论文部分内容阅读
无人驾驶指的是智能车在无人干预的情况下,完成自动规划路线、转向角预测和避障等一系列动作,安全行驶至目的地的技术。无人驾驶技术在降低事故率,解放生产力及建造无人化工厂发挥着重要作用。传统的基于规则的无人驾驶技术把系统解耦为多个子模块,由系统统筹各个模块的信息做出决策。与汽车相比,工程机械的无人驾驶工况更恶劣,环境更复杂,且具有不确定性,因此汽车行业的无人驾驶技术不能直接移植到工程机械领域。针对工程机械的工况特点,开发工程机械专用的无人驾驶系统具有重要意义。本文对比了基于规则、强化学习和端到端等三种无人驾驶决策方法,分析了雷达、摄像头、定位系统等常见传感器的优劣势,确定了基于单目相机的端到端的无人驾驶方法。为满足模型需要,提出了一种新型实时语义分割算法,该网络在保证实时性的前提下可以更好的融合空间特征。本文对该网络在CamVid公开数据集上进行了测试,测试结果表明其在性能及实时性上优于ENet和SegNet。本文基于所构建语义分割神经网络搭建了端到端网络模型。为了测试模型效果,缩短开发时间,同时为了实验安全,本文在对比了三种无人驾驶模拟器后选用Udacity self-driving-car-sim模拟器对所构建模型进行了仿真实验。以均方误差和实际驾驶效果对仿真进行了评判。本文所构建的模型在测试数据集上具有较小的均方误差,在实际模拟驾驶过程中,可以较好地完成全程车辆驾驶。仿真表明,本文所构建的模型具有较好的特征提取能力和转向角预测能力。为了验证所构建模型在实车上的效果,本文选择NVIDIA Jetson TX2作为神经网络计算载体,以某电动履带式挖掘机作为试验车,选择校园某四合院内非结构化道路进行了无人驾驶实验。通过测试集均方误差、实时性以及直线行驶、转弯、小角度回正等任务的完成情况对模型效果进行了评判。实验结果表明,本文所提神经网络在测试集上具有较小均方误差,在NVIDIA Jetson TX2中可以达到实时性要求,试验车在非结构化场景中,可以完成直线行驶,转弯任务,在小角度回正中,具有较好的控制特性。