扫一扫
关注中图网
官方微博
本类五星书更多>
-
>
宇宙、量子和人类心灵
-
>
考研数学专题练1200题
-
>
希格斯:“上帝粒子”的发明与发现
-
>
神农架叠层石:10多亿年前远古海洋微生物建造的大堡礁
-
>
二十四史天文志校注(上中下)
-
>
声音简史
-
>
浪漫地理学:追寻崇高景观
现代测绘技术与智能驾驶 版权信息
- ISBN：9787030689184
- 条形码：9787030689184 ; 978-7-03-068918-4
- 装帧：一般胶版纸
- 册数：暂无
- 重量：暂无
- 所属分类：>>
现代测绘技术与智能驾驶 内容简介
本书围绕现代测绘技术在智能驾驶中的应用与发展，从智能驾驶的底层逻辑到顶层设计，从单车智能驾驶到车路协同智能驾驶，从算法设计到应用，较全面地介绍智能驾驶技术，包括现代测绘科学的形成与发展、智能驾驶系统构成、基于视觉和激光点云的环境探测、面向智能驾驶的高精度地图、智能驾驶自主定位技术、智能驾驶规划与控制技术、车路协同智能驾驶等内容及智能驾驶未来发展展望。
现代测绘技术与智能驾驶 目录
目录
第1章 绪论 1
1.1 智能驾驶的一般理解与意义 1
1.2 智能驾驶发展现状 4
1.2.1 智能驾驶发展历史 4
1.2.2 国外智能驾驶研究现状 10
1.2.3 国内智能驾驶研究现状 17
1.3 现代测绘技术发展与智能驾驶 21
1.3.1 导航定位与智能驾驶 21
1.3.2 地理信息与智能驾驶 23
1.3.3 高精度地图与智能驾驶 27
参考文献 29
第2章 智能驾驶系统构成 36
2.1 智能驾驶系统平台综述 36
2.2 智能驾驶系统结构 38
2.2.1 从单车智能到智能网联 38
2.2.2 平台体系分层 39
2.3 车辆线控底盘 40
2.4 传感器及其集成 41
2.4.1 传感器分类 41
2.4.2 时间同步 43
2.5 智能驾驶域控制器 43
2.6 智能驾驶软件算法设计 44
参考文献 45
第3章 基于视觉的环境探测 47
3.1 智能驾驶中的机器视觉 47
3.1.1 机器视觉的三个层次 48
3.1.2 智能驾驶中常用的视觉特征 48
3.1.3 智能驾驶中常用的特征分类 51
3.2 车道线检测与跟踪 53
3.2.1 车道线检测框架 53
3.2.2 边缘特征提取 53
3.2.3 基于B-snake模板的车道线检测算法 54
3.2.4 基于车道模型和EKF的车道线检测算法 56
3.2.5 基于深度学习的车道线检测 59
3.3 行人目标检测 61
3.3.1 行人检测算法框架 61
3.3.2 目标特征提取 61
3.3.3 特征分类 61
3.3.4 行人检测与跟踪算法 63
3.4 车辆检测及跟踪 67
3.4.1 车辆检测算法框架 67
3.4.2 车辆检测算法 68
3.4.3 车辆跟踪算法 70
3.5 交通标牌与交通灯识别 71
3.5.1 概述 71
3.5.2 交通标牌与交通灯识别难点 72
3.5.3 交通标牌与交通灯识别方法 72
3.5.4 交通标牌与交通灯识别的异同 78
参考文献 79
第4章 基于激光点云的实时环境探测 81
4.1 激光雷达与智能驾驶的发展 81
4.1.1 激光雷达测距原理 81
4.1.2 激光雷达发展简史 83
4.1.3 激光雷达成像原理 83
4.1.4 激光雷达在智能驾驶中的应用 87
4.1.5 激光雷达在自主车的安装发展 89
4.2 激光点云数据处理 94
4.2.1 点云数据采集过程 95
4.2.2 点云数据坐标计算 96
4.2.3 点云数据结构化处理 97
4.2.4 点云数据点特征提取 100
4.2.5 点云数据直线段提取 102
4.2.6 点云数据平面段提取 104
4.3 道路动态目标检测与跟踪 107
4.3.1 目标建模 108
4.3.2 目标检测方法 110
