自动驾驶汽车关键技术解析

原创于 2025-10-19 01:55:26 发布 · 777 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#自动驾驶 # 计算机视觉 # 轨迹规划 # 传感器融合 # 智能控制

第3章自动驾驶汽车

3.1 简介

无人驾驶汽车、独立车辆和机器人汽车是用于乘客或货物运输的运输车辆的名称，这类车辆配备了计算机化控制系统。该控制系统集成了传感器和执行器，从用户设定的初始任务出发，实现沿街道、道路和其他陆地表面自主且安全导航的功能[5, 29]。导航过程结合了多个自动化步骤，以获取环境数据、确定车辆位置、避免与环境中其他物体发生碰撞，并根据既定任务执行最优操作[34]。

机器人车辆源于两个特定领域：智能交通系统（ITS）和移动机器人。
与其他类型的自动驾驶车辆不同，机器人汽车具有以下主要要求：它们被设计用于载人运输和货物运输，能够展示大规模导航的可能性，并且能够在与人类驾驶员相似或更优的时间范围内感知、处理和响应环境中的动态和静态事件[28]。

机器人汽车的开发涉及提供高可靠性、冗余和保守安全的设计要求。机器人汽车可以源自为此目的最初开发的车辆，或通过将传感器、执行器和控制系统集成到传统车辆中而产生[3]。

除了在恶劣的关键条件下为驾驶员提供更高的安全性外，车辆自动化还可以辅助车辆的驾驶。这种辅助包括一个或多个可以自动化的任务，例如沿车道行驶、保持正确车道、与其他车辆保持安全距离、根据交通状况和道路特征自动调节车速、安全地超越和避开障碍物、找到通往目的地的最短且最安全的路线，以及在城市环境中移动车辆并将其停入停车位[30]。

汽车行业已大力投资嵌入式电子系统，以提升车辆安全、舒适性、稳定性及性能。为辅助驾驶员，近几十年来已开发并整合了多种电子解决方案，例如防抱死制动系统制动器和电子稳定程序稳定系统。当车辆处于极端条件时，这些系统会自动启动，以尽量减少事故的发生。一个较新的例子是梅赛德斯发布的S500 智能驾驶车辆，这是一款智能汽车，在无需人为干预的情况下完成了100公里的行驶。此次自动驾驶演示过程中，车辆成功应对了环岛、交通拥堵、交通信号和行人等情况。得益于摄像头、雷达和地理定位[11]系统，该车辆能够对这些不同障碍物做出反应。

我们可以得出结论，自动驾驶汽车具有一些优势，例如更高的交通流畅性以及更高的安全、舒适性和燃油经济性。此外，在这一特定背景下，我们赞赏多个用户共享车辆使用的可能性，这是一种更可持续的交通方式。因此，在考虑工业设计特别是汽车设计时，必须与城市交通相关的特殊问题紧密结合，以有助于提升生活质量和社会福祉。

本章描述了独立车辆的结构以及构成这些车辆的组件，并阐述了每个组件的主要功能。本章其余部分安排如下：第3.2节介绍涉及自动驾驶汽车的技术；第3.3节介绍支持自动驾驶所需的主要组件；最后，第3.6节对本章进行简要总结。

3.2 智能汽车

独立车辆的开发需要集成多个传感器和执行器，以实现推断和独立决策。因此，此类车辆的实现在集成各种设备和技术方面面临着巨大挑战，需实现信息抽象和数据处理。根据博尔吉 [5], 的观点，智能汽车应用需要以下条件：

车辆的位置、运动学和动力学状态；
车辆周围环境的状态；
访问数字地图和卫星数据；
驾驶员和乘员的状态；
与路侧基础设施或其他车辆的通信。

一种满足这些要求的技术是线控驱动，它代表了交通领域的新时代[25]。
通过电子信号驾驶车辆的可能性使得可以使用嵌入式计算机，它们充当飞行员或副驾驶。这些处理单元在紧急情况下协助驾驶员，或执行诸如自主驾驶车辆或帮助驾驶员停车等任务。

