高速公路环境的车辆检测与跟踪方法研究
发布时间：2021-11-01 00:49
近年来,智能驾驶技术在全球范围内都引发了广泛而热烈的关注,而感知技术在其中有着较为重要的地位。高速公路是一种非常典型的行驶场景,具有车速高、场景相对单一的特点,解决高速公路环境下的无人驾驶有重要的现实意义。在高速公路环境下的无人驾驶需要通过感知模块检测到更远距离的动态车辆目标,并且获得周围车辆更为准确的位置速度信息。因此本文针对上述的环境感知需求,采用了激光雷达与毫米波雷达的融合,实现了高速公路环境的车辆检测与跟踪方法。首先,为了获取环境中所有的障碍物信息,需要对激光雷达的点云进行路面分割。一方面获取了环境静态障碍物的信息,另一方面也降低了后续的车辆检测的难度。高速公路高度结构化的特点使得稳定的路面去除更加可行,但仍存在一些难点。由于临检、施工路段的存在,使得结合高精度地图的方式无法时时可靠;常用的基于搜索的障碍物检测方法对于路面检测召回率较高,准确率较低,点的缺失对于后续的车辆检测模块不利;基于拟合的方式如RANSAC速度较慢,同时也有一定局限性。因此,本文结合搜索和拟合方法,提出了基于径向梯度特征点的路面拟合方法来进行路面分割。既能在高速公路各种场景下得到较为鲁棒的效果,又能达到相...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
卡内基梅隆大学的NavLab-11系统
上海交通大学硕士学位论文-4-第二届比赛在第一届的基础上增加了难度，整个路径包括多个狭窄隧道和急转弯道。最终，斯坦福大学的“Stanley”智能车以7个小时左右的时间成功完成比赛任务[50]。图1-2斯坦福大学的“Stanley”智能车Fig.1-2StanleysmartcarofStanfordUniversity如图1-2所示，它主要采用了激光雷达和摄像头，其中激光雷达用于检测道路中的障碍物，摄像头用于检测前方的道路区域[7]。为了提高智能车在城市环境下的自主导航能力，DAPPA于2007年举办了城市挑战赛，比赛要求参赛车辆在6小时之内完成长约96公里的城市道路，最终来自卡内基梅隆大学的“BOSS”智能车获得冠军。如图1-3所示，该车配备了三种传感器用于感知周围环境，包括十一个激光雷达、五个毫米波雷达和两个摄像头[14]。图1-3卡内基梅隆大学的“BOSS”智能车Fig.1-3CarnegieMellonUniversity"s"BOSS"smartcar近几年，国外越来越多的公司加入到智能车的研究当中。特斯拉采用了非常依赖视觉的方案。如图1-4所示，其采用摄像头识别车道，实现车道保持，前瞻加了一个毫米波雷达，用以控制车速，车身附近8米通过12个超声波雷达实现了全覆盖，而后视完全通过视觉实现。
上海交通大学硕士学位论文-4-第二届比赛在第一届的基础上增加了难度，整个路径包括多个狭窄隧道和急转弯道。最终，斯坦福大学的“Stanley”智能车以7个小时左右的时间成功完成比赛任务[50]。图1-2斯坦福大学的“Stanley”智能车Fig.1-2StanleysmartcarofStanfordUniversity如图1-2所示，它主要采用了激光雷达和摄像头，其中激光雷达用于检测道路中的障碍物，摄像头用于检测前方的道路区域[7]。为了提高智能车在城市环境下的自主导航能力，DAPPA于2007年举办了城市挑战赛，比赛要求参赛车辆在6小时之内完成长约96公里的城市道路，最终来自卡内基梅隆大学的“BOSS”智能车获得冠军。如图1-3所示，该车配备了三种传感器用于感知周围环境，包括十一个激光雷达、五个毫米波雷达和两个摄像头[14]。图1-3卡内基梅隆大学的“BOSS”智能车Fig.1-3CarnegieMellonUniversity"s"BOSS"smartcar近几年，国外越来越多的公司加入到智能车的研究当中。特斯拉采用了非常依赖视觉的方案。如图1-4所示，其采用摄像头识别车道，实现车道保持，前瞻加了一个毫米波雷达，用以控制车速，车身附近8米通过12个超声波雷达实现了全覆盖，而后视完全通过视觉实现。
