基于快速扩展随机树(RRT)算法对无人驾驶车辆路径规划问题进行研究。对无人驾驶车辆路径规划进行了定义,建立了车辆的运动学模型,给出了车辆路径规划的标准。结合人工势场法提出了RRT和人工势场联合的无人驾驶车辆路径规划算法,并从平均采样节点数、路径规划时间、规划路径平均长度、规划路径最大曲率4个方面与RRT算法进行了对比,仿真结果表明,RRT与人工势场联合算法的性能优于RRT算法。

在复杂的交通环境中,针对激光雷达应用于无人驾驶车辆的障碍检测的问题,提出了一种基于神经网络的前方车辆检测方法。首先,采用直通滤波算法对原始点云进行分割处理;其次,提出了一种端到端单阶段检测的深度神经网络,该网络利用空洞卷积对RetinaNet网络结构进行优化,增强该网络对车辆的准确性以及鲁棒性;最后,在KITTI数据集上进行了训练以及测试实验。结果显示,经过滤波处理后大幅度降低点云数量,更加精准的标记出检测范围。通过在测试KITTI数据集中测试不同检测算法处理结果对比得出,所提方法在精度提高的基础上,具有更快的检测速度,达到了预期效果,有较高的应用潜力。

针对传统人工势场法在无人驾驶车辆避障路径规划中存在的局部极小点问题,提出了一种基于模糊控制理论的改进人工势场避障方法。该方法首先分析了无人车在行驶过程中局部极小点形成的原因,然后应用模糊控制理论实时调节引力与斥力的夹角,随着无人车与障碍物距离的减小,模糊控制器调节引力与斥力的夹角逐渐增大,进而使无人车辆安全驶出局部极小点。最后通过Matlab和Prescan联合仿真分析,利用MPC模型预测控制验证了该算法的可行性及准确性。仿真结果表明该算法能够规划出一条安全平滑的目标路径,实现了无人驾驶车辆稳定安全的路径规划。

针对基础快速扩展随机树(Rapidly-exploring Random Trees,RRT)应用于无人驾驶车辆路径规划时缺乏导向性,收敛速度慢,路径平滑性差及规划结果并非最优解等问题,提出了一种基于RRT的路径规划改进算法。首先,设计了启发式采样策略提出基于权重分配的目标指向的局部扩展方式,解决了节点盲目扩展的问题,避免了因目标偏向而出现路径陷入局部最小值的情况,并通过设置转角阈值约束节点转角范围,同时采用变步长采样策略,提高了算法局部避障能力;其次,对已得路径进行后处理提出了节点优化策略,并用B样条曲线进行路径拟合,实现了路径长度的优化并满足平滑性要求,路径末端与目标点采用Reeds-Shepp曲线连接,解决了车辆抵达目标点时的航向问题。最后利用Matlab软件,将改进算法与基础RRT及其衍生算法进行了对比分析,验证了所提算法的有效性和优越性。

介绍了一种无人驾驶车辆系统，并着重介绍如何在这种车辆中实现转向的终端控制的方法，以GPRS，GPS和射频识别技术为基础，给出了一种详细的解决方案，并且详细给出了几种关键技术在车辆控制中的应用，最后通过测试证明了方案的有效性：车载在距离标签10m内能够以915MHz的频率通过射频模块识别到前方轨道信息，而且能以19200B／s的波特率与GPRS连接，然后接入GPRS网络与远端网络监控站实时通信，进行数据交换。