清华大学智能网联汽车课题组

1. 面向弱势道路使用者的车载多目标跟踪和运动预测方法

研究背景

       易受伤害道路使用者如行人、骑车人或其他骑行者，在实际交通场景中很常见，具有多样性，但易受伤害且缺乏保护。易受伤害使用者的检测是保护他们的第一步，需要进一步跟踪连续帧间的同一目标的位置，形成运动轨迹，实现多目标跟踪，为后续预测其运动意图做准备。

       针对自动驾驶环境中的自车周围易受伤害道路使用者（VRU，包括行人和骑行者两类）的运动轨迹预测问题，提出了融合多轨迹预测因子的深度循环神经网络轨迹预测方法，同时考虑连续多帧间目标的位置、形状等运动特征线索和局部矩形框的深度外观卷积特征。

       在清华大学-戴姆勒联合研究中心建立的易受伤害道路使用者多目标轨迹预测数据库中，综合评价了不同的循环神经网络变体（RNN/LSTM/GRU）、目标轨迹预测因子以及网络参数优化策略，验证了所提出的融合多轨迹预测因子的VRU多目标轨迹预测方法的有效性。

        研究骨干：熊辉

2. 基于路侧相机的多目标跟踪方法

      精确鲁棒的多目标跟踪方法是智能网联汽车实现认知与决策的前提，在自动驾驶感知技术中占据重要地位。同时路侧相机同时具有成本低廉、感知信息丰富、视野开阔等突出优势，因此基于路侧相机的多目标跟踪方法对于实现车路协同感知及高等级自动驾驶具有重要意义。

3. 基于现有车载传感器的胎路附着系数实施估计方法

        胎路附着系数是描述当前胎路状态的重要参数，也是自动驾驶系统决策与控制算法的重要先验知识，对自动驾驶系统的安全性、舒适性具有重要意义。同时对于网联交通系统，附着系数估计结果可以实现共享，为驾驶员及自动驾驶系统提供预警，从而大大提升整个交通系统的安全系数。

       基于2D-LuGre轮胎模型及unscented Kalman Filtering，实现在制动、加速及转向三种驾驶工况下的胎路附着系数实时估计，并证明所建立轮胎系统的可观性条件，给出dynamic-based胎路附着系数估计方法的理论边界。通过CarSim-MATLAB/Simulink联合仿真，初步验证了所提方法的有效性。

        研究骨干：林学武

1. 基于多传感器融合的智能汽车环境感知技术研究

       自动驾驶领域，环境感知是基础。由于各传感器各具优缺点，多传感器融合已成为目前环境感知的研究热点和研究难点。多传感器融合感知方法研究将为构建智能交通和发展自动驾驶提供技术支撑，对汽车行业智能化发展具有重要的研究意义和积极的推动作用。

       为解决远距离稀疏点云中目标轮廓缺失造成的运动车辆检测难题，研究提出了基于PE-CPD的运动车辆检测算法。该方法利用随目标距离和虚拟扫描映射角度分辨率自适应变化的阈值筛选场景中的运动目标，随后利用点云配准信息结合运动状态校准和模型选择过程对目标进行位姿估计，并将其引入运动车辆检测过程中。实验结果表明，该方法获得了良好的运动车辆检测性能，尤其针对较远距离稀疏点云场景下的运动车辆检测性能提升明显。

       为解决地面起伏、障碍物遮挡以及点云稀疏等情况下的地面准确分割难题，研究提出一种基于混合回归技术的点云地面建模算法。该方法沿扫描径向利用RLWR结合梯度滤波器建立地面种子模型，获取全地面种子架构，基于此，沿扫描圆周向利用GPR进行地面自主建模，利用地面圆周向连续性弥补径向点云缺失带来的建模误差。该方法使用地面全平面连续性预测地面点云高度，提高了算法对环境的鲁棒性。

       同时，研究提出了基于单模板匹配的点云行人检测算法。利用分层分割多层融合的KDE行人聚类算法解决邻近结伴行人欠分割难题。随后利用主平面投影构造潜在行人聚类的投影图，从中提取能够反映目标轮廓的LARK特征矩阵，计算与模板相似度，判断目标类型。该算法避免了对大量训练数据的需求，能有效区分场景中的行人与其他外形相似的目标。

