本方法通過分析處理Velodyne激光數據對無人駕駛汽車四周的動態障礙物進行檢測跟蹤，對於無人駕駛汽車前方準確性要求較高的扇形區域，采用置信距離理論融合Velodyne激光數據處理信息和Ibeo輸(shu)出(chu)的(de)運(yun)動(dong)狀(zhuang)態(tai)信(xin)息(xi)，較(jiao)大(da)地(di)提(ti)高(gao)了(le)對(dui)障(zhang)礙(ai)物(wu)運(yun)動(dong)狀(zhuang)態(tai)的(de)檢(jian)測(ce)準(zhun)確(que)率(lv)，然(ran)後(hou)根(gen)據(ju)融(rong)合(he)得(de)到(dao)的(de)結(jie)果(guo)對(dui)運(yun)動(dong)障(zhang)礙(ai)物(wu)的(de)位(wei)置(zhi)進(jin)行(xing)延(yan)時(shi)修(xiu)正(zheng)，最(zui)終(zhong)在(zai)障(zhang)礙(ai)物(wu)占(zhan)用(yong)柵(zha)格(ge)圖(tu)上(shang)將(jiang)動(dong)態(tai)障(zhang)礙(ai)物(wu)所(suo)占(zhan)據(ju)位(wei)置(zhi)與(yu)靜(jing)態(tai)障(zhang)礙(ai)物(wu)所(suo)占(zhan)據(ju)位(wei)置(zhi)區(qu)別(bie)標(biao)示(shi)。本(ben)方(fang)法(fa)不(bu)僅(jin)可(ke)以(yi)在(zai)室(shi)外(wai)環(huan)境(jing)中(zhong)準(zhun)確(que)地(di)檢(jian)測(ce)出(chu)障(zhang)礙(ai)物(wu)運(yun)動(dong)信(xin)息(xi)，而(er)且(qie)可(ke)以(yi)消(xiao)除(chu)傳(chuan)感(gan)器(qi)數(shu)據(ju)處(chu)理(li)延(yan)時(shi)所(suo)帶(dai)來(lai)的(de)動(dong)態(tai)障(zhang)礙(ai)物(wu)位(wei)置(zhi)偏(pian)差(cha)
，更(geng)準(zhun)確(que)地(di)將(jiang)環(huan)境(jing)中(zhong)的(de)動(dong)靜(jing)態(tai)障(zhang)礙(ai)物(wu)信(xin)息(xi)用(yong)障(zhang)礙(ai)物(wu)占(zhan)用(yong)柵(zha)格(ge)圖(tu)進(jin)行(xing)描(miao)述(shu)．該種方法應用在了自主研發的無人駕駛汽車平台上，大量的實驗以及它們在“中國智能車未來挑戰賽”中的優異表現證明該方法具備可靠性和準確性。

 

 

無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)是(shi)人(ren)工(gong)智(zhi)能(neng)的(de)一(yi)個(ge)非(fei)常(chang)重(zhong)要(yao)的(de)驗(yan)證(zheng)平(ping)台(tai)
，近(jin)些(xie)年(nian)成(cheng)為(wei)國(guo)內(nei)外(wai)研(yan)究(jiu)熱(re)點(dian)。無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)作(zuo)為(wei)一(yi)種(zhong)陸(lu)地(di)輪(lun)式(shi)機(ji)器(qi)人(ren)，既(ji)與(yu)普(pu)通(tong)機(ji)器(qi)人(ren)有(you)著(zhe)很(hen)大(da)的(de)相(xiang)似(si)性(xing)，又(you)存(cun)在(zai)著(zhe)很(hen)大(da)的(de)不(bu)同(tong)。首(shou)先(xian)它(ta)作(zuo)為(wei)汽(qi)車(che)需(xu)保(bao)證(zheng)乘(cheng)員(yuan)乘(cheng)坐(zuo)的(de)舒(shu)適(shi)性(xing)和(he)安(an)全(quan)性(xing)，這(zhe)就(jiu)要(yao)求(qiu)對(dui)其(qi)行(xing)駛(shi)方(fang)向(xiang)和(he)速(su)度(du)的(de)控(kong)製(zhi)更(geng)加(jia)嚴(yan)格(ge)
；另外，它的體積較大
，特別是在複雜擁擠的交通環境下，要想能夠順利行駛，對周圍障礙物的動態信息獲取就有著很高的要求。

