新能源汽車與智能網(wǎng)聯(lián)技術(shù) 課件 第3章 環(huán)境感知

新能源汽車與智能網(wǎng)聯(lián)技術(shù)第3章

環(huán)境感知“十四五”時(shí)期國(guó)家重點(diǎn)出版物出版專項(xiàng)規(guī)劃項(xiàng)目新能源與智能網(wǎng)聯(lián)汽車新技術(shù)系列叢書中國(guó)機(jī)械工業(yè)教育協(xié)會(huì)“十四五”普通高等教育規(guī)劃教材課程負(fù)責(zé)人：靳文瑞譚理剛黃晉wrjin@本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.1智能汽車據(jù)公安部統(tǒng)計(jì),截至2021年年底,我國(guó)汽車保有量達(dá)3.02億輛,超過美國(guó)穩(wěn)居世界第一。全國(guó)汽車保有量超過百萬輛的城市數(shù)量達(dá)79個(gè),機(jī)動(dòng)車駕駛?cè)藬?shù)量達(dá)4.81億。同時(shí)我國(guó)近5年每年交通事故死亡人數(shù)均超過6萬人,仍是全球交通事故死亡人數(shù)最多的國(guó)家之一。隨著現(xiàn)代信息技術(shù)和汽車科技的蓬勃發(fā)展,智能汽車逐漸成為全球相關(guān)領(lǐng)域?qū)＜覍W(xué)者的關(guān)注焦點(diǎn)。智能汽車可以根據(jù)實(shí)時(shí)路況輔助甚至完全代替駕駛?cè)送瓿芍饕鸟{駛操縱,逐步成為解決交通安全問題的理想方案。圖片來自于網(wǎng)絡(luò)3.1智能汽車智能汽車通過攝像頭、激光雷達(dá)(LightDetectionAndRanging,LiDAR)和毫米波雷達(dá)(MillimeterWaveRadar)等車載傳感器獲得車輛周圍真實(shí)存在的環(huán)境信息,然后根據(jù)目的地的位置信息規(guī)劃出一條最佳的行駛路徑,通過控制車輛的行駛方向和速度,使車輛能夠按照預(yù)定路線安全可靠地行駛至終點(diǎn)。智能汽車最鮮明的特點(diǎn)是以自動(dòng)駕駛代替了傳統(tǒng)的人工駕駛,從枯燥的駕駛環(huán)境中解放了人類的雙手,有效彌補(bǔ)了駕駛?cè)说哪芰Σ蛔?。《?jié)能與新能源汽車技術(shù)路線圖》一書中智能網(wǎng)聯(lián)汽車(IntelligentandConnected

Vehicle,ICV)是指搭載先進(jìn)的車載傳感器、控制器、執(zhí)行器等裝置,并融合現(xiàn)代通信與網(wǎng)絡(luò)技術(shù),實(shí)現(xiàn)車與X(車、路、人、云等)智能信息交換、共享,具備復(fù)雜環(huán)境感知、智能決策、協(xié)同控制等功能,可實(shí)現(xiàn)安全、高效、舒適、節(jié)能行駛,并最終實(shí)現(xiàn)替代人來操作的新一代汽車。定義3.1智能汽車在《智能汽車創(chuàng)新發(fā)展戰(zhàn)略》一文中智能汽車是指通過搭載先進(jìn)傳感器等裝置,運(yùn)用人工智能等新技術(shù),具有自動(dòng)駕駛功能,逐步成為智能移動(dòng)空間和應(yīng)用終端的新一代汽車。智能汽車通常又稱為智能網(wǎng)聯(lián)汽車、自動(dòng)駕駛汽車等。根據(jù)汽車自動(dòng)化程度的不同,智能汽車可以分成不同的等級(jí)。不同機(jī)構(gòu)對(duì)智能汽車的等級(jí)劃分也不盡相同,美國(guó)國(guó)家高速公路交通安全管理局將智能汽車技術(shù)分成5個(gè)等級(jí)（L0~L4）。分級(jí)美國(guó)汽車工程師學(xué)會(huì)發(fā)布的J3016是另一種比較有代表性的分級(jí)標(biāo)準(zhǔn),對(duì)智能汽車分級(jí)進(jìn)行了細(xì)化的規(guī)定,將

