原文传递
复杂工况下基于深度学习的车道保持系统研究
| 论文题名： | 复杂工况下基于深度学习的车道保持系统研究 |
| 关键词： | 电动汽车;车道保持系统;LQR控制;深度学习 |
| 摘要： | 车道保持辅助系统作为先进辅助驾驶系统的核心功能，其研究主要包含两部分，一是车道线检测的前方路况识别，二是车辆横向控制策略。然而，现有车道线检测技术依赖传统机器视觉，不能很好地解决车道线信息易受光照、遮挡影响等问题；同时，大多数车道线检测技术并没有考虑相机随车身运动对信息识别带来的影响。进一步，车道保持系统研究并没有完整的将视觉系统与车道保持系统结合起来，大部分研究都处于软件仿真验证阶段。因此，本文针对“复杂工况下的车道线辨识”与“车道保持横向控制技术”实现基于机器视觉学习的‘人-车’协同控制展开研究。具体研究内容如下： 车道线特征准确提取是车道线检测的关键。本文基于深度学习的端到端车道线检测框架，提出了一种基于特征增强的点实例分割车道线检测方法。特征增强形成的特征层保留了更多的车道线语义信息，进一步，将车道线预测特征点的聚类问题转化为点实例分割问题，使得检测网络不受固定车道线数量限制，减少非必要预测点估计，增加车道线识别准确度。车道线检测网络在TuSimple数据集上实验验证，并与PINet检测网络进行对比，结果表明，车道线检测网络准确度提高了2.7%，损失函数收敛更快，漏检率和误检率均有一定降低，检测速度为25fps。 考虑相机随车身运动产生的车道线识别误差。分析相机成像原理，完成初步相机标定，随后，利用车辆运动过程中产生的俯仰角、侧倾角、横摆角建立附加欧拉变换校正矩阵，将校正矩阵融入到像素坐标系与世界坐标系的变换矩阵中，建立动态校正模型，然后利用RANSAC算法拟合车道线。 基于LQR与前馈控制设计车道保持横向控制策略。首先在以期望路径为参考线的Frenét坐标系下，以二自由度动力学模型为基础建立跟踪误差动力学模型，并采用了合理的轮胎模型。构建LQR问题，设计权重矩阵，求解反馈控制率，进行稳态误差分析，设计能够消除稳态误差的前馈控制率，基于CarSim+Simulink联合仿真，验证控制算法的路径跟踪性能。 最后，搭建电动汽车硬件在环动态仿真系统对车道保持控制系统的准确性进行实时仿真验证。在不同仿真工况下，验证结果表明，结合深度学习车道线检测，所提出的LQR与前馈控制的车道保持控制算法能够较好地对导航车道进行跟踪控制，满足LKAS所需功能要求。 |
| 作者： | 李响 |
| 专业： | 控制科学与工程 |
| 导师： | 赵彬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长春工业大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
