(Obstacle Recognition Based on Machine Learning for On-Chip LiDAR Sensors in a Cyber-Physical System)
避免碰撞是高級(jí)駕駛輔助系統(tǒng)中的一個(gè)重要特征,旨在在即將發(fā)生碰撞(與物體、車輛或行人等)之前提供正確、及時(shí)和可靠的警告。為此,本文設(shè)計(jì)了相應(yīng)的障礙物識(shí)別庫,以解決交通網(wǎng)絡(luò)物理系統(tǒng)中的障礙物檢測(cè)設(shè)計(jì)和評(píng)估問題。該識(shí)別庫被集成到SCANeR軟件和MATLAB/Simulink之間交互的協(xié)同仿真框架中。此外,在SCANeR中創(chuàng)建了一個(gè)輔助驅(qū)動(dòng)場(chǎng)景,以表示和模擬網(wǎng)絡(luò)物理系統(tǒng)的行為。本文首先介紹了網(wǎng)絡(luò)物理系統(tǒng)中虛擬芯片上光探測(cè)和測(cè)距傳感器在交通場(chǎng)景下的建模和仿真。其中網(wǎng)絡(luò)物理系統(tǒng)是在SCANeR中設(shè)計(jì)并實(shí)現(xiàn)的。其次,利用SCANeR提供的感官信息數(shù)據(jù)庫,設(shè)計(jì)并應(yīng)用了三種基于人工智能的障礙物識(shí)別庫的計(jì)算方法。識(shí)別庫中有三種障礙物檢測(cè)方法:多層感知器神經(jīng)網(wǎng)絡(luò)、自組織特征映射和支持向量機(jī)。最后給出了這些方法的比較結(jié)果。
對(duì)比研究結(jié)果表明,所提出的障礙物檢測(cè)方法能夠有效地檢測(cè)行人。在分類模型的訓(xùn)練和驗(yàn)證階段,多層感知器和支持向量機(jī)得到了最好的結(jié)果,而自組織數(shù)據(jù)地圖表現(xiàn)不佳。此外,還進(jìn)行了第二次的評(píng)估實(shí)驗(yàn),其中包括在不同天氣條件下基于傳感器提供的感官數(shù)據(jù)對(duì)行人目標(biāo)進(jìn)行檢測(cè)。在第二次評(píng)估中,所有的方法都能夠?qū)π腥诉M(jìn)行很好的分類。多層感知器在晴朗和多霧的環(huán)境中提供了非常好的效果,但同時(shí)在多云和多雪的環(huán)境下也有惡化的趨勢(shì)。支持向量機(jī)在雨天條件下產(chǎn)生最好的結(jié)果。而與此同時(shí),自組織特征映射則產(chǎn)生了最差的效果。本次評(píng)估的結(jié)果證實(shí)了天氣條件對(duì)分類器精度能產(chǎn)生高度影響。