《自动驾驶车辆白主变道策略探究》7800字（论文）

V自动驾驶车辆白主变道策略研究摘要随着人们生活质量的不断提高，交通流量也在大幅度增加。汽车在给人们带来便利的同时也造成了许多交通事故，导致了大量的人员伤亡和经济损失。自动驾驶汽车自动驾驶由于取消了驾驶者这一设定不但可以有效避免因驾驶者的各种原因而导致的交通意外，亦可为无法驾驶车辆的人士提供私家驾驶服务。在自动驾驶汽车自动驾驶变道控制算法中，根据汽车遇到周围环境的复杂程度和障碍物排放的密集程度的不同，设计出自动驾驶汽车自动驾驶变道的方法，达到自动驾驶汽车自动驾驶可以优秀的进行变道行为。关键词：自动驾驶传感器变道技术，目录TOC\o"1-3"\h\u229121绪论 1109681.1研究背景及意义 131591.1.1研究背景 15011.1.2研究意义 1170811.2国内外研究现状 130121.2.1国外研究现状 1322741.2.2国内研究现状 2124212自动驾驶汽车自主变道决策架构 4266272.1环境感知对象 4215602.2环境感知方法 466562.3基于机器视觉的环境感知流程 687403自动驾驶汽车自主变道策略设计 6212993.1多传感器信息融合 686483.1.1多传感器信息融合技术 756793.1.2多传感器信息融合方法及实现 8184823.1.3多传感器信息融合技术的优点 10136843.2自动驾驶汽车变道行为设计 1043523.2.1直接变道行为 10196673.2.2紧急变道行为 11175754结论 1122322参考文献 121绪论1.1研究背景及意义1.1.1研究背景为提高汽车整体安全性能，保护驾驶员与行人，降低各种交通事故带来的经济损失与人员伤亡，政府还颁布了多项法令。这些法律主要包括道路交通安全法、环境保护法以及有关机动车交通安全方面的法规等。随着社会经济水平的发展，科学技术的进步，汽车已经成为家庭出行的重要工具。为了改善交通环境、提升安全旅游质量，人们越来越重视汽车的安全技术。交通事故不仅会造成巨大的经济损失和人员伤亡，而且还会影响到当地的道路情况以及驾驶汽车的人的旅行驾驶等。无人驾驶汽车应运而生。无人驾驶汽车早期更是被研究用于军事方面。在相关技术不断成熟的情况下，民用领域已经开始研究无人驾驶汽车的有关技术。1.1.2研究意义自动驾驶汽车自动驾驶的发展不仅仅是指汽车产业的进步，还包括很多新兴产业的成长，所以对世界各国而言，都默认被看作是和各个国家的成长有必不可少的关系。在我国，自动驾驶汽车将成为今后提高人们出行质量和出行效率的重要手段之一。从这个角度来看，自动驾驶技术将会是未来人类生活中必不可少的一部分。随着科学技术的进步以及经济全球化进程的加快，自动驾驶技术已经逐渐渗透到了各个领域之中，并且取得了不错的成效。只要自动驾驶汽车发展到一定程度，其它行业发展都将到达相应程度。到那时自动驾驶技术就能够在实际应用中得以落实，并解决拥堵，停车难以及排放问题，所以自动驾驶汽车自动驾驶技术的研究与开发不仅对于降低交通事故也对于其他社会产业发展都有着十分重要的意义。1.2国内外研究现状1.2.1国外研究现状伴随着自动驾驶有关技术的不断成熟，世界各国非常关注它在各领域特别是交通方面与军事领域中的运用与展望，同时也非常关注无人驾驶汽车（UAV）的研发，这反过来又促进了自动驾驶的不断发展。世界上第一台自动驾驶汽车系统是由美国巴雷特电子公司于1954年研制出来的一种新型无人驾驶能源汽车产品，它具有许多新的功能特征，可以实现无人驾驶。1970年代初，欧美国家开始研究发展新能源汽车。