基于自动驾驶车辆的路径读取器与智能车道导航

摘要

物联网（IoT）是由物理设备构成的物理网络，例如小工具、结构和其他物体，这些物体可以存储程序、传感器、执行器和屏幕配置，以使物体能够组装、控制、显示和交换数据。本研究旨在开发一种具有自动导航功能的自主系统。通过该方法，我们能够利用深度神经网络实现自动导航，以及识别坑洼和道路状况。此外，系统还能在屏幕上显示交通中的坑洞和正确车道。该系统强调了从一个节点到下一个节点选择路径的重要性。

关键词 ：卷积神经网络，路面状况，拥堵状况，坑洞状况，交通灯状况

1 引言

全球范围内，每天近3,287人死于汽车事故。造成这一问题的主要原因之一是驾驶员在驾驶过程中睡着或在高速行驶时试图停车。正如工业革命使人类摆脱了体力劳动的繁重，人工智能（AI）则有望使人类摆脱脑力劳动的负担。

为了减少每天发生的事故数量，关键在于减少人为错误；如果我们要做的仅仅是将目的地纳入日程安排，然后持续工作直到达成目标，而无需做出任何心理或身体上的失误，那将非常令人着迷。

使用自动驾驶汽车不仅可以防止事故，还能为日常琐事提供自助便利。

物联网（IoT）是一个由标准物品组成的网络，包括机动车辆、互联网、电视以及其他装置，这些物品被专门连接在一起，实现了事物与人之间以及事物自身之间的新型通信。近年来，构建物联网取得了进展，为数据和通信流量估算领域增添了新的维度。

家庭自动化或智能家居可被描述为改善家居状况的一种方式，旨在为其居住者提供便利、舒适、安全和基本功能。此外，了解如何改善家居状况可以带来更广泛的个人满足感。随着物联网的出现，家庭自动化的研究和应用正变得越来越普遍。

自动驾驶汽车可以帮助因失明等身体缺陷而无法自行驾驶的人士。根据研究，94%的碰撞事故归因于驾驶员错误，而自动驾驶车辆有助于消除驾驶员错误。由于它不像人类需要休息，可以持续运行数小时，因此可以缓解交通拥堵、节省燃料并减少温室气体排放。

减少的旅行时间：无论汽车是低速还是高速行驶，汽车出行都应该是安全的。更高速度有可能实现，因为计算机将消除人为错误这一事故原因。

更便宜的保险：如果汽车保险公司加入汽车运动，您的费率可能会显著降低。风险分配将更多地取决于车辆而非驾驶员，因此您可以期待保险费下降。重新分配我们应急服务的努力和资源，将使我们能够把应急服务引导到真正需要的地方。

为了进一步贴近该流程，结构图将展示研究进展的整个基本流程。

2 文献综述

如果我们对可与现有算法一同部署的算法有更广泛的了解，就能更好地审视和把握新的研究项目。

技术如何帮助改变世界？自20世纪20年代第一辆无线电控制车辆/汽车问世以来，自动驾驶和自动汽车的技术发生了巨大变化。在此之后的几年中，道路上出现了许多由嵌入式电路驱动的自动电动车；到1960年，具有相同电子导引系统的自动汽车也进入了人们的视野。在20世纪80年代，视觉引导的自动驾驶车辆（AV），作为当时技术的一项重大成就，被引入了交通系统。类似或稍作修改的这种技术至今仍在使用[1]。

我们可以增加人们对‘无人驾驶汽车’的信任。尽管公众信任对于广泛采用至关重要，但这仍是主要障碍。本研究旨在确定哪些变量对于提高无人驾驶汽车的使用最为重要。研究发现，根据定量研究，车辆满足性能期望的能力及其可靠性是重要的采用决定因素。人们提出的主要担忧涉及隐私，例如位置、安全等[2]。

机器人平台支持手动流程的渐进式开发，即使在建筑物内外环境未知的情况下，路径规划也已成为一个关键领域。我们的挑战在于设计出尽可能智能或预设的算法，以最高效的方式到达目的地。效率。该领域的最重要问题之一是找到一条避开静态和动态障碍的路径。本文提出了一种方法论，旨在覆盖关键点并抵达动态环境中的初始关键点，并介绍了机器人平台的实现细节。主要计算任务由树莓派B +模块完成，其他模块包括指南针、轮速编码器和超声波传感器[3]。

卷积神经网络（CNN）被用于基于单目视觉的自动驾驶汽车的创建。本研究的作者旨在开发一种方法，将原始输入图像建模为由卷积神经网络预测的具体转向角度。该模型使用从车辆道路/平台树莓派3和前置连接摄像头获取的数据进行训练，同时结合手动驾驶过程中采集的道路图像以及时间同步的方向盘转角数据。无论是否存在道路标记，达到的速度为5–8km/h。

