矿井无人驾驶环境感知技术研究现状及展望

矿井辅助运输系统是煤矿企业运输人员和重要物料、装备的必备系统,实现矿井无人驾驶是提高运输效率、保障运输安全的必然要求,也是落实国家煤矿智能化建设部署的必由之路。矿井无人驾驶依赖于准确实时的环境感知,即利用激光雷达、毫米波雷达等车载感知器件和车联网支持下的协同感知,实现车辆局部甚至矿井全局的精确详尽感知。对矿井无人驾驶环境感知技术的研究现状进行了系统梳理,指出巷道特殊环境使得矿井车载感知设备的性能都将出现不同程度的下降,并对各种车载感知设备的优劣进行了总结归纳;详细阐述了矿井无人驾驶环境感知的关键技术,包括基于可见光图像或激光点云的单传感器障碍物识别方法,多传感器融合感知的分类及可见光图像+激光点云、可见光图像+毫米波点云、可见光图像+激光点云+毫米波点云、4D毫米波雷达+其他感知器件等多传感器融合方式,智能网联协同感知的实现方式、数据处理方法及其对无人驾驶的促进作用,井下巷道交通标志检测与识别方法,井下无轨胶轮车和有轨机车的巷道可行驶区域分割方法等;对矿井无人驾驶环境感知技术的发展方向进行了展望,建议提高矿井多传感器融合性能、研究矿井自适应感知算法并突破矿井智能网联协同感知技术。     

激光雷达在无人驾驶环境感知中的应用

激光雷达是实现无人驾驶环境感知的重要传感器,特别是通过与相机和毫米波雷达等实现感知信息融合之后,适用于复杂交通环境感知,可以检测交通环境中的不同目标,包括道路、可行驶区域、行驶环境中行人和车辆、交通信号灯和交通标志等交通要素。本文通过激光雷达的技术描述,介绍它在环境感知中的重要作用,分析了激光雷达标定及测试等技术基础,分析了激光雷达在环境感知中的应用,可以为相关技术应用提供参考。     

基于感知网络的无人驾驶场景识别

针对目标检测实时性要求,从检测原理与算法结构的角度设计了基于一阶段目标检测的交通场景感知网络,同时针对小物体检测问题,借鉴了SSD网络的多分支特征提取结构,设计了一套SSD_DCN_RFB特征融合网络算法。测试结果表明,提出的交通场景目标检测算法在小物体检测方面也具备较好的检测性能。     

智能车辆环境感知技术与平台构建

本文从智能车辆环境感知功能入手,剖析了感知功能实现及其存在的技术挑战,实现复杂交通环境感知所需传感器,并介绍了车载传感器融合平台.分析现有智能车辆环境感知平台实现,通过缩微智能车辆载体,介绍了低成本、低功耗的嵌入式环境感知系统,对于智能车辆功能研发具有参考意义.     

基于矢量传感器的无人驾驶车辆信号远程监测系统

传统无人驾驶车辆远程检测系统,由于信号传输距离的影响,在信号波传输过程中在电路耦合率衰减下出现监测信号清晰度降低,信号整体监测效果无法满足实际检测系统应用要求的问题;对此设计系统通过采用矢量传感器对系统变量、模量与定量数据进行矢量统一计算,提出基于矢量传感器的无人驾驶车辆信号远程监测系统;首先完成基于矢量传感器的系统总体框架设计;然后根据设计框架建立无人驾驶车辆监控信号交互硬件单元,通过不同矢量传感器构成监控信号数据矢量转换计算平台;最后通过对硬件平台的矢量化软件适配,完成硬件与软件监控信号统一,提升信号传输强度,增强信号清晰度,从而满足无人驾驶车辆信号远程监测要求,完成系统的设计;通过对比实验数据表明,设计的基于矢量传感器的无人驾驶车辆信号远程监测系统,能够在50～100 km范围内稳定监测车辆状态,车辆状态数据监测实时性与连续性明显优于传统检测系统.     

基于GIS和环境感知的无人车定位方法研究

提出了一种基于地图匹配的宏观定位和基于环境感知的微观定位相结合的综合定位方法。通过车轮编码器、电子罗盘等推算出车辆的近似行驶轨迹,并匹配到GIS地图上,以获取车辆所在位置;采用相机、激光雷达等测量传感器感知行驶环境中的标志性物体对车辆进行精确定位。现场试验结果表明,该方法实现了车辆在局部地图中的全局精确定位,并在实践中取得了很好的效果。     

环境信息处理在无人驾驶中的发展与应用

随着驾驶安全性需求的不断增加以及智能自动化技术的不断发展,无人驾驶相关产业受到越来越多的关注。环境信息的感知及处理作为无人驾驶的关键信息输入影响着车辆后续轨迹预测、路径规划以及运动控制等驾驶任务,是决定驾驶安全性及有效性的重要一环。本文介绍了环境信息处理在无人驾驶技术中的发展及应用,并且进一步探讨了未来无人驾驶技术中环境信息应用的可能发展方向。     

无人驾驶汽车协同感知信息传输负载优化技术

无人驾驶近年来成为了学术界和工业界的研究热点,无人驾驶汽车的环境感知则是其中的重要基础.仅通过提升无人驾驶汽车上的传感器数量和精度并不能完全消除车辆的感知盲区,因此无人驾驶汽车与路边基础设施进行协同环境感知越来越受到关注.通过车路协同感知,无人驾驶汽车的感知范围能够得到有效扩展,有助于消除感知盲区,对于提升无人驾驶的安...     

