基于双多线激光雷达的道路环境感知算法研究与实现
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 课题背景及研究意义 | 第8-9页 |
| 1.2 无人车国内外研究现状 | 第9-15页 |
| 1.2.1 无人车简介 | 第9页 |
| 1.2.2 国外无人车发展现状 | 第9-12页 |
| 1.2.3 国内无人车发展现状 | 第12-15页 |
| 1.3 无人车环境感知 | 第15-18页 |
| 1.3.1 环境感知方法 | 第15-16页 |
| 1.3.2 激光雷达在环境感知中的应用 | 第16-17页 |
| 1.3.3 Velodyne 32线激光雷达 | 第17-18页 |
| 1.4 课题来源及组织结构 | 第18-19页 |
| 1.5 本章小结 | 第19-20页 |
| 2 双多线激光雷达环境感知架构设计 | 第20-29页 |
| 2.1 引言 | 第20页 |
| 2.2 研究平台概述 | 第20-23页 |
| 2.2.1 关键技术 | 第20-21页 |
| 2.2.2 体系结构 | 第21-22页 |
| 2.2.3 环境感知系统 | 第22-23页 |
| 2.3 激光雷达安装方式对比与分析 | 第23-25页 |
| 2.3.1 垂直与水平安装方式 | 第23-24页 |
| 2.3.2 激光雷达点云密度分析 | 第24页 |
| 2.3.3 激光雷达盲区分析 | 第24-25页 |
| 2.4 分布式实时处理架构设计 | 第25-28页 |
| 2.4.1 分布式处理框架 | 第25-26页 |
| 2.4.2 三维数据坐标转换 | 第26-27页 |
| 2.4.3 激光雷达点云过滤 | 第27页 |
| 2.4.4 双雷达数据融合 | 第27-28页 |
| 2.5 本章小结 | 第28-29页 |
| 3 基于双激光雷达的结构化低矮道边检测与提取 | 第29-41页 |
| 3.1 引言 | 第29-30页 |
| 3.2 道边点检测与提取算法 | 第30-34页 |
| 3.2.1 梯度一致性的雷达点分割 | 第30-32页 |
| 3.2.2 基于栅格地图的点云过滤 | 第32-33页 |
| 3.2.3 候选道边点提取 | 第33-34页 |
| 3.3 道路边界提取 | 第34-37页 |
| 3.3.1 基于最小二乘的道边提取 | 第35页 |
| 3.3.2 基于改进RANSAC算法的道边提取 | 第35-37页 |
| 3.4 实验与分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 基于双激光雷达的负障碍检测 | 第41-54页 |
| 4.1 引言 | 第41-42页 |
| 4.2 负障碍检测 | 第42-47页 |
| 4.2.1 检测算法流程 | 第43页 |
| 4.2.2 多尺度栅格特征统计 | 第43-45页 |
| 4.2.3 负障碍特征点对提取 | 第45-46页 |
| 4.2.4 负障碍特征点对聚类 | 第46-47页 |
| 4.3 实验与分析 | 第47-52页 |
| 4.3.1 非结构化场景下负障碍检测 | 第47-51页 |
| 4.3.2 结构化场景下的负障碍检测 | 第51-52页 |
| 4.4 算法性能分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 5 总结与展望 | 第54-56页 |
| 5.1 全文总结 | 第54页 |
| 5.2 研究展望 | 第54-56页 |
| 致谢 | 第56-57页 |
| 附录 | 第57-58页 |
| 参考文献 | 第58-62页 |