【参考文献】：
期刊论文
[1]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[2]基于多层激光雷达的道路信息提取算法[J]. 段建民,郑凯华,李龙杰,史丽晓. 控制工程. 2016(04)
[3]车载激光雷达外参数的标定方法[J]. 程金龙,冯莹,曹毓,雷兵,魏立安. 光电工程. 2013(12)
[4]利用奇异值特征的激光成像雷达目标识别[J]. 陈晓清,马君国,付强,庄钊文. 红外与激光工程. 2011(09)
[5]基于二维小波变换的激光成像雷达目标识别算法[J]. 陈晓清,马君国,赵宏钟,付强. 激光与光电子学进展. 2011(04)
[6]基于激光雷达的车辆跟踪与识别方法[J]. 甘志梅,王春香,杨明. 上海交通大学学报. 2009(06)
[7]毫米波雷达的应用和发展趋势[J]. 白惜光. 现代雷达. 1997(03)
博士论文
[1]无人驾驶汽车动态障碍物避撞关键技术研究[D]. 黄如林.中国科学技术大学 2017
[2]基于三维激光雷达的动态车辆检测与跟踪[D]. 谌彤童.国防科学技术大学 2016
[3]复杂环境下智能车辆动态目标三维感知方法研究[D]. 王肖.清华大学 2016
[4]基于三维激光雷达的无人驾驶车辆环境建模关键技术研究[D]. 刘健.中国科学技术大学 2016
[5]基于激光雷达的智能车辆目标识别与跟踪关键技术研究[D]. 周俊静.北京工业大学 2014
硕士论文
[1]基于容积卡尔曼滤波的雷达运动目标跟踪算法研究[D]. 林艳莉.成都理工大学 2017
[2]无人车视觉导航中的前方车辆检测方法研究[D]. 赵起超.南京理工大学 2017
[3]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[4]基于多层激光雷达的道路与障碍物信息提取算法[D]. 郑凯华.北京工业大学 2015
[5]基于多传感器信息融合的动态目标检测与识别[D]. 闫光.北京理工大学 2015
[6]机载多传感器数据融合目标跟踪技术研究与实现[D]. 全丽.电子科技大学 2012
[7]基于三维激光雷达的运动目标实时检测与跟踪[D]. 杨飞.浙江大学 2012
[8]基于雷达的智能车多目标检测与跟踪技术研究[D]. 赵万里.中南大学 2011
[9]基于主动视觉的智能车导航系统研究[D]. 张宇腾.上海交通大学 2010
本文编号：3469193
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：86 页
【学位级别】：硕士
【部分图文】：
卡内基梅隆大学的NavLab-11系统
上海交通大学硕士学位论文-4-第二届比赛在第一届的基础上增加了难度，整个路径包括多个狭窄隧道和急转弯道。最终，斯坦福大学的“Stanley”智能车以7个小时左右的时间成功完成比赛任务[50]。图1-2斯坦福大学的“Stanley”智能车Fig.1-2StanleysmartcarofStanfordUniversity如图1-2所示，它主要采用了激光雷达和摄像头，其中激光雷达用于检测道路中的障碍物，摄像头用于检测前方的道路区域[7]。为了提高智能车在城市环境下的自主导航能力，DAPPA于2007年举办了城市挑战赛，比赛要求参赛车辆在6小时之内完成长约96公里的城市道路，最终来自卡内基梅隆大学的“BOSS”智能车获得冠军。如图1-3所示，该车配备了三种传感器用于感知周围环境，包括十一个激光雷达、五个毫米波雷达和两个摄像头[14]。图1-3卡内基梅隆大学的“BOSS”智能车Fig.1-3CarnegieMellonUniversity"s"BOSS"smartcar近几年，国外越来越多的公司加入到智能车的研究当中。特斯拉采用了非常依赖视觉的方案。如图1-4所示，其采用摄像头识别车道，实现车道保持，前瞻加了一个毫米波雷达，用以控制车速，车身附近8米通过12个超声波雷达实现了全覆盖，而后视完全通过视觉实现。
