基于激光测距仪的障碍物检测的仿真研究

合集下载

基于激光测距传感器的家庭机器人导航仿真

题.
关键词: 家庭机器人; 激光测距; 同时定位和地图生成; 人工路标; 扩展卡尔曼滤波
中图分类号: TP24
文献标识码: A
文章编号: 0367- 6234( 2004) 07- 0902- 03
Navigating simulation of house robot based on laserfinder
在通常的室内环境下, 自主移动机器人的应用依然面临很多挑战性问题[ 1] . 定位问题就是其中之一. 在室内环境下广泛应用于机器人导航的超声波传感器的缺点是其角度分辨率太低( 约为 25b左右) 、旁波较大, 需要消耗过多的数据后处理时间[ 2] . 文献[ 3] 使用全维立体视觉作为外部传感器, 通过锥形镜和摄像机, 生成移动机器人周围环境的全景图. 这种方法由于其计算的复杂性和缺乏距离测量的动态变化, 使其应用室内受到一定的限制. 毫米波雷达技术[ 4] 在室内机器人的障碍检测、地图生成和导航方面具有很大的潜力, 但缺点是成本太高. 激光测距器[ 2] 由于在距离范围和方向上具有较高的精确度, 已经成为室内机器
机器人的状态为 X = xv, x l T,
x v = ( x , y , H, C, U1, U2, U3) I R7, x l = ( x 1, y 1, ,, x n, yn) I R2@ n .
其中 x v 和 x l 分别是机器人和人工路标的状态. 由
第7期
蔡则苏, 等: 基于激光测距传感器的家庭机器人导航仿真
# 903 #
于人工路标是静态的, 所以系统的动态模型扩展为
x v( k + 1) = f ( x v( k ) ) , x l( k + 1) = x l ( k ) .

基于车载激光测距仪的城市轨道交通障碍物检测方案探讨

BQE࠼‫ۉ‬ ༑֪ഗ
୳࠼ೌ ࣮հ႑ࡽ
࣮հ ࠼ຐ
如图 5 所示。若待测时间实际值为 Tr，测量值
为 Tc，时钟周期为 T0，时钟频率为 f，则，Tc = m·T0，Td = m·T0 + Ta - Tb，m 为 Tr 时间内的整周期数，因此，测量误差的最大值为 ±T0。理论上继续提高时钟频率，可以不断提高测距精度，但是相应电路设计实现难度增大，光靠提高频率来提高脉冲
཮6!!एᇀຕጴ݆‫ڦ‬ஞ؋้क़क़֪߰ଉ้Ⴞ཮!
计时脉冲；回波信号通过滤光片被雪崩光电二极管
( A P D ) 光电探测器接收，得到的电信号用于产生停
V1
V2
止计时脉冲。
Vp
时间测量单元是障碍物检测系统的核心部分，它根据触发信号与回波信号的时间间隔计算出所测距离。信号发射器用于产生三角波信号作为参考时
཮5!!एᇀ‫כ‬ሜघ࠼֪ਐᅏ‫ڦ‬ቱҹ࿿ॠ֪ဣཥኝ༹঳ࠓ
激光测距精度是不合理的 [14]。因此，本文提出采用基于三角波信号的时
接收单元以及时间测量单元组成。
间间隔测量方法，以提高测量精度。首先，以周期
激光发射单元主要包括激光器和光学系统，其为 1/ f 的三角波作为测量基准，如图 6 所示。当开
511 461 411 361 311 261 211 61
1 1 21 31 41 51 61 71 81 91
዆‫تۯ‬໏‫܈‬0)ln0i*
཮2!!‫׭‬๨ࡆ‫ڢ‬঍ཚଚ‫כ‬዆‫ۯ‬ਐ૗ᇑ዆‫؛ۯ‬໏‫࠲ڦ܈‬ဣ!
基于车载激光测距仪的铁路障碍物检测系统工作原理如图 2 所示，检测系统实时向前方发射激光光束，当列车前方存在障碍物时，激光发生反射，返回激光被检测系统接收，再通过测量激光的飞行时间推算出目标距离。为了扩大检测范围，在系统下方安装旋转镜 ( 角分辨率为 0.25°)，使激光光束能向列车前方各个方向发射 ( 最大辐射半径可达 180°)。最后，将测量信息（距离、速度）一方面发送给车载安全计算机，为生成列车自动防护曲线提供数据支持；另一方面通过无线发送给地面控制中心，辅助调度人员识别障碍物。