L4級(jí)別細(xì)分為L(zhǎng)4高度自動(dòng)駕駛和L5完全自動(dòng)駕駛兩個(gè)級(jí)別。我國(guó)對(duì)智能汽車的分級(jí)最早出現(xiàn)在《中國(guó)制造2025》重點(diǎn)領(lǐng)域技術(shù)路線圖中,其將智能網(wǎng)聯(lián)汽車分為輔助駕駛(DA)、部分自動(dòng)駕駛(PA)、高度自動(dòng)駕駛(HA)和完全自動(dòng)駕駛(FA)4級(jí)。3.1智能汽車2020年3月,我國(guó)工業(yè)和信息化部頒布了國(guó)家標(biāo)準(zhǔn)GB/T40429—2021《汽車駕駛自動(dòng)化分級(jí)》,這是我國(guó)智能汽車標(biāo)準(zhǔn)體系的基礎(chǔ)類標(biāo)準(zhǔn)之一。該標(biāo)準(zhǔn)按照由低到高的自動(dòng)化等級(jí)將智能汽車分為應(yīng)急輔助、部分駕駛輔助、組合駕駛輔助、有條件自動(dòng)駕駛、高度自動(dòng)駕駛和完全自動(dòng)駕駛6個(gè)級(jí)別。表1汽車駕駛自動(dòng)化分級(jí)標(biāo)準(zhǔn)3.1智能汽車架構(gòu)圖1智能汽車系統(tǒng)架構(gòu)智能汽車是一個(gè)高度智能化的復(fù)雜系統(tǒng),其系統(tǒng)架構(gòu)如圖1所示,它通過智能環(huán)境傳感設(shè)備實(shí)現(xiàn)環(huán)境感知,進(jìn)而進(jìn)行智能決策與智能集成控制。3.1智能汽車環(huán)境感知技術(shù)

利用視覺傳感器、毫米雷達(dá)、激光波雷達(dá)、超聲波雷達(dá)等各種傳感器對(duì)周圍環(huán)境進(jìn)行數(shù)據(jù)采集與信息處理,以獲取當(dāng)前行駛環(huán)境及本車的有關(guān)信息。環(huán)境感知技術(shù)可以為智能汽車提供道路交通環(huán)境、障礙物位置、動(dòng)態(tài)目標(biāo)運(yùn)動(dòng)狀態(tài)、交通信號(hào)標(biāo)志、自身位置等一系列重要信息,是其他功能模塊的基礎(chǔ),是實(shí)現(xiàn)輔助駕駛與自動(dòng)駕駛的前提條件。為實(shí)現(xiàn)對(duì)智能汽車功能性與安全性的全面覆蓋,在感知層需要采用多傳感器數(shù)據(jù)融合技術(shù)。圖2多傳感器數(shù)據(jù)融合3.1智能汽車決策規(guī)劃技術(shù)決策規(guī)劃技術(shù)是智能汽車的控制中樞,相當(dāng)于人類的大腦,其主要作用是依據(jù)感知層處理后的信息以及先驗(yàn)地圖信息,在滿足交通規(guī)則、車輛動(dòng)力學(xué)等車輛行駛約束的前提下,生成一條全局最優(yōu)的車輛運(yùn)動(dòng)軌跡。決策規(guī)劃技術(shù)可以分為全局軌跡規(guī)劃、行駛行為決策和局部軌跡規(guī)劃3個(gè)部分。圖3決策規(guī)劃流程全局軌跡規(guī)劃在已知電子地圖、周圍路網(wǎng)以及宏觀交通信息等先驗(yàn)信息的條件下,得到滿足起始點(diǎn)與目的地之間距離最短、時(shí)間最短或其他優(yōu)化目標(biāo)的最優(yōu)路徑。