無(wú)人駕駛汽車的傳感器系統(tǒng)設(shè)計(jì)及技術(shù)展望

《無(wú)人駕駛汽車的傳感器系統(tǒng)設(shè)計(jì)及技術(shù)展望》由會(huì)員分享，可在線閱讀，更多相關(guān)《無(wú)人駕駛汽車的傳感器系統(tǒng)設(shè)計(jì)及技術(shù)展望（9頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、一、無(wú)人駕駛汽車傳感器的研究背景和意義 無(wú)人駕駛汽車是人工智能的一個(gè)非常重要的驗(yàn)證平臺(tái)，近些年成為國(guó)內(nèi)外研究熱點(diǎn)．無(wú)人駕駛汽車作為一種陸地輪式機(jī)器人，既與普通機(jī)器人有著很大的相似性，又存在著很大的不同．首先它作為汽車需保證乘員乘坐的舒適性和安全性，這就要求對(duì)其行駛方向和速度的控制更加嚴(yán)格；另外，它的體積較大，特別是在復(fù)雜擁擠的交通環(huán)境下，要想能夠順利行駛，對(duì)周圍障礙物的動(dòng)態(tài)信息獲取就有著很高的要求。無(wú)人駕駛的研究目標(biāo)是完全或部分取代駕駛員，是人工智能的一個(gè)非常重要的實(shí)現(xiàn)平臺(tái)，同時(shí)也是如今前沿科技的重要發(fā)展方向。當(dāng)前，無(wú)人駕駛技術(shù)具有重大的應(yīng)用價(jià)值，生活和工程中，能夠在一定程度上減輕駕駛行為的

2、壓力；在軍事領(lǐng)域內(nèi)，無(wú)人駕駛技術(shù)可以代替軍人執(zhí)行偵查、排雷、以及戰(zhàn)場(chǎng)上危險(xiǎn)環(huán)境中的任務(wù)；在科學(xué)研究的領(lǐng)域，無(wú)人駕駛技術(shù)可以實(shí)現(xiàn)外星球等極端環(huán)境下的勘探活動(dòng)。無(wú)人駕駛車輛技術(shù)，又稱智能車輛，即利用將無(wú)人駕駛的技術(shù)應(yīng)用于車輛的控制中。 國(guó)外的無(wú)人駕駛車輛技術(shù)大多通過(guò)分析激光傳感器數(shù)據(jù)進(jìn)行動(dòng)態(tài)障礙物的檢測(cè)。代表有斯坦福大學(xué)的智能車“Junior”，利用激光傳感器對(duì)跟蹤目標(biāo)的運(yùn)動(dòng)幾何特征建模，然后用貝葉斯濾波器分別更新每個(gè)目標(biāo)的狀態(tài)；卡耐基?梅隆大學(xué)的“BOSS”智能車從激光傳感器數(shù)據(jù)中提取障礙物特征，通過(guò)關(guān)聯(lián)不同時(shí)刻的激光傳感器數(shù)據(jù)對(duì)動(dòng)態(tài)障礙物進(jìn)行檢測(cè)跟蹤。牛津大學(xué)研制的無(wú)人車輛“WildCat”

3、，不使用GPS，使用激光雷達(dá)和相機(jī)監(jiān)控路面狀況。我國(guó)相關(guān)技術(shù)開(kāi)展較晚，國(guó)防科學(xué)技術(shù)大學(xué)研制的自主車“開(kāi)路雄獅”，采用三維激光雷達(dá)Velodyne作為主要傳感器，將Velodyne獲取的相鄰兩激光數(shù)據(jù)作差，并在獲得的差分圖像上進(jìn)行聚類操作，對(duì)聚類結(jié)果建立方盒模型。 無(wú)人駕駛車輛是一項(xiàng)融合了認(rèn)知科學(xué)、人工智能、機(jī)器人技術(shù)與車輛工程等多學(xué)科的技術(shù)，涉及到電子電路，計(jì)算機(jī)視覺(jué)，自動(dòng)控制，信號(hào)處理等多學(xué)科技術(shù)。無(wú)人駕駛汽車的出現(xiàn)從根本上改變了傳統(tǒng)的“人——車——路”閉環(huán)控制方式，將無(wú)法用規(guī)則嚴(yán)格約束的駕駛員從該閉環(huán)系統(tǒng)中請(qǐng)出去，從而大大提高了交通系統(tǒng)的效率和安全性，是汽車工業(yè)發(fā)展的革命性產(chǎn)物。 二、

