基于人工智能的障礙物檢測方法庫研究

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

避免碰撞是高級駕駛輔助系統中的一個重要特征，旨在在即將發生碰撞（與物體、車輛或行人等）之前提供正確、及時和可靠的警告。為此，本文設計了相應的障礙物識別庫，以解決交通網絡物理系統中的障礙物檢測設計和評估問題。該識別庫被集成到SCANeR軟件和MATLAB/Simulink之間交互的協同仿真框架中。此外，在SCANeR中創建了一個輔助驅動場景，以表示和模擬網絡物理系統的行為。本文首先介紹了網絡物理系統中虛擬芯片上光探測和測距傳感器在交通場景下的建模和仿真。其中網絡物理系統是在SCANeR中設計并實現的。其次，利用SCANeR提供的感官信息數據庫，設計并應用了三種基于人工智能的障礙物識別庫的計算方法。識別庫中有三種障礙物檢測方法：多層感知器神經網絡、自組織特征映射和支持向量機。最后給出了這些方法的比較結果。

對比研究結果表明，所提出的障礙物檢測方法能夠有效地檢測行人。在分類模型的訓練和驗證階段，多層感知器和支持向量機得到了最好的結果，而自組織數據地圖表現不佳。此外，還進行了第二次的評估實驗，其中包括在不同天氣條件下基于傳感器提供的感官數據對行人目標進行檢測。在第二次評估中，所有的方法都能夠對行人進行很好的分類。多層感知器在晴朗和多霧的環境中提供了非常好的效果，但同時在多云和多雪的環境下也有惡化的趨勢。支持向量機在雨天條件下產生最好的結果。而與此同時，自組織特征映射則產生了最差的效果。本次評估的結果證實了天氣條件對分類器精度能產生高度影響。