基于边缘提取和特征跟踪的道路检测算法

研究了汽车辅助驾驶系统中的计算机视觉问题，一方面，用小波变换对高速公司上的道路边缘进行检测，另一方面，利用灰度以及几何特征实时跟踪和检测车道边缘，通过建立道路边缘模型，采用数据模拟合的方法确定边界轨迹方,程从而估算出公路的延伸方法，实现汽车的自动防偏，并为解决汽车智能辅助驾驶系统的避障问题提供了有力的保证。     

基于视觉的高速公路目标检测与跟踪系统研究

系统地介绍了智能汽车系统中的目标自动检测与识别部分的工作原理，并利用车载计算机的CCD摄像机对图像实时采集。根据图像的结构化路面信息采用数字图像处理技术对2条车道标志线进行检测与提取，并在此基础上进行目标初始定位与实时跟踪，以保证驾驶员在行驶中及时有效地做出判断，提高自主安全行驶的可靠性。     

基于视觉的高速公路目标检测与跟踪系统研究

系统地介绍了智能汽车系统中的目标自动检测与识别部分的工作原理,并利用车载计算机的CCD摄像机对图像实时采集。根据图像的结构化路面信息采用数字图像处理技术对2条车道标志线进行检测与提取,并在此基础上进行目标初始定位与实时跟踪,以保证驾驶员在行驶中及时有效地做出判断,提高自主安全行驶的可靠性。     

对匀速直线运动目标跟踪的转换坐标卡尔曼滤波算法

文章根据某型雷达对空间匀速直线运动目标的跟踪要求，采用了转换坐标卡尔曼滤波跟踪算法．在转换坐标卡尔曼滤波跟踪算法中，球坐标系下互相独立的观测噪声变换到直角坐标系下时将变成相关噪声，在解出此相关噪声的方差后即可按标准的卡尔曼滤波算法对目标进行跟踪，仿真结果显示，该算法收敛迅速，精度可以满足雷达对空间机动目标的跟踪要求．     

汽车安全行驶智能辅助操作系统中的道路检测

研究了汽车智能辅助驾驶系统中的计算机视觉问题,讨论了基于区域生长的图象分割方法确定汽车的行驶路面区域和路面的边缘点,采用数据拟合的方法找到道路边界轨迹,提出了一种实时、有效的高速公路路面检测算法,并准确地估算公路延伸方向,实现汽车防偏预报,并结合的问题进行了有益的探讨。     

基于多模型自适应方法的智能汽车路径跟踪控制

路径跟踪控制是智能汽车的一项核心技术,跟踪效果的精确性和在各种路面附着条件下的鲁棒性是该技术的两大关键要素。但汽车动力学模型的不确定性,尤其是轮胎侧偏刚度的摄动使这两者难以同时得到满足。针对这一问题,将多模型自适应理论引入到智能汽车运动控制中处理不确定性系统的控制。首先,推导了多模型自适应控制律,提出了凸包构架下各个顶点的子模型对真实模型的自适应逼近律,并通过李雅普诺夫函数证明了所提出自适应律的收敛能力。在此基础上建立了汽车动力学模型和车辆-路径联合模型,并由多个顶点子模型构建可覆盖汽车轮胎侧偏刚度摄动范围的凸多面体,利用汽车动力学模型求解自适应率,通过车辆-路径联合模型,基于线性二次型方法(linear quadratic regulator, LQR)求解各个顶点的子模型处的反馈控制律,并通过所得出的自适应权重进行加权。基于Carsim/Simulink的联合仿真结果表明,所提出的多模型自适应路径跟踪控制器在保证鲁棒性的同时克服了传统鲁棒控制方法的保守性问题,与基于名义模型的LQR控制器和鲁棒保性能控制器相比,在高附着路面和低附着路面上都可以取得更好的控制效果,很好地解决了路径跟踪...     

基于立体视觉的道路自动检测算法

在智能驾驶系统中,道路边界及道路参数的自动检测是最为关键的问题,也是安全行驶的基本保证.传统的检测方法与单目视觉检测都存在检测精度不高,鲁棒性不够等问题.提出了一种基于立体视觉的道路检测算法,消除了对道路的一般性假设,对三维道路状态能进行快速有效地检测与跟踪,保证行驶的安全性.     

