基于LabVIEW 和單線激光雷達(dá)的障礙物識(shí)別算法研究

袁 春，曾 凡，李 昊，胡 萌，徐 哲

（1.重慶理工大學(xué) 汽車零部件先進(jìn)制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，重慶 400054；2.重慶理工大學(xué) 機(jī)械檢測技術(shù)與裝備教育部工程研究中心，重慶 400054）

激光雷達(dá)由于可以獲得極高的角度、距離分辨率和良好的抗干擾能力，被大量應(yīng)用于車輛智能駕駛中。多線激光雷達(dá)能夠獲得障礙物豐富的點(diǎn)云信息，但價(jià)格昂貴，給智能車輛普及帶來較大的挑戰(zhàn)。單線激光雷達(dá)結(jié)構(gòu)簡單，并且由于價(jià)格低廉，在自動(dòng)駕駛領(lǐng)域開始有所涉及。對于雷達(dá)感知算法的整體架構(gòu)，楊飛等［1］采用Ubuntu下的ROS機(jī)器人實(shí)時(shí)操作系統(tǒng)實(shí)現(xiàn)動(dòng)態(tài)障礙物的檢測和追蹤。汪佩［2］采用嵌入式軟硬件系統(tǒng)，基于OpenCv、OpenCL及QT環(huán)境進(jìn)行數(shù)據(jù)處理。于金霞等［3］采用Windows下的Visual C++編寫的障礙物識(shí)別算法。

LabVIEW 是近年來逐步應(yīng)用的一款圖形化交互式編程軟件［4］，通過虛擬儀器模塊，將軟件和各種硬件工具連接起來。依靠LabVIEW 在數(shù)據(jù)采集、實(shí)時(shí)通信、圖形信息顯示方面的強(qiáng)大功能，以及在智能駕駛領(lǐng)域的逐步應(yīng)用，將LabVIEW 運(yùn)用于激光雷達(dá)環(huán)境感知中的障礙物檢測。有關(guān)障礙物的單線激光雷達(dá)檢測算法，湖南大學(xué)莊秀華依據(jù)雷達(dá)的點(diǎn)云數(shù)據(jù)掃描特點(diǎn)，采用中值濾波算法處理噪聲數(shù)據(jù)，使用最近鄰算法歸類障礙物的點(diǎn)云，最近匹配法和卡爾曼濾波進(jìn)行跟蹤［5］。劉偉［6］選取車輛幾何特征作為目標(biāo)識(shí)別的依據(jù)，選用支持向量機(jī)進(jìn)行分類［7］，通過交叉驗(yàn)證和網(wǎng)格搜索尋找最優(yōu)參數(shù)以提高車輛的識(shí)別率。楊成提出一種近鄰域和層次聚類相結(jié)合的算法進(jìn)行聚類，得到各個(gè)聚類的質(zhì)心［8］。通過置信區(qū)間的關(guān)聯(lián)性辨識(shí)同一個(gè)障礙物的速度和航向。

本文提出一種基于LabVIEW 的單線激光雷達(dá)障礙物識(shí)別算法。一方面，依靠LabVIEW強(qiáng)大的數(shù)據(jù)通信和圖形顯示功能，識(shí)別算法具有良好的實(shí)時(shí)性和可顯示性。另一方面，針對DBSCAN［9］算法聚類的缺點(diǎn)，提出一種融合高斯模型，即對雷達(dá)掃描范圍分區(qū)域自主計(jì)算聚類算法的閾值參數(shù)的方法，提高對障礙物點(diǎn)云數(shù)據(jù)的檢測能力和識(shí)別算法的執(zhí)行效率。算法完整流程參考圖1。

以北京佳光科技有限公司生產(chǎn)的L1NO單線離軸激光雷達(dá)作為主要傳感器，水平掃描角度為100°，最小測距誤差為2 cm，激光的掃描頻率為5～20 Hz，測距范圍為0.3～30m，采用以太網(wǎng)通訊。

