188bet体育t_188bet投注网站

科学的规划

1875 - 919 x 1058 - 9244

印地语

10.1155 / 2018/6385104

6385104

研究文章

基于64线激光雷达的智能车辆道路障碍物检测算法

http://orcid.org/0000-0002-9136-8091 王海 ¹ ²

卢鑫 ¹

http://orcid.org/0000-0002-0633-9887 蔡公司以 ^3.

http://orcid.org/0000-0002-2079-3867 程ydF4y2Ba

长的

^3.

努涅斯·瓦尔德斯爱德华·罗兰多

^{1

汽车工程学会

江苏大学

镇江212013

中国

ujs.edu.cn} ^{2

机器人与自动化实验室

香港大学

博克富林

香港

香港大学} ^{3.

汽车与交通工程学院

江苏大学

镇江212013

中国

ujs.edu.cn}

2018

21 11 2018

2018 16 08 2018 04 11 2018 21 11 2018

这是一篇在知识共享署名许可下发布的开放存取的文章，它允许在任何媒体上无限制地使用、传播和复制，只要原始作品被适当地引用。

基于64线激光雷达传感器，提出了一种既有效又实时的目标检测与分类算法。首先，采用多特征多层激光雷达点图对道路、障碍物和悬架物体进行分离;然后，采用带动态距离阈值的网格聚类算法对障碍物网格进行聚类。然后结合相邻两帧的运动状态信息对聚类结果进行校正。最后，利用SVM分类器根据聚类目标的位置和姿态特征对障碍物进行分类。实验证明该算法具有良好的准确性和实时性，能够满足智能车辆的实时性要求。国家重点研发计划项目 2018年yfb0105003 中国国家自然科学基金 U1764264 61601203 U1664258 U1764257 61773184 江苏省自然科学基金资助项目 BK20180100 江苏省重点研究开发项目 BE2016149 江苏省战略性新兴产业发展重点项目 2016-1094 2015 - 1084 镇江市重点研发项目 GY2017006 1.介绍</tgydF4y2Baitle> <p>道路目标检测与分类是无人驾驶车辆安全行驶的重要组成部分，特别是在复杂的城市道路上[<xrgydF4y2Baef ref-type="bibr" rid="B1"> 1</xrgydF4y2Baef>]。在众多传感器中，64线激光雷达由于其高分辨率和高精度而受到研究人员和工业开发人员的广泛关注。与视觉和毫米波雷达不同，64线激光雷达需要处理的数据量要大得多，在10秒时每秒超过100万个3D点 Hz频率，因此对环境传感算法的实时性能有严格的要求。</gydF4y2Bap> <p>主流的点云数据处理方法有两种，一种是直接基于点云的处理[<xrgydF4y2Baef ref-type="bibr" rid="B2"> 2</xrgydF4y2Baef>，<xrgydF4y2Baef ref-type="bibr" rid="B3"> 3.</xrgydF4y2Baef>]，另一种基于网格地图[<xrgydF4y2Baef ref-type="bibr" rid="B4"> 4</xrgydF4y2Baef>- - - - - -<xrgydF4y2Baef ref-type="bibr" rid="B6"> 6</xrgydF4y2Baef>]前者需要对每个激光点进行处理和分类，这非常耗时，而后者则将三维激光点转移到多个二维网格上，然后对新生成的网格进行分类，这可以大大降低分类计算成本。传统的网格地图构建方法包含以下几种类型：作为平均高度图[<xrgydF4y2Baef ref-type="bibr" rid="B7"> 7</xrgydF4y2Baef>]、最高高度图及最低高度图[<xrgydF4y2Baef ref-type="bibr" rid="B8"> 8</xrgydF4y2Baef>］.但是，使用单一阈值的方法很难区分不同高度和形状的障碍物[<xrgydF4y2Baef ref-type="bibr" rid="B9"> 9</xrgydF4y2Baef>，<xrgydF4y2Baef ref-type="bibr" rid="B10"> 10</xrgydF4y2Baef>］.例如，他们不能区分斜坡、低障碍和路边，他们经常认为悬挂的物体是障碍，如高于车辆高度的树枝。</gydF4y2Bap> <p>在激光点聚类中，现有的聚类算法如K-means聚类、密度聚类[<xrgydF4y2Baef ref-type="bibr" rid="B11"> 11</xrgydF4y2Baef>，<xrgydF4y2Baef ref-type="bibr" rid="B12"> 12</xrgydF4y2Baef>，分层聚类[<xrgydF4y2Baef ref-type="bibr" rid="B13"> 13</xrgydF4y2Baef>，<xrgydF4y2Baef ref-type="bibr" rid="B14"> 14</xrgydF4y2Baef>是O(m)， O(m)<gydF4y2Basup>2</gydF4y2Basup>)和O (m<gydF4y2Basup>2</gydF4y2Basup>日志<gydF4y2Baitalic> 米</gydF4y2Baitalic>)，它直接与点数相关<gydF4y2Baitalic> 米</gydF4y2Baitalic>．上述聚类算法会增加计算时间，难以满足无人驾驶车辆的实时性要求。</gydF4y2Bap> <p>动态环境下的障碍物目标分类对无人驾驶车辆的路径规划和行为预测也非常重要。在[<xrgydF4y2Baef ref-type="bibr" rid="B15"> 15</xrgydF4y2Baef>]，将激光雷达获取的点云投影到网格上，通过全局最近邻(GNN)进行聚类，并对每个候选点云计算特征向量，采用基于径向基函数核的支持向量机(SVM)进行分类。在[<xrgydF4y2Baef ref-type="bibr" rid="B16"> 16</xrgydF4y2Baef>]，车辆和行人使用高斯混合模型分类器(GMM分类器)进行分类。在[<xrgydF4y2Baef ref-type="bibr" rid="B17"> 17</xrgydF4y2Baef>]，将点云投影到二维网格上，利用RPN网络提取网格地图中包络矩形块的特征并进行分类。在[<xrgydF4y2Baef ref-type="bibr" rid="B18"> 18</xrgydF4y2Baef>]，支持向量机结合反射强度概率分布、纵向高度等值线分布、位置与姿态相关特征对激光雷达点云特征进行分类。文献[<xrgydF4y2Baef ref-type="bibr" rid="B19"> 19</xrgydF4y2Baef>]结合点云的基本特征和上下文语义环境，构造点云的原始特征向量和扩展特征向量，并利用支持向量机进行目标识别。</gydF4y2Bap> <p>本文提出了一种既有效又实时的目标检测与分类算法。该算法利用多特征多层高程图分离道路、障碍物和悬架物体。然后，采用带动态距离阈值的网格聚类算法对障碍物网格进行聚类。然后结合相邻两帧的运动状态信息对聚类结果进行校正。最后，利用SVM分类器根据聚类目标的位置和姿态特征对障碍物进行分类。</gydF4y2Bap> </sec> <sec id="sec2"> <title>2.网格地图建设</tgydF4y2Baitle> <p>本文采用多特征多级高度图提取激光雷达点云数据。多功能多级高度图是一种基于多尺度高度图的变体，该高度图将车辆周围空间划分为三层。第一层是路面层，表示车辆能够行驶的路面。第二层是障碍物层，包括各种障碍物，如车辆、行人、建筑物、交通标志、树木等。最后一层是悬挂物体层，表示高度大于车辆安全高度且不会影响车辆行驶但被激光雷达检测到的障碍物。算法流程如图所示<xrgydF4y2Baef ref-type="fig" rid="fig1"> 1</xrgydF4y2Baef>．</gydF4y2Bap> <fig id="fig1"> <label>图1</gydF4y2Balabel> <p>多特征多层高程图构建流程图。</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.001"></graphic> </fig> <sec id="sec2.1"> <title>2．1．网格点云分割</tgydF4y2Baitle> <p>将位于同一网格内的激光点按高度从小到大排序，得到数据点列表。设置两点间隔高度阈值为<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M1"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mtext> t</米米l:mtext> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>．当上点与下点的间距大于间距高度阈值时，这两个点属于不同的平面块。重复这个过程，遍历整个网格地图，形成所有的平面块<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M2"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> P</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>．对于网格中有几个激光点的每个平面块，它包含五个特征:最大高度<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M3"> <mml:mrow> <mml:mtext> 马克斯</米米l:mtext> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>，最低高度<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M4"> <mml:mrow> <mml:mtext> 最小值</米米l:mtext> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>，平均高度<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M5"> <mml:mrow> <mml:mtext> 的意思是</米米l:mtext> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>,强度的意思是<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M6"> <mml:mrow> <mml:mtext> 的意思是</米米l:mtext> <mml:msub> <mml:mrow> <mml:mi> 我</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>，强度方差<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M7"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> σ</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>．