英语原文共 9 页，剩余内容已隐藏，支付完成后下载完整资料
用于第一道和最后一英里运输服务的自动个人车辆
ZJ Chonglowast;，B。Qinlowast;，T。BandyopadhyayDagger;，T。WongpiromsarnDagger;，ES Rankinpara;， MH Ang Jr.lowast;，E。Frazzolisect;Dagger;，D。Russect;Dagger;，D。Hsulowast;，KH Lowlowast;
lowast;新加坡国立大学，
肯特里奇，新加坡
Dagger;新加坡 - 麻省理工学院新加坡研究与技术联盟
sect; 麻省理工学院，剑桥，
马萨诸塞州，美国。
para;DSO国家实验
室，新加坡
摘要
本文描述了一种自动驾驶车辆试验台，旨在提供第一和最后一英里的运输服务。该车辆主要在拥挤的城市环境中运行，其特征可以先验地提取。为确保系统在经济上可行，我们采用简约方法，利用环境的先验知识和现有基础设施（如蜂窝网络和交通摄像头）的可用性。我们提出了该系统的三个主要组成部分：行人检测，定位（即使在高层建筑物的存在下）和导航。评估每个组件的性能。最后，我们描述了现有基础设施传感器的作用，并展示了系统在使用时的改进性能。
介绍
公共交通对减少城市交通拥堵作用日益显著，其中汽油消耗和碳排放方面发挥着关键作用，特别是在大中型城市。为促进可持续发展交通发展，重不仅要刺激公共交通的使用，还要改善其可达性。为此，需要提供用于第一和最后一英里运输的便利方式，以减少通勤者面对从例如家到公交（例如，火车、地铁） 站并返回的额外时间和麻烦。第一英里和最后一英里加上公共交通服务可以提供具有成本效益和可持续的门到门运输。
我们考虑部署一系列自主个人运输车辆，以提供第一和最后一英里的运输。事实上，自动化技术已经应用于许多交通系统，包括交通灯管理和拥堵避免服务，并且已经吸引了许多交通科学和物流界的研究兴趣。还开发了智能车辆/ 高速公路系统（IVHS）技术，以提高操作安全性和效率[14]，包括定位车站并将每个通勤者的服务请求分配给适当的车辆以最小化某些标准，对于成功部署这些自动驾驶车辆至关重要。例如，在[10]中已经考虑了车队管理的某些方面。在本文中，我们考虑另一个主要挑战，即将自主权纳入运输工具，使其能够以最少的人为干预进行操作。该系统的目标提供相对较短距离的运输。特别地，这些车辆主要在拥挤的城市环境中运行，这些环境通常配备有基础设施，包括蜂窝网络，交通摄像机，环路检测器和ERP（电子道路定价）门架。详细的道路网络和车辆运行的环境的许多特征也可以先验地获得。为了确保系统在经济上可行，我们采用简约方法并利用环境特征的先验知识和现有基础设施的可用性。
目前，我们在与基础设施的各种互动水平上已经实现了运输车辆的自主性。由于基础设施依赖性很大而需要的系统（如单轨 铁路）通常需要大量设置，并且更适合于完全受控的环境， 例如仓库和码头。FROG（网格上的自由测距）导航系统1 是这种结构严重依赖系统的一个例子，并已部署用于工厂 现场的集装箱处理操作。他们的系统由一队自动驾驶车辆 和一个集中监控系统组成。自动驾驶车辆使用地板上的磁 铁和GPS进行点对点导航，并使用激光和声纳来避免障碍 物。这种方法的一个优点是可以获得环境的全球观点，而 主要的缺点包括延迟的信息，通信负担和专门的基础设施 设置的成本。另一
方面，谷歌无人驾驶汽车是完全自主的[8]。他们改装的丰田普锐斯使用摄像头检测交通信号灯 和雷达，以检测行人。他们的自主导航还依赖于激光测距 仪，摄像机，雷达，惯性传感器和高细节地图。这些完全 自治系统的一个优点是能够处理动态和对抗场景。然而，与重度依赖于结构的系统相反，只能获得有限的局部视点， 因为每个车辆上的车载传感器具有相同的限制，并且受到 城市结构和其他车辆的遮挡。每辆车也承担着感知和感知的负担。此外，完全自主行驶的车辆也被贴上沉重价格标签。
在本文中，我们研究了重度结构依赖和完全自主方法的集成，以便以合理的成本构建自动车辆系统，并且即使在拥挤的情况下也保持高水平的自治。作为第一步，我们专注于校园环境。我们利用道路网络中可用的大量基础设施传感器，可以实时提供有关道路上其他实体存在的非常重要的信息。该信息可以帮助规划超出视觉范围的每辆车的无碰撞最佳轨迹。利用基础设施还有助于减少车辆的传感负担并降低车辆成本，使这种系统更加经济，并且可供普通人使用。
