智能车辆是未来车辆发展的重要方向,涉及车辆、计算机、通信等多个领域的关键技术,已经成为汽车领域的研究热门。目前,自主驾驶的智能车辆在感知、决策、规划等方面仍存在许多技术问题,阻碍其产业化落地,本文针对结构化道路场景,基于单目视觉,从他车位姿估计、车道线语义分割、道路场景建模以及运动规划等方面进行研究,主要研究成果如下:(1)基于单目视觉估计他车位姿信息。选取位置信息、尺寸信息和航向角作为他车位姿的描述参数,根据2D边界框和3D包围框的约束关系,基于MobileNetv2神经网络对图像内的车辆进行3D包围框估计,从而获得车辆的位置、姿态和尺寸。对于检测到2D边界框的目标进行回归得到的3D包围框可以很好的表达目标的位置、尺寸和方向,定位误差在15%左右,尺寸误差在5%到10%之间,角度估计误差为12.8%。通过实车实验验证了算法的有效性和精度。(2)车道线检测与道路场景建模。以ResNet101为骨架网络建立网络模型用于提取图像中的车道线特征,在ApolloScape和KITTI数据集上的测试结果均验证了网络模型分割车道线的可靠性和鲁棒性,准确度、meanlou和精确度等评价指标均达到90%以上。设计了 DBSCAN聚类算法和多项式相结合的方法对细化的车道线进行聚类并拟合,进一步提取车道线信息的同时,消除了车道线特征中存在的噪声以及树干阴影对车道线检测带来的干扰。最后,结合车辆位姿信息,通过建立像素权重将车道线信息与车辆位姿信息进行统一,建立道路场景模型,更为直观地反映本车与周围环境的真实距离和相对关系,为基于单目视觉进行道路场景建模研究提供了方法和思路。(3)基于Frenet坐标系的运动规划研究。基于参考路径建立Frenet坐标系,从平顺性、操稳性和舒适性等车辆运动学和动力学方面的约束,设计了横、纵向惩罚函数和总惩罚函数,完成了车辆横、纵向的运动规划并联合获得最终的最优路径。对比引入横、纵向速度和加速度等惩罚项前后,车辆横向速度、横向加速度和航向角变化平稳,消除了纵向速度、加速度突变现象,使得车辆受到的冲击更小,舒适性更好。在实验车辆采集的道路图像所建立的道路场景模型中的运动规划结果,也验证了算法的有效性和精度。