凡科网站怎么设计,ico项目网站建设,广东华迪工程建设监理公司网站,网页打不开的解决方法5.4实验结果与讨论
为验证本文算法的有效性#xff0c;在模拟越野环境中完成路径规划#xff0c;并通过仿真对比 实验验证了本文改进算法的可行性和综合性能的优越性。
5.4.1 与 传 统A*实验对比
为了验证改进A* 算法与传统A* 的优越性#xff0c;建立了7050的栅格地图(并…5.4实验结果与讨论
为验证本文算法的有效性在模拟越野环境中完成路径规划并通过仿真对比 实验验证了本文改进算法的可行性和综合性能的优越性。
5.4.1 与 传 统A*实验对比
为了验证改进A* 算法与传统A* 的优越性建立了70×50的栅格地图(并不是 越野地图因为传统 A*算法不适用于越野栅格地图),传统 A* 算法本文也设置为 16邻域节点选择设置单位栅格长度cell₄1m, 步长 k2, 原自适应评估函数则变 为。 同时为了量化算法性能本文设定了评定函数P,P 设定为智能车辆按算法规 划的路径进行移动所需要的时间具体为 式中1为路径长度 v 为智能车速度本文假设1m/s,N₀ 为路径拐点数θ为转角和。 (a)传统A*算法规划的路径 (b)改进A*算法规划的路径
图5-14传统 A*算法与改进A*算法比较
表 5 - 3 路 径 规 划 算 法 对 比 比较参数 传统A*算法 改进A*算法 节点数/个 597 416 路径长度/m 110.46 98.77 转角和/度 247.6 90 拐点数/个 11 2 评定函数P/s 126.96 102.86
通过观察图5-14,可以明显的看出改进的A* 算法规划的路径更为平滑由于 引入了方向变化惩罚使得规划的路径只有2个拐点而传统A* 却有11个拐点。 通过表5-3可看出改进的A*算法基本各个方面均优于传统A*, 在算法效率上提 高了30%,尤其在拐点数上减少了5倍。实验表明改进 A* 算法灵活性更高能依据环境信息的不同有效改变搜索空间获得全局上的最优路径。 map2dArray2D(w,h)for x in range(4,20):for y in range(0,13):map2d[x][y]1for x in range(0,18):for y in range(16,20):map2d[x][y]1for x in range(25,30):for y in range(5,20):map2d[x][y]1 #设置障碍地图二
5.4.2 越野环境路径规划对比
为了验证本文所提算法在越野环境下的性能建立70×50的越野栅格地图并 将规划出结果与传统 A* 算法(传统 A* 算法在越野环境只考虑障碍物),APF 算法 (假设在越野栅格地图值大于0.7的栅格为障碍物)进行对比。图5-15(c)和图 5-15(d) 分别为改进 A*算法在不同环境威胁敏感度ε规划的路径。当越野智能车辆越野性 能较差、防碰撞能力较差时可选择威胁敏感度ε2,如图5-15(d)所示规划的路 径能够避开障碍物、通过性差的路面和有效威胁区域安全的到达终点但如果越 野车辆具有较好的越野性能可选择威胁敏感度ε1,此时规划的路径如图5-15(c) 所示能过穿越沙地通过性差的路面安全的避开有效威胁区到达终点。 图5-15(a)和图5-15(b)分别为传统 A* 算法和 APF 算法所规划的路径它们规 划的路径均能避开障碍物到达终点但是与改进A* 相比本文方法具有以下优势 1)通过对越野环境建模能够识别环境威胁和不同道路能够避免智能车辆从有效 威胁区和通过性差的路面中通过造成安全风险。2)引入了方向变化惩罚使得规 划的路径具有拐点少、路径平滑和转弯角度小的优点。3)根据环境位置信息自适 应调整算法搜索范围提高算法效率。4)能够通过智能车辆特性根据取不同的威胁敏感度ε来进行个性化路径规划。 表5 - 4越野环境路径规划算法对比 路径算法 路径长度 拐点数 运行时间 路径平滑 规避障碍 规避威胁 道路选择 改进A*1 165.7 4 1.81 √ V √ √ 改进A*2 171.1 3 1.98 √ V √ √ 传统A* 160.8 10 1.41 × √ × × APF 182.3 19 1.37 × √ V X
