• 自動駕駛的論文(自動駕駛的論文怎么寫)

    自動駕駛 765
    本篇文章給大家談談自動駕駛的論文,以及自動駕駛的論文怎么寫對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。 本文目錄一覽: 1、沈雨嬌寫的論文有哪些 2、

    本篇文章給大家談談自動駕駛的論文,以及自動駕駛的論文怎么寫對應的知識點,希望對各位有所幫助,不要忘了收藏本站喔。

    本文目錄一覽:

    沈雨嬌寫的論文有哪些

    沈雨嬌寫的論文有攆爐膠,春夜喜雨等論文。沈雨嬌的很多偏關于社會學的論文,發表在人才雜志上,引起很大反向。

    自動駕駛汽車侵權責任的論文屬于什么研究方向

    人工智能、視覺計算、雷達、監控裝置和全球定位系統研究方向。

    1)駕駛輔助系統(DAS):目的是為駕駛者提供協助,包括提供重要或有益的駕駛相關信息,以及在形勢開始變得危急的時候發出明確而簡潔的警告。如車道偏離警告(LDW)系統等。

    2)部分自動化系統:在駕駛者收到警告卻未能及時采取相應行動時能夠自動進行干預的系統,如自動緊急制動(AEB)系統和應急車道輔助(ELA)系統等。

    3)高度自動化系統:能夠在或長或短的時間段內代替駕駛者承擔操控車輛的職責,但是仍需駕駛者對駕駛活動進行監控的系統。

    4)完全自動化系統:可無人駕駛車輛、允許車內所有乘員從事其他活動且無需進行監控的系統。這種自動化水平允許乘從事計算機工作、休息和睡眠以及其他*** 等活動。

    無人駕駛技術的發展與現狀論文

    現在很多品牌的汽車都可以實現自動駕駛,未來的汽車一定是無人駕駛的。特斯拉、寶馬、奔馳等品牌的汽車已經能夠實現無人駕駛,這主要依靠攝像頭、傳感器、gps定位系統和電子控制系統。許多汽車帶著l2級自動駕駛離開工廠。在一些特殊情況下,汽車可以自動行駛,而無需車主控制汽車。還有很多車有自動泊車功能,類似于無人駕駛功能。停車時,車主只需換擋?,F在也有很多公司涉足無人駕駛技術領域。隨著工程師們突破一個又一個難關,無人駕駛的時代總有一天會到來。無人駕駛可以避免人為的不正確操作,響應速度和準確率都比人高,因此無人駕駛技術可以避免交通事故的發生概率。雖然目前的無人駕駛技術偶爾會引發事故,但隨著科技的發展,無人駕駛技術也在不斷進步。未來,無人駕駛技術肯定可以避免事故,甚至在關鍵時刻挽救車內成員的生命。

    論文汽車智能化的利與弊

    “隨著汽車電子技術的飛速發展,汽車智能化技術正在逐步得到應用。汽車智能化技術使汽車的操縱越來越簡單,動力性和經濟性越來越高,行駛安全性越來越好,這是未來汽車發展的趨勢。目前正逐步應用于汽車的智能控制技術主要有以下幾種 :”

    車輛動力學控制

    車輛動力學控制(Vehicle Dynamics Cotrol)的縮寫是VDC,該系統的作用是保持汽車在行駛(包括制動和驅動)時的穩定性。傳統的ABS(防抱死制動系統)和TCS(牽引控制系統)主要是對車輪上的制動力和驅動力進行控制,防止車輪出現過大的縱向滑移率,以獲得最大的附著力,既可產生最大的減(加)速度,又可防止出現側滑。

    車輛動力學控制系統雖然也是控制車輪的制動力與驅

    動力,但它們與ABS/TCS有很大的不同,其主要表現是可實現左右縱向力的差動控制,以直接對汽車提供橫擺力矩,抵消汽車的不穩定運動(如在滑路上甩尾時的矯正作用)。該系統通過在汽車上安裝的各種傳感器,檢測到汽車的速度、角速度、轉向盤轉角以及其它的汽車運動姿態,根據需要主動地對某側車輪進行制動,來改變汽車的運動狀態,使汽車達到最佳的行駛狀態和操縱性能,增加了車輪的附著性和汽車的操縱性和穩定性。

