自動駕駛及ADAS 應用 發展 法規及測試

前言

第 1 章　用於自動駕駛車輛的智能決策和運動規劃1

1.1　概述1

1.2　化—自動駕駛的關鍵要素3

1.3　自動駕駛功能架構5

1.4　情境解釋和決策制定6

1.4.1　環境呈現與情境解釋6

1.4.2　機動選擇的智能決策9

1.5　運動規劃問題12

1.5.1　路徑表示和軌跡生成問題12

1.5.2　驗證過的規劃方法14

1.5.3　縱向軌跡計算15

1.5.4　橫向控制問題16

1.5.5　模型預測控制方法17

1.6　結論20

常用縮寫詞21

謝22

參考文獻22

第 2 章　自動駕駛汽車的控制策略28

2.1　概述28

2.1.1　自動駕駛技術28

2.1.2　控制系統的意義29

2.1.3　自動駕駛汽車控制系統架構29

2.2　數學建模30

2.2.1　運動學模型31

2.2.2　動力學模型33

2.3　控制策略37

2.3.1　控制方案37

2.3.2　傳統控制38

2.3.3　基於學習的控制54

2.4　自主系統實驗室（SRMIST）的研究61

2.5　結論61

參考文獻63

第 3 章　自動駕駛汽車開發中的導航系統、設計和問題65

3.1　概述65

3.2　自動駕駛汽車的性67

3.2.1　車道檢測與變道67

3.2.2　自適應巡航控制67

3.2.3　同步定位與地圖構建68

3.2.4　軌跡規劃和避障68

3.3　用於自航的傳感器融合70

3.3.1　攝像頭傳感器70

3.3.2　毫米波雷達傳感器71

3.3.3　IMU傳感器71

3.3.4　激光雷達傳感器72

3.3.5　GPS傳感器72

3.3.6　聲波傳感器73

3.4　自動駕駛汽車的設計性73

3.4.1　硬件架構74

3.4.2　軟件架構74

3.5　自動駕駛汽車的問題74

3.6　結論75

參考文獻76

第 4 章　自動駕駛的目標檢測、跟蹤和軌跡預測79

4.1　概述79

4.2　2D目標檢測80

4.2.1　兩段檢測器82

4.2.2　單段檢測器82

4.2.3　多段檢測器83

4.2.4　基於形變件檢測器84

4.2.5　基於關鍵點檢測器84

4.3　3D目標檢測85

4.3.1　基於段數的分類85

4.3.2　基於輸入的分類87

4.4　目標跟蹤 90

4.4.1　通用目標跟蹤91

4.4.2　基於孿生經網絡（Siamese Network）的跟蹤92

4.5　軌跡預測93

4.5.1　基於註意力的方法93

4.5.2　基於社交池化的方法94

4.5.3　基於圖的方法 94

4.5.4　基於軌跡集的方法 94

4.6　統一建模94

4.6.1　多任務模型 95

4.6.2　數據集96

4.6.3　統一模型 97

4.7　結論98

參考文獻98

第 5 章　具有視頻分辨率的ADAS視覺系統107

5.1　概述107

5.1.1　ADAS概覽107

5.1.2　ADAS服務108

5.2　ADAS的視覺系統110

5.2.1　攝像頭模塊110

5.2.2　圖像信號處理器111

5.2.3　視覺系統的挑戰111

5.3　視頻分辨率概念112

5.3.1　ADAS視覺系統的SR需求112

5.3.2　視頻分辨率領域的發展113

5.3.3　基於深度學習VSR的研究局限性114

5.4　結論114

參考文獻115

第 6 章　車道檢測、車道預測和路徑規劃118

6.1　概述118

6.2　文獻調研119

6.3　研究工作120

6.3.1　車道檢測與跟蹤120

6.3.2　車道預測123

6.3.3　基於車道檢測與預測的路徑規劃125

6.4　實驗結果126

6.5　結論130

參考文獻130

第 7 章　PRN-SORB-SLAM：基於並行候選區域網絡的快速ORB-SLAM系統，用於

立體視覺的局路徑規劃133

7.1　概述133

7.2　文獻綜述135

7.3　整體架構135

7.3.1　輸入136

7.3.2　從立體圖像獲取深度信息136

7.3.3　候選區域138

7.3.4　征檢測139

7.3.5　征描述與匹配139

7.3.6　3D點雲的三角測量139

7.3.7　內點檢測140

7.3.8　旋轉矩陣與平移向量140

7.4　實驗評估141

7.5　結論149

參考文獻150

第 8 章　基於本體的室內領域模型表示與使用ROS的機器人路徑規劃推理153

8.1　概述153

8.2　基於本體的領域知識表示155

8.3　推理機158

8.3.1　性159

8.3.2　基於規則的引擎159