圖1 障礙物識(shí)別算法流程框圖

1 障礙物檢測

1.1 雷達(dá)數(shù)據(jù)解析

將雷達(dá)報(bào)文信息進(jìn)行解析，在LabVIEW 底層中讀取原雷達(dá)數(shù)據(jù)，雷達(dá)原始數(shù)據(jù)組成見表1。

表1 雷達(dá)UDP數(shù)據(jù)包組成

LabVIEW 解析過程見圖2?；趩尉€激光雷達(dá)的水平視場角和測距范圍，以及路面的實(shí)際情況，設(shè)定感興趣區(qū)域?yàn)槔走_(dá)前方30 m的測量范圍。感興趣區(qū)域［10］的設(shè)定，一方面需考慮雷達(dá)的掃描范圍，另一方面是為了減小數(shù)據(jù)處理規(guī)模，提高算法的執(zhí)行效率，去掉無關(guān)的點(diǎn)云數(shù)據(jù)。但感興趣區(qū)域的設(shè)定也不能過小，以防止路面前方車輛信息的丟失，影響車輛的行駛安全。

圖2 數(shù)據(jù)解析程序框圖

1.2 雷達(dá)點(diǎn)云的影響因素

1.2.1 雷達(dá)的反射率

激光束掃描到不同的障礙物表面，反射率［11-12］差別較大，表2是經(jīng)過反射實(shí)驗(yàn)采集的反射率數(shù)據(jù)。經(jīng)過試驗(yàn)，L1NO雷達(dá)對于白色車輛的反射率最好，對于黑色車輛，可能會(huì)出現(xiàn)車輛輪廓點(diǎn)云失真而導(dǎo)致障礙物信息丟失。

表2 不同物體的反射率

1.2.2 距離因素

雷達(dá)離地高度設(shè)定為0.7 m，真實(shí)環(huán)境中，隨著距離的增加，光路的衰減將極大地影響物體的反射率，從而影響測量的準(zhǔn)確性。通過雷達(dá)實(shí)測，在0～30 m的障礙物，隨著障礙物逐漸遠(yuǎn)離雷達(dá)，得到的雷達(dá)點(diǎn)云點(diǎn)數(shù)越來越少。對于30 m以外的障礙物，由于受到激光測距范圍的影響，點(diǎn)云數(shù)量稀少，不能表征出一個(gè)障礙物的外部輪廓，因此設(shè)定探測區(qū)域?yàn)槔走_(dá)正前方30 m。

1.3 障礙物的聚類

針對障礙物形狀輪廓的提取，通常采用聚類算法進(jìn)行處理。與其他聚類算法相比，DBSCAN算法對不同點(diǎn)云數(shù)量的簇以及不同形狀的簇，通過對形成一個(gè)完整障礙物點(diǎn)云簇的最少點(diǎn)的數(shù)量和點(diǎn)間距參數(shù)的設(shè)置，快速判定該樣本點(diǎn)所對應(yīng)的外部實(shí)體的種類。該算法構(gòu)成主要包括：

1）核心對象：假定存在某一個(gè)數(shù)據(jù)點(diǎn)為核心對象，則要求在以該點(diǎn)為球心、長度Eps為半徑的球面范圍內(nèi)，存有最少M(fèi)in pts個(gè)空間點(diǎn)。定義該點(diǎn)為（Eps，Min pts）的核心對象，存在以Eps鄰域?yàn)榘霃降耐暾c(diǎn)云簇。

2）密度可達(dá)：存在一組數(shù)據(jù)點(diǎn)集｛Q1，Q2，…，Qn｝，對Qi＜D（0＜i＜n），Qi+1是從Qi出發(fā)關(guān)于（Eps，Min pts）直接密度可達(dá)，直接密度可達(dá)則表示對象鏈中的任一個(gè)元素Qi密度可達(dá)。對于不同大小的實(shí)體障礙物，雷達(dá)掃描得到的點(diǎn)數(shù)也不一樣，并且由于雷達(dá)點(diǎn)云的掃描特點(diǎn)，隨著距離的變化，同一個(gè)障礙物表面的反射面積也會(huì)變化，障礙物點(diǎn)云數(shù)量也隨之變化。閾值參數(shù)的算法如下：