    智能速度控制系統 汽車智能速度控制系統的功用是在某些特殊路段或特殊行駛條件下對車速進行強制限制。汽車智能速度控制系統主要由電子控制單元和執行器組成。該控制系統工作時,需首先設定限制速度。例如某區域的限速為80km/h,我們可以將該速度設定為限速值。當車速未達到80km/h時,汽車智能速度控制系統不起作用。當車速接近80km/h時,電子控制單元啟動

    執行器,限制加速踏板的行程,使汽車不能繼續加速。當車速低于80km/h時,電子控制單元解除對執行器的控制,駕駛員又可以自由地踏下加速踏板使汽車加速。

    智能速度控制系統限速值的設定,可以用選擇開關設定,也可以通過接受無線信號設定(即接收道路速度無線信號切換或電子地圖信號切換) :可以只設定一個值,也可以根據不同的路況,有多個擋位供設定。

    智能速度控制系統為智能化交通奠定了基礎。例如在高速公路上設置限速無線信號發射系統,交通管理部門就可以根據氣候條件和路面情況及時調整限制車速,讓道路更加安全暢通。

    智能輪胎

    汽車智能輪胎的功能是在汽車正常行駛時,當溫度過高或輪胎氣壓太低時,及時向駕駛員發出警報,以防止發生事故 ;或使輪胎在不同行駛條件下保持最佳運行狀況,提高安全系數。智能輪胎一般都是通過在外胎內嵌入特殊的帶有計算機芯片的傳感器而獲得智能的。傳感器由車內的收發器控制,收發器利用無線電天線將無線電訊號發射至傳感器芯片,傳感器芯片再將承載著溫度和壓力數據的電子信號發射至車內的收發器,收發器接收到該信號后便可取得溫度和壓力等數據,若出現異常情況能及時報警。

    更為先進的智能輪胎還能感知光滑的冰面,探測出結冰路面后而使輪胎自動變軟,增大輪胎與路面的附著力;在探測出路面潮濕后,甚至還能自動改變輪胎的花紋,以防打滑。

    智能玻璃

    智能化汽車玻璃有許多種類 :包括防光防雨玻璃、電熱融雪玻璃、影像顯示玻璃、防碎裂安全玻璃、調光玻璃,以及光電遮陽頂篷玻璃等。防光防雨玻璃采用新材料及新表面處理方法制造,雨水落到玻璃上會很快流走且不留水珠,無需刮水器刮水。玻璃內表面反射性低,儀表板及其它飾物不會反射到風擋玻璃上,駕駛員視線不受干擾。具有影像顯示功能的玻璃,是在風擋玻璃

    上的某一部分涂上透明反射膜,在膜片上可根據需要顯示從投影儀傳來的儀表板上的圖像和數據,便于駕駛員觀察,駕駛員在行車時勿需低頭察看儀表。影像顯示智能玻璃如果與紅外線影像顯示系統配合,可使駕駛員在霧天看清前方2km左右的物體。光電遮陽頂篷玻璃則是在轎車行駛或停車時,能自動吸收、積聚、利用太陽能來驅動車內風扇,還可對轎車蓄電池進行連續補充充電。

    智能安全氣囊

    汽車智能安全氣囊是在普通安全氣囊的基礎上增加某些傳感器,并改進安全氣囊電子控制單元的程序實現。增加的乘員質量傳感器能感知座位上的乘員是大人還是兒童;紅外線傳感器能探測出座椅上是人還是物體;超聲波傳感器能探明乘員的存在和位置等。安全氣囊電子控

    制單元則能根據乘員的身高、體重、所處的位置、是否系安全帶以及汽車碰撞速度及碰撞程度等,及時調整氣囊的膨脹時機、膨脹方向、膨脹速度及膨脹程度,以便安全氣囊對乘客提供最合理和最有效的保護。

    --------------------------------------------------------------------

    汽車制造商心目中的未來汽車將是一種能自動駕駛的汽車,它能指導駕駛者避開交通擁擠路段和出事地段,同時提供豐富的網上住處和*** 。美國加州國際汽車經濟研究所的調查報告指出,下一個汽車銷售階段將從智能化汽車開始。智能化汽車應擁有以下主要功能。

