基于激光雷达的智能车辆目标识别与跟踪关键技术研究

智能车辆（Intelligent Vehicle, IV）是智能交通系统（Intelligent TransportSystem, ITS）的重要组成部分，环境感知系统在智能车辆体系结构中所诠释的是一个“基石”的角色，它为实现车辆的运动控制提供必要的信息，环境感知系统性能的优劣直接关系到智能车辆能否安全行驶。 障碍物检测与运动目标跟踪是智能车辆动态环境感知中的关键问题之一，论文以激光雷达作为传感器，对该问题展开了研究，主要内容如下： （1）针对结构化道路环境，采用基于特征的方法识别环境中的车辆目标。针对激光雷达采集到的车辆目标深度信息的特点，提出了一种基于距离的自适应聚类方法，距离阈值可根据目标车辆与本车的相对距离和方位自动调整，提高了聚类分析的准确性。实验结果表明，与基于固定距离阈值的聚类算法相比，采用本论文提出的自适应距离阈值的聚类方法能够更加准确的识别出车辆目标，为后续的车辆目标跟踪奠定了良好的基础。 （2）针对城市道路的复杂性，分别建立了基于贝叶斯框架和证据理论的栅格地图，用以识别道路上各类动态和静态障碍物。针对大部分研究者所采用的基于极坐标系的逆传感器模型存在的问题，提出了一种基于直角坐标系的逆传感器模型。相对于极坐标系中的逆传感器模型，利用本论文提出的逆传感器模型生成的局部栅格地图与全局栅格地图融合时，无需通过二次插值进行坐标转换，提高了转换的精度和速度。 （3）针对贝叶斯框架和证据理论中不同的栅格地图更新算法，提出了不同的运动目标检测方法，并利用仿真和实验对各种方法的性能进行了对比。仿真和实验结果表明，采用原始的贝叶斯推理算法和Dempster融合规则更新栅格地图，有效地滤除了静态障碍物中的测量噪声，并减少了虚假运动目标。通过考虑t时刻的局部栅格地图和t-1时刻的全局栅格地图的不一致性，利用上述两种推理算法清晰、完整地检测到了环境中的运动目标。而采用DSmT框架中的PCR规则和修正的贝叶斯推理算法，未能滤除静态障碍物和空白区域中的噪声，对运动目标的检测不完整。对检测到的运动目标通过数字图像处理技术进行提取，进而根据提取到的目标的宽度采用模糊逻辑算法对目标分类。 （4）识别出环境中的运动目标后，对运动目标进行跟踪。针对现有的确定性目标关联算法在自主驾驶系统的目标跟踪应用中存在的问题，对算法进行了改进，使之能够对不确定数目的目标进行关联，并提高了关联的准确性。所做改进主要包括两个方面：1）为使关联算法满足道路上的目标数目不断变化的实际情况，以局部优化代替全局优化，再辅以合适的跟踪器管理策略，能够实时地增加和删除跟踪器，对不确定数目的目标进行跟踪；2）考虑到道路上的运动目标可能出现暂时的静止状态，在定义代价方程方面，以最近邻法作为目标的运动约束。为提高关联的准确性，除运动信息外，在代价方程中同时考虑目标的其他特征属性。 （5）在对栅格地图中识别出的各种目标的跟踪仿真中，为提高关联的准确性，定义代价方程时同时考虑了目标的类别属性和运动属性。利用DSmT证据理论中的PCR规则对目标类别属性进行融合和更新，并通过pignistic概率计算由类别属性确定的目标间的偏差。仿真结果显示，在关联中考虑目标的类别属性，可以大大提高关联的准确性，同时也说明，在高冲突情况下PCR规则能够产生可靠的融合结果。 （6）在结构化道路上的车辆目标跟踪实验中，提出了一种跟踪器管理策略。该策略与改进后的确定性目标关联算法相结合，实现了对数量变化的多个目标的有效跟踪。在考察的连续跟踪、目标减少、目标增加和目标短暂遮挡四种实际路况下，本论文提出的跟踪方法显示的雷达跟踪均与摄像头拍摄的实际过程吻合，证实了该跟踪方法在实际应用过程中的可行性。