免费看男阳茎进女阳道视频

                        24小時論文定制熱線

                        咨詢電話

                        熱門畢設:土木工程工程造價橋梁工程計算機javaasp機械機械手夾具單片機工廠供電采礦工程
                        您當前的位置:論文定制 > 畢業設計論文 >
                        快速導航
                        畢業論文定制
                        關于我們
                        我們是一家專業提供高質量代做畢業設計的網站。2002年成立至今為眾多客戶提供大量畢業設計、論文定制等服務,贏得眾多客戶好評,因為專注,所以專業。寫作老師大部分由全國211/958等高校的博士及碩士生設計,執筆,目前已為5000余位客戶解決了論文寫作的難題。 秉承以用戶為中心,為用戶創造價值的理念,我站擁有無縫對接的售后服務體系,代做畢業設計完成后有專業的老師進行一對一修改與完善,對有答辯需求的同學進行一對一的輔導,為你順利畢業保駕護航
                        代做畢業設計
                        常見問題

                        基于多特征融合動態障礙物檢測跟蹤方法

                        添加時間:2019/07/02 來源:中國科學技術大學 作者:黃如林
                        利用高斯混合模型從車輛駕駛行為數據和道路結構信息中學習駕駛行為模式并用于檢測動態車輛的駕駛行為意圖,接著根據駕駛行為意圖檢測結果計算動態車輛的長期理想軌跡,并結合運動模型預測動態車輛的行駛軌跡。
                        以下為本篇論文正文:

                        摘要

                          隨著汽車保有量的增加,交通擁堵和交通事故發生率不斷升高,作為解決此問題的重要手段,無人駕駛汽車的研究日益迫切。

                          無人駕駛汽車在復雜交通環境中行駛時會不可避免地與其他交通參與者如汽車、行人和自行車等產生交互,在交互過程中必須避開所有潛在碰撞以保證行駛安全。為了完成此任務,首先需要無人駕駛汽車能夠準確地檢測并跟蹤動態障礙物,估計其運動狀態;其次,不同種類的動態障礙物具有不同的運動特性,為提高避撞行為的合理性,需要識別出動態障礙物的種類以便無人駕駛汽車執行更加合理的避撞行為;最后為了避開與動態障礙物之間的潛在碰撞,要求無人駕駛汽車能夠準確預測出動態障礙物的運動軌跡,尤其是運動速度較快的動態車輛。

                          但現有的基于單一輪廓特征的方法在動態障礙物檢測跟蹤過程中的準確率和速度較低,無法滿足動態障礙物避撞安全性的要求,基于輪廓特征和運動狀態的動態障礙物識別算法的準確率較低且識別范圍較小,無法滿足無人駕駛汽車避撞合理性的要求,動態車輛行駛軌跡由很多因素決定,現有的基于動態車輛實時運動狀態的軌跡預測方法誤差較大,不滿足無人駕駛汽車避撞準確性的要求。

                          針對以上問題,本文提出了基于多特征融合的動態障礙物檢測跟蹤方法、基于時空特征向量的動態障礙物識別方法和基于駕駛行為意圖檢測的動態車輛軌跡預測方法,從而實現更加安全、合理和準確的動態障礙物避撞,主要研究內容如下:

                          1)動態障礙物的檢測跟蹤:為了提高動態障礙物檢測跟蹤的準確性與速度,提出了一種基于多特征融合的動態障礙物檢測跟蹤方法。首先分別從三維激光雷達獲得的數據和多層激光雷達獲得的數據中提取障礙物的輪廓特征和激光脈沖反射強度特征,接著融合提取的特征并對動態障礙物進行建模,通過構建相似度矩陣完成動態障礙物的匹配跟蹤并利用建立的障礙物模型完成動態障礙物的運動狀態估計,為動態障礙物識別和動態車輛軌跡預測提供障礙物運動狀態信息。