4.3.3 目标跟踪方法 116
参考文献 121
第5章 面向智能驾驶的高精度地图 127
5.1 传统导航地图的产生和发展 127
5.1.1 导航电子地图的兴起 127
5.1.2 地图空间实体数据结构 128
5.1.3 导航电子地图的内容 129
5.1.4 导航电子地图的数据库标准和格式 130
5.1.5 导航电子地图的制作流程 132
5.2 高精度地图的表达和生成 133
5.2.1 高精度地图的概念 133
5.2.2 高精度地图的格式规范 135
5.2.3 高精度地图的采集 140
5.2.4 高精度地图的制作流程 141
5.3 地图辅助智能驾驶应用 142
5.3.1 地图与智能驾驶的关系 142
5.3.2 高精度地图辅助智能驾驶的应用 143
参考文献 144
第6章 智能驾驶自主定位技术 149
6.1 坐标基准及转换 149
6.1.1 坐标系及姿态表达 149
6.1.2 传感器模型 154
6.1.3 Kalman滤波 160
6.2 GNSS/INS组合导航定位技术 163
6.2.1 惯性导航机械编排 164
6.2.2 GNSS/INS组合导航模型 168
6.3 即时定位与构图技术 173
6.3.1 SLAM技术的分类 174
6.3.2 基于概率的SLAM模型 177
6.3.3 基于扩展Kalman滤波的SLAM 模型 179
6.3.4 SLAM/INS组合导航模型 181
6.3.5 GNSS/INS/SLAM组合导航模型 183
6.4 基于高精度地图的定位技术 187
6.4.1 基于特征地图的定位 187
6.4.2 基于拓扑地图的定位 193
6.4.3 基于栅格概率地图的定位 199
参考文献 204
第7章 智能驾驶规划与控制技术 212
7.1 智能驾驶决策与规划系统概述 212
7.1.1 城市环境下智能驾驶车辆决策设计面临的问题 212
7.1.2 武汉大学智能驾驶车辆的决策系统 214
7.2 路径规划算法 218
7.2.1 路径规划算法概述 218
7.2.2 图搜索类算法 221
7.2.3 采样类算法 225
7.2.4 基于Anytime和CL_SST的规划系统 229
7.2.5 基于动态规划的智能驾驶路径规划系统 249
7.3 路径跟踪控制方法 258
7.3.1 控制系统概述 258
7.3.2 智能驾驶车辆横向控制算法 259
7.3.3 典型几何跟踪控制器 261
7.3.4 CF_Pursuit的设计 263
7.3.5 横向控制器对比试验 268
参考文献 271
第8章 车路协同智能驾驶 277
8.1 车路协同概述 277
8.1.1 国外车路协同技术发展 277
8.1.2 国内车路协同技术发展 278
8.1.3 车路协同智能驾驶系统来临 279
8.2 智能路侧系统 279
8.2.1 智能路侧系统的发展 279
8.2.2 智能路侧系统的特点 280
8.2.3 智能路侧系统的基本原理及设计 281
8.3 智能网联汽车 291
8.3.1 智能网联汽车的系统框架 291
8.3.2 智能网联汽车的安全防护设计 291
8.4 基于5G的车路协同智能驾驶系统 293
8.4.1 基于5G的车路协同智能驾驶系统关键子系统 293
8.4.2 车路协同系统测试与验证 295
8.5 车路协同系统面临的挑战 296
参考文献 297
第9章 智能驾驶未来发展展望 298
9.1 智能驾驶发展综述 298
9.2 智能驾驶高精度地图及定位技术 299
9.2.1 智能驾驶地图 299
9.2.2 智能驾驶定位技术 299
9.2.3 地图与定位技术面临的挑战 300
9.3 对抗攻击与安全防护 300
9.3.1 智能驾驶系统安全 301
9.3.2 智能驾驶安全发展趋势 302
9.4 “小特慢”场景应用 304
9.4.1 自主导航机器人应用 304
