趙治國，王 鵬，陳曉蓉，梁凱沖

（同濟(jì)大學(xué)汽車學(xué)院，上海201804）

前言

隨著人工智能和5G技術(shù)的不斷發(fā)展，自動駕駛將是車輛未來發(fā)展的主要趨勢［1-2］。自動駕駛車輛集環(huán)境感知、決策規(guī)劃和運(yùn)動控制等多功能于一體［3］，其中環(huán)境感知是實(shí)現(xiàn)自動駕駛的關(guān)鍵功能，道路邊界和障礙物等信息的感知為自動駕駛車輛提供可行駛區(qū)域，并幫助自動駕駛車輛躲避道路行人和車輛［4］。激光雷達(dá)憑借測距精度高、受環(huán)境影響小、實(shí)時性好等優(yōu)點(diǎn)，在環(huán)境感知領(lǐng)域中受到廣泛應(yīng)用［5］。

自動駕駛車輛感知到前方道路的障礙物信息后，需進(jìn)行轉(zhuǎn)向避撞。由于車載激光雷達(dá)與車輛之間為剛性連接，其坐標(biāo)系將隨車輛轉(zhuǎn)向而旋轉(zhuǎn)，導(dǎo)致相鄰時刻檢測的同一障礙物位置相距過大，增加了障礙物信息關(guān)聯(lián)、運(yùn)動狀態(tài)分析和后續(xù)避撞路徑規(guī)劃的難度。因此，實(shí)時獲取車輛行駛的航向角，將有利于對障礙物的跟蹤。

障礙物的檢測和跟蹤是車輛感知的重要環(huán)節(jié)，為提高檢測和跟蹤的效果，國內(nèi)外做了大量研究。Maclachlan等［6］采用距離特征對動態(tài)車輛相關(guān)數(shù)據(jù)進(jìn)行關(guān)聯(lián)，并通過卡爾曼濾波對車輛運(yùn)動狀態(tài)進(jìn)行估計(jì)。鄒斌等［7］采用可變閾值的密度聚類方法對障礙物點(diǎn)云聚類，提高了障礙物檢測的準(zhǔn)確性，并通過多假設(shè)跟蹤模型和卡爾曼濾波實(shí)現(xiàn)了對動態(tài)障礙物的跟蹤。Leonard等［8］對檢測的障礙物用最近鄰方法對前后幀的數(shù)據(jù)關(guān)聯(lián)，然后對多幀速度進(jìn)行濾波，實(shí)現(xiàn)障礙物的跟蹤。王濤等［9］利用加權(quán)多特征數(shù)據(jù)關(guān)聯(lián)算法集合卡爾曼濾波器實(shí)現(xiàn)了對動態(tài)障礙物的跟蹤。上述方法未考慮車輛轉(zhuǎn)向?qū)φ系K物跟蹤的影響，當(dāng)雷達(dá)坐標(biāo)系隨車輛轉(zhuǎn)向而旋轉(zhuǎn)時，前后幀同一障礙物的坐標(biāo)發(fā)生大幅變化，易造成漏跟和誤跟。

為實(shí)時獲取車輛行駛的航向角，從而對雷達(dá)坐標(biāo)系變換，需要精確提取道路邊界點(diǎn)云，在這方面已有不少研究。劉梓等［10］采用了基于線性鑒別分析分類思想的算法，有效檢測出道路邊界，該算法兼具可靠性和實(shí)時性，但沒有考慮到有障礙物的情況，抗干擾能力不足。朱學(xué)葵等［11］采用隨機(jī)抽樣一致性算法對道路邊界點(diǎn)云進(jìn)行直線擬合，但該算法在有多條邊界線時存在閾值設(shè)定困難、迭代次數(shù)較多的缺點(diǎn)。Sun等［12］為準(zhǔn)確提取不規(guī)則或被障礙物部分遮擋的道路邊界，利用車輛的預(yù)測軌跡搜索道路邊界候選點(diǎn)，有效提取出道路邊界，但該方法在車輛轉(zhuǎn)向避撞工況下并不適用。Li等［13］采用主、次窗口方法搜索道路邊界點(diǎn)，提高了邊界擬合精度，但搜索時沿著車輛行駛方向，在車輛轉(zhuǎn)向避撞時容易失效。