其中，最大高度、最小高度和平均高度表征了平面块内点云的几何特征，其他两个则反映了点云的反射强度特征。</gydF4y2Bap> </sec> <sec id="sec2.2"> <title>2．2．路面层检测</tgydF4y2Baitle> <p>与大多数算法只使用高度特征进行路面层分割不同，本文同时使用了点云的高度信息和强度信息。</gydF4y2Bap> <sec id="sec2.2.1"> <title>2.2.1。高度信息</tgydF4y2Baitle> <p>采用平面块体高度的最大值和最小值作为路面分类特征。由于激光雷达标定存在误差，采用两步法对地面层进行判断。</gydF4y2Bap> <p>对于每个平面块<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M8"> <mml:mi> H</米米l:mi> </mml:math> </inline-formula>，<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M9"> <mml:mrow> <mml:mi> Δ</米米l:mi> <mml:mi> H</米米l:mi> <mml:mo> ＝</米米l:mo> <mml:mtext> 马克斯</米米l:mtext> <mml:mi> H</米米l:mi> <mml:mo> −</米米l:mo> <mml:mtext> 最小值</米米l:mtext> <mml:mi> H</米米l:mi> </mml:mrow> </mml:math> </inline-formula>. 如果<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M10"> <mml:mrow> <mml:mi> Δ</米米l:mi> <mml:mi> H</米米l:mi> <mml:mo> ></米米l:mo> <mml:mi> b</米米l:mi> </mml:mrow> </mml:math> </inline-formula>时，此平面障碍物视为障碍物。如果<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M11"> <mml:mrow> <mml:mi> Δ</米米l:mi> <mml:mi> H</米米l:mi> <mml:mo> <</米米l:mo> <mml:mi> 一个</米米l:mi> </mml:mrow> </mml:math> </inline-formula>，该平面块被认为是路面平面。如果<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M12"> <mml:mrow> <mml:mi> 一个</米米l:mi> <mml:mo> <</米米l:mo> <mml:mi> Δ</米米l:mi> <mml:mi> H</米米l:mi> <mml:mo> <</米米l:mo> <mml:mi> b</米米l:mi> </mml:mrow> </mml:math> </inline-formula>，因为仅仅依靠高度特征很难确定平面块体是障碍物还是人行道。在这里,<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M13"> <mml:mi> 一个</米米l:mi> </mml:math> </inline-formula>和<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M14"> <mml:mi> b</米米l:mi> </mml:math> </inline-formula>是一个门槛<gydF4y2Baitalic> 一个</gydF4y2Baitalic>会更小<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M15"> <mml:mi> b</米米l:mi> </mml:math> </inline-formula>将会更大。</gydF4y2Bap> </sec> <sec id="sec2.2.2"> <title>2.２.２.强度信息</tgydF4y2Baitle> <p>当<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M16"> <mml:mrow> <mml:mi> 一个</米米l:mi> <mml:mo> <</米米l:mo> <mml:mi> Δ</米米l:mi> <mml:mi> H</米米l:mi> <mml:mo> <</米米l:mo> <mml:mi> b</米米l:mi> </mml:mrow> </mml:math> </inline-formula>时，该块可能是坡度较大的道路，也可能是垂直高度较小的物体，因此需要强度信息进行进一步判断。</gydF4y2Bap> <p>激光雷达回波的强度值在0到255之间。在这里，我们取大量的样本，计算它们的强度值。本文得到200辆汽车、200名行人与沥青、水泥路面的激光雷达强度值概率分布曲线如图所示<xrgydF4y2Baef ref-type="fig" rid="fig2"> 2</xrgydF4y2Baef>．可以看出，无论是车辆还是行人，由于其表面材质和颜色往往不均匀，其强度差异较大。另一方面，路面性质比较均匀，强度分布比较规律，方差较小。在此基础上，如果块的强度方差小于方差阈值<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M17"> <mml:mrow> <mml:mtext> 变量</米米l:mtext> <mml:msub> <mml:mrow> <mml:mi> 我</米米l:mi> </mml:mrow> <mml:mrow> <mml:mtext> t</米米l:mtext> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>时，该块将被视为路面平面，否则将被视为障碍物。</gydF4y2Bap> <fig id="fig2"> <label>图2</gydF4y2Balabel> <p>典型目标返回点强度的概率分布图。</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.002"></graphic> </fig> </sec> </sec> <sec id="sec2.3"> <title>2．3.障碍物层和悬浮层检测</tgydF4y2Baitle> <p>获得所有路面层后，可以获得平均高度<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M18"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> G</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>所有的铺装层。然后，可以设置悬浮物体层的高度<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M19"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> F</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>如下:<gydF4y2Badisp-formula> <mml:math display="block" xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M20"> <mml:mtable> <mml:mlabeledtr id="EEq1"> <mml:mtd> <mml:mtext> （1）</米米l:mtext> </mml:mtd> <mml:mtd> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> F</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> ＝</米米l:mo> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> G</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> +</米米l:mo> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> V</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> +</米米l:mo> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> 年代</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> ，</米米l:mo> </mml:mtd> </mml:mlabeledtr> </mml:mtable> </mml:math> </disp-formula>在哪里<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M21"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> V</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>是无人机的高度，以及<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M22"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> 年代</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>为驾驶时人为设置的障碍物距车顶的高度。</gydF4y2Bap> <p>因此，平面块的高度大于<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M23"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> H</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> F</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>将被认为是悬浮层，而其余的是障碍层。</gydF4y2Bap> </sec> </sec> <sec id="sec3"> <title>3.障碍网格聚类</tgydF4y2Baitle> <p>由于在之前的网格图构建步骤中，我们已经将激光雷达点云投影到网格图中，得到了障碍网格，此时聚类时间复杂度降为O(<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M24"> <mml:mi> g</米米l:mi> </mml:math> </inline-formula>),<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M25"> <mml:mi> g</米米l:mi> </mml:math> </inline-formula>为障碍物网格的数目，比原始激光雷达点的数目少千倍。