摘要：人工智能一直是高校科研的重要方向，自动驾驶作为最完美的产学研结合的研究方向具有着重大的科研价值和产业需求。自动驾驶自2015年起，开始大规模的从高校研究阶段进入企业落地阶段，自动驾驶系统的研究分为公开道路的乘用车和封闭区域的商用车。本项目着眼低速场景下的封闭园区的自动驾驶系统研发，采用了视觉定位与激光雷达3D检测的融合感知方案，并基于PID算法实现了基于车辆偏移量的车辆巡航控制系统和基于障碍物3D检测跟踪的障碍物制动控制系统。

视觉定位基于深度学习的语义分割模型实现，在ICNet的backbone基础上进行了本地结构调整、数据重训练的迁移手段，实现了封闭环境下的道路语义感知并达到90%以上准确率，由道路分割结果过滤出道路边界信息从而进行边界线的多项式拟合，计算出车辆的偏移距离，实现自身车辆的相对定位。障碍物感知由Yolov3的图像2D检测和激光点云的3D信息融合实现，计算激光点云到图像的投影变换矩阵从而实现图像2D物体的3D数据感知，并且对物体进行klt光流跟踪，计算出物体的相对速度，最后提供给决策层。

PID控制算法具有简单道路下良好的实验效果，根据上述计算出的车辆偏移距离，可以快速的计算出方向盘的转角输出，在一定的曲率半径范围内的道路具有不错的舒适性和贴合性。基于车辆与障碍物间的相对速度建立车速、相对速度、制动压的二元多项式函数，计算适合的制动压输出达到减速、制动的效果。

关键词：自动驾驶  深度学习  计算机视觉  车辆控制  语义分割  

目录

摘要

Abstract

1.引言

1.1.研究背景-8

1.2.研究目的和意义-8

1.3.国内外研究及发展现状-9

2.相关开发技术-10

2.1.硬件条件概要-10

2.2.软件技术介绍-10

2.2.1 ROS-10

2.2.3 Python-10

2.2.4 机器学习-11

2.2.5 OpenCV-11

2.2.6 Tensorflow-11

3.系统设计概要-13

3.1系统概要-13

3.1.1 框架概要-13

3.1.2 行驶区域感知概要-14

3.1.3 车辆横向控制-15

3.1.4 目标2D检测-16

3.1.5 激光点云映射至图像-17

3.1.6 障碍物3D检测与追踪-18

3.1.7 ROI与AEB-19

4.系统设计与实现-21

4.1.环境搭建-21

4.1.1 工控机环境配置-21

4.1.2 传感器配置-22

4.2.系统的实现-23

4.2.1 传感器模块-23

4.2.2 行驶区域规划模块-23

4.2.3 障碍物检测模块-37

4.2.4 规划-41

5.调试及优化-46

5.1 线控车调试-46

5.2 感知调试及优化-47

5.2.1 行驶区域感知调试及优化-47

5.3 车辆横向控制公式调试及优化-50

5.3.1 控制的评价指标-50

5.3.2 车辆横向控制测试-50

5.4 遇障制动调试及优化-52

6.设计总结-55

参考文献

致谢