基于改进SegNet算法的车道线检测方法

无人驾驶车辆在结构化道路中需要通过车道线判断自身位置,为提高其检测的实时性与准确性,本文提出一种利用改进SegNet网络算法与连通域约束相结合的方法实现车道线检测识别。将对称的SegNet网络算法改为非对称结构对车道线作逐像素提取：利用卷积与池化提取车道线特征,摒弃传统的车道线聚类过程,利用二值化图像结合连通域约束与关联对车道特征点进行分类,最后对相同类别的车道特征点进行车道线拟合。该算法在香港中文大学的 CULane 数据集和图森未来的TuSimple数据集上进行了训练与测试,该算法对车道分割准确、实时处理能力优秀,检测识别效果优于传统SegNet网络算法,其平均检测精度为 94.60%,每帧检测耗时提升53毫秒。     

基于非线性自适应回归神经网络的GPS/IMU组合导航方法

车道级高精度定位导航是智能网联汽车的基本配置,全球定位系统(globlal positioning system,GPS)/惯性测量单元(inertial meansurement unit,IMU)组合导航是高精度定位的关键技术之一。根据汽车行驶过程中高精度定位要求,提出了应用于智能网联汽车的基于非线性自适应回归(nonlinear autoregressive exogenous,NARX)神经网络的GPS/IMU组合导航方法。首先,根据IMU传感器数据特性,建立了基于扩展卡尔曼滤波的惯性导航系统(inertial navigation system,INS)模型,其次,基于NARX神经网络,建立了GPS/INS组合定位训练和预测模型,然后,基于全球导航卫星系统(global navigation satellite system,GNSS)、实时动态差分技术(real-time kinematic,RTK)、INS等技术,设计了智能网联汽车RTK高精度定位数据采集实验系统,并收集了实验数据。最后,对NARX网络训练误差和GNSS信号长时间失效情况下定位预测误差进行了讨论与分析。实验结果表明,该方法在GNSS信号失效5 min情况下,定位预测误差在2. 5 m以内,满足一般情况下,短、中、长隧道中智能网联汽车定位应用要求。     

基于博弈论组合赋权TOPSIS法的汽车碰撞危险态势评估

为了解决目前汽车防碰撞预警系统在复杂环境下评判标准单一、环境适应度差的问题,对多因素影响下的汽车碰撞危险辨识方法进行研究,建立"人-车-路-环境"协同的多层次汽车碰撞危险态势综合评价体系,将多因素影响下的汽车碰撞危险态势评估问题视为混合多准则决策问题,提出一种基于博弈论组合赋权,逼近理想解排序(technique for order preference by similarity to an ideal solution,TOPSIS)法的汽车碰撞危险态势评估方法。首先根据车路协同技术建立碰撞危险态势评估体系架构,运用德尔菲法和熵权法确定评价指标的主、客观权重值,利用博弈论法得到所选准则权重之间的最优平衡解。其次,应用TOPSIS法确定当前行车状态与决策信息表中行车状态的贴近度值距离,匹配碰撞风险的评估等级。最后,利用PreScan软件搭建仿真场景进行仿真分析。结果表明,该方法能在复杂环境下融合行车安全相关的多种因素来评估碰撞风险,为汽车防碰撞系统提供更准确的决策。