    夜視功能:這種技術源于軍用裝備,20世紀80年代中期出現,至少已有10年以上的實際應用歷史。車上裝有一個紅外線攝像機,可幫助駕駛員看清在車前燈光線照射范圍外的物

    體,該裝置以汽車、動物、行人所發出的熱量為電腦識別的信號。

    音控技術:可以讓駕駛員對汽車發出語音指令,控制車內的收音機、電話和車內溫度。聲控技術將成為接入網絡和其他各種自動服務的關鍵。

    衛星電話系統:駕駛員按一個鍵,就可以同他人通話。這一系統主要用于緊急救援服務。它與現在的導航系統的差別是,可以通過一個車內手機連接到達4小時報務中心,由于有全球定位系統的輔助,接線員知道你目前所處的確切位置。據統計,該系統將成為汽車的標準設備。

    可高速踏板:駕車者可根據自己的身高和最合適的坐姿來高速腳控踏板。福特汽車公司今年已經開始在幾種車型中提供可高速踏板。

    車上網絡系統:截至今年4月,至少有6家汽車制造商向市場提供可在車上上網的配套裝置。通用公司已經在車上試用其Onstar系統,只要按一個鍵,說一聲Onstar(啟動),系統便將一個手機撥號連接到服務器上。然后你可以用語音指令要求播放天氣預報、新聞、體育和交通狀況,或者發電子郵件。更令駕駛員高興的是,由于網絡家電的大量普及,你可在車上指示家中的微波爐開始工作,一回到家便可飽餐一頓。

    自動車門:如果你丟了鑰匙,沒關系,鑰匙也許很快就會過時。梅塞德斯公司正在開發一種電子開鎖系統,能夠在車主靠近車門的時候,自動辨認對方。車主只要隨身攜帶一張電子裝置,將這一系統激活即可,當車主接觸把手時,門可以自動開鎖。

    自動導航:當你長途開車和外出旅行時,不必擔心方向和路徑,預先輸入的指令將保證車子按最佳路線行駛。該系統還通過雷達使汽車同前面的車輛保持安全距離,即使是霧天也不會發生追尾事故。這樣的系統已經在梅塞德斯和美洲豹車上出現。

    綠色能源:未來的智能汽車將啟用綠色能源。其中,電動汽車將被消費者廣泛接受。通用、福特、大眾、戴姆勒——克萊斯勒、豐田、本田等汽車制造商都在積極研制可以利用無線電技術充電的小型電動汽車。電能將被轉化成特殊的激光束或微波束,通過天線接收,人們不必停車補充能源就可以開車環游世界。

    [搬運]自動駕駛中的單目 3D 車道線檢測——綜述

    原文鏈接:? Monocular 3D Lane Line Detection in Autonomous Driving — A Review

    車道線檢測是自動駕駛中最基本和關鍵的安全任務之一。這一重要感知任務的應用范圍從 ADAS(高級駕駛員輔助系統)功能如車道保持到更高級別的自主任務,如與高清地圖和軌跡規劃的融合。給定在自動駕駛車輛上收集的輸入 RGB 圖像,車道線檢測算法旨在在圖像上提供結構化線的集合,每條線代表 3D 車道線的 2D 投影。這種算法本質上是二維的,因為輸入和輸出都駐留在同一個圖像空間中。

    另一方面, Monocular 3D Lane Line Detection 旨在從單個圖像直接預測道路場景中車道的 3D 布局。具體來說,3D 車道線檢測算法在相機坐標系的 3D 度量空間中輸出一系列結構化的車道線。最近,學術界和工業界已經在探索這項任務的可行性和應用方面做出了一些努力。

    一種簡單的方法是使用逆透視映射 (IPM) 將 2D 車道檢測結果重新投影回 3D 空間。IPM 是一種單應變換,可將透視圖像變形為鳥瞰 (BEV) 圖像。但是,IPM 假定地面平坦,并且是靜態且經過良好校準的相機外在因素。在現實世界的駕駛環境中,道路很少是平坦的,并且由于速度變化或崎嶇不平的道路,相機外在因素對車身運動很敏感。

