智能车是未来车辆发展的重要方向,其技术涉及面广,包含车辆、控制、通信、计算机等多个领域的关键技术。在城市道路环境中,通常应用视觉检测、精确定位等方法就能够很好地满足自动驾驶车辆的环境感知需求,但在车辆拥挤的城区路况中车道线被拥挤的车流所遮挡,而车辆定位也会因城区道路的多路径效应严重影响其定位精度。在城区结构化道路车辆拥挤的情况下,常规的方法无法满足自动驾驶汽车安全行驶需求,本文基于视觉检测技术,通过对前方其他车辆的位姿来估计自动驾驶车辆所在车道的几何信息,并对预估结果进行分析,为自动驾驶系统后续的行驶路径规划提供可靠信息。主要研究工作如下:1.前方车辆检测通过Faster R-CNN算法和YOLOv3算法对前方车辆进行检测,使用KITTI数据集训练这两种目标检测模型。安装并标定相机,在校园园区内采集图像,对这两种算法进行验证,并进行分析和比较,选择检测精度和处理速度都符合后续3D位姿估计要求的算法,为位姿估计提供2D边界框约束,同时也为全文提供实验基础。2.基于3D视觉的车辆位姿估计基于计算机视觉技术,检测前方车辆的位姿信息。选取尺寸、中心点、航向角作为周围车辆的描述参数并作为评价指标,首先通过KITTI左眼3D数据集回归前方车辆的3D属性;然后利用前面检测到的前方车辆2D边界框对3D边界框的约束,来对周围车辆进行3D边界框的估计,生成3D位姿检测模型,以获取前方车辆的位姿参数;最后通过Prescan搭建拥挤道路场景,使用上述检测方法检测车辆位姿信息。3.基于前方车辆位姿信息的道路几何信息估计模型将检测到的前方车辆位姿信息作为输入,估计出自动驾驶汽车的前方道路几何信息。通过逆透视变换将图像正视图变为俯视图,从而消除透视变换对距离计算带来的影响。使用DBSCAN聚类算法将检测到的周围车辆的位置信息进行聚类,然后分析选择了多项式拟合的方法对车辆的位置进行拟合,得到当前道路上的车辆轨迹拟合曲线,从而得到前方道路的几何信息。4.基于无损卡尔曼滤波的道路曲率估计模型当前方视野被前车遮挡时,则只计算本车前方第一辆车的3D位姿信息。使用Prescan软件进行仿真环境搭建,仿照真实的拥挤场景,在本车前方放置干扰车辆,设置道路的曲率信息。通过对本车、前车以及道路之间的关系建模,获得系统的运动模型和观测模型。采集本车的自车信息,如本车速度、偏航角速度等,结合本车与前车之间的相对信息,如相对速度、相对角速度等,然后使用卡尔曼滤波框架对采集到的信息进行滤波处理,从而计算出当前车道的曲率参数。本文通过实车实验验证了3D位姿检测算法的的有效性。拥挤道路使用仿真环境进行模拟,在前方视野不受遮挡或部分遮挡的情况下,道路几何信息估计采用多项式拟合的方法得到当前道路的拟合曲线,R-square能够保持在在[0.9,1]区间内,拟合结果与真实道路曲线相关性极强;在自动驾驶车辆的前方视野受到前车遮挡的情况下,基于无损卡尔曼滤波的道路曲率估计模型检测到的道路曲率也与真实道路曲率相符。实验的结果表明了此方法的有效性。本课题研究能够为车辆拥挤道路上自动驾驶车辆提供正确的行驶方向,有利于未来自动驾驶路径规划等相关工作的进行,也为今后同类课题研究提供参考。