在下一节中，我们将提供测试平台的概述。第III节和第IV节描述了系统的主要组成部分，包括行人检测，定位和导航。还评估了每个组件的性能。第五节描述了基础设施传感器在我们系统中的作用。最后，第六节总结了论文并讨论了未来的工作。
校园试验台
我们的自动驾驶汽车试验台是安装有各种传感器的雅马 哈G22E高尔夫球车（图1a）。它经过修改并配备了执行器， 以实现线控驱动功能。两个伺服电机用于分别控制转向角 和制动量。由于它是电动车辆，因此可通过可由低电平控 制器调节的变化的PWM电压信号容易地访问节气门控制。 为了满足各种传感器的功率要求，使用了1350W逆变器。 对于传感器，车轮编码器安装在左前轮上。转向角和制动 器是由电机编码器隐含推断的。要接收GPS信号，请使用Ublox EVK-6R。该模块配有增强型卡尔曼滤波器，使用来自车轮编码器刻度计数和车载陀螺仪的集成数据输入来估 算全球位置。主传感器是激光测距仪，由两个SICK LMS 291和Hokuyo UTM 30LX组成。SICK激光器的范围为80米， 具有180◦ 视场（ FoV ）。另一方面， Hokuyo 传感器具有270◦FoV，范围为30米。在其中一个SICK激光器上安装了
来自原始感测数据的静止物体。如第五部分所述，我们使 用的传感器不仅包括车载摄像头和激光测距仪，还包括安 装在基础设施上的基础设施摄像头。来自这些基础设施相 机的数据通过WiFi网络传输。为了减少需要传输的数据量， 可以处理原始感测数据，以便仅传输重要特征（例如，接 近交叉点的其他车辆和行人）映射和预测模块维护系统运行的环境的全局映射。此外， 它预测移动物体（如行人）的运动。定位模块包含从GPS（全球定位系统），IMU（惯性测量单元），激光测距仪和车辆里程表接收的数据，以提供车辆当前状态（位置，速度和航向）的预测。
规划器模块负责计算无障碍路径，满足某些交通规则， 达到目标。在用户在船上的情况下，可以通过用户界面将目标指定为目的地。或者，计算每个自主车辆的提升和下车位置的调度系统可以通过蜂窝网络将原点和目的地发送到系统。最后，控制器模块负责向物理致动器计算致动器命令，包括速度，档位和转向角，使得车辆紧密遵循规划器产生的路径。
行人检测
图2.需要检测和处理行人和其他动态车辆。（a）新加坡国立大学校园道路，（b）在行人面前操作的高尔夫球车
对于自主导航，我们需要特别注意动态物体，如行人和道路上的其他车辆，以及路缘，排水沟，交通灯等静态安装一个普通的网络摄像头，以提供视觉反馈并进行视觉处理。 境特征（图2）。通常，静态对象的存在是从流量数据库软件架构：我们开发了一种模块化软件架构，以便在不修改核心系统的情况下轻松整合其他功能。该系统已集成到ROS（机器人操作系统）中，它提供了不同软件模块之间的标准通信形式[11]。在当前系统上实现的主要模块包括感知，映射和预测，定位，规划器和控制器，感知模块将来自传感器的原始感测数据作为输入。然后将检测和跟踪算法应用。
行人作为校园环境中的关键因素，值得更多关注。 车载摄像头是识别环境中物体的最有效方法之一。然而， 计算要求和环境光条件的依赖性限制了它们的效用。或者， 基于激光的方法可以更可靠地检测物体的存在，但是具有 消除不同类型物体的歧义的问题。在我们的项目中，我们建立了一个板载
（b）系统测试平台 （b）系统架构
行人检测算法
行人检测系统通过分层融合单层激光雷达和简单的现成网络摄像头。我们将LIDAR的优势与检测对象相结合，并简化了从相机图像中消除对象的歧义。事实证明，它在我们的运营中具有快速，计算效率和稳健性。
利用激光雷达和视觉对行人探测和跟踪进行了大量研究。激光雷达提供周围环境中扫描点的准确位置信息，这些信 息将被分段，聚类，然后分类到不同的对象中。行人可以 用某些标准或特征提取，例如[5]，[9]中建立的形状和大 小的静态特征，或[15]，[2]等中建立的步态的动态特征。这些算法在离线和相对结构化的环境中放置多个LIDAR时 表现良好，但由于严重的遮挡和复杂的环境，可能在真实 的城市交通中失败。归根结底，这些算法的局限性来自激 光雷达信息的稀疏性。多传感器融合的想法出现以抵消这 种限制。最常见的类型是LIDAR和相机的组合。虽然在[4]， [6]中引入了一些相关的算法，但是其中很少适用于自动 驾驶车辆，需要考虑到苛刻的工作环境。在[3]中提出了 类似于我们的方法的算法。它取决于四层激光雷达跟踪行 人并进行初步分类，然后使用相机来细化分类信念。在我 们的项目中，提出了类似的算法。虽然我们还依靠单层LIDAR来跟踪对象，但我们不会尝试在这部分中对它们进 行分类，而是将其留给视觉验证的以下部分。我们的算法 证明快速，计算效率高，运行稳健，易于实现。