 

國內外很多無人駕駛汽車研究團隊都是通過分析激光傳感器數據進行動態障礙物的檢測。斯坦福大學的自主車“Junior”利用激光傳感器對跟蹤目標的運動幾何特征建模，然後用貝葉斯濾波器分別更新每個目標的狀態；卡耐基·梅隆大學的“BOSS”從激光傳感器數據中提取障礙物特征，通過關聯不同時刻的激光傳感器數據對動態障礙物進行檢測跟蹤。

 

在實際應用中，3weijiguangchuanganqiyinweishujuchuligongzuoliangjiaoda，cunzaiyigebijiaoxiaodeyanshi
，zhezaiyidingchengdushangjiangdilewurenjiashiqicheduidongtaizhangaiwudefanyingnengli，tebieshiwurenjiashiqicheqianfangquyudeyundongzhangaiwu，duiqianquanxingshigouchenglehendadeweixie；而普通的四線激光傳感器雖然數據處理速度較快
，但是探測範圍較小，一般在100◦～120◦之間
；lingwai，dangedechuanganqizaishiwaifuzahuanjingzhongyecunzaizhejiancezhunquelvbugaodexianxiang。zhenduizhexiewenti
，benwentichuyizhongliyongduojiguangchuanganqijinxingdongtaizhangaiwujiancedefangfa
，caiyong3維激光傳感器Velodyne對dui無wu人ren駕jia駛shi汽qi車che周zhou圍wei的de障zhang礙ai物wu進jin行xing檢jian測ce跟gen蹤zong，利li用yong卡ka爾er曼man濾lv波bo器qi對dui障zhang礙ai物wu的de運yun動dong狀zhuang態tai進jin行xing跟gen蹤zong與yu預yu測ce，對dui於yu無wu人ren駕jia駛shi汽qi車che前qian方fang準zhun確que性xing要yao求qiu較jiao高gao的de扇shan形xing區qu域yu，采cai用yong置zhi信xin距ju離li理li論lun融rong合heVelodyne和四線激光傳感器Ibeo數據來確定障礙物的運動信息，提高了障礙物運動狀態的檢測準確率，最終在柵格圖上不僅對無人駕駛汽車周圍的動、jingtaizhangaiwujinxingqubiebiaoshi，erqiehaigenjuronghejieguoduidongtaizhangaiwudeweizhijinxingleyanshixiuzheng，xiaochulechuanganqichulishujuyanshisuodailaideweizhipiancha。zhezhongfangfayingyongzailezizhuyanfadewurenjiashiqicheshang，zaichengshihexiangcundaoluzhongjinxingledaliangdeshicheshiyan，bingzaiguojiazirankexuejijinweijubande“中國智能車未來挑戰賽”中取得了優異成績。

 

 

四線激光傳感器Ibeo安裝於無人駕駛汽車的正前方保險杠位置，3維激光傳感器Velodyne安裝於車頂上方，它們的具體安裝位置如圖1所示。

 

圖1 傳感器Velodyne和Ibeo安裝位置

 

本文提出的無人駕駛汽車動態障礙物檢測及其表示方法流程如圖2所示。首先對Velodyneshujujinxingzhagehuachulidedaoyizhangzhangaiwuzhanyongzhagetu，duibutongshikedezhagetujinxingjuleigenzongkeyihuoquzhangaiwudedongtaixinxi，jiangdongtaidezhangaiwucongzhagetuzhongshanchubingcunchuzaidongtaizhangaiwuliebiaozhong
，zhegeshanchuledongtaizhangaiwuzhanyongxinxidezhagetuyejiushiyizhangjingtaizhangaiwuzhagetu
，ranhoujiangdongtaizhangaiwuliebiaozhongdedongtaizhangaiwuxinxiheIbeohuoqudewurenjiashiqicheqianfangquyuneidedongtaizhangaiwuxinxijinxingtongburonghededaoyigexindedongtaizhangaiwuliebiao