新型光电智能导盲器

新型光电智能导盲器论文导读：激光测距技术：激光测距技术与一般测距技术相比。

单片机控制技术：单片机体积小。

蜂鸣器语音输出技术：蜂鸣器反应快。

激光测距，新型光电智能导盲器。

关键词：激光测距，单片机，蜂鸣器1、研究内容残疾人是社会中最主要的弱势群体，他们要面对更多的困难和压力。

论文发表，激光测距。

随着2008年奥运会、残奥会的成功举办，政府越来越关注弱势群体，给予盲人的关怀也越来越多，这也使助盲成为现在社会的一个热点问题。

目前市场上已经出现一些导盲类产品，例如盲杖、导盲犬等，但是因为种种原因，这些产品并不能有效的帮助盲人导盲。

比如，导盲犬由于训练困难，价格昂贵，一直不能被推广普及。

可见，如何实现更好的导盲依然是一个亟待解决的问题。

由此，我们想要设计出一个“新型智能导盲器”，使之能够有效作为盲人的导盲器材，克服传统导盲器件价格较高，使用不方便，使用范围有限等缺点。

而随着时代的发展，光电技术特别是光电探测技术，光信息处理技术的应用已经遍及现代生活的各个领域。

尤其是光机电一体化系统，模块很小，工作性能很高。

基于此，我们想设计出“光电智能导盲器”，以便快速，准确，实时的帮助盲人了解周围的实际情况，更好的服务广大盲人群众。

2、研究方案为了实现准确、快速定位障碍物的目的，我们提出了“光电智能手持导盲仪”。

盲人通过使用此设备可以知道周围物体的分布情况，可以获得一个周围环境的大概的距离远近的轮廓图。

我们主要应用以下两种技术：一、激光测距技术：激光测距技术与一般测距技术相比，具有操作方便、系统简单以及白天和夜晚都可以工作的优点。

论文发表，激光测距。

此外，与雷达测距、微波测距相比，激光测距具有良好的抗干扰性和较高的精度，以及更快的反应速度。

二、单片机控制技术：单片机体积小，重量轻，结构较为简单，成本低廉，可以实现一般的控制功能。

而且单片机比专用处理器更适合应用于嵌入式系统，因此它得到了广泛的应用。

现代人类生活中所用的几乎每件电子和机械产品中都会集成有单片机。

基于三维激光雷达的动态障碍物检测和追踪方法

基于三维激光雷达的动态障碍物检测和追踪方法三维激光雷达是自动驾驶车辆中重要的传感器之一，能够以高精度获取车辆周围环境信息。

其中，动态障碍物检测和追踪是自动驾驶车辆安全行车的关键技术之一。

本文基于三维激光雷达，介绍一种动态障碍物检测和追踪的方法。

一、数据获取在获取三维激光雷达的数据时，需要调整雷达的扫描频率和分辨率以适应实际应用场景。

在实际运行过程中，雷达将扫描周围的环境，并收集点云数据。

这种点云数据是由三维坐标、强度值和反射率等参数组成，表示周围环境中的各种物体。

二、障碍物检测将获取到的点云数据转换为三维场景，建立三维网格模型，并使用聚类方法将点云数据进行分类，以便识别出障碍物。

一般情况下，聚类方法采用k-means算法，按照距离和密度进行分类。

随后，使用欧几里得距离算法计算每个聚类的形心，并将形心节点作为障碍物的中心坐标。

三、障碍物追踪在实际自动驾驶中，追踪运动的障碍物是至关重要的。

为了实现这一任务，需要使用卡尔曼滤波器对障碍物的运动进行预测和估计。

