跳到主要內容

臺灣博碩士論文加值系統

(3.235.140.84) 您好!臺灣時間:2022/08/15 02:06
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:蔡尚錚
研究生(外文):Shang-Jeng Tsai
論文名稱:以視覺為主的智慧型車輛導航之研究
論文名稱(外文):The Study on Vision-based Intelligent Vehicle Guidance
指導教授:孫宗瀛孫宗瀛引用關係
指導教授(外文):Tsung-Ying Sun
學位類別:碩士
校院名稱:國立東華大學
系所名稱:電機工程學系
學門:工程學門
學類:電資工程學類
論文種類:學術論文
論文出版年:2002
畢業學年度:90
語文別:中文
論文頁數:103
中文關鍵詞:顏色差異直方圖模糊聚類分析姿態控制車輛動態行為擷取混合式車輛自動導航策略
外文關鍵詞:Vehicle Dynamic Behavior AcquisitionHybrid Vehicle Automated Guidance StrategyAttitude ControlColor Difference Histogram-based Fuzzy Clusterin
相關次數:
  • 被引用被引用:15
  • 點閱點閱:984
  • 評分評分:
  • 下載下載:308
  • 收藏至我的研究室書目清單書目收藏:1
摘 要
本論文研究目的是發展一個以視覺為主的智慧型車輛自動導航系統(Vision-based Intelligent Vehicle Automated Guidance System, VIVAGS)。VIVAGS是基於車輛運動模式與前輪轉動角之間的關係,發展的車輛運動姿態控制系統,由兩個主要部分組成:以視覺為主的車輛動態行為擷取子系統(Vision-based Vehicle Dynamic Behavior Acquisition Sub-system, VVDBAS)及混合式車輛導航子系統(Hybrid Vehicle Guidance Sub-system, HVGS)。VVDBAS的用途是車輛運動姿態的擷取,以智慧型道路邊緣辨識及視覺回授為基礎,藉由量測車輛前輪轉動角獲得車輛運動的姿態。HVGS結合模式控制(model-based control)與模糊控制(fuzzy control)的優點,當做VIVAGS的車輛導航及姿態控制機制。當VVDBAS擷取車輛目前的姿態後,即與預期姿態做比較,若僅需做小幅度的姿態改變,HVGS即以模式控制做車輛導航;反之, HVGS以模糊控制做車輛減速調整。
VIVAGS第一個重要貢獻是針對VVDBAS的需要,提出EHCDFCM演算法及視覺回授距離量測方法,EHCDFCM以顏色差異模糊聚類分析為基礎,發展一種快速、精確且強健的道路邊緣辨識的新方法,不需處理大量的影像資料,量測精確度更高且不受亮度與陰影的影響。視覺回授藉由座標轉換及幾何推導,獲得精確的道路寬度及中心點。智慧型的混合導航策略是VIVAGS第二個重要貢獻,HVGS結合模式控制在即時計算的優點與模糊控制對操控平穩及舒適的需求,本論文以許多實驗證明HVGS導航策略的穩定性,較僅採用模式控制的方式更佳,亦較僅採用模糊控制有更優異的即時控制特性。
Abstract
The purpose of this paper is to develop a vision-based intelligent vehicle automated guidance system (VIVAGS). VIVAGS is based on the relationship between motion model of vehicle and turning angle of front wheels, that developing a control system of vehicle’s attitude. The two major parts of VIVAGS are vision-based vehicle dynamic behavior acquisition sub-system (VVDBAS) and hybrid vehicle guidance sub-system (HVGS). The function of VVDBAS is an attitude acquisition mechanism of vehicle motion, which based on the intelligent recognition of lane boundary and vision feedback principle, and can obtain the motion attitude of vehicle through measuring the turning angle of front wheel. HVGS is combined by the advantages of model-based control and fuzzy control that vehicle can be automated guided. As soon as VVDBAS capture the current attitude of vehicle, it compare with an expected value. If attitude only need a little change, vehicle is guide by model-based control; otherwise, vehicle is guided by fuzzy control to reduce the velocity of vehicle.