式（1）表示閾值Eps為點(diǎn)云數(shù)據(jù)data和最小點(diǎn)數(shù)Min pts的函數(shù)，式（2）是求取點(diǎn)云data的數(shù)量，式（3）是求取距離閾值Eps的大小。參數(shù)m表示點(diǎn)簇的數(shù)量，n值為2，計(jì)算過程引入伽瑪（gamma）函數(shù)，k為調(diào)節(jié)系數(shù)。常見雷達(dá)掃描車輛外形輪廓的點(diǎn)云形狀分為“I”型、“L”型和其他型，如圖3所示。

參考圖4的高斯分布［13-14］曲線，可以把“I”型看作一個(gè)類似的高斯分布，“L”型看作是2個(gè)高斯分布的組合，高斯模型采用式（5）表示：r式（4）中模型p表示由多個(gè)正態(tài)函數(shù)g（x|μi，σi）疊加組成；π表示模型權(quán)值的向量；σ表示正態(tài)分布的方差值矩陣；μ表示統(tǒng)計(jì)模型中的期望值向量；i表示數(shù)據(jù)點(diǎn)所代表的統(tǒng)計(jì)正態(tài)分布模型的個(gè)數(shù)。

圖3 雷達(dá)掃描點(diǎn)云形狀

圖4 高斯分布曲線

雷達(dá)掃描障礙物的動(dòng)態(tài)調(diào)節(jié)聚類［15］算法的重要參數(shù)點(diǎn)數(shù)閾值Min pts表達(dá)式見式（6），圖5為不同距離下的掃描示意圖。

圖5 不同掃描距離示意圖

式中：d為X方向上二維高斯分布模型點(diǎn)的坐標(biāo)值（d1、d2、d3表示運(yùn)動(dòng)的障礙物不同時(shí)刻X方向不同的高斯坐標(biāo)值），d取值為0＜d≤30，s為Y方向上二維高斯分布點(diǎn)的坐標(biāo)值（即高斯分布的期望值），s取值為0＜s≤30，θ為相鄰掃描線的夾角，δ為激光雷達(dá)掃描寬×長為2 m×4 m車輛外部輪廓的點(diǎn)數(shù)經(jīng)驗(yàn)值，取值35，γ為調(diào)節(jié)因子。

2 障礙物跟蹤

障礙物的跟蹤首先需要建立不同時(shí)刻障礙物信息的數(shù)據(jù)關(guān)聯(lián)，以找到同一個(gè)障礙物在不同時(shí)間域的點(diǎn)云數(shù)據(jù)。數(shù)據(jù)關(guān)聯(lián)主要依靠前后幀的障礙物點(diǎn)云信息，即障礙物的外部輪廓長寬信息、速度信息、位置信息，通過時(shí)間上的連續(xù)性，判定是否屬于同一個(gè)物體。對于激光雷達(dá)傳感器來說，由于雷達(dá)掃描受到外部光線干擾、對深色物體掃描失真、路邊花叢樹葉反射等觀測噪聲，以及由于車身抖動(dòng)造成雷達(dá)自身振動(dòng)帶來的過程噪聲，單幀的檢測結(jié)果無法判別出運(yùn)動(dòng)對象的準(zhǔn)確信息，必須依靠連續(xù)多幀的點(diǎn)云數(shù)據(jù)。同一個(gè)運(yùn)動(dòng)對象，只有被多次檢測并且能與路面中真實(shí)的車輛和行人匹配［16］，才能確定其運(yùn)動(dòng)狀態(tài)。