卡尔曼滤波器利用观测数据和动态模型对运动障碍物的未来动态进行预测，并根据预测结果进行对障碍物的追踪和控制。

最后，为了实现高效的目标检测和追踪，我们需要利用深度学习模型来提升模型的识别能力。

目前，深度学习模型在图像和视频领域的应用已经成为主流，而在三维点云数据的应用方面还在探索中。

通过综合利用传感器数据、卡尔曼滤波器和深度学习模型，可实现高效、准确的动态障碍物检测和追踪。

总之，基于三维激光雷达的动态障碍物检测和追踪的方法是自动驾驶车辆安全行驶的关键技术之一。

在实际应用中，需要综合考虑传感器数据的获取和处理、障碍物的检测和追踪以及深度学习模型的运用，以构建出安全、可靠的自动驾驶系统。

四、局部地图更新在实现动态障碍物检测和追踪的过程中，需要对局部地图进行实时更新。

随着车辆的移动，环境中的物体也在不断变化，需要使用局部地图来跟踪和识别障碍物。

在实现局部地图更新时，可以使用SLAM（同步定位与地图构建）算法进行地图构建和路径规划。

激光雷达动态障碍物检测

ｓａｍｅｔｙｐｅ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａ１ｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｍｅｔｈｏｄｃａｎｅｆｆｅｃｔｉｖｅｌｙｃｌｕｓｔｅｒｔｈｅｏｂｓｔａｃｌｅｓｉｎｔｈｅｔｒａｆｆｉｃｒｅｇｉｏｎｉｎ２５ｍｓ，ＳＯａｓｔｏｄｅｔｅｃｔｔｈｅｖｅｌｏｃｉｔｙａｎｄａｚｉｍｕｔｈｏｆｔｈｅｓａｍｅｏｂｓｔａｃｌｅ．Ｋｅｙｗｏｒｄｓ：ｃｌｕｓｔｅｒｉｎｇ；ｍｏｖｉｎｇｏｂｓｔａｃｌｅ；Ｉａｓｅｒｒａｄａｒｓｅｎｏｒ；ｏｂｓｔａｃｌｅｄｅｔｅｃｔｉｏｎ
在此基础上分析了聚类障碍物的特征参数，利用聚类障碍物数据的置信区间关联性分析确定
了障碍物的类型，对同一类型障碍物进行相对坐标转化分析确定了障碍物的速度、航向．实验
结果表明；该方法能够在２５ｍｓ内实现对车辆通行区域内的障碍物进行有效的聚类，从而实现
Ａｂｓｔｒａｃｔ：Ｉｎｏｒｄｅｒｔｏｄｅｔｅｃｔｔｈｅｍｏｔｉｏｎｓｔａｔｅｏｆａｎｏｂｓｔａｃｌｅｉｎａｎｕｎｋｎｏｗｎｅｎｖｉｒｏｎｍｅｎｔ，ａｍｅｔｈｏｄｆｏｒｄｅｔｅｃｔｉｎｇｄｙｎａｍｉｃｏｂｓｔａｃｌｅｓｂｙｕｓｉｎｇｌａｓｅｒｒａｄａｒｉｓｐｕｔｆｏｒｗａｒｄ．ＴｈｅｃｌｏｓｅｎｅｉｇｈｂｏｒｈｏｏｄｍｅｔｈｏｄａｎｄｔｈｅｒｕｌｅｓｃｌａｓｓｉｆｉｅｒａｌｇｏｒｉｔｈｍａｒｅｕｓｅｄｔＯｃｌｕｓｔｅｒｔｈｅｄａｔａｏｂｔａｉｎｅｄｂｙｔｈｅｌａｓｅｒｒａｄａｒ．Ａｎｄｔｈｅｎｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｏｆｔｈｅｃｌｕｓｔｅｒｉｎｇｏｂｓｔａｃｌｅｓａｒｅａｎａｌｙｚｅｄ．Ｔｈｅｔｙｐｅｓｏｆｏｂｓｔａｃｌｅｓａｒｅｄｅｔｅｒｍｉｎｅｄｂｙａｎａｌｙｚｉｎｇｔｈｅｃｏｎｆｉｄｅｎｃｅｉｎｔｅｒｖａｌｃｏｒｒｅｌａｔｉｏｎｏｆｔｈｅｃｌｕｓｔｅｒｉｎｇｏｂｓｔａｃｌｅｄａｔａ，ａｎｄｔｈｅｖｅｌｏｃｉｔｙａｎｄ