The first important contribution of VIVAGS is EHCDFCM algorithm and lane width measurement with vision feedback principle, which is in accordance with the demand of VVDBAS. The EHCDFCM is based on the color difference fuzzy clustering analysis and developing a new approach for recognizing lane boundary with fast, accurate and robust features. It is never need a large amount of image information to process, and can obtain more accurate measurement and not influenced by the illumination and shadow. The vision feedback principle is using the transformations of coordinate systems and the derivations of geometry to obtain the accurate width and center point of lane. The intelligent hybrid vehicle guidance strategy is the second important contribution of VIVAGS, which is incorporate with the advantages of model-based control with real-time computing and fuzzy control with the demand of stable and comfortable manipulation. We proved the stability and real-time ability of HVGS is better than model-based control methodology in this thesis by many different experiments.
目錄
中文摘要 I
英文摘要 II
誌謝 IV
目錄 V
圖目錄 VII
表目錄 X
第一章 緒論 1
1.1研究動機 1
1.2文獻回顧 2
1.3研究目的 4
1.4研究方法與步驟 6
1.5論文架構 9
第二章 以視覺為基礎的車輛運動模型分析 11
2.1車輛在二維空間的動態行為 12
2.2車輛轉向運動的分析 13
2.3以視覺為基礎的車輛動態行為擷取 16
2.3-1座標系統的轉換 17
2.3-2攝影機對道路影像的道路寬度之量測實驗 24
2.3-3以視覺為基礎的車輛動態行為擷取系統 26
2.4本章結論 29
第三章 道路影像的分析 30
3.1彩色道路影像的特性 31
3.2以直方圖為主的顏色差異模糊聚類演算法 34
3.2-1HCDFCM演算法 35
3.2-2實驗 38
3.3實際車道寬度的量測 39
3.3-1車道寬度量測 39
3.3-2利用HCDFCM與定理3.1做道路寬度量測的實驗 41
3.4以視覺為主的道路辨識演算法的比較 44
3.4-1利用Sobel邊緣偵測做道路辨識 44
3.4-2以模糊推論系統做道路辨識 47
3.4-3演算法的比較及限制 50
3.4-4 HCDFCM演算法的改善 55
第四章 以視覺為主的智慧型車輛導航系統 59
4.1視覺回授在車輛導航的應用 60
4.1-1以視覺為主之車輛導航演算法 61
4.1-2電腦模擬實驗 63
4.1-3車輛自動導航穩定性的探討 66
4.2混合式車輛自動導航系統 69
4.2-1模糊推論系統簡介 69
4.2-2應用模糊推論系統的HVGS 71
4.2-3以視覺為主的混合式智慧型導航系統的演算法74
4.2-4 HVGS實驗 76
4.3 HVGS與VGS效能的討論與比較 78
4.3-1不同取樣週期 產生的影響比較 78
4.3-2不同的EGD之 的距離產生的影響比較 80
4.3-3不同速度產生的影響比較 82
4.4本章結論 85
第五章 結論及未來研究方向 87
5.1結論 87
5.2未來的工作 87
參考資料 89

圖目錄
圖1.1 AGV相關研究之流程圖 2
圖1.2 VIVAGS系統架構圖 7
圖2.1 車輛在二維平面運動的座標系統 12
圖2.2 車輛做轉向運動時的幾何關係圖 13
圖2.3 車輛轉向運動時與旋轉半徑及旋轉中心的幾何關係圖 14
