| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-23页 |
| 1.1 引言 | 第11-12页 |
| 1.2 智能汽车技术概述 | 第12-15页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 激光雷达环境感知技术概述 | 第15-21页 |
| 1.3.1 激光雷达简介 | 第15-17页 |
| 1.3.2 激光雷达目标检测与跟踪技术国内外研究现状 | 第17-20页 |
| 1.3.3 目前主要存在的问题 | 第20-21页 |
| 1.4 本文主要研究内容 | 第21-23页 |
| 第二章 基于三维激光雷达的环境感知系统介绍 | 第23-29页 |
| 2.1 VelodyneHDL-64E激光雷达介绍 | 第23-27页 |
| 2.1.1 三维激光雷达数据包说明 | 第24页 |
| 2.1.2 三维数据点坐标转化 | 第24-26页 |
| 2.1.3 激光雷达数据特点 | 第26-27页 |
| 2.2 数据处理软件介绍 | 第27-28页 |
| 2.3 智能汽车测试平台 | 第28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 点云数据分割 | 第29-42页 |
| 3.1 点云分割算法概述 | 第29-32页 |
| 3.1.1 障碍物栅格地图 | 第29-31页 |
| 3.1.2 存在问题分析 | 第31-32页 |
| 3.2 多特征多层高度地图 | 第32-36页 |
| 3.2.1 地面层检测 | 第33-35页 |
| 3.2.2 障碍物层及悬挂层检测 | 第35-36页 |
| 3.3 实验结果与分析 | 第36-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第四章 障碍物目标检测与分类 | 第42-54页 |
| 4.1 栅格滤波 | 第42-43页 |
| 4.2 数据聚类 | 第43-49页 |
| 4.2.1 聚类算法概述 | 第43-45页 |
| 4.2.2 空间方式聚类 | 第45-47页 |
| 4.2.3 聚类修正 | 第47-48页 |
| 4.2.4 实验结果与分析 | 第48-49页 |
| 4.3 目标分类 | 第49-53页 |
| 4.3.1 目标特征 | 第50-51页 |
| 4.3.2 SVM分类器 | 第51页 |
| 4.3.3 实验结果与分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 障碍物目标跟踪算法 | 第54-69页 |
| 5.1 引言 | 第54-56页 |
| 5.2 感兴趣区域确定 | 第56页 |
| 5.3 多假设跟踪算法 | 第56-58页 |
| 5.3.1 跟踪波门的建立 | 第56-57页 |
| 5.3.2 数据关联 | 第57-58页 |
| 5.4 状态估计 | 第58-65页 |
| 5.4.1 卡尔曼滤波 | 第59-60页 |
| 5.4.2 交互多模型算法 | 第60-63页 |
| 5.4.3 滤波器模型 | 第63-65页 |
| 5.5 实验结果与分析 | 第65-68页 |
| 5.6 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间发表的论文及参加科研情况 | 第77页 |