论文部分内容阅读
近年来,智能驾驶技术在全球范围内都引发了广泛而热烈的关注,而感知技术在其中有着较为重要的地位。高速公路是一种非常典型的行驶场景,具有车速高、场景相对单一的特点,解决高速公路环境下的无人驾驶有重要的现实意义。在高速公路环境下的无人驾驶需要通过感知模块检测到更远距离的动态车辆目标,并且获得周围车辆更为准确的位置速度信息。因此本文针对上述的环境感知需求,采用了激光雷达与毫米波雷达的融合,实现了高速公路环境的车辆检测与跟踪方法。首先,为了获取环境中所有的障碍物信息,需要对激光雷达的点云进行路面分割。一方面获取了环境静态障碍物的信息,另一方面也降低了后续的车辆检测的难度。高速公路高度结构化的特点使得稳定的路面去除更加可行,但仍存在一些难点。由于临检、施工路段的存在,使得结合高精度地图的方式无法时时可靠;常用的基于搜索的障碍物检测方法对于路面检测召回率较高,准确率较低,点的缺失对于后续的车辆检测模块不利;基于拟合的方式如RANSAC速度较慢,同时也有一定局限性。因此,本文结合搜索和拟合方法,提出了基于径向梯度特征点的路面拟合方法来进行路面分割。既能在高速公路各种场景下得到较为鲁棒的效果,又能达到相对较快的计算速度。其次,本文通过基于高效端对端CNN的3D车辆检测网络实现了快速又相对准确的车辆检测。基于深度学习的目标检测方法相比其他方法在准确性上有着较大的优势,但是其中更为准确的二阶段检测网络往往检测速度较慢,不能满足高速公路的感知速度需求。本文通过Focal Loss减小了3D检测中难易样本不均衡,提高了一阶段网络准确性。从而实现了能够相对快速检测,同时准确率也能达到二阶段网络水平的一阶段网络。最后,本文通过基于无迹卡尔曼滤波的状态估计和基于贪心算法的数据关联实现了激光雷达和毫米波雷达检测结果的后融合框架。针对点模型与盒子模型之间融合的差异性,提出了基于特征点的目标中心校正方法,通过基于条件概率的特征点选择,将检测结果与预测包围盒之间的特征点进行相互匹配。从而对检测目标的中心进行校正,有效的提升跟踪结果位置的准确性。综上,本文基于高速公路场景,提出了一种车辆检测、跟踪方法,提升了车辆检测的速度与跟踪的精度。