论文部分内容阅读
目前,城市道路环境下无人驾驶汽车技术得到较多地关注且取得很多卓越成果,但野外道路环境下无人驾驶技术则仍存在较多挑战。如何在复杂多变的野外道路环境下实现对车辆周围环境的高效准确感知是实现野外无人驾驶的关键技术之一。本文重点研究利用卷积神经网络实现野外道路环境中无人移动平台的自主感知。本文的研究工作主要分为三个部分:基于分类网络的野外道路环境感知技术、基于语义分割网络的野外道路环境感知技术以及基于卷积神经网络的整车实验。主要完成的内容有:本文将无行人的野外道路环境感知简化为一个分类问题,使用一个分类网络对无行人的野外道路环境进行粗糙地感知。本文改进了ShuffleNetV2网络中的骨干网络,提出一种FSNet轻量化的分类网络。FSNet网络的准确率为97.28%,单张图像的处理时间为5.94ms,比ShuffleNetV2网络提升了49.5%。有行人的野外道路环境感知任务相对复杂,本文使用语义分割网络对无人移动平台前方道路环境进行像素级的分割。语义分割网络在野外道路环境感知任务中泛化性差且易存在误识别的问题,本文提出的DGNet语义分割网络可以很好地解决这些问题。DGNet网络是在DeepLabV3网络的基础上构建的,在多个网络层使用分组的空洞空间金字塔结构,网络的上采样部分使用DupSampling上采样方法。DGNet网络拥有比DeepLabV3网络更出色的网络性能,DGNet网络的MIoU为0.856,单张图像处理时间仅为15ms。同时,本文自行采集野外道路环境的图像,制作了一个大规模的语义分割数据集。本文将FSNet网络和DGNet网络部署到无人移动平台上,用于感知无人移动平台前方道路的环境。与此同时,构建基于FSNet网络和基于DGNet网络的控制器,用于指导无人移动平台的直行阶段自主行驶和动态避障。实验表明,基于卷积神经网络的感知系统可以快速准确的对不同的野外道路环境进行感知,在极少人为干预的情况下实现无人移动平台的直行阶段自主行驶以及动态避障。该论文含有图47幅,表12个,参考文献65篇。