</gydF4y2Bap> <p>由于激光雷达波束角的分辨率是固定的，它的分辨率会随着距离的增加而降低，这会导致将一个远处的障碍物分解成多个离散部分，并将其视为多个障碍物。为了避免这种情况，我们结合两帧相邻的障碍物运动状态信息来校正空间聚类结果。聚类算法流程图如图所示<xrgydF4y2Baef ref-type="fig" rid="fig3"> 3.</xrgydF4y2Baef>．</gydF4y2Bap> <fig id="fig3"> <label>图3</gydF4y2Balabel> <p>聚类算法流程图。</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.003"></graphic> </fig> <p>针对同一帧内不同距离的网格聚类，选取不同距离阈值对离散网格进行聚类。网格聚类阈值设置为<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M26"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> N</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> ＝</米米l:mo> <mml:mrow> <mml:mfenced open="⌊" close="⌋" separators="|"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> D</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> /</米米l:mo> <mml:mi> G</米米l:mi> </mml:mrow> </mml:mfenced> </mml:mrow> </mml:mrow> </mml:math> </inline-formula>哪里<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M27"> <mml:mi> G</米米l:mi> </mml:math> </inline-formula>网格大小是和吗<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M28"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> D</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>是半径参数。对于每个轴网，将显示以下区域中的相邻轴网：<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M29"> <mml:mrow> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:mn> 2</米米l:mn> <mml:msub> <mml:mrow> <mml:mi> N</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> −</米米l:mo> <mml:mn> 1</米米l:mn> </mml:mrow> </mml:mfenced> <mml:mo> ×</米米l:mo> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:mn> 2</米米l:mn> <mml:msub> <mml:mrow> <mml:mi> N</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> −</米米l:mo> <mml:mn> 1</米米l:mn> </mml:mrow> </mml:mfenced> </mml:mrow> </mml:math> </inline-formula>将被视为一个障碍对象。</gydF4y2Bap> <p>在半径参数设置中，Borges提出了一种使用距离值计算半径参数的方法<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M30"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> r</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> k</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>［<xrgydF4y2Baef ref-type="bibr" rid="B20"> 20.</xrgydF4y2Baef>，如图所示<xrgydF4y2Baef ref-type="fig" rid="fig4"> 4</xrgydF4y2Baef>．</gydF4y2Bap> <fig id="fig4"> <label>图4</gydF4y2Balabel> <p>中半径参数计算方法<xrgydF4y2Baef ref-type="bibr" rid="B18"> 18</xrgydF4y2Baef>］.</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.004"></graphic> </fig> <p>的计算公式<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M31"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> D</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>是<gydF4y2Badisp-formula> <mml:math display="block" xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M32"> <mml:mtable> <mml:mlabeledtr id="EEq2"> <mml:mtd> <mml:mtext> (2）</米米l:mtext> </mml:mtd> <mml:mtd> <mml:msub> <mml:mrow> <mml:mi> D</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> T</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> ＝</米米l:mo> <mml:msub> <mml:mrow> <mml:mi> r</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> n</米米l:mi> <mml:mo> −</米米l:mo> <mml:mn> 1</米米l:mn> </mml:mrow> </mml:msub> <mml:mfrac> <mml:mrow> <mml:mi mathvariant="normal"> 罪</米米l:mi> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:mi> Δ</米米l:mi> <mml:mi> φ</米米l:mi> </mml:mrow> </mml:mfenced> </mml:mrow> <mml:mrow> <mml:mi mathvariant="normal"> 罪</米米l:mi> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:msup> <mml:mrow> <mml:mn> 20.</米米l:mn> </mml:mrow> <mml:mrow> <mml:mo> ∘</米米l:mo> </mml:mrow> </mml:msup> <mml:mo> −</米米l:mo> <mml:mi> Δ</米米l:mi> <mml:mi> φ</米米l:mi> </mml:mrow> </mml:mfenced> </mml:mrow> </mml:mfrac> <mml:mo> +</米米l:mo> <mml:mn> 3.</米米l:mn> <mml:msub> <mml:mrow> <mml:mi> σ</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> r</米米l:mi> </mml:mrow> </mml:msub> <mml:mo> ，</米米l:mo> </mml:mtd> </mml:mlabeledtr> </mml:mtable> </mml:math> </disp-formula>在哪里<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M33"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> r</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> n</米米l:mi> <mml:mo> −</米米l:mo> <mml:mn> 1</米米l:mn> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>为障碍物网格的中心坐标距离，<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M34"> <mml:mrow> <mml:msub> <mml:mrow> <mml:mi> σ</米米l:mi> </mml:mrow> <mml:mrow> <mml:mi> r</米米l:mi> </mml:mrow> </mml:msub> </mml:mrow> </mml:math> </inline-formula>是激光雷达传感器测量误差，还是<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M35"> <mml:mrow> <mml:mi> Δ</米米l:mi> <mml:mi> φ</米米l:mi> </mml:mrow> </mml:math> </inline-formula>为激光雷达水平角度分辨率。</gydF4y2Bap> <p>为了进一步提高聚类的准确率，采用了一种基于目标关联匹配的聚类校正方法。它在时间点对空间聚类结果中距离最近的障碍块进行配对<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M36"> <mml:mrow> <mml:mi> t</米米l:mi> <mml:mo> −</米米l:mo> <mml:mn> 1</米米l:mn> </mml:mrow> </mml:math> </inline-formula>和<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M37"> <mml:mi> t</米米l:mi> </mml:math> </inline-formula>通过使用四个参数：障碍物中心坐标、运动方向、速度和平均强度。