本文中的數(shù)據(jù)關(guān)聯(lián)算法，采用最近鄰算法的思想，依據(jù)距離最近的K個(gè)鄰居所歸屬的類來判別新數(shù)據(jù)集的類別屬性。在目標(biāo)掃描跟蹤范圍內(nèi)，若檢測到只有一個(gè)觀測點(diǎn)云數(shù)據(jù)點(diǎn)，則使用該觀測數(shù)據(jù)對目標(biāo)進(jìn)行更新。但是如果在掃描跟蹤范圍內(nèi)存在多個(gè)觀測數(shù)據(jù)，計(jì)算觀測點(diǎn)與目標(biāo)預(yù)測點(diǎn)的距離，并比較距離的大小，通過距離最小的觀測點(diǎn)來更新目標(biāo)狀態(tài)。根據(jù)這種近鄰算法思想，對于可能屬于同一個(gè)障礙物的點(diǎn)云，聚類成一個(gè)塊后，經(jīng)過一個(gè)掃描周期，相鄰2個(gè)時(shí)刻的障礙物外部矩形框輪廓，必然存在重疊區(qū)域，為了簡化這種描述，用矩形框的極坐標(biāo)的夾角的重疊區(qū)域來表示，如圖6所示。

圖6 前后時(shí)刻障礙物的運(yùn)動(dòng)關(guān)聯(lián)示意圖

2.1 運(yùn)動(dòng)參數(shù)

如圖7所示，障礙物沿著直線l運(yùn)動(dòng)，由于雷達(dá)掃描∠KOH水平視場角為100°，在進(jìn)入雷達(dá)邊界直線OK之前，雷達(dá)無法掃描。A點(diǎn)為雷達(dá)開始掃描點(diǎn)，受到雷達(dá)掃描距離30 m的限制（設(shè)定OB=30 m），因此AB段是有效掃描區(qū)域。隨著距離越來越遠(yuǎn)，障礙物信息開始丟失，能部分顯示車輛輪廓，點(diǎn)云數(shù)據(jù)不穩(wěn)定，BC段是掃描失真區(qū)域（經(jīng)過實(shí)測，OC約為45 m）。C點(diǎn)之外，障礙物離開雷達(dá)視線。圖8是LabVIEW 實(shí)時(shí)采集的界面，考慮到車輛的外形輪廓，圖8（a）表示障礙物剛進(jìn)入雷達(dá)掃描范圍，圖8（b）表示車身完整輪廓顯示，圖8（c）表示車輛即將離開掃描范圍。

圖7 雷達(dá)坐標(biāo)系下掃描示意圖

圖8 LabVIEW 實(shí)時(shí)采集的界面

常用運(yùn)動(dòng)模型分為勻速運(yùn)動(dòng)、勻加速運(yùn)動(dòng)、變速運(yùn)動(dòng)和統(tǒng)計(jì)模型，由于模型的復(fù)雜多變難以得到定性的實(shí)驗(yàn)結(jié)果，本文中試驗(yàn)場景包含靜止的試驗(yàn)車掃描運(yùn)動(dòng)的目標(biāo)車和運(yùn)動(dòng)的試驗(yàn)車掃描從左后方超車的目標(biāo)車。

為了簡化模型，在數(shù)據(jù)關(guān)聯(lián)成功之后，提取當(dāng)前時(shí)刻障礙物外接矩形框的幾何點(diǎn)，取其坐標(biāo)作為該障礙物的位置信息。連續(xù)兩幀的同一個(gè)障礙物的位置除以掃描時(shí)間，可以直接求出速度。