        研究骨干：刘凯琪

2. 基于多目标优化的传感器优选与部署规划

       由于具有计算效率高、感知范围广等优点，车-路-云协同融合感知是智能网联汽车发展的必然趋势。传统的传感器部署优化问题研究往往只针对单一指标、单一变量进行优化且缺少合理的路网模型。因此，对多传感器感知系统和城市道路进行抽象化建模，并基于此研究面向感知系统的传感器部署多目标优化算法，对于智能网联汽车感知系统完善与资源充分利用具有积极、重要的意义。

        研究骨干：卢政也

3. 基于多传感器信息融合的目标定位追踪

       智能网联车辆依赖于传感器的数据支持，在实际应用中单一传感器的工作原理以及应用特性都不同，在部分场景下无法满足需求，多传感器融合已经成为一种共识。应用传感器在信息复杂的环境中抵抗各种噪声干扰并准确识别目标物、融合异步异源信息、获取不变特征，是多传感器融合研究的重点内容，具有重要意义。

       为了研究多传感器融合感知中如何去降低噪声干扰、提高多传感器融合后对目标的定位追踪的精准性，我们需要分析噪声的来源、针对传感器原始数据的噪声以及由于车辆的基准不稳定造成的噪声改进融合算法，将改进后的算法与未改进的算法进行比较从而减小定位追踪的误差。

         研究骨干：朱世豪

       自动驾驶汽车在交通安全、交通效率、环境保护和节能方面发挥着积极的作用。随着智能车辆的发展，如何与这些动态的、随机的、多样化的交通参与者进行交互，是实现混合交通高水平自动驾驶的潜在挑战。因此，自主驾驶类人决策系统的研究是必要的。但仍存在一些挑战:1)如何识别周围交通参与者的意图，而不是根据周围车辆的当前状态被动地加速或制动; 2)如何量化复杂环境下不同交通因素引起的驾驶风险; 3)如何规划具体的驾驶策略，提高复杂环境下的决策能力。

1. 基于行人行为识别与意图识别的轨迹预测方法

       行人轨迹预测在车辆防撞保护系统及自动驾驶中都起着重要作用。目前对行人轨迹预测的研究主要分为三类，它们分别基于运动模型，基于行人意图，以及基于学习性方法对行人轨迹进行预测。但这些方法对行人行为考虑较少，运动模型也往往不符合行人的运动特性。结合行人复杂行为，提出新的行人运动模型，进行行人意图识别，并最终融合行为与意图，获得良好的预测结果对提升自动驾驶安全性有着重要意义。

      为了获得精确的行人轨迹预测结果，研究提出了一种基于行人行为和意图识别的行人轨迹预测方法。行为识别方法将行人行为分为站立、行走和跑步。结果表明，该分类对一般的人行横道场景具有较好的适应性。DBN用于获得行人过路意向，所有参数均来自一般过路场景的经验数据和公告数据。轨迹预测方法将行为和意图结果结合在一起，在采集的BPI数据集中定义的8个典型的人行横道场景中表现良好，尤其是在停止场景中。结果表明，该方法在不训练行人轨迹的情况下，可以准确地预测一般的人行横道场景的行人轨迹。

        研究骨干：吴浩然

2. 基于博弈论的车辆意图识别

       理解并准确预测驾驶人、行人等的意图，判断其行为，是提高自动驾驶车辆安全性和智能性的重点和难点。尤其在中国复杂、时变、耦合的驾驶场景中，自动驾驶车辆与人的交互性更为重要。目前SOTA方法大多使用深度学习等黑箱模型，可解释性差。研究希望能够通过博弈论的可解释性模型，对驾驶场景中人的意图、行为进行建模。

      为了研究驾驶员驾驶过程中的驾驶意图交互过程，建立可解释性模型，采用混合动态博弈模型对其建模。利用现有自然驾驶数据集highD，对特定四车博弈场景进行筛选分析，用驾驶经验和实际数据拟合出驾驶收益函数，得出实际驾驶人的意图交互模型，最后输入到行车风险场中，得到全局风险评估结果。

       研究骨干：杨奕彬