书签分享收藏举报版权申诉 / 18

立即下载加入VIP,免费下载

当前位置：首页 > 教学研究 > 教学计划 > 基于5G通信技术下的无人驾驶论文设计Word下载.docx

基于5G通信技术下的无人驾驶论文设计Word下载.docx

文档编号：20217763
上传时间：2023-01-20
格式：DOCX
页数：18
大小：2.53MB

《基于5G通信技术下的无人驾驶论文设计Word下载.docx》由会员分享，可在线阅读，更多相关《基于5G通信技术下的无人驾驶论文设计Word下载.docx（18页珍藏版）》请在冰豆网上搜索。

基于5G通信技术下的无人驾驶论文设计Word下载.docx

1.2国内外目前研究现状1.2.15G通信技术研究现状通过技术的核心由4G逐渐转向5G，近两年5G技术已经被广泛研究并逐步使用在生活当中，5G的发展有了不小的突破。

吾梅等人利用了OFDM技术，即正交频分复用的MIMO模型，频谱的利用效率被大大提高。

Fredrik1为了解决大规模天线无法安装在用户端的问题，将MIMO布局在基站蜂窝中，对通信容量起到了一定的提升。

Z.P1提出了一种毫米波通信系统模型将其应用于20GHZ-300GHZ频段通信系统中。

S.Sun2等人在下一代无线通信网络中融于毫米波通信技术以达到大大提高数据传输速度的目的。

1.2.2无人驾驶目标识别研究现状对于无人车辆在道路行驶时，道路上的各种物体会对车辆有一定的阻碍作用，在自动驾驶时，这些道路的障碍物不能被及时检测识别出来以此做出相应避让，将会对生命财产等造成巨大的损失，因此无人驾驶目标识别任务是无人驾驶整个过程中必不可少的一个重要环节。

目标，根据研究表明，所有交通事故中有30%是车辆与前后车造成的碰撞，因此对前方道路目标进行检测识别并根据路面情况做出相应的避让是一项关键技术，同时这也是近几年来的主要研究方向，本文也将从该点入手分析，目前行驶路途中的目标识别算法有以下几点说明:

模板匹配目标车辆检测算法，算法首先会将不同类型车辆的图像存入模板库中，紧接着提取目标特征与模板库图像进行相似度比对。

这种方法无法获得任何情况下的所有模板，这就使得算法的环境较复杂时候的检测准确性较差，因此希望以提升该算法检测准确性，Ben3等人将在进行车牌识别时利用了矩形二维模型以此提高了准确性。

Collado4等人在2004年基于精准二维车辆模型，结合遗传算法，提高了车辆目标检测的效果。

背景差分目标车辆检测算法：

使用背景差分进行检测，该算法利用前后时刻帧图像的差分将运动目标从背景中分离出来，这种方法存在很大的局限性。

因为需要获得的视频尽量保证背景稳定，但车辆在运动过程中无法保证这一点。

因此，数据如何使用也是一大难点。

王洪斌5等人在不断变化的外界环境中利用动态背景差分法，提高了检测能力，但该方法对静态背景的下的运动目标检测效果较好，对于无人驾驶任务，因为车辆运动时无法保证背景的稳定，因此这种基于背景差分的检测方法并不适用于道路检测。

随着技术的不断更新，深度学习被广泛应用于图像处理中，深度学习是一种具有学习数据与本身内部的高维特征信息的算法，这种动态的学习过程可以更好的刻画语音、图像等数据的差异性。

