原文传递
自动驾驶车道线检测和路径规划研究
| 论文题名： | 自动驾驶车道线检测和路径规划研究 |
| 关键词： | 自动驾驶;深度神经网络;车道线检测;路径规划 |
| 摘要： | 智能汽车是汽车行业与人工智能、物联网等新兴产业相互结合的一种未来趋势，它可以大大改善交通安全、减缓城市道路拥堵、提高交通行车效率、倡导低碳生活等；针对城市智能车未来交通拥堵和车道偏离容易引发的交通事故，本文从全局方面提出改进A*算法与动态窗口法的融合算法，不仅以最短距离为行车准则，而且考虑道路的通畅情况，在避免拥堵前提下寻找一条最佳路径，提高融合算法的适用性和有效性；并且从局部行车方面考虑，在实际驾驶和行车的过程中，由于车道路线容易被周围的环境（包括行车,行人）遮挡,常年的磨损部分路面标记线看不清楚。因此选择基于深度学习的车道线检测模型，对车道线的位置进行实时高效的正确检测，对车道线进行准确拟合。本文研究的主要内容如下： 首先，针对深度学习图像分割车道线检测理论，由于逐像素任务，计算量较大，自动驾驶实时场景检测效果不佳，感受野差等缺点，选择基于深度学习全局特征的车道线检测理论。阐述深度学习的理论知识，激活函数、学习率、损失函数和卷积神经网络的原理，选择ResNet网络作为基础网络，优化全局特征车道线检测算法。搭建实验数据采集平台和模型实验仿真平台，手动制作车道线检测数据集，基于Linux和Ubuntu操作系统利用Pytorch深度学习框架进行模型测试，实验证明:优化后的基于深度学习全局特征的车道线检测算法能够准确、快速、鲁棒地识别自动驾驶环境中的车道线。 其次，针对传统A*算法自身节点搜索策略存在路径转折点多、转折角度大、可行路径不是理论上的最优路径等缺点，将传统A*算法3*3的搜索邻域扩展为7*7，同时去除扩展邻域同方向的多余子节点。扩大传统A*算法仅为3*3的搜索邻域，改进为7*7的A*算法，而且每个节点搜索自由移动方向仅为0.25π的整数倍的限制被消除，优化了搜索角度。 最后，针对智能车在复杂环境下动态路径规划问题，将改进的7*7A*算法与动态窗口算法进行算法融合，设计一种全局最优路径的动态窗口评价函数，综合考虑移动速度、转角平滑度、安全性等因素。将改进7*7的A*算法与动态窗口法的融合算法与多种算法仿真比较，结果表明：改进7*7的A*算法与动态窗口法的融合算法更具有高效性和可行性。 |
| 作者： | 郭龙 |
| 专业： | 机械工程 |
| 导师： | 槐创锋;燕冬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 华东交通大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