采用线控驱动技术的智能汽车结构由多个分层控制结构的控制单元组成。
这些控制单元由嵌入式机电系统构成，其中包括用于嵌入式机电组件的一整套控制器，以及基于应用计算解决方案开发的驾驶员辅助系统。

机电系统和驾驶员辅助系统依赖于通过专用传感器采集的车辆内外的信息。利用收集到的信息，这些控制系统可以识别车辆状态以及周围环境条件。
此外，通信系统有助于控制结构的整体集成，实现车辆与远程监控与控制中心之间的信息交换，以及车与车之间的通信。该结构例如可在受控环境中实现运输系统的自动化。通过通信系统，车辆可以获得交通状况信息，从而实现交通优化。

驾驶员与自动驾驶车辆之间的人机界面也值得进一步研究。通过线控驱动技术，电子控制使自导引车辆成为可能，因此无需基于方向盘和踏板的传统界面。

3.2.1 嵌入式机电系统

嵌入式机电系统由车辆中可用的机电组件组成，负责车辆运行中的特定功能。
在此背景下，当前的发展重点是燃油喷射系统、制动系统以及转向柱的角度定位。这些子系统中的每一个都由一个电子单元控制，并通过网络与其他子系统通信。在汽车领域，控制器局域网（CAN）已得到广泛使用，以支持应用程序的通信。

CAN 包含一种同步串行通信协议，可实现车辆中嵌入的多个传感器和系统之间的相互通信。CAN 基于多主控概念工作，其中所有系统都可以成为主控。一次为主，另一次为从。这些系统之间通过多播方式交换消息，其特点是将所有消息发送给网络系统网络中的所有现有系统。

3.2.2 感知

在感知车辆内外部环境时，传感器可分为三大类：（1）路径识别传感器，（2）物体识别与障碍物传感器，以及（3）导航传感器。这三类传感器可确保车辆通过路面标线安全地沿预定路径行驶。标线识别的原理可通过以下术语进行定义：

电磁感应 。这种感知策略依赖于注入到埋设在行车道沥青下的电缆中的电流所产生的磁场，从而能够追踪车辆的存在；
激光感应 。这种感知依赖于反射到道路上特殊附着的偏振反射带的激光器；
Transponders 。这些是光磁或电子方式放置在轨道上的装置；它们遵循与射频识别系统相同的原理；
Computational vision 。这种策略可以通过视觉识别道路边缘，而道路边缘通常已在高速公路上用油漆标出，用于驾驶员引导。

物体传感器（如激光扫描仪、超声波、雷达和立体视觉）能够检测各种不同的障碍物，使车辆停止或改变方向；这种感知能力使驾驶员能够避免碰撞，而碰撞是涉及伤亡人员的主要交通事故类型。减少道路交通事故，并相应降低伤亡人数，是车辆自动化技术发展对社会的重要贡献之一。导航传感器（如全球定位系统、陀螺仪、加速度计和轮速传感器）则确保机电系统能够推断出特定的驾驶环境。控制结构的分层结构使车辆能够以安全且受控的方式行驶，保持其动态稳定性并跟踪预定轨迹。

3.3 控制

智能车辆的自主导航需要所有嵌入式计算和机电组件的协同工作。所有这些组合在一起的元素构成了一个具有多级控制的复杂车辆自动化系统。
车辆自动化系统由机电子系统的控制解决方案组成。这些子系统中的许多对驾驶员来说是不可见的，例如电子燃油喷射控制、自动变速器和电动助力转向系统。

与车辆驾驶相关的任务位于分层控制结构的中部；目前该任务由人类驾驶员执行，但此功能也可以完全自动化。在高附加值汽车中，巡航控制（CC）速度控制系统消除了驾驶员需要关心保持恒定速度的问题。随着该系统发展为自适应巡航控制（ACC），在车辆后部安装距离传感器后，车载计算机还能够根据交通状况调整速度。