圖2.4 車輛與目標點及旋轉中心之間的位置關係圖 15
圖2.5 以視覺為基礎的車輛動態行為擷取涉及的座標系統 16
圖2.6 車輛與攝影機之間的位置關係圖 18
圖2.7 攝影機成像原理 19
圖2.8 攝影機姿態調整 20
圖2.9 攝影機座標系統與車輛座標系統之轉換關係 21
圖2.10 利用攝影機求距離的幾何關係圖 23
圖2.11 利用攝影機求寬度的幾何關係圖 24
圖2.12 求道路影像的距離及寬度的示意圖 25
圖2.13 對圖2.12的道路影像以不同 量測道路寬度的實驗結果25
圖2.14 車輛轉動前輪的正方向及負方向 26
圖2.15 以視覺為主的車輛動態行為擷取演算法 28
圖3.1 RGB彩色空間座標系統 31
圖3.2 要找出車道位置與寬度的水平掃描線 32
圖3.3 水平掃描線上的彩色影像資訊表示法 32
圖3.4 相鄰兩點的顏色差異值 33
圖3.5 圖3.4的統計直方圖 35
圖3.6 HCDFCM演算法 37
圖3.7 以HCDFCM演算法找出的差異性大小的分界點 38
圖3.8 以HCDFCM演算法找到的道路邊界 38
圖3.9 無明顯標線分界的道路邊界辨識 39
圖3.10 攝影機影像平面與實際世界的幾何關係 40
圖3.11 校園內的道路影像 41
圖3.12 以圖3.11的 做顏色差異處理的結果 41
圖3.13 直方圖統計的結果 42
圖3.14 HCDFCM迭代演算分成兩個聚類的結果 42
圖3.15 尋找道路邊界位置 43
圖3.16 找到之道路邊界位置 43
圖3.17 以Sobel邊緣偵測濾波器尋找灰階影像之邊緣 44
圖3.18 Sobel邊緣偵測的影像前置處理 46
圖3.19 計算道路邊界範圍之距離最大值 46
圖3.20 以Sobel演算法找出的道路邊界及寬度 47
圖3.21 以FIRE演算法尋找灰階影像之邊緣 48
圖3.22 以FIRE邊緣偵測的影像前置處理 49
圖3.23 計算道路邊界範圍之距離最大值 49
圖3.24 以FIRE演算法找出的道路邊界位置 50
圖3.25 不同陽光強度照射的道路影像 51
圖3.26 以HCDFCM分析圖3.26獲得之顏色差異性臨界值 51
圖3.27 以HCDFCM辨識圖3.25的道路邊界位置 51
圖3.28 以FIRE辨識圖3.25的道路邊界位置 52
圖3.29 以Sobel演算法辨識圖3.25的道路邊界位置 52
圖3.30 有陰影的道路影像 53
圖3.31 道路陰影造成顏色差異性大及小的臨界值不易辨識道路邊53
圖3.32 以HCDFCM演算法辨識錯誤的道路邊界與中心點位置 54
圖3.33 以FIRE演算法辨識辨識錯誤的道路邊界與中心點位置 54
圖3.34 以Sobel演算法辨識辨識錯誤的道路邊界與中心點位置54
圖3.35 把圖3.31平均分割為兩個區域 55
圖3.36 把圖3.35兩個區域做顏色差異性大的臨界值 55
圖3.37 以EHCDFCM演算法辨識有陰影的道路中心點位置 56
圖3.38 EHCDFCM演算法 57
圖3.39 以EHCDFCM演算法辨識圖3.11的道路中心點位置 58
圖4.1 車輛導航之目標 60
圖4.2 以視覺為主的車輛導航系統(VGS)架構圖 61
圖4.3 以視覺為主之車輛導航(VGS)演算法 63
圖4.4 二維平面車輛運動模型之離散時間示意圖 64
圖4.5 車輛導航之模擬環境 65
圖4.6 車輛經50次取樣週期的導航結果 66
圖4.7 車輛前輪角度之變化及車頭車尾與道路中心線之距離 67
圖4.8 車輛在定速與減速下之轉向運動 68
圖4.9 以HVGS為主的車輛導航系統架構圖 69
圖4.10 模糊推論系統架構圖 70
圖4.11 車輛速度模糊控制的輸出入語言變數的歸屬函數 73
圖4.12 經由FIE推論及解模糊化的結果 73
圖4.13 Vision-based Hybrid Vehicle Guidance System演算法75
圖4.14 以HVGS經過50個取樣週期的運動軌跡 76
圖4.15 車輛前輪角度之變化曲線比較圖 76
圖4.16 車頭及車尾偏離道路中心點之比較圖 77
圖4.17 以HVGS演算法對於車輛速度調變之關係圖 77
圖4.18 以1秒取樣週期的VGS導航結果 (20個週期) 79
圖4.19 以1秒取樣週期的HVGS導航結果 (30個週期) 79
圖4.20 以1秒取樣週期對兩種策略參數量測比較(前20個週期)80
圖4.21 以VGS導航的結果(50個週期) 81
圖4.22 以HVGS導航的結果(50個週期) 81
圖4.23 對兩種策略參數量測比較(50個週期) 82
圖4.24 車速為50(km/h)兩種導航策略的比較 83
圖4.25 車速為60(km/h)兩種導航策略的比較 83
圖4.26 車速為70(km/h)兩種導航策略的比較 84
圖4.27 車速為80(km/h)兩種導航策略的比較 84

