论文部分内容阅读
地图定位作为自动驾驶系统的关键技术,具有重要的研究意义,模仿人类认知行为的视觉自主导航系统成为地图定位导航的研究趋势。针对城市场景的定位导航问题,本文设计了一种利用视觉的BowRatSLAM模型,建立一种分米级定位精度的认知地图,将精确定位信息和熟练驾驶员经验信息结合起来,形成一种拟人化驾驶决策,实现路口复杂场景的自动驾驶功能。本文针对城市道路动态目标遮挡导致定位精度下降的问题,提出了解决目标遮挡的DH-SSD目标检测方法和改进型BowRatSLAM认知地图定位系统。本文的主要贡献如下。针对智能车对实时性定位地图的需求,本文提出了一种基于生物认知神经系统的地图定位方法,该方法将图像信息和惯导里程信息输入虚拟位置记忆网络,针对城市环境拥有较多的复杂地标的特点,本文在传统认知地图框架下,提出了BowRatSLAM模型,该模型利用ORB特征提取替换原有的像素级匹配,利用词袋模型加速图像可视搜索,在KITTI自动驾驶库进行了训练与测试,通过大量实验表明BowRatSLAM比起传统的认知地图,定位精度有明显的提高。针对城市环境中的动态目标造成的场景遮挡问题,本文利用目标检测来优化词袋匹配模型,以提高认知地图的定位精度。本文首先提出了一种叫做DH-SSD的深度学习目标检测方法,该方法结合扩张卷积和反卷积对SSD检测网络进行了改进,在室外小目标检测精度上有了较大的提高。本文使用DH-SSD检测算法进行动态目标(如汽车、行人)检测,对图像中的动态障碍物进行目标分割,除开障碍物的特征点匹配可避免动态目标的干扰造成视觉闭环校正的错误,利用词袋模型对分割后的图像特征点进行词汇统计,并使用关键帧地图库进行图像搜索加速,从而达到提高闭环校正精确度的目的,在KITTI数据库的测试表明,本文算法的百米定位误差相比RatSLAM算法有1.95%的提高。本文在智能车实现了真车自动驾驶应用,首先利用上述算法框架进行了认知地图的创建,采用迪杰斯特拉路径规划算法,实现了认知地图任意点到点的最短路径规划。针对智能车难以准确定位并识别复杂城市路况的问题,本文提出利用认知地图定位信息为决策模块提供熟练驾驶员经验信息,实现基于经验控制信息的拟人化驾驶,有效地解决了路口难以实现自动驾驶的问题,并在智能车上实现了真车自动驾驶测试,在长春城市场景真车测试时达到了90%的路口驾驶成功率。