基于无模型自适应控制的无人驾驶汽车横向控制方法

提出了一种基于无模型自适应控制的无人驾驶汽车横向控制方案.首先,将无人驾驶汽车循迹跟踪控制问题转化成预瞄偏差角跟踪问题,然后基于无人驾驶汽车横向控制系统的动态线性化数据模型,设计出无模型自适应控制算法、伪梯度估计算法和伪梯度重置算法,进而实现了自主车辆的无人驾驶.该方法的实现仅用到无人驾驶汽车运行时的输入输出数据,避免了对无人驾驶汽车进行复杂机理建模的难题,对于复杂的无人驾驶汽车运行过程具有很好的自适应性,对不同的无人驾驶车辆具有较强的可移植性.该方案已实际应用于清华大学无人驾驶汽车实验平台,在北京市丰台区的实地测试实验、在江苏省常熟市高速路的测试以及2015年"中国智能车未来挑战赛"的现场应用验证了所提方案的有效性.     

关于无人驾驶汽车存在问题的拟解决方案

无人驾驶汽车是通过车载传感系统感知道路环境,自动规划行车路线并控制车辆到达预定目标的智能汽车.虽然完全实现自动驾驶的道路是漫长而曲折的,充满了危险性,但是随着人工智能、控制技术的发展以及各国政府政策的扶持,无人驾驶必将迎来蓬勃发展.无人驾驶不仅只是节约人类花费在驾驶上的精力并且提高生活品质及效率,最终目标是建立智慧城市、智能交通的规划.介绍了目前国内外无人驾驶汽车的主要应用情况,总结了无人驾驶汽车所面临的技术难点与存在问题,提出了未来无人驾驶汽车的可能应用场景及技术和伦理道德问题的解决途径.     

基于PER-APF算法的无人驾驶汽车换道轨迹规划

针对传统人工势场算法在解决无人驾驶汽车换道轨迹规划过程中存在的不足,提出一种基于势能重构人工势场 (Potential Energy Reconstruction- Artificial Potential Field, PER-APF) 的无人驾驶汽车换道轨迹规划算法。首先,建立了具有斥力区分的道路边界约束条件和多约束换道轨迹规划模型,通过判断障碍车辆与道路边沿的距离来保证换道过程的安全性与有效性;其次,提出了基于势能重构的改进APF算法,通过构建虚拟区域以及重构物理势能力场,有效的解决了目标不可达以及局部最优问题。仿真结果表明,所设计的PER-APF算法能够快速有效地为无人驾驶汽车规划一条安全合理的换道轨迹。     

Google无人驾驶汽车想成功，绕不开这6项问题

除非无人驾驶汽车能在纷繁复杂的道路世界精确导航,从容应对斑马线、车库、雨天、道路破碎以及数以万计其他不可预知隐患,我们才会义无反顾地考虑以无人驾驶汽车作为日常交通。     

基于改进栅格图的道路和障碍物检测算法研究

多线激光雷达(LIDAR)是无人驾驶汽车在环境感知过程中的核心传感器,运用多线激光雷达中提取的点云数据进行道路和障碍物检测是环境感知过程中重要的任务.目前常见的栅格化算法无法实现高效的障碍物和道路检测,论文针对这些问题提出一种新颖改进栅格化方法,通过统计栅格内点云高度分布的方法进行障碍物分类,有效避免噪声点和悬浮障碍对结果的影响,并运用自适应半圆弧道边点搜索和改进RANSAC(Random Sample Consensus)算法结合进行道边检测.最终,在实验中验证了算法的精度和实时性.     

无人驾驶汽车带来的交通便利

Google 的无人驾驶汽车已经在道路上测试了240多万公里,此外,奔驰、宝马、福特和沃尔沃等国内外汽车厂商和众多IT 公司也加入无人驾驶汽车研发队伍,并且取得了日新月异的进展。在可以预见的几年之内,将会有成熟的无人驾驶汽车产品入市。非常期待无人驾驶汽车在未来改善拥堵交通的同时,也给我们交通出行带来安全与便利。     

浅谈无人驾驶汽车的前景和面临的挑战

自1885年,卡尔本茨发明汽车以来,人们在汽车性能上的突破越来越大,但是目前,在道路安全方面,最薄弱的环节不是汽车的性能,而是驾驶员.目前很多科技公司正加紧步伐开发无人驾驶技术,希望能借此减少目前存在的交通问题.虽然无人驾驶汽车已然成为焦点,但是这项技术的普及还面临着许多的挑战,本文将重点分析这项技术的未来及面临的问题.     