行人检测算法框架
在我们的实现中，使用单层LIDAR实现运动对象跟踪。虽然这种方法适用于任何动态物体，如车辆，行人和其他物体，但我们将行人作为代表性课程在本文中详细讨论。图3显示了算法的流程，图4显示了单个数据帧的检测算法的结果。该算法分两个阶段运行，即行人候选检测器和行人验证。
行人候选检测器：LIDAR数据根据其位置和相对速度进行分段和聚类（图4b）。行人的潜在候选集群将根据其大小和速度进行过滤。我们在实现中使用简单的线性速度模型。但是，高级模型检查也可用于更高的准确性。事实上，保持更轻松和保守的过滤器会减少后续行人验证阶段的漏报率。
行人验证：在这部分中，我们使用常见的网络摄像头来验证提取的物体是否是行人。预先完成网络摄像头和LIDAR的外部校准。这些候选者相应地投射到网络摄像头图像的某些区域。然后将整个图像裁剪成几个较小的子图像（图4c）。由于仅处理少量子图像，因此显着减少了图像处理中的计算时间。这里使用的视觉验证算法是定向梯度物体检测（HOG）的直方图。在这项工作中，选择了OpenCV的默认训练人检测器支持向量机（SVM）。为了实现快速验证，使用了GPU加速HOG算法。HOG分类器识别包含行人的每个子图像（ 图4d）， 并且我们相应地标记LIDAR轨迹。这有助于我们避免在整个图像上运行基于视觉的行人检测器（图4a，e）并显着减少计算负荷。减少的计算允许我们在车辆上实时运行这样的检测器
请注意，行人检测允许我们通过推理行人障碍物的运动模型来改进自动驾驶车辆的运动规划。在由于视觉误差和后续行人验证阶段的漏报率。
图4
单行人检测：图4显示了该系统如何检测和跟踪单个行人。图4（f）显示了这个行人的轨迹。首先，行人被LIDAR跟踪，并标记为以白色显示的动态对象。在它进入摄像头的FoV后，它被验证为行人，并且轨道变为绿色。正确拒绝图像中的其他潜在动态对象。
多行人检测：图5显示了自动驾驶车辆执行行驶时行人检测模块的结果。图5a显示了多个行人的验证。我们看到，当行人彼此太靠近时，激光签名会合并，并且它们被检测为单个群集。然而，从运动规划的角度来看，附近有多少实际的行人并不重要，我们的自动驾驶车辆可以有效地避开行人。图5b显示了LIDAR跟踪的物体数量，网络摄像头验证的行人以及行人的地面真实数量。由于网络摄像头的FoV比LIDAR小得多，因此只有在通过视觉才能看到物体后才能计算物体。在测试中，我们的车辆在一个非常杂乱的环境中行驶，通过它的行人被跟踪和检测。当很少有FoV限制导致的假阴性的情况下，行人群仍然被激光跟踪， 行人出现时，LIDAR可以很容易地跟踪它们，并通过网络进行数据检测与追踪。
然而，当大量行人造成严重的闭塞时， 远处的行人不可避免地会迷路。同时，因为一个紧张的群 体行人被算作一个，有时被证实的行人数量似乎少于地面真相。在测试中，大多数行人都被检测到，无论是作为个人还是作为一个团体，都能安全地自动驾驶我们的车辆。该检测系统的频率高达37Hz，受LIDAR扫描频率的限制。有效检测范围约为15米，受网络摄像头分辨率的限制。通过在不同条件下的实验，我们的机载行人检测系统被证明既高效又可靠，同时易于处理。但是由于有限的FoV和普通网络摄像头的分辨率差，行人走路或走得太远都无法验证。同时，因为我们把一群单个行人，因此我们无法得到确切的行人数量。
本地化和自主导航中的大多数流行方法户外严重依赖基于GPS的本地化。事实上，DARPA的挑战是基于GPS的航路点作为输入。然而，由于高速天空刮板中的多路径，有限的卫星视图，GPS在城市地区不是非常可靠。这种情况如图6a所示。与高层建筑相结合的多云天空会衰减GPS信号，导致错误的定位，如图6b中的GPS轨迹所示。随着车辆移动，其GPS错误地估 计建筑物内的车辆位置，并且基于GPS的定位和控制可能导致导航失败。有趣的是，GPS限制的主要原因之一，即建筑物的接近度本身提供了利用基于范围的定位算法的良好机会。在我们的工作中，我们使用基于激光的地图来增强GPS表现不佳的地区。
我们在校园环境中对自动车辆测试平台上的几种
全文共8575字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[3052]
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