9.4.2 封闭园区/景区/厂区车 305
9.4.3 末端物流配送 307
参考文献 307
第1章 绪论 1
1.1 智能驾驶的一般理解与意义 1
1.2 智能驾驶发展现状 4
1.2.1 智能驾驶发展历史 4
1.2.2 国外智能驾驶研究现状 10
1.2.3 国内智能驾驶研究现状 17
1.3 现代测绘技术发展与智能驾驶 21
1.3.1 导航定位与智能驾驶 21
1.3.2 地理信息与智能驾驶 23
1.3.3 高精度地图与智能驾驶 27
参考文献 29
第2章 智能驾驶系统构成 36
2.1 智能驾驶系统平台综述 36
2.2 智能驾驶系统结构 38
2.2.1 从单车智能到智能网联 38
2.2.2 平台体系分层 39
2.3 车辆线控底盘 40
2.4 传感器及其集成 41
2.4.1 传感器分类 41
2.4.2 时间同步 43
2.5 智能驾驶域控制器 43
2.6 智能驾驶软件算法设计 44
参考文献 45
第3章 基于视觉的环境探测 47
3.1 智能驾驶中的机器视觉 47
3.1.1 机器视觉的三个层次 48
3.1.2 智能驾驶中常用的视觉特征 48
3.1.3 智能驾驶中常用的特征分类 51
3.2 车道线检测与跟踪 53
3.2.1 车道线检测框架 53
3.2.2 边缘特征提取 53
3.2.3 基于B-snake模板的车道线检测算法 54
3.2.4 基于车道模型和EKF的车道线检测算法 56
3.2.5 基于深度学习的车道线检测 59
3.3 行人目标检测 61
3.3.1 行人检测算法框架 61
3.3.2 目标特征提取 61
3.3.3 特征分类 61
3.3.4 行人检测与跟踪算法 63
3.4 车辆检测及跟踪 67
3.4.1 车辆检测算法框架 67
3.4.2 车辆检测算法 68
3.4.3 车辆跟踪算法 70
3.5 交通标牌与交通灯识别 71
3.5.1 概述 71
3.5.2 交通标牌与交通灯识别难点 72
3.5.3 交通标牌与交通灯识别方法 72
3.5.4 交通标牌与交通灯识别的异同 78
参考文献 79
第4章 基于激光点云的实时环境探测 81
4.1 激光雷达与智能驾驶的发展 81
4.1.1 激光雷达测距原理 81
4.1.2 激光雷达发展简史 83
4.1.3 激光雷达成像原理 83
4.1.4 激光雷达在智能驾驶中的应用 87
4.1.5 激光雷达在自主车的安装发展 89
4.2 激光点云数据处理 94
4.2.1 点云数据采集过程 95
4.2.2 点云数据坐标计算 96
4.2.3 点云数据结构化处理 97
4.2.4 点云数据点特征提取 100
4.2.5 点云数据直线段提取 102
4.2.6 点云数据平面段提取 104
4.3 道路动态目标检测与跟踪 107
4.3.1 目标建模 108
4.3.2 目标检测方法 110
4.3.3 目标跟踪方法 116
参考文献 121
第5章 面向智能驾驶的高精度地图 127
5.1 传统导航地图的产生和发展 127
5.1.1 导航电子地图的兴起 127
5.1.2 地图空间实体数据结构 128
5.1.3 导航电子地图的内容 129
5.1.4 导航电子地图的数据库标准和格式 130
5.1.5 导航电子地图的制作流程 132
5.2 高精度地图的表达和生成 133
5.2.1 高精度地图的概念 133
5.2.2 高精度地图的格式规范 135
5.2.3 高精度地图的采集 140
5.2.4 高精度地图的制作流程 141
5.3 地图辅助智能驾驶应用 142
5.3.1 地图与智能驾驶的关系 142
5.3.2 高精度地图辅助智能驾驶的应用 143
参考文献 144
第6章 智能驾驶自主定位技术 149
6.1 坐标基准及转换 149
6.1.1 坐标系及姿态表达 149
6.1.2 传感器模型 154
6.1.3 Kalman滤波 160
