无人车视觉目标检测和路径规划算法研究

论文摘要

随着经济的快速发展,城市交通网络日益庞大,交通流量迅速增长,交通拥堵和交通安全成为了一个待解决的难题。在创新科技的不断推动下,无人驾驶汽车技术突飞猛进,这被认为是未来解决这些交通难题的途径之一,也成为当前相关产业发展的热点。基于机器视觉的目标检测和路径规划是无人车系统框架中的两个重要模块,研究并实现无人车对交通标志的实时检测以及在复杂的环境中自主路径规划具有重要的实用应用价值和理论指导意义。针对无人车交通标志的检测问题,研究了多种基于回归的深度学习网络模型。在探讨了几种YOLO算法原理和主要技术的基础上,深入分析了 YOLOv3算法的技术优点。在Darknet平台下搭建了三种网络模型,针对构建的交通标志数据集开展了大量实验测试,验证了 YOLO算法可以一步实现图片中交通标志的定位和分类,基于多种目标检测评价指标进行对比分析,说明了 YOLOv3算法对七种常见的交通标志进行检测时具有很好的精确性和实时性。针对无人车路径规划问题,分析了快速扩展随机树（Rapidly-Exploring Random Tree,RRT）算法的不足,将目标指向的思想引入到基本RRT算法中,提出了一种基于目标的改进RRT无人车路径规划算法,缩短了规划路径的距离,提高了 RRT算法搜索效率。改进的RRT算法在全局搜索的过程中一直利用目标点的信息,在进行局部路径优化、全局路径优化和曲线拟合后得到一条安全、可行且满足车辆运动学约束的路径。通过仿真实验和实车测试,验证了算法的有效性和可行性。针对无人小车在实验室搭建场景下的自主运动,将基于YOLOv3算法的交通标志检测和基于目标的改进RRT无人车路径规划算法应用于无人小车实验。基于C++和Matlab/Simulink开发了相关程序实现了无人小车的交通标志检测和路径规划功能,针对不同场景在无人小车上进行了算法的联调实验,验证了所研究方法的有效性和可行性。

论文目录

致谢

摘要

ABSTRACT

1 绪论

1.1 背景与意义

1.2 无人车的国内外发展历程

1.2.1 国外发展历程

1.2.2 国内发展历程

1.3 目标检测算法的研究现状

1.3.1 传统目标检测算法

1.3.2 深度学习目标检测算法

1.3.3 基于候选区域的深度学习目标检测算法

1.3.4 基于回归的深度学习目标检测算法

1.4 路径规划算法的研究现状

1.5 论文主要工作

1.6 论文结构及主要内容

2 神经网络基础知识及相关目标检测算法

2.1 人工神经网络模型

2.2 卷积神经网络模型

2.2.1 卷积层

2.2.2 池化层

2.2.3 全连接层

2.2.4 残差网络结构

2.3 基于候选区域的目标检测算法（R-CNN）

2.4 本章小结

3 基于YOLO算法的交通标志检测

3.1 YOLO算法的基本原理及其改进版本

3.1.1 YOLOv1的基本原理

3.1.2 YOLOv2及其主要改进技术

3.2 基于多尺度预测的YOLOv3

3.3 交通标志检测实验与结果分析

3.3.1 实验平台

3.3.2 交通标志的数据集制作

3.3.3 目标检测评价指标

3.3.4 实验结果分析

3.4 本章小结

4 基于目标的改进RRT无人车路径规划算法

4.1 RRT算法原理

4.2 基于目标的改进RRT算法基本原理

4.3 路径优化与曲线拟合

4.3.1 局部路径优化

4.3.2 全局路径优化

4.3.3 曲线拟合

4.4 算法仿真与实车测试

4.4.1 仿真结果分析

4.4.2 实车测试

4.5 本章小结

5 面向无人小车的交通标志检测和路径规划算法实验研究

5.1 无人小车实验平台

5.2 实验流程设计

5.3 面向无人小车的交通标志检测和路径规划算法实现

5.4 实验结果

5.5 本章小结

6 总结与展望

6.1 主要工作总结

6.2 进一步工作展望

参考文献

作者简历及攻读硕士学位期间取得的研究成果

学位论文数据集

文章来源

类型: 硕士论文

作者: 巩海军

导师: 殷辰堃

关键词: 无人车,目标检测,路径规划,卷积神经网络,快速扩展随机树

来源: 北京交通大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 数学,汽车工业,计算机软件及计算机应用

单位: 北京交通大学

分类号: TP391.41;O221;U463.6

DOI: 10.26944/d.cnki.gbfju.2019.000212

总页数: 89

文件大小: 11383K

下载量: 841

无人车视觉目标检测和路径规划算法研究

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