障礙物檢測與辨識是無人駕駛汽車環(huán)境感知功能的重要組成部分,對于提高無人駕駛汽車行駛的可靠性和安全性起著重要作用;而激光雷達由于測量精度高、范圍廣被作為主要傳感器應(yīng)用到了無人駕駛汽車上,本文研究了基于激光雷達測量數(shù)據(jù)的道路交通環(huán)境下障礙物的檢測和辨識,并確立了基于點云聚類分割的障礙物檢測方法以及基于點云特征和機器學(xué)習(xí)的障礙物分類辨識方法,主要研究工作和成果有以下幾個方面:針對無人駕駛車載激光雷達的原始測量數(shù)據(jù),提出并制定了一套通用有效的處理方法和流程,對于點云的獲取、濾波、運動畸變校正、空間分布特點分析等數(shù)據(jù)的處理和分析具有一定的參考價值。在障礙物檢測方面,明確了障礙物定義及主要檢測對象,確定了以點云聚類分割為基礎(chǔ)的檢測方法;為了避免地面點云對檢測造成的干擾,提出了一種基于直線擬合的方法將地面點云作為障礙物點云的背景進行分割并移除,并取得了較好的地面分割效果;針對目前常用聚類分割方法可能導(dǎo)致的欠分割和過分割問題,提出了一種基于歐氏距離的鄰近生長聚類方法進行障礙物點云的分割。具體地,建立了點云的k-d樹數(shù)據(jù)結(jié)構(gòu)以進行點云空間快速鄰域搜索,通過鄰域搜索半徑閾值的距離自適應(yīng)在一定程度上避免了欠... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２?Ｖｅｌｏｄｙｎｅ?ＨＤＬ－６４Ｅ垂直視場及有效測量距離??

達數(shù)據(jù)［３９］，其中激光霄??達數(shù)據(jù)就是由Ｖｅｌｏｄｙｎｅ公芎研發(fā)的６４線激光雷達ＨＤＬ－６４Ｅ采集得到。??２．２激光雷達原始數(shù)據(jù)處理??２．２．１坐標轉(zhuǎn)換??激光雷達點：石＿坐標系．定乂在Ｖｅｌｏｄｙｎｅ坐細系下，如圏２－３所爾激光舊達中心為??坐標系原點０，?ＸＹ乎面平行于底座底平面，且Ｘ軸ＩＨ方向指向激光耆達ｉＨ右方，Ｙ??軸正方向指向激光黌達ＪＥ前方，Ｚ軸疋方向：垂直ＸＹ平面向上（不難看出Ｚ軸也是激??光雷迖工作時激光模塊的旋轉(zhuǎn)中軸）。??ａ?ｚ?ａ?ｚ??Ｙ??圖２－３激光雷達點云坐標系??根據(jù)點云坐標系的定義，為了更好地獲得車輛周圍的環(huán)境信息詞時體現(xiàn)激光賃達??測量處與車輛的相對位置關(guān)系，激光雷達水平安裝在車頂，如圖２－４所示＾點云坐標??系麵．牟輛有如下位賛關(guān)系：??１，）安裝高度（即點云坐標系原點到地面的距離）為１．７３ｍ；??２）?Ｘ軸芷方向指向以率頭Ｓ前方；牟頭朝前，Ｙ軸芷方向垂慮車輛縱向?qū)ΨQ面并??９??

?第＿ｉＳ鐵達點云獲取與處理???指向車身左側(cè)；Ｚ軸正方向豎重向上。??圖２－４激光雷達安裝示意圖??激光雷達水平安裝在車頂，基本沒有遮擋，可以獲得理想的測掃描測量范圍。Ｘ＇??作時，激光雷達按一定的頻率旋轉(zhuǎn)，不斷地發(fā)射激光掃描周圍空間得到原始掃描測量??數(shù)據(jù)，并將原始掃描測讀數(shù)據(jù)以ＵＤＰ數(shù)據(jù)包的格式通過以太網(wǎng)向外發(fā)送。每個ＵＤＰ??數(shù)據(jù)包的大小為１２４８字節(jié)，由４２字節(jié)的包頭、１２個１００字節(jié)的數(shù)據(jù)塊，以及６宇節(jié)??的狀態(tài)信息組成［４（）］，數(shù)據(jù)包的具體內(nèi)容及組織格式見表２－２。??表２－２?ＵＤＰ數(shù)據(jù)包的組織格式及內(nèi)容??組織格式（數(shù)據(jù)大小單位：宇節(jié)）?數(shù)據(jù)內(nèi)容??４２?包頭??２?激光器糢塊標識??２?旋轉(zhuǎn)像鷲??。八?單個數(shù)?＾＾＾２＾?距離信息??＾?＇?據(jù)塊?激光器??有效１〇〇?３２Ｘ３測屢數(shù)據(jù)?１?反射強度餐息??１２４８?數(shù)據(jù)?１２Ｘ１００?３??此處省略３１個同上３字節(jié)的數(shù)據(jù)??１２０６??????此處省略１１個同，上１００學(xué)節(jié)的數(shù)據(jù)??狀態(tài)?４?ＧＰＳ時間戳??信息??１??狀態(tài)類型，??６?１?狀態(tài)值??１０??