它本身可以比拟人的思维，通过学习达到自动化的目的。

深度学习是建立在传统机器学习上进行改进的，相比传统的一些算法，深度学习具有无法超越的优越性。

直到上世纪，哈弗大学的PaulWerbos率先发明了BP网络算法，神经网络这才被大家所渐渐熟知。

但那时的神经网络只停留在基础层面仍然存在很多缺陷，同时神经网络在训练时有很多无法解释的技巧，因此神经网络便发展缓慢。

传统的机器学习对数据提取的特征本质上是浅层特征，无法体现深层次的表征方式，对某些任务并不能起到一定的效果，因此利用深度学习可以进一步提取深层次的特征。

深度卷积神经网络可以提取到数据的更加细致的特征，而传统特征只能由人工去设计特征进行提取。

对于车辆图像来说，可以更极致的提取车辆变化而导致特征发生变化的影响，具有一定的更高的泛化能力和准确率。

1.3章节概述第一章，绪论，本章涉及研究背景，主要介绍了研究意义、现阶段无人驾驶目标识别研究现状。

第二章，无人驾驶通信系统理论分析，本章通过对5G通信相关技术进行讲述，并在MIMO基础上构建5G无线传输系统模型。

第三章，深度学习无人驾驶识别技术，本章主要介绍了深度学习FasterR-cnn网络，结合深度学习算法对无人驾驶识别搭建了模型网络。

第四章，无人驾驶目标识别系统设计，本章通过搭建深度学习分类网络，对数据样本集进行了训练建模，并对实验数据进行了测试，得到了较好的识别精度。

第五章，利用MATLAB对上述数据进行整理归纳。

第六章，总结，本章总结了论文的研究成果以及今后还需在哪些方面做进一步的改进。

第七章，致谢。

2、无人驾驶通信系统理论分析2.1电磁波传播模型的分类

（1）直射直射是此模型最基本的类型，它指的是垂直射向两种介质分界面。

（2）反射电磁波在遇到障碍物时发生的现象就叫反射，从而形反射波。

（3）折射障碍物介质表面和里面属于两个介质，参数不同，从而对电磁波的影响也不同。

这就表明了电磁波在障碍物表面会改变原本与介质交界处夹角的大小。

（4）散射电磁波在空气中传播时常常受到云，雨等水汽凝结物的散射。

散射可分为以下两类：

分为瑞利散射过程和拉曼散射过程。

如图2-1所示，不同的电磁波的传播方式可以有直观的理解。

2.25G通讯技术概述

（1）自上世纪以来，移动通信技术不断更新换代，其应用范围广，被各个领域所使用。

随着通信技术的深入研究，各种新型技术使用通信网络更加快速便捷。

目前，现如今的4G通信网络已经无法满足用户追求更快速的传输速率等等，因此为了解决当下问题，5G通信技术手段成为目前通信技术的核心，正在努力研发以追求更高的传输速率，使其能够较好的应用在不同情况的环境中，给予我们不同的服务和不一样的体验，5G有诸多优势：

传输、信道容量高。

5G通信手段是一种特殊加密处理的技术，这是4G网络通信所不具备的优点，为数据安全和用户体验提供了更加强大的保障。

5G相对于以往的通信技术，其具有多种核心优点，使得5G技术能够在未来多种场景下担当重任。

相比以往其优点有如下几点：

（1）传输速度快这两年里，5G通信手段的数据传输速度远远高于之前的任何一种通信技术。

上一代的4G技术，其传输速度可以达到100Mbps，而5G技术按目前研究进度最快传输速度可达10Gbps，将以前上小时的任务时间一下子缩短到几分钟甚至是几秒钟。

（2）频谱资源充足按照上一代4G技术的应用，现阶段用户数量与设备数量不断的增多，导致网络变得十分拥堵，速度明显下降，这样看来对于低频段的技术已经由于用户的增多变得越来越慢，这严重的影响了用户的体验。

