论文部分内容阅读
对于先进驾驶辅助系统或者无人驾驶汽车来说,感知或者理解车辆周围的环境是非常重要的环节。判断车辆周围障碍物的动静态属性是至关重要的。广泛来说,环境感知包括:获取静态障碍物的相对位置,获取主车在地图中的位置,探测动态障碍物并获取相关属性(位置,速度,运动方向等)。本文主要研究智能车辆近场物体的探测及其状态识别方法。主要解决了近场物体探测,目标运动状态识别,搭建实车实验平台及仿真实验平台与算法验证:1、研究了采用多个单线激光雷达进行近场环境感知中的障碍物探测问题,介绍了障碍物检测中常用的聚类分析算法,对比分析了DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声应用的基于密度的空间聚类)算法,K-means算法以及ABD(Adoptive Breakpoint Detection,自适应距离阈值)算法。然后介绍了多传感器数据融合的基本理论,融合框架,融合等级和融合算法。最后进行了方案选择,为了提高障碍物检测的准确性,本文提出的障碍物检测算法是采用雷达数据的矢径长度,矢径长度变化率以及雷达数据编号进行聚类,通过三个不同的物理量来区分出不同的物体,使得探测结果更加准确,而且还能分辨出障碍物的动静态属性。在聚类过程中采用了标准化欧氏距离来统一这三个不同的物理量。这种障碍物检测算法不仅可以用于单线激光雷达,还可以用于多线激光雷达。然后提出了本文基于特征级多传感器数据融合算法的障碍物探测架构。2、研究了动态障碍物的目标运动状态估计问题,介绍了跟踪门的概念以及常用的两种跟踪门、矩形跟踪门、椭圆形跟踪门。然后介绍了最近邻法、概率数据关联法、联合概率数据关联法和多假设跟踪法四种数据关联算法,卡尔曼滤波、α-β滤波和粒子滤波三种滤波估计算法以及匀速模型、匀加速模型、Singer模型以及“当前”统计模型四种运动模型。最后进行了方案选择:出于对实时性的考虑,选择了矩形跟踪门和最近邻法对目标进行关联匹配,然后通过建立基于“当前”统计模型的自适应卡尔曼滤波算法来对目标运动状态进行估计。3、搭建了近场物体探测及其运动状态识别的仿真和实验平台。采用CARSIM-SIMULINK联合仿真对目标运动状态识别算法进行仿真验证。然后用搭载了四个HOKUYO-UTM-30LX单线激光雷达的奥迪Q5智能车进行了实车实验验证,对近场障碍物探测算法和目标运动状态估计算法进行了验证。经过20次实车实验表明本文提出的近场障碍探测算法对动态障碍物检测的准确率可以达到100%,对静态障碍物的检测的准确率可以达到90%左右。基于“当前”统计模型的自适应卡尔曼滤波算法对实际道路上行驶的汽车能够很好的估计其位置,速度以及加速度。