激光雷达对障碍物检测国内外研究现状
采用激光雷达对障碍物检测，其主要的研究工作是对激光雷达采集的点云数据进行信息提取，从静态点云图中可以提取出周边环境物体的外形轮廓及相对位置信息，从连续帧的点云数据中则可以进一步提取外界物体的运动状态信息，而点云数据的分割是点云数据信息提取中首要和关键的步骤，目前，众多国内外学者进行了大量研究工作，也已形成一定的成果规模。
由于激光雷达采集的点云数据受到外界环境的影响，信号中的噪声对点云数据的后续计算将带来较大的误差，采集到的点云图中将出现“孔洞”和“噪声”等缺陷，为此，通常有必要对点云数据进行插补[8]和滤波[9]等预处理操作，在一定程度上可以消除噪声带来的数据精度的误差。此外，在对点云数据几何特征[10]的计算过程中，根据设备的使用条件，适当采用数据拟合[11]的方式将进一步消除信号噪声，即减少了几何特征负责的计算，又将系统的运行效率提高了。然而，激光雷达在运行过程中快速采集大量的数据，很难保证每一个数据点的绝对精确，因此，如何在大量的数据量中排除干扰，获取精确的数据特征始终对实验系统的容错能力提出了不小的考验。论文网
激光雷达采集的点云数据表征了周围环境的深度信息[12]和几何特征，从点云图中，可以获取到点云所描述物体表面的深度、曲率、跨度以及角度等特征信息，从而可以进一步获取到环境物体的相关信息。为了提取到这些特征信息，首先需要对大量的点云数据进行分割处理，将上述几何特征直接作为点云分割的描述特征是众多学者分割点云数据的首选方法，原因在于其具有原理简单、易于实现的优势，同时结合使用环境中一些目标物体特有的特征信息，如直线特征可以采用Hough变换[13]，分割效果较为理想，因此使用较为广泛。
目前，已有学者将人工智能、机器学习等深层次的算法理论运用到点云数据的分割处理中。聚类[14]算法是一类运用得较为成熟的数据分割方法。同样以上述点云几何特征为对象，通过迭代计算的方式，不断优化目标函数，深层次聚合相似数据点，提高点云数据的分割准确度。模糊理论相对于上述的硬划分理论，具有更强的鲁棒性；分类器模型[15]可以对多个分类标准进行组合，做到较为全面地分割评定。遗传理论[16]、免疫理论[17]同样被运用到了点云数据的分割处理中并得到了一些进展。
上一篇：便携式代步电动车国内外研究现状
下一篇：人工免疫算法国内外研究现状