基于智能车辆视觉导航的环境感知技术研究
发布时间：2021-12-16 11:00
随着社会的快速发展和科技的日益进步,智能车辆因其在各个领域均有着重要的使用价值成为了目前研究的热门话题。智能车辆的导航系统从功能结构来看主要包括环境感知、自主定位、路径规划以及决策控制等模块。其中,环境感知技术作为智能车辆的“眼睛”,是目前智能车辆量产和商用化的最大障碍之一,也是其它模块实现的基础和前提。目前,高等级的无人驾驶汽车系统仍然非常依赖于激光雷达等传感器的测量,然而,激光雷达在价格成本,处理算法复杂度等方面限制了智能车辆的发展,所以基于智能车辆视觉导航的环境感知技术近几年发展迅猛。环境感知也被称为环境理解或场景理解,主要包括道路可行驶区域检测、车道线检测、道路场景语义分割、车辆等障碍物检测等内容。本论文深入分析了智能车辆视觉导航环境感知领域中的几项关键技术及其在国内外的研究现状,总结了现阶段环境感知技术研究中存在的不足,在此基础上分别对道路检测算法、车道线检测算法、图像语义分割算法、联合分割与检测算法等关键技术进行了深入研究,提出了多种改善环境感知性能的算法。本文的研究成果对智能车辆的发展及应用具有重要的理论意义和参考价值。本论文主要完成了以下四个方面的工作:（1）深入研究了...
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：133 页
【学位级别】：博士
【部分图文】：
SAE分类标准Figure1.1CriteriaforclassificationofSAE在SAE分类标准中，Level0属于非自动化，即纯人工驾驶，不具备无人驾驶功能，车辆仅在必要的时刻提供安全警告和保护系统的辅助
基于智能车辆视觉导航的环境感知技术研究6卡内基梅隆大学研制的NavLab系列智能车（如图1.2所示）、曾在2007年“DARPAUrbanChallenge”获得冠军的由卡内基梅隆大学与通用汽车公司共同研制的“Boss”自主车（如图1.3所示）、曾在2007年“DARPAUrbanChallenge”获得亚军的由斯坦福大学研制的“Jounior”智能车（如图1.4所示）等。概括来说，卡内基梅隆大学、斯坦福大学以及麻省理工学院等著名高校接连对自动驾驶技术投入的研发，将智能车辆的发展推向了一个高潮。[12]图1.2卡内基梅隆大学NavLab-11自主车Figure1.2NavLab-11autonomousvehiclefromCarnegieMellonUniversity图1.3卡内基梅隆大学Boss自主车Figure1.3BossautonomousvehiclefromCarnegieMellonUniversity
基于智能车辆视觉导航的环境感知技术研究6卡内基梅隆大学研制的NavLab系列智能车（如图1.2所示）、曾在2007年“DARPAUrbanChallenge”获得冠军的由卡内基梅隆大学与通用汽车公司共同研制的“Boss”自主车（如图1.3所示）、曾在2007年“DARPAUrbanChallenge”获得亚军的由斯坦福大学研制的“Jounior”智能车（如图1.4所示）等。概括来说，卡内基梅隆大学、斯坦福大学以及麻省理工学院等著名高校接连对自动驾驶技术投入的研发，将智能车辆的发展推向了一个高潮。[12]图1.2卡内基梅隆大学NavLab-11自主车Figure1.2NavLab-11autonomousvehiclefromCarnegieMellonUniversity图1.3卡内基梅隆大学Boss自主车Figure1.3BossautonomousvehiclefromCarnegieMellonUniversity
【参考文献】：
期刊论文
[1]基于DeepLabV3+与超像素优化的语义分割[J]. 任凤雷,何昕,魏仲慧,吕游,李沐雨. 光学精密工程. 2019(12)
[2]人工智能:下一个数字前沿?[J]. 韩晓涵. 信息安全与通信保密. 2017(07)
[3]图像分割中的超像素方法研究综述[J]. 宋熙煜,周利莉,李中国,陈健,曾磊,闫镔. 中国图象图形学报. 2015(05)
[4]国务院印发《中国制造2025》[J]. 现代企业. 2015(05)
[5]梯度点对约束的结构化车道检测[J]. 王永忠,王晓云,文成林. 中国图象图形学报. 2012(06)
博士论文
[1]基于卷积神经网络的高效语义分割方法研究[D]. 杨威.中国科学院大学(中国科学院光电技术研究所) 2019
[2]无人驾驶车辆自主导航关键技术研究[D]. 贾会群.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]道路交通环境感知及行车风险评价方法研究[D]. 陈松.吉林大学 2019
[4]基于深度学习的自动驾驶单目视觉目标识别技术研究[D]. 陈宇鹏.吉林大学 2019
[5]基于视觉的结构化道路及障碍物检测技术研究[D]. 曲峰.吉林大学 2019
[6]智能车辆同时定位与建图关键技术研究[D]. 刘丹.北京工业大学 2018
[7]弱监督场景语义理解[D]. 赖百胜.浙江大学 2018
[8]基于多源信息融合的智能汽车环境感知技术研究[D]. 孙宁.江苏大学 2018
[9]室外移动机器人的道路场景识别及路径规划研究[D]. 吴宗胜.西安理工大学 2017
[10]无人驾驶车辆环境感知系统关键技术研究[D]. 王俊.中国科学技术大学 2016
硕士论文
[1]智能驾驶中的车道线检测算法研究[D]. 王珍.安徽工程大学 2019
[2]基于视觉的车道线检测技术研究[D]. 李乔伊.北京邮电大学 2019
[3]复杂情况下的道路边缘检测算法研究[D]. 杨刚.北京交通大学 2019
[4]基于深度学习的道路场景目标检测方法研究[D]. 吕致萍.吉林大学 2019
[5]基于卷积神经网络的车道线检测算法研究[D]. 袁枫.北京交通大学 2019
