移动机器人通过跟随一个指定行人实现导航是一种便捷的方式。针对行人跟随中的机器人跟随和避障问题,提出了一种基于路径规划的无碰跟随方法。该方法结合激光点云分割提供的非行人障碍信息生成静态障碍代价地图,并根据3D行人定位结果,利用基于无迹卡尔曼滤波器(Unscented Kalman Filter,UKF)和最近邻联合概率数据关联(Nearest Near Joint Probabilistic Data Association,NN-JPDA)的多行人跟踪器估计干扰行人运动状态,进而生成动态行人代价地图。在此基础上,基于A^(*)的全局规划器结合静态障碍代价地图输出指向目标行人的全局路径,而基于时间弹性带(TEB)算法的局部规划器也将动态行人代价地图纳入考虑范围以规划优化的局部路径,这能够帮助机器人实现行人感知的避障且跟随全局路径。通过低频全局规划与高频局部规划结合的方式实现对目标行人安全无碰的跟随。实验验证了所提方法的有效性。
目的视觉感知技术是智能车系统中的一项关键技术,但是在复杂挑战下如何有效提高视觉性能已经成为智能驾驶领域的重要研究内容。本文将人工社会(artificial societies)、计算实验(computational experiments)和平行执行(parallel execution)构成的ACP方法引入智能驾驶的视觉感知领域,提出了面向智能驾驶的平行视觉感知,解决了视觉模型合理训练和评估问题,有助于智能驾驶进一步走向实际应用。方法平行视觉感知通过人工子系统组合来模拟实际驾驶场景,构建人工驾驶场景使之成为智能车视觉感知的"计算实验室";借助计算实验两种操作模式完成视觉模型训练与评估;最后采用平行执行动态优化视觉模型,保障智能驾驶对复杂挑战的感知与理解长期有效。结果实验表明,目标检测的训练阶段虚实混合数据最高精度可达60.9%,比单纯用KPC(包括:KITTI(Karlsruhe Institute of Technology and Toyota Technological Institute),PASCAL VOC(pattern analysis,statistical modelling and computational learning visual object classes)和MS COCO(Microsoft common objects in context))数据和虚拟数据分别高出17.9%和5.3%;在评估阶段相较于基准数据,常规任务(-30°且垂直移动)平均精度下降11.3%,环境任务(雾天)平均精度下降21.0%,困难任务(所有挑战)平均精度下降33.7%。结论本文为智能驾驶设计和实施了在实际驾驶场景难以甚至无法进行的视觉计算实验,对复杂视觉挑战进行分析和评估,具备加强智能车在行驶过程中感知和理解周围场景的意义。
以ChatGPT为代表的新一轮人工智能技术浪潮正推动人类社会全面变革,科学研究范式正加速转换,一场人工智能驱动的科学研究(AI for Science,AI4S)革命正在到来。分析了AI4S的基本概念和特点,从数学、物理、生物、材料等角度简要综述了AI4...
详细信息
以ChatGPT为代表的新一轮人工智能技术浪潮正推动人类社会全面变革,科学研究范式正加速转换,一场人工智能驱动的科学研究(AI for Science,AI4S)革命正在到来。分析了AI4S的基本概念和特点,从数学、物理、生物、材料等角度简要综述了AI4S的发展现状。大力发展AI4S对提高国家竞争力、发展社会经济、加强技术储备都具有十分重要的意义。为更好地推动我国AI4S的发展,以下两点十分关键:一是变革当代的教学与教育,倡导AI for Education和Education for AI;二是以DAOs和DeSci为基础建立适应“新科学研究范式”的“新组织方式”和“新科研生态”,为AI4S研究提供公开、公平、公正的可持续性支持。
暂无评论