發(fā)布時間：2018-08-17 19:25

【摘要】：隨著汽車保有量的增加,交通擁堵和交通事故發(fā)生率不斷升高,作為解決此問題的重要手段,無人駕駛汽車的研究日益迫切。無人駕駛汽車在復雜交通環(huán)境中行駛時會不可避免地與其他交通參與者如汽車、行人和自行車等產(chǎn)生交互,在交互過程中必須避開所有潛在碰撞以保證行駛安全。為了完成此任務,首先需要無人駕駛汽車能夠準確地檢測并跟蹤動態(tài)障礙物,估計其運動狀態(tài);其次,不同種類的動態(tài)障礙物具有不同的運動特性,為提高避撞行為的合理性,需要識別出動態(tài)障礙物的種類以便無人駕駛汽車執(zhí)行更加合理的避撞行為;最后為了避開與動態(tài)障礙物之間的潛在碰撞,要求無人駕駛汽車能夠準確預測出動態(tài)障礙物的運動軌跡,尤其是運動速度較快的動態(tài)車輛。但現(xiàn)有的基于單一輪廓特征的方法在動態(tài)障礙物檢測跟蹤過程中的準確率和速度較低,無法滿足動態(tài)障礙物避撞安全性的要求,基于輪廓特征和運動狀態(tài)的動態(tài)障礙物識別算法的準確率較低且識別范圍較小,無法滿足無人駕駛汽車避撞合理性的要求,動態(tài)車輛行駛軌跡由很多因素決定,現(xiàn)有的基于動態(tài)車輛實時運動狀態(tài)的軌跡預測方法誤差較大,不滿足無人駕駛汽車避撞準確性的要求。針對以上問題,本文提出了基于多特征融合的動態(tài)障礙物檢測跟蹤方法、基于時空特征向量的動態(tài)障礙物識別方法和基于駕駛行為意圖檢測的動態(tài)車輛軌跡預測方法,從而實現(xiàn)更加安全、合理和準確的動態(tài)障礙物避撞,主要研究內容如下:1)動態(tài)障礙物的檢測跟蹤:為了提高動態(tài)障礙物檢測跟蹤的準確性與速度,提出了 一種基于多特征融合的動態(tài)障礙物檢測跟蹤方法。首先分別從三維激光雷達獲得的數(shù)據(jù)和多層激光雷達獲得的數(shù)據(jù)中提取障礙物的輪廓特征和激光脈沖反射強度特征,接著融合提取的特征并對動態(tài)障礙物進行建模,通過構建相似度矩陣完成動態(tài)障礙物的匹配跟蹤并利用建立的障礙物模型完成動態(tài)障礙物的運動狀態(tài)估計,為動態(tài)障礙物識別和動態(tài)車輛軌跡預測提供障礙物運動狀態(tài)信息。2)動態(tài)障礙物的識別:不同類型的動態(tài)障礙物具有不同的運動特性且需要不同的避撞策略,為了使無人駕駛汽車能夠更加合理地選擇避撞行為,本文提出了一種基于時空特征向量的無人駕駛汽車動態(tài)障礙物識別方法。首先結合障礙物空間維度上的幾何輪廓特征、時間維度上的Zernike不變矩特征和無人駕駛汽車的位姿信息構建時空特征向量,在此基礎上使用AdaBoost算法構建動態(tài)障礙物分類器,最后使用分類器識別動態(tài)障礙物,為避撞行為決策提供障礙物類別信息。3)動態(tài)車輛軌跡預測:在動態(tài)障礙物識別的基礎上,針對其中動態(tài)車輛軌跡預測不準確的問題,提出了基于駕駛行為意圖檢測的軌跡預測方法。首先,利用高斯混合模型從車輛駕駛行為數(shù)據(jù)和道路結構信息中學習駕駛行為模式并用于檢測動態(tài)車輛的駕駛行為意圖,接著根據(jù)駕駛行為意圖檢測結果計算動態(tài)車輛的長期理想軌跡,并結合運動模型預測動態(tài)車輛的行駛軌跡,為準確的碰撞檢測和避撞奠定基礎。最后,通過在城區(qū)交通環(huán)境中的實車實驗驗證了上述技術的可靠性與穩(wěn)定性,極大地提升了動態(tài)障礙物檢測跟蹤的準確性與速度,提高了動態(tài)障礙物的識別準確率和動態(tài)車輛的軌跡預測精度并擴展了動態(tài)障礙物識別距離范圍。
[Abstract]:With the increase of vehicle ownership, the incidence of traffic congestion and traffic accidents is increasing. As an important means to solve this problem, the study of driverless vehicles is becoming more and more urgent. In order to accomplish this task, it is necessary to detect and track dynamic obstacles accurately and estimate their motion state. Secondly, different kinds of dynamic obstacles have different motion characteristics. In order to improve the rationality of collision avoidance behavior, it is necessary to identify them. Finally, in order to avoid the potential collision with the dynamic obstacles, the unmanned vehicle is required to accurately predict the trajectory of the dynamic obstacles, especially the fast moving vehicles. The method has low accuracy and speed in the process of dynamic obstacle detection and tracking, and can not meet the requirements of dynamic obstacle avoidance safety. The dynamic obstacle recognition algorithm based on contour features and motion state has low accuracy and small recognition range, and can not meet the requirements of the rationality of unmanned vehicle collision avoidance. Vehicle trajectory is determined by many factors. Existing trajectory prediction methods based