基于激光测距雷达和车载GPS的动态障碍物检测

４．安徽大学计算智能与信号处理教育部重点实验室，合肥２３００３９；５．中国科学技术大学自动化系，合肥２３００２７）摘要：动态障碍物检测问题一直是移动机器人的研究热点之一，也是机器人实现安全可靠导航的
前提。该文提出了一种在道路环境下进行动态障碍物实时检测的方法，采用激光雷达和车载ＧＰＳ２种传感器，激光雷达实时地获取连续２帧的数据，连续２帧间无人车的航向角度和位置信息，通过车
载ＧＰＳ实时获取。通过对２帧数据的对比分析，进行潜在动态障碍物的判定，然后进行连续２帧之间潜在动态障碍物的匹配，区分出２帧中同时存在的动态障碍物，并计算其运动矢量，最后给出预测区域。实验结果验证了算法的有效性，对无人车提前避让动态障碍具有一定ｙｎａｍｉｃｏｂｓｔａｃｌｅｄｅｔｅｃｔｉｏｎｈａｓｂｅｅｎｔｈｅｒｅｓｅａｒｃｈｆｏｃｕｓｏｆｔｈｅｍｏｂｉｌｅｒｏｂｏｔ，ｉｓａｐｒｅｒｅｑｕｉ — ｓｉｔｅｔｏａｃｈｉｅｖｅｓａｆｅａｎｄｒｅｌｉａｂｌｅｎａｖｉｇａｔｉｏｎｆｏｒｔｈｅｒｏｂｏｔ．Ａｒｅａｌ—ｔｉｍｅｄｅｔｅｃｔｉｏｎｍｅｔｈｏｄｏｆｄｙｎａｍｉｃｏｂ — ｓｔｒｕｃｔｉｏｎｓｉｎｔｈｅｒｏａｄｅｎｖｉｒｏｎｍｅｎｔｉｓｐｒｅｓｅｎｔｅｄ．Ｔｗｏｔｙｐｅｓｏｆｓｅｎｓｏｒｓ，ｌａｓｅｒｒａｄａｒａｎｄＧＰＳｉｎ—ｃａｒ，ａｒｅｕｓｅｄｔｏｄｅｔｅｃｔｔｈｅｄｙｎａｍｉｃｏｂｓｔｒｕｃｔｉｏｎｓ．Ｌａｓｅｒｒａｄａｒｉｓｕｓｅｄｔｏｏｂｔａｉｎｔｗｏｃｏｎｔｉｎｕｏｕｓｆｒａｍｅｓｄａｔａａｎｄ