控制结构的顶部包含嵌入式计算解决方案。值得注意的是，基于数字地图的路线优化系统已稳步发展，能够在提供出发点和到达点后确定给定出行计划的最佳路径。如果在原始路径中遇到任何障碍物，路径也可以在整个行程中动态修改。值得一提的是，目前已有基于运筹学和人工智能（AI）设计系统的相关努力，这些系统能够指示新的动态重新计算的路线。这些路线会根据集成传感器系统检测到的固定或移动障碍物的出现而持续调整。

每个控制子系统，根据其在结构中的层级，可以被归类为更接近结构底部的机电一体化解决方案，或驾驶员辅助系统。这两组之间没有明确的边界，因为它们相互补充。

3.3.1 架构

自动驾驶车辆的控制系统开发最初涉及控制金字塔底层的设计与实现。底层的开发随后推动了管理该系统各个组件和模块的计算机系统的实施。计算机化控制系统可能涉及较简单的任务，这些任务仅可通过可编程逻辑控制器（PLC）进行管理。然而，用于控制更复杂任务执行的复杂系统，则需要更加先进的计算控制架构[27]。该计算控制架构的任务可能涉及多种能力：

读取并解释从车辆传感器接收到的信号；
避开车辆路径上的障碍物；
对事件做出反应，包括突发情况，例如移动障碍物突然出现；
规划轨迹并执行任务，例如在不参考周围环境地图的情况下定义从A点到B点的路径；
管理系统的各个组件，以正确的顺序和正确的参数生成命令，从而执行计划的任务；
确保车辆的正确定位；
通过创建表示已探索路径“记忆”的草图来对周围环境进行地图构建；
了解环境以及如何与之交互，并在获取新知识时进行适应；
与其他计算设备通信、交互甚至协作；
提供在识别和补偿车辆部件局部缺陷时实现故障检测和容错的策略。

因此，计算控制系统必须执行诸如保持车辆的完整性、维护车辆运行环境中物体和实体的完整性以及识别任务执行解决方案等任务。在某些情况下，该控制系统甚至需要与其他系统交互，以更好地规划任务执行。此类控制系统的特点促使我们研究人工智能领域的技术，特别是所谓的自主人工代理和多智能体系统的控制技术。一些与自主机器人相关的技术和概念已在人工智能代理的实现中被重用，反之亦然。本章涉及的主要方面包括感知、推理和行动，其中通信方面起到补充作用。

自动驾驶车辆控制的计算架构非常多样；这种多样性体现在文献中已提出和发现的大量现有方法上[10, 15]。然而，其中一些方法描述的架构因其特性和潜力而广为人知并得到认可，如下所述：

反应式控制 由感觉运动反应系统组成。这种控制通常最易于实现，不需要大量的计算资源。在反应式控制中，存在一个循环过程：(1) 读取传感器数据，(2) 立即处理信息，以及 (3) 向执行器生成响应指令。通常，反应式控制方案仅根据当前的传感读数进行决策和生成动作指令[9]。反应式系统对于实现诸如避碰等行为非常有用。
认知控制 包含了动作规划机制的应用。因此，可以根据系统对需解决问题的相关知识，预先建立一个执行动作序列的计划。慎思控制假定存在一个高层级推理和决策的过程，通常比反应式控制更复杂且难以实现。该过程能够进行行动规划，以应对和执行需要更高控制水平的任务。这些任务可能包括通过查看地图，在环境中从一个地点移动到另一个地点的路径规划和任务执行。然而，面对意外事件（例如障碍物阻挡了某条既定路径[15]）时，纯慎思控制存在局限性。在这种情况下，纯慎思控制在初始规划中未预料到的新环境配置下，难以做出反应。理想情况下，控制系统应具备反应式系统的反应能力，同时能够规划和执行慎思系统的复杂任务，将反应式和慎思式特性结合在一个分层/混合系统中。
分层/混合控制 由多个反应式和慎思式控制模块在分层结构中组合而成，这些模块可按分层或并行方式运行。不同控制模块的组合导致系统采用一种针对多层结构的优先级方案，这类控制系统通常被发现并归类为具有垂直与水平分解的分层系统[10]。分层/混合系统的优势在于能够结合来自不同模块的行为，从而产生更鲁棒的行为以及更复杂的任务执行。混合控制通过一系列并行运行且相互通信的模块来实现。