而5G通信手段将使用更加高的频段带以解决目前拥堵网络的现状问题。

这样丰富的频谱资源的5G技术在未来可以应用在各个场景下，同时也会提高安全性。

而利用毫米波进行传播则是5G技术的核心内容。

（3）系统传输效率大幅度提高随着时间的推移，massiveMIMO技术将作为5G技术的核心传输手段，它可以成倍的提高网络的通信速度。

这种技术利用在不同发射接收端增加天线数量来达到提升传输速率，在数据传输的过程中合理调用分配的频谱资源，将频谱资源利用率达到最大化。

基于LTE的4G技术中同样融入了MIMO技术，但一般少于8根的天线系统，无法将系统的优点完全体现出来。

因此，在5G手段上可以增加天线的数量，以此充分提高系统的优势。

毫米波传输技术和massiveMIMO系统技术是当今研究5G技术发展的核心手段。

其主要内容如下：

（1）毫米波传输系统由5G与以往通信技术的对比可知，3GHz频段的以往通信技术在大量设备与用户的注入后网络变得十分缓慢，网络的传输速率严重降低。

所以，为了解决现有问题用更高频段通信去代替现有技术。

现在用来传输的无线电磁波的波长过长，在5G系统中无法使用，因此希望寻找一种更低波长的传输方式来代替现有手段。

而毫米波顾名思义，其波长仅为毫米级别，雷达系统等经常使用，在某些特定的基站之间信号的传输场景也会使用。

鉴于毫米波自身具有的特性，它适合在30GHz-300Hz频段进行使用。

本文构思的网络是结合5G通信手段的无人驾驶系统，该系统的通信部分是结合毫米波与基站进行传输信息。

（2）massiveMIMO和波束赋形MassiveMIMO在5G技术中是一个重要的部分。

利用安装在基站上的大量天线，使得天线以一定的形式排列组合，对指定方位目标发射波形信号。

波束形成的示意图如下图所示图2-2中为波束形成的示意图，波束可以指向不同的方向即蓝色部分，每个蓝色部分为3部分，其中中间的为主要能量区域。

massiveMIMO天线系统如下图所示图2-3中左半部分是基站端（发射端），其中囊括i条天线发射信号。

右半部分是接收端，包含有j条天线。

2.3基于5G无线通信的信号传输系统模型2.3.1信号传输模型

（1）路径损耗模型道路损耗，信号和传输过程，分布和损耗状态是损耗的主要原因。

这个模型的概率如下式：

其中，是视距传播的路径损耗概率，是非视距传播的路径损耗概率。

和是环境参数，是车辆相对基站的垂直角。

（2）毫米波信道传输模型如若信号在massiveMIMO系统传输为非视距传输，其信道传输模型是：

（3）整体方案思路从图2-4中可以看出，无人机驾驶框架整体基于5G通信技术，由于5G具有的高速通信、延迟极低的特性，为无人驾驶设备的要求技术难度大大降低。

通过5G通信手段，实现车载设备与基站端的实施通信，发射端将视频信号实时传输，接收端进行目标检测算法将结果指令发送给车辆实施避让等操作，从而实现无人驾驶的目标检测能力。

从图中可以知道，汽车实时视频通过5G信号经过基站发送给服务器，服务器将视频实时目标检测处理，根据处理结果将指令再通过基站传输给车辆，从而让车辆进行避让操作。

图2-45G无人驾驶通信示意图2.4本章小结本章主要对5G基础内容进行了介绍，分析了5G技术相较于以往通信技术的优势，并阐述了目前5G技术的两种关键技术，并建立基于5G无人驾驶通信网络以及信号传输系统模型。