[6]基于深度学习的道路目标检测问题研究[D]. 付琦.北京交通大学 2019
[7]基于图像语义分割的车辆可行驶区域识别方法研究[D]. 王航.华南理工大学 2019
[8]基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究[D]. 韩宜轩.长安大学 2019
[9]基于深度学习的车道线检测技术研究[D]. 高轶康.北京邮电大学 2019
[10]基于随机森林算法的街道场景语义分割[D]. 朱卫.哈尔滨理工大学 2019
本文编号：3538019
【文章来源】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)吉林省
【文章页数】：133 页
【学位级别】：博士
【部分图文】：
SAE分类标准Figure1.1CriteriaforclassificationofSAE在SAE分类标准中，Level0属于非自动化，即纯人工驾驶，不具备无人驾驶功能，车辆仅在必要的时刻提供安全警告和保护系统的辅助
基于智能车辆视觉导航的环境感知技术研究6卡内基梅隆大学研制的NavLab系列智能车（如图1.2所示）、曾在2007年“DARPAUrbanChallenge”获得冠军的由卡内基梅隆大学与通用汽车公司共同研制的“Boss”自主车（如图1.3所示）、曾在2007年“DARPAUrbanChallenge”获得亚军的由斯坦福大学研制的“Jounior”智能车（如图1.4所示）等。概括来说，卡内基梅隆大学、斯坦福大学以及麻省理工学院等著名高校接连对自动驾驶技术投入的研发，将智能车辆的发展推向了一个高潮。[12]图1.2卡内基梅隆大学NavLab-11自主车Figure1.2NavLab-11autonomousvehiclefromCarnegieMellonUniversity图1.3卡内基梅隆大学Boss自主车Figure1.3BossautonomousvehiclefromCarnegieMellonUniversity
基于智能车辆视觉导航的环境感知技术研究6卡内基梅隆大学研制的NavLab系列智能车（如图1.2所示）、曾在2007年“DARPAUrbanChallenge”获得冠军的由卡内基梅隆大学与通用汽车公司共同研制的“Boss”自主车（如图1.3所示）、曾在2007年“DARPAUrbanChallenge”获得亚军的由斯坦福大学研制的“Jounior”智能车（如图1.4所示）等。概括来说，卡内基梅隆大学、斯坦福大学以及麻省理工学院等著名高校接连对自动驾驶技术投入的研发，将智能车辆的发展推向了一个高潮。[12]图1.2卡内基梅隆大学NavLab-11自主车Figure1.2NavLab-11autonomousvehiclefromCarnegieMellonUniversity图1.3卡内基梅隆大学Boss自主车Figure1.3BossautonomousvehiclefromCarnegieMellonUniversity
【参考文献】：
期刊论文
[1]基于DeepLabV3+与超像素优化的语义分割[J]. 任凤雷,何昕,魏仲慧,吕游,李沐雨. 光学精密工程. 2019(12)
[2]人工智能:下一个数字前沿?[J]. 韩晓涵. 信息安全与通信保密. 2017(07)
[3]图像分割中的超像素方法研究综述[J]. 宋熙煜,周利莉,李中国,陈健,曾磊,闫镔. 中国图象图形学报. 2015(05)
[4]国务院印发《中国制造2025》[J]. 现代企业. 2015(05)
[5]梯度点对约束的结构化车道检测[J]. 王永忠,王晓云,文成林. 中国图象图形学报. 2012(06)
博士论文
[1]基于卷积神经网络的高效语义分割方法研究[D]. 杨威.中国科学院大学(中国科学院光电技术研究所) 2019
[2]无人驾驶车辆自主导航关键技术研究[D]. 贾会群.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]道路交通环境感知及行车风险评价方法研究[D]. 陈松.吉林大学 2019
[4]基于深度学习的自动驾驶单目视觉目标识别技术研究[D]. 陈宇鹏.吉林大学 2019
[5]基于视觉的结构化道路及障碍物检测技术研究[D]. 曲峰.吉林大学 2019
[6]智能车辆同时定位与建图关键技术研究[D]. 刘丹.北京工业大学 2018
[7]弱监督场景语义理解[D]. 赖百胜.浙江大学 2018
[8]基于多源信息融合的智能汽车环境感知技术研究[D]. 孙宁.江苏大学 2018
[9]室外移动机器人的道路场景识别及路径规划研究[D]. 吴宗胜.西安理工大学 2017
[10]无人驾驶车辆环境感知系统关键技术研究[D]. 王俊.中国科学技术大学 2016
硕士论文
[1]智能驾驶中的车道线检测算法研究[D]. 王珍.安徽工程大学 2019
[2]基于视觉的车道线检测技术研究[D]. 李乔伊.北京邮电大学 2019
[3]复杂情况下的道路边缘检测算法研究[D]. 杨刚.北京交通大学 2019
[4]基于深度学习的道路场景目标检测方法研究[D]. 吕致萍.吉林大学 2019
[5]基于卷积神经网络的车道线检测算法研究[D]. 袁枫.北京交通大学 2019
[6]基于深度学习的道路目标检测问题研究[D]. 付琦.北京交通大学 2019
[7]基于图像语义分割的车辆可行驶区域识别方法研究[D]. 王航.华南理工大学 2019
[8]基于车辆视觉环境的车道线检测与可行驶区域车辆检测研究[D]. 韩宜轩.长安大学 2019
[9]基于深度学习的车道线检测技术研究[D]. 高轶康.北京邮电大学 2019
[10]基于随机森林算法的街道场景语义分割[D]. 朱卫.哈尔滨理工大学 2019
本文编号：3538019
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3538019.html