论文部分内容阅读
自动驾驶技术在园区巡逻、环卫等具有重要的应用潜力,但园区交通要素多、环境复杂、光照以及定位信号不稳定都给自动驾驶的感知决策系统带来了挑战。人工智能算法在自动驾驶领域的深度应用,极大的增强了自动驾驶车辆对复杂场景的感知能力,但同时对车载计算平台算力提出了较高要求。园区车辆一般体积较小,受限于电源系统的容量和功率,难以满足复杂算法的实时运行条件,这限制了人工智能算法在园区自动驾驶车辆的应用。为此,本文以机场场内部分道路的自动驾驶场景为例,首先,针对园区下的行驶环境,设计低功耗异构计算平台。其次,根据计算单元与算法特性并基于人工智能算法完成车道线检测、障碍物感知识别,实现路径跟踪及避障的功能,支持园区条件下低速(5~10km/h)自动驾驶。论文主要工作如下:(1)根据园区环境及计算单元的特性,完成面向园区的车载计算系统整体设计。主要包括传感器选型、低功耗异构计算平台设计、软件算法架构及通讯设计。传感器主要包括GNSS(Global Navigation Satellite System)、16线激光雷达以及摄像头;异构计算平台主要包括CPU、GPU、FPGA以及MCU(Microcontroller Unit);软件上设计基于ROS(Robot Operation System)的软件算法框架,支持各子系统实时运行及系统间通讯。(2)基于前述整体系统架构,在园区车辆感知子系统的实现层面,根据计算单元与算法特性分别部署了障碍物识别与车道线识别子系统。其中,基于FPGA采用yolov3(You only look once)的目标识别算法实现对障碍物检测。基于Xavier采用组合图像滤波及基尔霍夫变换,实现了车道线检测。在此基础上,实现激光雷达与视觉感知的融合,得到障碍物及车道线的空间定位信息。(3)基于Xavier与MCU实现了决策控制子系统,分别实现了轨迹跟踪、避障规划及底层运动控制功能,保证小车行车的实时性及安全性。通过有限状态机实现无人车的行为规划,并通过纯追踪算法进行无人车的轨迹跟踪。根据检测结果,设计多轨迹换道的避障方案,并且通过STM32底层控制器对小车实现控制,控制采用电机软启动、平滑转向等算法。(4)利用TRAXXAS大X底盘搭建出轻量化自动驾驶小车,对前述研究内容进行实车验证。本文设计的异构计算平台功耗约为120W,实现了固定轨迹的路径跟踪、车道线检测、障碍物检测及避障的功能。并在园区场景下测试了固定路线的轨迹跟踪以及避障的自动驾驶,最终实验结果达到预期,表明了本文设计的自动驾驶系统可以满足园区低速环境下的自动驾驶并实现了系统低功耗的要求。