on dynamic vehicle real-time motion state have large errors and do not meet the requirements of collision avoidance accuracy of unmanned vehicles. Recognition method and dynamic vehicle trajectory prediction method based on driving behavior intention detection are used to achieve more safe, reasonable and accurate dynamic obstacle avoidance. The main research contents are as follows: 1) Dynamic obstacle detection and tracking: In order to improve the accuracy and speed of dynamic obstacle detection and tracking, a multi-feature fusion method is proposed. A combined dynamic obstacle detection and tracking method is proposed. First, the outline features and laser pulse reflective intensity features of obstacles are extracted from the data obtained by three-dimensional lidar and multi-layer lidar respectively, then the extracted features are fused and the dynamic obstacles are modeled, and the dynamic obstacles are completed by constructing similarity matrix. Dynamic obstacle recognition: Different types of dynamic obstacles have different motion characteristics and require different collision avoidance strategies for dynamic obstacle recognition and dynamic vehicle trajectory prediction. In order to make the unmanned vehicle choose the collision avoidance behavior more reasonably, this paper proposes a dynamic obstacle recognition method for unmanned vehicle based on space-time feature vector. Firstly, the geometric contour feature of obstacle space dimension, the Zernike invariant moment feature of time dimension and the pose information construction of unmanned vehicle are combined. On the basis of space-time feature vectors, AdaBoost algorithm is used to construct a dynamic obstacle classifier. Finally, the classifier is used to identify the dynamic obstacles and provide obstacle class information for collision avoidance decision-making. 3) Dynamic vehicle trajectory prediction: On the basis of dynamic obstacle recognition, aiming at the problem of inaccurate dynamic vehicle trajectory prediction, the dynamic vehicle trajectory prediction is proposed. A trajectory prediction method based on driving behavior intention detection is proposed. Firstly, driving behavior patterns are learned from driving behavior data and road structure information by using Gaussian mixture model and used to detect driving behavior intention of dynamic vehicles. Finally, the reliability and stability of the above techniques are verified by the real vehicle experiments in urban traffic environment, which greatly improves the accuracy and speed of dynamic obstacle detection and tracking, and improves the accuracy of dynamic obstacle identification. Accuracy and dynamic vehicle trajectory prediction accuracy and extend the range of dynamic obstacle recognition.
【學位授予單位】：中國科學技術大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：U463.6