，zuihoujiangzhegexindeliebiaozhongdedongtaizhangaiwuhebingdaojingtaizhangaiwuzhagetuzhongdedaoyizhangdongjingtaizhangaiwuqubiebiaoshidezhagetu。

 

圖2 無人駕駛汽車動態障礙物檢測及其表示方法流程圖

 

本文創建的障礙物占用柵格圖大小為512×512
，每個柵格的大小為20cm×20cm，無人駕駛汽車車頭朝向與y軸正方向同向且位於這個柵格地圖中的(256,100)位置。柵格圖和Velodyne、Ibeo的檢測範圍關係如圖3所示。

 

圖3 柵格圖和Velodyne、Ibeo的檢測範圍關係示意圖

 

 

將激光數據柵格化的方法有很多，無人駕駛汽車領域比較成熟的3維激光傳感器數據柵格表示方法有均值高度圖和最大最小值高度圖兩種。本文采用最大最小值高度圖法對Velodyne數據進行柵格化處理，最大最小值高度圖是由Thrun教授提出的一種高度圖的變種，該方法在2007年的DARPA（美國國防部先進研究項目局）城cheng市shi挑tiao戰zhan賽sai中zhong得de到dao了le廣guang泛fan的de應ying用yong，並bing且qie取qu得de了le很hen好hao的de使shi用yong效xiao果guo。在zai最zui大da最zui小xiao值zhi高gao度du圖tu中zhong地di麵mian被bei建jian模mo為wei一yi係xi列lie的de柵zha格ge，這zhe些xie柵zha格ge僅jin包bao含han兩liang個ge值zhi：所有投影到同一柵格中的激光傳感器返回值的最大值和最小值。然後將最大值和最小值之差大於預先設定的閾值D的柵格標記為障礙物狀態；將差小於D的柵格標記為非障礙物狀態。對於一個柵格X，如果其為障礙物狀態，則設置該柵格的占用值T(X)=1；如果為非障礙物狀態，則設置為T(X)=0．圖4是用最大最小值高度圖法對一個十字路口的Velodyne數據柵格化後所得到的障礙物占用柵格圖。

 

 

對障礙物進行跟蹤之前需要對柵格地圖中的占用柵格進行聚類，本文采用的是一種區域生長聚類算法，見Function1．Addopen(X)和Addclosed(X)分別表示將柵格X添加進open列表和closed列表；Deleteopen(X)和Deleteclosed(X)分別表示將柵格X從open列表和closed列表中刪除；Newlable(X)表示給柵格X賦一個新的標示值；Copylable(X,Y)表示將柵格X的標示值賦予給柵格Y；Selectopen(X)和Selectclosed(X)分別表示從open列表和closed列表中隨機選出一個柵格X；L(X)表示柵格X是否已經被賦予了標示值，值為1表示已經被賦予
，值為0則表示沒有。

 

圖4 用最大最小值高度圖法柵格化得到的柵格圖

 

 

經過Function1，柵格地圖中設定聚類區域內的障礙物占用柵格就被聚類成一個個障礙物塊

，圖5是對道路內的障礙物占用柵格聚類得到的結果。

 

 

shouxianchuangjianyigedongtaizhangaiwuliebiaolaicunchushangmianjuleidedaodezhangaiwukuaixinxi
，bingqieshishigengxinzhexiezhangaiwukuaidegenzongjieguo。cunchuyuzhegedongtaizhangaiwuliebiaozhongdemeiyigezhangaiwukuaibaohanyixiaxinxi：編號，最新一次聚類得到時的時間、占據位置、速度大小方向和加速度大小方向
，速度協方差，加速度協方差以及存在置信度和運動置信度。

 

圖5 障礙物占用柵格聚類結果

 