4、無(wú)人駕駛汽車的傳感器系統(tǒng)整體設(shè)計(jì) 無(wú)人駕駛汽車的實(shí)現(xiàn)需要大量的科學(xué)技術(shù)支持，而其中最重要的就是大量的傳感器定位。核心技術(shù)是包括高精度地圖、定位、感知、智能決策與控制等各個(gè)模塊。其中有幾個(gè)關(guān)鍵的技術(shù)模塊，包含精確GPS定位及導(dǎo)航、動(dòng)態(tài)傳感避障系統(tǒng)、機(jī)械視覺(jué)三個(gè)大部分，其他的如只能行為規(guī)劃等不屬于傳感器范疇，屬于算法方面，不做過(guò)多設(shè)計(jì)。傳感器系統(tǒng)如圖所示。 圖1 無(wú)人駕駛汽車的傳感器系統(tǒng)主要組成 三、精確GPS定位及導(dǎo)航 無(wú)人駕駛汽車對(duì)GPS定位精度、抗干擾性提出了新的要求。在無(wú)人駕駛時(shí)GPS導(dǎo)航系統(tǒng)要不間斷的對(duì)無(wú)人車進(jìn)行定位。在這個(gè)過(guò)程之中，無(wú)人駕駛汽車的GPS導(dǎo)航系統(tǒng)要求GPS定位

5、誤差不超過(guò)一個(gè)車身寬度。 無(wú)人駕駛汽車面臨的另一個(gè)問(wèn)題面臨的另一個(gè)挑戰(zhàn)，是需要確保他們又完美的導(dǎo)航功能，實(shí)現(xiàn)導(dǎo)航的主要技術(shù)是現(xiàn)在生活中已經(jīng)使用非常廣泛的GPS技術(shù)。由于GPS無(wú)積累誤差、自動(dòng)化測(cè)量的特點(diǎn)，因此十分適合用于無(wú)人駕駛汽車的導(dǎo)航定位。 為了大幅提高GPS測(cè)量技術(shù)的精度，本系統(tǒng)采用位置差分GPS測(cè)量技術(shù)。相較于傳統(tǒng)的GPS技術(shù)，差分GPS技術(shù)會(huì)在一個(gè)觀測(cè)站對(duì)兩個(gè)目標(biāo)的觀測(cè)量、兩個(gè)觀測(cè)站對(duì)一個(gè)目標(biāo)的觀測(cè)量或者一個(gè)測(cè)站對(duì)一個(gè)目標(biāo)的兩次測(cè)量之間求差，目的在于消去公共誤差源，包括電離層和對(duì)流層效應(yīng)等。 位置差分原理是一種最簡(jiǎn)單的差分方法，任何一種GPS接收機(jī)均可改裝和組成這種差分系統(tǒng)。

6、 安裝在基準(zhǔn)站上的GPS接收機(jī)觀測(cè)4顆衛(wèi)星后便可進(jìn)行三維定位，解算出基準(zhǔn)站的坐標(biāo)。由于存在著軌道誤差、時(shí)鐘誤差、SA影響、大氣影響、多徑效應(yīng)以及其他誤差，解算出的坐標(biāo)與基準(zhǔn)站的已知坐標(biāo)是不一樣的， 存在誤差?；鶞?zhǔn)站利用數(shù)據(jù)鏈將此改正數(shù)發(fā)送出去，由用戶站接收，并且對(duì)其解算的用戶站坐標(biāo)進(jìn)行改正。 最后得到的改正后的用戶坐標(biāo)已消去了基準(zhǔn)站和用戶站的共同誤差，例如衛(wèi)星軌道誤差、 SA影響、大氣影響等，提高了定位精度。以上先決條件是基準(zhǔn)站和用戶站觀測(cè)同一組衛(wèi)星的情況。位置差分法適用于用戶與基準(zhǔn)站間距離在100km以內(nèi)的情況。其原理如圖1所示。 高精度的汽車車身定位是無(wú)人駕駛汽車行駛的先決條件，以現(xiàn)有