上海交通大学硕士学位论文-4-第二届比赛在第一届的基础上增加了难度，整个路径包括多个狭窄隧道和急转弯道。最终，斯坦福大学的“Stanley”智能车以7个小时左右的时间成功完成比赛任务[50]。图1-2斯坦福大学的“Stanley”智能车Fig.1-2StanleysmartcarofStanfordUniversity如图1-2所示，它主要采用了激光雷达和摄像头，其中激光雷达用于检测道路中的障碍物，摄像头用于检测前方的道路区域[7]。为了提高智能车在城市环境下的自主导航能力，DAPPA于2007年举办了城市挑战赛，比赛要求参赛车辆在6小时之内完成长约96公里的城市道路，最终来自卡内基梅隆大学的“BOSS”智能车获得冠军。如图1-3所示，该车配备了三种传感器用于感知周围环境，包括十一个激光雷达、五个毫米波雷达和两个摄像头[14]。图1-3卡内基梅隆大学的“BOSS”智能车Fig.1-3CarnegieMellonUniversity"s"BOSS"smartcar近几年，国外越来越多的公司加入到智能车的研究当中。特斯拉采用了非常依赖视觉的方案。如图1-4所示，其采用摄像头识别车道，实现车道保持，前瞻加了一个毫米波雷达，用以控制车速，车身附近8米通过12个超声波雷达实现了全覆盖，而后视完全通过视觉实现。
【参考文献】：
期刊论文
[1]百度谷歌无人驾驶汽车发展综述[J]. 何佳,戎辉,王文扬,田晓笛,高嵩,郭蓬. 汽车电器. 2017(12)
[2]基于多层激光雷达的道路信息提取算法[J]. 段建民,郑凯华,李龙杰,史丽晓. 控制工程. 2016(04)
[3]车载激光雷达外参数的标定方法[J]. 程金龙,冯莹,曹毓,雷兵,魏立安. 光电工程. 2013(12)
[4]利用奇异值特征的激光成像雷达目标识别[J]. 陈晓清,马君国,付强,庄钊文. 红外与激光工程. 2011(09)
[5]基于二维小波变换的激光成像雷达目标识别算法[J]. 陈晓清,马君国,赵宏钟,付强. 激光与光电子学进展. 2011(04)
[6]基于激光雷达的车辆跟踪与识别方法[J]. 甘志梅,王春香,杨明. 上海交通大学学报. 2009(06)
[7]毫米波雷达的应用和发展趋势[J]. 白惜光. 现代雷达. 1997(03)
博士论文
[1]无人驾驶汽车动态障碍物避撞关键技术研究[D]. 黄如林.中国科学技术大学 2017
[2]基于三维激光雷达的动态车辆检测与跟踪[D]. 谌彤童.国防科学技术大学 2016
[3]复杂环境下智能车辆动态目标三维感知方法研究[D]. 王肖.清华大学 2016
[4]基于三维激光雷达的无人驾驶车辆环境建模关键技术研究[D]. 刘健.中国科学技术大学 2016
[5]基于激光雷达的智能车辆目标识别与跟踪关键技术研究[D]. 周俊静.北京工业大学 2014
硕士论文
[1]基于容积卡尔曼滤波的雷达运动目标跟踪算法研究[D]. 林艳莉.成都理工大学 2017
[2]无人车视觉导航中的前方车辆检测方法研究[D]. 赵起超.南京理工大学 2017
[3]城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究[D]. 叶刚.北京理工大学 2016
[4]基于多层激光雷达的道路与障碍物信息提取算法[D]. 郑凯华.北京工业大学 2015
[5]基于多传感器信息融合的动态目标检测与识别[D]. 闫光.北京理工大学 2015
[6]机载多传感器数据融合目标跟踪技术研究与实现[D]. 全丽.电子科技大学 2012
[7]基于三维激光雷达的运动目标实时检测与跟踪[D]. 杨飞.浙江大学 2012
[8]基于雷达的智能车多目标检测与跟踪技术研究[D]. 赵万里.中南大学 2011
[9]基于主动视觉的智能车导航系统研究[D]. 张宇腾.上海交通大学 2010
本文编号：3469193
本文链接：https://www.wllwen.com/kejilunwen/qiche/3469193.html
