缩微交通环境下的锥形标识别方法

为了能够正确地识别出锥形标,并根据锥形标的摆放位置控制智能车的行驶行为,文章提出了一种基于HSV颜色空间的锥形标识别方法.该方法对图像进行预处理,提取出HSV彩色图像的S分量,并做二值化处理,同时利用腐蚀膨胀技术对二值化结果作去除孤立点、合并连通区域处理；通过基于特征匹配的跟踪算法完成锥形标识别,计算出两锥形标间的连线与智能车的夹角,从而使智能车根据此夹角控制智能车的行驶行为.实验结果表明该方法是可行的.     

基于主动视觉的智能车道路跟踪方法

针对城市环境道路,将主动视觉方法应用于智能车的视觉导航中,重点解决急转弯情况下摄像头视野不足的问题.摄像机被安装在可旋转的云台上,根据道路和车体之间的相对位姿动态地调整云台目标角度.通过车辆与图像坐标系之间的对应关系,修正道路与车体之间的相对位姿.实验结果表明,与传统视觉方法相比,采用主动视觉方法的智能车实际行驶轨迹误差较小,丢失道路的次数较少.     

联网智能车运动学仿真基础环境构建方法

提出了一种联网智能车运动学仿真基础环境构建方法,该方法无需任何第三方交通仿真软件的协助,能够实现对联网智能车运动学相关功能的仿真验证.采用交叉口节点作为路网关键元素实现对仿真路网的描述,定义了交叉口和车辆属性,设计了车辆运动学模型在仿真环境中的实现方法,给出了基于高斯分布的车辆定位误差、基于平均分布和Rayleigh分布的通信延误在仿真中的运行机制,构建了仿真环境.仿真结果表明:该方法可靠性好;采用该方法构建的仿真环境得到的车辆延误与HCM 1994车辆延误模型结果保持一致;在危险跟驰预警场景中,预警时刻两车间距的变化规律与论文提出的定位误差模型和通信延误模型保持一致.最后,通过对交叉口车辆间隙控制方法进行仿真,进一步证明了该方法对联网智能车运动学方面功能验证的支持.     

基于3D激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于车载32线激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,由车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次按雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于视觉的缩微智能车车道检测与控制

针对智能车辆自主驾驶行为研究,提出并实现了一种基于视觉导航的缩微智能车系统.从软硬件架构、数据通信方式上介绍了缩微智能车系统的整体设计,并针对缩微道路交通环境中传统车道线检测技术易受光照变化影响的问题,提出一种灰度形态学Top-Hat变换与亮度轮廓扫描方法相结合的车道线检测算法.为分析智能车在缩微交通环境下的自主驾驶表现,设计了一种模拟驾驶员转向行为的舵机模糊控制算法.实验结果表明,该方法可以有效模拟车辆在真实道路交通环境中的自主驾驶行为,为智能交通系统研究提供了一种新思路.     

多缩微智能车交互行为研究平台设计与实现

针对真实道路上开展智能汽车研究存在的风险和困难,提出了一种基于缩微城市道路环境的智能车交互行为研究平台. 该平台首先实现了具备视觉认知功能的缩微智能车,采用了一种基于特征和模型融合的嵌入式平台实时车道线和障碍物检测算法,通过本车可行驶区域的形式化描述,实现道路环境的感知,最后经过模糊决策控制方法控制缩微智能车产生拟人驾驶行为. 实验结果表明,文中提出的研究平台能够有效模拟智能车车间交互行为,环境感知算法和决策控制方法能够满足实时性和精度要求.     

基于主从博弈的智能车汇流场景决策方法

现有智能车决策方法未考虑路权信息、车辆礼貌驾驶以及车辆有限感知范围等因素,容易导致汇流时的安全隐患.针对该类问题,提出一种基于主从博弈的智能车辆决策方法.该方法通过构建结合路权的博弈模型,对汇流场景进行参数化建模,再引入合作因子等目标项设计相应的收益函数,最终设计汇流场景中的车辆决策求解框架,以达到该场景下决策收益的最大值.实验结果表明,所提方法能够提高在数据集上的车辆决策行为预测准确率,并能提高车辆在高车流密度环境中的决策稳健性.     

一种基于混合现实的自动驾驶车辆测试方法

针对自动驾驶汽车在复杂环境下的安全性测试问题,提出一种基于混合现实的自动驾驶车辆测试方法。该方法将仿真环境中的虚拟场景映射到真实的测试环境,通过传感器和数据融合快速收集自动驾驶测试车的智能感知和行为决策等性能指标,然后基于混合现实测试场景、控制中心、测试车辆构建闭环测试系统。通过案例验证,说明该方法可满足在多种场景下自动驾驶车辆的测试要求。     

多层感知器自监督在线学习非结构化道路识别

针对智能车辆非结构化道路识别中存在的环境自适应性和在线学习算法实时性问题,提出了一种结合多线程技术和多层感知器自监督在线学习技术的道路识别算法. 通过识别结果在线自动更新训练集,并利用评估函数判断是否触发重训分类器,确保当前分类器对行驶道路环境的有效识别. 同时,算法中道路图像采集、分类器训练、训练集更新、分类器识别等计算操作分别在各自线程中实现,利用信号量对数据流进行同步互斥,优化计算资源,充分利用了多层感知器分类计算快的特点,并克服其训练耗时问题. 实际道路检测实验结果表明,算法具有较好的自适应性及实时性,能够满足智能车辆非结构化道路导航需求.