无人巴哈赛车总体设计开题报告

全文总字数：13853字

1. 研究目的与意义（文献综述）

随着5g，slam技术的掘起各大公司如int ，google，ford等的大力投资，无人驾驶时代必将到来，他将给我们带来更加方便，轻松的出行方式，解放驾驶员的身心，而baja作为一种全地形的越野车必将与无人驾驶技术结合，产生奇妙的化学反应，也将给无人驾驶技术带来新的挑战，同样也将带来新的机遇，本文主要讨论无人驾驶技术在信息感知，控制执行等环节对无人巴哈的技术要求和讨论。立足与本校的无人巴哈赛车项目，运用现有的能力将这其整合和创新。

无人巴哈车作为无人汽车的新的领域充满着新的挑战和机遇，它对无人技术提出了更高的要求，面对更加恶劣的环境和复杂路况,如何画出自己的车道线，他需要更精确的识别系统和信息管理系统和障碍物路面规划能力，而本次我们将在我校巴哈赛车上经行无人驾驶系统的集成，以及寻迹和环境处理等方面的研究讨论。 不仅可以为本校的巴哈赛车项目做出一定的改进也将对无人汽车项目提供一些建议。 对于个人来说对于无人巴哈车德研究不但可以增进我个人的能力，进一步了解巴哈车和无人技术，掌握一定的关于计算机视觉，自学习，拓扑学，惯性导航，控制算法等的知识和操作能力。这也可能成为我未来的一个发展方向，为无人驾驶技术尽一份力。在可预见的将来我们必定会开发出成熟的无人驾驶技术，到那时无人汽车的数量将像现状代步车数量一样庞大，这是一个非常大的市场，但在那之前，我们必须完成一套成熟有效的无人汽车系统，降低故障率，开发出适应各种地形和突发状况的无人驾驶汽车。国内外关于无人汽车的研究在这10年里都有着突飞猛进的跨越，在军事领域无人战车已经出现在了战场前线，俄国的天王星9，英国的独角兽，美国著名的魔爪作战平台，他们已经在战场中扮演这物资运输，火力侦测，活力支援等一系列军事活动，这些无人武器作战平台，对于无人巴哈赛车也有一定的借鉴意义，在商业方面，几乎全世界的商业巨头，都把目光聚焦到无人智能汽车的研发上，把无人智能汽车的研发项目砸成独角兽。在中国政府更是投入巨资在电车和智能汽车的研发上希望能以此实现弯道超车，实现打破西方汽车领域长期领先的局面。最后我希望通过此次毕业论文给自己的大学生活画上一个圆满的句号。

2. 研究的基本内容与方案

确定无人汽车方面的法律法条和巴哈赛车的基本参数，学习和分析自己关于无人驾驶系统的相关技术和内容，确定无人巴哈赛车所需要的软件和硬件，规划无人驾驶汽车的感知规划和控制三个部分，运用cad系统对巴哈赛车经行改装，(可参考Apollo汽车的无人汽车设计)既radar， lidar ，pc，等的安装部位并确定故障标准。软件方面，理解高精地图HD MAP,定位系统，以及假设没有道路，如何确定行使的最优路径，而后明确环境感知和障碍物路面规划的能力。 既先确定高精地图的算法，再确定路径规划，图像和路面坐标的映射，车辆控制的算法，巴哈汽车对雷达，激光雷达的要求和装配部位和建模分析。本次通过我们学习的已有知识和能力对感知系统，目标检测的编程，无人车定位的编程，最后完成预测系统路径规划，控制理论的编写，再根据巴哈车的基础数据，建模巴哈车，雷达，激光雷达的建模，运用cad经行无人巴哈车的建模，完成项目。

3. 研究计划与安排

1.一至三周完成开题报告

2第四到第五周，无人驾驶车辆硬件系统的设计环境感知设计，无线通信系统，控制系统的装置的确定和安装部位的确定

3第六至第七周关键技术视觉感知技术，道路识别，障碍识别与规避，车辆的控制大致算法的确定和分析

4. 参考文献（12篇以上）

1.黄玲，张荣辉，吴建平，郭亨聪人机混驾环境下基于lstm的无人驾驶车辆换道行为模型[j].中国公路学报：2020.2.17

道路系统中的人机混驾交通环境，是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。本文基于深度学习理论，构建了人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（long-short-term-memory-based autonomous vehicles lane changing, lstm-lc）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行了分析；同时，为了提升模型的迁移性，引入了道路横向偏移量信息。结合lstm神经网络的输入要求，使用美国公开交通数据集next generation simulation （ngsim） ，构建换道行为样本库。针对lstm-lc模型，本文以均方差mse作为损失函数，使用rmsprop优化方法进行了训练，对lstm网络结构、历史序列长度n及训练样本量三个重要参数进行标定。最后，针对道路横向偏移量m对lstm-lc模型性能的影响进行了对比实验。实验研究的结果显示：（1）较gru-lc模型，lstm-lc模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；（2）gru-lc模型的均方差为4.64m²，迁移性均方差为119.82m²，而lstm-lc模型的均方差为3.18m²，迁移性均方差为79.58m²，分别优化了31.5%和39.71%；（3）通过引入道路横向偏移量m，对lstm-lc模型精度和迁移性有约10%的性能提升，且模型稳定性更强

2.陈毅,张帅,汪贵平 基于激光雷达和摄像头信息融合的车辆检测算法[j].机械与电子:2020第一期

针对摄像头在无人20驾驶系统车辆检测中易受环境干扰的问题,通过激光雷达数据和摄像头图像进行融合,提出了一种强鲁棒性实时车辆检测算法。首先,将三维激光雷达点云通过深度补全方法转换为和图像具有相同分辨率的二维密集深度图。然后将彩色图像和密集深度图分别通过yolov3实时目标检测框架得到各自的车辆检测信息。最后,提出了决策级融合方法将两者的检测结果进行融合,得到了最终的车辆检测结果。在kitti数据集上对算法进行评估,实验结果表明该算法完全满足无人驾驶车辆所需的强鲁棒性、强实时性和高检测精度的要求。

整个系统由３部分组成，分别为深度补全、车辆 检测和决策级融合。首先通过摄像头与激光雷达联合标定，将激光 雷达三维点云转换为稀疏二维深度图，再通过深度 补全将其补全为密集深度图，使激光点云数据和图 像具有相同的分辨率，并且在空间、时间上彼此对 齐。而后将彩色图像和激光雷达密集深度图分别 输入 ＹＯＬＯｖ３检测框架，得到各自检测车辆的边界 框和置信度。最后通过边界框融合和改进的 ＤＳ证 据理论得到最终检测结果。