新能源汽车无人驾驶障碍检测过程中,受道路上的多种障碍物以及复杂的天气如雨雪、雾霾等影响,数据采集难度较大,导致驾驶障碍检测精度偏低。为此,提出车载激光雷达下新能源汽车无人驾驶障碍检测方法。采取水平安装的方式,将两个32线激...新能源汽车无人驾驶障碍检测过程中,受道路上的多种障碍物以及复杂的天气如雨雪、雾霾等影响,数据采集难度较大,导致驾驶障碍检测精度偏低。为此,提出车载激光雷达下新能源汽车无人驾驶障碍检测方法。采取水平安装的方式,将两个32线激光雷达以对称方式布置在无人驾驶汽车上,采集路面结构三维点云数据并用坐标转换同步数据;基于统计特征的离散点滤波算法,计算点云数据集的标准差和全局距离平均值,以此去除离散噪声点;采用基于密度的带有噪声的空间聚类(Density Based Spatial Clustering of Applications with Noise,DBSCAN)聚类算法实现新能源汽车无人驾驶的障碍检测。实验结果表明,所提方法抗噪能力较高,平均识别距离为82 m,障碍检测准确率均在92%以上,误检率最高为1.8%,且检测耗时仅为1.09 ms。展开更多
文摘新能源汽车无人驾驶障碍检测过程中,受道路上的多种障碍物以及复杂的天气如雨雪、雾霾等影响,数据采集难度较大,导致驾驶障碍检测精度偏低。为此,提出车载激光雷达下新能源汽车无人驾驶障碍检测方法。采取水平安装的方式,将两个32线激光雷达以对称方式布置在无人驾驶汽车上,采集路面结构三维点云数据并用坐标转换同步数据;基于统计特征的离散点滤波算法,计算点云数据集的标准差和全局距离平均值,以此去除离散噪声点;采用基于密度的带有噪声的空间聚类(Density Based Spatial Clustering of Applications with Noise,DBSCAN)聚类算法实现新能源汽车无人驾驶的障碍检测。实验结果表明,所提方法抗噪能力较高,平均识别距离为82 m,障碍检测准确率均在92%以上,误检率最高为1.8%,且检测耗时仅为1.09 ms。