论文部分内容阅读
自动驾驶已经被公认为未来汽车发展的重要方向之一,自动驾驶技术作为汽车系统技术研究的热点,牵引了车载定位、互联和探测等一大批相关技术的发展。其中,车载毫米波雷达以其全天时、全天候、高集成、高性能和低成本的特性成为了支撑自动驾驶技术的核心传感器。随着近年来人工智能的快速进步,结合人工智能的车载雷达智能化探测为L4乃至L5级的自动驾驶提供了有力支撑,对目标和环境的感知与认识是促进精准探测和优化控制策略的重要技术途径。本文针对车载毫米波雷达环境感知、类型区分、辅助决策等支撑自动驾驶的关键技术问题,开展了基于机器学习的车载环境感知和分类识别技术研究。主要研究工作如下:(1)研究了车载毫米波雷达广泛采用的调频连续波以及MIMO探测机制,研究并分析了MIMO测角原理、调频连续波探测技术和流程,并介绍了原始数据的预处理方法。(2)基于支持向量机方法开展了场景分类识别技术研究。利用不同场景的雷达回波信号的的多个统计量作为分类特征,使用支持向量机对场景进行分类,在较低运算量的前提下可以在测试数据集上达到超过80%的分类正确率。(3)基于神经网络的理论,构建了基于全连接层级联的深度神经网络模型和基于卷积层级联的卷积神经网络模型,二者分别可以在测试集数据上达到94%和96%的分类正确率。针对神经网络提取特征的能力问题,采用无监督的降维算法对提取到的特征进行可视化。最后对卷积神经网络的分类结果进行了决策级的融合,可以将卷积神经网络算法在测试集上的分类正确率提升到98%。以上算法均通过实测数据进行了验证。结果表明,本论文提出的算法能够较好的对车载的环境场景进行分类。未来的自动驾驶技术的发展离不开机器学习的参与,其自学习、自动改进的特性能够帮助车载传感器对已知和未知的环境进行感知,并为自动驾驶的精准决策提供可靠的技术支撑。