该研究探讨了无人驾驶汽车获取环境信息以及制定运动决策的方法。

简介：
随着汽车保有量的持续增长，越来越多的道路交通事故给社会和民众带来了巨大的损失。其中，汽车驾驶员的危险驾驶行为是导致道路交通事故频频发生的关键因素。无人驾驶汽车凭借其无需人类驾驶员进行操控的独特优势，展现出广阔的应用前景。在无人驾驶汽车行驶过程中，实时、可靠地提取行驶环境信息，并在此基础上做出合理的运动决策，是实现其安全、高效自主驾驶的关键挑战，也是该领域研究的难点和热点。本研究依托国家自然科学基金重大研究计划项目（90920305）“无人驾驶车辆智能测试环境研究与开发”和中央高校基金创新团队项目（CHD2011TD006）“基于视觉信息的无人驾驶智能车辆关键技术研究”，深入开展了无人驾驶汽车环境信息提取及运动决策方法的探索，旨在推动无人驾驶汽车安全、高效、智能地运行。本文的研究内容主要包括以下几个方面：(1) 视觉图像数据采集模型的构建与预处理优化研究。基于无人驾驶汽车坐标系作为约束条件，构建了视觉图像数据采集模型；同时，针对图像采集质量容易受到行驶环境影响而导致特征提取困难的问题，对多尺度Retinex图像增强算法以及传统中值滤波算法进行了改进优化，并进行了静态离线对比试验以评估其性能。(2) 针对复杂道路环境下车道线检测算法的鲁棒性不足问题，提出了一种面向图像像素点的改进道路图像分割方法，旨在深度挖掘车道线轮廓信息；在此基础上，进一步提出了结合抽样行双向扫描和成像模型约束候选特征点的车道线检测优化算法。为了实现车道线检测与跟踪模块的有效切换机制，建立了置信度判别模块和失效判别模块。(3) 为了解决非结构化道路边界检测效率与鲁棒性之间难以平衡的问题，提出了一种基于置信概率的分块分类方法来提取道路边界的特征点；在此基础上运用改进的最小二乘法完成了非结构化道路模型参数的求解工作，并通过静态离线对比试验验证了方法的有效性。(4) 考虑到无人驾驶汽车对前方车辆识别定位准确性及稳定性要求极高的问题, 提出了一种融合视觉传感器和64线三维激光雷达信息的方案进行前方车辆识别算法设计。通过融合64线三维激光雷达提取的障碍物位置信息来确定图像中前方车辆感兴趣区域；利用类Haar-HOG融合特征作为目标车辆描述方法, 并采用AdaBoost算法离线训练得到的级联分类器来进行前方车辆辨识；针对因遮挡问题未被识别出前方车辆感兴趣区域的情况, 提出了一种基于激光雷达坐标系下位置关系信息的再确认方法。(5) 本文还深入研究了无人驾驶汽车运动决策建模方法。在以宏观行驶规划为前提的前提下, 结合环境信息提取结果以及无人驾驶汽车自身的运动状态, 对其在微观动态交通环境中运行的两类基本运动模式进行了深入分析和研究, 设计了无人驾驶汽车运动模式的决策条件及对应的目标量; 基于此, 构建了基于决策树的运动决策模型; 最后, 通过构建微观动态交通仿真环境对其进行合理性验证。(6) 此外, 还搭建了一个基于上位机组件的无人驾驶汽车平台, 并对其广义视觉传感系统参数进行了精确标定; 在此基础上进行了道路试验, 以验证论文提出的环境信息提取方法的有效性和运动决策模型的合理性。