【摘要】：智能汽車(chē)對(duì)于改善個(gè)人出行方式,促進(jìn)汽車(chē)產(chǎn)業(yè)升級(jí),減少交通事故等具有重要意義。智能汽車(chē)為實(shí)現(xiàn)無(wú)人駕駛功能首先要能夠精確地檢測(cè)周?chē)系K物,并能預(yù)測(cè)動(dòng)態(tài)障礙物的運(yùn)動(dòng)趨勢(shì)。激光雷達(dá)相對(duì)于視覺(jué)傳感器具有較高的精確度,且受光線影響較小,因此激光雷達(dá)在障礙物的檢測(cè)中是不可或缺的。障礙物主要分為動(dòng)態(tài)與靜態(tài)障礙物,檢測(cè)動(dòng)、靜態(tài)障礙物首先要對(duì)激光數(shù)據(jù)點(diǎn)進(jìn)行分類(lèi),將激光點(diǎn)云進(jìn)行路面分割,檢測(cè)動(dòng)態(tài)障礙物首先要獲知車(chē)輛自身的位姿變化。基于以上原因,本文主要從以下三個(gè)方面展開(kāi)研究:對(duì)激光雷達(dá)點(diǎn)云路面分割技術(shù)進(jìn)行研究,針對(duì)傳統(tǒng)的高度閾值算法遇到坡道、顛簸路面的失效問(wèn)題,本文將圖像分割中馬爾科夫隨機(jī)場(chǎng)模型應(yīng)用于點(diǎn)云分割,利用梯度柵格地圖替代圖像。根據(jù)梯度柵格地圖建立馬爾科夫隨機(jī)場(chǎng),采用圖割方法來(lái)對(duì)隨機(jī)場(chǎng)求解,利用馬爾科夫隨機(jī)場(chǎng)的特性克服了坡道等不規(guī)則路面對(duì)點(diǎn)云分割的影響,實(shí)現(xiàn)不同路況下的點(diǎn)云分割。針對(duì)如何低成本獲知車(chē)輛位姿變化,從而為判斷動(dòng)、靜態(tài)障礙物提供精確的判斷依據(jù)問(wèn)題,本文利用Generalized-ICP算法以及擴(kuò)展卡爾曼濾波結(jié)合陀螺儀和加速度計(jì)信息,對(duì)短時(shí)間內(nèi)車(chē)輛的位姿變化進(jìn)行精確估計(jì)。首先利用Generalized-ICP算法進(jìn)行點(diǎn)云配準(zhǔn);然后利用配準(zhǔn)結(jié)果推算車(chē)輛位姿變化;最后擴(kuò)展卡爾曼濾波器根據(jù)車(chē)輛的位姿變化進(jìn)行量測(cè)更新,陀螺儀和加速度計(jì)作為擴(kuò)展卡爾曼濾波的控制輸入量,以擴(kuò)展卡爾曼濾波器的后驗(yàn)估計(jì)值作為最終的結(jié)果的輸出。實(shí)現(xiàn)了對(duì)車(chē)輛連續(xù)兩幀位姿變化的精確估計(jì)。針對(duì)檢測(cè)并跟蹤動(dòng)態(tài)障礙物的問(wèn)題,利用了改進(jìn)的DBSCAN算法對(duì)分離地面點(diǎn)后的障礙物數(shù)據(jù)點(diǎn)進(jìn)行聚類(lèi);采用最小凸包以及模糊線段的方法提取聚類(lèi)后的外形輪廓以及角度特征;根據(jù)車(chē)輛的位姿變化對(duì)動(dòng)、靜態(tài)障礙物進(jìn)行分辨,運(yùn)用多目標(biāo)假設(shè)的方法對(duì)連續(xù)兩幀所有的動(dòng)態(tài)障礙物進(jìn)行數(shù)據(jù)關(guān)聯(lián);結(jié)合卡爾曼濾波器進(jìn)行速度估計(jì);從而實(shí)現(xiàn)了對(duì)動(dòng)態(tài)障礙物的檢測(cè)與跟蹤。最后通過(guò)項(xiàng)目組的智能汽車(chē)實(shí)驗(yàn)平臺(tái)采集的雷達(dá)、加速度計(jì)和陀螺儀數(shù)據(jù)以及kitti數(shù)據(jù)集的實(shí)車(chē)數(shù)據(jù)進(jìn)行測(cè)試,驗(yàn)證了方法的可行性與穩(wěn)定性。
【圖文】：