綜上所述，現(xiàn)有的道路邊界提取和障礙物跟蹤方法較少考慮到車輛轉(zhuǎn)向避撞工況，針對這一問題，本文中基于激光雷達(dá)坐標(biāo)系變換，提出了一種車輛轉(zhuǎn)向避撞工況下道路邊界提取和目標(biāo)障礙物跟蹤的方法。首先對原始點(diǎn)云進(jìn)行地面點(diǎn)云分割和道路邊緣檢測等預(yù)處理，并采用改進(jìn)的K-means聚類方法提取道路邊界；而后根據(jù)道路邊界利用麻雀搜索算法獲取車輛航向角，并對雷達(dá)坐標(biāo)系進(jìn)行變換；最后利用關(guān)聯(lián)算法和粒子濾波器，實(shí)現(xiàn)轉(zhuǎn)向避撞工況下目標(biāo)障礙物的跟蹤。

1 道路邊界提取

道路邊界提取不僅是獲取車輛航向角的基礎(chǔ)，且可以縮小目標(biāo)障礙物的搜索范圍，提高障礙物檢測和跟蹤的準(zhǔn)確率［14-15］。

1.1 點(diǎn)云預(yù)處理

本文中使用的三維激光雷達(dá)為速騰聚創(chuàng)的RSLiDAR-32，該雷達(dá)水平角分辨率為0.2°，豎直方向角度范圍是-25°~+15°，共有32線激光束，工作頻率為10 Hz。每幀數(shù)據(jù)約有5萬個點(diǎn)，為提高處理效率，需對原始點(diǎn)云進(jìn)行預(yù)處理。

點(diǎn)云的預(yù)處理主要包括地面點(diǎn)云分割和道路邊界檢測。地面點(diǎn)云約占總數(shù)量的30%，其中包含了道路邊界點(diǎn)。因此在地面點(diǎn)云中檢測道路邊界，既可提高檢測速度，又可避免諸如車輛、行人、樹木等障礙物的干擾。有研究采用平面擬合法，較好分割出地面點(diǎn)云［16］，并在地面點(diǎn)云中，根據(jù)邊界點(diǎn)的高度差值和距離差值，實(shí)現(xiàn)道路邊界的檢測［17］。

點(diǎn)云預(yù)處理結(jié)果如圖1所示。圖中紅色軸為X軸，綠色軸為Y軸，藍(lán)色軸為Z軸。紅色標(biāo)記點(diǎn)為檢測的道路邊界候選點(diǎn)。可以看出，上述方法能夠從原始點(diǎn)云中分割出地面點(diǎn)云，并能有效檢測出道路的邊界點(diǎn)。

1.2 邊界候選點(diǎn)聚類

根據(jù)幾何結(jié)構(gòu)特征提取的直行道路邊界點(diǎn)在理想情況下應(yīng)近似分布于一條直線，然而由于實(shí)際路面存在凸起和凹陷、部分激光掃描線被車輛和行人遮擋等問題，提取的邊界候選點(diǎn)存在干擾和不連續(xù)部分，如圖1（c）所示。為解決上述問題，本文中提出了一種改進(jìn)的K?means聚類方法，實(shí)現(xiàn)道路邊界點(diǎn)的聚類。

K?means聚類具有算法簡單、收斂速度快等優(yōu)點(diǎn)［18］。它有兩個重要參數(shù)：聚類數(shù)目K，聚類中心cj。K?means算法將所有數(shù)據(jù)點(diǎn)分配至相似度最高的聚類中心，計(jì)算各類數(shù)據(jù)的均值作為新的聚類中心，不斷迭代直至聚類中心不變，從而實(shí)現(xiàn)數(shù)據(jù)點(diǎn)的聚類，其目標(biāo)是使準(zhǔn)則F最小：

式中：nj表示類j中數(shù)據(jù)點(diǎn)的總數(shù)；xi表示類j中的數(shù)據(jù)點(diǎn)。

K?means通?；跉W氏距離作相似度指標(biāo)，即兩點(diǎn)之間距離越近，其相似度越高，其公式為

式中：（xo，yo）為聚類中心坐標(biāo)；（xi，yi）為數(shù)據(jù)點(diǎn)坐標(biāo)。

采用式（2）對邊界候選點(diǎn)進(jìn)行聚類分析，僅能將相距較近的邊界點(diǎn)聚類，對分布于同一直線的邊界點(diǎn)的聚類效果不好。為解決這一問題，本文中使用點(diǎn)到直線的距離dl代替do，如式（4）所示，聚類中心則用各類中數(shù)據(jù)點(diǎn)擬合的直線（kl，bl）代替數(shù)據(jù)點(diǎn)坐標(biāo)的平均值（xo，yo）。由于邊界點(diǎn)的分布與坐標(biāo)系Y軸近乎平行，為避免擬合直線斜率kl過大，直線方程采用式（3）表示：

