城区真实交通环境无人驾驶车辆关键技术与平台研究

The research on the technology and platform of self-driving vehicles has significant theoretical and application value. Although making rapid progress, it remains challenge for a self-driving vehicle to handle real complex traffic environment. This project focuses on three defects of current self-driving vehicle technologies: imperfect perception, inadequate decision-making ability and inharmony between vehicle control and perception/decisions. To solve these three problems, three key researches will be carried out:.(1) Cooperative perception of multi-elements guiding by a traffic environment model. To achieve a complete understanding of the traffic scene, we make good use of a priori knowledge of the environment and make the effective integration of the results from each perception module..(2) Through the analysis of the driving behavior, human driving knowledge acquisition and learning, a driving behavioral decision knowledge database in dynamic intensive traffic environment is obtained. Also a behavior decision model for self-driving vehicle, which is an integration of intuitive and data-driven logical reasoning decision-making, is proposed..(3)Vehicle kinematics and dynamics characteristic influence model is built to improve the circumstance adaptability of the perception, decision making, and planning. Then we design and optimize the self-driving vehicle platform as a whole..Based on above key technologies, our ultimate goal is to develop new generation self-driving vehicle with the ability of cognitive decision-making in real complex traffic scenes.

真实城区复杂交通流条件下的无人驾驶车辆自主行驶技术及平台研究，具有重要的理论研究意义及应用价值。针对目前无人驾驶车辆在应对复杂多变的真实交通环境时存在的感知不完备、决策能力不足以及感知决策与控制脱节问题，开展三个关键问题研究：(1) 研究交通环境模型指导下的多交通要素协同感知问题，充分利用环境的先验知识，有效整合各模块的感知信息以达到对交通场景的完整理解；(2) 提出直觉决策与数据驱动的逻辑推理决策相结合的无人驾驶车辆行为决策模型，通过对人类驾驶行为决策知识的获取、表达与理解，建立动态密集交通环境下无人驾驶车辆行为决策知识库；(3) 研究无人驾驶车辆运动学与动力学特性约束对感知决策及运动规划影响的分析及计算模型，提高感知与决策规划结果对车辆与道路环境的适应性。在此基础上，对无人驾驶车辆平台进行整体设计与优化，研制新一代在复杂真实交通环境中具有驾驶认知决策能力的无人驾驶车辆集成验证平台。

研究城区复杂交通流条件下的无人驾驶车辆自主行驶技术及平台，实现真实道路交通环境下的自主驾驶。主要解决三个关键问题：一是复杂交通环境的认知建模与实时场景理解；二是动态密集交通环境下多粒度驾驶规划决策知识获取与表达及无人驾驶交通行为直觉决策模型；三是无人驾驶车辆运动学与动力学特性对感知决策及运动规划的影响分析及计算模型。.(1) 针对复杂环境的认知建模与实时场景理解问题。(a) 提出基于信息融合的多传感器标定与多目标跟踪方法; (b)基于深度学习的环境场景理解方法，包括神经网络结构优化算法、分支CNN（卷积神经网络）快速识别交通标志方法、基于深度学习的相似性度量原理；(c) 提出双目视觉、激光雷达等多源信息SLAM与视觉-几何相结合的环境建模方法，优化一种激光雷达里程计SLAM技术，并在多源信息综合定位中得到应用。在以上多要素环境感知方法的基础上，将多源信息映射在概率栅格地图中进行场景理解计算。.(2)针对动态密集交通环境中无人驾驶车辆行为决策机理与方法。(a) 提出基于强化学习的智能车辆环境自适应的行为决策方法; (b)建立复杂城市环境下智能车辆跟驰、换道、汇入决策环境自适应性决策规则、城市T形路口智能车辆驾驶规则及决策模型、无信号灯十字交叉口车辆通行规则与决策模型；(c)在上述模型基础上,通过人工驾驶数据的采集，提出类人驾驶行为决策方法：基于自学习系统的类人驾驶行为决策、建立人类驾驶员的驾驶行为模型并明确驾驶行为的知识表达方式，并根据不同驾驶任务建立不同的驾驶场景模型实现对学习系统和算法的测试，以及复杂纵横向协同驾驶场景建模与算法测试。.(3)针对无人驾驶车辆运动学与动力学特性对感知决策及运动规划的影响分析及计算模型，在感知、决策和规划方法中融入了车辆动力学和运动学影响因素，成功完成了基于模型预测控制的最优运动规划与跟踪控制实车应用。.上述成果不仅在理论研究上取得了系列突破，数据均来自实际交通场景，并形成多个无人驾驶测试车辆平台，基于研究成果，与北汽福田、华晨汽车、奇瑞汽车、合众汽车进行了合作研究，并在北京、沈阳、常熟、上海、深圳等多个实际开放道路场景进行20多种无人驾驶汽车平台上进行测试应用，并参加了“中国智能车未来挑战赛”。相关成果也在国防基础预研项目中得到应用，并进行了产业化应用，开发了系列产品成果。