卷积神经网络将安装在车辆上的前置摄像头拍摄的原始图像直接映射到方向盘。该系统在有或无道路标线的交通路上行驶时表现非常出色。唯一的训练数据是人类驾驶转向角度，这些数据被用来预测汽车应转向的具体角度。该系统具有更小的网络和更优的性能，因为所需的处理步骤最少，并且组件能够自我优化[5]。

高效且极度紧凑的卷积神经网络（CNN）在他们的研究中被生成，这得益于一种新颖的稀疏连接拓扑。由于层间滤波器依赖性的稀疏性，这导致了显著的减少处理功耗以及所需参数数量减少，同时不牺牲卷积神经网络准确率。文章的研究结果表明，该系统’的准确率高于卷积神经网络的前沿架构。与之前的模型相比，该模型所需的参数减少了40%，在中央处理器上的运行速度快了31%，同时保持了更高或相当的效率[6]。

通过在自动驾驶汽车上实施不同的卷积神经网络模型并进行比较，他们测试了哪种模型在模拟环境中表现最佳且效率最高。研究使用驾驶汽车时手动获取的数据以及先前基于端到端深度学习技术获得的数据对卷积神经网络进行训练。训练完成后，在驾驶模拟器中通过检查卷积神经网络减少汽车行驶至中心位置的距离、航向误差和均方根误差的能力来对其进行测试。得出的结论是，在卷积神经网络中添加长短时记忆层能够实现更好的汽车转向控制，该方法考虑了卷积神经网络之前预测的预测值，而不仅仅是新的预测值或单个实例[7]。

作者通过采集车辆前视摄像头的输入，并将其作为转向输入，实现了二级自动驾驶汽车。该网络需要最少的人为干预，因为大部分可变特征都从摄像头输入中自行学习。所使用的数据集来自英伟达和优达学城，当卷积神经网络在受控环境中接收到真实输入时，能够适应真实环境驾驶。该设置包含一个用于检测障碍物的超声波传感器，以及一个工作频率为10赫兹的红绿蓝深度相机，输出转向角度[8]。

OShea和Nash[9]描述了各种人工神经网络（ANN）及其类型，其中最重要的是CNN。卷积神经网络（CNN）主要用于解决需要模式识别的复杂图像驱动任务。这些网络具有精确且简单的架构，易于实现；该研究为理解人工神经网络特别是卷积神经网络提供了深刻的见解。

与普通汽车不同[10],自动驾驶汽车可以停在任何地方。相反，它们可以行驶、飞行或巡航（绕圈行驶）。车辆被诱使协同工作以堵塞道路。根据旧金山市中心的数据，自动驾驶汽车可能会使进出城市以及在城市内部行驶的车辆数量大约增加两倍。由于停车和巡航，计划行程被延长。停车补贴可能会产生加剧拥堵的 unintended 后果。根据该研究的结论，未来不久城市实施拥堵收费将高度依赖自动驾驶车辆。拥堵收费应同时包含基于时间的罚金和基于距离或能耗的费用，以将驾驶相关的各种外部性内部化。

车速、视线方向和手势[11]都能揭示驾驶员的意图和注意力。汽车的外观和行为向乘客表明驾驶员是否可能会关注道路。本研究旨在使乘客能够理解并向行人表达他们对自动驾驶汽车感知能力和意图，如果避免使用显式界面，这可能会很困难。研究探讨了自动驾驶汽车向行人传达其任务和感知能力的想法。设计并测试了四种用于赛格威和汽车的用户界面原型。人们可以通过环境中的味觉、触觉、嗅觉和听觉来感知事物，并结合多种感官实现这一目的。

基于深度学习的车辆[12]控制系统正变得越来越普遍。在构建车辆控制器之前，工程师必须在各种驾驶条件下对其进行严格测试。近年来深度学习算法的进步有望解决复杂的非线性控制问题，并将先前经验中的知识迁移到新情境中。这些重要进展却未受到足够关注。本研究揭示了智能交通系统领域的当前有价值的信息，这对该领域未来发展至关重要。控制与感知在本研究中紧密交织。

现代自动驾驶[13]系统依赖于历史建图。尽管在城市中较为普遍，但精确地图的开发、维护和传输仍存在困难。农村地区道路变化频繁，使得精确建图极具挑战性。

一辆自动驾驶汽车已在乡村地区进行了功能测试。该汽车使用其本地传感系统来检测道路状况。该系统通过递归残差滤波和里程表计算车辆的距离和速度，使其能够轻松导航复杂的道路网络。

该人工智能产品具有[14]应有助于减少交通拥堵、道路事故和社会排斥。未来的人类交通将采用人工智能驱动的驾驶员。尽管自动驾驶汽车有明显的好处，人们仍然对其持谨慎态度。人们对机器的信任可能有助于构建自主系统。本研究评估了自动驾驶技术的可接受性。