6.2 GNSS/INS组合导航定位技术 163
6.2.1 惯性导航机械编排 164
6.2.2 GNSS/INS组合导航模型 168
6.3 即时定位与构图技术 173
6.3.1 SLAM技术的分类 174
6.3.2 基于概率的SLAM模型 177
6.3.3 基于扩展Kalman滤波的SLAM 模型 179
6.3.4 SLAM/INS组合导航模型 181
6.3.5 GNSS/INS/SLAM组合导航模型 183
6.4 基于高精度地图的定位技术 187
6.4.1 基于特征地图的定位 187
6.4.2 基于拓扑地图的定位 193
6.4.3 基于栅格概率地图的定位 199
参考文献 204
第7章 智能驾驶规划与控制技术 212
7.1 智能驾驶决策与规划系统概述 212
7.1.1 城市环境下智能驾驶车辆决策设计面临的问题 212
7.1.2 武汉大学智能驾驶车辆的决策系统 214
7.2 路径规划算法 218
7.2.1 路径规划算法概述 218
7.2.2 图搜索类算法 221
7.2.3 采样类算法 225
7.2.4 基于Anytime和CL_SST的规划系统 229
7.2.5 基于动态规划的智能驾驶路径规划系统 249
7.3 路径跟踪控制方法 258
7.3.1 控制系统概述 258
7.3.2 智能驾驶车辆横向控制算法 259
7.3.3 典型几何跟踪控制器 261
7.3.4 CF_Pursuit的设计 263
7.3.5 横向控制器对比试验 268
参考文献 271
第8章 车路协同智能驾驶 277
8.1 车路协同概述 277
8.1.1 国外车路协同技术发展 277
8.1.2 国内车路协同技术发展 278
8.1.3 车路协同智能驾驶系统来临 279
8.2 智能路侧系统 279
8.2.1 智能路侧系统的发展 279
8.2.2 智能路侧系统的特点 280
8.2.3 智能路侧系统的基本原理及设计 281
8.3 智能网联汽车 291
8.3.1 智能网联汽车的系统框架 291
8.3.2 智能网联汽车的安全防护设计 291
8.4 基于5G的车路协同智能驾驶系统 293
8.4.1 基于5G的车路协同智能驾驶系统关键子系统 293
8.4.2 车路协同系统测试与验证 295
8.5 车路协同系统面临的挑战 296
参考文献 297
第9章 智能驾驶未来发展展望 298
9.1 智能驾驶发展综述 298
9.2 智能驾驶高精度地图及定位技术 299
9.2.1 智能驾驶地图 299
9.2.2 智能驾驶定位技术 299
9.2.3 地图与定位技术面临的挑战 300
9.3 对抗攻击与安全防护 300
9.3.1 智能驾驶系统安全 301
9.3.2 智能驾驶安全发展趋势 302
9.4 “小特慢”场景应用 304
9.4.1 自主导航机器人应用 304
9.4.2 封闭园区/景区/厂区车 305
9.4.3 末端物流配送 307
参考文献 307
展开全部
现代测绘技术与智能驾驶 节选
第1章 绪论 1.1 智能驾驶的一般理解与意义 科技发展日新月异，目前以互联网、云计算、大数据、物联网和智能制造等技术为主要驱动的第四次工业革命已经开始。2015年5月8日，国务院印发的《中国制造2025》指出：到2020年，基本实现工业化，进一步巩固制造业大国地位，制造业信息化水平大幅提升。掌握一批重点领域关键核心技术，优势领域竞争力进一步增强，产品质量有较大提高。制造业数字化、网络化、智能化取得明显进展。重点行业单位工业增加值能耗、物耗及污染物排放明显下降[1]。这是我国全面推进实施制造强国战略的重要举措。2018年9月，德国政府在《高技术战略2025》（Hightech-Strategie 2025，HTS 2025）中指出加强人工智能的应用性开发[2]（图1.1）。