7、的技術(shù)，利用差分GPS技術(shù)可以完成無(wú)人駕駛汽車的精確定位，基本滿足需求。 圖2 差分GPS技術(shù)原理圖 四、動(dòng)態(tài)傳感避障系統(tǒng) 無(wú)人駕駛汽車作為一種陸地輪式機(jī)器人，既與普通機(jī)器人有著很大的相似性，又存在著很大的不同。首先它作為汽車需保證乘員乘坐的舒適性和安全性，這就要求對(duì)其行駛方向和速度的控制更加嚴(yán)格；另外，它的體積較大，特別是在復(fù)雜擁擠的交通環(huán)境下，要想能夠順利行駛，對(duì)周圍障礙物的動(dòng)態(tài)信息獲取就有著很高的要求。國(guó)內(nèi)外很多無(wú)人駕駛汽車研究團(tuán)隊(duì)都是通過(guò)分析激光傳感器數(shù)據(jù)進(jìn)行動(dòng)態(tài)障礙物的檢測(cè)。斯坦福大學(xué)的自主車“Junior”利用激光傳感器對(duì)跟蹤目標(biāo)的運(yùn)動(dòng)幾何特征建模，然后用貝葉斯濾波器

8、分別更新每個(gè)目標(biāo)的狀態(tài)；卡耐基 梅隆大學(xué)的 “BOSS”從激光傳感器數(shù)據(jù)中提取障礙物特征，通過(guò)關(guān)聯(lián)不同時(shí)刻的激光傳感器數(shù)據(jù)對(duì)動(dòng)態(tài)障礙物進(jìn)行檢測(cè)跟蹤。 在實(shí)際應(yīng)用中，3 維激光傳感器因?yàn)閿?shù)據(jù)處理工作量較大，存在一個(gè)比較小的延時(shí)，這在一定程度上降低了無(wú)人駕駛汽車對(duì)動(dòng)態(tài)障礙物的反應(yīng)能力，特別是無(wú)人駕駛汽車前方區(qū)域的運(yùn)動(dòng)障礙物，對(duì)其安全行駛構(gòu)成了很大的威脅；而普通的四線激光傳感器雖然數(shù)據(jù)處理速度較快，但是探測(cè)范圍較小，一般在 100～ 120之間；另外，單個(gè)的傳感器在室外復(fù)雜環(huán)境中也存在著檢測(cè)準(zhǔn)確率不高的現(xiàn)象。 針對(duì)這些問(wèn)題，本文提出一種利用多激光傳感器進(jìn)行動(dòng)態(tài)障礙物檢測(cè)的方法，采用 3 維激光

9、傳感器對(duì)無(wú)人駕駛汽車周圍的障礙物進(jìn)行檢測(cè)跟蹤，利用卡爾曼濾波器對(duì)障礙物的運(yùn)動(dòng)狀態(tài)進(jìn)行跟蹤與預(yù)測(cè)，對(duì)于無(wú)人駕駛汽車前方準(zhǔn)確性要求較高的扇形區(qū)域，采用置信距離理論融合四線激光傳感器數(shù)據(jù)來(lái)確定障礙物的運(yùn)動(dòng)信息，提高了障礙物運(yùn)動(dòng)狀態(tài)的檢測(cè)準(zhǔn)確率，最終在柵格圖上不僅對(duì)無(wú)人駕駛汽車周圍的動(dòng)、靜態(tài)障礙物進(jìn)行區(qū)別標(biāo)示，而且還根據(jù)融合結(jié)果對(duì)動(dòng)態(tài)障礙物的位置進(jìn)行了延時(shí)修正，來(lái)消除傳感器處理數(shù)據(jù)延時(shí)所帶來(lái)的位置偏差。 其流程圖如圖2所示，最終這些信息都顯示在人機(jī)交互界面上。 圖3 動(dòng)態(tài)避障系統(tǒng)的流程結(jié)構(gòu) 首先對(duì)Veloadyne數(shù)據(jù)進(jìn)行柵格化處理得到一張障礙物占用柵格圖，對(duì)不同時(shí)刻的柵格圖進(jìn)行聚類跟蹤可以