改进 A*算法与其余算法性能指标对比如表5-4 所示。由表5-4可知改进的 算法考虑多种越野环境因素影响因而规划时间略长但是结合局部区域复杂度惩 罚只比传统 A*算法少0.4s 。规划路径时要避开威胁要素的影响和通过性差的区 域所以规划的路径距离略远但智能车辆行驶的安全性高生成的路径更为平滑因此其综合性能较优。 #地图五 for x in range(15,20):for y in range(0,13):map2d[x][y]1for x in range(0,18):for y in range(16,20):map2d[x][y]1for x in range(25,30):for y in range(5,20):map2d[x][y]1 for x in range(6,20):for y in range(6,7):map2d[x][y]1for x in range(8,10):for y in range(11,18):map2d[x][y]1 for x in range(0,8):for y in range(3,4):map2d[x][y]1
为了进一步验证所提算法的有效性建立尺寸为50×50和30×80的越野地图 A 和越野地图B, 并测试在不同威胁敏感度ε规划路径的特点所得结果如图5-16和图5-17所示。 5.5 本章小节
本节针对越野场景路径规划问题采用栅格法建立障碍物、威胁物和越野道路 模型模拟真实的越野环境场景。引入方向变化惩罚和局部区域复杂度惩罚来优化 A*算法使算法规划出的路径更平滑算法效率更高效。采用改进 Floyd 算法对路 径进行双向平滑并且进行了防碰撞处理来确保规划出路径的安全可靠性。仿真 结果表明所改进的A*算法与传统算法相比较效率提高了30%,拐点数减少了 4倍所提算法能够在越野环境多重因素综合影响以及不同车辆性能和任务的要求下快速的规划出安全的路径 。 第六章 总结与展望
6.1 总结
基于视觉的无人驾驶系统在实际复杂场景中存在光照、阴影、道路种类和其他 噪声等问题的影响使得基于视觉的感知算法在检测精度和效率上仍然存在不足 例如光照干扰严重影响立体匹配算法精度、背景噪声大大提高道路分割算法的时 间复杂度和不同道路类型要求规划算法具有更好的鲁棒性等。本文以智能车辆的 环境感知技术和路径规划为研究出发点针对现有的障碍物检测、道路识别和路径规划算法中存在的问题进行了研究研究结果总结如下
(1)针对在视差不连续区域、遮挡部分和弱纹理区域传统局部立体匹配算法 匹配精度低下等问题提出了一种基于双目立体视觉结构的道路场景三维重建和 障碍物检测算法。首先针对传统立体匹配算法对光照场景与小物件匹配效果不好 的缺陷提出了一种基于特征金字结构的卷积神经网络立体匹配算法来计算初始 匹配代价然后引入了快速引导图滤波算法实现了代价聚合减少了计算时间复 杂度改进动态规划视差值算法用于视差值选取解决了传统 WTA 视差值选择算 法的视差不连续性问题和传统的动态规划视差值选择计算时间复杂性高的缺陷 最后左右一致性检测、子像素拟合和唯一性检测等视差求精算法解决了遮挡与视 差值不连续区域图像的匹配问题。通过对所提的网络进行消融试验结果证明了所 设计的网络结构拥有更佳的匹配准确度并拥有更高的运算效率。通过与其他优秀 的算法所进行的定性对比证明了所提的算法拥有的对光照变化不敏感、运算效率 高和精度高等优点。 #路面分类地图1for i in range(0,13):for j in range(20,30):map2d[i][j]0.7for i in range(4,8):for j in range(15,20):map2d[i][j]1.0for i in range(2,7):for j in range(0,13):map2d[i][j]0.8 for i in range(5,8):for j in range(0,10):map2d[i][j]1.0for i in range(17,30):for j in range(0,12):map2d[i][j]0.2for i in range(10,17):for j in range(10,17):map2d[i][j]0.8(2)针对非结构化场景具有缺乏清晰的道路线和存在复杂的背景干扰等问题 提出了一种结合立体视觉的道路消失点检测方法。首先结合双目视觉技术实现 对路面区域与背景区域的快速估计其次提出了一系列投票点与候选点的选择规 则以提高检测的准确性与减少计算时长结合一种有效的投票策略将在投票空 间中获得票数最高的候选点视为消失点最后在消失点约束下融合路面颜色特 征、路面区域占比特征和纹理特征在积分图方法加速下快速准确的分割出道路线。 在 KITTK 数据集下选择各种非结构道路场景上的实验结果表明消失点检测上与 现有的3种方法相比该方法具有精度高、检测速度快的特点在道路线分割上与现有的2种方法相比该方法的精度更高鲁棒性更好。
