城市环境基于三维激光雷达的自动驾驶车辆多目标检测及跟踪算法研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 第1章 绪论 | 第9-20页 |
| ·智能车辆概述 | 第10-12页 |
| ·智能车辆系统框架 | 第11-12页 |
| ·环境感知相关技术研究 | 第12页 |
| ·多目标检测与跟踪的背景和意义 | 第12-17页 |
| ·智能汽车平台“Ray” | 第12-14页 |
| ·三维激光雷达传感器 | 第14-16页 |
| ·基于三维激光雷达多目标检测与跟踪 | 第16-17页 |
| ·本文研究内容及主要贡献 | 第17-20页 |
| ·本文研究内容及组织结构 | 第17-19页 |
| ·本文主要贡献 | 第19-20页 |
| 第2章 点云提取及栅格地图创建 | 第20-27页 |
| ·三维激光雷达的安装及标定 | 第20-24页 |
| ·三维激光雷达安装 | 第20-21页 |
| ·三维激光雷达标定 | 第21-24页 |
| ·障碍物栅格地图 | 第24-26页 |
| ·基于PCL点云库的原始数据解析 | 第25页 |
| ·栅格地图创建 | 第25-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 目标聚类与检测 | 第27-36页 |
| ·基于连通域分析的目标聚类 | 第27-31页 |
| ·预处理 | 第28-29页 |
| ·连通域分析 | 第29页 |
| ·最小包络面积矩形 | 第29-30页 |
| ·结果与小结 | 第30-31页 |
| ·基于几何形状的目标检测 | 第31-32页 |
| ·基于运动模型的目标检测 | 第32-35页 |
| ·轨迹生成 | 第33-34页 |
| ·基于运动模型假设的动态目标检测 | 第34-35页 |
| ·本章小结 | 第35-36页 |
| 第4章 目标数据关联 | 第36-44页 |
| ·数据关联算法概述 | 第37-38页 |
| ·数据关联矩阵 | 第38-43页 |
| ·关联值计算 | 第38-40页 |
| ·二分图最大匹配优化关联矩阵 | 第40-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 动态目标的状态估计 | 第44-56页 |
| ·卡尔曼滤波器理论基础 | 第44-47页 |
| ·基于标准线性卡尔曼滤波的动态目标状态实时估计 | 第47-50页 |
| ·标准线性卡尔曼滤波器算法原理 | 第47-49页 |
| ·基于标准线性卡尔曼滤波算法的多目标更新系统设计 | 第49-50页 |
| ·基于扩展卡尔曼滤波的动态目标状态实时估计 | 第50-53页 |
| ·扩展卡尔曼滤波算法原理 | 第50-52页 |
| ·基于扩展卡尔曼滤波算法的多目标跟踪系统设计 | 第52-53页 |
| ·实验结果及分析 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 实验及结果 | 第56-65页 |
| ·城区道路测试 | 第56-58页 |
| ·实验环境 | 第56-57页 |
| ·实验结果与分析 | 第57-58页 |
| ·目标状态估计结果对比实验 | 第58-62页 |
| ·实验平台及场景 | 第58-59页 |
| ·实验结果与分析 | 第59-62页 |
| ·线性卡尔曼滤波和扩展卡尔曼滤波对比 | 第62-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 主要工作及贡献有 | 第65页 |
| 本文创新点 | 第65-66页 |
| 未来工作展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表论文与研究成果清单 | 第71-72页 |
| 致谢 | 第72页 |