對dui障zhang礙ai物wu塊kuai進jin行xing跟gen蹤zong時shi
，需xu要yao匹pi配pei當dang前qian時shi刻ke聚ju類lei得de到dao的de障zhang礙ai物wu塊kuai和he動dong態tai障zhang礙ai物wu列lie表biao中zhong存cun儲chu的de障zhang礙ai物wu塊kuai，本ben文wen采cai用yong一yi種zhong最zui大da關guan聯lian值zhi法fa對dui其qi進jin行xing匹pi配pei。對dui於yu動dong態tai障zhang礙ai物wu列lie表biao中zhong的de每mei一yi個ge障zhang礙ai物wu塊kuai和當前時刻聚類得到的每一個障礙物塊，存在一個關聯值。這個關聯值的大小與和的位置、大小、形狀有關。如圖6所示，對於每一個障礙物塊，用一個能覆蓋它的最小矩形對其進行參數化：長邊長L
，短邊長R
，中心位置O(x,y)和障礙物塊對這個矩形的占用率k。

 

顯然
，和的中心位置不能直接拿來比較
，因為對它們進行聚類的時間不同

，所以需要對的中心位置進行修正，見式(1)、(2)：

 

 

其中，和分別是7最新一次聚類得到時的時間和當前時刻
，和是在動態障礙物列表中存儲的最新速度和加速度是對的中心位置進行修正後得到的中心位置。於是，可以根據式(3)得到：

 

 

其中，a、b和c是權值，通過實驗可以得到比較合適的經驗值。

 

然後就可以得到一個如下的決策矩陣並設置一個門限關聯值：

 

 

接著從這個決策矩陣中找到最大的關聯值
，如果不小於門限值，則認為障礙物塊和成功匹配
，然後將與和相關的所有關聯值從這個決策矩陣中刪除
，得到一個新的決策矩陣如下：

 

 

再從這個新的決策矩陣中尋找最大的關聯值，依此類推
，直到找到的最大關聯值小於門限值或者決策矩陣變空為止。

 

最終的匹配結果有如下3種情況
，分別對其進行處理：

 

①存儲於動態障礙物列表中但是沒有當前聚類得到的障礙物塊與之匹配的障礙物塊，將其存在置信度減1
，其它值不變。

 

②當前聚類得到的但是沒有存儲於動態障礙物列表中的障礙物塊與之匹配的障礙物塊，將其添加進動態障礙物列表中，並將速度大小、方向和加速度大小、方向都置初值為0，速度協方差和加速度協方差都置初值為10，存在置信度置初值為10，運動置信度置初值為0。

 

③存儲於動態障礙物列表中並且有當前聚類得到的障礙物塊與之匹配的障礙物塊，將其存在置信度加1
，更新其所在位置，並根據經典卡爾曼濾波算法更新得到其速度、加速度以及速度協方差和加速度協方差．考慮到傳感器誤差，本文認為速度值小於一個較小值（比如0.5m/s）的障礙物塊是靜止或者接近於靜止的
，所以如果更新得到的速度大於這個較小值，將其運動置信度加1

，反之減1。

 

當dang然ran在zai實shi際ji操cao作zuo中zhong，動dong態tai障zhang礙ai物wu列lie表biao中zhong的de障zhang礙ai物wu塊kuai運yun動dong置zhi信xin度du和he存cun在zai置zhi信xin度du都dou設she置zhi了le上shang下xia限xian值zhi。最zui後hou將jiang動dong態tai障zhang礙ai物wu列lie表biao中zhong那na些xie存cun在zai置zhi信xin度du小xiao於yu一yi個ge設she定ding值zhi的de障zhang礙ai物wu塊kuai從cong列lie表biao中zhong刪shan除chu，因yin為wei本ben文wen認ren為wei這zhe些xie障zhang礙ai物wu塊kuai已yi經jing從cong無wu人ren駕jia駛shi汽qi車che周zhou圍wei環huan境jing中zhong消xiao失shi，這zhe樣yang還hai能neng保bao證zheng動dong態tai障zhang礙ai物wu列lie表biao中zhong的de障zhang礙ai物wu塊kuai數shu目mu不bu會hui隨sui著zhe時shi間jian累lei積ji而er無wu限xian增zeng大da。

 

 