10、獲取障礙物的動(dòng)態(tài)信息，將動(dòng)態(tài)的障礙物從柵格圖中刪除并存儲(chǔ)在動(dòng)態(tài)障礙物列表中，這個(gè)刪除了動(dòng)態(tài)障礙物占用信息的柵格圖也就是一張靜態(tài)障礙物柵格圖，然后將動(dòng)態(tài)障礙物列表中的動(dòng)態(tài)障礙物信息和Ibeo獲取的無(wú)人駕駛汽車前方區(qū)域內(nèi)的動(dòng)態(tài)障礙物信息進(jìn)行同步融合得到一個(gè)新的動(dòng)態(tài)障礙物列表，最后將這個(gè)新的列表中的動(dòng)態(tài)障礙物合并到靜態(tài)障礙物柵格圖中得到一張動(dòng)靜態(tài)障礙物區(qū)別標(biāo)示的柵格圖。障礙物檢測(cè)模塊是通過(guò)分析處理各種激光雷達(dá)返回的數(shù)據(jù)，將這些激光雷達(dá)數(shù)據(jù)進(jìn)行柵格化處理，投影到512*512的柵格地圖中，從而實(shí)現(xiàn)對(duì)環(huán)境中障礙物的檢測(cè)。最終，多傳感器信息融合與環(huán)境建模模塊則是將不同傳感器獲取的環(huán)境信息進(jìn)行融合、建立道路

11、模型并最終用柵格地圖進(jìn)行表示，這些環(huán)境信息包括：標(biāo)識(shí)信息、路面信息、障礙物信息以及定位信息等。 最后，對(duì)獲得的環(huán)境信息信號(hào)進(jìn)行處理，得到一張動(dòng)態(tài)的標(biāo)志了障礙物的柵格圖，從而達(dá)到避障的效果，采用融合 Velodyne 和 Ibeo 信息得到運(yùn)動(dòng)目標(biāo)狀態(tài)的方式相比于只用 Velodyne 處理結(jié)果的方式，檢測(cè)結(jié)果的準(zhǔn)確率和穩(wěn)定性都得到了較大的提升。 五、機(jī)械視覺(jué)機(jī)構(gòu) 機(jī)械視覺(jué)也可以稱作為環(huán)境感知，是無(wú)人駕駛汽車最重要也是最復(fù)雜的一部分。無(wú)人駕駛車輛的環(huán)境感知層的任務(wù)是針對(duì)不同的交通環(huán)境，對(duì)傳感器進(jìn)行合理的配置、融合不同傳感器獲取的環(huán)境信息、對(duì)復(fù)雜的道路環(huán)境建立模型。無(wú)人駕駛系統(tǒng)的環(huán)境感知

12、層分為交通標(biāo)志識(shí)別、車道線的檢測(cè)與識(shí)別、車輛檢測(cè)、道路路沿的檢測(cè)、障礙物檢測(cè)以及多傳感器信息融合與環(huán)境建模等模塊。 傳感器探測(cè)環(huán)境信息，只是將探測(cè)的物理量進(jìn)行了有序排列與存儲(chǔ)。此時(shí)計(jì)算機(jī)并不知道這些數(shù)據(jù)映射到真實(shí)環(huán)境中是什么物理含義。因此需要通過(guò)適當(dāng)?shù)乃惴◤奶綔y(cè)得到的數(shù)據(jù)中挖掘出我們關(guān)注的數(shù)據(jù)并賦予物理含義，從而達(dá)到感知環(huán)境的目的。 比如我們?cè)隈{駛車輛時(shí)眼睛看前方，可以從環(huán)境中分辨出我們當(dāng)前行駛的車道線。若要讓機(jī)器獲取車道線信息，需要攝像頭獲取環(huán)境影像，影像本身并不具備映射到真實(shí)環(huán)境中的物理含義，此時(shí)需要通過(guò)算法從該影像中找到能映射到真實(shí)車道線的影像部分，賦予其車道線含義。 自動(dòng)駕駛車輛

