基于人工智能的障碍物检测方法库研究

（Obstacle Recognition Based on Machine Learning for On-Chip LiDAR Sensors in a Cyber-Physical System）

避免碰撞是高级驾驶辅助系统中的一个重要特征，旨在在即将发生碰撞（与物体、车辆或行人等）之前提供正确、及时和可靠的警告。为此，本文设计了相应的障碍物识别库，以解决交通网络物理系统中的障碍物检测设计和评估问题。该识别库被集成到SCANeR软件和MATLAB/Simulink之间交互的协同仿真框架中。此外，在SCANeR中创建了一个辅助驱动场景，以表示和模拟网络物理系统的行为。本文首先介绍了网络物理系统中虚拟芯片上光探测和测距传感器在交通场景下的建模和仿真。其中网络物理系统是在SCANeR中设计并实现的。其次，利用SCANeR提供的感官信息数据库，设计并应用了三种基于人工智能的障碍物识别库的计算方法。识别库中有三种障碍物检测方法：多层感知器神经网络、自组织特征映射和支持向量机。最后给出了这些方法的比较结果。

对比研究结果表明，所提出的障碍物检测方法能够有效地检测行人。在分类模型的训练和验证阶段，多层感知器和支持向量机得到了最好的结果，而自组织数据地图表现不佳。此外，还进行了第二次的评估实验，其中包括在不同天气条件下基于传感器提供的感官数据对行人目标进行检测。在第二次评估中，所有的方法都能够对行人进行很好的分类。多层感知器在晴朗和多雾的环境中提供了非常好的效果，但同时在多云和多雪的环境下也有恶化的趋势。支持向量机在雨天条件下产生最好的结果。而与此同时，自组织特征映射则产生了最差的效果。本次评估的结果证实了天气条件对分类器精度能产生高度影响。