目前，我国尚处于第四次工业革命的起步阶段，人工智能是新一轮科技革命和产业变革的核心竞争力，也是我国在第三轴心时代的使命[3]。因此，研究人工智能技术具有非常重要的战略意义。 图1.1 HTS 2025[2] 交通是城市发展的主要动力，交通建设作为国民经济重要的基础工作，对整个经济社会的发展有着十分重要的作用。随着工业化、城市化、机动化发展，我国交通系统基础设施规模逐年增长，交通系统运输服务规模世界**，但交通综合运输效率低，城市交通系统供需失衡，道路交通拥堵严重，许多城市拥堵进入常态化，交通安全问题突出，交通能源消耗较大[4]。据世界卫生组织统计，我国每年道路交通事故死亡人数超过20万人，全世界每年有120万人死于汽车或与交通相关的事故，且将在2030年达到220万人。美国国家公路交通安全管理局（National Highway Traffic Safety Administration，NHTSA）的一项调查显示，93%的车祸与人为失误有关。降低汽车事故发生的一个重要举措是提升现有车辆平台的智能化水平，使车辆能够通过车身传感器自动地感知周围环境并对危险情况进行有效干预。根据欧盟在欧洲交通事故分析（traffic accident causation in Europe，TRACE）[5]中得出的结论，安装高级驾驶辅助系统（advanced driver assistance systems，ADAS）的车辆能够有效减少25%的前向碰撞及因前向碰撞导致的安全风险，可避免60%的横向偏离碰撞风险。智能驾驶作为ADAS的拓展，其相关研究是提高出行效率、保障驾驶安全的重要手段之一。开发主动式汽车安全技术产品，减少驾驶人员的负担和错误判断，对于提高交通安全将起到重要作用[6]。 智能驾驶在普通车辆的基础上增加了先进的传感器[如视频、激光雷达、超声传感器、微波雷达、全球定位系统（global positioning system，GPS）、里程计、磁罗盘等]、控制器、执行器等装置，通过车载传感系统和信息终端实现与人、车、路等的智能信息交换，使车辆具备智能的环境感知能力，能够自动分析车辆行驶的安全及危险状态，并使车辆按照人的意愿到达目的地，*终实现替代人来操作的目的[7-8]。它涵盖了地理信息、人工智能、电子信息、自动控制、计算机等多门学科，是当今世界前沿热点研究方向。智能驾驶技术旨在解放驾驶员，让车辆能自主地在道路上行驶，其概念产生于智能交通系统（intelligent transportation system，ITS）。在这样的智能系统中，车辆靠自己的智能行驶穿梭于城市，公路靠自身的智能将交通流量调整至*佳状态[9-10]。搭载了激光雷达、相机、毫米波雷达、GPS 等设备的智能驾驶车辆不需要人为干预就能对环境进行感知，从复杂的交通流中提取导航信息，并以先进的决策和控制系统计算并执行适当的指令。 智能驾驶是一场技术革命，智能驾驶车是未来汽车的重要发展方向，其意义非凡而深远。从民用层面来说，智能驾驶在乘用车上的实现可解放驾驶员双手，提升城市交通系统的效率，降低车辆驾驶管理的复杂度，缓解真实道路拥堵的现状，减少人为失误导致的交通事故，拯救千万生命。研究表明，包括智能汽车研究在内的智能运输系统能大幅度提高公路的通行能力，至少使现有高速公路的交通效率提升1倍；能大量减少公路交通事故[11]。美国智库Eno 交通运输中心（Eno Center for Transportation）研究表明，如果美国公路上90%的汽车变成智能驾驶车辆，车祸数量将从600万起降到130万起，死亡人数将从3.3万人降到1.2万人[12]。智能驾驶车辆能够感知车辆周围的环境，准确识别路口的交通信号灯，根据车辆的智能决策系统，遇到红灯时如果司机没有及时做出刹车反应，车辆能自主做出刹车指令，这样就能避免司机未及时刹车而闯红灯的行为；智能驾驶车辆也能够感知周围的车辆和行人等障碍物，快速识别判断障碍物，比人类更快速地做出避障决策。