《城區真實交通環境無人駕駛車輛關鍵技術與平台研究》是依託北京理工大學，由龔建偉擔任項目負責人的重大研究計畫。
基本介紹
- 中文名：城區真實交通環境無人駕駛車輛關鍵技術與平台研究
- 依託單位：北京理工大學
- 項目負責人：龔建偉
- 項目類別：重大研究計畫
項目摘要,結題摘要,
項目摘要
真實城區複雜交通流條件下的無人駕駛車輛自主行駛技術及平台研究，具有重要的理論研究意義及套用價值。針對目前無人駕駛車輛在應對複雜多變的真實交通環境時存在的感知不完備、決策能力不足以及感知決策與控制脫節問題，開展三個關鍵問題研究：(1) 研究交通環境模型指導下的多交通要素協同感知問題，充分利用環境的先驗知識，有效整合各模組的感知信息以達到對交通場景的完整理解；(2) 提出直覺決策與數據驅動的邏輯推理決策相結合的無人駕駛車輛行為決策模型，通過對人類駕駛行為決策知識的獲取、表達與理解，建立動態密集交通環境下無人駕駛車輛行為決策知識庫；(3) 研究無人駕駛車輛運動學與動力學特性約束對感知決策及運動規劃影響的分析及計算模型，提高感知與決策規劃結果對車輛與道路環境的適應性。在此基礎上，對無人駕駛車輛平台進行整體設計與最佳化，研製新一代在複雜真實交通環境中具有駕駛認知決策能力的無人駕駛車輛集成驗證平台。
結題摘要
研究城區複雜交通流條件下的無人駕駛車輛自主行駛技術及平台，實現真實道路交通環境下的自主駕駛。主要解決三個關鍵問題：一是複雜交通環境的認知建模與實時場景理解；二是動態密集交通環境下多粒度駕駛規劃決策知識獲取與表達及無人駕駛交通行為直覺決策模型；三是無人駕駛車輛運動學與動力學特性對感知決策及運動規劃的影響分析及計算模型。 (1) 針對複雜環境的認知建模與實時場景理解問題。(a) 提出基於信息融合的多感測器標定與多目標跟蹤方法; (b)基於深度學習的環境場景理解方法，包括神經網路結構最佳化算法、分支CNN（卷積神經網路）快速識別交通標誌方法、基於深度學習的相似性度量原理；(c) 提出雙目視覺、雷射雷達等多源信息SLAM與視覺-幾何相結合的環境建模方法，最佳化一種雷射雷達里程計SLAM技術，並在多源信息綜合定位中得到套用。在以上多要素環境感知方法的基礎上，將多源信息映射在機率柵格地圖中進行場景理解計算。 (2)針對動態密集交通環境中無人駕駛車輛行為決策機理與方法。(a) 提出基於強化學習的智慧型車輛環境自適應的行為決策方法; (b)建立複雜城市環境下智慧型車輛跟馳、換道、匯入決策環境自適應性決策規則、城市T形路口智慧型車輛駕駛規則及決策模型、無信號燈十字交叉口車輛通行規則與決策模型；(c)在上述模型基礎上,通過人工駕駛數據的採集，提出類人駕駛行為決策方法：基於自學習系統的類人駕駛行為決策、建立人類駕駛員的駕駛行為模型並明確駕駛行為的知識表達方式，並根據不同駕駛任務建立不同的駕駛場景模型實現對學習系統和算法的測試，以及複雜縱橫向協同駕駛場景建模與算法測試。 (3)針對無人駕駛車輛運動學與動力學特性對感知決策及運動規劃的影響分析及計算模型，在感知、決策和規劃方法中融入了車輛動力學和運動學影響因素，成功完成了基於模型預測控制的最優運動規劃與跟蹤控制實車套用。 上述成果不僅在理論研究上取得了系列突破，數據均來自實際交通場景，並形成多個無人駕駛測試車輛平台，基於研究成果，與北汽福田、華晨汽車、奇瑞汽車、合眾汽車進行了合作研究，並在北京、瀋陽、常熟、上海、深圳等多個實際開放道路場景進行20多種無人駕駛汽車平台上進行測試套用，並參加了“中國智慧型車未來挑戰賽”。相關成果也在國防基礎預研項目中得到套用，並進行了產業化套用，開發了系列產品成果。