</gydF4y2Bap> </sec> <sec id="sec4"> <title>4.目标分类</tgydF4y2Baitle> <p>在这项工作中，道路环境中的动态障碍被分为四类:机动车辆、非机动车辆(自行车)、行人和其他。根据这四类障碍物的运动特征和几何轮廓特征，提出了一种基于支持向量机的目标分类方法，如图所示<xrgydF4y2Baef ref-type="fig" rid="fig5"> 5</xrgydF4y2Baef>．</gydF4y2Bap> <fig id="fig5"> <label>图5</gydF4y2Balabel> <p>分类过程图。</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.005"></graphic> </fig> <sec id="sec4.1"> <title>4.1.目标特征</tgydF4y2Baitle> <p>由于每个障碍物的信息数据都保存为框模型，因此也从框模型中提取特征。对于每个目标盒模型，它有以下几组特征:(1)点X，点Y，点Z，和<gydF4y2Baitalic> α</gydF4y2Baitalic>即目标的位置和态度特征;(2)长、宽、高、和<gydF4y2Baitalic> δ</gydF4y2Baitalic>这是目标的轮廓特征。这里，<gydF4y2Baitalic> α</gydF4y2Baitalic>是相对观察角度，范围为(<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M38"> <mml:mrow> <mml:mo> −</米米l:mo> <mml:mi> π</米米l:mi> <mml:mo> ，</米米l:mo> <mml:mi> π</米米l:mi> </mml:mrow> </mml:math> </inline-formula>)，如图所示<xrgydF4y2Baef ref-type="fig" rid="fig6"> 6</xrgydF4y2Baef>．</gydF4y2Bap> <fig id="fig6"> <label>图6</gydF4y2Balabel> <p>的示意图<gydF4y2Baitalic> δ</gydF4y2Baitalic>和<gydF4y2Baitalic> α</gydF4y2Baitalic>．</gydF4y2Bap> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.006"></graphic> </fig> </sec> <sec id="sec4.2"> <title>4.2.支持向量机分类器</tgydF4y2Baitle> <p>本文选择SVM分类器对障碍物进行分类，对小样本和非线性样本分类问题有较好的效果。</gydF4y2Bap> <p>为了解决非线性分类问题，SVM分类器利用核函数将低维空间分类问题映射到高维特征空间，构造线性分类函数。采用径向基核函数(RBF):<gydF4y2Badisp-formula> <mml:math display="block" xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M39"> <mml:mtable> <mml:mlabeledtr id="EEq3"> <mml:mtd> <mml:mtext> （3)</米米l:mtext> </mml:mtd> <mml:mtd> <mml:mi> K</米米l:mi> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:mi> x</米米l:mi> <mml:mo> ，</米米l:mo> <mml:mi> y</米米l:mi> </mml:mrow> </mml:mfenced> <mml:mo> ＝</米米l:mo> <mml:mi mathvariant="normal"> 经验值</米米l:mi> <mml:mfenced open="(" close=")" separators="|"> <mml:mrow> <mml:mo> −</米米l:mo> <mml:mi> γ</米米l:mi> <mml:msup> <mml:mrow> <mml:mfenced open="|" close="|" separators="|"> <mml:mrow> <mml:mi> x</米米l:mi> <mml:mo> −</米米l:mo> <mml:mi> y</米米l:mi> </mml:mrow> </mml:mfenced> </mml:mrow> <mml:mrow> <mml:mn> 2</米米l:mn> </mml:mrow> </mml:msup> </mml:mrow> </mml:mfenced> <mml:mo> ．</米米l:mo> </mml:mtd> </mml:mlabeledtr> </mml:mtable> </mml:math> </disp-formula></p> </sec> </sec> <sec id="sec5"> <title>5.实验和分析</tgydF4y2Baitle> <sec id="sec5.1"> <title>5．1.聚类实验与分析</tgydF4y2Baitle> <p>将该聚类算法与固定距离阈值下的八连通聚类算法和基于密度的噪声应用空间聚类(DBSCAN)算法进行了比较。我们使用这三种方法对200辆目标车辆在道路环境中进行了实验。通过实验分析，障碍物目标的聚类准确率如表所示<xrgydF4y2Baef ref-type="table" rid="tab1"> 1</xrgydF4y2Baef>.基于划分的方法，如k-means，需要提前知道簇的数量，因此它们不适用于无人驾驶车辆，我们不将它们包括在比较中。此算法平均花费的时间约为15分钟太太</gydF4y2Bap> <table-wrap id="tab1"> <label>表1</gydF4y2Balabel> <p>聚类算法比较。</gydF4y2Bap> <table> <thead> <tr> <th align="left">目标距离（m）</tgydF4y2Bah> <th align="center">八连通聚类算法准确率(%)</tgydF4y2Bah> <th align="center">DBSCAN精度(%)</tgydF4y2Bah> <th align="center">我们的方法准确度(%)</tgydF4y2Bah> </tr> </thead> <tbody> <tr> <td align="left">0-20</tgydF4y2Bad> <td align="center">73.4</tgydF4y2Bad> <td align="center">78.3</tgydF4y2Bad> <td align="center">92.6</tgydF4y2Bad> </tr> <tr> <td align="left">20 - 40</tgydF4y2Bad> <td align="center">64.9</tgydF4y2Bad> <td align="center">70.1</tgydF4y2Bad> <td align="center">86.7</tgydF4y2Bad> </tr> <tr> <td align="left">40 - 80</tgydF4y2Bad> <td align="center">41.5</tgydF4y2Bad> <td align="center">52.9</tgydF4y2Bad> <td align="center">69.3</tgydF4y2Bad> </tr> <tr> <td align="left">80 - 150</tgydF4y2Bad> <td align="center">18．6</tgydF4y2Bad> <td align="center">21.4</tgydF4y2Bad> <td align="center">36.3</tgydF4y2Bad> </tr> </tbody> </table> </table-wrap> <p>一组直观的对比如图所示<xrgydF4y2Baef ref-type="fig" rid="fig7"> 7</xrgydF4y2Baef>．数字<xrgydF4y2Baef ref-type="fig" rid="fig7a"> 7(一)</xrgydF4y2Baef>图3所示为所提聚类算法的效果<xrgydF4y2Baef ref-type="fig" rid="fig7b"> 7（b）</xrgydF4y2Baef>是八连通聚类算法，如图所示<xrgydF4y2Baef ref-type="fig" rid="fig7c"> 7（c）</xrgydF4y2Baef>为DBSCAN。可以看出，在较远处，八连通聚类算法将一个对象错误地标记为多个对象，DBSCAN略好于此，而我们的方法仍然有效。</gydF4y2Bap> <fig-group id="fig7"> <label>图7</gydF4y2Balabel> <p>聚类实验。(一)我们的方法。(b) Eight-connected集群。(c) DBSCAN。(d)相应的视觉图像。</gydF4y2Bap> <fig id="fig7a"> <label>(一)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.007a"></graphic> </fig> <fig id="fig7b"> <label>(b)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.007b"></graphic> </fig> <fig id="fig7c"> <label>(c)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.007c"></graphic> </fig> <fig id="fig7d"> <label>(d)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.007d"></graphic> </fig> </fig-group> </sec> <sec id="sec5.2"> <title>5.2。分类实验与分析</tgydF4y2Baitle> <p>本实验使用台湾大学林志仁教授开发的软件- libsvm [<xrgydF4y2Baef ref-type="bibr" rid="B21"> 21</xrgydF4y2Baef>］.此外，使用KITTI数据集和BDD100K进行分类测试[<xrgydF4y2Baef ref-type="bibr" rid="B22"> 22</xrgydF4y2Baef>，<xrgydF4y2Baef ref-type="bibr" rid="B23"> 23</xrgydF4y2Baef>].总的来说，共有5217个样本，包括4091个车辆样本、417个自行车样本、573个行人样本和136个其他样本。在这里，我们将样本总数的70%左右作为训练样本，其余作为测试样本。