针对水面无人艇（USV）近距离海上实时目标检测时受海杂波影响严重的问题，结合海杂波空间分布特征和点云回波强度信息，提出了一种强度-空间联合过滤方法。该方法首先将点云按照距离做区域划分；接着对不同区域根据激光回波强度随距离的变化关系设置初始阈值，过滤原始点云低强度海杂波；然后对剩余的点云采取离群点滤波算法，过滤稀疏高强度海杂波，得到目标点云；最后提取离群点滤波中的空间离群点强度特征，对强度阈值滤波参数进行自适应修正。滤波方法在实船上进行了测试，实验结果表明相比于现有的全局激光回波强度阈值过滤方法，所提算法在性能上有明显提升，应用于聚类算法后其虚警率和漏警率分别平均降低了4.34%和10.47%，可以为无人艇航行避碰提供有力支撑。

针对无人船(USV)海上近距离实时性避碰检测的需求,提出一种基于三维激光雷达的USV障碍物自适应栅格表达方法。根据USV周边环境障碍物的激光雷达点云分布,建立障碍物密集度和障碍物表达时间与栅格地图分辨率之间的函数关系,自适应确定适中的地图分辨率,构建栅格地图;对三维激光雷达点云数据进行降维处理,将三维激光雷达点云投影到栅格地图,减小数据量,提高障碍物检测效率。利用三维激光雷达开展方法验证性实验,获取了三种不同障碍物场景的激光雷达点云数据。处理结果显示:环境中障碍物数量越多,获得的期望栅格地图分辨率越高,障碍物表达更精细;反之,障碍物数量越少,获得的期望栅格地图分辨率越低,障碍物表达更快速,可实现障碍物自适应栅格表达。所建立的方法可为后续USV局部避碰路径规划研究提供支撑。

针对交通环境中障碍物及可通行区域检测的问题,利用改进欧氏聚类算法进行实时障碍物检测,提出一种相邻点云间距算法以实时提取道路可通行区域。对点云数据进行预处理,再通过地面坡度分离算法进行地面与非地面点云分离;根据不同的聚类距离阈值对非地面点云进行障碍物聚类检测,使用长方体框标记区分;将每个地面激光束固有的相邻点云间距与实际相邻两点间距离进行对比,结合相邻点角度差以及点云聚类,实现可通行区域的提取;融合障碍物检测和可通行区域提取结果,对可通行区域的通过性进行合并检测。多路况实车实验表明,本文算法能准确检测出障碍物及道路的可通行区域,检测平均准确率为94.13%,平均耗时为69 ms,满足智能车实时性的要求。

环境感知是无人驾驶的核心技术之一,而利用三维激光雷达进行障碍物检测一直是国内外的研究热点。本文首先按照传感器的种类介绍了无人车障碍物检测方法的分类,然后介绍了基于三维激光雷达进行障碍物检测的基本原理,之后详细分析了基于三维激光雷达进行障碍物检测的传统方法。其中深度学习是二维图像目标检测及分类的重要方法,在介绍三维激光雷达点云特点的同时分析了点云深度学习的挑战,最后详细分析了三维点云深度学习在障碍物检测方面的研究现状以及发展趋势,并且介绍了自动驾驶领域的KITTI数据集和ApolloScape数据集。

针对无人车三维激光雷达与全球定位系统/惯性导航系统组合导航系统安装位置关系难以准确测量及相对转角无法直接测量的问题,提出一种基于多对点云同时匹配迭代生成外参数的方法。首先选择车辆直线往返行驶中位置相近、方向相反的激光雷达点云对进行匹配;然后设定参数区域中心、初始步长及步数,遍历参数组合,寻找目标函数最小时的外参数组合并更新为最优迭代区域中心;最后不断缩减步长,直到得到满足精度要求的最优外参数。实验采集了两段环境不同的数据,分别采用较优和较差的参数初始迭代中心以及不同步数进行标定。结果表明,所提方法用时短,对于非理想参数初值也能够得到较好的标定结果,而且标定方法简单,无需专门的标定物即可达到需求的标定精度。