原文传递
基于三维激光点云的障碍物检测与跟踪算法研究
| 论文题名： | 基于三维激光点云的障碍物检测与跟踪算法研究 |
| 关键词： | 智能车;激光雷达;障碍物检测;多障碍物跟踪;行驶安全性 |
| 摘要： | 智能汽车已成为车辆工程领域的研究热点和汽车行业快速增长的新动力，也是未来汽车技术发展的趋势，这对环境信息的准确获取提出了更高的要求。环境感知是智能驾驶系统的基础，是实现路径规划与车辆控制的前提条件。环境感知系统主要由障碍物检测与跟踪组成。为了解决传统障碍物检测与跟踪算法中点云运动畸变问题，相邻障碍物难以区分和远处障碍物易分裂问题，以及多障碍物跟踪中的误关联问题，获得更精确的周围环境信息，提高智能车的行驶安全性，本文对传统的障碍物检测与跟踪算法进行了改进，并通过实车实验验证了改进算法的有效性和实时性。主要研究内容包括以下几个部分： （1）阐述了激光雷达与惯性测量单元（Inertial Measurement Unit，IMU）的工作原理及类型，并对其进行时间和空间上的联合标定，分析点云运动畸变产生的原理及对障碍物检测产生的影响，通过融合高频率IMU的方法来补偿激光雷达的帧间运动量，校正点云运动畸变。 （2）建立了激光雷达坐标系、车辆坐标系和两者之间的坐标转换关系，将激光雷达坐标系下的点云数据转换到车辆坐标系下；为减少点云数据量，提高系统的实时性，对点云数据进行预处理操作，并采用了Ray Ground Filter算法解决地面分割中的欠分割问题；针对传统DBSCAN（Density-Based Spatial Clustering of Application with Noise）聚类算法参数阈值固定，导致近距离相邻障碍物难以区分或远距离障碍物易分裂成多个障碍物的问题，以及点云数据量较大时算法耗时长的问题，本文采用了一种改进的DBSCAN融合区域生长的聚类算法，并利用L形拟合方法完成点云3D边界框拟合，该方法对障碍物检测的准确性相比于传统的算法提高了6%，实时性提高了13%。 （3）针对多障碍物跟踪中数据关联计算量大、容易产生误关联的问题，本文对联合概率数据关联算法进行改进，并引入了障碍物更多的参数特征，进一步筛选有效测量值，降低计算量；采用了交互多模型处理障碍物不同运动模型的跟踪问题，通过不同模型的交互作用得到障碍物最优的状态估计，同时采用了无迹卡尔曼滤波器更新障碍物的运动状态，完成多障碍物的动态跟踪。 （4）本文以搭建的哈弗H7智能汽车为实验平台进行数据采集。通过进行一系列实车实验：点云去畸变实验、数据预处理实验、障碍物聚类实验、数据关联实验和状态更新实验，验证了本文改进的障碍物检测与跟踪算法的有效性和实时性。 |
| 作者： | 孙科 |
| 专业： | 车辆工程 |
| 导师： | 高松;邵金菊 |
| 授予学位： | 硕士 |
| 授予学位单位： | 山东理工大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