通过网格优化算法，参数惩罚因子<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M40"> <mml:mrow> <mml:mi> C</米米l:mi> <mml:mo> ＝</米米l:mo> <mml:mn> 246</米米l:mn> </mml:mrow> </mml:math> </inline-formula>,参数<gydF4y2Bainline-formula> <mml:math xmlns:mml="http://www.w3.org/1998/Math/MathML" id="M41"> <mml:mrow> <mml:mi> γ</米米l:mi> <mml:mo> ＝</米米l:mo> <mml:mn> 0.012065</米米l:mn> </mml:mrow> </mml:math> </inline-formula>，最优识别率为88.31%，如表所示<xrgydF4y2Baef ref-type="table" rid="tab2"> 2</xrgydF4y2Baef>．</gydF4y2Bap> <table-wrap id="tab2"> <label>表2</gydF4y2Balabel> <p>分类测试结果统计。</gydF4y2Bap> <table> <thead> <tr> <th align="left"></th> <th align="center">整体</tgydF4y2Bah> <th align="center">车辆</tgydF4y2Bah> <th align="center">自行车</tgydF4y2Bah> <th align="center">行人</tgydF4y2Bah> </tr> </thead> <tbody> <tr> <td align="left">样本号</tgydF4y2Bad> <td align="center">1566</tgydF4y2Bad> <td align="center">1228</tgydF4y2Bad> <td align="center">126</tgydF4y2Bad> <td align="center">172</tgydF4y2Bad> </tr> <tr> <td align="left">正确的分类号</tgydF4y2Bad> <td align="center">1383</tgydF4y2Bad> <td align="center">1172</tgydF4y2Bad> <td align="center">71</tgydF4y2Bad> <td align="center">138</tgydF4y2Bad> </tr> <tr> <td align="left">分类速度</tgydF4y2Bad> <td align="center">88.31%</tgydF4y2Bad> <td align="center">95.44%</tgydF4y2Bad> <td align="center">56.35%</tgydF4y2Bad> <td align="center">80.23%</tgydF4y2Bad> </tr> </tbody> </table> </table-wrap> <p>一组分类实验如图所示<xrgydF4y2Baef ref-type="fig" rid="fig8"> 8</xrgydF4y2Baef>.绿色、黄色和红色框分别表示车辆、自行车和行人，总分类时间为10 每帧毫秒。</gydF4y2Bap> <fig-group id="fig8"> <label>图8</gydF4y2Balabel> <p>目标分类实验结果。</gydF4y2Bap> <fig id="fig1a"> <label>(一)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008a"></graphic> </fig> <fig id="fig1b"> <label>(b)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008b"></graphic> </fig> <fig id="fig1c"> <label>(c)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008c"></graphic> </fig> <fig id="fig1d"> <label>(d)</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008d"></graphic> </fig> <fig id="fig1e"> <label>（e）</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008e"></graphic> </fig> <fig id="fig1f"> <label>（f）</gydF4y2Balabel> <graphic xlink:href="//www.nickgirls.com/downloads/journals/sp/2018/6385104.fig.008f"></graphic> </fig> </fig-group> </sec> </sec> <sec id="sec6"> <title>6.结论</tgydF4y2Baitle> <p>针对64线激光雷达数据量大影响无人驾驶车辆实时性的问题，提出了一种既有效又实时性好的目标检测与分类算法。该算法利用多特征多层高程图分离道路、障碍物和悬架。然后，采用基于动态距离阈值的网格聚类算法对障碍物进行聚类，并结合相邻两帧的运动状态信息对聚类结果进行校正。最后，利用支持向量机对障碍物进行分类。实验结果表明，该算法具有较好的障碍物检测与分类精度和较好的实时性，满足了无人驾驶汽车在道路上行驶时的实时性要求。在实验中，我们还发现对自行车和行人的检测率相对较低。这可能是因为激光雷达只能扫描离自动驾驶汽车很远的一小部分行人和自行车，而这些部分往往被滤波算法过滤掉，或者我们使用的特征并不能很好地区分行人和自行车。所以在未来的工作中，我们会对滤波算法进行改进，获取更多的障碍物信息，增加新的特征，比如速度，来更好的区分行人和自行车。</gydF4y2Bap> </sec> <back> <sec sec-type="data-availability"> <title>数据可用性</tgydF4y2Baitle> <p>这项工作的数据源来自公共数据集KITTI。</gydF4y2Bap> </sec> <sec> <title>的利益冲突</tgydF4y2Baitle> <p>作者声明他们没有利益冲突。</gydF4y2Bap> </sec> <ack> <title>致谢</tgydF4y2Baitle> <p>国家重点研发计划(no . 2018YFB0105003);国家自然科学基金项目(no . U1764264, no . 61601203, no . U1664258, no . U1764257, no . 61773184);江苏省自然科学基金项目(no . BK20180100);江苏省战略性新兴产业发展重点项目(2016-1094、2015-1084)和镇江市重点研发计划项目(GY2017006)。</gydF4y2Bap> </ack> <ref-list> <ref id="B1" content-type="article"> <label>1</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 蔡</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> <name> <surname> 线路接口单元</gydF4y2Basurname> <given-names> Z</ggydF4y2Baiven-names> </name> <name> <surname> 王</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 太阳</gydF4y2Basurname> <given-names> 十,。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于显著性的远红外图像行人检测</一个rticle-title> <source> <italic> IEEE接入</gydF4y2Baitalic> <year> 2017</ygydF4y2Baear> <volume> 5</gydF4y2Bavolume> <fpage> 5013</gydF4y2Bafpage> <lpage> 5019</gydF4y2Balpage> </element-citation> </ref> <ref id="B2" content-type="inproceedings"> <label>2</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> 气</gydF4y2Basurname> <given-names> c·R。</ggydF4y2Baiven-names> </name> <name> <surname> 苏</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 莫</gydF4y2Basurname> <given-names> K。</ggydF4y2Baiven-names> </name> <name> <surname> 吉巴斯</gydF4y2Basurname> <given-names> l . J。</ggydF4y2Baiven-names> </name> </person-group> <article-title> PointNet:用于三维分类和分割的点集深度学习</一个rticle-title> <conf-name> IEEE计算机视觉与模式识别会议论文集</gydF4y2Baconf-name> <conf-date> 2016年12月</gydF4y2Baconf-date> <conf-loc> 美国内华达州拉斯维加斯</gydF4y2Baconf-loc> <fpage> 77</gydF4y2Bafpage> <lpage> 85</gydF4y2Balpage> </element-citation> </ref> <ref id="B3" content-type="article"> <label>3.</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 高</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 程</gydF4y2Basurname> <given-names> B。</ggydF4y2Baiven-names> </name> <name> <surname> 王</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> <name> <surname> 李</gydF4y2Basurname> <given-names> K。</ggydF4y2Baiven-names> </name> <name> <surname> 赵</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> <name> <surname> 李</gydF4y2Basurname> <given-names> D。