智能汽车技术教学课件.pptx

;智能汽车基本概念;智能汽车分级;;我国《汽车驾驶自动化分级》;智能汽车发展概述;智能汽车技术发展路线;1.3智能汽车技术架构;决策规划技术 决策规划技术是智能汽车的控制中枢,相当于人类的大脑,其主要作用是依据感知层处理后的信息以及先验地图信息,在满足交通规则、车辆动力学等车辆诸多行驶约束的前提下,生成一条全局最优的车辆运动轨迹。决策规划层可以分为全局轨迹规划、行驶行为决策和局部轨迹规划三个部分。 ;集成控制技术 集成控制技术主要通过控制车辆驱动、制动、转向、换档等操作,对决策规划层所得到的车辆最优轨迹进行路径和速度跟随,其本质是控制车辆的侧向运动和纵向运动来减少车辆实际轨迹和期望轨迹之间的时间误差和空间误差。 典型的智能汽车控制执行技术架构如图114所示。常用的控制技术包括基于最优预瞄的轨迹跟随控制技术、基于模型预测控制理论的轨迹跟随控制技术等。 ;测试评价技术 科学、完善的测试评价体系对提高智能汽车研发效率、健全技术标准和法律法规、推进产业创新发展至关重要。但智能汽车测试评价对象已从传统的人、车二元独立系统变为人车环境任务强耦合系统,测试场景及测试任务难以穷尽,评价维度纷繁复杂,传统汽车的测试评价技术已经不能满足智能汽车测试需求。根据测试的真实性及可靠性,智能汽车测试评价内容可以分为模型在环测试、软件在环测试、驾驶模拟器测试、硬件在环测试、车辆在环测试、封闭试验场测试和公共道路测试。随着测试过程的不断深入,测试结果的真实性和可靠性也在不断增大。 ;;第二章智能汽车环境感知与定位技术;激光雷达 激光雷达由发射系统、接收系统、信息处理三部分组成。激光器将电脉冲变成光脉冲发射出去,光接收机再把从目标反射回来的光脉冲还原成电脉冲,最后经过一系列算法来得出目标位置(距离和角度)、运动状态(速度、振动和姿态)和形状,可以探测、识别、分辨和跟踪目标。;车道线检测技术 通过安装于车内的摄像头感知行驶车辆的前方道路情况，在通过图像处理单元对图像进行处理，确定道路形状和相对位置。常见算法可分为基于特征和基于模型。 ;2.2.2基于机器视觉的障碍物识别技术;2.3毫米波雷达感知技术;智能汽车毫米波雷达检测机理;毫米波雷达的测速测距原理;车载毫米波雷达的优缺点;雷达目标反射特性分析;·由上面公式得到RCS：;雷达环境杂波分析;激光雷达感知技术;激光雷达传感器检测机理;基于三维激光雷达的道路环境感知;基于激光雷达点云图的联合感知与运动预测;智能汽车常用的定位技术及其机理;;辅助增强的卫星定位;航迹推算;航迹推算公式： ;惯性导航;视觉SLAM;激光雷达SLAM;基于信标导引的定位技术;多传感器数据融合;经典卡尔曼滤波;扩展卡尔曼滤波;无迹卡尔曼滤波;;智能汽车环境感知与定位仿真实例;基于优化方法的vSLAM;实验验证及结果分析;智能汽车决策规划架构;反应式架构;;混合式架构;;智能汽车行为决策方法;有限状态机法;应用有限状态机解决智能汽车的行为决策问题时，可将自动驾驶过程分解为几种基本的驾驶行为模式;;对于有限状态机的五元组模型 F = (Q, ε, δ, q0 , qf);层次状态机法;博弈论法;概率图模型法;智能汽车全局轨迹规划;图搜索法;Dijkstra算法;A*算法;;D*算法;图形学法;随机采样类算法;RRT 算法的搜索过程为，以给定起始位置 Pstart作为随机树 T 的根节点，随后执行如下循环直至新增加的随机树节点 Pnew与目标位置 Pgoal足够接近或者迭代次数达到设定的上限k: 在状态空间中随机生成点 Prand,利用度量函数选取当前随机树 T 上与 Prand连接代价值最小的节点 Pnearest作为父节点, 并以设定的步长 D 向 Prand方向延伸, 得到新节点 Pnew，利用CollisionFree函数检测 Pnearest与 Pnew的连接是否与障碍物发生碰撞：如果该连接无碰撞，则将节点 Pnew添加到随机树 T 上，并更新相应的状态值；反之则放弃节点 Pnew，进入下一次节点搜索。 ;智能仿生算法;智能汽车局部轨迹规划; 强化学习作为一种端到端的车辆控制方法，可以同时对感知、决策、规划、控制部分进行优化，即可以完成综合驾驶场景的特征表征、良好的时机判断和决策输出、精确的轨迹规划和稳定的控制。 为值函数近似法 策略优化法 策略梯度法 ;监督学习需要通过大量带有标签的训练数据训练监督学习模型，从而建立从指定输入到输出的黑箱映射模型。在智能汽车决策规划领域，常用的监督学习方法包括模仿学习和深度神经网络等。; 深度神经网络 神经网络模型是监督学习中的重要内容，通过建立一定结构的神经网络模型，基于人类驾驶人数据或传统规划算法产生的数据通过误差反向传播和梯度下降等方法训练神经网络参数，从而实现根据当前交通