20世纪70年代末，美国国防部开始实施一项名为“下一代地面车辆技术发展规划”（AVL）的计划。在该项目的资助下，美国能源部和国家科学基金会开展了一系列关于无人驾驶汽车关键技术研发工作。20世纪80年代初期，美国能源部成立了一个专门负责无人车技术开发的部门——无人驾驶办公室。20世纪80年代初，美国国防部又启动了另一项新的独立地面车辆（AVL)计划。该计划旨在通过安装在车辆上的摄像机和计算机系统来探测地形并引导导航车辆行驶。早在20世纪90年代初期，梅赛德斯就与慕尼黑国防大学合作研发了一款由多个传感器组成的系统，能够实时监测周围的道路状况。2004年以来，为给广大无人驾驶汽车研究者搭建学术交流平台和加快无人驾驶汽车技术进步，美国国防部高级研究计划局（DARPA）启动了机器人汽车挑战赛。谷歌公司于2015年，研发出第一款可以在道路上正式测试的样车，一款完全没有方向盘的无人驾驶汽车，让驾驶员摆脱了方向盘的束缚。图1.1谷歌无人驾驶汽车目前很多外国国家也已经发行了一系列政策和措施来鼓励无人驾驶汽车的研究，也十分关注无人驾驶汽车的发展前景。1.2.2国内研究现状我国自动驾驶研究起步较晚，从20世纪80年代末开始，到20世纪90年代初期我国首款无电新车由国防科技大学开发成功。此后，中国开始了自主研发无人驾驶车（Autonomous

Vehicle,简称AGV）的道路试验、路测测试与实车运行阶段，并取得了一些成果。车载计算机自动转向系统核心是由计算机、传感器及液压控制系统等组成，其主要功能是根据驾驶员的意图控制汽车[3],实现汽车行驶过程中的各种操作。1988年，由国防科工委立项并列入国家863计划，由清华大学于1988年开始研究开发智能汽车。2007年初，由一汽集团与国防科技大学合作研制的红旗H3型轿车正式上市。共同研制出我国第一台完全自主知识产权的电动汽车——红旗HQ1，实现了具有世界先进水平的“无人车”概念。成功举办了主题为“2007年红旗HQ3——中国制造”的第十四届国际智能汽车运输大会。在这次会议上，红旗HQ3进行了大量的现场测试。2011年7月,"红旗HQ3"在我国国防科技最高水平——一汽集团内完成了长达286公里的无人驾驶考试，这也是人类历史上第一次在长沙、武汉两地同时举行这样大规模的测试活动，标志着中国在无人驾驶技术研发领域取得重大突破，实现了从环境识别到智能行为决策的跨越。2013年初，百度推出了无人驾驶汽车——"百度车脑",它由高精度地图定位、感知、智能决策和控制四个部分组成。2015年初，百度正式发布了“新能源驾驶汽车”计划，并在中国首次实现了城市环线及高速公路的全自动驾驶，行驶里程超过100公里。2016年初，百度宣布将投资20亿元人民币建设国家级智能网联汽车产业创新中心，计划未来3年内建成世界最大的智能网联车产业技术创新基地。2018年2月，长安集团正式成立人工智能研究院。同年，长安汽车延迟实施智能战略654、构建六大基本技术体系、研发五大平台核心应用技术、逐步完成由单一智能向全自动驾驶四个阶段转变。百度CEO李彦宏参加了百度第一届智能开发者大会（2017），并于7月份搭乘百度独立开发的新能源自动驾驶汽车（AFC）到达会场。图1.2百度无人驾驶汽车中国在八十年代后就开始了无人驾驶汽车的研究，而且至今为止世界范围内的研究成果表明中国与外国在新能源汽车自动驾驶技术的研究中差距越来越小。在未来很长一段时间内，我国仍然是世界第一大新能源汽车生产大国，同时也是最大的新能源汽车消费国。这对于国家发展和人民生活都具有重大战略意义。未来智能时代下，中国在新能源汽车无人驾驶领域具有举重若轻。2自动驾驶汽车自主变道决策架构2.1环境感知对象自动驾驶汽车对自动驾驶环境的认知对象有如下几种。