论文部分内容阅读
智能车辆的驾驶辅助中,避撞预警系统扮演着十分重要的角色,实时判断潜在的碰撞危险,并给予驾驶员不同等级的预警提示,可以有效的为驾驶员制动或者换道行为争取时间,从而有效降低事故发生率,保障交通安全。车辆定位信息与周围目标状态信息的获取是避撞预警决策的前提和基础,信息的准确与否将直接影响着避撞预警的效果,因此,本文针对目标检测与运动识别、车辆定位方法和避撞预警策略这三个关键问题进行了相关研究。论文完成的主要研究工作包括:(1)分析了传统的网格聚类基本原理、信息熵基本原理,采用基于信息熵的网格聚类方法对目标进行检测,在此基础上依据目标特点构建了多特征目标函数,采用二次回环检验方法实现了相邻数据之间的精准匹配,最后采用网格地图差分法实现目标的状态检测。(2)分析了惯性导航系统(Inertial Navigation System,INS)定位基本原理、激光雷达(Light detection and ranging,LiDAR)定位基本原理和迭代最近点法(Iterative closest point algorithm,ICP)算法基本原理,实现了基于ICP算法的激光雷达自定位,在此基础上构建了 INS/LiDAR和INS/GNSS(Global Navigation Satellite System)组合定位方法的状态模型和观测模型。(3)分析了车辆运动过程中的制动过程,考虑到前车的运动状态处于时刻变化中,构建了不同运动状态下的最小安全距离模型和运动目标模型,在此基础上采用交互多模卡尔曼滤波对前车运动状态进行准确估计,最后依据驾驶行为特性,设计了三级预警策略。为验证上述目标检测与运动识别方法、车辆定位方法和避撞预警策略的有效性,论文搭建了相应的实车验证平台,制定了不同场景下的实车试验内容,并对实验结果进行具体分析。仿真结果表明,基于信息熵的网格聚类算法能够准确检测出复杂道路中的各类目标,相比传统网格算法在准确性上有显著提高;基于INS/GNSS组合方法的定位误差则在1.5m以内;在自然特征丰富的条件下,基于LiDAR的车辆定位有较好的定位结果,结合LiDAR提供的冗余信息,INS/LiDAR组合定位方法能够有效抑制INS的累计误差,提高定位效果,采用INS/LiDAR/GNSS的多模定位方法能够满足不同场景下车辆位置服务的需求;基于交互多模卡尔曼滤波的预警方法能够对不同运动状态的目标实现较好的速度估计,相比基于单一卡尔曼滤波的预警方法,有效降低了虚警和误警的发生,能够准确的为驾驶员提供预警信息,保障行车安全。