                          2)動態障礙物的識別:不同類型的動態障礙物具有不同的運動特性且需要不同的避撞策略,為了使無人駕駛汽車能夠更加合理地選擇避撞行為,本文提出了一種基于時空特征向量的無人駕駛汽車動態障礙物識別方法。首先結合障礙物空間維度上的幾何輪廓特征、時間維度上的Zernike不變矩特征和無人駕駛汽車的位姿信息構建時空特征向量,在此基礎上使用AdaBoost算法構建動態障礙物分類器,最后使用分類器識別動態障礙物,為避撞行為決策提供障礙物類別信息。

                          3)動態車輛軌跡預測:在動態障礙物識別的基礎上,針對其中動態車輛軌跡預測不準確的問題,提出了基于駕駛行為意圖檢測的軌跡預測方法。首先,利用高斯混合模型從車輛駕駛行為數據和道路結構信息中學習駕駛行為模式并用于檢測動態車輛的駕駛行為意圖,接著根據駕駛行為意圖檢測結果計算動態車輛的長期理想軌跡,并結合運動模型預測動態車輛的行駛軌跡,為準確的碰撞檢測和避撞奠定基礎。

                          最后,通過在城區交通環境中的實車實驗驗證了上述技術的可靠性與穩定性,極大地提升了動態障礙物檢測跟蹤的準確性與速度,提高了動態障礙物的識別準確率和動態車輛的軌跡預測精度并擴展了動態障礙物識別距離范圍。

                          關鍵詞:無人駕駛汽車;動態障礙物;避撞;檢測跟蹤;識別;時空特征向量;駕駛行為意圖檢測;軌跡預測

                        ABSTRACT

                          With the increase of car ownership, the incidence of tral}ic congestion and traffic accidents is increasing. As an important means to solve this problem, the research of autonomous vehicles is becoming more and more urgent.

                          It is inevitable for autonomous vehicle to interact with other traffic participants, such as cars, pedestrians and bicycles, when driving in complex traffic environments.

                          The dynamic obstacle collision avoidance system must avoid all potential collisions in the interactive process to ensure driving safety. To accomplish this task, firstly, the dynamic obstacles must be detected and tracked precisely and their moving states should be estimated simultaneously. Secondly, different kinds of dynamic obstacles have different movement characteristics. It is necessary to identify the types of detected dynamic obstacles so that the decision system can generate more reasonable obstacle avoidance behavior. Finally, in order to avoid the potential collision between the dynamic obstacle and the autonomous vehicle, it is required to predict the trajectory of detected dynamic obstacles, especially for the fast moving dynamic vehicles. Whereas the accuracy and speed of the existing outline feature based dynamic obstacle detection and tracking method needs to be improved. The accuracy and recognition range of the existing dynamic obstacle recognition algorithm, which is based on contour feature and moving state, needs to be improved. For existing trajectory prediction methods that are based on the real-time motion state, it is difficult to obtain accurate trajectories of detected vehicles.

                          In view of the above problems, a mufti-feature fusion based dynamic obstacle detection and tracking method, a spatio-temporal feature vector based dynamic obstacle identification method and a driving-intent estimation  based trajectory prediction method are proposed in this dissertation to achieve safer, more reasonable and accurate dynamic obstacle avoidance. The main research contents are as follows:

                          1) Detection and tracking of dynamic obstacles: In order to improve the accuracy and speed of dynamic obstacle detection, a mufti-feature fusion based dynamic obstacle detection and tracking method is proposed. The contour feature and laser pulse reflection of obstacles are extracted from the 3D laser point cloud data and the two-dimensional laser point set data respectively. The extracted features are fused and used to model the detected obstacles. Then, the matching of dynamic obstacles is completed and the motion state is estimated which is used to support dynamic vehicle trajectory prediction.

                          2) Dynamic obstacle recognition: Different types of dynamic obstacles have different motion characteristics and require different obstacle avoidance strategy. In order to make the autonomous vehicle more intelligent when choosing obstacle avoidance  behavior,  a  spatio-temporal  feature  vector  based  dynamic  obstacle identification method is proposed. Firstly, the geometric contours of dynamic obstacle in multi-frame data, the real-time Zernike invariant moments of dynamic obstacle and the relative position of autonomous vehicle are used to construct the spatio-temporal feature vector. Then the AdaBoost algorithm is used to train the classifier which is used to identify the detected dynamic obstacles.