式中kl、bl分別為擬合直線的斜率和截距。

聚類中心采用最小二乘法擬合出匹配各類數(shù)據(jù)點(diǎn)分布的直線方程，使數(shù)據(jù)點(diǎn)到擬合直線的誤差平方和最小。

K?means算法對初始聚類中心非常敏感，易陷入局部最優(yōu)，導(dǎo)致聚類穩(wěn)定性不高。針對這一問題，初始聚類中心的確定步驟如下：

（1）基于式（5）對邊界候選點(diǎn)擬合，得到初始直線方程（k，b）；

（2）直線斜率k不變，代入邊界候選點(diǎn)坐標(biāo)（xi，yi），求出最小截距bmin和最大截距bmax；

（3）根據(jù)聚類數(shù)目等分bmin和bmax，得到初始聚類中心（ki，bi）。

由圖1（c）可知，上節(jié)中提取的邊界候選點(diǎn)中大部分點(diǎn)為道路邊界點(diǎn)，存在少部分的路面和路沿上的干擾點(diǎn)，根據(jù)這一特點(diǎn)，對式（4）的距離公式引入修正系數(shù)，避免因初始聚類中心（ki，bi）選取不當(dāng)，導(dǎo)致聚類陷入局部最優(yōu)，而未能正確提取道路邊界點(diǎn)。修正公式為

式中：ni為聚類簇內(nèi)的點(diǎn)數(shù)量；N為邊界候選點(diǎn)總數(shù)量。

聚類數(shù)目K初始設(shè)定為3，選擇聚類后包含點(diǎn)數(shù)量最多的類作為道路邊界，類中心（kl，bl）則為擬合的道路邊界線。當(dāng)?shù)缆愤吔缣崛⌒Ч^差時，將增加聚類數(shù)目K重新聚類。由于雷達(dá)采集頻率為10 Hz，在0.1 s的時間間隔內(nèi)車輛航向角變化較小，道路邊界線的斜率k變化不會過大。因此選取邊界線相比前一幀的斜率變化Δk和邊界點(diǎn)到擬合邊界線的平均距離，即聚類的緊密性（compactness）CP指標(biāo)作為評價標(biāo)準(zhǔn)。當(dāng)擬合邊界線的Δk和CP值，任一超過設(shè)定的閾值，將增加聚類數(shù)目K對邊界候選點(diǎn)重新聚類。左右道路邊界的提取流程如圖2所示。

圖2 邊界提取流程圖

道路邊界候選點(diǎn)的聚類效果如圖3所示。其中圖3（a）為未修正的結(jié)果，圖中紅色點(diǎn)是對左、右邊界候選點(diǎn)分別聚類提取的結(jié)果，由于初始聚類中心的選取不當(dāng)，部分邊界點(diǎn)（黑色點(diǎn)）被劃分至其他類中，造成左邊界提取錯誤；圖3（b）為修正后的結(jié)果，黑色點(diǎn)為聚類后的左邊界點(diǎn)，避免了局部最優(yōu)，較好地將道路邊界點(diǎn)聚類為一類。

圖3 邊界點(diǎn)聚類結(jié)果

2 車輛航向角獲取

道路邊界點(diǎn)在XY平面內(nèi)的投影與Y軸之間的夾角，即為當(dāng)前車輛的航向角。為提高航向角求解的精確性和穩(wěn)定性，采用麻雀搜索算法（sparrow search algorithm，SSA）進(jìn)行求解。SSA是一種新型群體智能優(yōu)化算法，種群通過不斷更新當(dāng)前搜索位置，以達(dá)到全局最優(yōu)解，相比于粒子群等其他智能優(yōu)化算法具有搜索精度高、收斂速度快、穩(wěn)定性好、魯棒性強(qiáng)等特點(diǎn)［19］。

2.1 麻雀搜索算法原理

相比于粒子群算法，SSA通過將麻雀種群分為發(fā)現(xiàn)者、加入者和偵察者，并根據(jù)個體的不同身份制定不同的位置更新規(guī)則，提高了收斂速度［19］。