    因此,正確的方法是恢復檢測到的 2D 車道線上每個點的深度。如果我們在推理時可以使用激光雷達等主動 3D 測量設備,則通過將 3D 測量分配給車道線點,2D 到 3D 的提升相對簡單。如果我們在推理時只有相機圖像,理論上,我們可以利用 單目深度估計 的最新進展來為車道線點分配深度值。雖然這種方法是通用的,但它的計算量很大。這篇博文回顧了更輕量級的方法來直接預測車道線點的 3D 位置。

    單目 3D 車道線檢測是對其他單目 3D 任務的補充,這些任務可以從單個 RGB 圖像預測駕駛環境的 3D 信息,例如 單目 3D 對象檢測 和 單目 BEV 分割 。也許并不奇怪,如何從單目圖像中準確地恢復環境深度是這些領域的核心。

    二維車道探測網絡

    在我們深入研究 3D 車道線檢測算法之前,一個重要的 2D 車道線檢測算法是重新審視 LaneNet ( Towards End-to-End Lane Detection: an Instance Segmentation Approach ?, IV 2018)。它的 2D 車道線檢測性能已經被許多新算法超越,但在當時還是相當創新的,它的許多想法構成了 3D 車道線檢測的基礎。

    它對 2D 車道線感知的貢獻是提出了一種用于車道線語義分割的分段然后聚類方法——我們稍后將在 Semi-local 3D LaneNet 中再次討論這個想法。更有趣的是,它還使用稱為 H-Net 的輕量級網絡直接從透視圖像預測單應變換(以 3x3 矩陣 H 的形式)。單應變換矩陣 H 本質上是將采樣的車道線點投影到 BEV 的 IPM,用于優化車道擬合后處理。這里的基本假設是車道應該由 BEV 空間中的三階多項式完美描述。

    LaneNet 采用的另一個隱含假設是車道線位于平坦的道路上。對于有坡度的非平坦道路,沒有一個最好的 IPM 可以描述透視圖像和 BEV 圖像之間的轉換,LaneNet 仍然使用單應變換逼近道路相機模型。

    那么問題是——描述非平坦道路的最佳轉換是什么?可能會爭辯說,最好的轉換應該準確地將地平線(相機圖像中道路和天空之間的交匯點)映射到無限深度,或者您可能會爭辯說最好的轉換應該將最接近自我汽車的車道線投影到 3D 中的平行線空間。LaneNet 將最佳變換定義為一種映射,該映射使擬合曲線的重投影誤差最小化。

    3D 車道探測網絡

    普及單目 3D 車道線檢測領域的開創性工作是來自通用汽車以色列研究中心的 3D-LaneNet (ICCV 2019)。 ? 3D LaneNet 不需要諸如平坦地面假設之類的脆弱假設,它只假設對局部路面的攝像機滾動為零。與 2D LaneNet 一樣,它也估計 2D 透視圖像和 3D 局部道路平面之間的單應變換。與直接預測單應矩陣的 LaneNet 不同,3D LaneNet 預測唯一確定單應矩陣的 相機高度和間距。 這兩個參數是以監督的方式學習的。

    網絡架構是從圖像轉換為 BEV 空間的雙通路主干。這實際上讓我想起了自監督深度學習 Sfm-learner ?(CVPR 2017) 中的 PoseNet 結構,它預測 6 DoF 自我運動,然后用它來扭曲相鄰圖像。

    基于錨點的 3D 車道線表示

    它不是直接預測車道線點的深度,而是首先預測相機的俯仰/高度,從而構建 道路投影平面 。道路投影平面根據攝像機安裝俯仰角 ??? _cam 和高度 h_cam 定義 。然后相對于該平面表示 3D 車道線。具體而言,車道線點由其在平面上的投影點(x,y)和高程 Δz 定義。

    3D LaneNet 使用基于錨的車道預測頭。與 groundtruth 車道關聯的錨點是最接近車道 x 坐標 Y_ref=20 m 處的錨點。

    每個車道線類型的預測總數為#anchor*(2*K+1)。K (K=6) 是每條車道線的預定義 y 位置的數量。K 個點中的每一個預測兩個數字,與錨點 dx 的偏差和高度 z.?每個anchor也有一個conf分數來預測車道線的存在。

    請注意,由于這種錨點設計,3D LaneNet 只能處理具有與自我汽車運動方向大致平行的車道線的正常拓撲。例如,它無法處理與自我汽車垂直的車道線。

    半局部 3D LaneNet( ?3D LaneNet+)