                          3)  Dynamic vehicle trajectory prediction: Based on the identification of detected dynamic obstacles, aiming at the problem of inaccurate prediction of dynamic vehicle trajectory which threatens  driving  safety,  an  intent-estimation  based trajectory prediction and collision avoidance method is proposed. Firstly, the driving behavior pattern is learned from the vehicle driving behavior data and the road structure information by using the Gaussian mixture model which is used to detect the driving behavior intention of the detected dynamic vehicle. Then, the long-term ideal trajectory of the dynamic vehicle is calculated according to the driving behavior intention.

                          Combined with the long-term ideal trajectory, constant acceleration and yaw rate velocity motion model is used to predict the driving trajectory of dynamic vehicles, which lay the foundation for accurate collision detection.

                          Finally, the reliability and stability of the above technologies are verified by the actual vehicle experiment in the urban traffic environments. The accuracy and speed of the dynamic obstacle detection and tracking are greatly improved as well as the accuracy of the dynamic obstacle recognition and the trajectory prediction of dynamic vehicles. Besides, the range of dynamic obstacle identification distance is extended.

                          Key Words: autonomous vehicle, dynamic obstacle, collision avoidance, detection and tracking, identification, spatial-temporal feature vector, driving intent estimation,trajectory prediction

                          交通事故每年造成約125萬人死亡以及數千億美元的經濟損失,如果不采取行動,預計到2030年會成為世界第七大死亡原因(世界衛生組織,2015),而交通事故發生的最主要原因是駕駛員的操作失誤。人類感知和控制能力的局限使得駕駛員在面對突發狀況時無法及時做出合理的決策,此外駕駛疲勞也是造成交通事故的重要原因,隨著人工智能、計算機技術以及芯片技術的發展,無人駕駛汽車的使用成為了減少交通事故的最重要手段之一。

                          從1970年代起,無人駕駛汽車的研究進入快速發展階段,美國、歐洲和日本就相繼啟動了無人駕駛汽車研究項目,對無人駕駛的基礎性技術進行研究。上世紀80年代,美國和歐洲相繼啟動了自主陸地車輛項目((Thorpe et al. 1988)和普羅米修斯項目,接著日本在90年代啟動了高速公路高級輔助巡航系統研發計劃,在無人駕駛汽車發展史上美國國防部先進研究項目局(Defense AdvancedResearch Projects Agency,   DARPA)舉辦的三次無人駕駛汽車挑戰賽具有里程碑意義,比賽結果不但證明了無人駕駛汽車的可行性,同時極大的推動了無人駕駛技術的發展。

                          雖然無人駕駛汽車技術在過去10年取得了長足進步,部分無人駕駛汽車已經進入測試階段(State of California, 2017 ),但由于真實的交通環境包含多種類型的交通參與者,無人駕駛汽車在行駛時會不可避免的與其他交通參與者產生交互,為了保證行駛安全性,無人駕駛汽車必須避開所有的潛在碰撞,為了完成這個目標,在具備高速高精度軌跡跟隨能力的前提下,無人駕駛汽車的動態障礙物避撞系統還需要解決以下三個問題:首先需要自動駕駛車輛能夠準確的檢測出環境中的動態障礙物并對其進行跟蹤,為障礙物識別和軌跡預測提供障礙物的運動狀態信息,但現有的基于單一輪廓特征的方法在檢測跟蹤過程中的準確率和速度較低,無法同時滿足無人駕駛汽車安全行駛的要求;其次需要無人駕駛汽車能夠識別出動態障礙物的類型,為避撞行為決策提供信息支撐,但現有的基于輪廓特征和運動狀態的動態障礙物識別算法的準確率較低且其識別范圍較小,無法滿足無人駕駛汽車避撞合理性的要求;最后要求無人駕駛汽車能夠準確預測出環境中動態車輛的行駛軌跡以準確執行避撞行為,但動態車輛行駛軌跡由很多因素決定,現有的基于動態車輛實時運動狀態的軌跡預測方法無法預測出準確的行駛軌跡。

