1．目的及意义

1. 近些年来，道路上络绎不绝的车辆确实给人们带来了许多便利，但同时也带了许多新的问题，例如交通安全，交通拥堵等等。这些问题就是推动无人驾驶汽车越来越受到人们关注的主要原因。
人驾驶汽车并不是一个新鲜的词汇，世界上很多科研机构和企业都已经投入了很多的精力去研究。无人驾驶汽车不仅要实现传统汽车的所有功能，还需要自主进行环境感知、导航定位、路径规划、行为决策等，是集多门学科与一体的技术，成功的用“计算机—车辆—周围环境”组成的闭环控制系统取代了传统的“人—车辆—周围环境”组成的闭环控制系统，实现了车辆行驶过程中的决策最优化，保证了车辆行驶的安全性和稳定性。
国外几年来无人驾驶汽车在传统汽车公司和互联网公司都有很大的进展。美国福特公司在2016年8月正式宣布将在2021年推出大批量生产的无人驾驶汽车，这些汽车首先将应用于租车和专车服务，并在同年12月推出了第二代无人驾驶汽车Fusion。谷歌公司在无人驾驶汽车研发领域在全球范围内都一直是领跑者，2014年第一次对外公布了完全靠自己设计研发的无人驾驶汽车，并在2016年成立了专门进行无人驾驶汽车研发的公司Waymo。另外苹果公司、微软公司等互联网企业也逐渐开展无人驾驶技术相关业务。
在中国无人驾驶技术发展最快的公司是百度，百度无人驾驶汽车已经顺利经历了封闭式试验，低速半封闭试验和高速公路高速试验。另外，长安设计的无人驾驶取车也完成了从重庆到北京的长途驾驶测试。除了企业外，国内各大高校也在积极进行无人驾驶技术的相关研究。
无人驾驶汽车在道路上行驶时主要在下面两个方面对环境进行感知：
第一，无人车需要知道自身位置、行车路线、终点位置等轨迹信息。也就是说，无人驾驶汽车需要能够实时进行自身的定位和跟踪，并根据自身位置和目的地自主规划出一条最优路径，同时根据环境信息实时更新路径等技术。目前无人驾驶汽车基本都是利用卫星定位技术来解决这类问题的，例如北斗卫星导航系统、GPS等。
第二，无人车需要对周围环境实时进行三维重建，以保证无人车能够安全规范的行驶。人在驾驶过程中时时刻刻都会收到变道标志、路标、红绿灯等路面信号，同时还会时刻注意前后方车辆、行人、障碍物等实时信息，无人车同样需要能够检测、感知这些信息并做出相应驾驶行为。目前在解决这类问题的研究中，最为成熟的周围障碍物检测技术主要还是以高精度光学和毫米波雷达为基础的，除此之外，机器视觉的应用，即单双目视觉技术也逐渐热门起来。
比较典型的有Talos无人驾驶感知系统和谷歌公司无人驾驶汽车的感知系统。Talos无人驾驶感知系统主要是由安装在车上的传感器感知车辆附近的障碍物情况，同时由车顶的激光雷达感知车辆周围路面情况。这套感知系统可以明确区分信息是来自障碍物还是路面，并可根据不同的分类建立相应的站点地图结构。谷歌无人车的环境感知系统也主要是由激光雷达来完成的，通过将雷达安装在车顶来检测障碍物间的距离并反馈回系统，然后形成三维地图。然而，激光雷达有视觉盲区，因此另外还需要安装毫米波雷达来检测盲区内的障碍物。另外，此系统中还在车窗上装有摄像头，主要用来检测车辆是否准确沿着车道行驶。
目前在无人驾驶汽车在传感器和感知技术上的研究都取得了很大的进步，但仍有许多需要继续克服的问题，主要有以下几个方面：
尽管卫星定位系统可以在地图精度很高的前提下实时对无人车进行定位并提供导航信息，但是卫星定位系统有个很大的诟病，就是信号的传输容易受到遮挡，定位精度不够高。而所用的GPS精度越高也就意味着价格越昂贵，显然这是不利于普及无人驾驶汽车。同样的三维激光、毫米波雷达、超声波雷达等都能很好的实现需要的功能，但也受到了成本的限制。
考虑到上述问题，目前的研究重点也在逐渐发生变化，其中比较热门的机器视觉系统受到人类利用双眼观察物体的启发，利用单目摄像头、多目摄像头模仿人类眼睛观察物体的方式，来实时检测识别无人车周围的环境。相对于GPS、雷达系统来说，摄像机在成本上有很大优势，系统构成也较简单，因此更容易实现普及。但目前在技术上还存在许多难点，例如如何消除光线、摄像机误差，如何搭建计算量相对较小的算法来从大量的图像序列中提取出有用的信息，并转化为车辆的具体动作。