行駛行為決策的作用是產(chǎn)生一系列的行駛行為來完成全局軌跡規(guī)劃,一般根據(jù)本車周圍道路、交通以及環(huán)境信息等動(dòng)態(tài)地規(guī)劃車輛行駛行為。局部軌跡規(guī)劃的作用是根據(jù)行駛行為決策結(jié)果,綜合考慮影響車輛的各種性能指標(biāo)在秒級(jí)周期內(nèi)策劃出一條最優(yōu)軌跡,包括局部路徑規(guī)劃和局部速度規(guī)劃兩個(gè)部分。3.1智能汽車集成控制技術(shù)集成控制技術(shù)主要通過控制車輛驅(qū)動(dòng)、制動(dòng)轉(zhuǎn)向、換檔等操作,對(duì)決策規(guī)劃層所得到的車輛最優(yōu)軌跡進(jìn)行路徑和速度跟隨,其本質(zhì)是控制車輛的側(cè)向運(yùn)動(dòng)和縱向運(yùn)動(dòng)來減少車輛實(shí)際軌跡和期望軌跡之間的時(shí)間誤差和空間誤差。

圖4集成控制3.1智能汽車測(cè)試評(píng)價(jià)體系測(cè)試評(píng)價(jià)體系對(duì)提高智能汽車研發(fā)效率、健全技術(shù)標(biāo)準(zhǔn)和法律法規(guī)、推進(jìn)產(chǎn)業(yè)創(chuàng)新發(fā)展至關(guān)重要。但智能汽車測(cè)試評(píng)價(jià)對(duì)象已從傳統(tǒng)的人、車二元獨(dú)立系統(tǒng)變?yōu)槿?車-環(huán)境-任務(wù)強(qiáng)耦合系統(tǒng)，測(cè)試場(chǎng)景及測(cè)試任務(wù)難以窮盡,評(píng)價(jià)維度紛繁復(fù)雜,傳統(tǒng)汽車的測(cè)試評(píng)價(jià)體系已經(jīng)不能滿足智能汽車測(cè)試需求。圖5所示為典型的智能汽車測(cè)試評(píng)價(jià)體系,場(chǎng)景數(shù)據(jù)在其中至關(guān)重要。圖5典型的智能汽車測(cè)試評(píng)價(jià)體系本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.2智能感知器感知技術(shù)通常分為兩大類:自主式環(huán)境感知技術(shù)和協(xié)同式環(huán)境感知技術(shù)。目前技術(shù)難點(diǎn)集中在自主式環(huán)境感知技術(shù),利用視覺傳感器(攝像頭)、激光傳感器(激光雷達(dá))以及通信系統(tǒng)感知周圍環(huán)境,識(shí)別周邊物體、規(guī)劃行駛路徑、檢測(cè)駕駛狀態(tài),通過識(shí)別的信息實(shí)現(xiàn)自主避讓,協(xié)助駕駛?cè)税踩{駛或完成自動(dòng)駕駛,提高人們行駛的安全性和乘坐的舒適性,減少環(huán)境擁堵,降低燃油消耗率,降低環(huán)境污染。智能汽車系統(tǒng)的環(huán)境感知通常需要獲取大量信息。目前智能汽車主流的信息收集、處理的感知傳感器包括視覺傳感器、毫米波雷達(dá)、激光雷達(dá)、超聲波雷達(dá)等。3.2智能感知器視覺傳感器視覺傳感器———攝像頭因其具有可識(shí)別整個(gè)視野范圍內(nèi)的像素和顏色、分辨率高、“幀速率”恒定,兩臺(tái)攝像頭便能同時(shí)生成三維立體視圖,且其技術(shù)成熟、費(fèi)用低以及圖像質(zhì)量高等優(yōu)點(diǎn),廣泛應(yīng)用在智能駕駛車輛環(huán)境感知系統(tǒng)中。