基于曲率平滑的智能车辆道路跟踪控制

推导了车辆转向动力学状态方程.利用GPS全球定位系统和数字地图提供的道路曲率信息,提出了一种回旋曲线道路曲率平滑算法.对道路曲率发生突变的路段进行平滑处理,从而消除道路曲率突变.仿真实验结果表明,该算法能够有效减小车辆道路跟踪误差,提高驾驶舒适度.     

基于改进Otsu的室外道路实时检测与跟踪算法

室外道路检测与跟踪是移动机器人完成室外环境探索和自主导航的基础和前提.针对室外机器人工作环境复杂、光照多变等特点,提出了一种适用于室外道路实时检测与跟踪的算法.首先将CCD摄像头获得的画面通过预处理,提取视频画面的感兴趣区域(ROI)并转化为HSV颜色空间下的图像,然后通过改进的自适应阈值分割法(Otsu)获得道路图像的边缘信息,采用抗干扰能力较强的霍夫(Hough)变换得出画面中的可通行区域,最后采用加权马氏距离判别法跟踪可通行区域.实验表明,该算法在室外环境下具有较好的道路识别跟踪能力和实时性.     

卡尔曼滤波算法在目标跟踪中的应用研究

本文将两种卡尔曼递推估计的初值选取方法对目标跟踪的问题进行了对比研究。实验证明对于人行走和奔跑时的跟踪,卡尔曼递推估计的初值如何选取对跟踪的效果影响不大,但当目标运动速度过快并且加速度变化过快时,会导致目标丢失,此时应该采用通过提取视频序列前三帧信息,根据运动目标初速度和加速度计算初值的方法进行目标跟踪。     

复杂交通场景中运动车辆的检测与轨迹跟踪

针对复杂交通场景提出一种基于高斯分布假设的背景图像自回归估计算法,该算法能同时适应白天和夜间光环境,实时性好.对于二值图像的分割问题,提出并论证一种新的连通标记算法,该算法只需遍历像素1次,因此时间复杂度达到了理论上的最小.根据运动车辆的随机过程特性,提出基于Kalman滤波的轨迹跟踪算法,给出状态转移矩阵和观测矩阵,并讨论初始状态矢量的获取方法.为了解决半遮挡混合图块的分割问题,提出了图像相似度的计算方法以及局部图块与全图块相匹配的思想.在实际道路上的实验表明,所提出的方法实用有效,其中车辆跟踪准确率达到95.63％.     

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.     

基于鲁棒比例-积分-微分控制的智能汽车自主换道轨迹跟踪控制

为了解决智能汽车自主换道轨迹跟踪所使用的比例-积分-微分(proportion-integral-derivative,PID)控制器参数难以整定的问题,提出应用于自主换道轨迹跟踪控制的鲁棒PID控制器设计方法。首先,构建车辆-道路系统动力学模型,将转向执行机构看作一阶惯性环节,搭建包括转向执行机构动力学模型在内的系统动力学模型;然后,基于分段多项式表达求解自主换道轨迹模型,并基于时间与误差绝对值乘积积分构建鲁棒PID控制器,确定控制参数,形成闭环系统的传递函数;最后,进行仿真及实车试验,结果表明,所设计的控制器具有较强的鲁棒性,能在保证换道工况下智能车辆较好的轨迹跟踪能力的同时,有效地提高乘员舒适性。     

基于弯道自适应强跟踪卡尔曼滤波的侧向坡度估计算法

道路的侧向坡度直接影响车辆侧向运动，侧向坡度估计已成为智能汽车稳定控制系统的关键部分之一。然而，侧向坡度与车身侧倾之间存在耦合，且侧向力估计困难，准确的侧向坡度估计难度较大。为此，提出了一种基于加速度传感器的可拓融合侧向坡度估计算法：首先，提出加速度传感器模型和车辆侧倾模型，采用弯道自适应强跟踪卡尔曼滤波算法（CASTKF）对侧向坡度进行估计；然后，提出基于侧向加速度传感器的直接估计方法，防止CASTKF算法在失去可观性后的错误估计；再后，利用可拓算法对两种模式的估计值进行数据融合；最后，采用硬件在环测试（HIL）验证所提算法的有效性。结果表明，智能汽车的侧向坡度估计中采用CASTKF融合算法具有更高的精度和鲁棒性。     