3.3.2 子系统

车辆的控制必须首先分为两部分。第一部分负责速度控制，第二部分负责控制横向偏差。配备内燃机和制动器的车辆的速度控制基于在[20]中开发和提出的自适应巡航控制启停系统的结构。该子系统分为两个分支，一个用于加速，另一个用于使车辆停止。每个分支都有特定的功能，这些功能被集成到车辆的数学模型中。

加速分支装置由喷射系统、与离合器耦合的内燃机以及车辆的纵向动力学组成。喷射系统可用一个二阶环节表示，而电机和离合器则分别用时滞比例环节PT1和死区类型的非线性元件表示。尽管电机也具有非线性特性曲线，但此处的简化仅受控制器设计影响。车辆的纵向动力学也可用PT1环节进行简化。可在前馈结构中增加一条包含电机特性曲线的附加分支，以提高控制系统的动态性能。该附加分支反过来有助于减轻闭环控制器的负担，确保整个系统具有更快的响应速度。

制动分支装置由具有间接转矩控制的机电执行器、制动系统的机械部件以及车辆的制动特性曲线组成。用于开发车辆运动控制器侧的数学模型通常基于“自行车模型”[20]。在用于车辆横向控制的不同控制结构中，采用PID系列的经典控制器，以及级联控制结构或非线性控制的解决方案尤为突出[19]。

考虑到速度值对车辆动态行为的影响，在速度变化显著的情况下，有必要使用自适应控制器或其他现代控制技术。同样，基于人工智能的系统也可用于确保更优的运行条件和车辆性能[15]。

对于车队的车辆控制，确保车辆之间的固定距离至关重要。因此，需要使用一个额外的控制器与速度控制器级联。车辆间距可以通过例如检测前车上颜色编码标记获得，该距离信息随后被发送到控制器。系统继而向速度控制器发送其参考值增加或减少的信息。同样，所采用的计算机视觉系统还能够检测车辆间的横向位移。该信息随后被发送到横向距离控制器，以确保车队中车辆的对齐。

3.4 轨迹规划

路径规划涉及指定一条连接两个点的轨迹：从起点A到终点B。规划组件在自动驾驶汽车控制的计算机系统中具有重要意义。轨迹规划算法必须考虑地图、道路路段中车辆的存在情况以及其他可用信息，以确定车辆将要行驶的路径。

许多研究提出了各种算法以促进轨迹规划；其中最著名的包括[23]图搜索、A*算法、基于势场的搜索以及矢量场。这些算法的应用通常取决于给定环境的表示类型，以及与搜索轨迹问题解的复杂度相关的性能要求问题。

现有的导航算法高度依赖于对车辆当前位置的正确识别和估计。当基于特定轨迹开始控制车辆位移时，这种依赖性尤为明显。导航的复杂度取决于车辆相对于环境地图以及相对于指定轨迹的位置。导航指令以动作序列的形式生成，使车辆能够沿指定路径行驶。因此，车辆定位和方向上的误差可能导致驾驶任务执行中出现严重问题。正因如此，在存在预设路径的导航任务中，机器人必须具备一种机制，以确保其当前位置的估计能够得以维持。