智能駕駛車輛對(duì)攝像頭識(shí)別出的環(huán)境信息,進(jìn)行技術(shù)處理區(qū)分障礙物的類別,實(shí)現(xiàn)人類的“眼睛”的功能,在汽車領(lǐng)域具有較高的應(yīng)用前景,相對(duì)技術(shù)發(fā)展迅速且具有較高的研究?jī)r(jià)值。如特斯拉智能汽車的自主輔助駕駛技術(shù),以攝像頭為其主要感知傳感器。機(jī)器視覺感知系統(tǒng)是指智能汽車?yán)脭z像頭拍攝車外環(huán)境,根據(jù)搜集到的信息得到反映真實(shí)道路的圖像數(shù)據(jù),然后綜合運(yùn)用各種道路檢測(cè)算法,提取出車道線、道路邊界以及車輛方位信息,判斷汽車是否有駛出車道的危險(xiǎn)。3.2智能感知器毫米波雷達(dá)毫米波雷達(dá)具有全天候、全天時(shí)的工作特性,且探測(cè)距離遠(yuǎn)、精度高,被廣泛應(yīng)用于車載距離探測(cè),如自適應(yīng)巡航、碰撞預(yù)警、盲區(qū)探測(cè)、自動(dòng)緊急制動(dòng)等。毫米波雷達(dá)的工作原理是向道路周圍輻射毫米波信號(hào),通過對(duì)比發(fā)射信號(hào)與接收信號(hào)之間的差別來實(shí)現(xiàn)目標(biāo)距離、速度、角度等信息的檢測(cè)。毫米波是電磁波,雷達(dá)通過發(fā)射無線電信號(hào)并接收反射信號(hào)來測(cè)定車輛與物體間的距離,其頻率通常介于10~300GHz之間。圖6汽車毫米波雷達(dá)的發(fā)展歷程3.2智能感知器與24GHz毫米波雷達(dá)相比,77GHz毫米波雷達(dá)的距離分辨率更高,體積縮小1/3。77GHz毫米波雷達(dá)在探測(cè)精度與距離上均優(yōu)于24GHz毫米波雷達(dá),主要裝配在車輛的前保險(xiǎn)杠上,用來探測(cè)與前車的距離以及前車的速度,主要實(shí)現(xiàn)緊急制動(dòng)、自適應(yīng)巡航、前向碰撞預(yù)警等主動(dòng)安全領(lǐng)域的功能。當(dāng)今使用的毫米波頻段有:24GHz、77GHz、79GHz。毫米波雷達(dá)的測(cè)距和測(cè)速原理都是基于多普勒效應(yīng)。與紅外、激光、電視等光學(xué)導(dǎo)引頭相比,毫米波導(dǎo)引頭穿透霧、煙、灰塵的能力強(qiáng),其抗干擾性能也優(yōu)于其他微波導(dǎo)引頭。車載毫米波雷達(dá)頻率主要分為24GHz頻段和77GHz頻段。毫米波雷達(dá)因其硬件體積較小且不受惡劣天氣影響,被廣泛應(yīng)用于高級(jí)駕駛輔助系統(tǒng)。毫米波雷達(dá)目前大量應(yīng)用于汽車的盲點(diǎn)監(jiān)測(cè)、變道輔助、車道偏離預(yù)警、車道保持輔助、泊車輔助等。3.2智能感知器激光雷達(dá)激光雷達(dá)是一種光學(xué)遙感技術(shù),可以精確、快速獲取地面或大氣三維空間信息的主動(dòng)探測(cè)技術(shù),用于測(cè)量物體距離和表面形狀,其測(cè)量精度可達(dá)厘米級(jí),其應(yīng)用范圍和發(fā)展前景十分廣闊。激光雷達(dá)由發(fā)射系統(tǒng)、接收系統(tǒng)、信息處理3部分組成。