也就是说，未来的研究应考察用户信任和认可度。道路及地下基础设施的改变会影响交通、社区态度与关切、潜在的可迁移行为和需求、其他商业模式以及策略。马来西亚执法机构必须识别关键要素，以妥善调查自动驾驶汽车操纵者的阴谋主张。

一类非线性[15]欠驱动系统被发现是可解的。车辆’的横向动态控制系统采用了前馈和反馈控制。即使fi理论研究的结果关于自动驾驶汽车横向控制的研究可应用于多种情况，其结果仍可用于其他应用。

在该研究中，闭环系统的性能与典型人类驾驶员的性能进行了比较。自动驾驶车辆将彻底改变地面交通。未来，能够判断并自主驾驶的新汽车有望取代传统汽车。

传感器帮助自动驾驶汽车感知和理解周围环境，而5技术则使它们能够感知和理解远距离环境。局部感知如同人类的感知，有助于短距离内的车辆控制。尽管人们的视野已经拓宽，但仍需为未来做好准备，在遵守一系列规范（安全、能源管理、交通优化、舒适）的同时更加谨慎地驾驶。

然而，无论电子传感器之前工作得多么良好，背景噪声、环境条件或制造问题仍可能导致故障。解决单个传感器缺陷最切实可行的方法是将其进行集成。本研究旨在探讨汽车中本地自动驾驶系统的性能优化。

表1 包含自动驾驶汽车的多功能性以及可被视为本文研究首要目标的战略问题和挑战，具体如下：

• 具有特定算法的自动驾驶汽车应包含更多的参数用于验证和测试。
• 可进一步丰富深度学习和人工智能模型的应用，使系统更加敏捷和先进。
• 应包含更多基于融合的方法，以实现创新的车辆系统。
• 融合方法的有效性和准确率可以进一步提高。

3 问题建模

如文献所述以及通过调查收到的不同挑战，要实现自动导航，我们需要具备特定的道路测量。这些道路测量被逐一考虑，我们讨论了各项标准及其可能影响数据处理的因素。以下观察结果应作为参考。

• 我们需要验证所有道路状况以及通过系统接收和处理数据的可行性。
• 然后，在考虑所有参数的基础上，我们需要设计解决方案的模式。

表6 ：通过所提出的方法找出导航路径

算法	通过导航路径找到	所提出的方法	输入距离节点值	路径导航器和观测值
如果 nij = 0 当 i = j 时 Dij= 0 length (ni,nj) Cij = 0 否则 空	对于 K = 0 到 A‐1 对于 J = 0 到 A‐1 nij(K+ 1) = min(nij(k)),Epv(nij(k) + nij(k) + Dij(k) End for End for End

4 方法论

首先，我们需要按照图2所示对汽车进行设置并满足相应的硬件要求。取四个电机，并将跳线与它们连接。由于我们的H桥一次只能处理两个电机，因此每次将两个电机相互连接。将所有电机组装到塑料板上。请记住要交叉耦合，以使电机朝相同方向运动。开源计算机视觉库以BGR颜色格式存储图像；然而，我们需要将其更改为RGB颜色格式，这对于调整我们视野的设置非常重要。

我们将使用摄像头的设置函数使其稳定，然后在这四个角点周围选取感兴趣区域。

我们将取一个样本，如图3所示的感兴趣区域。为此，我们将定义我们希望识别的车道区域，以便摄像头能够聚焦并使汽车向前移动。在实现过程中，我们将

将我们的RGB图像转换为灰度图像，以通过摄像头获得清晰的视野。

我们手动定义阈值，首先设置一个特定值，并为所有高于此阈值的值创建直方图。这些值被转换为白色像素，而其余所有值则变为黑色像素。下一步是识别车道内的所有边缘和角点。

使用Canny边缘检测技术。该过程有助于我们的自动驾驶汽车更轻松地进行物体识别。

在图像处理之前，我们将图4中的RGB图像转换为灰度图像，以便于操作。我们通过设置一个特定值来手动定义阈值。高于该阈值的像素将变为白色像素，其余所有值则变为黑色像素。

下一步是找出车道中的所有边缘和角点，以便借助Canny边缘检测帮助我们的汽车轻松识别物体。

Canny边缘检测基本上可以检测图像梯度中的突然变化。

为了获得Canny边缘，我们将对阈值图像应用Sobel算子。

在Sobel算子中，假设Gx是一个图像像素，其中每个像素包含水平方向导数，Gy是一个图像像素，其中每个像素包含垂直方向导数，则G = sqrt(Gx2+ Gy2)，其中G表示图像梯度。然后我们将找到车道的确切位置，即右侧位置和左侧位置。下一步是确定车道的左侧位置和右侧位置，自动驾驶汽车将在行驶过程中沿此路径移动。

