一种基于高精度地图匹配误差的路径规划方法

来源 :计算机与数字工程 | 被引量 : 0次 | 上传用户:wangccui
下载到本地 , 更方便阅读
声明 : 本文档内容版权归属内容提供方 , 如果您对本文有版权争议 , 可与客服联系进行内容授权或下架
论文部分内容阅读
在无人驾驶技术发展的过程中,地图的匹配定位与其所指导的路径规划是十分重要的研究内容.路径规划的质量、总代价和稳定性往往与地图匹配定位的准确率有关.因此,论文使用正态分布变换算法进行基于高精度地图的无人车匹配与定位,然后将匹配误差引入路径规划代价函数.并引入道路危险系数的概念,根据匹配误差修改障碍物附近道路的危险系数,从而提高路径规划的稳定性和安全性.此外,论文进行了仿真实验,验证了算法的有效性.
其他文献
采用支持向量机(SVM)、随机森林(RF)和逻辑回归(LR)等机器学习方法对脑卒中患者进行分类研究,构建脑卒中疾病预测模型,以期为疾病发生提供早期预警.对kaggle网站下载healthcare-dataset-stroke-data的数据通过SMOTE智能过抽样算法构建均衡数据集,运用支持向量机、随机森林和逻辑回归算法构建脑卒中预测模型.将SMOTE算法优化前后的预测结果进行比较分析,并采用支持向量机、随机森林和逻辑回归算法对优化后的数据集构建疾病预测模型,其结果的准确率、精确度、召回率和ROC值都有明
针对山火烟雾这类柔性目标图像存在的形状不固定所导致的识别精度低、泛化性差等问题,提出了一个基于YOLO的改进深度卷积神经网络(DCNN)识别方法。该方法通过数据增强算法优化训练网络;利用GIoU_Loss损失函数替换L2 Loss函数,大幅降低损失值;运用空间金字塔池化,将多尺度特征进行融合,增加网络的感受野,提高检测精度。实验结果表明,改进方法相对于原YOLO算法查全率提升了1.3%,查准率提高