13、感知環(huán)境的傳感器繁多，常用的有：攝像頭、激光掃描儀、毫米波雷達(dá)以及超聲波雷達(dá)等。 針對(duì)不同的傳感器，采用的感知算法會(huì)有所區(qū)別，跟傳感器感知環(huán)境的機(jī)理是有關(guān)系的。每一種傳感器感知環(huán)境的能力和受環(huán)境的影響也各不相同。比如攝像頭在物體識(shí)別方面有優(yōu)勢(shì)，但是距離信息比較欠缺，基于它的識(shí)別算法受天氣、光線影響也非常明顯。激光掃描儀及毫米波雷達(dá)，能精確測(cè)得物體的距離，但是在識(shí)別物體方面遠(yuǎn)弱于攝像頭。同一種傳感器因其規(guī)格參數(shù)不一樣，也會(huì)呈現(xiàn)不同的特性。為了發(fā)揮各自傳感器的優(yōu)勢(shì)，彌補(bǔ)它們的不足，傳感器信息融合是未來(lái)的趨勢(shì)。事實(shí)上，已經(jīng)有零部件供應(yīng)商做過(guò)此事，比如德?tīng)柛ｉ_(kāi)發(fā)的攝像頭與毫米波雷達(dá)組合感知模塊已應(yīng)用

14、到量產(chǎn)車上。因此本系統(tǒng)設(shè)計(jì)將多個(gè)感知模塊結(jié)合去識(shí)別各種環(huán)境實(shí)物。 5.1 交通識(shí)別模塊 交通標(biāo)識(shí)識(shí)別模塊又分為交通標(biāo)志牌識(shí)別和交通信號(hào)燈識(shí)別。其中，交通標(biāo)志牌識(shí)別主要由以下幾部分組成：(1)圖像/視頻輸入；(二)交通標(biāo)識(shí)檢測(cè)；(三)交通標(biāo)識(shí)識(shí)別；(四)識(shí)別結(jié)果輸出；(五)實(shí)驗(yàn)數(shù)據(jù)庫(kù)和訓(xùn)練樣本數(shù)據(jù)庫(kù)。交通信號(hào)燈識(shí)別主要由以下幾部分組成：(1)圖像/視頻輸入；(2)交通信號(hào)燈檢測(cè)；(3)交通信號(hào)燈狀態(tài)識(shí)別；(4)識(shí)別結(jié)果輸出。交通標(biāo)識(shí)識(shí)別模塊系統(tǒng)框圖如圖3和圖4所示。 圖4 交通標(biāo)志牌識(shí)別系統(tǒng)框圖 圖5 交通信號(hào)燈識(shí)別系統(tǒng)框 5.2 車道線檢測(cè)與識(shí)別模塊 車道線檢測(cè)模塊是通

15、過(guò)對(duì)傳感器圖像進(jìn)行車道線檢測(cè)和提取來(lái)獲取道路上的車道線位置和方向，通過(guò)識(shí)別車道線，提供車輛在當(dāng)前車道中的位置，能夠幫助無(wú)人車遵守交通規(guī)則，為無(wú)人駕駛車輛的自主行駛提供導(dǎo)向，提高無(wú)人車的行車穩(wěn)定性。智能車道線檢測(cè)和識(shí)別模塊的處理流程主要是： 對(duì)采集的圖像進(jìn)行預(yù)處理，主要是圖像的平滑； 對(duì)圖像進(jìn)行二值化，為了適應(yīng)光照分布的不均勾，采用了自適應(yīng)閾值二值化方法； 對(duì)二值化圖像進(jìn)行分析，得出該路段屬于哪種路況； 對(duì)不同路況運(yùn)用不同算法進(jìn)行檢測(cè)和識(shí)別在圖像預(yù)處理階段，運(yùn)用高斯平滑模板對(duì)圖像進(jìn)行平滑，去除圖像噪聲的干擾。在圖像二值化上，利用S*S大小的均值模板對(duì)圖像進(jìn)行卷積，將圖像中車道線的區(qū)域信息

