城区道路环境下的无人驾驶车辆关键技术及系统验证平台

本项目围绕"视听觉信息的认知计算"重大研究计划所提出的科学问题，借鉴生物视觉系统的感知机理，在认知机理模拟和计算的层次上，探索视觉信息处理的新方法，将选择性注意、视觉反馈机制和空间拓扑结构信息引入到无人驾驶车辆环境感知信息处理的计算框架中，提高机器视觉计算的效率和认知水平，研究面向城区道路环境的无人驾驶车辆的关键技术及系统验证平台，并为本重大研究计划的相关基础理论研究和关键技术的突破提供开放式测试环境。.通过本项目的实施：初步实现具有选择性注意机制和多传感器信息交互的无人驾驶车辆环境感知计算框架；探索一种初级视觉信息处理的动态对偶协作计算模型和局部动态场景建模方法；建立初级驾驶行为知识库，在环境感知和行为决策的基础上实现无人驾驶车辆的实时控制 与自主驾驶。在国内外有重要影响的学术期刊与知名国际会议上发表学术论文15篇以上，申请国家发明5-8项。

项目聚焦于城区道路环境下无人驾驶车辆的环境感知与决策控制两个核心问题，研究中兼顾基础理论与系统实现。 基础理论层面的研究成果包括：（1）构建了基于选择性注意与视觉反馈机制的局部场景交通要素感知框架，提出了基于超复数傅立叶变换谱对比度的显著图计算模型、结合上下文模型的显著要素自动提取及动态场景多层次解析等模型与算法，显著提高了交通要素感知的计算效率和认知水平。（2）提出了大范围环境度量与拓扑结构混合的描述框架，弥补了现有地图导航在度量、拓扑结构和信息完备性等方面的不足。针对结构化交通环境，设计了度量与拓扑混合的地图自动生成与定位系统，提出了车道精度混合导航地图生成、交通要素配准与车辆精确定位等核心算法；针对非结构化交通环境，提出了离散点集地图同时创建与定位的多个高效算法及局部地图拼接关键技术。（3）提出了交通要素拓扑关系表征及驾驶行为最优贝叶斯决策框架，实现了基于交通要素拓扑关系分类的驾驶行为决策模型、实时运动规划及鲁棒的侧纵向耦合运动控制等核心算法。. 成功开发了两套无人驾驶车辆原型系统,能在城区交通环境自主行驶并遵守交通规则，最高时速可达60km/h，连续五年参加了由国家自然科学基金委主办的 “未来挑战智能车比赛”（2009-2013）且表现突出。突破的关键技术包括：（1）提出并实现了基于图像分割技术和道路模型的路面检测、基于单目视觉和惯性导航单元的车道线实时检测、基于双目视差图的可行使区域及路面障碍物检测、交通标志识别、交通灯识别及交通标线识别及低成本高精度的车辆组合定位等多项交通要素感知的关键技术。（2）提出并实现了多传感器重合区域融合、相互校验、非重合区域视点拼接、盲区消除等多项技术，实现了对无人车前后方各50米、左右两侧10米范围内障碍物的鲁棒检测与跟踪。（3）设计的行为规划涵盖了车道保持、避障、U-Turn、路口和按照交通标志指示行驶等驾驶行为，保证了无人车在各种交通场景下安全、稳定的行驶；设计了侧纵向控制器的参数优化算法，并在踏板控制中引入执行器离散模型实现了平滑制动控制。. 研究成果在Pattern Recognition、Optic letters等重要国际学术期刊及ICCV、ACM MM等高水平国际会议发表发表论文24篇。培养博士后1名、博士研究生11名及硕士研究生11名。授权发明专利2项，申请发明专利4项。