无人驾驶汽车动态障碍物识别及避障方法研究

摘要

无人驾驶汽车作为一种典型的智能移动机器人，涉及的学科众多，是当今人工智能和汽车领域的重要研究方向，而避障系统是无人驾驶汽车研究的重中之重。避障系统是指在复杂的环境下从障碍物的检测识别到成功躲避障碍物的过程，其中对运动障碍物的避撞操作一直是该研究的难点。本文即是对运动障碍物的识别、碰撞预测和避撞路径规划进行深入的理论研究，并进行了实验验证。具体的研究内容如下：
　　1）对运动障碍物准确且实时的识别是避障系统进行避撞操作的基础，但是目前图像识别算法在实时性和准确性上具有局限性，卷积神经网络由于过度关注细节特征的提取，在感兴趣目标较小时也会出现结果不准确的情况。针对该问题，提出了一种基于卷积神经网络的运动障碍物识别算法，该方法在层层抽取细节特征的基础上融入了全局特征，利用全局特征修正细节特征的提取，最后利用Softmax进行分类。实验验证，改进的卷积神经网络在识别运动障碍物具有较高的准确性。
　　2）对运动障碍物的轨迹和碰撞点的预测是避障系统进行避撞操作的前提，文中应用三维栅格图，提出一种碰撞预测方法，将运动障碍物分类成直线型、弯道型和路口型三种来进行轨迹预测，根据预测结果得到预测的碰撞点。
　　3）规划出一条可躲避障碍物的路径是避撞操作的关键，针对传统A*算法实时性不强和规划轨迹较尖锐的问题，提出了一种基于改进的A*算法的路径规划算法。将估价函数进行改进来提高实时性；通过将可搜索的邻域节点由可数增至无限个，并用贝塞尔曲线拟合规划出的路径来提高平滑性。
　　采用真实的道路数据，将研究的理论内容应用于仿真平台进行实验验证，实验结果充分证明了本文研究的具体方法的有效性。最后对研究内容的优势和不足进行总结，并对下一步的研究进行展望。

目录

第一个书签之前

摘 要

Abstract

Contents

1 绪论

1.1 课题背景及意义

1.2 动态障碍物识别方法国内外研究现状

1.3 动态障碍物轨迹预测与避撞方法国内外研究现状

1.4 本文主要研究内容及章节安排

2.1 避障系统的基本原理概述

2.2 三维栅格法概述

2.3 卷积神经网络概述

2.4 A*算法概述

2.5 本章小结

3 改进卷积神经网络对动态障碍物的识别方法研究

3.1 改进的卷积神经网络结构

3.2 基于改进卷积神经网络的动态障碍物识别方法

3.3 实验分析

3.4 本章小结

4 改进A*算法对障碍物碰撞预测及避撞方法研究

4.1 改进的A*算法结构

4.1.1 指数加权

4.1.2 可搜索邻域

4.1.3 平滑路径拟合

4.2 基于改进A*算法的障碍物避撞方法研究

4.2.1 碰撞点预测

4.2.2 行为选择

4.2.3 避障路径规划方法

4.3 本章小结

5 仿真实验与结果

5.1 实验设计

5.1.1 获取数据集

5.1.2 线下训练

5.1.3 避障系统的仿真平台

5.2 具体工况仿真验证

5.2.1 直行道主车直行同车道前方障碍物静止

5.2.2 直行道主车直行左前方车慢行

5.2.3 直行道主车直行右侧相邻车道前方行人横穿切入

5.2.4 直行道主车直行同车道前方车慢行右侧相邻车道后方车加速

5.3 仿真平台下避障对比实验

5.4 本章小结

6 总结与展望

6.1 总结

6.2 展望

参考文献

致谢

攻读硕士学位期间主要成果和获奖情况