式中：xt、yt為t時(shí)刻的X、Y方向的坐標(biāo)值；xt+1、yt+1為（t+1）時(shí)刻的X、Y方向的坐標(biāo)值；T為掃描周期。

2.2 軌跡跟蹤

在實(shí)際情況下，很難得到運(yùn)動(dòng)對象的真實(shí)狀態(tài)值。雷達(dá)在探測目標(biāo)時(shí)，根據(jù)反射波能夠得到目標(biāo)的距離，但雷達(dá)探測時(shí)存在周圍環(huán)境的不確定干擾，需要在包含噪聲數(shù)據(jù)的觀測信息數(shù)據(jù)集中，識(shí)別出車輛的狀態(tài)參數(shù)。因?yàn)楹茈y獲取所需運(yùn)動(dòng)對象的真實(shí)狀態(tài)值，只能根據(jù)觀測信號(hào)估計(jì)或者預(yù)測這些狀態(tài)變量，工程實(shí)踐中，通常選取卡爾曼濾波器［17］作為降低噪聲干擾的處理方法。

雷達(dá)空間中運(yùn)動(dòng)物體的運(yùn)動(dòng)模型可以表示為：

式中：X（k）為4階的狀態(tài)參數(shù)矩陣，包含位移的X方向和Y方向參量，速度的X方向和Y方向參量，F(xiàn)是狀態(tài)矩陣，W（k）和Q分別表示過程噪聲矩陣和過程噪聲值。

系統(tǒng)的觀測方程：

式中：Z（k+1）為雷達(dá)觀測量；H 為觀測矩陣；V（k）為觀測誤差矩陣。

目標(biāo)信息的下一步預(yù)測：

一步預(yù)測協(xié)方差陣：

求濾波增益矩陣：

狀態(tài)更新：

協(xié)方差更新：

通常，狀態(tài)矩陣F表示為

觀測矩陣H：

過程噪聲Q：

觀測噪聲R：

協(xié)方差矩陣P：

式中：In為n階單位矩陣；P為協(xié)方差矩陣，表示誤差的偏差，與X（k）狀態(tài)矩陣相對應(yīng)，同為4階矩陣；K為卡爾曼增益；X＾為卡爾曼估計(jì)量；Q為過程噪聲方差；R為觀測噪聲方差；dt為雷達(dá)掃描周為100 ms。通過雷達(dá)采集的大量離線數(shù)據(jù)實(shí)測，Q和R取值參照式（17）和式（18）。本文中，對上述公式進(jìn)行了修正，在式（9）中，原公式中的觀測值Z（k）用雷達(dá)關(guān)聯(lián)后的障礙物的信息data（k）代替，式（9）實(shí)際情況下不應(yīng)用于濾波程序。式（13）中的Z（k+1）用data（k+1））替換，即表明雷達(dá)的觀測數(shù)據(jù)，包含了雷達(dá)的觀測噪聲方差R，實(shí)時(shí)更新導(dǎo)入卡爾曼濾波程序中。經(jīng)過多次迭代后，濾波器的增益矩陣和協(xié)方差矩陣不斷更新，以適應(yīng)障礙物連續(xù)多幀的航跡［18］。

3 試驗(yàn)驗(yàn)證

3.1 試驗(yàn)實(shí)車平臺(tái)

圖9為重慶理工大學(xué)機(jī)械工程中心搭建的第二代物流電動(dòng)車平臺(tái)。該物流小車主要用于解決社區(qū)和校園道路最后1 km的快遞物件的配送問題。該實(shí)驗(yàn)車的傳感器搭載方案包括L1NO單線激光雷達(dá)（圖10）、1套R(shí)GPark 982 GNSS衛(wèi)星導(dǎo)航系統(tǒng)（圖11）、1臺(tái)具備4核2.7 GHz中央處理器和8 G運(yùn)行內(nèi)存的工控機(jī)。表3為RGPark 982 GNSS衛(wèi)星導(dǎo)航系統(tǒng)的定位精度。

圖9 物流電動(dòng)車平臺(tái)

圖10 L1NO單線激光雷達(dá)

圖11 RGPark 982 GNSS衛(wèi)星導(dǎo)航系統(tǒng)

