原文传递
基于激光雷达的智能汽车障碍物检测技术研究
| 论文题名： | 基于激光雷达的智能汽车障碍物检测技术研究 |
| 关键词： | 智能汽车;激光雷达;障碍物聚类;目标检测 |
| 摘要： | 随着人工智能科技的蓬勃发展，智慧行车技术受到了人们的普遍重视。智能汽车是一个集认知环境、行为规划、多层次辅助行驶等功能为一身的综合体系。环境中障碍物的即时监测，一直是智能车辆环境感知科技领域的研发重心。该文重点研究了基于激光雷达的智能汽车周围障碍物探测等关键技术,系统研究了激光雷达的工作机理,重点研究并完成了激光雷达的内外参标定、收集点云信息、点云信息预处理、周围障碍物检测与分类等任务。主要内容包括: (1)选取激光雷达等设备搭建自动驾驶平台，并完成激光雷达于车体坐标系的标定。使用自动驾驶平台在校园环境中进行数据采集，为下面工作提供数据基础。 (2)通过点云处理算法完成障碍物聚类。首先把车身点云去除并导入车体模型，建立GridMap栅格地图划分ROI区域并使用统计滤波的方法去除噪声点。针对现有算法对倾斜道路中点云的地面分割不足的问题，使用地面平面拟合的算法。地面平面拟合算法把高度值最低的一些点拟合出一个地面平面，并把其余点与拟合地平面的投影距离与设定阈值的比较大小来判别点是否为非地面点。针对经典DBSCAN聚类算法在激光雷达点云数据分布不均匀时障碍物聚类效果较差的问题，提出改进的DBSCAN聚类算法。根据不同距离使用不同的参数，从而提高障碍物点云聚类效果。最后对障碍物点云绘制最小外接包围框。 (3)将传统点云处理算法与神经网络连接实现障碍物的分类。将经过传统点云处理算法地面分割后的点云数据通过ROS通讯机制输入到基于Apollo激光雷达感知模块的模型中。实现对周围障碍物分成汽车、自行车和行人的分类工作，并可以检测到障碍物中心与激光雷达的距离。 (4)设计校园环境中的直线和弯道路况实验并计算准确率验证了地面平面拟合算法和改进的DBSCAN聚类算法都优于经典算法。设计不同天气条件下的实车实验计算精确率、召回率和F1_Score验证了障碍物分类算法的可行性和稳定性。 |
| 作者： | 张博 |
| 专业： | 车辆工程 |
| 导师： | 林业;王立星 |
| 授予学位： | 硕士 |
| 授予学位单位： | 天津科技大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