基于多源信息融合的智能汽车环境感知技术分析

文章探讨了智能汽车环境感知功能的实现,分析多源信息融合技术在其中的应用。介绍了多元信息融合技术和智能汽车环境感知技术,从多源信息融合预处理和多源信息检测识别两方面,阐述多源信息融合在智能汽车环境感知中的应用,完善了汽车环境感知系统功能,以期能够推动我国汽车行业的智能化发展。     

矿用卡车无人驾驶感知技术的设计与应用

针对我国矿区多尘、雨雪等恶劣天气、多碎石、路面颠簸等特殊环境导致障碍物检测不准确,易引起车辙误检的问题,设计了矿用卡车无人驾驶感知系统。构建了融合4D光场相机+激光雷达+毫米波雷达的感知系统,充分利用4D光场相机一次成像即同时可获得二维、三维一体化数据,免标定、无匹配误差、无融合误差、不受震动影响等优势,使感知系统具有极强的稳定性和高度的兼容性;构成了完整的数据通信系统,支持4G/5G/Mesh等多种通信方式,实现V2N、V2V和V2I通信,通过多种通信方式实现高精度差分定位信号的传输。将矿卡无人驾驶系统应用于黑岱沟露天煤矿,通过雷达点云数据、车辆位姿信息及地图融合模块,计算出车辆当前行驶道路路面的平整度、障碍物、可行驶区域检测等信息,在非结构化道路环境中,可实现行驶区域的稳定检测、感知模块可对路沿做稳定检测。     

基于混合现实的数字孪生自动驾驶测试环境构建

随着现阶段数字孪生技术的不断发展,围绕着数字孪生的研究和应用逐渐成为了热点.由于传统的自动驾驶测试方法存在着不同程度的功能性、安全性以及测试成本方面的各种缺陷,本文针对数字孪生的基本特征以及自动驾驶的测试方法,提出了一种混合现实下数字孪生自动驾驶测试环境的构建方法,利用空间坐标映射、碰撞检测模型、虚拟场景注册,将实际环境下的自动驾驶信息映射到虚拟场景中,同时构建了对应的混合现实的自动驾驶测试模型,并通过实验展示了混合现实系统具有交互特征的碰撞测试,对比了50 ms、200 ms和1000 ms采样频率下系统的性能并进行了分析,实验表明,本文算法在采样频率200 ms或以上,有较好的运行帧率特征.     

Driving Activity: How to Improve Knowledge of the Environment

This paper concerns the problem of driving assistance and, in particular, how to improve the perception of the surrounding environment to make this assistance really helpful. The main aims of a Driving Assistance System are to improve the security of the driver, passengers, and other road users. Driving is a complex activity, where the interactions between the driver, the vehicle, and the environment are continuous and numerous. The vehicle moves in a dynamic environment, so the Driving Assistance System, for its diagnosis, needs a map that represents as well as possible the actual situation of this environment. This paper presents a multi-sensor fusion module embedded in a real vehicle. The problem considered here is the dynamic reconstruction of the environment of the vehicle, based on measurements of a set of sensors.     

基于深度递归强化学习的无人自主驾驶策略研究

提出了一种基于递深度递归强化学习的自动驾驶策略模型学习方法,并在TORCS虚拟驾驶引擎进行仿真验真。针对Actor-Critic框架过估计和更新缓慢的问题,结合clipped double DQN,通过取最小估计值的方法缓解过估计的情况。为了获取多时刻状态输入以帮助智能体更好的决策,结合递归神经网络,设计出包含LSTM结构的Actor策略网络的Critic评价网络。在TORCS平台仿真实验表明,所提算法相对与传统DDPG算法能有效提高训练效率。     

基于YOLOv5的多任务自动驾驶环境感知算法

自动驾驶任务是当前深度学习研究的热门领域,环境感知作为自动驾驶中最重要的模块之一,是一项极具挑战性并具有深远意义的任务,包括目标检测、车道线检测、可行驶区域分割等.传统的深度学习算法通常只解决环境感知中的一个检测任务,无法满足自动驾驶同时感知多种环境因素的需求.本文使用YOLOv5作为骨干网络及目标检测分支,结合实时语义分割网络ENet进行车道线检测和可行驶区域分割,实现了多任务自动驾驶环境感知算法,损失计算时采用α-IoU提高回归精度,对噪声有更好的鲁棒性.实验表明,在BDD100K数据集上,本文提出的算法结构优于当前现有的多任务深度学习网络,并且在GTX1080Ti上可达到76.3 FPS的速度.     

