基于激光雷达的智能车防撞预警系统研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 本文主要研究内容及章节安排 | 第16-18页 |
| 1.3.1 本文主要研究内容 | 第16-17页 |
| 1.3.2 本文章节安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 激光雷达数据的预处理 | 第19-28页 |
| 2.1 激光雷达工作原理 | 第19-20页 |
| 2.2 基于激光雷达的环境感知 | 第20-23页 |
| 2.3 激光雷达数据的预处理 | 第23-27页 |
| 2.3.1 坐标系转换 | 第23-24页 |
| 2.3.2 选取感兴趣区域 | 第24-25页 |
| 2.3.3 零点现象的修正 | 第25-26页 |
| 2.3.4 最大误差估计 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 激光雷达数据采集硬件平台设计 | 第28-35页 |
| 3.1 LMS151激光雷达简介 | 第28-29页 |
| 3.2 激光点云数据采集硬件平台 | 第29-33页 |
| 3.3 激光点云数据解算算法 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 激光雷达数据的聚类 | 第35-46页 |
| 4.1 聚类算法概述 | 第35-38页 |
| 4.1.1 划分聚类法 | 第35-37页 |
| 4.1.2 层次法 | 第37页 |
| 4.1.3 基于网格的聚类法 | 第37-38页 |
| 4.1.4 基于密度的聚类法 | 第38页 |
| 4.2 激光雷达数据特点分析 | 第38-40页 |
| 4.3 传统的DBSCAN算法 | 第40-41页 |
| 4.4 针对激光雷达数据优化的DBSCAN算法 | 第41-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 实验数据与结果分析 | 第46-64页 |
| 5.1 激光雷达的安装与调试 | 第46-47页 |
| 5.2 激光雷达ROI区域相关参数配置 | 第47-51页 |
| 5.3 激光点云数据采集与解算功能实验 | 第51-56页 |
| 5.3.1 通讯初始化设置 | 第51-52页 |
| 5.3.2 下位机激光点云数据解算 | 第52-53页 |
| 5.3.3 Li DAR MK-I功能性测试 | 第53-56页 |
| 5.4 激光点云数据聚类算法实验 | 第56-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 全文总结 | 第64-65页 |
| 6.2 存在的不足和展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 作者简介及科研成果 | 第71-72页 |
| 致谢 | 第72-73页 |