【參考文獻】：
期刊論文
[1]基于激光雷達點云密度特征的智能車障礙物檢測與跟蹤[J]. 汪世財,談東奎,謝有浩,趙林峰.  合肥工業(yè)大學(xué)學(xué)報(自然科學(xué)版). 2019(10)
[2]掃描線段特征用于三維點云地面分割[J]. 程子陽,任國全,張銀.  光電工程. 2019(07)
[3]基于射線坡度閾值的城市地面分割算法[J]. 李炯,趙凱,白睿,朱愿,徐友春.  光學(xué)學(xué)報. 2019(09)
[4]基于三維激光雷達的車輛目標檢測方法[J]. 蘇致遠,徐友春,李永樂.  軍事交通學(xué)院學(xué)報. 2017(01)
[5]基于激光雷達的無人駕駛汽車動態(tài)障礙物檢測、跟蹤與識別方法[J]. 黃如林,梁華為,陳佳佳,趙盼,杜明博.  機器人. 2016(04)
[6]基于體素化網(wǎng)格下采樣的點云簡化算法研究[J]. 袁華,龐建鏗,莫建文.  電視技術(shù). 2015(17)
[7]基于k-d樹的機載LIDAR點云濾波處理[J]. 劉艷豐,王守彬,湯仲安,趙永統(tǒng).  測繪工程. 2009(05)
[8]基于主元神經(jīng)網(wǎng)絡(luò)的非結(jié)構(gòu)化道路跟蹤[J]. 李青,鄭南寧,馬琳,程洪.  機器人. 2005(03)
[9]汽車縱向行駛安全報警系統(tǒng)開發(fā)[J]. 劉剛,侯德藻,楊殿閣,李克強,連小珉.  汽車工程. 2004(03)
[10]多功能室外智能移動機器人實驗平臺—THMR-V[J]. 張朋飛,何克忠,歐陽正柱,張軍宇.  機器人. 2002(02)

博士論文
[1]基于激光點云的復(fù)雜三維場景多態(tài)目標語義分割技術(shù)研究[D]. 張蕊.戰(zhàn)略支援部隊信息工程大學(xué) 2018
[2]面向建筑測繪的地面激光掃描模式識別方法研究[D]. 梁玉斌.武漢大學(xué) 2013
[3]機載激光雷達點云數(shù)據(jù)處理與建筑物三維重建[D]. 曾齊紅.上海大學(xué) 2009

碩士論文
[1]基于激光雷達的行人目標檢測與識別[D]. 范小輝.重慶郵電大學(xué) 2019
[2]基于深度神經(jīng)網(wǎng)絡(luò)的激光雷達點云語義分割算法研究[D]. 周天添.哈爾濱工業(yè)大學(xué) 2019
[3]城區(qū)環(huán)境下基于激光雷達的障礙物聚類和跟蹤方法研究[D]. 張彩紅.中國科學(xué)技術(shù)大學(xué) 2019
[4]基于車載激光雷達的目標識別方法研究[D]. 王旭.山東理工大學(xué) 2019
[5]基于深度學(xué)習(xí)的物體檢測與跟蹤方法的研究[D]. 曾鈺廷.東華理工大學(xué) 2018
[6]基于激光掃描雷達的自動駕駛技術(shù)研究[D]. 李趙.北方工業(yè)大學(xué) 2018
[7]基于激光雷達的無人駕駛汽車自主尋跡研究[D]. 王文宇.長安大學(xué) 2018
[8]激光雷達/相機組合的3D SLAM技術(shù)研究[D]. 李帥鑫.戰(zhàn)略支援部隊信息工程大學(xué) 2018
[9]基于三維激光雷達的障礙物檢測與跟蹤研究[D]. 汪世財.合肥工業(yè)大學(xué) 2018
[10]無人駕駛汽車動態(tài)障礙物識別及避障方法研究[D]. 張紅.山東科技大學(xué) 2018



本文編號：3503661