3、无人驾驶技术在5G网络中的应用3.1无人驾驶等级自动驾驶不能称为无人驾驶，真正的无人驾驶是汽车未来的研究发展方向，对汽车行业、交通领域有着深远的影响。

尤为重要的一点是，它可大大减少交通事故的发生，保证人们人身安全。

在国际上为无人驾驶划分了不同的水准：

水准1：

司机可以对车辆进行完全的操控，这也是目前车辆所处的环境状态。

水准2：

司机除了对车辆进行操控完，存在一定的自动化装置，例如自动刹车，在司机无法反应的情况下，自动刹车会自动启动。

水准3：

在水准2的基础上拥有多项自动化控制技术，目前司机仍然具有绝大多数控制权。

水准4：

在水准3的基础上可以自动闪避几引导。

水准5：

司机不需要对车辆进行控制，完全由车辆自主驾驶，既真正意义上的自动驾驶。

不同的无人驾驶的等级也要求对于通信的不同要求，对于通信网络的要求，至少需要满足：

通信不能中断，通信速度快，高精度的北斗导航系统。

3.2无人驾驶在5G网络中的实际应用无人驾驶技术与5G网络的结合，那么必然需要5G网络在大部分环境中提供保障，而无人驾驶技术所需的条件，5G技术可以给予支持。

在高精度地图上，需要实时的传输地图信息，以提前获取道路信息从而进行交互的识别与导航。

而对于该部分的通信手段要求达到毫秒级别，而5G的传输速度极高，端到端的延时达到ms级别。

另外，无人驾驶必然需要车辆间的通信来提高道路的通行效率。

5G的低延迟高带宽正好符合这种情况。

而在有效进行避让的前提就是能够识别即将发生的事情，也是无人驾驶中的重要一个环节，那就是识别任务，只有进行了有效的识别，才能够进行有效的避让。

因此，不仅要进行识别，识别的效果也将决定着无人驾驶的安全保障，而传统的识别方法的精确度存在一定的要求，而深度学习可以充分对样本进行特征挖掘，保证一定程度上的识别准确性。

本文将结合深度学习进行无人驾驶技术的识别任务。

4、深度学习无人驾驶识别技术4.1基本网络结构2015年，FasterR-CNN网络模型被第一次提出，随着不断的研究，FasterR-CNN被不断改进，本文采用的是改进的FasterR-CNN网络。

FasterR-CNN网络其主要优点在于利用卷积层去自动生成锚框，更加具有创新性，达到了更加有效快速的目标检测准确性，将四个部分连接在一个网络里，分别是特征提取、候选区域提取、候选框回归和分类网络。

同时将传统的选择性搜索方法抛弃，改使用RPN（RegionProposalNetwork,区域生成网络），其特殊的形式能够极大的缩短生成候选区域的速度，同时也进一步提高了网络的准确性。

FasterR-CNN网络的创新点：

RPN结构的使用、特征提取。

RPN结构部分的训练步骤如下：

1.运用现存预训练好的模型如VGG模型对RPN初始化，利用反向传播和梯度下降进行网络的训练。

2.将RPN网络提取的候选框输入进FastR-CNN。

3.继续训练RPN网络部分，只对RPN网络进行参数的更新。

4.将RPN输出对比fastR-CNN,将参数进行微调，进一步优化参数。

经过上述步骤，网络相比传统生成候选区域的速度极大提升，同时对整体网络还有着十分高的检测识别精度，整体网络模型如下图所示。

图4-1在FastR-CNN中，利用了一种名为选择性搜索的技术手段，这样可以寻找定位目标。

但提取耗时太长，而在实际应用中大量的时间浪费将导致实时性的实现。

随着研究人员的深入研究，为了解决该时间的大量浪费问题。

一种区域生成网络被应用于实际中,即RPN结构，这种结构可以减少定位时间的大量浪费。

在FastR-CNN网络结构中增加RPN结构代替选择算法，大大提高了提框能力。

图4-24.2区域建议网络（RPN）区域建议网络结构主要的目的是首先对提取到的特征进行处理，从而得到建议处理的全卷积神经网络，得到的sharedmap分为两类。

而其中输入信息则是先利用预处理网络进行基础的特征提取。

RPN网络具有与选择性算法相似的一些地方，这两种方式都是在输入数据上直接进行区域的选择，预处理网络有很多，以ZF-Net网络为例。

图4-3现有基础网络结构的示意图RPN网络在经过CNN后获得的featuremap上用n*n的窗口进行sliding，RPN结构示意图如下图4-4中的示意图所示:

图4-4RPN网络结构的示意图候选区域提取的过程如下：

（1）一些跨界窗口，比如候选框中超出了原图像的部分可以舍弃；

（2）目标确定时，将样本重叠率大于70%的标记为前景，而小于30%的标记为背景，所谓的重叠率就是预测框与真实框的重叠。

通过对训练样本框的选择，将会留下近乎2000个框，接着输入两条支路，即目标分类、边框回归。

对候选窗口依次判断，再通过设定阈值对其进行筛选排除。

4.3锚框锚窗是RPN网络中的一个关键，锚框起到了优选框的作用，它可以对不同的大小的目标检测时，都可以使之有在感受野之内的框。

锚框示意图如下图4-5所示。

图4-5锚框示意图一般情况下，共有9种不同尺寸的锚框，尺寸数据如下：

表1锚框尺寸数据对于锚框的位置有一定的说法，如果确定了区域，则锚定锚框的位置由确定的边界阈值限制，如果锚超过此边界阈值，请断开连接，截断操作之后得到的锚框位置才是最终确定的锚框位置。