【相似文獻】

相關期刊論文 前10條

1 陳之中;吳訓成;;倒車環(huán)境下的網(wǎng)狀障礙物識別技術[J];上海工程技術大學學報;2012年01期

2 楊素華,趙文龍,陳思平,江少鋒;基于球空間極近距離障礙物的超聲檢測方法[J];南昌航空工業(yè)學院學報(自然科學版);2004年04期

3 項志宇;;針對越野自主導航的障礙物檢測系統(tǒng)[J];東南大學學報(自然科學版);2005年S2期

4 謝斌;項志宇;潘華東;劉濟林;;基于偏振信息的水體障礙物檢測方法[J];浙江大學學報(工學版);2007年11期

5 朱云芳;王貽術;杜歆;;靜態(tài)環(huán)境中基于光流的障礙物檢測[J];浙江大學學報(工學版);2008年06期

6 王葵;翟榮剛;王道斌;顏普;;基于激光測距雷達和車載GPS的動態(tài)障礙物檢測[J];工業(yè)儀表與自動化裝置;2013年02期

7 趙小川;劉培志;張敏;楊立輝;施建昌;;一種適用于移動機器人的障礙物快速檢測算法及其實現(xiàn)[J];機器人;2011年02期

8 楊飛;朱株;龔小謹;劉濟林;;基于三維激光雷達的動態(tài)障礙實時檢測與跟蹤[J];浙江大學學報(工學版);2012年09期

9 杜歆;周圍;朱云芳;劉濟林;;基于單目視覺的障礙物檢測[J];浙江大學學報(工學版);2008年06期

10 稻津雅弘;車勝新;;利用超聲波檢測障礙物的裝置的研究[J];國外汽車;1983年06期

相關會議論文 前3條

1 項志宇;;針對越野自主導航的障礙物檢測系統(tǒng)[A];2005全國自動化新技術學術交流會論文集（二）[C];2005年

2 王偉;熊慶宇;王楷;羅意;;面向室內未知環(huán)境的無障礙物區(qū)域單目視覺檢測算法研究[A];2010振動與噪聲測試峰會論文集[C];2010年

3 仲訓昱;彭俠夫;周結華;;基于激光傳感器的機器人運動障礙物檢測[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

相關重要報紙文章 前10條

1 高釩;無人駕駛汽車問世：終結“馬路殺手”？[N];新華每日電訊;2007年

2 東方汽車特約撰稿人 顏光明;“無人駕駛汽車”浮出水面的現(xiàn)實意義[N];東方早報;2010年

3 記者 涂亞卓　通訊員 卓越;漢產(chǎn)“無人駕駛汽車”問世[N];湖北日報;2010年

4 黃敏;無人駕駛汽車“獨自”駛上德國街頭[N];新華每日電訊;2011年

5 記者 秦勉;無人駕駛汽車上路,準備好了么？[N];北京科技報;2012年

6 嘉卉;2040年無人駕駛汽車將占75%[N];人民郵電;2012年

7 本報記者 張曉鳴;無人駕駛汽車在路上[N];文匯報;2012年

8 華凌;豐田推出新款無人駕駛汽車[N];科技日報;2013年

9 記者 陳一鳴 劉軍國 黃發(fā)紅;無人駕駛汽車從銀幕駛入現(xiàn)實[N];人民日報;2013年

10 特約撰稿 賽迪智庫工業(yè)安全生產(chǎn)研究所 胡文志;無人駕駛汽車近了[N];中國電子報;2013年

相關博士學位論文 前6條

1 黃如林;無人駕駛汽車動態(tài)障礙物避撞關鍵技術研究[D];中國科學技術大學;2017年

2 劉金;盲人行走輔助技術中的障礙物檢測算法研究[D];西南交通大學;2014年

3 劉健;基于三維激光雷達的無人駕駛車輛環(huán)境建模關鍵技術研究[D];中國科學技術大學;2016年

4 寇雪芹;塔機障礙物遠距離超聲測距方法與識別機理研究[D];西安建筑科技大學;2015年

5 賈寶芝;視頻導航中的地圖生成、障礙檢測與行人人臉識別[D];中國科學技術大學;2015年

6 武歷穎;無人駕駛汽車環(huán)境信息提取及運動決策方法研究[D];長安大學;2016年

相關碩士學位論文 前10條

1 楊鑫;基于單目視覺的礦井電機車防撞預警系統(tǒng)的研究[D];中國礦業(yè)大學;2015年

2 丁新立;基于卷積神經(jīng)網(wǎng)絡的車輛前方障礙物識別[D];大連理工大學;2015年

3 易藝婷;導盲系統(tǒng)中的障礙物檢測方案設計[D];哈爾濱工業(yè)大學;2015年

4 趙日成;輔助駕駛中的路面障礙檢測技術研究[D];西安電子科技大學;2015年

5 魯永杰;基于機器視覺的列車前方障礙物檢測方法研究[D];蘭州交通大學;2015年

6 侯偉;基于雙目的前駛障礙物識別方法與應用研究[D];合肥工業(yè)大學;2015年

7 袁雨桐;基于單目視覺的智能車前方障礙物識別與測距[D];吉林大學;2016年

8 張兆陽;現(xiàn)代有軌電車障礙物識別技術研究[D];蘇州大學;2016年

9 武少宇;基于雙攝像頭的圖像分析與室內障礙物定位[D];華南理工大學;2016年

10 陸臻;汽車輔助安全駕駛中基于視頻的障礙物檢測方法研究[D];電子科技大學;2016年

，

本文編號：2188648