基于多相機(jī)全向視覺導(dǎo)航的道路建模.pdf

1、視覺導(dǎo)航是自主車的一種重要的導(dǎo)航方式。然而普通視覺傳感器視場(chǎng)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(dǎo)航造成了一定的局限性。
　　多相機(jī)全向視覺系統(tǒng)（Omnidirectional Multi-camera System，OMS）具有視場(chǎng)大、分辨率高、畸變小等優(yōu)點(diǎn)。本文以多相機(jī)全向視覺系統(tǒng)作為視覺導(dǎo)航傳感器，以Radon變換、混合高斯模型、馬爾可夫隨機(jī)場(chǎng)和圖割理論為數(shù)學(xué)工具，重點(diǎn)研究了自主車視覺導(dǎo)航中的交叉口檢測(cè)、交

2、叉口結(jié)構(gòu)估計(jì)與建模、轉(zhuǎn)彎參考路徑的規(guī)劃、轉(zhuǎn)彎車速控制等問題。
　　本文的主要內(nèi)容和貢獻(xiàn)如下:
　　1.提出了多相機(jī)全向視覺系統(tǒng)外部參數(shù)的標(biāo)定算法。外部參數(shù)標(biāo)定是確定導(dǎo)航系統(tǒng)與環(huán)境的位姿關(guān)系的重要方法。本算法首先計(jì)算外部參數(shù)的初始值，然后采用Levenberg-Marquardt算法對(duì)其進(jìn)行迭代優(yōu)化而得到精確的標(biāo)定結(jié)果。本文還對(duì)算法的有效性和穩(wěn)定性進(jìn)行了分析。
　　2.提出一種基于混合高斯模型和馬爾可夫隨機(jī)場(chǎng)的道路檢測(cè)算

3、法。以往基于概率和機(jī)器學(xué)習(xí)的道路檢測(cè)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(guān)系，容易導(dǎo)致過分割。本算法將道路的分割轉(zhuǎn)化為圖像像素的最優(yōu)二類標(biāo)記問題，先利用機(jī)器學(xué)習(xí)獲得混合高斯模型參數(shù)，從而得到圖像屬于每一類標(biāo)記的概率密度場(chǎng)，而后由馬爾可夫隨機(jī)場(chǎng)進(jìn)行空間關(guān)系建模，通過圖割理論計(jì)算路與非路的最優(yōu)標(biāo)記。
　　3.提出了道路交叉口的參數(shù)化模型和數(shù)據(jù)結(jié)構(gòu)，并研究了該模型的回歸算法。在道路交叉口的自主導(dǎo)航中，通常需要對(duì)交叉口的形狀

4、、結(jié)構(gòu)進(jìn)行描述和存儲(chǔ)。非參數(shù)化的描述方法數(shù)據(jù)量大，不利于處理和存儲(chǔ)。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(nèi)包絡(luò)線模型對(duì)交叉口進(jìn)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(jié)構(gòu)和形狀;而內(nèi)包絡(luò)線模型描述了自主車安全通行的區(qū)域，主要用于自主導(dǎo)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(cè)與識(shí)別算法，并實(shí)現(xiàn)了基于道

5、路交叉口參數(shù)化模型的轉(zhuǎn)彎參考路徑的規(guī)劃和車速控制。道路交叉口的檢測(cè)和識(shí)別是交叉口自主導(dǎo)航中的一個(gè)重要問題，它決定了導(dǎo)航系統(tǒng)對(duì)道路結(jié)構(gòu)的基本判斷。在已有的檢測(cè)與識(shí)別算法中，有些僅檢測(cè)某一特定類型的道路交叉口，有些則基于較強(qiáng)的前提條件或假設(shè)，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(cè)和識(shí)別算法，該算法可以檢測(cè)多種類型的交叉口，并識(shí)別它們的結(jié)構(gòu)和類型。在對(duì)交叉口建立參數(shù)化模型后，本文還計(jì)算出自主車轉(zhuǎn)彎的參考軌跡