                          綜上所述,無人駕駛汽車的研究能夠極大提高交通安全,而動態障礙物檢測跟蹤、動態障礙物識別和動態車輛軌跡預測是無人駕駛汽車動態障礙物避撞涉及到的三項關鍵技術,不解決這些關鍵技術中存在的問題無人駕駛汽車無法在真實交通環境中投入使用。

                          自動駕駛汽車的概念的形成可以追溯到1920年代(Geddes  N  B,  etal. , 2012),設計師N二二n Bel在1940年設計的“未來展臺”中首先提出了無人駕駛汽車的完整概念,即一種只需要簡單的設定就可以自主行駛并完成任務的新型汽車。在1950年代,美國的部分企業和科研機構就己經開展了無人駕駛技術的研究,貝瑞特電子公司研制出世界上第一臺自主導航車,能夠在設定的軌道中行駛。1980年代,卡內基梅隆大學研制成功了世界上第一輛真正意義上的無人駕駛汽車Navlab-1,但是由于受到軟件技術限制,直到1980年代末,行駛速度才能夠達到32千米每小時(Thorpe C, et a1.,1988)。美國國防部高級研究計劃局與美國陸軍聯合發起了自主地面車輛研究計劃(Autonomous Land VehicleProjec七),建造了一輛能以較低速度自主行駛的八輪汽車,不過該自主車只能在有限的結構化環境中行駛,無法應對顛簸路況。1990年代,卡內基梅隆大學在Navlab-1基礎上研制出了Navlab系列無人駕駛汽車,其中Navlab-5能夠進行復雜地形下的長距離高速度的自主行駛,完成了長達上萬公里的行駛實驗。為了評估無人駕駛技術評估無人駕駛汽車在軍事領域應用的可行性,美國國防部高級研究計劃局分別在2004年、2005年以及2007年針對越野環境無人駕駛與城區環境無人駕駛舉行了三場無人駕駛汽車挑戰賽,這三場比賽的參賽隊伍代表了當時無人駕駛技術的最高水平。

                          2004年的DARPA Ground Challenge中,比賽中行駛最遠的Carnegie-Mellon大學的Sandstorm無人駕駛汽車也只完成了11.78千米。2005年的第二屆GroundChallenge中,最終有5輛無人駕駛汽車完成了212公里的沙漠賽程,其中斯坦福大學的Stanley無人車獲得了冠軍(Thrun S ,  et a1.,2004 ) 0 2007年的UrbanChallenge中,卡內基梅隆大學的BOSS無人車用時4小時10分完成了96千米的賽程獲得冠軍(Urmson C, et al., 2008 ),圖1.I展示了DARPA無人車比賽中表現優異的無人駕駛汽車。這三次比賽極大的推動了無人駕駛汽車軟硬件的發展,使無人駕駛汽車技術的可行性得到了政府和企業的認可,催生了三維激光雷達等傳感器在自動駕駛汽車上的應用,也開啟了無人駕駛汽車商業化的序幕。

                        基于多特征融合動態障礙物檢測跟蹤方法:

                        典型箱行駛軌跡
                        典型箱行駛軌跡

                        換道軌跡
                        換道軌跡

                        向量長度與準確率的關系
                        向量長度與準確率的關系

                        備選軌跡蔟(紅色虛線)和最終選擇的理想軌跡(藍色實線)
                        備選軌跡蔟(紅色虛線)和最終選擇的理想軌跡(藍色實線)

