原文传递
基于深度学习的无人车避障策略研究
| 论文题名： | 基于深度学习的无人车避障策略研究 |
| 关键词： | 无人车;避障策略;深度学习;大数据 |
| 摘要： | 自20世纪60年代出现的第一辆无人驾驶汽车以来，无人驾驶汽车技术取得了突破性的进展，涌现出了很多先进技术。本文针对当前无人车领域的发展现状，综述了其重要进展和成果，同时对深度学习算法以及车辆碰撞躲避策略的发展现状进行了调研，并尝试将深度学习算法运用到无人车的碰撞躲避策略上。结合当下激光雷达进行大量数据采集的优势与深度学习算法无监督特征提取的特点，通过对车载激光雷达采集到的大量点云数据进行分析与处理，提取出车辆周围的障碍物信息，再利用深度神经网络对障碍物信息进行分类识别，找到当前车辆周围障碍物分布情况下最优的车辆行驶决策，以此对无人车行驶过程中的碰撞躲避策略提供指导，避免碰撞事故的发生。 本文的创造性成果主要包括在以下几个方面: (1)针对试验采集到的大量激光雷达数据，提出了一套全新的障碍物判别算法——障碍物信息提取与融合算法。先将试验数据中的每一帧映射到二维RGB图上，生成具有前后时序关系的多帧信息图像。通过对比前后两帧经处理过得到的RGB图中z轴坐标所对应的G值的变化情况来判断空间点的相对运动情况，得到初步的车辆周围障碍物信息，形成车辆周边障碍物信息轮廓图。 (2)以数据为中心点，着眼车辆周围360度的环境状况，将激光雷达所能扫描到的所有区域作为一个整体来对待。通过将大数据技术与深度学习算法相结合，应用到无人车碰撞躲避策略中的数据分析与决策。利用计算机相对人在海量数据处理上的优势，寻找比人工设计更全面更高效的碰撞躲避策略。 (3)构建深度神经网络模型，利用“扫描场图像信息—驾驶员操作行为”这样一种对应关系来描述人类司机的驾驶习惯。通过对人类司机驾驶行为的大量采样，将经预处理得到的车辆周围障碍物信息图作为深度神经网络的输入数据，对深度神经网络进行逐层训练与调参，从大量的行车数据中提取出车辆的方向变化情况与加速度变化情况，即输出标签为对应的方向θ与加速度a的变化情况。所得到的输出θ与a的变化情况即可作为驾驶员行驶策略的重要参考，有利于正确指导驾驶员进行正确的行驶决策，从而大大避免碰撞事故的发生。 针对车顶的64线激光雷达扫描过程中存在盲区的问题，在将来的进一步研究中，可以融合其他车载激光雷达和摄像头的数据，与目标识别、环境感知计算得出的策略协作形成最优化的无人车驾驶动作。 |
| 作者： | 陈惠珍 |
| 专业： | 软件工程 |
| 导师： | 肖晟;谭炼红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 湖南大学 |
| 学位年度： | 2016 |
| 正文语种： | 中文 |
检索历史
应用推荐