绿色线条描绘了车道 finder。在下一步中，我们将 fi根据左车道位置和右车道位置找到车道中心。图5中的蓝色显示了车道中心。

下一步，我们将车道中心与帧中心进行校准（图5）。

绿线表示车道中心，蓝线表示帧中心；我们将把帧中心向左移动，使其与车道中心对齐。接下来，我们将让自动驾驶汽车朝不同方向移动，并检测由此产生的车道中心与帧中心之间的差异。

在接下来的阶段，我们将使用卷积神经网络（CNN）（图6）。卷积神经网络（CNN）是一种神经网络，已被证明在图像识别和分类方面特别有效。

基于自动驾驶车辆的路径读取器与智能车道导航（续）

5 结果与分析

通过对各种参数进行测试，已全面评估了路径的关键方面。在更新结果时，这些参数与路面状况进行了关联分析。

表7 包含考虑EPV因子在不同路面等级维度下的最优路径效率，该表包含定义五个约束条件从0到1的效率。此表通过定义确定最优路径

表7：考虑EPV因子的路面分析

路面等级	等级噪声	SS	RG	LC	EPV最优path
PV1	0	0	0	0	NULL
PV2	0.25	1	1	0	0边缘的
PV3	0.5	1	1	0	0 Good
PV4	0.75	1	1	1	0令人愉快的
PV5	1	1	1	1	1 Best

PV：路面等级，SS：平顺性，RG：粗糙度，LC：定位

图7包含了最优路径与EPV及支付状况关系的详细分析，并描述了系统做出最优决策的可行性。

表8 包含考虑EPV因子的拥堵状况分析，在等级5和等级4中，通过多因素分析（图8）可以观察到驾驶状况最佳。

表8：考虑EPV因子的拥堵状况分析 因子

拥堵状况	交通系统	物体识别	噪声	EPV计算	最优路径
CC1	0	0	0	0	0
CC2	23	22	33.4	26.1	0.66
CC3	22	28	38	29.3	0.79
CC4	25	29	39	31	0.81
CC5	46	45	50	47	0.88

表9 分析了交通流量状况和坑洞状况，并包含了主要特征的平衡情况最优检测路径以确定行驶的可行性。该表格描述了在道路测试阶段期间的状况和读数。

表9：考虑EPV因素的路面坑洼状况和交通灯状况分析

坑洞	TL	TS	OI噪声	EPV最优路径
PP1	TL1	8	12	8
PP2	TL2	28	27	46.9
PP3	TL3	29	54	56
PP4	TL4	29	59	39
PP5	TL5	46	45	50

TL：交通信号灯，TS：交通系统：OI：物体识别，OP：最优路径。

表10 包含了现有系统在以下参数方面的比较：传感器融合、感知、定位、建图以及效率。提出的系统在路径决策方面相较于现有系统表现出更强的能力。

表10：现有系统比较

模型	SS	PC	LC	MP
自动驾驶汽车线性二次高斯（LQG）控制[26]	✓	✗	✓	✓
混合成本与时间路径自动驾驶汽车[27]	✓	✗	✓	✓
基于物理的路径自动驾驶汽车[28]	✓	✓	✗	✓
自动驾驶汽车预测性操作[29]	✓	✗	✓	✓
提出的系统	✓	✓	✓	✓

SS：传感器，PC：感知，LC：定位，MP：建图

表11 包含硬件组件的成本（美元和印度卢比）。

表11：成本分析

S.No	硬件名称	INR	USD
1	Arduino UNO R3	700	9.43
2	机器人轮子	20	0.27
3	木板	50	0.67
4	拉斯比里管道	2,348	31.64
5	连接管道	10	0.13
6	人工车道	200	2.69
总计		3,328	44.83

6 结论

根据系统分析的结果，我们的团队尝试基于传感器、感知和定位进行结果比较。我们建议该系统在选择路径时具有多功能选项，并略微考虑EPV组件，以确保包含最普遍的路径。采用这种方法，我们能够以确定在恶劣环境中讨论时采取的最高效方法。这是一种有效的方式，用于确定最佳行动方案，因为它考虑了传感器、感知和定位等多个因素。此外，这进一步加强了我们团队致力于以最小努力提供最大效率的承诺。

资金信息：作者声明无资金支持。

作者贡献：所有作者均已接受对本文稿全部内容的责任，并同意其提交。

利益冲突：作者声明不存在利益冲突。

知情同意：本研究已获得所有参与者的知情同意。

伦理批准：本研究与人类或动物使用无关。

数据可用性声明：由于本研究未生成或分析任何数据集，因此不适用数据共享。