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 自主车辆环境下基于CNN的视觉与激光雷达融合的目标分类</一个rticle-title> <source> <italic> 工业信息学学报</gydF4y2Baitalic> <year> 2018</ygydF4y2Baear> <volume> 14</gydF4y2Bavolume> <issue> 9</是sue> <fpage> 4224</gydF4y2Bafpage> <lpage> 4231</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1109/tii.2018.2828</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B4" content-type="inproceedings"> <label>4</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> Goga</gydF4y2Basurname> <given-names> 年代。</ggydF4y2Baiven-names> </name> <name> <surname> 内德夫斯基</gydF4y2Basurname> <given-names> 年代。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于多体网格结构的三维激光雷达数据分割方法</一个rticle-title> <conf-name> 智能计算机通信与处理论文集(ICCP)</gydF4y2Baconf-name> <conf-date> 2017年9月</gydF4y2Baconf-date> <conf-loc> 任、罗马尼亚</gydF4y2Baconf-loc> <fpage> 309</gydF4y2Bafpage> <lpage> 315</gydF4y2Balpage> </element-citation> </ref> <ref id="B5" content-type="inproceedings"> <label>5</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> 朱</gydF4y2Basurname> <given-names> Q。</ggydF4y2Baiven-names> </name> <name> <surname> 程ydF4y2Ba</surname> <given-names> l</ggydF4y2Baiven-names> </name> <name> <surname> 李</gydF4y2Basurname> <given-names> Q。</ggydF4y2Baiven-names> </name> <name> <surname> 李</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> <name> <surname> Nuchter</gydF4y2Basurname> <given-names> 一个。</ggydF4y2Baiven-names> </name> <name> <surname> 王</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于三维激光雷达点云的自动驾驶交叉口识别</一个rticle-title> <conf-name> 2012年IEEE智能车辆研讨会论文集（四）</gydF4y2Baconf-name> <conf-date> 2012年6月</gydF4y2Baconf-date> <conf-loc> 马德里,西班牙</gydF4y2Baconf-loc> <publisher-name> IEEE</gydF4y2Bapublisher-name> <fpage> 456</gydF4y2Bafpage> <lpage> 461</gydF4y2Balpage> </element-citation> </ref> <ref id="B6" content-type="inproceedings"> <label>6</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> 线路接口单元</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> <name> <surname> 蒙泰罗</gydF4y2Basurname> <given-names> 科技部。</ggydF4y2Baiven-names> </name> <name> <surname> 军刀</gydF4y2Basurname> <given-names> E。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 从航空彩色图像和机载激光雷达数据进行车辆检测</一个rticle-title> <conf-name> 2016年IEEE国际地球科学和遥感研讨会论文集（IGARSS）</gydF4y2Baconf-name> <conf-date> 2016年7月</gydF4y2Baconf-date> <conf-loc> 中国,北京</gydF4y2Baconf-loc> <publisher-name> IEEE</gydF4y2Bapublisher-name> <fpage> 1384</gydF4y2Bafpage> <lpage> 1387</gydF4y2Balpage> </element-citation> </ref> <ref id="B7" content-type="article"> <label>7</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 李</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> Tsukada</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> <name> <surname> Nashashibi</gydF4y2Basurname> <given-names> F。</ggydF4y2Baiven-names> </name> <name> <surname> 父母亲</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 多车协同局部映射:基于占用网格地图合并的方法</一个rticle-title> <source> <italic> IEEE智能交通系统汇刊</gydF4y2Baitalic> <year> 2014</ygydF4y2Baear> <volume> 15</gydF4y2Bavolume> <issue> 5</是sue> <fpage> 2089</gydF4y2Bafpage> <lpage> 2100</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1109/tits.2014.2309639</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2-s2.0-84907668894</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B8" content-type="article"> <label>8</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 杜伦</gydF4y2Basurname> <given-names> 年代。</ggydF4y2Baiven-names> </name> <name> <surname> Montemerlo</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> <name> <surname> Dahlkamp</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <etal></etal> </person-group> <article-title> 斯坦利:赢得美国国防部高级研究计划局重大挑战的机器人</一个rticle-title> <source> <italic> 野外机器人学报</gydF4y2Baitalic> <year> 2006</ygydF4y2Baear> <volume> 23</gydF4y2Bavolume> <issue> 9</是sue> <fpage> 661</gydF4y2Bafpage> <lpage> 692</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1002/rob.20147</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 33750024797</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B9" content-type="inproceedings"> <label>9</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> 彭</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> <name> <surname> 曲</gydF4y2Basurname> <given-names> D。</ggydF4y2Baiven-names> </name> <name> <surname> 钟</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> <name> <surname> 谢</gydF4y2Basurname> <given-names> 年代。</ggydF4y2Baiven-names> </name> <name> <surname> 罗</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> <name> <surname> 顾</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于二维激光雷达的障碍物检测与避障算法</一个rticle-title> <conf-name> 2015 IEEE信息与自动化国际会议论文集</gydF4y2Baconf-name> <conf-date> 2015年8月</gydF4y2Baconf-date> <conf-loc> 丽江,中国</gydF4y2Baconf-loc> <fpage> 1648</gydF4y2Bafpage> <lpage> 1653</gydF4y2Balpage> </element-citation> </ref> <ref id="B10" content-type="article"> <label>10</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 王</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 戴</gydF4y2Basurname> <given-names> l</ggydF4y2Baiven-names> </name> <name> <surname> 蔡</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> <name> <surname> 太阳</gydF4y2Basurname> <given-names> 十,。