（1）对行驶路径感知，主要指通过对道路交通标线、行车道边缘线、路口导向线、导向车道线、人行横道线及结构化道路等进行检测来获取车辆的行驶路径，并将这些结构化后的路径称为可行驶路径。好地解决了上述问题。（2）对环境信息的获取与处理，包括对前方障碍物、交通标志、信号灯等进行采集；（3）对驾驶状态检测，主要指对驾驶员自身状态的检测。（4）驾驶环境检测主要针对路况，道路拥堵状况和天气状况。这说明自动驾驶汽车在自动驾驶环境中感知的对象及类型数量十分庞大，路况也比较复杂，环境感知在自动驾驶汽车自动驾驶中的典型应用如图2.1所示。图2.1环境感知在智能网联汽车中的典型应用2.2环境感知方法环境感知方法主要有惯性元件、超声波传感器、激光雷达、毫米波雷达、视觉传感器、自组织网络、融合传感等。（1）惯性元件，惯性元件主要是指汽车上的车轮转速传感器、加速度传感器、微机械陀螺仪、转向盘转角传感器等，通过它们感知汽车自身的行驶状态。（2）超声波传感器，主要用于短距离探测物体，不受光照影响，但测量精度受测量物体表面形状、材质影响大。（3）激光雷达、无人驾驶汽车必备传感器可按自动驾驶级别安装不同激光雷达。激光雷达分为单线束和多线束两大类，本文主要研究基于激光雷达的多线束激光雷达数据融合方法，并建立了相应的3D模型。由于激光雷达具有探测距离远、速度快、精度高等特点，在无人驾驶汽车中被广泛采用。本文主要研究了基于激光雷达技术的自动驾驶系统。首先介绍了激光雷达工作原理以及关键技术。激光雷达由于其获取的三维距离信息精度高、测量精度高、对光线变化不敏感以及抗干扰能力强等优点被广泛应用于自动驾驶汽车中，是实现自动驾驶必不可少的传感器之一。（4）毫米波雷达与激光雷达相比具有诸多优势：成本低；毫米波雷达具有距离分辨率高，作用距离远等特点。但由于其具有较强的抗干扰能力，在恶劣的天气条件下尤其是夜间使用时，可以有效地抑制激光雷达接收到的反射波等信号。（5）利用基于视觉传感器的图像分析与识别技术对驾驶环境进行了研究，实现了对道路上行人的三维快速定位。在此基础上，利用图像处理及模式识别方法实现了车辆行驶状态的自动识别与判断，从而提高了汽车主动安全性能。图像信息具有实时、低能耗、低价格等特点，且不受光照影响，因此能够获得更准确的三维信息，提高了测量精度。（6）通过自组织网络既能获得车辆运行周围环境信息及范围内的其它车辆信息又能将车辆本身信息转移到范围内的其它汽车上。利用这些信息，就能及时准确地掌握交通状态；并根据实时路况做出合理决策。本实用新型能够实现汽车间的信息共享且对环境干扰不灵敏。图2.2所示为智能网联汽车周边环境感知示意图1-长距离雷达，2-短距离雷达，3-视觉传感器，4-超声波传感，5-视觉传感器，6-自组织网络图2.2自动驾驶汽车自动驾驶周边环境感知示意图2.3基于机器视觉的环境感知流程机器视觉经常用于环境感知，其具有以下特点：1.视觉图像特别是彩色图像中存在着大量信息，其中包含了视场中对象的距离，色彩，纹理和形状。2，能够实现视场中道路，车辆，行人，路牌和信号灯等信息的同步探测，能够获取较大区域信息。3.系统采用模块化设计方法，可以方便地进行升级和扩展。4.系统具有较强的容错能力，能够应对不同情况下出现的故障。可同时检测到多辆自动驾驶汽车，并能准确定位。3.由于人类对视觉信息的获取能力有限，因此，人对场景图像具有很强的环境适应能力。因此，视觉信息处理技术是智能交通系统（ITS）中一项重要的核心技术。人类对自身身体各个部位的了解和研究还不够充分。这也是导致交通事故频繁发生的原因之一。但是在目前驾驶技术条件下，人通过眼睛所获取的信息是最多的。