室外移动机器人的道路场景识别及路径规划研究

摘要

随着移动机器人的广泛应用，其种类与应用环境在不断增加，止逐步从室内环境向室外环境扩展。对于在室外工作的自主移动机器人，包括无人驾驶汽车，能够具有良好的环境感知和场景理解能力是其实现自主导航并完成其行动任务的前提条件，面向复杂环境的道路场景识别已成为室外移动机器人领域的研究热点之一。
　　对于无人驾驶汽车来说，其最大的桃战来自于对环境的感知，而环境感知是无人驾驶技术的最基础部分。由于室外逬路环境复杂多变，以及自主移动机器人通过视觉获取环境信息的不稳定性，机器人识别环境中的道路及物体较为困难，特別是在光照变化环境、行人环境、拥堵环境、没有明显的车道线和标志线的郊区与园区道路环境、以及没有较好路面和明显道路边缘的乡村道路环境下。如何在复杂环境下实时、鲁棒地识别道路及理解道路场景中的内容足现阶段极具挑战性的研究课题。室外道路按结构可分为结构化道路（高速公路、城市道路）、准结构化道路（郊区道路、园区道路）和非结构化道路（乡村道路、越野环境）。无人驾驶汽车能否在各种结构的道路环境下准确感知车辆周围的环境信息，关乎着其行驶的安全以及行人和其他车辆的安全。由于坏境的多样性和复杂性，目前感知技术的发展还没有达到足够安全的水平，仍有许多工作要做。本文首先针对各种结构的道路环境下环境感知问题，研究一般道路的消失点检测与道路区域检测方法，提出了快速的直线空间投票方法进行消失点检测和道路检测，该方法检测速度快、精度高、适应性好，可实时地为无人驾驶汽车提供正确的行驶方向和可行驶的道路区域。其次，针对城市道路和高速道路的结构化环境，研究基于深度学习的道路场景理解方法，提出基于深层卷积神经网络的道路场景分割网络，可有效识别可行驶道路区域与道路上的行人、车辆、以及其他类别的目标，给无人驾驶汽车提供多样性的道路场景信息，使其具有更强的环境识别能力。然后，针对多传感器信息处理问题，研究道路场景理解的多信息融合方法，提出基于信任函数理论的多信息融合框架，对多个传感器的感知结果进行融合，提高了道路场景识别的准确性和可靠性。最后，根据感知系统检测到的可行驶道路区域和目标点，研究移动机器人在动态环境下的局部路径规划方法，对教与学优化算法进行改进并将其成功应用于移动机器人的路径规划问题，为移动机器人路径规划提供了一个新的理论方法和实践依据。本文主要研究内容如下：
　　1.道路消失点的快速检测和基于消失点的道路检测方法研究。分析各种非结构化和准结构化道路环境下的道路识别方法，从道路图像的纹理、颜色特征等方面入手，提出基于纹理方向的直线空间投票方法来估计道路的消失点；基于检测到的消失点，使用区间投票的比值和区间的颜色差异来检测道路的两条主边界线，从而得到道路区域。
　　2.基于深度学习的道路场景理解研究。针对城市道路和高速道路的结构化环境，在卷积神经网络的基础上，提出一个由16层卷积编码网络和16层反卷积解码网络组成深层道路场景分割网络。通过增加网络层数、改变激活层的非线性映射函数和上采样方法，并采用转移学习的调优策略，构建一个可以提高训练速度和分类精度的道路图像分割网络，以对道路场景图像进行有效的语义分割，在图像像素级别上对场景内容进行精确分类识别。
　　3.道路场景理解的多信息融合研究。通过分析多传感器获取的信息间的相关性，研究道路场景理解的多信息融合的方法，基于信任函数理论实现对多种检测模块输出的组合与建模，构建道路场景理解的多信息融合框架。使用多个检测模块对传感器获取的数据进行处理，并在同一空间中将各模块的检测结果进行融合，以提高道路场景理解的准确性和可靠性。
　　4.教与学优化算法的研究与改进。通过研究教与学优化算法（一种新的群体智能优化算法），提出一个改进的非线性惯性权重教与学优化算法来解决连续空间中全局优化问题，并在多个基准测试函数上与其他经典的优化算法进行对比实验。
　　5.基于非线性惯性权重教与学优化算法的移动机器人局部路径规划研究。结合改进的教与学优化算法，研究自主机器人在动态环境下的局部路径规划方法。通过对环境地图进行建模，将改进的教与学优化算法应用于移动机器人的局部路径规划，在该环境地图上找出优化的可行路径。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 道路场景识别国内外研究现状

1.3 机器人路径规划研究现状

1.4 本文的主要研究内容

1.5 本文内容的组织结构

2 道路消失点检测及道路检测算法研究

2.1 引言

2.2 基于直线空间投票方法的道路消失点检测方法

2.3 基于消失点的道路检测

2.4 实验结果与分析

2.5 本章小结

3 基于深度学习的道路场景理解研究

3.1 引言

3.2 深度学习

3.3 卷积神经网络

3.4 基于深度卷积神经网络的道路场景理解

3.5 本章小结

4 道路场景理解的多信息融合研究

4.2 环境信息感知方式

4.3 贝叶斯融合[156]

4.4 道路场景信息融合理解

4.5 融合结果

4.6 本章小结

5 路径规划算法研究

5.1 引言

5.2 教与学优化算法

5.3 非线性惯性权重的教与学优化算法

5.4 基于NIWTLBO算法的局部路径规划

5.5 实验结果及分析

5.6 本章小结

6 总结与展望

6.1 主要结论和创新点

6.2 未来工作展望

致谢

参考文献

攻读学位期间取得的研究成果