    半局部 3D LaneNet ? 建立在 3D-LaneNet 的基礎上,并增加了兩個貢獻,即處理更復雜拓撲的能力和不確定性預測。不確定性估計是相當標準的 任意不確定性 估計,這里不再贅述。 該論文以3D-LaneNet+ 的形式 在 NeurIPS 2020 研討會上重新發布 。

    大部分工作基于 3D LaneNet。它還具有雙路徑主干、相機高度和滾動預測,并具有 BEV 空間中的最后一個特征圖。主要區別在于更靈活的車道線表示,允許對更復雜的車道拓撲進行建模,包括拆分、合并和垂直于車輛行駛方向的車道。

    半局部表示還利用 道路投影平面 作為參考,并將其 BEV 投影到道路投影平面上的 3D 車道線公式化。然而,半局部 3D LaneNet 并沒有將每個車道與預定義的錨點相關聯,而是提出了一種緊湊的半局部表示。本質上,它將 BEV 圖像(將 3D 結構投影到道路投影平面)分解為稱為圖像塊的非重疊網格。假設每個圖像瓦片只能有一條車道線穿過它,并且每個瓦片中裁剪的車道線段足夠簡單,可以參數化為 2 DoF 線段(到瓦片中心的距離和方向)。然后下一步是為每個車道學習全局一致的嵌入,以將小車道段聚集成完整的曲線。

    這種先檢測后聚類方法的靈感來自 2D LaneNet 。半局部 3D LaneNet 使用推挽損失來訓練圖像塊上的嵌入,并且比原始 2D LaneNet 的語義分割具有更少的計算負擔。在推理過程中,通過模式搜索算法 mean-shift 完成聚類,找到每個聚類的中心,然后設置閾值來獲取聚類成員。

    Gen-LaneNet

    Gen-LaneNet ?(ECCV 2020) 基于 3D LaneNet 的標準實踐,提出了一種用于 3D 車道線檢測的兩階段方法。它提出首先執行 2D 車道線檢測,然后使用稱為 3D-GeoNet 的單獨網絡將 2D 檢測結果提升到 3D。

    將 3D 結構預測與 2D 車道線檢測分離的原因在于 3D 幾何的編碼與圖像特征相當獨立。這種解耦使模塊更加靈活和可擴展。它可以立即受益于第一階段不斷發展的二維車道線檢測算法。更重要的是,它允許僅使用合成數據集對第二階段進行訓練,即使是非真實感模擬也可以完成,因為對圖像特征的依賴已被消除。

    在 3D LaneNet 中,不能保證預測的投影與圖像匹配,并且缺乏 2D-3D 一致性。在 Gen-LaneNet 中,3D 從 2D 提升,因此這種一致性是管道固有的。

    在第二階段故意去除圖像特征類似于僅在 Deep Object Distance Estimator中使用 bbox info 預測距離,而在 MonoLoco 中僅使用骨架預測距離。 在單目 BEV 語義分割 的許多早期研究中也可以找到類似的緩解 sim2real 域差距的策略。

    Gen-LaneNet 還指出了 3D-LaneNet 的一個主要缺點,即在存在非零斜率的情況下,頂視圖投影與 IPM 轉換的特征不對齊。換句話說,IPM 假設一個平坦的地面,并且當這個假設以非零斜率打破時,IPM 轉換后的視圖不是 真正的頂視圖 (BEV)。相反,IPM 轉換的特征是一個扭曲的 BEV 視圖,在本文中稱為 虛擬頂視圖。 這個虛擬頂視圖是通過光線追蹤每個車道線點并投影到道路投影平面(下圖中的橙色點)獲得的。3D 車道線groundtruths 被預處理為虛擬頂視圖,以與IPM 轉換特征對齊。

    真實頂視圖和虛擬頂視圖的概念不是很容易掌握。舉一個更具體的例子,零偏航角的上坡 3D 車道將其兩條平行車道線投射到 真實俯視圖中完全平行的目標,但在 虛擬俯視圖 中,當我們上坡時,它們會顯得發散。這種不同的觀點實際上與來自 3D LaneNet 的雙路徑主干網的 IPM 轉換特征一致。