{title}

2. 研究的基本内容与方案

{title} 首先分析无人驾驶汽车在国内外的研究现状，并分析了目前在无人车上常见的环境感知技术和双目视觉技术，同时还对比较经典的几种路径规划算法做了大概的介绍。然后对无人驾驶汽车所利用的双目视觉测量原理，并介绍了在后面会经常使用到了三个坐标系，另外还对双目视觉图像处理的几个关键过程做了简单的介绍。
接着就是本文最核心的内容：设计了一个较完整的无人驾驶控制系统，如上图所示。本系统主要要解决的问题是如何对双目视觉系统得到的视差图进行处理来实现对无人车的自主控制，由于时间精力有限，本文中所说的控制主要是上层的控制，最终输出的控制参数为汽车期望前轮偏角和期望车速。结合传统汽车需要实现的功能和驾驶员在其中扮演的角色，本文思路如下：
首先无人车需要一幅适合的精准地图，并且能够准确知道自己的位置。于是本文介绍了一种基于双目视觉的及时定位与地图构建方法，在定位方面是通过一系列的坐标系转换计算得到不同时刻摄像头的旋转平移变化量，进而估计出无人车的位姿变化，并采用了拓扑图的方法来进行地图的构建。
得到一幅合适的地图后，无人车还要先规划出一条路径才能知道该如何行驶。本文综合考虑各种路径规划算法的优劣后，最终提出了A*算法与DWA算法相结合的路径规划方法。详细阐述了A*算法和DWA算法的原理和特点，以及二者如何能结合起来使用。
考虑到无人车所处的动态环境，为了确保无人车能够更安全可靠的行驶，本文还在轨迹预测方面做了一定研究，详细介绍了一种基于检测驾驶行为意图的轨迹预测方法，论述了混合高斯模型在行为意图检测中的应用，并提出了部分避撞方法。
在最终的路径规划完成后，还需要一套完整控制方法能够告诉底层控制器该如何控制无人车行驶。本文详细介绍了一种基于pure pursuit算法的改进方法来进行路径跟踪控制，最终输出消除无人车实际行驶路线与规划路径之间的偏差所需的前轮偏转角和合适的纵向速度。

3. 参考文献

【1】邹冰.道路交通标志检测与识别[D].吉林.吉林大学.2016.

【2】赵霞，袁家政，刘宏哲.基于视觉的目标定位技术的研究进展[J].北京.计算机科学第43卷第6期.2016.

【3】王斌.自然环境下道路交通标志的检测与识别[D].山东.山东大学.2017.

【4】Miljkovi#263; Z, Vukovi#263; N, Miti#263; M, et al. New hybrid vision-based control approach for automated
guided vehicles[J]. International Journal of Advanced Manufacturing Technology, 2013, 66(1-4):231-249.
【5】邪凯盛.基于双目视觉的移动机器人SLAM算法研究[D].安徽.安徽工程大学.2017.

【6】Bradski G, Kaehler A. Learning Open CV: Computer Vision in C with the Open CV Library[M].
O'Reilly Media, Inc., 2013.
【7】李宇. 基于双目视觉的障碍物识别研究[D]. 武汉理工大学, 2007.

【8】陈林. 面向双目立体视觉图像的匹配技术[D]. 上海交通大学, 2013.

【9】Malichenko Viktor.实时道路边界检测和交通标志识别[D].北京工业大学.2016

【10】Automation amp; Electronic Systems, Department of Transportation Releases Policy on
Automated Vehicle Development, National Highway Traffic Safety Administration, U.S,
2013, 31(18): 45