【摘要】：本文主要針對結(jié)構(gòu)化道路環(huán)境下車輛對周圍障礙物信息的感知需求,利用三維激光雷達進行障礙物檢測和跟蹤,為車輛主動制動、主動避障等提供障礙物的位置和狀態(tài)信息。為了建立隨車輛位置變化而變化的感興趣區(qū)域,文章首先利用攝像頭檢測車輛前方車道線,并計算自車左、右車道線位置,從而獲得感興趣區(qū)域的橫向動態(tài)邊界。考慮到柵格地圖分辨率對障礙物檢測的影響,通過分析激光雷達的水平分辨率來確定其值大小。為了激光雷達相關(guān)定位參數(shù)測量時的可實施性,建立激光雷達坐標(biāo)系、車體坐標(biāo)系、圖像坐標(biāo)系以及三個坐標(biāo)系之間的轉(zhuǎn)換關(guān)系,并將激光雷達數(shù)據(jù)向二維圖像中投影,獲得柵格地圖。接著分析了激光雷達原始點云數(shù)據(jù)中噪聲點的產(chǎn)生原因,并針對柵格地圖的灰度特征,對傳統(tǒng)中值濾波算法進行改進。在此基礎(chǔ)上,分別運用最值高度差法和基于柵格最值的占領(lǐng)柵格法對柵格地圖進行背景點云分割,去除對車輛安全行駛影響較小的地面點云數(shù)據(jù),得到只包含障礙物點云數(shù)據(jù)的障礙物柵格地圖。進一步的,為了減小障礙物點云數(shù)據(jù)之間的距離,加強點云數(shù)據(jù)之間的關(guān)聯(lián)性,引入形態(tài)學(xué)運算對障礙物柵格地圖進行預(yù)處理操作。接著提出一種基于鄰域搜索的密度聚類標(biāo)記算法,對障礙物柵格地圖中的點云數(shù)據(jù)進行聚類。運用方框模型對聚類結(jié)果進行參數(shù)化建模,提取障礙物位置信息以及狀態(tài)信息�？紤]到每幀激光雷達數(shù)據(jù)中不只包含一個障礙物,結(jié)合相鄰幀的相同障礙物點云形態(tài)近似,而不同障礙物點云形態(tài)差別較大的特點,利用一種多特征的最近鄰算法并引入關(guān)聯(lián)矩陣對前后幀障礙物列表中的障礙物進行關(guān)聯(lián)。最后提出基于動態(tài)特性的動態(tài)障礙物提取算法,并利用擴展卡爾曼濾波器對動態(tài)障礙物進行跟蹤。實車實驗結(jié)果表明,本文所提的算法能夠完成感興趣區(qū)域范圍內(nèi)障礙物的準(zhǔn)確檢測和穩(wěn)定跟蹤。
【圖文】：

合肥工業(yè)大學(xué)學(xué)術(shù)碩士研究生學(xué)位論文方面取得突破，減少交通事故發(fā)生的風(fēng)險，彌補人工駕駛的諸多不足，并解駛員，促進車輛產(chǎn)業(yè)、交通安全、國防科技的發(fā)展[8]。智能車是一個包含了環(huán)境感知、行為決策以及控制執(zhí)行等部分的綜合智能，如圖 1.1 所示。環(huán)境感知層主要通過各類傳感器為車輛提供車道線、信號識牌等交通環(huán)境信息、障礙物類別信息、自車與周圍障礙物的位置信息，以對距離、相對速度等信息。行為決策部分根據(jù)車輛的行駛狀態(tài)以及周圍環(huán)境進行路徑規(guī)劃和車輛行為判定，保證智能車在不影響其他交通參與者的情況全行駛。控制執(zhí)行部分即指根據(jù)決策結(jié)果，控制自車上各種執(zhí)行器做出相應(yīng)，，包括語音提醒、方向盤抖動等預(yù)警設(shè)備的控制，以及轉(zhuǎn)向、換擋、制動、等車輛自身行駛狀態(tài)的控制。

第一章 緒論光雷達的研究開展較早，尤其在智能車方面產(chǎn)生了眾年代，智能車的研究開始在歐美國家引起研究者的廣國外智能車的發(fā)展進入快車道，世界主要發(fā)達國家的均投入了大量資源進行相關(guān)技術(shù)的研發(fā)。RPA 制定的相關(guān)研究計劃，極大地推動了無人駕駛汽重要研究成果，尤其是激光雷達在智能車上的廣泛應(yīng) 年、2005 年、2007 年一共舉辦過三次 “Grand Challe沙漠路況、城鄉(xiāng)賽道等各類交通環(huán)境，參賽車輛需要行識別障礙物、行人、交通標(biāo)示牌和信號燈，最快通比賽中的冠軍分別來自卡耐基梅隆大學(xué)的“Sandstorm“Stanley （圖 1.3）以及卡耐基梅隆大學(xué)的“Boss”（
【學(xué)位授予單位】：合肥工業(yè)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2018
【分類號】：U463.67

