| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 国内外研究现状和分析 | 第11-14页 |
| 1.2.1 障碍物检测 | 第11-12页 |
| 1.2.2 无人驾驶汽车相对位姿估计 | 第12-13页 |
| 1.2.3 障碍物检测与位姿估计相结合 | 第13-14页 |
| 1.3 系统框架 | 第14页 |
| 1.4 文章组织结构 | 第14-17页 |
| 第二章 基于16线激光雷达的障碍物检测 | 第17-31页 |
| 2.1 16线激光雷达简介 | 第17-18页 |
| 2.2 障碍物检测 | 第18-30页 |
| 2.2.1 单元栅格不同激光束特征 | 第20-21页 |
| 2.2.2 基于栅格内最大最小值高度差特征的障碍物识别方法 | 第21-22页 |
| 2.2.3 同束激光点云相邻两点云切向角度特征 | 第22-24页 |
| 2.2.4 道路边缘检测处理 | 第24-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第三章 障碍物检测模型与关联匹配模型构建 | 第31-43页 |
| 3.1 无人驾驶汽车坐标系模型 | 第31-32页 |
| 3.2 无人驾驶汽车里程计模型 | 第32-36页 |
| 3.3 障碍物单元栅格数据聚类与障碍物建模 | 第36-39页 |
| 3.4 障碍物关联匹配模型 | 第39-40页 |
| 3.5 本章小结 | 第40-43页 |
| 第四章 基于激光里程计的无人驾驶汽车位姿估计 | 第43-55页 |
| 4.1 激光里程计位姿估计 | 第43-46页 |
| 4.2 基于Kalman滤波器的位姿预测 | 第46-48页 |
| 4.3 基于匈牙利算法的障碍物数据关联 | 第48-50页 |
| 4.4 动态障碍物滤除 | 第50-51页 |
| 4.5 利用静态障碍物计算相邻帧间无人驾驶汽车相对位姿变换 | 第51-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第五章 实验验证 | 第55-63页 |
| 5.1 实验设备与环境 | 第55-57页 |
| 5.1.1 实验设备与软件 | 第55-57页 |
| 5.1.2 实验环境 | 第57页 |
| 5.2 实验结果与分析 | 第57-62页 |
| 5.3 本章小结 | 第62-63页 |
| 结论与展望 | 第63-65页 |
| 结论 | 第63-64页 |
| 展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 攻读硕士学位期间的研究成果 | 第71-73页 |
| 致谢 | 第73页 |