16、提取出來(lái)，然后通過(guò)逆透視投影變換，通過(guò)路況判斷，識(shí)別出車道線，通過(guò)透視投影原理，將車道線映射到原始圖像上。 5.3 車輛檢測(cè)模塊 車輛檢測(cè)模塊則是通過(guò)對(duì)相機(jī)圖像進(jìn)行處理將環(huán)境中的車輛檢測(cè)出來(lái)，為了保證圖像中任意尺寸的車輛都能檢測(cè)到，本設(shè)計(jì)采用滑動(dòng)窗口的目標(biāo)檢測(cè)：在輸入圖像的多尺度空間中，對(duì)圖像進(jìn)行放縮，然后在每一個(gè)尺度上，通過(guò)平行移動(dòng)滑動(dòng)搜索窗口，可以獲得不同尺度和不同坐標(biāo)位置的子圖。其次對(duì)所獲得子框圖的類別進(jìn)行判別，整合各個(gè)子框圖的類別信息，輸出檢測(cè)得到的結(jié)果。其檢測(cè)采用的是基于區(qū)域的Haar特征描述算子和Adaboost級(jí)聯(lián)分類器。 5.4 決策規(guī)劃層 無(wú)人駕駛車輛決策規(guī)劃層的任務(wù)

17、是根據(jù)路網(wǎng)文件(RNDF)、任務(wù)文件(MDF)以及定位信息生成一條全局最優(yōu)路徑，并在交通規(guī)則的約束下，依靠環(huán)境感知信息實(shí)時(shí)推理出正確合理的駕駛行為，最終生成安全可行駛的路徑發(fā)送給控制執(zhí)行系統(tǒng)。決策規(guī)劃層分為全局規(guī)劃、行為決策和運(yùn)動(dòng)規(guī)劃三個(gè)模塊。 全局規(guī)劃模塊首先讀取網(wǎng)文件和任務(wù)文件，遍歷路網(wǎng)文件中的所有路點(diǎn)，生成所有路點(diǎn)之間的連通性，然后根據(jù)任務(wù)文件來(lái)設(shè)定起點(diǎn)、任務(wù)點(diǎn)和終點(diǎn)，計(jì)算出最優(yōu)路徑，最終將這條最優(yōu)路徑的路點(diǎn)序列發(fā)送給行為決策模塊。 行為決策模塊針對(duì)車輛所處的不同交通場(chǎng)景、任務(wù)要求以及環(huán)境特征，將無(wú)人駕駛車輛行為分為多個(gè)狀態(tài)，并延展為不同的亞態(tài)和子態(tài)。 運(yùn)動(dòng)規(guī)劃模塊的任務(wù)則是根據(jù)行

18、為決策模塊發(fā)送的局部目標(biāo)點(diǎn)以及環(huán)境感知信息，實(shí)時(shí)規(guī)劃出安全可行駛的路徑，并將路徑的軌跡點(diǎn)序列發(fā)送給控制執(zhí)行。 六、無(wú)人駕駛汽車實(shí)現(xiàn)的技術(shù)展望 目前無(wú)人駕駛技術(shù)的實(shí)現(xiàn)主要是基于激光傳感技術(shù)或者是超聲雷達(dá)技術(shù)等，經(jīng)過(guò)十余年的研究探索，許多機(jī)構(gòu)和公司都已經(jīng)推出了自己的無(wú)人駕駛汽車，但基本都存在不足，并不能實(shí)現(xiàn)真正意義的“無(wú)人駕駛”。 解決無(wú)人駕駛汽車的關(guān)鍵技術(shù)主要在于兩個(gè)方面，一方面是算法的設(shè)計(jì)，另一方面便是傳感器的設(shè)計(jì)。傳感器的精度和響應(yīng)速度直接關(guān)系到無(wú)人駕駛汽車的安全性問(wèn)題，而安全性正是無(wú)人駕駛技術(shù)最基本也是最關(guān)鍵的部分。將來(lái)無(wú)人駕駛技術(shù)的發(fā)展方向也應(yīng)該是改善算法和選擇更合適精度更高的傳感