8.3.3　推理模型159

8.4　規劃164

8.4.1　基於約束的規劃164

8.4.2　任務規劃164

8.4.3　運動規劃166

8.5　基於本體機器人導航的機器人作系統（ROS）167

8.5.1　感知與傳感器167

8.5.2　ROS 3D168

8.5.3　ROS參數168

8.5.4　建圖與定位168

8.5.5　ROS集成框架168

8.6　實驗結果與分析169

8.7　結論172

參考文獻172

第 9 章　基於深度學習和計算機視覺驅動自動駕駛汽車的研究175

9.1　概述175

9.2　文獻綜述176

9.3　擬采用的方法論177

9.3.1　數據集收集177

9.3.2　征提取177

9.3.3　CNN架構179

9.4　討論和結果分析179

9.4.1　實驗設置179

9.4.2　181

9.4.3　結果分析182

9.5　結論182

參考文獻183

第 10 章　深度學習用於自動駕駛中的避障187

10.1　概述187

10.1.1　道路檢測188

10.1.2　車輛和目標檢測與跟蹤189

10.2　障礙物檢測189

10.2.1　自動駕駛車輛中的障礙物檢測190

10.2.2　障礙物探測方面的問題和挑戰191

10.2.3　障礙物檢測中使用的數據集191

10.3　利用深度學習避障192

10.3.1　深度學習架構及其變體193

10.3.2　YOLO架構194

10.3.3　用於自動駕駛汽車應用的 YOLO194

10.4　結論195

參考文獻195

第 11 章　使用同軸單攝像頭系統在視頻中進行多目標檢測和距離估計的

處理通道陣列198

11.1　概述198

11.2　方法論200

11.2.1　處理通道陣列200

11.2.2　多目標檢測206

11.2.3　利用單目攝像頭視覺估算距離208

11.3　實驗評估與討論212

11.3.1　處理通道陣列212

11.3.2　利用距離推導進行多目標檢測216

11.4　結論221

謝221

參考文獻221

第 12 章　基於隱馬爾可夫模型的自動駕駛車輛行為預測方法226

12.1　概述226

12.2　相關研究工作227

12.3　本項研究工作228

12.3.1　Stackelberg博弈228

12.3.2　獎勵函數設計230

12.3.3　GMM-HMM構建和訓練231

12.4　和結果分析233

12.5　結論234

參考文獻235

第 13 章　ADAS的新驗證和確認方法237

13.1　概述237

13.1.1　研究準備238

13.1.2　ADAS測試的新方法240

13.2　結論和未來的研究252

參考文獻252

第 14 章　自動駕駛中的人為因素257

14.1　概述257

14.2　智能駕駛中的人為因素研究258

14.2.1　手動駕駛向自動駕駛的交接258

14.2.2　自動駕駛260

14.2.3　接管車輛控制權260

14.3　自動駕駛人為因素的未來挑戰263

14.4　結論265

參考文獻265

第 15 章　車輛自動化中的人為因素270

15.1　概述270

15.2　人為因素：風險與挑戰273

15.2.1　手動幹預的要性273

15.2.2　駕駛員的弱點275

15.2.3　自動化的可接受度278

15.2.4　自動化的誤用和漏洞279

15.3　結論與未來研究方向280

參考文獻283

第 16 章　自動駕駛汽車網絡和隱私的法律問題289

16.1　概述290

16.2　承認加強網絡和隱私護的要性290

16.3　揭秘無人駕駛汽車所面臨的訴訟挑戰291

16.3.1　產品責任制的重要性291

16.3.2　自動駕駛汽車：它是侵權法下的“產品”還是“服務”292

16.3.3　如何確定軟件驅動汽車的缺陷292

16.4　理解不同司法管轄區針對網絡問題的各種立法的範圍294

16.4.1　美國294

16.4.2　印度297

16.5　實施過程中的挑戰298

16.5.1　訴訟成本298

16.5.2　第三方數據訪問298

16.5.3　平衡制造商和軟件開發商的責任299

16.6　前進之路與建議299

16.6.1　制造商的責任299

16.6.2　違約責任分析300

16.6.3　監管阻礙301

16.6.4　高級駕駛輔助系統和自動駕駛汽車技術的未來發展前景302

16.7　結論302

參考文獻303

第 17 章　自動駕駛系統中的人為因素：以用戶視角308

17.1　概述308

17.2　自動化等級308

