- 研究背景和意义
自动驾驶，一项新兴技术，在我国兴起。而作为自动驾驶环境感知的重要手段，激光雷达传感器与摄像头、毫米波雷达一起构成高度自动驾驶的“眼睛”。由于摄像头检测环境会被光线极大的影响，测出的结果往往随着环境改变而产生较大的变化，且对摄像头拍摄的图像进行处理时，处理工作往往是巨大而繁琐的；而激光雷达可轻松检测出路面障碍物的高度，距离等因素且激光雷达比起其他的传感器来说，其检测精度更加精准，数据处理也更为方便。因此，激光雷达势必成为智能车自动行驶不可缺少的配件。
-
国内外研究现状
- 国内研究
西南交通大学电气工程学院的王涛，曾文浩，于琪[1]在障碍物聚类中，对于传统的DBSCAN聚类算法进行改进，提出了“椭球搜索”和自适应搜索半径，使其阈值的选择在同一物体表面内随着离激光雷达原点距离以及角分辨率而变化。基于代表对象法，将原始的聚类算法速度提升，选取了核心领域内具有代表性的点作为代表点，而将被选择两次的代表点只添加一次，则可提高聚类速度。采用了多特征如障碍物的位置特征和几何特征，提高了关联的可靠性。采用加权的最小二乘法对障碍物的速度进行预测并采用线性滤波算法对障碍物位置进行预测，实现多目标跟踪。对于传统DBSCAN聚类方法，本次改进使得聚类方法在时间与效果上都得到了提升。而且对于动态的障碍物检测更为稳定。
吉林大学的文龙[2]基于畸变校正算法，将变形点的坐标进行转换，使得点云数据失真减少。虽然畸变校正算法的计算量少，速度快，但是面对车辆转弯时，其效果会减弱。此次的聚类算法是基于传统的欧式聚类算法而改进的，传统的欧式聚类算法是通过计算每个数据点与相邻点之间的欧氏距离，将设定的阈值与欧氏距离相比较而完成的聚类算法；此次改进将检测距离与距离阈值相关联，通过公式获取动态距离阈值，解决密度不均匀的问题。文龙将激光强度加入相似度计算方程以保证算法的实时性、可靠性与灵活性。
山东理工大学的王旭[3]基于欧式聚类方法对障碍物进行聚类，为了提高聚类的准确性，王旭根据点云到激光雷达距离的不同而划分阈值，15m以内的聚类半径为0.5m，15-30m内的聚类半径设为1m，30-45m的聚类半径设为2.5m，并忽略100m以外的点云；根据距离不同而完成聚类算法。对聚类方法提供了更为精准，迅速，简便的方法。
浙江大学的林辉[4]基于去畸变点云多帧融合的障碍物检测算法获得聚类结果。林辉采用了三个激光雷达传感器，通过每个栅格内点云的高度差是否大于阈值来判断此点为障碍物或是地面；继而统计出数据中的点云高度分布直方图，通过分析高度分布直方图而判定其为正障碍物还是悬空障碍物。林辉通过分析不同类别障碍物的空间分布特点在栅格属性地图中对每个栅格进行属性标记，进而获得障碍物的分布。此类算法计算耗时少且实时性强。
江苏大学的娄新雨[5]提出基于距离阈值的动态网格聚类方法，首先将栅格地图中的障碍物使用形态学膨胀操作，运用公式算出两栅格连线与激光雷达x轴的夹角，聚类阈值的计算公式为式中r为栅格与激光雷达的距离，表示雷达的水平角分辨率。从所有障碍物栅格中任选一点为中心点，计算其他栅格点与此中心点距离是否在聚类阈值内，由此对障碍物进行聚类。这种聚类方法可聚类离激光雷达较远的障碍物，且能反应障碍物的轮廓与形状特征。
北京工业大学北京市交通工程重点实验室的段建民，李龙杰及郑凯华[6]提出了改进的DBSCAN算法对于激光雷达数据进行聚类。通过一维核密度估计方法对雷达的数据进行统计分析，而不同的维度则进行密度估计，结合4-dist提取峰值附近的加权欧式距离，来解决传统DBSCAN算法的全局单一参数问题；为了解决传统DBSCAN算法只能对单一密度区域进行聚类的问题，其根据数据特征自适应的对参数Eps以及Min Pts进行调整。
南京理工大学的史鹏波[7]提出基于高程栅格地图的障碍物检测；根据直方图提取出道路区域的灰度范围，再根据灰度范围进行阈值分割获得障碍物区域。进行障碍物边缘提取时，将其对障碍物的描述转换成对其相应轮廓线的描述，从而便于目标识别与检测；采用基于Freeman链码的轮廓跟踪算法来提取障碍物轮廓，其具备存储空间小，带有方向信息等优点，为了避免轮廓点重复被检测而导致的计算错误，史鹏波对于链码的初始结果进一步的改进，使其避免计算重复轮廓点，从而得到更准确的障碍物有效信息。
湖南大学的杨慧林[8]基于改进DBSCAN算法对于障碍物进行检测。为了解决传统DBSCAN算法固定参数的弊端，杨慧林参考了动态近邻的概念，即离数据点最近的数据点随着局部密度变化而变化，取用随密度动态变化的聚类参数取代DBSCAN算法中的单一密度参数，并运用近邻规模演化算法调整动态参数。杨慧林忽略障碍物形状特征，利用最小凸包法结合外接矩形遍历法，获得了目标的最小外接矩形框，进而提取出目标的方向信息。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