19、器。 本文從原理上設(shè)計(jì)了一個(gè)無(wú)人駕駛汽車的傳感器系統(tǒng)，簡(jiǎn)要介紹了各個(gè)組成部分的功能和算法結(jié)構(gòu)。文中所坦述的內(nèi)容基本可以應(yīng)對(duì)大多數(shù)的道路情況，在低速的條件下實(shí)現(xiàn)無(wú)人駕駛，但實(shí)際的生活中，汽車駕駛的環(huán)境十分復(fù)雜，想要通過(guò)儀器設(shè)備分析到判斷交通手勢(shì)或者其他司機(jī)行人的手勢(shì)等不固定的交通信號(hào)，還是存在很大的困難。另外無(wú)人駕駛汽車在應(yīng)對(duì)緊急狀況時(shí)的表現(xiàn)也存在很大的爭(zhēng)議，當(dāng)涉及倫理和道德的時(shí)候情況會(huì)變的更加復(fù)雜。 總之，無(wú)人駕駛汽車的發(fā)展是一個(gè)大趨勢(shì)，好處巨大，能夠大幅的節(jié)省人力物力，提高效率，減少交通事故和擁堵。要實(shí)現(xiàn)無(wú)人駕駛汽車技術(shù)的成熟化還需要無(wú)數(shù)科研工作者付出巨大的努力。  參

20、考文獻(xiàn) [1] Ferguson D, Darms M, Urmson C, et al. Detection, prediction, and avoidance of dynamic obstacles in urban environments[C]//IEEE Intelligent Vehicles Symposium. Piscataway, USA: IEEE, 2008: 1149-1154. [2] Urmson C, Anhalt J, Bagnell D, et al. Autonomous driving in urban environments: Boss

21、and the urban challenge[J]. Journal of Field Robotics, 2008, 25(8): 425-466. [3] Mertz C, Navarro-Serment L E, MacLachlan R, et al. Moving object detection with laser scanners[J]. Journal of Field Robotics, 2013, 30(1): 17-43. [4] 程健，項(xiàng)志宇，于海濱等. 城市復(fù)雜環(huán)境下基于三維激光雷達(dá)實(shí)時(shí)車輛檢測(cè)[J]. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）2014，48（12）：2102-

22、2106 [5] 吳維一. 激光雷達(dá)及多傳感器融合技術(shù)應(yīng)用研究[D]. 長(zhǎng)沙: 國(guó)防科學(xué)技術(shù)大學(xué).2006 [6] IBEO Automobile Sensor GmbH, ALASCA User Manual, Version 1.2.4, Mar 2005. [7] 辛煜，梁華為，梅濤等. 基于激光傳感器的無(wú)人駕駛汽車動(dòng)態(tài)障礙物檢測(cè)及表示方法[J]. 機(jī)器人2014,36（6）654-661 [8] 趙盼. 城市環(huán)境下無(wú)人駕駛車輛運(yùn)動(dòng)控制方法的研究[D]. 中國(guó)科學(xué)技術(shù)大學(xué)，2012. [9] Yang J, Kong B. Sparsely Connected Associat

23、ive Memory with Adaptive Topology through Annealed Dilution[C]//2012 Fifth International Symposium on Computational Intelligence and Design (ISCID). IEEE, 2012,1: 168-172, [10] Huang J, Liang H, Wang Z, et al. Robust lane marking detection under different road conditions[C]//2013 IEEE International Conference on Robotics and Biomimetics (ROBIO) IEEE,2013 1753-1758. [11] 劉梓，唐振民，任明武. 基于激光雷達(dá)的實(shí)時(shí)道路邊界檢測(cè)算法[J]. 華中科技大學(xué)學(xué)報(bào).(自然科學(xué)版)2011,2