</ggydF4y2Baiven-names> </name> <name> <surname> 程ydF4y2Ba</surname> <given-names> l</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于多尺度对比度的显著目标检测</一个rticle-title> <source> <italic> 神经网络</gydF4y2Baitalic> <year> 2018</ygydF4y2Baear> <volume> 101</gydF4y2Bavolume> <fpage> 47</gydF4y2Bafpage> <lpage> 56</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1016 / j.neunet.2018.02.005</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 85042356013</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B11" content-type="article"> <label>11</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 白</gydF4y2Basurname> <given-names> l</ggydF4y2Baiven-names> </name> <name> <surname> 程</gydF4y2Basurname> <given-names> 十,。</ggydF4y2Baiven-names> </name> <name> <surname> 梁</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> <name> <surname> 沈</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 郭</gydF4y2Basurname> <given-names> Y</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于k-means算法的快速密度聚类策略</一个rticle-title> <source> <italic> 模式识别</gydF4y2Baitalic> <year> 2017</ygydF4y2Baear> <volume> 71</gydF4y2Bavolume> <fpage> 375</gydF4y2Bafpage> <lpage> 386</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1016 / j.patcog.2017.06.023</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 85022321959</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B12" content-type="article"> <label>12</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 山崎</gydF4y2Basurname> <given-names> K。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 附加数据对贝叶斯聚类的影响</一个rticle-title> <source> <italic> 神经网络</gydF4y2Baitalic> <year> 2017</ygydF4y2Baear> <volume> 94</gydF4y2Bavolume> <fpage> 86</gydF4y2Bafpage> <lpage> 95</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1016 / j.neunet.2017.06.015</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 85026266075</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B13" content-type="article"> <label>13</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 张</gydF4y2Basurname> <given-names> 十,。</ggydF4y2Baiven-names> </name> <name> <surname> 线路接口单元</gydF4y2Basurname> <given-names> H。</ggydF4y2Baiven-names> </name> <name> <surname> 张</gydF4y2Basurname> <given-names> 十,。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 针对不确定数据，提出了一种基于密度和层次密度的聚类算法</一个rticle-title> <source> <italic> 神经网络</gydF4y2Baitalic> <year> 2017</ygydF4y2Baear> <volume> 93</gydF4y2Bavolume> <fpage> 240</gydF4y2Bafpage> <lpage> 255</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1016 / j.neunet.2017.06.004</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 85021711523</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B14" content-type="article"> <label>14</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 线路接口单元</gydF4y2Basurname> <given-names> A.A。</ggydF4y2Baiven-names> </name> <name> <surname> 苏</gydF4y2Basurname> <given-names> y . T。</ggydF4y2Baiven-names> </name> <name> <surname> 聂</gydF4y2Basurname> <given-names> w Z。</ggydF4y2Baiven-names> </name> <name> <surname> Kankanhalli</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于层次聚类的多任务学习方法</一个rticle-title> <source> <italic> 模式分析与机器智能学报</gydF4y2Baitalic> <year> 2017</ygydF4y2Baear> <volume> 39</gydF4y2Bavolume> <issue> 1</是sue> <fpage> 102</gydF4y2Bafpage> <lpage> 114</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1109 / tpami.2016.2537337</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 85005949742</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B15" content-type="inproceedings"> <label>15</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> Darms</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> <name> <surname> 瑞布斯基</gydF4y2Basurname> <given-names> P。</ggydF4y2Baiven-names> </name> <name> <surname> 厄姆森</gydF4y2Basurname> <given-names> C。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于多传感器的城市自动驾驶动态目标分类与跟踪</一个rticle-title> <conf-name> 2008 IEEE智能汽车研讨会论文集</gydF4y2Baconf-name> <conf-date> 2008年2月</gydF4y2Baconf-date> <conf-loc> 美国密歇根州奥本山</gydF4y2Baconf-loc> <fpage> 1197</gydF4y2Bafpage> <lpage> 1202</gydF4y2Balpage> </element-citation> </ref> <ref id="B16" content-type="inproceedings"> <label>16</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> 普莱梅比达</gydF4y2Basurname> <given-names> C。</ggydF4y2Baiven-names> </name> <name> <surname> 蒙泰罗</gydF4y2Basurname> <given-names> G。</ggydF4y2Baiven-names> </name> <name> <surname> 努涅斯</gydF4y2Basurname> <given-names> U</ggydF4y2Baiven-names> </name> <name> <surname> Peixoto</gydF4y2Basurname> <given-names> P。