更新完動態障礙物列表後，按照如下的Func-tion2對前麵柵格化後得到的柵格圖進行處理，可以生成一張靜態障礙物柵格圖。

 

 

 

因為四線激光傳感器Ibeo能直接輸出環境中的動態障礙物信息
，而Velodyne數shu據ju經jing過guo上shang文wen中zhong的de一yi係xi列lie處chu理li才cai能neng得de到dao環huan境jing中zhong動dong態tai障zhang礙ai物wu信xin息xi，兩liang者zhe的de數shu據ju采cai集ji和he處chu理li耗hao時shi不bu同tong，所suo以yi首shou先xian需xu要yao同tong步bu匹pi配pei兩liang者zhe的de障zhang礙ai物wu信xin息xi。

 

Ibeo輸出的動態障礙物信息是用一個個box的格式進行表示的
，每個box的參數包括邊長a、b，中心位置和速度v的大小方向，如圖7所示。

 

圖7 Ibeo輸出動態障礙物信息示意圖

 

圖8Velodyne數據和Ibeo數據同步示意圖

 

本文將box的中心位置朝其速度方向的反方向平移距離S，如圖8所示
，S的大小滿足式(4)：

 

 

其中和分別是采集處理Velodyne數據和Ibeo數據的耗時，λ是參數。

 

同步完成後,就可以匹配兩個傳感器的障礙物塊信息，本文認定，與某個box有區域重疊的障礙物塊，即和該box成功匹配
，這樣匹配的結果也有以下3種：

 

①沒有Velodyne檢測到的障礙物塊與之成功匹配的box
，不作任何處理。

 

②沒有box與之成功匹配的Velodyne檢測到的障礙物塊，如圖9中的，也不作任何處理，仍然采用Velodyne的檢測結果作為最終結果。

 

③有box與之成功匹配的Velodyne檢測到的障礙物塊，如圖9中的和，它們都需要融合Velodyne和Ibeo數據得到最終運動狀態，具體的融合方法見下節。

 

圖9 Velodyne數據和Ibeo數據匹配示意圖

 

 

同步匹配完成後，采用置信距離理論對匹配成功的兩個傳感器數據進行融合，假設和分別是Velodyne數據計算得到的運動狀態和Ibeo輸出的運動狀態，它們都服從高斯分布，某次測量它們得到的數據分別是和
，則它們的概率密度函數見式(5)、(6)：

 

 

 

最後對滿足輸出支持傳感器個數為2的傳感器數據按照式(12)進行融合，最終得到障礙物塊的運動狀態X，其中l是滿足輸出支持傳感器個數為2的傳感器個數。

 

 

融合完成後
，考慮到Velodyne數(shu)據(ju)采(cai)集(ji)處(chu)理(li)耗(hao)時(shi)，動(dong)態(tai)障(zhang)礙(ai)物(wu)的(de)占(zhan)據(ju)位(wei)置(zhi)在(zai)這(zhe)段(duan)時(shi)間(jian)內(nei)實(shi)際(ji)發(fa)生(sheng)了(le)變(bian)化(hua)，需(xu)要(yao)對(dui)這(zhe)些(xie)占(zhan)據(ju)位(wei)置(zhi)進(jin)行(xing)修(xiu)正(zheng)。修(xiu)正(zheng)方(fang)式(shi)為(wei)
，將(jiang)動(dong)態(tai)障(zhang)礙(ai)物(wu)列(lie)表(biao)中(zhong)那(na)些(xie)運(yun)動(dong)置(zhi)信(xin)度(du)大(da)於(yu)上(shang)麵(mian)設(she)定(ding)值(zhi)的(de)障(zhang)礙(ai)物(wu)塊(kuai)的(de)所(suo)有(you)占(zhan)據(ju)位(wei)置(zhi)朝(chao)其(qi)速(su)度(du)方(fang)向(xiang)平(ping)移(yi)距(ju)離(li)S′
，如圖10所示
，S′的大小滿足式(13)，其中v′是經過融合後的障礙物塊運動速度．這些經過融合、修正後的障礙物塊信息都更新存儲在動態障礙物列表中。

