2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩145頁未讀 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、視覺導航是自主車的一種重要的導航方式。然而普通視覺傳感器視場較小,無法感知道路,特別是道路交叉口的全局信息,給視覺導航造成了一定的局限性。
  多相機全向視覺系統(tǒng)(Omnidirectional Multi-camera System,OMS)具有視場大、分辨率高、畸變小等優(yōu)點。本文以多相機全向視覺系統(tǒng)作為視覺導航傳感器,以Radon變換、混合高斯模型、馬爾可夫隨機場和圖割理論為數(shù)學工具,重點研究了自主車視覺導航中的交叉口檢測、交

2、叉口結構估計與建模、轉彎參考路徑的規(guī)劃、轉彎車速控制等問題。
  本文的主要內容和貢獻如下:
  1.提出了多相機全向視覺系統(tǒng)外部參數(shù)的標定算法。外部參數(shù)標定是確定導航系統(tǒng)與環(huán)境的位姿關系的重要方法。本算法首先計算外部參數(shù)的初始值,然后采用Levenberg-Marquardt算法對其進行迭代優(yōu)化而得到精確的標定結果。本文還對算法的有效性和穩(wěn)定性進行了分析。
  2.提出一種基于混合高斯模型和馬爾可夫隨機場的道路檢測算

3、法。以往基于概率和機器學習的道路檢測方法雖考慮了幀間的聯(lián)系和影響,但忽略了像素間的空間關系,容易導致過分割。本算法將道路的分割轉化為圖像像素的最優(yōu)二類標記問題,先利用機器學習獲得混合高斯模型參數(shù),從而得到圖像屬于每一類標記的概率密度場,而后由馬爾可夫隨機場進行空間關系建模,通過圖割理論計算路與非路的最優(yōu)標記。
  3.提出了道路交叉口的參數(shù)化模型和數(shù)據(jù)結構,并研究了該模型的回歸算法。在道路交叉口的自主導航中,通常需要對交叉口的形狀

4、、結構進行描述和存儲。非參數(shù)化的描述方法數(shù)據(jù)量大,不利于處理和存儲。因此,本文提出了一種交叉口的參數(shù)化模型。該模型采用道路紅線模型和內包絡線模型對交叉口進行描述,具有良好的通用性和靈活性。其中,道路紅線模型反映了交叉口的邊緣信息,有利于最大化地保存交叉口的結構和形狀;而內包絡線模型描述了自主車安全通行的區(qū)域,主要用于自主導航和路徑規(guī)劃,保證了行駛的安全性。
  4.提出了基于Radon變換的道路交叉口檢測與識別算法,并實現(xiàn)了基于道

5、路交叉口參數(shù)化模型的轉彎參考路徑的規(guī)劃和車速控制。道路交叉口的檢測和識別是交叉口自主導航中的一個重要問題,它決定了導航系統(tǒng)對道路結構的基本判斷。在已有的檢測與識別算法中,有些僅檢測某一特定類型的道路交叉口,有些則基于較強的前提條件或假設,這些都帶來了一定的局限性。本文提出了一種基于Radon變換的道路交叉口檢測和識別算法,該算法可以檢測多種類型的交叉口,并識別它們的結構和類型。在對交叉口建立參數(shù)化模型后,本文還計算出自主車轉彎的參考軌跡

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論