无人驾驶规则的自动提取方法研究

无人驾驶汽车的测试技术主要是通过虚拟测试和场地测试的方法来检测无人驾驶汽车的智能化水平,通过不断的学习和总结经验来提高无人驾驶的安全性,这种方法耗费大量的人力物力以及时间。为此,从文本的角度出发,利用驾驶行为相关文本,通过NLP技术和基于规则的方法构建一个无人驾驶规则库,依据这个规则库来辅助测试无人驾驶汽车能否满足道路安全要求。实验结果表明,对《中华人民共和国道路交通安全法实施条例》处理后规则提取的正确率为89.85%,驾考题库文本的正确率为87.33%。     

无人驾驶车辆光学传感器自适应曝光算法研究

为保证无人驾驶车辆图像采集系统能够在光线强弱变化的环境中获取更为可靠的道路信息,提供更多的道路边界,提出一种自适应曝光算法.利用光学传感器特性,将采集图像转化为灰度值,并运行进行动态阁值比对处理,快速获取下一周期正确曝光点.在道路实际的测试中,该算法能够快速并有效获取道路信息,后续的边界处理较为清晰.     

基于3D激光雷达道路边缘实时检测算法的研究与实现

针对自然环境下无人驾驶车辆的道路边缘检测问题,提出一种基于3D激光雷达的实时道路边缘检测算法。对激光雷达的点云数据进行网格化处理,求出每个网格中的高度差,并针对道路边缘的高度特征,对网格数据进行阈值处理;再由近及远逐个提取左右道路边缘,利用最小二乘法对左右道路边缘网格进行曲线拟合平滑处理,得到左右道路边缘。实验结果表明,该道路边缘检测算法可靠性高,稳定性强,能够准确完成道路边缘检测,满足实时系统的要求。     

基于模糊算法的智能小车控制系统的设计

基于模糊算法控制算法,采用CCD线性器件作为道路信息检测设备设计了智能小车控制系统。由设计的调理电路进行数据采集、图像识别,从而可以进行道路探测,并采用三次样条曲线作为智能车辆自动超车的路径拟合曲线。以模糊逻辑为控制策略,自适应神经网络为隶属函数的参数调整手段,成功实现了智能小车系统。系统能自动识别路况,图像处理,进而调整方向沿预定轨道前行,具有很高的可靠性、稳定性和快速性。系统分为四个模块：电机驱动电路、路面检测模块、超声波检测模块、无线收发模块。利用软件编程来控制小车的行驶速度,提高了单片机的使用效率,同时具有一定的防飞出能力。     

Simulation of Multi-Agent based Cybernetic Transportation System

A Cybernetic Transportation System (CTS), composed of a fleet of driverless vehicles, is able to provide public transport services with on-demand and door-to-door capabilities. Of course, fleet planning is essential for system performance. This research uses a distributed fleet planning algorithm based on Multi-Agent System, which is suitable for the Cybernetic Transportation System. Each agent represents one driverless vehicle and transport tasks can be completed more efficiently through cooperation and competition among the agents. Furthermore, a simulated model of the Cybernetic Transportation System based on Multi-Agent System has been developed. The simulation results demonstrate that the effectiveness of the proposed algorithm is better than that of the traditional centralized planning algorithms investigated. The effects of the number of driverless vehicles and the road topology on the proposed fleet planning algorithm have also been investigated.     

基于高斯混合一时间序列模型的轨迹预测

针对不同时间道路车流量变化下轨迹预测误差变化大的问题,提出基于概率分布模型的高斯混合-时间序列模型（GMTSM）,对海量车辆历史轨迹进行模型回归和路段车流量的分析以实现车辆轨迹预测。首先,针对均匀网格划分方法容易造成相关轨迹点分裂的问题,提出迭代式网格划分来实现轨迹点的数量均衡;其次,训练并结合高斯混合模型（GMM）和时间序列分析中的差分自回归滑动平均模型（ARIMA）;然后,为了避免GMTSM中子模型自身的不稳定性对预测结果产生干扰,对子模型的预测进行误差分析,动态计算子模型的权重;最后,依据动态权重组合子模型实现轨迹预测。实验结果表明,GMTSM在路段车流量突变情况下,平均预测准确率为90.3%;与相同参数设置下的高斯混合模型和马尔可夫模型相比,GMTSM预测准确性提高了55%左右。GMTSM不仅能在正常情况下准确预测车辆轨迹,而且能有效提高道路车流量变化情况下的轨迹预测准确率,适用于现实路况环境。     