智能车辆轨迹跟踪控制方法研究

针对智能车辆的轨迹跟踪控制问题,提出了一种可以调节参数的智能车辆轨迹跟踪控制方法.首先,设计了模糊控制器对智能车辆进行路径跟踪控制;其次,为了提高车辆在高速下的路径跟踪效果,设计模型预测控制器,并结合轮胎的动力学特性及车辆动态特性对轮胎侧偏角、质心侧偏角等进行约束;然后,为了提高车辆在不同工况下的路径跟踪效果,进一步设计了基于PSO算法的模型预测控制器.比较三种控制器的控制效果,选择典型工况在联合仿真平台上进行仿真.结果表明,提出的智能车辆的轨迹跟踪控制方法可以有效地对车辆轨迹进行跟踪.     

一种面向智能车辆视觉系统的电子稳像算法

车载摄像头是智能车辆视觉系统中必不可少的部件。在恶劣道路或极限工况下,车辆的振动状况显著,车载摄像头采集到的图像序列会发生抖动。针对此问题,提出了一种适用于车辆复杂工况的电子稳像算法。基于车载工况下的实时性要求,选择ORB(oriented FAST and rotated BRIEF)算法进行特征检测与描述。为了提高特征点匹配精度与匹配效率,改进了传统随机采样一致性算法,增强了其对多匹配点、匹配点集中工况的适应性。为了适应车载工况下的剧烈振动,采用了自适应卡尔曼滤波算法以解决经典的卡尔曼滤波对初值敏感的问题。最后搭建了一辆振动特性显著的汽油模型车,在恶劣的路面条件下开展了实验,在较正常工况更为极端的条件下验证了提出的电子稳像算法的正确性与有效性。     

考虑横纵向误差协调的智能汽车路径跟踪控制研究

针对传统轨迹跟踪控制方法应用场景局限,精度不高的问题,为实现车辆横纵向联合控制从而提升无人驾驶汽车在结构化场景下的轨迹跟踪效果,本文建立了自然坐标系下的车辆跟踪误差模型,设计基于LQR与PID相结合的车辆横纵向耦合控制器。在横向控制层面,为消除系统稳定误差,通过引入前馈控制量实现系统的整体稳定,减小车辆在实际运行过程中产生的横向误差,提升控制过程的稳定性;在纵向控制层面,运用PID控制策略进行调节,实现车辆的实际速度与规划速度,实际位置与规划位置之间的精确匹配。通过MATLAB/Simulink与Carsim搭建联合仿真平台,针对日常泊车、驶入主路以及超车多种工况进行仿真验证。仿真结果表明：本文所设计的横纵向联合控制器将车辆的轨迹跟踪误差控制在可接受范围之内的同时,轨迹跟踪效果满足乘客对车辆乘坐舒适性的要求,故本文设计的控制器具备一定的稳定性和准确性。     

基于低精度GPS的智能车视觉导航方法

针对室外环境提出了一种基于低精度GPS的视觉导航方法.采用多传感器融合的方法解决道路和路口的导航问题.对于路口环境,通过对道路标志（如人行横道线）的检测,实现路口的初定位;基于全局地图信息,采用扩展卡尔曼滤波融合GPS和里程计信息,进行路口导航.真实环境下的实验结果表明该方法,具有良好的有效性和实时性.     

基于视频的车辆检测与跟踪算法综述

首先介绍了交通检测系统,指出视频交通检测技术日益成为计算机视觉领域中备受关注的前沿方向.在此基础上,分别讨论了常用的车辆检测算法,基于模型的车辆检测算法,车辆跟踪的基本类型,以及基于模板匹配、卡尔曼滤波和粒子滤波的车辆跟踪算法,同时分析比较了各种算法的优缺点.最后,展望了这一领域未来研究的热点.