 

 

圖10 動態障礙物位置修正示意圖

 

 

經過上麵的步驟，得到了一個融合了Velodyne數據計算結果和Ibeo輸(shu)出(chu)結(jie)果(guo)的(de)動(dong)態(tai)障(zhang)礙(ai)物(wu)列(lie)表(biao)以(yi)及(ji)一(yi)張(zhang)靜(jing)態(tai)障(zhang)礙(ai)物(wu)占(zhan)用(yong)柵(zha)格(ge)圖(tu)。在(zai)本(ben)文(wen)中(zhong)，障(zhang)礙(ai)物(wu)占(zhan)用(yong)柵(zha)格(ge)圖(tu)作(zuo)為(wei)無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)描(miao)述(shu)周(zhou)圍(wei)環(huan)境(jing)的(de)唯(wei)一(yi)方(fang)式(shi)
，最(zui)後(hou)還(hai)要(yao)將(jiang)動(dong)態(tai)障(zhang)礙(ai)物(wu)的(de)占(zhan)用(yong)信(xin)息(xi)添(tian)加(jia)進(jin)來(lai)，參(can)見(jian)Function3duijingtaizhangaiwuzhanyongzhagetujinxingchulijikededaozuizhongdezhangaiwuzhanyongzhagetu。zuizhongdedaodezhezhangzhangaiwuzhanyongzhagetuzhongbujinjiangdongjingtaizhangaiwujinxinglequbiebiaoshi（靜態障礙物占用柵格標示為T=1
，動態障礙物占用柵格標示為T=2）
，實現了動靜態障礙物的分割
，而且消除了傳感器處理數據延時所帶來的動態障礙物位置偏差，更準確地對環境信息進行了描述。

 

 

 

 

本方法被應用到自主研發的無人駕駛汽車“智能先鋒”號上，在一個開放的城區環境中進行了大量的實車測試，如圖11所示。這個開放的城區環境南北長6800m，東西長2600m，其中存在著大量的機動車、非機動車以及行人，在這個真實駕駛環境的區域內測試了無人車對各種類型的動態障礙物的檢測性能。

 

圖11 無人駕駛汽車實車測試區域

 

另外，應用該方法的無人駕駛汽車參加了由國家自然科學基金委主辦的“中國智能車未來挑戰賽”
，並取得了優異的成績，見圖12。

 

 

圖12“智能先鋒”號在2012年“中國智能車未來挑戰賽”上成功檢測到運動車輛並完成超車

 

 

在實驗和比賽中
，“智能先鋒”號的一些參數設置如表1所示。

 

 

“智能先鋒”號用Velodyne和Ibeo對環境中的動靜態障礙物進行檢測，然後將檢測到的結果表示在障礙物占用柵格地圖上，如圖13suoshi，heisefangkuangweigenjubenchexingshizhuangtaiyuhuanjingxinxizishiyingshedingdejuleiquyu，jinrudaozhegeheisefangkuangneidedongtaizhangaiwudoubeichenggongjiancedao
，bingqubieyuqitadejingtaizhangaiwubiaoshizaizhagetushang
，zhelianggeyundongmubiaodejiancejieguoheshijijieguoduibirubiao2所示。

 

圖13 檢測到動態障礙物並表示在柵格圖上

 

 

表2顯示編號為0#的運動目標無論是速度大小

還是速度方向，其誤差都小於編號為2#的運動目標，因為0#運動目標正好處於Ibeo的檢測範圍內，其運動狀態信息是融合了Velodyne和Ibeo的數據，而2#的狀態信息隻來自Velodyne的數據處理結果。為了得到這兩種結果準確率之間具體差異，對一輛基本保持速度大小為30km/h、航向為180◦（正南方向）的車輛分別用這兩種方式進行檢測，並且在實驗中
，讓“智能先鋒”按照S形路線行駛
，以測試無人駕駛汽車與目標障礙物運動方向在不同夾角下的檢測穩定性，結果見圖14和圖15。

 

圖14 兩種檢測方式得到的速度大小對比圖

 