此外，机器人的控制系统必须具有足够的鲁棒性，以便能够应对突发情况，这些情况通常表现为轨迹上出现意外障碍物。

3.5 计算机视觉

本节讨论了计算机视觉技术在驾驶员辅助系统和自主导航中的应用。重点介绍为支持商用智能车辆而开发的应用，但本节涵盖的概念可推广至移动机器人的一般性导航。尽管固定摄像头也用于交通监控系统和驾驶员辅助系统[18]，本节包含使用安装在车辆内部及其他车载传感器的摄像头的应用。车道监控通过安装在车内并与车辆中心轴对齐的摄像头，采用单目视觉实现。

立体视觉则通过位于车辆两侧的两个摄像头实现车道监控。立体视觉提供了更丰富的信息，因为它引入了深度概念。然而，摄像头的同步带来了复杂性。
另一个需要考虑的问题是使用彩色或黑白摄像头：彩色图像比灰度图像包含更多信息，但其处理时间更长。

在分析从嵌入式摄像头获取的视频序列时，某些因素会阻碍正确的跟踪：

标线磨损 。许多高速公路的油漆已经磨损，使得道路边界难以辨认；
阴影。树木、建筑物、桥梁和车辆会在高速公路及其他车辆上投下阴影，改变公路的亮度和纹理；
太阳位置 。太阳方位可能会导致摄像头捕获的图像出现饱和或产生镜面反射；
遮挡。在同一条高速公路上行驶的车辆可能会部分或完全遮挡摄像头的视野；
气候条件 。自然现象可能会显著降低所获取图像的质量。

以下讨论详细说明了车道偏离检测、障碍物检测、交通信号检测与识别以及独立导航的问题。针对这些问题中的每一个，都讨论了最合适的摄像头类型以及应设置的数量。

3.5.1 车道偏离检测

驾驶员辅助系统领域的一个重要问题是车道偏离预警系统的开发。这类系统的主要目的是监测车辆相对于道路边缘的位置，并在车辆出现车道偏离倾向时发出警示。对于从事长途驾驶且夜间行车、极易发生疲劳驾驶的客车和卡车司机而言，及早检测道路交叉口至关重要。

车道偏离检测的前提是道路边缘的鲁棒识别。在涉及智能车辆的绝大多数应用中，这意味着需要检测标示行驶车道边缘的车道标线涂料。一些技术使用彩色摄像头进行车道检测[33]，但最近提出的大多数技术使用灰度图像。其中一个原因是车道标线涂料通常是白色的，而处理彩色图像的成本并不能弥补颜色信息带来的增益。一些研究人员选择使用立体视觉[4]；然而，在大多数道路边缘检测技术中，仅使用一个摄像头是最常见的选择，因为深度概念在此问题中并未提供相关信息。

文献中提出了多种方法。在用于获取道路边界的最常见假设中，以下假设尤为突出[4]：

道路几何 。对道路预期几何形状建立数学模型，可得到对于图像中伪影具有鲁棒性的模型，但在结构不同的高速公路上应用时灵活性可能较低；
注意力集中区域 。对图像的一小部分进行分析可以降低计算成本，但感兴趣区域的选择可能成为一个制约因素。

一些作者探讨了上述特征，并使用了多种图像处理和计算机视觉工具进行轨道检测。
克鲁格[22]提出了一种基于检测到的边缘来估计道路方向和曲率的技术，而无需按轮廓对边缘进行分组。当最多50%的边缘像素受到噪声影响时，该方法效果良好，但在许多实际情况下可能不会出现如此高的噪声水平。

另一类车道检测器[21]采用由逆透视得到的鸟瞰图。此类技术基于世界坐标工作，能够对车道轮廓提供鲁棒的估计。然而，除了需要对摄像头进行标定外，还需为图像序列中的所有帧计算逆透视，带来额外的计算成本。文献[31, 35, 37]中已提出并持续提出多种道路边界模型。这些技术假设车具有特定的几何特征，并将数学曲线拟合到获取的图像上。通常，自由度较高的曲线更具可塑性，但也更容易受到噪声的影响；而较简单的曲线虽然拟合精度较低，但对噪声/伪影具有更强的鲁棒性。使用平滑曲线模型进行车道分割的一大优势在于，可以快速获得车道方向和曲率的信息。此类信息在驶出车道检测系统的开发中至关重要。郑和凯尔伯[17]提出了一种用于道路边界的线性抛物线模型。该模型的线性部分用于靠近摄像头的视野区域，而抛物线部分则拟合更远的区域。这种模型结合了二次模型的灵活性和线性模型的鲁棒性。