停放或緩慢移動(dòng)的車(chē)輛，在多個(gè)停車(chē)標(biāo)志的交叉點(diǎn)處如何優(yōu)先決策，變?yōu)榭燔?chē)道，在停車(chē)場(chǎng)停車(chē)以及在道路完全堵塞的情況下掉頭。最終隆大學(xué)獲得冠軍，，斯坦福大學(xué)獲得亞軍[3]。圖 1-1 為斯坦福大學(xué)的“Junior”無(wú)人車(chē)，該車(chē)在導(dǎo)航方面，采用 Applan 組合導(dǎo)航系統(tǒng)，包括 GPS 接收機(jī)，高精度慣性測(cè)量?jī)x，位置測(cè)量精度在 1，角度測(cè)量誤差在 0.1°以內(nèi)。兩個(gè) SICK 單線激光雷達(dá)和一個(gè)前置的 R傳感器用來(lái)測(cè)量路面結(jié)構(gòu)，并且通過(guò)反射強(qiáng)度來(lái)檢測(cè)道路線。在動(dòng)態(tài)測(cè)方面，Velodyne64 線激光雷達(dá)作為主要傳感器，IBEO 激光雷達(dá)和K LDLRS 作為補(bǔ)充，5 個(gè) BOSCH 的毫米波雷達(dá)用來(lái)提供驗(yàn)證[4]�？蛯W(xué)的“Boss”無(wú)人車(chē)裝備與“Junior”基本類(lèi)似，“Boss”比“Junior”用圖像傳感器�！癇oss”裝備了 Point Grey Firefly 工業(yè)相機(jī)[5]。圖 1-2 為隆大學(xué)的“Boss”無(wú)人車(chē)。

圖 1-2“Boss”智能汽車(chē)[5]圖 1-3 VIAC 無(wú)人駕駛車(chē)輛[6]德國(guó)柏林大學(xué)研制的“MIG”無(wú)人車(chē)搭載了攝像機(jī)、激光掃描儀、熱傳感導(dǎo)航等傳感器，能夠識(shí)別車(chē)輛、行人以及交通信號(hào)的相關(guān)信息。2011 林著名的勃蘭登堡門(mén)出發(fā)，到柏林國(guó)際會(huì)議中心，又安全返回出發(fā)地利通過(guò)了 46 個(gè)交通燈，并繞過(guò)兩處環(huán)島，整個(gè)行程近 20 公里（城市[7]。
【學(xué)位授予單位】：武漢理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類(lèi)號(hào)】：U463.6;TN958.98

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 董鵬;楊光;鄭奧柯;;我國(guó)智能汽車(chē)的現(xiàn)狀和解決對(duì)策及未來(lái)發(fā)展趨勢(shì)[J];武漢學(xué)刊;2018年01期

2 孫娜;;智能汽車(chē)未來(lái)的發(fā)展趨勢(shì)分析[J];中外企業(yè)家;2018年25期

3 董鵬;王昊;謝峰波;劉大慶;;我國(guó)智能汽車(chē)發(fā)展中的困境與出路[J];客車(chē)技術(shù);2018年01期

4 羅紅梅;周逸凡;;智能汽車(chē)產(chǎn)業(yè)的發(fā)展情況[J];摩托車(chē)技術(shù);2019年03期

5 沈廣輝;郝藝源;馮莉;;中國(guó)智能汽車(chē)發(fā)展研究[J];內(nèi)燃機(jī)與配件;2019年04期

6 王杰;;智能汽車(chē)未來(lái)發(fā)展趨勢(shì)分析[J];現(xiàn)代制造技術(shù)與裝備;2019年02期

7 許中緣;;論智能汽車(chē)侵權(quán)責(zé)任立法——以工具性人格為中心[J];法學(xué);2019年04期

8 喬劍峰;李德s

本文編號(hào)：2617733