表3 RGPark 982 GNSS衛(wèi)星導(dǎo)航系統(tǒng)定位精度

3.2 試驗(yàn)設(shè)置

使用LabVIEW+DLL軟件平臺(tái)，動(dòng)態(tài)鏈接庫DLL是一個(gè)多程序可以共享的數(shù)據(jù)模塊［19-20］，擴(kuò)展名為dll，內(nèi)部對代碼進(jìn)行封裝。其與可執(zhí)行文件（EXE）較為接近，區(qū)別在于DLL雖含有執(zhí)行代碼卻不能單獨(dú)執(zhí)行，必須用Windows應(yīng)用程序調(diào)用。實(shí)驗(yàn)道路選在靠近校園操場的一段路，如圖12所示。

圖12 實(shí)驗(yàn)現(xiàn)場

L1NO雷達(dá)掃描時(shí)間100 ms，算法處理時(shí)間150 ms。圖13為雷達(dá)自帶軟件掃描原始場景和LabVIEW 軟件下的掃描結(jié)果。

圖13 雷達(dá)掃描障礙物

實(shí)驗(yàn)場景1中，實(shí)驗(yàn)車輛靜止，運(yùn)動(dòng)的目標(biāo)車輛以12 km/h的平均時(shí)速左側(cè)駛過，單線激光雷達(dá)掃描并采集到60幀的車輛信息。實(shí)驗(yàn)場景2，20 km/h平均時(shí)速的目標(biāo)車輛對前方行駛的實(shí)驗(yàn)車輛超車后右轉(zhuǎn)，實(shí)驗(yàn)車輛上的雷達(dá)感知系統(tǒng)采集85幀的目標(biāo)車輛信息。受制于單線激光雷達(dá)100°的水平視場角和雷達(dá)的實(shí)時(shí)數(shù)據(jù)刷新率，對于寬×長為2 m×4 m的車輛的檢測，目標(biāo)車輛位于雷達(dá)前方5～30 m的識(shí)別效果最佳。

圖14是場景2實(shí)驗(yàn)時(shí)算法捕捉雷達(dá)掃描目標(biāo)相鄰幀的LabVIEW 圖形。

在場景2超車實(shí)驗(yàn)中，籃球場前側(cè)的石墻被誤判為車輛，如圖12箭頭所指（1）處。隨著掃描幀數(shù)的增加，車輛的長寬外形尺寸上的穩(wěn)定性以及速度的連續(xù)性，被數(shù)據(jù)關(guān)聯(lián)和濾波算法判定為其他的障礙物，因而取消了對不屬于同一個(gè)移動(dòng)障礙物的跟蹤。此算法能實(shí)時(shí)獲取移動(dòng)車輛的位置和速度，并且在LabVIEW 的VI程序前面板中動(dòng)態(tài)顯示。

圖14 場景2實(shí)驗(yàn)LabVIEW 實(shí)時(shí)圖形

3.3 實(shí)驗(yàn)結(jié)果分析

卡爾曼濾波算法依據(jù)時(shí)間維度進(jìn)行濾波，程序迭代是進(jìn)行目標(biāo)狀態(tài)的“預(yù)測—修正”。通過實(shí)驗(yàn)結(jié)果可知，剛開始前幾幀濾波值跳動(dòng)角度，濾波效果不理想。隨著迭代次數(shù)的增加，卡爾曼濾波算法根據(jù)連續(xù)多幀的觀測數(shù)據(jù)，不斷調(diào)整自身的過程噪聲誤差Q、觀測噪聲R、誤差協(xié)方差P。線性卡爾曼濾波能夠有效減少位移和速度的跳變，使運(yùn)行運(yùn)動(dòng)狀態(tài)更加平穩(wěn)。穩(wěn)定跟蹤后的濾波值受到觀測狀態(tài)的影響，但是總體上與實(shí)際狀態(tài)相符。在雷達(dá)出現(xiàn)掃描失真時(shí)，通過對障礙物位置以及速度參數(shù)的滾動(dòng)更新，提供最新的狀態(tài)信息給決策模塊，以適應(yīng)復(fù)雜多變的道路環(huán)境。當(dāng)連續(xù)5幀障礙物信息失真或者完全丟失，則終止該軌跡。圖15、16表示場景1的位移和速度濾波結(jié)果。