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 一种基于激光雷达和视觉的行人和车辆检测和跟踪方法</一个rticle-title> <conf-name> 2007年IEEE智能交通系统会议论文集</gydF4y2Baconf-name> <conf-date> 2007年9月</gydF4y2Baconf-date> <conf-loc> 美国西雅图,华盛顿州</gydF4y2Baconf-loc> <fpage> 1044</gydF4y2Bafpage> <lpage> 1049</gydF4y2Balpage> </element-citation> </ref> <ref id="B17" content-type="inproceedings"> <label>17</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> Behley</gydF4y2Basurname> <given-names> J。</ggydF4y2Baiven-names> </name> <name> <surname> Steinhage</gydF4y2Basurname> <given-names> v</ggydF4y2Baiven-names> </name> <name> <surname> 克莱莫</gydF4y2Basurname> <given-names> 一个。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于混合词袋的激光分割分类</一个rticle-title> <conf-name> 智能机器人与系统国际会议记录</gydF4y2Baconf-name> <conf-date> 2013年11月</gydF4y2Baconf-date> <conf-loc> 日本东京</gydF4y2Baconf-loc> <fpage> 4195</gydF4y2Bafpage> <lpage> 4200</gydF4y2Balpage> </element-citation> </ref> <ref id="B18" content-type="inproceedings"> <label>18</gydF4y2Balabel> <element-citation publication-type="confproc"> <person-group person-group-type="author"> <name> <surname> Babahajiani</gydF4y2Basurname> <given-names> P。</ggydF4y2Baiven-names> </name> <name> <surname> 迷</gydF4y2Basurname> <given-names> l</ggydF4y2Baiven-names> </name> <name> <surname> Gabbouj</gydF4y2Basurname> <given-names> M。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 城市街景三维点云中的目标识别</一个rticle-title> <conf-name> 亚洲计算机视觉会议论文集</gydF4y2Baconf-name> <conf-date> 2014年11月</gydF4y2Baconf-date> <conf-loc> 可汗、瑞士</gydF4y2Baconf-loc> <publisher-name> 施普林格</gydF4y2Bapublisher-name> <fpage> 177</gydF4y2Bafpage> <lpage> 190</gydF4y2Balpage> </element-citation> </ref> <ref id="B19" content-type="misc"> <label>19</gydF4y2Balabel> <element-citation publication-type="other"> <person-group person-group-type="author"> <name> <surname> Wirges</gydF4y2Basurname> <given-names> 年代。</ggydF4y2Baiven-names> </name> <name> <surname> 费舍尔</gydF4y2Basurname> <given-names> T。</ggydF4y2Baiven-names> </name> <name> <surname> 弗里亚斯</gydF4y2Basurname> <given-names> j·B。</ggydF4y2Baiven-names> </name> <name> <surname> 蒸馏器</gydF4y2Basurname> <given-names> C。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 基于深度卷积网络的占用网格地图目标检测与分类</一个rticle-title> <year> 2018</ygydF4y2Baear> <comment> <ext-link ext-link-type="uri" xlink:href="http://arxiv.org/abs/1805.08689"> http://arxiv.org/abs/1805.08689</gydF4y2Baext-link> </comment> </element-citation> </ref> <ref id="B20" content-type="article"> <label>20.</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> Skrzypczynski</gydF4y2Basurname> <given-names> P。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 利用红外测距数据建立环境几何图</一个rticle-title> <source> <italic> 智能自治系统</gydF4y2Baitalic> <year> 1995</ygydF4y2Baear> <fpage> 408</gydF4y2Bafpage> <lpage> 412</gydF4y2Balpage> </element-citation> </ref> <ref id="B21" content-type="article"> <label>21</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 常</gydF4y2Basurname> <given-names> C . C。</ggydF4y2Baiven-names> </name> <name> <surname> 林</gydF4y2Basurname> <given-names> C.J。</ggydF4y2Baiven-names> </name> </person-group> <article-title> LIBSVM：支持向量机库</一个rticle-title> <source> <italic> 美国计算机学会智能系统与技术汇刊</gydF4y2Baitalic> <year> 2011</ygydF4y2Baear> <volume> 2</gydF4y2Bavolume> <issue> 3.</是sue> <fpage> 1</gydF4y2Bafpage> <lpage> 27</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1145/1961189.1961199</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 79955702502</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B22" content-type="article"> <label>22</gydF4y2Balabel> <element-citation publication-type="journal"> <person-group person-group-type="author"> <name> <surname> 盖革</gydF4y2Basurname> <given-names> 一个。</ggydF4y2Baiven-names> </name> <name> <surname> 楞次</gydF4y2Basurname> <given-names> P。</ggydF4y2Baiven-names> </name> <name> <surname> 蒸馏器</gydF4y2Basurname> <given-names> C。</ggydF4y2Baiven-names> </name> <name> <surname> Urtasun</gydF4y2Basurname> <given-names> R。</ggydF4y2Baiven-names> </name> </person-group> <article-title> 视觉与机器人:KITTI数据集</一个rticle-title> <source> <italic> 国际机器人研究杂志</gydF4y2Baitalic> <year> 2013</ygydF4y2Baear> <volume> 32</gydF4y2Bavolume> <issue> 11</是sue> <fpage> 1231</gydF4y2Bafpage> <lpage> 1237</gydF4y2Balpage> <pub-id pub-id-type="doi"> 10.1177 / 0278364913491297</gydF4y2Bapub-id> <pub-id pub-id-type="other"> 2 - s2.0 - 84884231503</gydF4y2Bapub-id> </element-citation> </ref> <ref id="B23" content-type="misc"> <label>23</gydF4y2Balabel> <element-citation publication-type="other"> <person-group person-group-type="author"> <name> <surname> 余</gydF4y2Basurname> <given-names> F。</ggydF4y2Baiven-names> </name> <name> <surname> 西安</gydF4y2Basurname> <given-names> W</ggydF4y2Baiven-names> </name> <name> <surname> 程ydF4y2Ba</surname> <given-names> Y</ggydF4y2Baiven-names> </name> <etal></etal> </person-group> <source> <italic> BDD100K:具有可扩展注释工具的多样化驾驶视频数据库</gydF4y2Baitalic> <comment> arXiv预印本arXiv:1805.04687, 2018</gydF4y2Bacomment> </element-citation> </ref> </ref-list> </back> </article> </body> </html>