能见度极低的恶劣天气下，人眼能见范围降低，但是智能驾驶车辆上的激光雷达不受天气的影响，在恶劣天气中依然能准确感知周围的环境信息，极大增强了人和车辆行驶的安全性。交通事故的减少对保障人们的生命财产安全具有重大意义。 从工业应用层面来说，智能驾驶车辆可替代人力从事艰苦和危险的交通运输工作，也可减少机械重复的运输工种，降低人力成本，实现全天时全天候的物流和运输系统运转[13]。从工业文明初期至今，工业生产与物流运输经历了人工作业到机械化的转变，从当初的木牛车马发展到现如今随处可见的机械化生产和大型运输工具，再向着全自动化和高度智能化前进。国内外图森、智加等一系列科技公司聚焦智能驾驶落地物流场景，致力于在港口、高速等规则化道路上实现自动化、智能化物流。 从军事应用层面来说，智能驾驶战车可完成战场上的运输、侦察、通信、救护等工作，能够替代人类在高危环境中执行任务，例如抗震救灾或者有毒或辐射等情况下，智能驾驶战车能够有效减少人员伤亡。积极研究和发展智能驾驶战车在军事领域的应用，能够丰富军事斗争手段，提升军队的战斗力，大大保障战士的安全。2016年，“欧洲国际防务展”上以色列展出军事作战系列机器人战车，可用于侦察活动、护送车队，并执行相关作战任务。 目前，来自全球的多家企业已经推出与智能驾驶相关的业务并有望在近几年推出智能驾驶汽车。《中国制造2025》明确将智能网联汽车列入未来十年国家智能制造发展的重点领域，明确指出到2020年要掌握智能辅助驾驶总体技术及各项关键技术，到2025年要掌握智能驾驶总体技术及各项关键技术（图1.2）。同时，各地也陆续出炉智能驾驶的道路测试规定[1]。 图1.2 智能制造的内容 智能驾驶的实现需要一系列协作技术，包括大数据、地图定位导航服务，模式识别，人工智能等。其关键技术可分为环境感知、定位导航、路径决策与规划、车辆控制4个方面[14]。 智能驾驶的实时环境感知技术是关键也是难点，环境感知的主要任务是接收车端传感器数据，感知车辆周围的环境（包括动态的道路参与者和静态的道路状况、交通设施等），*后将外部环境建模发送给路径决策与规划模块，从而帮助车辆自身做出正确的行驶行为。环境感知针对动态道路参与者的感知任务即多目标检测、识别和跟踪预测，称为运动目标检测与跟踪（moving object detection and tracking，MODAT）[15]。车端传感器是智能驾驶环境感知技术中不可或缺的一部分，它们是智能驾驶大脑感知外界环境的触角。车端传感器通常包含相机、激光雷达、毫米波雷达和超声波雷达等。不同传感器具有不同的特性，针对的场景和功能也各不相同。只有将多传感器有机结合在一起才能保证智能驾驶系统环境感知的稳定可靠，因而传感器架构设计也是智能驾驶环境感知技术中重要的一部分。多传感器在车端的布局、时间同步方式、数据传输系统都是环境感知的基础[16]。不同传感器输出的数据也具有不同特性，环境感知算法需要针对不同数据特点设计出有针对性的数据处理方式，通过数据和算法结合，实现功能全面、性能极致的智能驾驶技术。 现阶段智能汽车信息感知水平还不能满足复杂环境下、全工况、全自动驾驶的要求，定位成本也十分高昂。为了实现智能驾驶，智能车目前常用的传感器有微波雷达、激光雷达、超声波传感器、视觉传感器、GPS、里程计、磁罗盘等。而智能车为了实现车道内安全行驶，定位精度必须在分米级别。为了提高绝对定位精度，智能车的标准配置一般选择高精度GYRO①、DMI②、POS③或CORS④等技术进行组合集成，这些配置无疑大大增加了传感器的成本。目前市场上分米级别的定位装置价格大约为2万美元，厘米级别的定位设备更加昂贵，难以大规模推广应用。因此，面向智能驾驶的高精度地图应运而生，高精度地图目前已经是发展智能交通和普及智能驾驶必不可少的核心因素，根据知名投资机构Goldman Sachs的市场评估报告，未来15年是高精度地图发展的黄金时期，市场规模将从2020年的21亿美元增加到2025年的94亿美元[17]，各大图商、互联网巨头及传感器厂商纷纷加入地图行业展开地图资源争夺，地图行业投资并购频繁。