盲人辅助导航及障碍物识别算法

盲人辅助导航及障碍物识别算法随着科技的不断发展和进步，人们对于在各个领域都能实现无障碍的关注度越来越高。

在移动设备和人工智能领域，许多创新的技术正在被应用于盲人辅助导航和障碍物识别中。

这些技术对于提高盲人生活的质量和自主性具有重要的意义。

本文将探讨盲人辅助导航和障碍物识别的算法及应用。

盲人辅助导航的实现对于盲人来说至关重要。

传统的导航系统依赖于视觉信息，但对于盲人而言，这种方式是不可行的。

因此，研究人员开始探索利用其他传感器和技术来实现盲人导航。

激光测距和声纳技术被广泛应用于盲人导航中。

激光测距技术使用红外激光束进行测量，通过测量光束的返回时间来计算距离。

这种技术对于识别前方障碍物非常有效。

盲人使用携带激光测距仪的设备，当检测到障碍物时，设备会发出警告信号。

激光测距技术的一个优势是它可以提供非常精确的距离测量，使盲人能够更好地感知周围环境。

声纳技术利用声波的反射原理来测量距离。

盲人携带声纳设备，当声波遇到障碍物时，设备会发出声音。

通过听声音的反射来判断障碍物的位置和距离。

声纳技术的优点是它可以提供实时的反馈，并且适用于不同的环境。

除了传感器技术，导航算法也起着关键作用。

地图和路径规划算法被广泛用于盲人辅助导航中。

这些算法利用地图信息和位置信息，为盲人提供准确的导航指引。

障碍物识别算法是盲人辅助导航中另一个重要的组成部分。

这些算法使用计算机视觉和机器学习技术来识别和分类不同类型的障碍物。

通过分析输入的图像或视频流，算法能够识别出人、车辆和其他障碍物。

语音提示和震动反馈被用来通知盲人有关周围环境的信息。

机器学习是障碍物识别算法中关键的技术。

它可以通过训练模型来识别和分类不同类型的障碍物。

监督学习方法使用带有标签的训练数据来训练模型，而无监督学习方法则在没有标签的情况下学习模型。

深度学习是近年来在障碍物识别中取得重要进展的一种机器学习方法，它可以从大量的图像数据中提取特征并进行准确的分类。

尽管盲人辅助导航和障碍物识别技术取得了一些重要的突破，但仍面临一些挑战和限制。

基于三维激光雷达的动态障碍物检测和追踪方法

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１００ｍｓ的速度准确、稳定地检测和跟踪。
主题词：三维激光雷达ＤＢＳＣＡＮＭＨＴ卡尔曼滤波中图分类号：ＴＰ１８１；Ｕ４９５；ＴＰ１４文献标识码：Ａ文章编号：１０００—３７０３（２０１７）０８—００１９—０７ＤｙｎａｍｉｃＯｂｓｔａｃｌｅＤｅｔｅｃｔｉｏｎａｎｄＴｒａｃｋｉｎｇＭｅｔｈｏｄＢａｓｅｄｏｎ３ＤＬｉＤＡＲ
汽车技术 ·ＡｕｔｏｍｏｂｉｌｅＴｅｃｈｎｏｌｏｇｙ
基于三维激光雷达的动态障碍物检测和追踪方法 ★
邹斌刘康王科未
（武汉理工大学，现代汽车零部件技术湖北省重点实验室汽车零部件技术湖北省协同创新中心，
武汉４３００７０）
【摘要】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。
Ｋｅｙｗｏｒｄｓ：３ＤＬｉＤＡＲ，ＤＢＳＣＡＮ。ＭＨＴ．Ｋａｌｍａｎｆｉｌｔｅｒ
１前言
利用激光雷达对动态障碍物进行检测和轨迹预测是无人驾驶课题的研究重点之一【”。近年来，国内外学者在此课题中主要采用两种方法。一种方法是栅格地图法。周俊静等建立栅格地图，利用贝叶斯推理推测由于传感器误差造成栅格状态的不确定性，通过比较当前时刻和随时间累积形成的栅格状态的不一致性检测运动目标。Ｔｒｕｎｇ～ＤｕｎｇＶｕ等［３也利用该方法对运动目标进行检测跟踪，但是相比于文献［２］，没有对更新后的后验概率进行修正。文献［４］和文献［５】均采用了类似方法。以上方法可以较为准确地检测到运动的栅格，但仍存在缺陷，如果运动目标体积较大，几个周期内栅格状态一直保持 “占据 ”，容易误判为静态障碍物。另一种方法是对原始数据