圖15 兩種檢測方式得到的速度方向對比圖

 

結果顯示，采用融合Velodyne和Ibeo信息得到運動目標狀態的方式相比於隻用Velodyne處理結果的方式，檢測結果的準確率和穩定性都得到了較大的提升．本(ben)方(fang)法(fa)對(dui)無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)前(qian)方(fang)關(guan)鍵(jian)區(qu)域(yu)采(cai)用(yong)前(qian)者(zhe)方(fang)式(shi)進(jin)行(xing)動(dong)態(tai)障(zhang)礙(ai)物(wu)檢(jian)測(ce)，對(dui)其(qi)它(ta)區(qu)域(yu)采(cai)用(yong)後(hou)者(zhe)方(fang)式(shi)進(jin)行(xing)檢(jian)測(ce)
，既(ji)合(he)理(li)地(di)對(dui)傳(chuan)感(gan)器(qi)進(jin)行(xing)了(le)配(pei)置(zhi)，又(you)保(bao)證(zheng)了(le)無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)行(xing)駛(shi)的(de)安(an)全(quan)性(xing)。

 

 

本文提出的應用於無人駕駛汽車的動態障礙物檢測及其表示方法
，對傳感器進行了合理配置

，采用3維激光傳感器Velodyne檢測大範圍環境中的動態障礙物信息，對於無人駕駛汽車前方關鍵區域，采用置信距離理論融合四線激光雷達Ibeo數據和Velodyne檢(jian)測(ce)結(jie)果(guo)來(lai)提(ti)高(gao)檢(jian)測(ce)準(zhun)確(que)率(lv)，並(bing)且(qie)根(gen)據(ju)障(zhang)礙(ai)物(wu)的(de)運(yun)動(dong)狀(zhuang)態(tai)消(xiao)除(chu)傳(chuan)感(gan)器(qi)數(shu)據(ju)處(chu)理(li)延(yan)時(shi)所(suo)帶(dai)來(lai)的(de)障(zhang)礙(ai)物(wu)位(wei)置(zhi)誤(wu)差(cha)，最(zui)終(zhong)將(jiang)動(dong)態(tai)障(zhang)礙(ai)物(wu)和(he)靜(jing)態(tai)障(zhang)礙(ai)物(wu)區(qu)別(bie)標(biao)示(shi)於(yu)障(zhang)礙(ai)物(wu)占(zhan)用(yong)柵(zha)格(ge)圖(tu)上(shang)。大(da)量(liang)的(de)實(shi)驗(yan)以(yi)及(ji)自(zi)主(zhu)研(yan)發(fa)的(de)無(wu)人(ren)駕(jia)駛(shi)汽(qi)車(che)在(zai)“中國智能車未來挑戰賽”中(zhong)的(de)優(you)異(yi)表(biao)現(xian)證(zheng)明(ming)了(le)本(ben)方(fang)法(fa)的(de)可(ke)靠(kao)性(xing)。但(dan)是(shi)由(you)於(yu)傳(chuan)感(gan)器(qi)自(zi)身(shen)的(de)局(ju)限(xian)性(xing)，在(zai)極(ji)其(qi)複(fu)雜(za)的(de)城(cheng)市(shi)環(huan)境(jing)中(zhong)，現(xian)有(you)的(de)檢(jian)測(ce)準(zhun)確(que)率(lv)仍(reng)然(ran)難(nan)以(yi)滿(man)足(zu)要(yao)求(qiu)，怎(zen)樣(yang)對(dui)傳(chuan)感(gan)器(qi)進(jin)行(xing)更(geng)合(he)理(li)的(de)配(pei)置(zhi)以(yi)及(ji)提(ti)升(sheng)檢(jian)測(ce)算(suan)法(fa)的(de)有(you)效(xiao)性(xing)來(lai)進(jin)一(yi)步(bu)提(ti)高(gao)動(dong)態(tai)障(zhang)礙(ai)物(wu)檢(jian)測(ce)準(zhun)確(que)率(lv)是(shi)下(xia)一(yi)步(bu)研(yan)究(jiu)的(de)重(zhong)點(dian)。