激光器將電脈沖變成光脈沖發(fā)射出去,光接收機(jī)再把從目標(biāo)反射回來的光脈沖還原成電脈沖,最后經(jīng)過一系列算法來得出目標(biāo)位置(距離和角度)、運(yùn)動(dòng)狀態(tài)(速度、振動(dòng)和姿態(tài))和形狀,可以探測(cè)、識(shí)別、分辨和跟蹤目標(biāo)。激光雷達(dá)具有解析度高、測(cè)距精度高、抗有源干擾能力強(qiáng)、探測(cè)性能好、獲取的信息量豐富、不受光線影響以及測(cè)速范圍大等優(yōu)點(diǎn)。激光雷達(dá)在智能網(wǎng)聯(lián)汽車中有多種應(yīng)用,主要有面向高精地圖的繪制、基于點(diǎn)云的定位以及障礙物檢測(cè)等。3.2智能感知器激光雷達(dá)還可以聯(lián)合全球?qū)Ш叫l(wèi)星系統(tǒng)(GlobalNavigationSateliteSystem,GNSS)/慣性測(cè)量單元(InertialMeasurementUnit,IMU)與高精度地圖等手段進(jìn)行加強(qiáng)定位,一方面通過GNSS得到初始位置信息,再通過IMU和車輛的編碼器(Encoder)配合得到車輛的初始位置;另一方面,將激光雷達(dá)的3D點(diǎn)云數(shù)據(jù)包括幾何信息和語義信息進(jìn)行特征提取,并結(jié)合車輛初始位置進(jìn)行空間變化,獲取基于全局坐標(biāo)系下的矢量特征。在智能網(wǎng)聯(lián)汽車的行駛過程中,激光雷達(dá)同時(shí)以一定的角速度勻速轉(zhuǎn)動(dòng),并在轉(zhuǎn)動(dòng)過程中不斷發(fā)出激光并收集反射點(diǎn)信息,以便得到全方位的環(huán)境信息。3.2智能感知器超聲波雷達(dá)超聲波雷達(dá)(UltraSonicRadar)的工作原理是通過超聲波發(fā)射裝置向外發(fā)出超聲波,通過接收器接收到超聲波的時(shí)間來測(cè)算距離。超聲波雷達(dá)常用探頭的工作頻率有40kHz、48kHz和58kHz。一般來說,頻率越高,靈敏度越高,但水平與垂直方向的探測(cè)角度越小,故一般采用40kHz的探頭。超聲波雷達(dá)防水、防塵,即使有少量的泥沙遮擋也不影響其工作。它的探測(cè)范圍在0.1~3m,而且精度較高,因此非常適合應(yīng)用于泊車。車載超聲波雷達(dá)一般安裝在汽車的保險(xiǎn)杠上方,隱藏在保險(xiǎn)杠的某個(gè)位置。常見的超聲波雷達(dá)有兩種:第一種是安裝在汽車前后保險(xiǎn)杠上的倒車?yán)走_(dá),稱為超聲波駐車輔助傳感器;第二種安裝在汽車側(cè)面,稱為自動(dòng)泊車輔助傳感器。3.2智能感知器超聲波雷達(dá)的不足之處有：超聲波的傳輸速度很容易受天氣情況的影響,尤其是超聲波有較強(qiáng)的溫度敏感性,在不同的溫度下,傳輸速度不同。超聲波傳播速度與環(huán)境溫度T近似成正相關(guān)關(guān)系。因此相對(duì)位置相同的障礙物,在不同溫度的場(chǎng)景下,測(cè)量的距離數(shù)據(jù)不同。對(duì)傳感器精度要求極高的智能網(wǎng)聯(lián)系統(tǒng)來說,有必要將溫度信息引入智能網(wǎng)聯(lián)系統(tǒng),從而提升超聲波雷達(dá)的測(cè)量精度。由于相比于光與電磁波,超聲波的傳播速度較慢,當(dāng)汽車高速行駛時(shí),超聲波測(cè)距無法跟上汽車的車距實(shí)時(shí)變化。因此超聲波雷達(dá)在速度很高的情況下測(cè)距離,誤差較大。超聲波散射角大、方向性較差,在測(cè)量較遠(yuǎn)距離的目標(biāo)時(shí),其回波信號(hào)會(huì)比較弱,影響測(cè)量精度。但是在短距離測(cè)量中,超聲波測(cè)距傳感器具有非常大的優(yōu)勢(shì)。3.2智能感知器幾種感知傳感器優(yōu)缺點(diǎn)對(duì)比表2幾種感知傳感器優(yōu)缺點(diǎn)對(duì)比本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.3車道線感知識(shí)別霍夫變換霍夫變換(Houghtransform)由保羅·霍夫(PaulHough)于1962年提出,目的是找到帶有噪聲的圖片中的直線。