圖中散點(diǎn)表示雷達(dá)掃描的障礙物位移和速度信息，實(shí)線是濾波結(jié)果。通過分析，實(shí)驗(yàn)車輛以12 km/h的平均速度行駛，雷達(dá)掃描采集的觀測數(shù)據(jù)波動(dòng)較大，通過卡爾曼濾波，減小了環(huán)境噪聲點(diǎn)的干擾，當(dāng)前時(shí)刻所預(yù)測的位移和速度信息更接近下一時(shí)刻的觀測信息。圖17、18表示場景2位移和速度濾波結(jié)果。

圖15 場景1位移濾波軌跡

圖16 場景1速度濾波曲線

圖17 場景2位移濾波軌跡

圖18 場景2速度濾波曲線

場景2中，速度波動(dòng)較大，這是因?yàn)槔走_(dá)在運(yùn)動(dòng)的試驗(yàn)車上，受到自身支架輕微震動(dòng)的影響，導(dǎo)致聚類點(diǎn)云位置波動(dòng)。相比較場景1，場景2中的實(shí)時(shí)位移和速度波動(dòng)較大，但通過卡爾曼算法對多個(gè)相鄰時(shí)刻障礙物參數(shù)信息的滾動(dòng)優(yōu)化，觀測值與預(yù)測值之間的誤差變小，濾波之后的位移和速度減小了干擾信息，保證輸出參數(shù)的平穩(wěn)。通過在校園路段多次試驗(yàn)，本算法對于車輛前方30 m的障礙物的聚類的準(zhǔn)確率為99%，跟蹤的有效率為90%，少數(shù)未能準(zhǔn)確匹配的幾幀參數(shù)，主要原因是單線激光雷達(dá)在室外的工作環(huán)境下，外部強(qiáng)光光線的干擾以及雷達(dá)對車輛特殊顏色（黑色）的反射率不高。

4 結(jié)論

對校園環(huán)境下低速行駛的車輛的檢測跟蹤問題進(jìn)行研究，提出了在單線激光雷達(dá)點(diǎn)云數(shù)據(jù)上檢測移動(dòng)障礙物算法。在Simulink中完成點(diǎn)云聚類，多幀點(diǎn)云信息的數(shù)據(jù)關(guān)聯(lián)，對同一個(gè)運(yùn)動(dòng)目標(biāo)觀測出實(shí)時(shí)軌跡和速度。通過加載相關(guān)插件的編譯環(huán)境后，編譯成動(dòng)態(tài)鏈接庫DLL，放入LabVIEW底層框架下予以調(diào)用?？紤]到激光雷達(dá)的觀測噪聲和過程噪聲，對于出現(xiàn)障礙物信息丟失以及航跡跳動(dòng)較大的情況，濾波程序能夠給出修正后的估計(jì)值，提供給決策系統(tǒng)，保證航跡的穩(wěn)定和行車的安全。實(shí)驗(yàn)表明，本算法能夠以150 ms的刷新頻率，對車輛前方30 m的運(yùn)動(dòng)的障礙物實(shí)時(shí)有效地識(shí)別和跟蹤，滿足低速行駛條件下物流電動(dòng)車對道路環(huán)境感知的需求。

在此工作的基礎(chǔ)上，下一步研究的重點(diǎn)是提高識(shí)別的正確率和多場景應(yīng)用：

1）采用多個(gè)單線激光雷達(dá)，提高水平掃描視場角，降低漏檢率；

2）考慮增加相機(jī)，通過相機(jī)這種視覺傳感器采集的深度信息，并融合其他傳感器采集的信息，強(qiáng)化對道路路面車輛信息的檢測能力；

3）增加對行人的掃描識(shí)別，提高對車輛前方障礙物的感知能力。