对于道路输出的检测，需要获取车辆相对于道路中心及其边缘的位置和方向信息。该分析可以在世界坐标或图像坐标中进行。使用世界坐标可以提供关于位移和实际车辆方向的信息，并可通过距离或角度进行量化；但需要对摄像头进行校准以获得这些坐标。另一方面，仅使用图像坐标则不需要关于摄像头类型/位置的先验知识。以下简要讨论一些道路检测技术。

提出的一种驶出车道检测系统通过边缘分布函数来估计道路边缘的方向。利用引导变化计算相对于道路中心的偏离。尽管该技术在标线清晰的道路情况下表现令人满意，但如果油漆质量较差且标线标记间距较大，则方向估计可能会失效。在[13]中提出了一种改进方法，引入了边缘像素提取器以提高该技术的鲁棒性。然而，在弯道情况下仍可能出现故障，因为采用了线性轮廓模型。

一些研究[36]使用雷达、视觉和激光传感器来检测车道变换。显然，鉴于激光传感器的高成本，这是一种经济上不可行的解决方案。其他研究[16]使用线性抛物线轨道模型以及线性部分提供的引导来获得轨道偏离度量。当该度量超过某个阈值时，就会发出输出轨道。

目前，一些商用车辆已经配备了车道偏离预警系统。例如，雪铁龙C5在保险杠下侧装有红外传感器，当车辆越过车道标线时会向驾驶员发出提示。该系统相对简单，会在车辆实际越过道路标线时提醒驾驶员。

3.5.2 障碍物检测

一种常见的交通事故是车辆与行人之间的碰撞。在这种情况下，目标跟踪系统可用于检测可能处于与车辆碰撞路径上的物体，并向驾驶员发出警告。尽管一些技术以通用方式处理障碍物检测问题，但大多数研究者专注于特定物体的检测与跟踪，同时考虑感兴趣物体的特定几何特征。还应注意的是，机器人在非结构化环境中的自主导航可能受到障碍物的影响，这些障碍物可能会干扰机器人的运动。

在最流行的障碍物检测方法中，一些方法尤为突出[4]：

静态图像分析 。该技术通常能够实现快速处理，并且不依赖于车辆的运动；但另一方面，它未能利用障碍物运动中的时间连续性；
光流。该策略能够实现对通用障碍物的检测以及相对速度的计算，但通常具有较高的计算成本，并且对车辆运动和摄像头校准较为敏感；
立体视觉 。该技术引入了深度概念，能够重建三维物体；然而，其计算成本较高，且对摄像头参数敏感；
基于形状的物体识别 。对要检测物体形状的先验知识通常能带来更鲁棒的检测，且误报较少；另一方面，基于模型的技术则相对通用。

此外，可以将雷达和激光器等其他传感器与视觉信息相结合；这类传感器具有提供所检测物体距离信息的优势。然而，引入其他传感器会带来相应的成本，以及进行数据融合时的难度和计算成本。接下来，将简要介绍一些用于障碍物检测的计算机视觉技术。

一些施工[1, 32]假设道路模型，并基于该模型检测可能的障碍物。文献[32]中的技术采用概率模型来检测此平面外被视为潜在障碍物的结构。文献[1]中的方法使用同构公式描述连续帧之间的像素流，以检测偏离道路平面的物体。此类技术在坡道上会遇到局限性。一种基于单目视觉的障碍物检测算法[6]使用卡尔曼滤波器对物体进行跟踪；该技术利用道路的三维几何模型获取到检测物体的距离。

