原文传递
基于深度学习的智能网联小车巡航避障研究
| 论文题名： | 基于深度学习的智能网联小车巡航避障研究 |
| 关键词： | 智能网联小车;轻量级目标检测模型;自主巡航;智能避障;深度学习 |
| 摘要： | 在智能汽车研究领域，构建包含智能网联小车、微缩模拟交通环境半实物仿真平台，已经成为智能网联汽车功能研究和测试的重要手段。集成了计算机、通信、传感器等多种高新技术的智能小车，在物流运输、无人驾驶、科学研究等领域都得到了广泛的应用。 无论是对于自动驾驶技术的研究，还是对于智能小车“智能”化的探索，巡航和避障能力始终都是智能小车最基础和最核心的功能。在此背景下，本文基于深度学习技术，对智能小车的巡航、避障功能进行了研究和设计，在保证达到实时性标准的同时，提高了其鲁棒性、扩展性和智能化程度。本文主要工作有： （1）构建微缩模拟交通环境，模拟真实的复杂交通场景，在不同角度、光照条件及多样的行车场景下采集了大量数据；经过数据清洗、预处理和标注，最终制作得到了一个高质量且具有丰富标识物的交通环境数据集。在数据集制作过程中，将车道线根据类别和位置切分成连续的块状区域进行标注，使单个目标检测模型能够同时识别检测出障碍物和车道线，在节省计算资源的同时降低了模型推理时间。 （2）将最新YOLO系列的轻量级目标检测模型在自建数据集上进行训练和评估，结果表明YOLOX-nano在精度、速度、内存占用上表现出最优的平衡性能。对YOLOX-nano进行性能分析和测试，并进行热力图可视化分析，结果表明模型具有较好的泛化性、鲁棒性和可靠性。通过TensorRT对模型进行推理加速，利用DeepStream部署到智能网联小车中，使小车能够以近30FPS的推理速度实时检测出路况中的车道线和障碍物。 （3）根据YOLOX-nano识别检测出的目标类别和位置大小信息：通过最小二乘法拟合并计算车道线间距，经中值滤波过滤异常值后，输入PID控制器自适应调整转向角度，并结合车道线曲率调节速度，实现自动巡航；采用单目测距计算出障碍物与小车的距离，根据障碍物类别设定不同阈值，当距离低于该阈值时执行相应避障策略，实现智能避障。 在微缩模拟交通环境的环形、多分叉复杂道路中的测试和应用表明，本文研究和开发的智能网联小车，能够实时、高效、精准、稳定地进行道路和环境检测，进行自主巡航和智能避障，巡航避障方法具备较强的鲁棒性。本文成果对于自动驾驶、车联网等智能汽车技术具有较好的研究指导意义和应用价值。 |
| 作者： | 陈志远 |
| 专业： | 电子信息(人工智能) |
| 导师： | 李刚徐;传运 |
| 授予学位： | 硕士 |
| 授予学位单位： | 重庆理工大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