17.3　自動駕駛系統（ADS）的核心要素310

17.3.1　設計原則310

17.3.2　勢與關註點310

17.4　ADS的社會心理因素312

17.5　作者的研究見解313

參考文獻313

第 18 章　印度自動駕駛系統中的網絡與隱私相關法律問題315

18.1　概述315

18.2　車輛自動化等級316

18.3　聯網自動駕駛車輛相關的網絡問題317

18.4　相關文獻317

18.5　研究方法319

18.6　結果與討論319

18.6.1　案例研究Ⅰ：責任319

18.6.2　案例研究Ⅱ：暴露於數據的自動駕駛系統320

18.6.3　案例研究Ⅲ：黑客攻擊引發的汽車事故320

18.6.4　案例研究Ⅳ：個人數據護321

18.7　結論321

參考文獻322

第 19 章　自動駕駛輔助系統技術324

19.1　概述324

19.2　ADAS及其功能325

19.3　接受度度量與影響因素326

19.4　合作式高級駕駛輔助系統實施（MATLAB方法）327

19.5　監管不確定性與政策制定328

19.6　結論329

參考文獻329

第 20 章　自動駕駛中的定位與建圖331

20.1　概述331

20.2　自動駕駛架構332

20.2.1　場景解讀333

20.2.2　定位與建圖333

20.2.3　規劃與駕駛策略333

20.2.4　控制333

20.3　自動駕駛中的定位333

20.3.1　應用場景333

20.3.2　定位的類型334

20.3.3　傳感器335

20.3.4　地圖表示336

20.4　視覺SLAM（VSLAM）337

20.4.1　SLAM的分類340

20.4.2　擴展到其他類型的攝像頭341

20.4.3　語義SLAM342

20.5　家庭停車：案例研究343

20.6　基於距離傳感器的SLAM344

20.6.1　深度經網絡在激光雷達SLAM中的應用344

20.6.2　毫米波雷達SLAM345

20.6.3　先驗地圖更新345

20.7　結論和挑戰346

20.7.1　SLAM後端的深度學習方法346

20.7.2　強化學習用於主動SLAM346

參考文獻347

第 21 章　基於GPS的自動駕駛汽車定位353

21.1　概述353

21.2　自動駕駛車輛的定位353

21.2.1　定位的要性354

21.2.2　定位中的問題與挑戰354

21.2.3　基於全球導航系統的定位355

21.2.4　利用統計技術化GPS定位355

21.2.5　基於幾何的GPS定位化357

21.3　傳感器融合357

21.3.1　慣性導航系統358

21.3.2　無線傳感器網絡358

21.3.3　激光測距傳感器358

21.4　基於人工智能的定位358

21.4.1　定位中的計算機視覺358

21.4.2　基於卡爾曼濾波的定位359

21.4.3　機器學習的作用359

21.4.4　卷積經網絡的使用360

21.5　結論361

參考文獻361

第 22 章　基於視頻的車輛事故檢測363

22.1　概述363

22.2　相關工作363

22.3　提出的方法364

22.4　實驗研究365

22.4.1　數據集365

22.4.2　實驗細節368

22.4.3　結果368

22.4.4　實驗分析368

22.5　結論及未來工作371

參考文獻371

第 23 章　自動駕駛系統（ADS）和自動駕駛車輛系統（AVS）：網絡和隱私

法律問題373

23.1　概述373

23.2　自動駕駛車輛系統（AVS）/自動駕駛系統（ADS）相較於非自動化車輛的

重要性374

23.3　網絡：與自動駕駛車輛相關的基本概念375

23.4　ADS與AVS的比較377

23.5　如何從法律角度看待機器與人類駕駛員：分析380

23.6　當前道路規則和駕駛員法規382

23.6.1　美國車輛法規383

23.6.2　印度車輛法規384

23.7　自動駕駛車輛硬件和軟件分的網絡與法律問題387

23.8　結論389

參考文獻390

第 24 章　露天礦自主機器人392

24.1　概述392

24.2　提出的方法394

24.3　車道檢測過程397

24.3.1　將原始圖像轉換為灰度圖397

24.3.2　應用輕微的高斯模糊397

24.3.3　應用Canny邊緣檢測器397

24.3.4　定義感興趣區域398

24.3.5　檢索Hough線398

24.4　實施細節399

24.5　結果404

24.5.1　討論404

24.5.2　訓練404

24.6　結論405

參考文獻406