所以，以视觉为基础的高效低成本环境感知必将是未来智能网联汽车产业化发展的重点。本文针对基于视觉的场景感知进行研究，提出了一套完整的框架体系。以视觉为基础的环境感知流程如图2.3所示，通常由图像采集，图像预处理，图像特征提取，图像模式识别，结果传输组成，其感知流程因具体的识别对象及所使用的识别方法而稍有不同。图2.3基于视觉的环境感知流程3自动驾驶汽车自主变道策略设计3.1多传感器信息融合多传感器信息融合技术指的是将数据信息从相同或不同类型的多个传感器分类并处理，然后根据特定规则将这些传感器的冗余或补充信息处理在时间或空间上。从而得出测量对象一致性的结论。单个传感器存在局限性，因为它只能提供有关自动驾驶汽车自动驾驶自身状况的单个信息，导致自动驾驶汽车自动驾驶本身的控制判定精度不够高。所以通过使用多个传感器来收集信息和进行信息融合，可以获得更准确有效的信息，对于自动驾驶汽车自动驾驶的下一个决策是必要的，以此提高整体自动驾驶汽车自动驾驶系统的可靠性。随着技术的不断进步，传感器需要检测的物体变得越来越复杂。人们不仅需要测量有关特定测量目标的单个信息，还需要测量有关测量目标的其他内部或特征信息。单个传感器不能满足此要求。所以必须采用多个传感器对同一对象进行多角度检测来采集被测对象的完整并且全面的信息。数据融合技术被提出来解决多传感器信息处理的问题，并首先应用于军事领域，近年来机器人技术、智能检测系统、工业监控、航空航天、环境保护和气象学等领域也广泛应用。3.1.1多传感器信息融合技术由于从多个传感器采集到的数据组合在结构上存在差异，从而导致了对信息处理方法的差异。在本文中，我们提出了一种基于模糊神经网络（FNN）与最小二乘支持向量机（LS-SVM）相结合的多传感器信息融合方法。该方法能有效地降低冗余量并提高系统性能。根据处理方式的不同可以将多传感器信息组合分为集中式、分散式、混合式以及反馈式等四种类型。单个传感器能够获取的信息十分有限，并且易受传感器本身质量及性能等因素影响而导致获取信息错误。同时，随着人们对检测、数据收集等方面要求的不断提高以及各种智能设备的出现，使得不同类型的传感器之间能够进行有效地通信成为可能。由于每个传感器都具有各自独特的特性，所以不能互相替代。但是在实际应用中往往需要多个传感器对同一目标进行同时测量，并将得到的结果综合起来形成最终的检测结论。多传感器融合技术是近年来发展起来的一个新领域，它包括多传感器融合、多传感器信息融合以及多传感器数据融合等。多传感器融合技术是指多个传感器之间进行信息交换和共享，以提高系统的可靠性、稳定性、准确性以及对环境的时空覆盖及可用性。本文采用图3.1中的方法实现数据融合。本文主要讨论了一种基于DSP芯片的多传感器信息集成技术，该技术具有实时性强、集成度高、抗干扰能力强及易于实现等特点。整个系统分为三个部分：1.数据采集模块。先把要测的物体转换成电信号，再转换成可由计算机实现A/D变换的数字量，数字化后对电信号预处理，去除干扰与噪声。预处理信号经过函数分解再到数据整合中心或在功能发布时直接把数据整合到信号中，最终得到整合结果。图3.1数据融合过程3.1.2多传感器信息融合方法及实现根据融合系统中信息处理的抽象程度，多传感器信息融合主要分为三个层次：数据层融合、特征层融合和决策层融合。（1）数据层融合数据级融合又叫像素级融合。它通过将两个或者更多传感器采集到的测量值进行关联，以达到提高系统性能的目的。目前该技术已广泛应用于许多领域。本文提出了一种基于层次分析的数据级融合方法。传感器的观测数据经过聚合后得到一个属性向量，然后对这个属性向量进行分析和处理以获得最终的识别结果。