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

ｃｏｄｎｔｓｓｍ．Ｔｅｏｓｃｅｈｉｓｊｃ—Ｌｓｔ）ａｄＯｊｃ—ＬｓｔｒｕｔｃｏｄｎｅｂｔｃｅｍｅｔｅｏｒｉａｅｙｔｅｈｂｔｌｃａｅｔｉａｎＯｂｔ（ｎｂｅｔｉ１ｔ（）ａｅｂｉｃｒｉｔｔｓａｌｓｇｎ — ｌａｇｏｈｏｅｒ
Ｅｎｉｅｒｎｇｎｅｉｇ，ＣｈｎｃｕｎｖｒｉｙａｇｈｎＵｉｅｓｔ，Ｃｈｎｃｕ３０２ａｇｈｎ１０２，Ｃｈｎ；３ｉａ．ＣｏｌｇｆＩｆｒｔｏｃｅｃｎｃｎｌｇ，ｌｅｏｎｏｍａｉｎＳｉｎｅａｄＴｅｈｏｏｙｅＸｉｍｅｉｅｓｔａｎＵｎｖｒｉｙ，Ｘｉｍｅ６０５ａｎ３１０，Ｃｈｎ）ｉａ
２１０２年２月第３卷第２期３
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＧＮＩ
Ｆｅ．０２ｂ２１Ｖ０．３ＮＯ２１３．
基于激光测距仪的障碍物检测的仿真研究
雷艳敏，朱齐丹。，仲 பைடு நூலகம்昱。，关秀丽
（．哈尔滨工程大学自动化学院，黑龙江哈尔滨１００；２长春大学电子信息工程学院，１５０１．
吉林长春１０２；３３０２．厦门大学信息科学与技术学院，福建厦门３１０）６０５
摘要：为了进行准确和有效的导航，提出了利用机器人的车载激光测距仪来检测环境中的障碍物。利用激光测距仪对机
进一步的匹配和分类分析。如果存在动态障碍物，估计出相应的运动参数，更新得到ｔ时刻的动态障碍物集Ｄｏ（。为ｂＮ）了验证算法的有效性，利用ｖｓａＣ＋＋进行仿真，仿真实验结果表明，该方法进行环境中的动静态障碍物的检测是可行ｉｌｕ
ｓｉｓｕｔ．Ｔｈｈａａｔｒｓｉａａｅｅｓｏｈｂｔｃｅｉｂｔｃｅｃａｎｒｏｕｅ，ａｄｔｅｂｔｃｅｍａｃｉｇａｄｃａｓｆａｉｎｅｃｒｃｅｉｔｐｒｍｔｒｆｔｅｏｓａｌｏｓａｌｈｉｓａｅｃｍｐｔｄｎｈｎｏｓａｌｔｈｎｎｌｓｉｉｔｃｎｃｏａｅｃｎｕｔｄＩｈｒｒｙａｃｏｓａｌｓｈｏｒｓｏｄｎｔｎｐｒｍｅｅｓｗｉｅｅｔｔｄａｄｄｎｍｉｏｓａｌｅｒｏｄｃｅ．ｆｔｅｅａｅｄｎｍｉｂｔｃｅ，ｔｅｃｒｅｐｎｉｇｍｏｉａａｔｒｌｂｓｉｅｎｙａｃｂｔｃｅｓｔｏｌｍａＤｏ（ｂＮ）ｗｉｅｒｎｗｅ．ＴｈｒｐｓｄａｉｈｅｉｉｓｍｕａｅｙｕｉｇｖｓａｌｂｅｅｄｌｅｐｏｏｅｒｔｍｔｃｓｉｌｔｄｂｓｎｉｕｌＣ＋＋，ａｄｔｅｓｍｕａｉｎｒｓｌｈｗｈｔｈｓｎｈｉｌｔｅｕｔｓｏｔａｉｏｓｔｍｅｈｄｉｆａｉｌｎｆｅｔｅｔｏｓｅｓｅａｄｅｆｃｉ．ｂｖＫｅｒｓｌｓｒｒｎｅｆｎｅ；ｏｓａｌｅｅｔｏｙｗｏｄ：ａｅａｇｉｄｒｂｔｃｅｄｔｃｉｎ；ｇｉｐｒｄｍａ；ｍｏｉｏｏ；ｍｏｉｎｐｒｍｅｅｓｉｔｂｌｒｂｔｅｔｏａａｔｒｅｔｍａｅ
ＬＥＩＹａ－ｎ，ＺＨＵ－ａＨｏＮＧｎｙ。ｎｍｉＱｉｄｎ，ＺＸｕ－ｕ，ＧＵＡＮｕｌＸｉ－ｉ。
（．ＣｏｌｇｆＡｕｏｔｎ，ＨａｂｎＥｎｉｅｒｎｉｅｓｔ１ｌｅｏｔｍａｉｅｏｒｉｇｎｅｉｇＵｎｖｒｉｙ，Ｈａｂｎ１００，Ｃｈｎ；２ｒｉ５０１ｉａ．ＣｏｌｇｆＥｌｃｒｎｃＩｆｒｔｏｌｅｏｅｔｏｉｎｏｍａｉｎｅ
ＡｂｔａｔＴｏｎｖｇｔｃｕａｅｙａｄｅｆｃｉｅｙｉｈｙａｃｅｖｒｎｎ，ｏｓａｌｅｅｔｎｉｐｏｏｅｙｕｉｇｌｓｒｒｎｅｓｒｃ：ａｉａｅａｃｒｔｌｎｆｅｔｌｔｅｄｎｍｉｎｉｍｅｔｂｔｃｅｄｔｃｉｒｐｓｄｂｓｎｅａｇｖｎｏｏｓａ
ｆｄｒｉｅ．Ｆｉｔｙｈｒｄｍａｓｂｉｙｕｉｇｌｓｒｒｎｅｆｄｒｉｈｃｌｎｉｎｎｆｔｅｒｂｔｎｈｎｔｅｏｓａｌｓａｅｎｒｌ，ｔｅｇｉｐｉｕｌｂｓａｅａｇｉｅｔｅｌａｖｒｍｅｔｈｏｏ，ａｄｔｅｈｂｔｃｅｒｓｔｎｎｎｏｅｏｏｄｔｃｅｎｔｉｇｉｐＡｉｄａｈｗｏｆａｍａｅｎｃｎｉｕｕｈｎｅｔｅｔ１ａｄｔｂｔｃｅｉｓｇｎｅｎｐｌｒｅｅｔｄｉｈｓｒｍａ．ｄｍｅｔｔｅｔｒｍｅｉｇｓｉｏｔｏｓｃａｇｉ－ｎ，ｏｓａｌｓｅｍｅｔｄｉｏａｎｍ
器人的局部环境建立栅格地图，在该模型下对障碍物进行检测。针对连续变化时刻（１ｔ）和（）下的两帧 “ －ｔ图像 ” ，在极
坐标系中进行障碍物分割，根据分割结果建立障碍物链Ｏｊｃ —Ｌｓｔ１和Ｏｂｅｔｉ（）计算出各特征参数，并作ｂｅｔｉｔ（－）ｊｃ—Ｌｓｔ，ｔ
的和有效的。
关键词：激光测距仪；障碍物检测；栅格地图；移动机器人；运动参数估计
中图法分类号：Ｔ２文献标识号：Ｐ４Ａ文章编号：００７２（０２０ —７８０１０ —０４２１）２０１—６
Ｓｕｙｏｂｔｃｅｄｔｃｉｎｂｓｄｏａｅａｇｉｄｒｔｄｎｏｓａｌｅｅｔａｅｎ１ｓｒｒｎｅｆｎｅｏ