面向智能驾驶的高精度地图有助于提高智能车辆的定位精度和降低定位成本，降低环境感知的难度和提高环境感知的效率，有效实现路径规划和决策控制，为提高智能汽车环境感知的可靠性和稳定性及保障智能汽车运行的安全和效率提供一种补充解决方案，为推动智能汽车的产业发展和普及提供有力的技术支撑。我国对精准测绘业务审核严格并且监管严密，其必须在拥有导航电子地图制作和互联网地图服务资质等相关测绘资质的前提下才能开展车载高精度地图相关业务。目前，通过国家相关的专业标准能够从事高精度业务的厂家十分有限。因此，高精度地图对智能驾驶领域来说也是十分稀缺的资源[18]。 规划决策是智能车的大脑，其在拥有感知和地图提供的可通行区域和位置信息的基础上，计算出一条当前环境*优路径，并根据标志牌等信息给定推荐速度。路径规划决定了智能驾驶车辆在采样时间内的运动行为，是智能驾驶车辆的基本要求。一个合理、稳定的路径规划系统可以大大提高城市交通的安全性和稳定性，无论是辅助驾驶还是未来L5（完全自动化）级别完全的自动驾驶，路径规划都是智能驾驶领域的重点。如何使轨迹适应环境，并带给乘客舒适的乘坐体验，一直都是智能驾驶的难点，也具有非常大的研究意义。智能驾驶的路径规划方法起源于数据结构（如图、树）和机器人领域的衍生算法。相较于机器人领域，汽车是一种结构特殊的移动机器人，依靠前轮转向来实现车辆质心的偏移。当前智能驾驶路径规划的方法主要可以分为基于图搜索的规划方法、基于路径点采样的规划方法、基于曲线生成的规划方法，以及其他相关领域的算法[19]4类。 运动控制系统是智能驾驶车系统的执行器，在车辆行进的过程中根据局部路径规划给出的行驶轨迹和速度规划智能驾驶汽车当前的位置、姿态和速度，产生对油门、刹车、方向盘和变速杆的控制命令，以跟踪规划出的行驶轨迹。 1.2 智能驾驶发展现状 1.2.1 智能驾驶发展历史 作为城市智能交通系统的重要组成部分，智能驾驶系统利用车身硬件平台集成的相机、三维激光雷达、毫米波雷达、超声波雷达、组合导航单元等传感器实现车辆自身及周围道路场景数据的有效采集，结合环境感知算法得到道路场景中的车道线、车辆、行人等信息，并构建高精度的局部场景地图，规划局部路径，完成横向和纵向的自动控制，实现车辆的自主驾驶。整车的智能驾驶系统中涵盖了信号处理、电子信息、计算机、自动化、地图导航和定位等多个学科的内容，相关技术的研究吸引了全世界的**研究团队，是目前的前沿研究方向。 汽车的发展经历了三个不同的阶段。**阶段是手工作坊制作过程，没有标准化零件和装配过程。这一阶段的汽车价格很高，其质量也没有办法得到有效的控制。第二阶段是流水线工厂制作过程，其特点是生产标准化，汽车价格得到大幅度降低，并开始走向大众化。20世纪90年代后期开始，汽车工业进入了第三阶段，随着相关技
书友推荐
- >
经典常谈
经典常谈
¥12.7¥39.8 - >
莉莉和章鱼
莉莉和章鱼
¥13.4¥42.0 - >
名家带你读鲁迅:朝花夕拾
名家带你读鲁迅:朝花夕拾
¥10.5¥21.0 - >
唐代进士录
唐代进士录
¥15.1¥39.8 - >
随园食单
随园食单
¥15.4¥48.0 - >
【精装绘本】画给孩子的中国神话
【精装绘本】画给孩子的中国神话
¥17.6¥55.0 - >
姑妈的宝刀
姑妈的宝刀
¥9.0¥30.0 - >
罗庸西南联大授课录
罗庸西南联大授课录
¥13.8¥32.0
本类畅销
-
4.23文创礼盒A款--“作家言我精神状态”
¥42.3¥206 -
4.23文创礼盒B款--“作家言我精神状态”
¥42.3¥206 -
一句顶一万句 (印签版)
¥40.4¥68 -
百年书评史散论
¥14.9¥38 -
1980年代:小说六记
¥52.8¥69 -
中图网经典初版本封面-“老人与海”冰箱贴
¥20¥40
