隨著汽車保有量的增長(zhǎng),越來越多的道路交通事故也給社會(huì)和人民造成了巨大的損失。其中,汽車駕駛?cè)说奈ｋU(xiǎn)駕駛行為是導(dǎo)致道路交通事故頻頻發(fā)生的主要原因。無人駕駛汽車因其無需人類駕駛操縱的特點(diǎn)具有廣闊的應(yīng)用前景。在無人駕駛汽車的行駛過程中,如何實(shí)時(shí)、魯棒地提取行駛環(huán)境信息,以及在獲得信息的基礎(chǔ)上進(jìn)行合理的運(yùn)動(dòng)決策是實(shí)現(xiàn)其安全、高效自主駕駛的關(guān)鍵,也是無人駕駛汽車研究中的難點(diǎn)和熱點(diǎn)。論文依托國(guó)家自然科學(xué)基金重大研究計(jì)劃項(xiàng)目(90920305)“無人駕駛車輛智能測(cè)試環(huán)境研究與開發(fā)”和中央高校基金創(chuàng)新團(tuán)隊(duì)項(xiàng)目(CHD2011TD006)“基于視覺信息的無人駕駛智能車輛關(guān)鍵技術(shù)研究”對(duì)無人駕駛汽車環(huán)境信息提取及運(yùn)動(dòng)決策方法展開研究,以實(shí)現(xiàn)無人駕駛汽車安全、高效、智能地行駛。本文的研究?jī)?nèi)容主要包括:(1)視覺圖像數(shù)據(jù)采集模型和預(yù)處理研究。以無人駕駛汽車坐標(biāo)系作為約束條件,建立視覺圖像數(shù)據(jù)采集模型;針對(duì)圖像采集質(zhì)量易受行駛環(huán)境影響而造成特征難以提取的問題,研究多尺度Retinex圖像增強(qiáng)算法和傳統(tǒng)中值濾波算法的改進(jìn)優(yōu)化算法,并進(jìn)行靜態(tài)離線對(duì)比試驗(yàn)。(2)針對(duì)復(fù)雜道路環(huán)境下車道標(biāo)線檢測(cè)算法魯棒性較差的問題,提出面向圖像像素點(diǎn)的改進(jìn)道路圖像分割方法以深度挖掘車道標(biāo)線輪廓信息;在此基礎(chǔ)上提出基于抽樣行雙向掃描和成像模型約束候選特征點(diǎn)相結(jié)合的車道標(biāo)線檢測(cè)優(yōu)化算法。為了實(shí)現(xiàn)車道標(biāo)線檢測(cè)與跟蹤模塊的有效切換,建立置信度判別模塊和失效判別模塊。(3)針對(duì)非結(jié)構(gòu)化道路邊界檢測(cè)效率和魯棒性之間難以平衡的問題,提出一種基于置信概率的分塊分類方法提取道路邊界的特征點(diǎn),在此基礎(chǔ)上運(yùn)用改進(jìn)的最小二乘法完成非結(jié)構(gòu)化道路模型參數(shù)求解,并進(jìn)行靜態(tài)離線對(duì)比試驗(yàn)。(4)針對(duì)無人駕駛汽車對(duì)前方車輛識(shí)別定位準(zhǔn)確性及穩(wěn)定性要求高的問題,提出一種基于視覺傳感器和64線三維激光雷達(dá)信息融合的前方車輛識(shí)別算法。通過融合64線三維激光雷達(dá)提取的障礙物位置信息,確定圖像中前方車輛的感興趣區(qū)域;以類Haar-HOG融合特征作為目標(biāo)車輛描述方法,采用AdaBoost算法離線訓(xùn)練獲得的級(jí)聯(lián)分類器進(jìn)行前方車輛辨識(shí);對(duì)因遮擋問題未被識(shí)別出前方車輛的感興趣區(qū)域,提出基于激光雷達(dá)坐標(biāo)系下位置關(guān)系信息的再確認(rèn)方法。(5)無人駕駛汽車運(yùn)動(dòng)決策建模方法研究。以宏觀行駛規(guī)劃為前提,在環(huán)境信息提取的基礎(chǔ)上,結(jié)合無人駕駛汽車的自身運(yùn)動(dòng)狀態(tài),對(duì)其在微觀動(dòng)態(tài)交通環(huán)境下的兩類基本運(yùn)動(dòng)模式進(jìn)行深入研究,設(shè)計(jì)無人駕駛汽車運(yùn)動(dòng)模式的決策條件及對(duì)應(yīng)目標(biāo)量;在此基礎(chǔ)上建立基于決策樹的運(yùn)動(dòng)決策模型;最后,通過構(gòu)建微觀動(dòng)態(tài)交通仿真環(huán)境對(duì)其進(jìn)行合理性驗(yàn)證。(6)搭建基于上位機(jī)組件的無人駕駛汽車平臺(tái),并對(duì)其廣義視覺傳感系統(tǒng)參數(shù)進(jìn)行標(biāo)定,在此基礎(chǔ)上進(jìn)行道路試驗(yàn),以驗(yàn)證論文提出的環(huán)境信息提取方法的有效性和運(yùn)動(dòng)決策模型的合理性。