其基本原理是建立映射:直線參數(shù)方程xcosθ0+ysinθ0=ρ0,對(duì)應(yīng)霍夫空間一個(gè)點(diǎn)(ρ0,θ0)。如下圖：圖7霍夫變換參數(shù)空間轉(zhuǎn)化3.3車道線感知識(shí)別對(duì)于任意Oxy坐標(biāo)系下的點(diǎn),將經(jīng)過此點(diǎn)的所有直線都對(duì)應(yīng)到霍夫空間,每條直線都將對(duì)應(yīng)到一個(gè)點(diǎn),因此可得到一條曲線。Oxy坐標(biāo)系下的一組點(diǎn),將在霍夫空間內(nèi)得到數(shù)條曲線,若這些點(diǎn)在Oxy坐標(biāo)系下共線,那么這些霍夫空間內(nèi)的曲線就交于一點(diǎn),如下圖所示。圖8多個(gè)數(shù)據(jù)點(diǎn)在霍夫空間中的投票示例3.3車道線感知識(shí)別具體操作步驟如下:1)將特征提取中得到的像素點(diǎn)都通過此方法轉(zhuǎn)移到霍夫空間中,得到大量曲線。2)對(duì)這些曲線進(jìn)行投票,多條曲線相交處的參數(shù)(ρ0,θ0)即為直線方程參數(shù)。車道線感知車道線檢測(cè)算法模型有直線模型與曲線模型。一般近視場(chǎng)的車道線用直線模型檢測(cè)的效果較好；而在彎道工況下采用直線模型的檢測(cè)算法不如曲線模型的擬合效果好。因此采用直線和雙曲線的混合模型的車道線檢測(cè)方法是一種比較好的算法,結(jié)合了直線模型和雙曲線模型的優(yōu)點(diǎn),使其無論在近視場(chǎng)還是在彎道工況下都能取得較好的擬合效果。3.3車道線感知識(shí)別圖9車道線檢測(cè)算法流程雙曲線模型算法模型直線模型算法模型3.3車道線感知識(shí)別圖像處理采用Python語言環(huán)境,主要利用OpenCV庫(kù)強(qiáng)大的圖像處理工具以及內(nèi)置的霍夫變換工具實(shí)現(xiàn)。由霍夫變換原理可知,需要將收集的圖像處理成只含有大量的車道線上的點(diǎn)的圖像,才可以很好地識(shí)別出車道線。在圖像處理方面,首先對(duì)收集的圖像進(jìn)行灰度化、模糊化,并采用了OpenCV內(nèi)置的Canny算子進(jìn)行邊緣檢測(cè),提取出圖像的邊緣點(diǎn)集。該算法模型僅適用于近視場(chǎng)車道線檢測(cè),因此在輸入霍夫變換工具接口的圖像還需要將近視場(chǎng)可能出現(xiàn)車道線的區(qū)域進(jìn)行提取作為感興趣區(qū)域(RegionofInterest,ROI)。最后將選定的ROI輸入霍夫變換工具接口即可實(shí)現(xiàn)車道線的檢測(cè)。3.3車道線感知識(shí)別原圖像識(shí)別后圖10識(shí)別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.4YOLO算法識(shí)別路況信息YOLO(YouLookOnlyOnce)算法是一種利用卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeural

Networks,CNN)的圖像識(shí)別目標(biāo)檢測(cè)算法。卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)(Feedforward

