原文传递
基于深度学习的自动驾驶车辆视觉感知系统设计与实现
| 论文题名： | 基于深度学习的自动驾驶车辆视觉感知系统设计与实现 |
| 关键词： | 深度学习;自动驾驶;交通标志识别;车道自动保持;自动泊车 |
| 摘要： | 随着科学技术的不断发展，自动驾驶逐渐从试验性科学研究进入实用化阶段，其所带来的好处也体现在多个方面，包括减少交通事故伤亡、减缓交通拥堵等。而自动驾驶涉及的学科领域范围较广，本论文针对其环境感知环节进行深入研究，现有的自动驾驶环境感知方案往往涉及到多种传感器设备，而本文采用单一前置车辆摄像头作为环境感知设备以进一步降低自动驾驶硬件成本，并通过对图像信息处理能力的提升来加强自动驾驶的性能表现。因此本论文设计并实现了基于深度学习的自动驾驶车辆视觉感知系统，并分别在实体环境和虚拟仿真中完成了自动驾驶环境感知相关任务。 本论文首先采用JetsonNano开发套件搭建智能小车，并在该车辆上采用机器人操作系统（RobotOperatingSystem,ROS）设计并实现了自动驾驶环境感知系统。该系统采用车辆前置摄像头作为环境感知手段，通过Yolo-v4网络进行交通标志自动检测并使用Resnet-18网络进行道路中线预测，而后采用比例积分微分控制方法综合网络输出结果完成车辆控制指令的生成，最终实现了自动驾驶环境感知系统。该系统的网络训练过程采用了K-means聚类算法调整Yolo-v4网络的先验框尺寸，并加入数据遮掩算法进一步提升网络的训练速率，同时建立了具有上万张图片的交通标志Pascalvoc数据集。该系统最终实现了在实验道路上的自动循迹驾驶以及交通标志自动检测，使实验车辆能够自主识别多种交通标志并按照道路标线顺利驶过整条实验道路。 其次本论文提出了一种基于值函数的深度强化学习（DeepReinforcementLearning,DRL）车道自动保持算法，并在CARLA虚拟环境中实现了车辆在由直道、C形弯道以及直角弯道组成得实验路线中的车道自动保持功能。该算法采用深度双重Q学习算法（DoubleDeepQ-Learning,DDQN）实现车辆的自主训练，通过神经网络实现从车辆前置摄像头的图像数据到车辆各个动作的动作价值函数的端到端映射。为此设计了强化学习环境规则设计，并将双重Q学习算法与深度Q学习（DeepQ-Learning，DQN）算法进行性能对比。实验表明，DDQN算法消除了在DQN算法中出现的过估计问题，相比于DQN算法有着更快的训练速率。 最后本论文提出了一种基于评论者执行者(ActorCritic,AC)的深度强化学习自动泊车算法，并在CARLA虚拟环境中实现了针对已探明空闲车位得车辆自动泊车功能。该算法采用评论者执行者训练方案自主生成训练数据，通过深度神经网络实现了从车辆前置摄像头数据到车辆动作选择策略的端到端映射，并将评论者执行者算法与深度Q学习算法进行性能对比。实验表明，AC算法相比于DQN算法有着更快的训练速率。 |
| 作者： | 刘智聪 |
| 专业： | 信息与通信工程;通信与信息系统 |
| 导师： | 胡静 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东南大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