【參考文獻】

相關(guān)期刊論文 前10條

1 辛煜;梁華為;梅濤;黃如林;杜明博;王智靈;陳佳佳;趙盼;;基于激光傳感器的無人駕駛汽車動態(tài)障礙物檢測及表示方法[J];機器人;2014年06期

2 牛發(fā)發(fā);陳莉;張永新;李青;;基于魯棒主成分分析的Canny邊緣檢測算法[J];計算機應(yīng)用;2014年06期

3 常偉波;張維剛;謝倫杰;崔杰;;概念設(shè)計階段薄壁直梁的耐撞性優(yōu)化[J];汽車工程;2013年02期

4 初雪梅;王珂娜;張維剛;;基于分段直線模型的彎道識別算法的研究[J];汽車工程;2012年12期

5 楊飛;朱株;龔小謹(jǐn);劉濟林;;基于三維激光雷達的動態(tài)障礙實時檢測與跟蹤[J];浙江大學(xué)學(xué)報(工學(xué)版);2012年09期

6 劉富強;田敏;胡振程;;智能汽車中基于視覺的道路檢測與跟蹤算法[J];同濟大學(xué)學(xué)報(自然科學(xué)版);2007年11期

7 司錫才;陳玉坤;李志剛;;數(shù)據(jù)關(guān)聯(lián)算法的研究[J];哈爾濱工程大學(xué)學(xué)報;2007年07期

8 潘泉,葉西寧,張洪才;廣義概率數(shù)據(jù)關(guān)聯(lián)算法[J];電子學(xué)報;2005年03期

9 榮秋生,顏君彪,郭國強;基于DBSCAN聚類算法的研究與實現(xiàn)[J];計算機應(yīng)用;2004年04期

10 尹念東;智能車輛的研究及前景[J];上海汽車;2002年04期

相關(guān)博士學(xué)位論文 前6條

1 談東奎;人機共享的駕駛員橫向輔助系統(tǒng)關(guān)鍵技術(shù)研究[D];合肥工業(yè)大學(xué);2017年

2 武歷穎;無人駕駛汽車環(huán)境信息提取及運動決策方法研究[D];長安大學(xué);2016年

3 王肖;復(fù)雜環(huán)境下智能車輛動態(tài)目標(biāo)三維感知方法研究[D];清華大學(xué);2016年

4 于加其;基于激光成像雷達距離像的地面目標(biāo)識別算法研究[D];北京理工大學(xué);2015年

5 辛煜;無人駕駛車輛運動障礙物檢測、預(yù)測和避撞方法研究[D];中國科學(xué)技術(shù)大學(xué);2014年

6 陳龍;城市環(huán)境下無人駕駛智能車感知系統(tǒng)若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2013年

相關(guān)碩士學(xué)位論文 前10條

1 邢皎玉;基于智能純電動汽車的前方車輛檢測與識別技術(shù)研究[D];合肥工業(yè)大學(xué);2017年

2 葉美松;單目視覺的智能電動小車車道線識別與跟蹤[D];西南交通大學(xué);2017年

3 葉剛;城市環(huán)境基于三維激光雷達的自動駕駛車輛多目標(biāo)檢測及跟蹤算法研究[D];北京理工大學(xué);2016年

4 鄭凱華;基于多層激光雷達的道路與障礙物信息提取算法[D];北京工業(yè)大學(xué);2015年

5 吳學(xué)剛;基于激光雷達的運動目標(biāo)檢測與識別方法研究[D];華中科技大學(xué);2015年

6 王盛;復(fù)雜野外環(huán)境下機器人障礙物檢測方法研究[D];浙江大學(xué);2015年

7 許堯;三維重建中的立體匹配技術(shù)研究[D];華東理工大學(xué);2014年

8 王銘;基于激光雷達的無人車三維環(huán)境建模技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2013年

9 莊加福;基于機載激光雷達的復(fù)雜場景車輛類目標(biāo)檢測[D];華中科技大學(xué);2013年

10 諶彤童;三維激光雷達在自主車環(huán)境感知中的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2011年

本文編號：2640971