摘要
日益严峻的道路安全现状背景下，汽车智能化相关技术快速发展，自动驾驶技术能够有效提升道路行驶安全性，并且极大改善交通通行效率。智能汽车的智能驾驶系统主要由三大功能模块构成：感知、决策以及控制，环境感知是智能驾驶系统架构中最为关键的模块，是自动驾驶进行精准决策与规划的确定性前提条件。可行驶区域检测是环境感知模块中极为重要的一个任务，本文针对目前可行驶区域感知算法相关研究的不足，依托国家重点研发计划项目子课题“整车智能化控制及性能提升技术”对车辆环境感知技术进行延伸研究，基于视觉对结构化道路场景下可行驶区域进行感知算法研究。 本文基于卷积神经网络提出了针对道路动态可行驶路面以及道路静态车道线的轻量级感知算法以实现对于结构化道路可行驶区域的检测，同时通过仿真以及真实场景数据试验对本文算法的有效性和可行性进行了验证分析。本文主要研究内容如下： 针对动态道路可行驶路面，本文基于图像语义分割完成了可行驶区域分割算法开发。通过对可行驶区域检测任务的分析，基于DeepLabv3+模型架构完成了算法开发，使用空洞空间金字塔池化结构以及深度可分离卷积对算法进行结构改进及轻量级优化。相较于主流的高性能语义分割算法，本文算法在不到5%的精度损失下实现了数十倍的速度提升，在BDD100K验证数据集中MIoU指标达到了0.7917，在低算力GPU平台下的推理速度低至6.7ms。 针对结构化道路静态道路车道线，本文基于多任务学习理论完成了车道线检测算法开发。通过对车道线检测需求的分析，并结合现今车道线检测相关算法的不足，本文通过特征网络参数共享实现了车道线定位检测以及属性识别多任务算法开发，为智能驾驶提供结构化道路车道线信息，同时为了提升车道线拟合的准确度，利用RANSAC对车道线感知结果进行优化。相较于常见的车道线检测算法，本文算法在实现车道线精确定位检测的基础上提供了对应车道线的属性信息，实现可行驶区域更加细粒化的检测。 最后，设计仿真试验以及真实场景试验对本文算法进行测试与评价。建立了自车感知平面，基于相机的成像原理通过空间坐标变换实现感知信息在感知平面的表征。在仿真试验方面，在Python/CUDA环境下部署所开发的感知算法，在仿真软件CarMaker中搭建仿真环境，通过TCP/IP实现联合仿真，通过多种道路场景验证本文可行驶区域感知算法。在真实场景试验方面，通过车载相机对城市道路行驶场景进行图像数据采集，在离线环境下对算法进行了验证。试验结果表明本文算法能够实现对于结构化道路可行驶区域的精确感知。 综上，本文基于视觉针对结构化道路可行驶区域进行感知算法研究，提出了可行驶道路分割算法以及车道线检测算法共同实现可行驶区域的感知，为智能驾驶视觉感知技术研究提供参考。
NETL