    在數學上,在上圖中,我們有以下等式,其中 h 是相機高度,z 是距離道路投影平面 xoy 平面的高度偏差(以上為正)。

    假設我們在 3D 中有兩條平行的車道線,因此車道寬度 Δx 是恒定的。在真實的頂視圖中,由于車道寬度仍為 Δx,它們仍將平行顯示。在虛擬俯視圖中,車道寬度變為 Δx? = Δx*h/(hz),如果上坡路的 z 變大(z h),則車道寬度變寬并顯得發散。

    Gen-LaneNet 仍然使用基于錨的表示,因此存在與 3D LaneNet 相同的缺點。更好的方法可能是將兩種方法的優點結合起來:使用 Gen-LaneNet 的虛擬頂視圖和解耦管道以及 Semi-local 3D LaneNet 的半局部圖塊表示。

    數據集

    3D 車道一檢測領域研究有限的主要原因之一是缺乏相關的數據集和基準。構建 3D 車道線數據集主要有三個數據源:合成數據、深度測量(使用激光雷達或可能的立體相機)和時間傳感器融合。

    3D LaneNet 和 Semi-Local 3D LaneNet 使用模擬環境 Blender 生成大量具有已知 3D groundtruth 的合成數據。同樣, Gen-LaneNet 利用 Apollo 項目中的模擬器并生成 Apollo 3D Synthetic 車道線數據集 。

    3D LaneNet 和 Semi-Local 3D LaneNet 還使用激光雷達檢測器和半手動注釋收集了 2.5 小時的真實數據,但這只是為了驗證這個想法。收集校準和同步的相機和激光雷達數據的多傳感器數據不太可擴展。此外,基于激光雷達的數據集本質上只能達到約 50 米,因為激光雷達能夠可靠地檢測超出此范圍的車道線。

    獲取真實 3D 車道線數據的另一種更具可擴展性的方法類似于 MonoLayout ?(WACV 2020) 中描述的方法。鑒于可以獲得準確的自我運動信息,它通過聚合整個視頻的結果(所謂的時間傳感器融合)來使用自生成的地面實況。聚合的groundtruth可以根據預設的距離閾值截斷并投影回單個圖像幀。如果我們想看到超過上述 50 米的限制,同樣的想法也適用于激光雷達數據。

    要點

    - 預測相機外部參數以在特征圖上執行 單應變換 (IPM) 似乎是標準做法。

    - 虛擬頂視圖 解決了轉換后的特征圖和生成的groundtruth之間的錯位。

    - 由于城市駕駛場景中復雜的車道線拓撲(環形交叉路口、垂直車道線等), 基于錨點的表示將失敗。 對半局部圖塊進行 預測然后進行聚類似乎是一種更靈活的處理復雜幾何圖形的方法。

    - 合成數據集和 sim2real 是引導 3D 車道線檢測系統的方法,特別是考慮到開源的 Apollo 數據集。 從時間聚合的單個圖像感知結果 構建 3D 車道線數據集的可擴展方法仍未得到充分探索。我期待著未來在這個方向上做更多的工作。

    - 對于未來的工作,最好使用 Gen-LaneNet 的虛擬頂視圖和解耦管道以及 Semi-local 3D LaneNet 的半局部 tile 表示。

    References

    LaneNet : Towards End-to-End Lane Detection: an Instance Segmentation Approach , IV 2018

    3D-LaneNet : End-to-End 3D Multiple Lane Detection , ICCV 2019

    Semi-local 3D LaneNet :? Semi-Local 3D Lane Detection and Uncertainty Estimation , ArXiv, 03/2020

    Gen-LaneNet : A Generalized and Scalable Approach for 3D Lane Detection , ECCV 2020

    3D-LaneNet+ : Anchor Free Lane Detection using a Semi-Local Representation , NeurIPS 2020 workshop

    Deep Radar Detector: ? Vehicle Detection With Automotive Radar Using Deep Learning on Range-Azimuth-Doppler Tensors , ICCV 2019

    SfMLearner : Unsupervised Learning of Depth and Ego-Motion from Video , CVPR 2017

    MonoLayout : Amodal scene layout from a single image , WACV 2020

    自動駕駛的論文的介紹就聊到這里吧,感謝你花時間閱讀本站內容,更多關于自動駕駛的論文怎么寫、自動駕駛的論文的信息別忘了在本站進行查找喔。

    掃碼二維碼