基于三維激光雷達的動態(tài)車輛檢測與跟蹤.pdf

1、物體檢測與跟蹤是移動機器人領(lǐng)域中的核心問題之一。作為物體檢測與跟蹤的重要組成部分，動態(tài)車輛檢測與跟蹤對自主車環(huán)境感知能力的提高有重要作用。本文以自主車在城市環(huán)境中自主導(dǎo)航為背景，重點研究了基于三維激光雷達的動態(tài)車輛檢測與跟蹤問題。論文的主要成果和創(chuàng)新點如下：
　　(1)提出了兩種新的地面分割算法對各種地形的三維激光雷達數(shù)據(jù)進行分割，分別是：基于區(qū)域高斯過程回歸的地面分割算法和基于分塊遞歸高斯過程回歸的實時地面分割算法?；趨^(qū)域高斯

2、過程回歸的地面分割算法主要應(yīng)用于三維笛卡爾坐標柵格地圖，該算法使用帶有稀疏協(xié)方差函數(shù)的二維高斯過程回歸直接對所有柵格單元中高度最低的三維點進行地面建模。在公開的波士頓數(shù)據(jù)庫上，該算法地面分割的準確率達到97.90％。基于分塊遞歸高斯過程回歸的實時地面分割算法將在三維笛卡爾坐標柵格地圖中復(fù)雜的、大尺度的二維地面分割問題分解為極坐標柵格地圖中的多個低復(fù)雜度的一維回歸問題，對于極坐標柵格地圖的每個扇形塊，分別采用帶有非靜態(tài)協(xié)方差函數(shù)的一維遞歸

3、高斯過程回歸算法對相應(yīng)區(qū)域內(nèi)的局部地面進行建模。在同樣的數(shù)據(jù)庫上該算法的準確率為97.67%，同時還能夠滿足自主車所必須的實時性要求。
　　(2)提出了一種基于迭代高斯過程回歸的道路邊界檢測算法來獲取自主車的感興趣區(qū)域。該算法以三維激光雷達的每一條掃描線為處理單元提取其中的特征點，然后采用迭代高斯過程回歸算法根據(jù)提取的特征點自動對直線或曲線道路邊界進行建模。本文提出的道路邊界檢測算法在滿足檢測精度的情況下能夠檢測到離自主車50米遠

4、的道路邊界。為了定量地驗證該道路邊界檢測算法的性能，本文手工標記了一個基于三維激光雷達的道路邊界數(shù)據(jù)庫。在該數(shù)據(jù)庫上使用本文提出的基于迭代高斯過程回歸的道路邊界檢測算法，左右道路邊界的正檢率分別達到78.74%和81.96%。
　　(3)提出了一種新的全局柱坐標直方圖特征用于在城市環(huán)境進行車輛識別。該特征以感興趣區(qū)域內(nèi)每個物體的中心為原點，通過引入全局坐標系來克服物體繞z軸旋轉(zhuǎn)的不變性，并將柱形支持域內(nèi)的所有三維點按其柱坐標進行劃

5、分，構(gòu)建三維直方圖。在悉尼城市物體數(shù)據(jù)庫和我們整理、標記的數(shù)據(jù)集上進行車輛識別的ROC曲線驗證了新的全局柱坐標直方圖特征在車輛識別上的優(yōu)異性能。
　　(4)提出了一種新的基于似然場模型的動態(tài)車輛檢測與跟蹤算法。該算法首先使用我們提出的基于似然場的車輛觀測模型結(jié)合改進的Scaling Series算法來估計感興趣區(qū)域內(nèi)各個車輛的初始姿態(tài)。在動態(tài)車輛檢測階段，本文改進了一種基于二維虛擬幀的三維激光雷達數(shù)據(jù)表示方式，采用該表示方式的動態(tài)

6、車輛檢測算法能夠檢測到感興趣區(qū)域內(nèi)在M平面完全被其它物體遮擋，但仍能夠被三維激光雷達感知到的動態(tài)車輛；在跟蹤階段，本文提出了一種新的基于貝葉斯濾波器的變尺寸車輛跟蹤算法，由于引入了不動點，該跟蹤算法不僅能在動態(tài)背景場景中更新目標車輛的姿態(tài)和速度，而且能夠在跟蹤過程中根據(jù)所關(guān)聯(lián)的觀測數(shù)據(jù)自動更新目標車輛的尺寸。在公開的KITTI數(shù)據(jù)庫和在城市、高速公路環(huán)境采集的激光雷達數(shù)據(jù)上的定量和定性實驗都驗證了本文提出的動態(tài)車輛檢測與跟蹤算法的性能。