表目錄
表1.1 VIVAGS系統相關名詞及參數對照表 8
表3.1 HCDFCM、FIRE、Sobel演算法比較表 52
參考資料
1. M. Nikolova and A. Hero III, “Segmentation of a road
from a vehicle mounted radar and accuracy of the
estimation,” in Proc. IEEE Intelligent Vehicles
Symposium, 2000. IV 2000., pp. 284-289, 2000.
2. R. Mazl and L. Preucil, “Building a 2D environment map
from laser range- finder data,” in Proc. IEEE
Intelligent Vehicles Symposium, 2000. IV 2000., pp. 290–
295, 2000.
3. H. Hattori, “Stereo for 2D visual navigation,” in
Proc. IEEE Intelligent Vehicles Symposium, 2000. IV
2000., pp. 31–38, 2000.
4. D.Y. Jeong, S.J. Park, S.H. Han, M.H. Lee, and T.
Shibata, “A study on neural networks for vision-based
road following of autonomous vehicle,” in Proc. IEEE
ISIE 2001.International Symposium vol.3, Industrial
Electronics, 2001., pp. 1609 –1614, 2001.
5. K. N. Murphy, “Navigation and Retro-Traverse on a
Remotely Operated Vehicle,” in Proc. Singapore
International Conf., Intelligent Control and
Instrumentation, 1992. SICICI '92. vol.1, pp. 323–328,
1992.
6. R. Behringer and M. Maurer, “Results on visual road
recognition for road vehicle guidance,” in Proc. IEEE
Intelligent Vehicles Symposium, pp. 415–420, 1996.
7. M. Brattoli, R. Tasca, A. Tomasini, E. Chioffi, D. Gerna
and M. Pasotti, “A vision-based off-road alert
system,” in Proc. IEEE Intelligent Vehicles Symposium,
pp. 195–200, 1996.
8. B. Yu and A. K. Jain, “Lane boundary detection using a
multiresolution Hough transform,” in Proc. Image
Processing International Conference vol.2, pp. 748–751,
1997.
9. Y. J. Ryoo and Y. C. Lim “Neuro-fuzzy control system
for vision-based autonomous vehicle,” Fuzzy Systems
Conference Proceedings, 1999 FUZZ-IEEE '99. 1999 IEEE
International vol.3, pp. 1643-1648, 1999.
10.Y. Xu, R. Wang, Libing and S. Ji, “A vision navigation
algorithm based on linear lane model,” Intelligent
Vehicles Symposium, 2000. IV 2000. Proceedings of the
IEEE, pp. 240–245, 2000.
11.R. Aufrere, R. Chapuis and F. Chausse, “A fast and
robust vision based road following algorithm,”
Intelligent Vehicles Symposium, 2000. IV 2000.
