卡尔曼滤波方程融合GPS和INS信息,估计定位信息和陀螺误差。提出车载GPS/INS组合导航系统中陀螺零漂误差和标度因子误差的校正过程启动条件,当条件满足时,以估计的陀螺误差为输入,采用温度误差校正表学习算法对陀螺误差模型进行训练。用道路实验数据对提出的陀螺校正算法进行验证,结果表明该算法精度高、收敛快、可操作性好。     

猎豹智能车无人驾驶系统总体设计

介绍猎豹智能车无人驾驶系统总体设计及其硬件和软件的设计特点和实现方法。系统采用机器视觉来识别高速公路车道线,利用拟人控制算法来实现车辆自动驾驶控制,最高时速为95km/h的初步试验结果验证了系统的可行性。     

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping, SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。     

航海类专业现代学徒制实施路径探析

以航海类专业为例,对现代学徒制人才培养模式的实施路径开展了研究。从现代学徒制职业标准体系的打造、教学团队的构建、教学资源的开发、人才培养模式的创新、人才培养体系的打造等方面论述了企业主导型现代学徒制的实施路径,并总结了实施效果,以期共享现代学徒制航海人才培养经验,提高人才培养质量。     

Autonomous vehicle perception: The technology of today and tomorrow

Perception system design is a vital step in the development of an autonomous vehicle (AV). With the vast selection of available off-the-shelf schemes and seemingly endless options of sensor systems implemented in research and commercial vehicles, it can be difficult to identify the optimal system for one’s AV application. This article presents a comprehensive review of the state-of-the-art AV perception technology available today. It provides up-to-date information about the advantages, disadvantages, limits, and ideal applications of specific AV sensors; the most prevalent sensors in current research and commercial AVs; autonomous features currently on the market; and localization and mapping methods currently implemented in AV research. This information is useful for newcomers to the AV field to gain a greater understanding of the current AV solution landscape and to guide experienced researchers towards research areas requiring further development. Furthermore, this paper highlights future research areas and draws conclusions about the most effective methods for AV perception and its effect on localization and mapping. Topics discussed in the Perception and Automotive Sensors section focus on the sensors themselves, whereas topics discussed in the Localization and Mapping section focus on how the vehicle perceives where it is on the road, providing context for the use of the automotive sensors. By improving on current state-of-the-art perception systems, AVs will become more robust, reliable, safe, and accessible, ultimately providing greater efficiency, mobility, and safety benefits to the public.