若多个传感器所观察的物理现象不一致，传感器所观察的数据就不能归并于数据层（只存在于特征层和决策层）。数据层融合不损失数据，且得到的结果在这3个层次上精度最高，但由于其最高复杂性对系统通信带宽要求比较高。其数据层融合方式如图3.2所示。图3.2数据层融合（2）特征层融合特征层融合是融合中间层的一种。它利用不同类型传感器获得的信息之间的互补性来提高系统性能。本文提出一种基于多传感器的自适应特征提取和神经网络相结合的特征层融合方法。这种算法是在BP网络基础上发展起来的。传感器阵列采集的观测数据作为特征向量；采用检测方法处理特征向量并打印普通检测结果。函数层融合方法具有计算量小、对应通信带宽需求少等特点，但是会因为丢失部分数据而导致准确性不高。特征层融合方式如图3.3所示。图3.3特征层融合（3）决策层融合决策级融合在最高层次上进行融合处理，由不同种类传感器对同一物体进行感知。每一个传感器都会在当地处理所检测出的数据，对所处理数据进行特征提取，鉴别或者确定所提取出的表示特征，对所检测出的物体作出初步的结论，再将其关联层与决策层相结合，最后获得联合检测结果。该文提出了一种基于Hopfield神经网络的信息融合算法来解决此问题。该方法利用BP网络的自学习能力来建立模型预测未知区域中可能存在的目标物体位置及大小。由于对传感器数据进行了压缩，该方法得到的计算结果精度最低，但是所需计算量最小，数据传输带宽也最小。决策层融合方式如图3.4所示。图3.4决策层融合3.1.3多传感器信息融合技术的优点相对于单一传感器而言，多传感器能够进行数据信息融合过程从而得到传感器周边更加精确和全面的环境信息。一组功能相似的传感器所采集到的信息具有明显的互补性，将互补信息经过融合处理后，能够弥补单个传感器测量的不确定度及测量范围的有限性，降低信息的不确定性。因此，当一个或几个传感器出现问题时，就可通过将这些传感器组合起来来弥补单一传感器在不同方面上存在的不足。本文介绍一种基于模糊神经网络的多传感器自适应容错控制方法。甚至在部分传感器失效的情况下系统仍能正常工作，使系统可靠性得到很大提高。3.2自动驾驶汽车变道行为设计3.2.1直接变道行为即时变道功能就是自动驾驶汽车驾驶时自己驾驶，发现路前存在障碍而进行障碍。当遇到障碍时，会主动改变行车方向，以达到避让目的；一旦发现危险情况，还能及时做出应对措施，避免发生事故。自动驾驶技术能够提高道路交通效率和安全性。同时也存在安全隐患。当遇到障碍物时，自动驾驶汽车能够识别前方是否存在障碍物；当遇到障碍物时，驾驶员可以根据障碍物的位置判断出前方是否有行人或车辆，从而控制智能车转向。传统方法是手动转向或减速行驶，但这样容易发生交通事故。为了解决这个问题，提出了一种基于机器学习技术的智能车辆避障系统设计。该系统采用深度神经网络对障碍物进行识别。变道过程中，自动驾驶汽车通过视觉传感器和超声波传感器获取车辆前方的距离信息；数据融合处理保证了障碍物和自动驾驶汽车间距离的准确性，进而对整个模糊控制器进行计算，并以检测出的距离信息为输入对模糊控制器进行控制。为自动驾驶汽车的自动驾驶控制呈报精确结果以指导自动驾驶汽车进行自动驾驶以避免安全事故发生。3.2.2紧急变道行为突发动态障碍物时，会出现紧急变道行为。本文采用三帧差分法对动态障碍物进行识别，并利用不同类型的传感器采集到的数据来判断自动驾驶汽车是否处于自动驾驶状态下，如果检测到动态障碍物则说明自动驾驶汽车处于自动驾驶状态，否则说明自动驾驶汽车未处于自动驾驶状态。但是由于自动驾驶汽车自动行驶速度极快，即使是接近动态障碍物也不会马上做出反应，而是继续向前移动；同时，为了避免与前方车辆相撞，自动驾驶汽车必须保