Proceedings of the IEEE, pp. 192–197, 2000.
12.S. Y. Oh, J. H. Lee and D. H. Choi, “A new
reinforcement learning vehicle control architecture for
vision-based road following,” Vehicular Technology,
IEEE Transactions, vol.49 Issue: 3 , pp. 997–1005, May.
2000.
13.A. Bensrhair, M. Bertozzi, A. Broggi, P. Miche, S.
Mousset and G. Toulminet, “A cooperative approach to
vision-based vehicle detection,” Intelligent
Transportation Systems, 2001. Proceedings. 2001 IEEE,
pp. 207-212, 2001.
14.S. Lee and W. Kwon “Robust lane keeping from novel
sensor fusion,” Robotics and Automation, 2001.
Proceedings 2001 ICRA. IEEE International Conference
vol.4, pp. 3704 –3709, 2001.
15.X. Q. Ye, Z. H. Huang and Q. Xiao, “Histogram based
fuzzy C-mean algorithm for image segmentation,” Pattern
Recognition, 1992. vol. III. Conference C: Image, Speech
and Signal Analysis, Proceedings.,11th LAPR
International Conference, pp. 704–707 1992.
16.Q. T. Luong, J. Weber, D. Koller and J. Malik, “An
integrated stereo-based approach to automatic vehicle
guidance,” Computer Vision, 1995. Proceedings., Fifth
International Conference, pp. 52-57, 1995.
17.S. E. Umbaugh, “Computer Vision and Image Processing: A
Practical Approach Using CVIP tools,” Prentice Hall
PTR, 1998.
18.W. Li, X. J. Jiang and Y. Q. Wang “Road recognition for
navigation of an autonomous vehicle by fuzzy
reasoning,” Fuzzy Systems, 1996., Proceedings of the
Fifth IEEE International Conference vol.1, pp. 246-
250 ,1996.
19.L. A. Zadeh, “Fuzzy sets,” Inform. Control, 8, 338-
353, 1965.
20.L. A. Zadeh, “The concept of a linguistic variable and
its application to approximate reasoning,” Memorandum
ERL-M 411 Berkely, October 1973.
21.M. Mizumoto and H. J. Zimmermann, “Comparison of fuzzy
reasoning methods,” Fuzzy Sets and Systems vol.8, no.3,
1982.
22.T. D. Gillespie, “Fundamentals of Vehicle Dynamics,”
Society of Automotive Engineers, Inc.
23.K. N. Murphy, ”Navigation and Retro-Traverse on a
Remotely Operated Vehicle,” Intelligent Control and
Instrumentation, 1992. SICICI '92. Proceedings.,
Singapore International Conference vol.1 , pp. 323–328,
1992.
24.R. C. Gonzalez and R. E. Woods., “Digital Image
Processing”, Reading, Mass.: Addison-Wesley, c1992.
25.J. P. Yang and S. J. Ozawa, “Three-Dimensional Road
Recognition from Single Two-Dimensional Image”, Image
Analysis and Interpretation Proceedings of the IEEE
Southwest Symposium, pp.101-105, 1996.
26.A. Piazzi, C. G. L. Bianco, M. Bertozzi, A. Fascioli and
A. Broggi, “Quintic G2-Splines for the Iterative
Steering of Vision-based Autonomous Vehicles,” IEEE
Trans. Intelligent Transportation Systems, vol. 3, no.
2, pp. 27~36, March 2002.
27.黃毅偉, “車輛動態特性分析及虛擬實境技術應用於汽車駕駛模
擬器之研製”,彰化師範大學工業教育學系碩士論文,民89。
28.繆紹綱, “數位影像處理-活用Matlab”,全華科技圖書股份有
限公司,民89,第10-16~10-17頁.
29.宋開泰,林毅勳, “基於模糊控制與即時影像之自走式機器人路
標導航設計”, 模糊系統學刊,第五卷,第一期,第43~51頁,
1999.
QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top