为解决无人驾驶车辆在城市路况下对多个动态障碍物同时检测和跟踪的关键问题,提出一种基于三维激光雷达的多目标实时检测和跟踪方法。通过对单帧激光雷达点云数据进行聚类,提取障碍物外接矩形轮廓特征;采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联;利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。试验结果表明,该算法能够在自行搭建的智能车平台上以每帧100 ms的速度准确、稳定地检测和跟踪。 ?γ=1°；NT为预聚类中mi中障碍点的个数；为阈值因数，由经验获得，本文取=5。图3为障碍点的预聚类结果。结果显示不同障碍物误识别为同一个障碍物。这是由于两车体倾斜，障碍点投影到x轴后，基于三维激光雷达-电动液压钢管滚圆机滚弧机张家港数控滚圆机滚弧机其x坐标相差较小，障碍点投影到y轴后，其y坐标相差也较校图3预聚类结果图4为应用DBSCAN算法后的聚类结果，结果显示，该算法可将预聚类误识别同一障碍物的不同障碍物分开，本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name同时可将长度过长，面积过小，点密度太稀疏的障碍物剔除，它们可能是墙壁、树叶、树干等静态障碍物。图4DBSCAN聚类结果05101520x/m420-2-4-6-8-10ym/雷达0510152025x/m420-2-4-6-8-10ym/雷达-10010203040x/m151050-510-15ym/雷达0510152025x/m10汽车技术用多目标假设跟踪（MultipleHypothesisTracking，MHT）方法以及卡尔曼滤波器对目标进行跟踪。2障碍物检测2.1有效障碍点的筛选由于激光雷达每次采集障碍点时视角不同，采集的部分障碍点坐标变化较大，而且很多障碍点与障碍物的跟踪不相关，如路面、树叶、墙体、高楼等。障碍点过多会影响外围矩形轮廓的提取，因此有必要对原始数据进行筛眩首先建立感兴趣空间区域，将此空间以外的点剔除。图1为三维激光雷达原始数据，坐标（0,0）为激光雷达所在位置，本文选取的高度范围为0.5~2m，x轴方向范围为0~25m，y轴方向范围为-10~10m。筛选结果如图2所示，经筛选，剔除了树枝、地面等不在感兴趣区域内的障碍点，只保留了障碍物大致的轮廓，有利于提取车辆外围矩形。图1三维激光雷达原始数据图2障碍点筛选结果2.2特征提取为了提取障碍物的外围矩形轮廓，有必要对障碍物点进行聚类，本文采用DBSCAN算法，该算法利用密度进行聚类，即要求聚类空间中一定区域内所包含对象（点或其他空间对象）的数目不小于给定阈值，计算速度快且能够有效处理噪声点和发现任意形状的空间聚类。为减少DBSCAN聚类算法的运算量、提高实时性，先对所有的障碍点进行预聚类。具体做法为：在x轴方向依据点与点的距离差值聚类，在此基础上再在y轴方向根据点与点的距离差值聚类。最后输出障碍点数聚类集合m={m1,m2,m3,…,mn}。然后对输出数据集中的每个障碍点集合分别应用DBSCAN聚类算法，对障碍点进行进一步分类。DBSCAN聚类算法需要事先输入过滤噪声的核心点领域距离阈值Eps以及核心点邻域范围内最少点个数的阈值MinPts。这两个值如果过大，多个障碍物易被误分为同一个障碍物；相反，则同一障碍物有可能被误分为若干障碍物。由于激光雷基于三维激光雷达-电动液压钢管滚圆机滚弧机张家港数控滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name