基于激光雷达的智能汽车障碍物检测关键技术研究

发布时间：2020-04-07 09:23

【摘要】：智能汽车对于改善个人出行方式,促进汽车产业升级,减少交通事故等具有重要意义。智能汽车为实现无人驾驶功能首先要能够精确地检测周围障碍物,并能预测动态障碍物的运动趋势。激光雷达相对于视觉传感器具有较高的精确度,且受光线影响较小,因此激光雷达在障碍物的检测中是不可或缺的。障碍物主要分为动态与静态障碍物,检测动、静态障碍物首先要对激光数据点进行分类,将激光点云进行路面分割,检测动态障碍物首先要获知车辆自身的位姿变化。基于以上原因,本文主要从以下三个方面展开研究:对激光雷达点云路面分割技术进行研究,针对传统的高度阈值算法遇到坡道、颠簸路面的失效问题,本文将图像分割中马尔科夫随机场模型应用于点云分割,利用梯度栅格地图替代图像。根据梯度栅格地图建立马尔科夫随机场,采用图割方法来对随机场求解,利用马尔科夫随机场的特性克服了坡道等不规则路面对点云分割的影响,实现不同路况下的点云分割。针对如何低成本获知车辆位姿变化,从而为判断动、静态障碍物提供精确的判断依据问题,本文利用Generalized-ICP算法以及扩展卡尔曼滤波结合陀螺仪和加速度计信息,对短时间内车辆的位姿变化进行精确估计。首先利用Generalized-ICP算法进行点云配准;然后利用配准结果推算车辆位姿变化;最后扩展卡尔曼滤波器根据车辆的位姿变化进行量测更新,陀螺仪和加速度计作为扩展卡尔曼滤波的控制输入量,以扩展卡尔曼滤波器的后验估计值作为最终的结果的输出。实现了对车辆连续两帧位姿变化的精确估计。针对检测并跟踪动态障碍物的问题,利用了改进的DBSCAN算法对分离地面点后的障碍物数据点进行聚类;采用最小凸包以及模糊线段的方法提取聚类后的外形轮廓以及角度特征;根据车辆的位姿变化对动、静态障碍物进行分辨,运用多目标假设的方法对连续两帧所有的动态障碍物进行数据关联;结合卡尔曼滤波器进行速度估计;从而实现了对动态障碍物的检测与跟踪。最后通过项目组的智能汽车实验平台采集的雷达、加速度计和陀螺仪数据以及kitti数据集的实车数据进行测试,验证了方法的可行性与稳定性。
【图文】：

斯坦福大学

停放或缓慢移动的车辆，在多个停车标志的交叉点处如何优先决策，变为快车道，在停车场停车以及在道路完全堵塞的情况下掉头。最终隆大学获得冠军，，斯坦福大学获得亚军[3]。图 1-1 为斯坦福大学的“Junior”无人车，该车在导航方面，采用 Applan 组合导航系统，包括 GPS 接收机，高精度惯性测量仪，位置测量精度在 1，角度测量误差在 0.1°以内。两个 SICK 单线激光雷达和一个前置的 R传感器用来测量路面结构，并且通过反射强度来检测道路线。在动态测方面，Velodyne64 线激光雷达作为主要传感器，IBEO 激光雷达和K LDLRS 作为补充，5 个 BOSCH 的毫米波雷达用来提供验证[4]。卡耐学的“Boss”无人车装备与“Junior”基本类似，“Boss”比“Junior”用图像传感器。“Boss”装备了 Point Grey Firefly 工业相机[5]。图 1-2 为隆大学的“Boss”无人车。

智能汽车

图 1-2“Boss”智能汽车[5]图 1-3 VIAC 无人驾驶车辆[6]德国柏林大学研制的“MIG”无人车搭载了摄像机、激光扫描仪、热传感导航等传感器，能够识别车辆、行人以及交通信号的相关信息。2011 林著名的勃兰登堡门出发，到柏林国际会议中心，又安全返回出发地利通过了 46 个交通灯，并绕过两处环岛，整个行程近 20 公里（城市[7]。
【学位授予单位】：武汉理工大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6;TN958.98

【相似文献】