另一项工作[8]也使用单目视觉进行障碍物检测。该方法通过小波变换计算道路相对于车辆的运动，并通过统计方法检测具有不同运动模式的区域。尽管速度较快，但所提出的方法无法估计世界坐标中的距离和速度。一种基于立体视觉的行人检测系统[14]已基于深度映射开发。首先计算深度图，然后使用形状搜索算法检测行人。最后，利用每个行人的边界框进行随时间跟踪。

障碍物检测问题也已被私营企业解决。

3.5.3 交通信号的检测与识别

驾驶员辅助系统的另一个理想特性是包含用于交通信号检测与识别的技术。此类技术能够持续观察交通标志，并及时向驾驶员通报相关标志信息方式，从而使其能够遵守所有驾驶规定并适应道路状况。要实现此功能，需要两个步骤：

检测。在此步骤中，交通信号从图像底部被分割并分离出来；
识别。在此步骤中，先前分割的交通信号通常通过在现有数据库中搜索来识别。

在交通信号检测的背景下，颜色信息起着关键作用。例如，巴西国家公路局（DNER）将巴西的交通标志分为六类：警告、教育性、名称、施工、法规性和辅助服务。通常情况下，这些标志具有特定的颜色、几何形状和尺寸。

尽管我们不知道是否存在针对巴西交通信号的检测与识别系统，但全球已有许多研究人员提出了各种解决方案，通过探索各自国家信号规则下的颜色和几何形状等信息来解决这一问题。在色度信息分析方面，已经使用了多种色彩空间。

交通信号检测问题可以被视为障碍物检测问题的一个特例，其中搜索区域位于道路边界两侧的邻近区域。尽管交通信号的颜色和几何形状等先验知识有助于检测与识别过程，但在城市和道路环境中仍存在以下因素：
在图像的色度分析中，必须考虑由于太阳位置和阴影引起的光照差异；摄像头与交通标志之间的视角和距离差异会改变投影图像中标志牌的几何形状和预期尺寸。
交通信号检测的另一个问题是国道上交通信号的退化或保存状况差。道路标志的油漆可能会磨损、褪色、生锈或刮伤。鉴于此，我们简要介绍一些来自各国研究人员提出的交通信号检测与识别技术。

方等人[12]研究了视频序列中交通信号的检测与跟踪问题。首先，应用两个神经网络分别针对颜色特征和形状进行交通标志的检测。在视频的后续帧中，使用卡尔曼滤波器对已检测到的交通信号进行跟踪。作者给出的结果表明，在不同的光照条件和气候条件下，该方法实现了高效的检测与跟踪。

巴恩斯和泽林斯基[2]开发了一种用于快速检测和识别交通信号的技术。他们探索了交通标志的径向对称性以进行灰度分割，并在识别阶段使用每个色度通道中的归一化互相关。尽管该技术确实很快，但其应用范围相当有限，因为它假设交通标志为圆形。

3.5.4 视觉导航

视觉导航系统通常包含一个图像库，即按固定间隔拍摄的一系列图像，用于描述需要行驶的路径。该序列可以被“标注”，可能包括在到达特定位置时要执行的动作关联。此序列被称为车辆的路径记忆。导航过程首先通过车辆摄像头捕获一幅图像。然后确定图像库中哪幅图像与所捕获的图像最相似（或也可将当前图像视为作为起点的初始图像）。通过比较车辆捕获的图像与当前图像，车辆可确定应执行的命令。该命令使车辆旋转或向前移动，直到两幅图像正确对齐。完成位置和方向调整后，车辆执行与当前参考图像相关联的命令，或直接继续前进。当车辆到达目标位置时，当前图像被图像库中的下一幅图像替换，整个过程重复进行。通常，机器人捕获的图像与当前图像库图像之间的比较使用诸如归一化互相关等技术[7]。

该技术已不断得到改进，以用于全向视觉系统。此类系统可提供有关机器人当前位置的额外信息和参考，并允许仅使用单个图像序列[26]实现双向路径导航，即往返。