基于多项式的智能车辆换道轨迹规划

以智能车辆换道过程为研究对象,提出一种基于多项式理论的车辆换道轨迹规划算法。该算法采用矩形对换道车辆及障碍车辆进行包裹,结合换道车辆的边界条件由以时间为参数的多项式计算得到换道轨迹。由该算法生成的换道轨迹符合四段式车道变换模型,并适用于复杂道路环境。新算法将复杂道路环境中期望换道轨迹的求取问题转换为单一参数求取问题,简化了计算,同时考虑了车辆动力学限制对生成轨迹的影响。计算机仿真验证了算法的正确性及有效性,尤其是在复杂路面情况下体现了该换道轨迹规划算法的优势。     

基于视频的多目标车辆跟踪及轨迹优化

为了获取交通视频中车辆的运动轨迹,提供道路动态交通信息,提出一种基于Yolo3目标检测和KCF目标预测相结合,关联历史轨迹预测结果和检测结果的长时间多目标车辆跟踪算法;对采用机器视觉获取的车辆轨迹非平滑现象,提出通过Savitzky-Golay滤波器对原始的车辆轨迹进行平滑优化。对比测试场景中车辆轨迹优化前后,优化后的轨迹在保留原有车辆运动特征的前提下,改善了轨迹平滑性,提供的动态交通信息更能反映车辆真实运动状况。     

Heuristic based evolution for the coordination of autonomous vehicles in the absence of speed lanes

The current state of the art in the planning and coordination of autonomous vehicles is based upon the presence of speed lanes. In a traffic scenario where there is a large diversity between vehicles the removal of speed lanes can generate a significantly higher traffic bandwidth. Vehicle navigation in such unorganized traffic is considered. An evolutionary based trajectory planning technique has the advantages of making driving efficient and safe, however it also has to surpass the hurdle of computational cost. In this paper, we propose a real time genetic algorithm with Bezier curves for trajectory planning. The main contribution is the integration of vehicle following and overtaking behaviour for general traffic as heuristics for the coordination between vehicles. The resultant coordination strategy is fast and near-optimal. As the vehicles move, uncertainties may arise which are constantly adapted to, and may even lead to either the cancellation of an overtaking procedure or the initiation of one. Higher level planning is performed by Dijkstra's algorithm which indicates the route to be followed by the vehicle in a road network. Re-planning is carried out when a road blockage or obstacle is detected. Experimental results confirm the success of the algorithm subject to optimal high and low-level planning, re-planning and overtaking.     

复杂障碍空间中基于移动对象运动规律的不确定轨迹预测

现有移动对象的轨迹预测大部分是针对路网空间,然而在实际地理环境中往往存在障碍物,移动对象的运动基本在障碍空间中进行。近年来,已有较多关于路网空间中移动对象轨迹预测的研究以及障碍空间中障碍范围查询、最近邻查询等的研究,但是目前尚没有障碍空间中移动对象不确定轨迹预测的相关研究。为此,提出障碍空间中基于移动对象运动规律的不确定轨迹预测方法。首先,利用障碍物之间的区域关系对障碍空间进行剪枝;其次,提出障碍空间期望距离概念,对障碍空间的轨迹数据进行轨迹聚类,从而挖掘移动对象的热点区域;然后,根据各热点区域间的障碍距离和历史访问习惯得到转移的综合概率,提出基于移动对象运动规律的轨迹预测算法;最后,通过实验验证了算法的准确性和高效性。     

基于改进型目标重识别算法的高速公路车辆轨迹还原

针对高速公路场景下难以实现车辆轨迹精准还原的问题,提出以新近大规模建设的ETC门架系统作为检测载体,将车牌识别与车辆重识别(ReID)技术结合实现更好的轨迹还原效果.高速公路车辆目标多、速度快,常用目标检测算法难以满足属性检测与重识别要求的情况下,对多目标检测与重识别的FairMOT算法结构作出改进,添加多个并行头输出,对车牌、车辆颜色、类型、品牌及重识别等特征同时训练,输出车辆多标签属性;制作数据集并开发一套数据标注工具以满足多目标、多标签及重识别标注需求.实验表明,车牌识别准确率达到97.32％,车辆重识别rank-1为86.94％.采用车牌识别与ReID相结合的方式,车辆轨迹还原准确率超过85％,与ReID及车牌识别单独使用相比分别提高了14.8％与9.89％.该方法以27.5 fps的推理速度在高速公路车辆轨迹还原实践中取得了较好效果,也为智能算法在高速公路领域深化应用提供了实践基础.