                        長期理想軌跡影響因子曲線
                        長期理想軌跡影響因子曲線

                        軌跡預測誤差
                        軌跡預測誤差

                        智能先鋒2號
                        智能先鋒2號

                        典型實驗場景
                        典型實驗場景

                        實驗路線和環境
                        實驗路線和環境

                        較大交通流的直道駕駛場景避撞過程
                        較大交通流的直道駕駛場景避撞過程

                        目錄

                          第1章 緒論
                            1.1 課題背景及意義
                            1.2 國內外無人駕駛汽車研究現狀及分析
                            1.3 動態障礙物檢測跟蹤方法研究現狀與分析
                            1.4 動態障礙物識別方法研究現狀與分析
                            1.5 動態車輛軌跡預測與避撞方法研究現狀與分析
                            1.6 研究基礎與存在的問題
                            1.7 本文創新點與研究內容組織架構
                              1.7.1 本文創新點
                              1.7.2 本文主要研究內容與結構安排
                          第2章 動態障礙物避撞系統設計
                            2.1 無人駕駛汽車平臺體系結構
                              2.1.1 感知系統
                              2.1.2 決策系統
                              2.1.3 控制執行系統二
                            2.2 無人駕駛汽車動態障礙物避撞關鍵問題
                              2.2.1 動態障礙物檢測跟蹤的關鍵問題
                              2.2.2 動態障礙物識別的關鍵問題
                              2.2.3 動態車輛軌跡預測的關鍵問題
                            2.3 動態障礙物避撞方法分析
                              2.3.1 設計要求
                              2.3.2 解決方案
                            2.4 本章小結
                          第3章 基于多特征融合的動態障礙物檢測跟蹤
                            3.1 障礙物特征融合與建模
                              3.1.1 多層激光雷達數據特征提取
                              3.1.2 維激光雷達數據特征提取
                              3.1.3 動態障礙物特征融合與建模
                            3.2 動態障礙物檢測跟蹤
                              3.2.1 動態障礙物匹配.
                              3.2.2 動態障礙物的運動狀態估計
                            3.3 實驗結果
                            3.4 本章小結
                          第4章 基于時空特征向量的動態障礙物識別
                            4.1 時空特征向量構建
                              4.1.1 空間維度特征
                              4.1.2 時間維度特征
                            4.2 基于AdaBoost算法的動態障礙物識別
                              4.2.1 Adaboost算法理論基礎...
                              4.2.2 分類器構造
                            4.3 實驗結果
                            4.4 本章小結
                          第5章 基于駕駛行為意圖檢測的動態車輛軌跡預測與避撞
                            5.1 基于混合高斯模型的駕駛行為意圖檢測
                              5.1.1 基于動態車輛運動特征和道路結構的特征向量構建
                              5.1.2 基于混合高斯模型的駕駛行為意圖檢測
                            5.2 基于駕駛行為意圖的軌跡預測與避撞
                              5.2.1 動態車輛軌跡預測
                              5.2.2 避撞方法
                            5.3 實驗結果
                            5.4 本章小結
                          第6章 實驗與討論
                            6.1 實驗平臺
                            6.2 實驗場景
                            6.3 實驗設計
                            6.4 實驗結果分析
                              6.4.1 交通流較大的直道場景
                              6.4.2 曲率較大的彎曲道路場景
                              6.4.4 包含多種交通參與者的場景
                              6.4.3 整體測試結果分析二
                            6.5 本章小結
                          第7章 總結與展望
                            7.1 總結
                            7.2 展望
                          參考文獻
                          致謝

                        (如您需要查看本篇畢業設計全文,請您聯系客服索。

                        相關內容
                        好優論文定制中心主要為您提供代做畢業設計及各專業畢業論文寫作輔導服務。 網站地圖
                        所有論文、資料均源于網上的共享資源以及一些期刊雜志,所有論文僅免費供網友間相互學習交流之用,請特別注意勿做其他非法用途。
                        如有侵犯您的版權或其他有損您利益的行為,請聯系指出,論文定制中心會立即進行改正或刪除有關內容!

                        將微信二維碼保存到相冊

                        打開微信掃一掃從相冊識別

                        1.點擊下面按鈕復制QQ號

                        3008637063

                        2.打開QQ→添加好友/群

                        粘貼QQ號,加我為好友

                        免费看男阳茎进女阳道视频