NeuralNetworks),是深度學(xué)習(xí)(DeepLearning)的代表算法之一。卷積神經(jīng)網(wǎng)絡(luò)具有表征學(xué)習(xí)能力,能夠按其階層結(jié)構(gòu)對(duì)輸入信息進(jìn)行平移不變分類,因此也被稱為“平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)(Shift-InvariantArtificialNeuralNetworks,SIANN)”。卷積神經(jīng)網(wǎng)絡(luò)原理卷積神經(jīng)網(wǎng)絡(luò)是一種深度學(xué)習(xí)算法,它需要大量的訓(xùn)練集才能擬合出較好的權(quán)重結(jié)果。一般而言,卷積神經(jīng)網(wǎng)絡(luò)的模型分為輸入層、卷積層、池化層以及全連接層等多個(gè)部分。3.4YOLO算法識(shí)別路況信息卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)輸入層即輸入至卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)層。通常輸入計(jì)算機(jī)中的圖像是一個(gè)長(zhǎng)×寬×n的矩陣,其中n代表圖像每個(gè)像素點(diǎn)的n維信息,這里采用的是每個(gè)像素點(diǎn)的H(色調(diào))、S(飽和度)、V(明度)三維信息。卷積層是卷積神經(jīng)網(wǎng)絡(luò)比較核心的地方,是擬合權(quán)重的結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)擬合結(jié)果的權(quán)重稱為卷積核,卷積核能起到識(shí)別輸入層或激活圖像中特征圖像的作用。

池化層一般出現(xiàn)在卷積層之后,其目的是降維壓縮,加快運(yùn)算速度,除此之外,它能保留主要特征的同時(shí)減少參數(shù)和計(jì)算量,起到防止過擬合的作用。全連接層是每一個(gè)結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連,用來把前邊提取到的特征綜合起來,根據(jù)不同的用途,輸出為想要的結(jié)果。3.4YOLO算法識(shí)別路況信息YOLOv2算法識(shí)別YOLO用整個(gè)圖片的特征來預(yù)測(cè)每一個(gè)邊界框。它還同時(shí)預(yù)測(cè)一個(gè)圖像在所有類中的所有邊界框。YOLO先把整個(gè)圖片劃分成S×S個(gè)方格,如果一個(gè)物體的中心正好落在一個(gè)方格中,那么這個(gè)方格就負(fù)責(zé)來預(yù)測(cè)物體。圖11YOLOv2算法識(shí)別效果本章內(nèi)容3.1智能汽車3.2感知傳感器3.3車道線感知識(shí)別3.4YOLO算法識(shí)別路況信息3.5多傳感器數(shù)據(jù)融合3.5多傳感器數(shù)據(jù)融合多傳感器數(shù)據(jù)融合是20世紀(jì)80年代出現(xiàn)的一門新興學(xué)科,它是將不同傳感器對(duì)某一目標(biāo)或環(huán)境特征描述的信息,綜合成統(tǒng)一的特征表達(dá)信息的過程。數(shù)據(jù)融合需要借助融合算法,融合算法可分為隨機(jī)類和人工智能類兩大類,隨機(jī)類多傳感器數(shù)據(jù)融合方法主要有:貝葉斯推理、D-S證據(jù)理論、最大似然估計(jì)、綜合平均法、最優(yōu)估計(jì)、卡爾曼濾波、魯棒估計(jì)等估計(jì)理論。從最小二乘法入手,主要闡釋卡爾曼濾波方