锚框的大小与训练图像的大小有着关系，卷积后的结果要映射回输入图像。

生成相应的锚框后，对其RPN网络进行后续训练。

对于锚框来说，主要可以分为以下三种类型：

1.正样本正样本主要由两种情况样本构成，第一种是在所有锚框中找到其与标签面积重叠率最高的锚框；

而第二种是与除过重叠率最高的锚框以外，重叠率在70%以上。

同时正样本标签设置为1。

2.负样本相对于正样本，负样本则是与标签无关的。

3.无关样本除过正负以外的所有锚框，将它们定义为无关样本，同样的将无关样本的标签设置为-1。

在这些样本当中，正样本还需要作为回归信息，即对锚框做怎样的修正，才能逼近真实的bounding-box；

而无关样本即背景，不会影响网络训练的结果。

4.4网络训练设计网络的代价函数如式所示：

其中，t的计算方法如下式所示：

其中，x，y，w，h分别代表着在预测结果中，区域框的中心坐标以及其长度和宽度；

而，和分别代表锚框的中心坐标以及其长度和宽度。

对于卷积神经网络来说，它能够对目标进行准确的检测和识别特征提取，具有端到端训练的网络特性，在无人驾驶的道路目标识别任务来说，其主要的训练过程步骤如图所示。

图4-6通过卷积提取相应的特征，通过特征识别目标，最终通过全连接层输出识别目标的位置尺寸和其对应的样本类别。

4.5本章小结本章通过对FasterR-cnn卷积神经网络进行分析介绍，主要从基本结构，RPN结构，锚框以及训练过程等几个方面进行解释，并分析了其特有的结构对图像识别的好处，并给出了无人驾驶目标识别的大体框架思路。

5、无人驾驶目标识别系统设计5.1引言基于5G通信的无人驾驶中的核心算法实属目标识别任务，考虑到深度学习近年来在图像处理方面的强大性能，因此设计卷积神经网络用于驾驶前方路面目标识别任务，通过对样本的训练得到具有泛化性识别分离的模型，通过模型可以实时检测车辆驾驶前方的目标类别及其位置，从而利用通信设备控制车辆做出相应避让。

5.2无人驾驶识别的整体流程卷积神经网络（ConvolutionalNeuralNetwork，CNN）是一种前馈型的神经网络，它被广泛的应用于各个领域中，目前主要是对图像数据进行特征提取。

相比于其他神经网络结构，卷积神经网络在图像处理方面有着绝对的优势，并且得到了广泛的应用。

无人驾驶识别任务主要采用FasterR-CNN这种卷积神经网络，通过对网络的训练，达到能够对新数据进行有效的检测准确性。

整体流程如下图所示：

图5-1首先，我们根据一定的数据进行训练样本制作，对我们需要识别的类别进行标注；

继而，把训练样本送入之前搭建好的FasterR-CNN网络施以训练;

此外，运用上述网络，对已经收集好的测试的样本值预测其输出，计算输出准确度。

5.3实验工具及其配置5.3.1实验配置电脑硬件配置i5处理器1.8GHzCPU、3GBGTX1060tiGPU显卡，Windows7系统以及matlab作为编程的实验平台。

5.3.2实验数据通过自制录取车辆行驶视频，整理包括车辆、行人、红绿灯、路线牌等在内的图片共5000张，其中，70%的样本作为训练集，30%的样本作为测试集，部分数据如下图5.3所示。

图5.3部分样本数据在采集完数据后，需要对一些目标进行图像标注工作，具体标注如下图：

.通过对训练样本进行标注，构建训练样本标签，利用搭建好的网络进行训练，经过训练好的模型用于对测试集进行测试。

5.3.3识别结果对测试样本进行测试发现，整体准确率超过93.6%，从图中可以看出，大部分目标有较好的识别，但存在一些漏检、错检。