论文部分内容阅读
近年来,以人工智能等为代表的新一轮科技革命正推动着汽车产业的快速发展,自动驾驶汽车为解决汽车交通安全、交通拥堵、燃油消耗和空气污染问题提供了新的解决方案。在汽车自动驾驶系统框架中,环境认知是保证自动驾驶系统有序工作的首要前提和重要环节,环境认知需要结合实际工况和场景进行分析,然而在目前的研究中,简单工况、单一传感器等条件无法满足复杂道路场景多目标物体的识别和跟踪需要,且缺少对于目标行为意图的判断。针对上述问题,本文建立了基于复杂工况的高精准可预测自动驾驶环境认知方法架构,并对环境认知过程涉及到的主要关键技术进行了深入分析研究。针对在各种复杂工况下,如拱桥、坡道、减速带、坑洼地等非平面环境,自动驾驶汽车易将背景点云误认为是前景或将前景障碍物误分割为背景的危险情况,提出了基于三维网格分析的背景点云分割方法、结合像素生长的图像连通区域标记及轮廓和轨迹的分类方法,实现动态道路环境下障碍物目标的高效准确识别。为对检测到的信息进行合理支配和使用,获取对被检测目标的一致性认识,提出了一种基于DS与EKF技术的多目标跟踪方法。该方法将时间和空间上的冗余或互补信息按照相应准则进行组合,设计了目标生命周期管理、目标关联匹配和目标运动跟踪滤波算法,并进行了算法测试,可实现高精准的多目标跟踪。为保证行为预测的合理性,简化传统预测模型,缩短行为预测系统开发周期,提出了融合道路模型和行为意图的多类型目标预测方法。该方法通过建立针对实际道路的交通模型,并将该道路交通模型与目标体处于该道路环境时的目标意图进行统一表达,预先规划出由路径图和路径拓扑组成的路网,使自动驾驶汽车只需要实时地从目标体历史轨迹中辨识出最可能的一条或若干条目标路径,避免了对目标体进行复杂的行为意图和行驶路径分析,预测成效很显著。为验证本文提出方法的有效性,建立一个包含城区、高速和环路等场景完备的数据库和自动驾驶系统传感器算法评测数据集,并在该数据集上进行目标识别结果、融合跟踪结果和行为预测结果算法的评价验证。实验结果表明,本文提出的方法能够应对多种复杂工况行车场景的目标识别和目标跟踪,并且能够对机动车行为、骑车人行为和行人行为等进行预测,为自动驾驶汽车的决策分析提供更为准确的信息。