基于平行测试的认知自动驾驶智能架构研究

在大数据、云计算和机器学习等新一代人工智能技术的推动下, 自动驾驶的感知智能在近年来得到显著的提升与发展. 然而, 与人类驾驶过程中隐含的以自我目的实现为引导的自探索性和自主性相比, 现阶段自动驾驶技术主要以辅助驾驶功能为主, 还停留在以被动感知、规划与控制为主的初级智能自动驾驶阶段. 为实现车辆智能从数据驱动的环境感知、辅助决策、被动规划到知识驱动的场景认知、推理决策、主动规划的提升, 亟需增强车辆自身对复杂外界信息归纳提炼、推理决策、评价估计等类人能力. 首先回顾自动驾驶关键技术演化及其应用发展历程; 随后分析测试对车辆智能评估的效用; 然后基于平行测试理论, 提出自动驾驶车辆认知智能训练、测试与评估空间的构建方法, 并设计基于平行测试的认知自动驾驶智能训练框架. 该项研究工作预期能为推动自动驾驶从感知智能向认知智能的升级提供可行的技术支撑与实现路径.     

基于多模态脑机接口的智能小车自动驾驶系统

在传统的控制系统当中, 人们依赖于使用手柄、操纵杆等设备来与外部设备实现人机交互, 这对于具有运动障碍的患者来说是具有挑战的. 而脑机接口(BCI)技术可通过脑环将脑电信号转化为对外界设备的控制命令, 使这些患者可以由大脑“意识”直接控制外部设备. 本文提出一种基于多模态脑机接口的智能小车自动驾驶系统, 该系统融合了受试者的脑电信号、眼电信号和陀螺仪信号3种模态的信号来控制小车. 其中, 脑电信号用于控制小车的速度, 眼电信号用于控制小车的启停, 陀螺仪信号则用于控制小车的转向功能. 此外, 我们还融合了计算机视觉技术, 为智能小车增加了自动驾驶功能, 使得控制更加智能化. 经过实验表明, 10名受试者使用该系统控制小车的平均准确率达到了92.47%, 平均响应时间为1.55 s, 平均信息传递速率达到了55.94 bit/min, 从而说明该控制系统是有效且高效的. 此外, 为了验证小车的自动驾驶功能, 我们设置了多个对比实验进行验证. 实验结果表明, 与手动驾驶相比, 虽然该自动驾驶系统在操控小车的速度上存在劣势, 但是在准确率与稳定性上具有更好的性能优势. 证明该系统可以为残障人士带来更好的操控体验, 在脑控应用和自动驾驶领域具有广阔的应用前景.     

基于YOLO的自动驾驶目标检测研究综述

自动驾驶是人工智能发展领域的一个重要方向,拥有良好的发展前景,而实时准确的目标检测与识别是保证自动驾驶汽车安全稳定运行的基础与关键。回顾自动驾驶和目标检测技术的发展历程,综述了YOLO算法在车辆、行人、交通标志、灯光、车道线等目标检测上的应用,同时对比分析了精确性与实时性等性能,阐述了自动驾驶目标检测研究领域将要面临的挑战、可能的解决方案和潜在的发展方向。     

融合类人驾驶行为的无人驾驶深度强化学习方法

现有无人车辆的驾驶策略过于依赖感知-控制映射过程的“正确性”,而忽视了人类驾驶汽车 时所遵循的驾驶逻辑。该研究基于深度确定性策略梯度算法,提出了一种具备类人驾驶行为的端到端 无人驾驶控制策略。通过施加规则约束对智能体连续行为的影响,建立了能够输出符合类人驾驶连续 有序行为的类人驾驶端到端控制网络,对策略输出采用了后验反馈方式,降低了控制策略的危险行为 输出率。针对训练过程中出现的稀疏灾难性事件,提出了一种更符合控制策略优化期望的连续奖励函 数,提高了算法训练的稳定性。不同仿真环境下的实验结果表明,改进后的奖励塑造方式在评价稀疏 灾难性事件时,对目标函数优化期望的近似程度提高了 85.57%,训练效率比传统深度确定性策略梯度 算法提高了 21%,任务成功率提高了 19%,任务执行效率提高了 15.45%,验证了该方法在控制效率和 平顺性方面具备明显优势,显著减少了碰撞事故。     

一种动态未知环境中自主机器人的导航方法

提出一种动态未知环境中机器人自主导航方法,利用少量的人类辅助避免了繁琐的地图描述．该方法分两个阶段：用户引导阶段和自主导航阶段．在用户引导阶段,利用多种传感器信息融合生成局部环境的粗略的极坐标地图,利用它可以得到全局地图,还给出了消除传感器数据误差的方法;在自主导航阶段,利用引导阶段得到的地图在动态环境中进行运动,并给出了运动控制的约束条件以及动态避障的方法．机器人利用该方法可以处理突发的障碍物,还能对路径进行优化,实验结果证明了其有效性．