城区环境下基于激光雷达的障碍物聚类和跟踪方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-26页 |
| 1.1 课题背景及研究意义 | 第14页 |
| 1.2 无人车国内外研究现状 | 第14-19页 |
| 1.2.1 无人车简介 | 第14-15页 |
| 1.2.2 国内外无人车发展现状 | 第15-19页 |
| 1.3 无人车感知算法研究现状 | 第19-23页 |
| 1.3.1 环境感知方法概述 | 第19页 |
| 1.3.2 点云配准与标定算法研究现状 | 第19-21页 |
| 1.3.3 点云聚类分割算法研究现状 | 第21-22页 |
| 1.3.4 动态障碍物跟踪算法研究现状 | 第22-23页 |
| 1.4 课题来源与研究内容 | 第23-26页 |
| 1.4.1 课题来源 | 第23页 |
| 1.4.2 研究内容 | 第23-26页 |
| 第2章 无人车系统架构介绍及感知关键问题分析 | 第26-32页 |
| 2.1 引言 | 第26页 |
| 2.2 研究平台概述 | 第26-29页 |
| 2.2.1 总体架构 | 第26-27页 |
| 2.2.2 环境感知层 | 第27-29页 |
| 2.3 无人驾驶汽车障碍物聚类跟踪关键问题 | 第29-31页 |
| 2.3.1 点云数据配准的关键问题 | 第30-31页 |
| 2.3.2 点云聚类的关键问题 | 第31页 |
| 2.3.3 动态障碍物跟踪的关键问题 | 第31页 |
| 2.4 本章小节 | 第31-32页 |
| 第3章 激光雷达点云数据的配准和标定 | 第32-42页 |
| 3.1 引言 | 第32页 |
| 3.2 R-Fans-16激光雷达数据特点 | 第32-34页 |
| 3.3 双激光点云的配准 | 第34-38页 |
| 3.4 激光雷达与车辆坐标系的标定 | 第38-40页 |
| 3.5 本章小节 | 第40-42页 |
| 第4章 两阶段聚类算法 | 第42-52页 |
| 4.1 引言 | 第42页 |
| 4.2 地面点云去除 | 第42-44页 |
| 4.3 障碍物点云聚类第一阶段 | 第44-46页 |
| 4.3.1 窗口邻域 | 第44-46页 |
| 4.3.2 第一阶段流程 | 第46页 |
| 4.4 障碍物点云聚类第二阶段 | 第46-48页 |
| 4.4.1 DBSCAN聚类算法 | 第46-47页 |
| 4.4.2 基于DBSCAN的自适应聚类算法 | 第47-48页 |
| 4.5 实验与分析 | 第48-50页 |
| 4.6 本章小节 | 第50-52页 |
| 第5章 动态障碍物跟踪算法研究 | 第52-68页 |
| 5.1 引言 | 第52页 |
| 5.2 数据关联 | 第52-60页 |
| 5.2.1 跟踪门的建立和门限设定 | 第52-53页 |
| 5.2.2 相似性度量方法 | 第53-56页 |
| 5.2.3 联合概率数据关联 | 第56-60页 |
| 5.3 基于Kalman滤波器的障碍物跟踪 | 第60-63页 |
| 5.3.1 Kalman滤波器算法原理 | 第60-61页 |
| 5.3.2 跟踪参数设置 | 第61-62页 |
| 5.3.3 预测滤波整体流程 | 第62-63页 |
| 5.4 实验与分析 | 第63-66页 |
| 5.4.1 数据关联实验结果 | 第63-65页 |
| 5.4.2 障碍物跟踪实验结果 | 第65-66页 |
| 5.5 本章小结 | 第66-68页 |
| 第6章 实验与分析 | 第68-74页 |
| 6.1 引言 | 第68页 |
| 6.2 实验设计 | 第68-69页 |
| 6.3 实验结果分析 | 第69-73页 |
| 6.3.1 障碍物聚类实验 | 第69-70页 |
| 6.3.2 障碍物匹配实验 | 第70-72页 |
| 6.3.3 障碍物跟踪实验 | 第72-73页 |
| 6.4 本章小结 | 第73-74页 |
| 第7章 总结与展望 | 第74-76页 |
| 7.1 本文主要工作与创新点 | 第74-75页 |
| 7.1.1 主要工作 | 第74-75页 |
| 7.1.2 创新点 | 第75页 |
| 7.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 在读期间发表的学术论文与取得的研究成果 | 第82页 |
