基于三维激光雷达的障碍物检测与跟踪研究

发布时间：2020-04-26 02:22

【摘要】：本文主要针对结构化道路环境下车辆对周围障碍物信息的感知需求,利用三维激光雷达进行障碍物检测和跟踪,为车辆主动制动、主动避障等提供障碍物的位置和状态信息。为了建立随车辆位置变化而变化的感兴趣区域,文章首先利用摄像头检测车辆前方车道线,并计算自车左、右车道线位置,从而获得感兴趣区域的横向动态边界。考虑到栅格地图分辨率对障碍物检测的影响,通过分析激光雷达的水平分辨率来确定其值大小。为了激光雷达相关定位参数测量时的可实施性,建立激光雷达坐标系、车体坐标系、图像坐标系以及三个坐标系之间的转换关系,并将激光雷达数据向二维图像中投影,获得栅格地图。接着分析了激光雷达原始点云数据中噪声点的产生原因,并针对栅格地图的灰度特征,对传统中值滤波算法进行改进。在此基础上,分别运用最值高度差法和基于栅格最值的占领栅格法对栅格地图进行背景点云分割,去除对车辆安全行驶影响较小的地面点云数据,得到只包含障碍物点云数据的障碍物栅格地图。进一步的,为了减小障碍物点云数据之间的距离,加强点云数据之间的关联性,引入形态学运算对障碍物栅格地图进行预处理操作。接着提出一种基于邻域搜索的密度聚类标记算法,对障碍物栅格地图中的点云数据进行聚类。运用方框模型对聚类结果进行参数化建模,提取障碍物位置信息以及状态信息。考虑到每帧激光雷达数据中不只包含一个障碍物,结合相邻帧的相同障碍物点云形态近似,而不同障碍物点云形态差别较大的特点,利用一种多特征的最近邻算法并引入关联矩阵对前后帧障碍物列表中的障碍物进行关联。最后提出基于动态特性的动态障碍物提取算法,并利用扩展卡尔曼滤波器对动态障碍物进行跟踪。实车实验结果表明,本文所提的算法能够完成感兴趣区域范围内障碍物的准确检测和稳定跟踪。
【图文】：

系统结构图,智能车,系统结构

合肥工业大学学术硕士研究生学位论文方面取得突破，减少交通事故发生的风险，弥补人工驾驶的诸多不足，并解驶员，促进车辆产业、交通安全、国防科技的发展[8]。智能车是一个包含了环境感知、行为决策以及控制执行等部分的综合智能，如图 1.1 所示。环境感知层主要通过各类传感器为车辆提供车道线、信号识牌等交通环境信息、障碍物类别信息、自车与周围障碍物的位置信息，以对距离、相对速度等信息。行为决策部分根据车辆的行驶状态以及周围环境进行路径规划和车辆行为判定，保证智能车在不影响其他交通参与者的情况全行驶。控制执行部分即指根据决策结果，控制自车上各种执行器做出相应，，包括语音提醒、方向盘抖动等预警设备的控制，以及转向、换挡、制动、等车辆自身行驶状态的控制。

智能车,光雷达,赛道,行识别

第一章绪论光雷达的研究开展较早，尤其在智能车方面产生了众年代，智能车的研究开始在欧美国家引起研究者的广国外智能车的发展进入快车道，世界主要发达国家的均投入了大量资源进行相关技术的研发。RPA 制定的相关研究计划，极大地推动了无人驾驶汽重要研究成果，尤其是激光雷达在智能车上的广泛应年、2005 年、2007 年一共举办过三次 “Grand Challe沙漠路况、城乡赛道等各类交通环境，参赛车辆需要行识别障碍物、行人、交通标示牌和信号灯，最快通比赛中的冠军分别来自卡耐基梅隆大学的“Sandstorm“Stanley （图 1.3）以及卡耐基梅隆大学的“Boss”（
【学位授予单位】：合肥工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.67

【参考文献】