1．论文选题的目的和意义

交通事故每年造成约125万人死亡以及数千亿美元的经济损失，如果不采取行动，预计到2030年会成为世界第七大死亡原因，而交通事故发生的最主要原因是驾驶员的操作失误。人类感知和控制能力的局限使得驾驶员在面对突发状况时无法及时做出合理的决策，此外驾驶疲劳也是造成交通事故的重要原因。随着人工智能、计算机技术以及芯片技术的发展，无人驾驶汽车的使用成为了减少交通事故的最重要手段之一^[1]。虽然无人驾驶汽车技术在过去10年取得了长足进步，部分无人驾驶汽车已经进入测试阶段，但由于真实的交通环境包含多种类型的交通参与者，无人驾驶汽车在行驶时会不可避免的与其他交通参与者产生交互。在无人驾驶技术研究过程中安全是其需要解决的首要问题，无人驾驶汽车在行驶过程中避免与障碍物发生碰撞需要满足三个条件，首先要先可靠地检测出对行驶有影响的障碍物，这需要传感器精确测量出障碍物的位置变化并能够提取出障碍物特征用于不同时刻的障碍物之间的匹配，完成对同一个障碍物的跟踪；其次，必须预测出障碍物的运动路径。这需要精确的估计出其运动状态；最后，需要识别障碍物的种类，不同的障碍物具有不同的运动特性，直接影响着无人驾驶汽车最终采取的避障策略，如对行人应该采取保守的避障策略，而对动态车辆可以采取灵活的避障策略^[2]。本文的目的就是选择合适的传感器进行障碍物的扫描，然后编写出一个相应的检测算法，对传感器扫描得到的数据进行处理，最终达到障碍物识别的目的，从而为无人驾驶汽车避障打下基础^[3]。

2.国内外关于该论题的研究现状和发展趋势

障碍物检测跟踪是无人驾驶汽车在真实交通环境中行驶的前提条件，无人驾驶汽车可以通过不同的传感器检测并跟踪运动目标，如相机、毫米波雷达和激光雷达^[4]。得益于计算机视觉的快速发展，研究者提出了很多性能优异的基于相机的动态目标检测跟踪方法，相机数据中包含丰富的障碍物纹理信息，从中提取的特征能够很好的完成障碍物关联，但由于相机对光线强度的要求较高，光线较弱或者变化过于剧烈都会造成基于相机的障碍物检测方法失效，此外相机也无法提供障碍物准确的位置信息，会造成运动状态估计结果误差较大，为了克服相机的这两个缺点，研究者使用了立体相机和红外相机，立体相机能够提供障碍物的位置信息但是其检测视野和检测范围较小，红外相机受光照条件影响较小，但其分辨率较低。毫米波雷达对动态目标的纵向运动比较敏感，且检测距离较长，可以用于高级辅助驾驶系统，完成诸如自适应巡航等动作，但由于毫米波雷达的结构限制，其检测到的动态目标横向运动数据不准确，且其感知视野窄，无法满足无人驾驶汽车障碍物检测跟踪的需求；激光雷达能够获取障碍物的准确位置且几乎不受光强影响，是较为理想的环境感知传感器，目前无人驾驶汽车动态障碍物的检测跟踪使用的信息主要来自激光雷达^[5]。
过去十多年，研究者提出了很多基于激光雷达的障碍物检测跟踪方法，从方法上看，主要分为两类：基于同步定位和地图创建的动态障碍物跟踪方法和基于跟踪的方法^[6]。基于同步定位与建图的障碍物检测跟踪方法在最底层进行动态障碍物检测，同步定位与建图的过程中会创建一个障碍物占据栅格图，同时估计出当前无人驾驶汽车的位置和运动状态，通过图中栅格图的变化能够检测出动态障碍物，将传感器数据分割聚类可以将对应于同一个障碍物的障碍物点聚集在一起，接着与栅格地图的变化进行关联以完成动态障碍物的跟踪，但同步定位与地图创建算法计算量大，定位与地图创建都会引入误差，对环境变化反应较慢^[7]。
基于跟踪的障碍物检测跟踪方法也被称为标准检测方法，可以应用于不同类型的传感器数据。首先将障碍物从传感器数据中提取出，接着在每个周期都将当前数据中提取的障碍物与之前检测到的障碍物匹配关联，最后根据障碍物的位置变化估计出其运动状态并更新障碍物列表。此方法计算复杂度较小，是障碍物检测跟踪使用的主要方法^[8]。
根据所使用的激光雷达类型，可以将障碍物检测跟踪方法分为基于二维激光雷达的方法和基于三维激光雷达的方法。Mendes提出了基于单线激光雷达的多目标检测跟踪方法，并用于构建无人驾驶汽车Cybercar的避撞系统，Furstenberg提出了一种基于多层激光雷达的动态障碍物检测跟踪方法^[9]，由于该激光雷达具有３度的纵向感知视野，所以该方法可以消除无人驾驶汽车在行驶过程中俯仰角度造成的误检。二维激光雷达数据量小，所以检测跟踪速度快，但障碍物数据稀疏也会导致误匹配率升高。与二维激光雷达比，三维激光雷达能够获得三维环境信息，视野更大，信息更加密集，但直接在三维空间中完成障碍物的聚类、匹配和跟踪算法复杂度过高，无法满足无人驾驶汽车的实时性要求，为了提高障碍物检测跟踪的实时性，可以将三维激光雷达映射到二维平面空间，但这会丢失障碍物的三维轮廓特征，造成较高的误匹配率和较大的运动状态估计误差^[10]。辛煜提出了一种基于三维激光雷达的多特征融合障碍物检测跟踪算法，利用障碍物位置、大小和长度与宽度计算障碍物相似度，将相邻帧数据中相似度最大的障碍物进行关联，但该方法也存在一定的误匹配，其在运动状态估计过程中使用了障碍物中心点位置，这将引入障碍物轮廓变化造成的误差^[11]。

以上介绍的基于各种传感器的无人驾驶汽车各种障碍物检测方法各有优缺点，基于图像的、基于二维或三维激光雷达的检测方法都有其局限性，单线激光雷达和多层激光雷达扫描速度快，无人驾驶汽车车身俯仰会导致单线激光雷达产生障碍物误检，多层激光雷达依靠不同扫描层之间的夹角解决了这个问题，但单线激光雷达和多层激光雷达返回的障碍物激光点数据稀疏，从中提取的特征有限；三维激光雷达能够获取周围环境的高精度三维信息，但数据量大导致直接在三维空间进行障碍物数据处理实时性不高，因此我们要因地制宜地选择合适的传感器进行障碍物的检测^[12]。

2. 研究的基本内容与方案

1．基本内容与目标

（1）了解无人驾驶车辆障碍物检测系统原理，并进行系统需求分析；

（2）研究对比当前技术水平下几种主流的障碍物检测方案，分析各自的优缺点；

（3）确定障碍物检测系统传感器构成和方案；

（4）利用python或C 或matlab开发传感器原始数据处理算法，并实现障碍物检测算法。

（5）算法调试与试验验证。

2.拟采用的技术方案及措施

（1）通过查阅相关的专业书籍，了解无人驾驶汽车障碍物检测的基本方法步骤。

（2）熟悉python或C ，并通过书籍与视频熟悉操作,便于后期编写算法。

（3）通过查阅相关文献学习matlab，了解学习相关的建模仿真技术。

（4）使用三维激光传感器Velodyne对无人驾驶汽车周围的障碍物进行扫描，得到障碍物数据。