假設(shè)搜索過程中共有n只麻雀，第i只麻雀的位置如下：

式中d為搜索維度。

發(fā)現(xiàn)者位置更新方式如下：

式中：itermax為最大迭代次數(shù)；t為當(dāng)前迭代次數(shù)；α為（0，1］間的隨機(jī)數(shù)；Q為服從標(biāo)準(zhǔn)正態(tài)分布的隨機(jī)數(shù)；L為大小1×d、元素均為1的矩陣；R2∈［0，1］和ST∈［0.5，1］分別表示預(yù)警值和安全值。R2＜ST時，種群安全，發(fā)現(xiàn)者可廣泛搜索；否則種群發(fā)現(xiàn)捕食者，迅速向安全區(qū)移動。

加入者位置更新方式如下：

偵察者位置更新方式如下：

2.2 建立優(yōu)化指標(biāo)

采用SSA求解車輛航向角θ，因此種群搜索維度為1，由于激光雷達(dá)坐標(biāo)系經(jīng)過前一幀求得的航向角變換，Y軸近乎平行于道路延伸方向，所以初始化種群位置為0。隨機(jī)選取左右邊界各5個數(shù)據(jù)點(diǎn)，建立種群適應(yīng)值函數(shù)為

式中：xi為道路邊界點(diǎn)的橫坐標(biāo)；xˉ為道路邊界點(diǎn)橫坐標(biāo)的平均值。

SSA通過個體位置所代表的含義，即車輛航向角，對提取的道路邊界點(diǎn)進(jìn)行坐標(biāo)變換，根據(jù)式（12）求出該個體的適應(yīng)值，以適應(yīng)值最小作為優(yōu)化目標(biāo)，求解出當(dāng)前車輛航向角的最優(yōu)解，具體流程如下：

（1）初始化種群位置，即車輛航向角θ=0°；

（2）基于個體位置所代表的航向角對道路邊界點(diǎn)坐標(biāo)變換；

（3）根據(jù)式（9）~式（11）更新種群中發(fā)現(xiàn)者、加入者和偵察者的位置信息；

（4）根據(jù)式（12），更新種群適應(yīng)值f；

（5）迭代次數(shù)達(dá)至最大或適應(yīng)值f小于閾值，則輸出航向角θ，否則轉(zhuǎn)到步驟（2）。

根據(jù)SSA求解的車輛航向角θ，對地面點(diǎn)云坐標(biāo)變換后的結(jié)果如圖4所示。可以看出，激光雷達(dá)坐標(biāo)系經(jīng)過變換后，其Y軸與道路延伸方向基本平行，消除了車輛轉(zhuǎn)向?qū)φ系K物跟蹤的影響，為下節(jié)的障礙物跟蹤奠定基礎(chǔ)。

圖4 地面點(diǎn)坐標(biāo)變換

3 障礙物跟蹤

行駛車輛關(guān)注的目標(biāo)障礙物多為道路區(qū)域的車輛和行人，車與車、車與行人之間的距離一般較大，之前的研究中已通過DBSCAN聚類，較好地實(shí)現(xiàn)了障礙物的檢測［20］。

為實(shí)現(xiàn)障礙物的跟蹤，需將前后幀檢測的障礙物信息關(guān)聯(lián)，常用的方法是聯(lián)合概率關(guān)聯(lián)算法（joint probabilistic data association，JPDA）。JPDA算法選取總概率最大的事件匹配，其關(guān)鍵在于計(jì)算當(dāng)前時刻障礙物（觀測點(diǎn)）與前一時刻障礙物的預(yù)測位置（目標(biāo)點(diǎn)）的聯(lián)合概率矩陣，即

式中：i為觀測點(diǎn)；j為目標(biāo)點(diǎn)；ωij為觀測點(diǎn)與目標(biāo)點(diǎn)的關(guān)聯(lián)概率。

關(guān)聯(lián)概率的計(jì)算通常采用歐式距離，即觀測點(diǎn)與目標(biāo)點(diǎn)距離越近，則關(guān)聯(lián)概率越大。然而歐氏距離的使用忽略了車輛在道路區(qū)域的行駛特性，在道路區(qū)域內(nèi)車輛幾乎為縱向行駛，很少出現(xiàn)橫向行駛，且橫向車速也相對較低。由于本文已基于車輛航向角對激光雷達(dá)坐標(biāo)系變換，避免了前后幀檢測的障礙物位置因坐標(biāo)系旋轉(zhuǎn)而大幅變化，因此可通過分別計(jì)算觀測點(diǎn)與目標(biāo)點(diǎn)的橫、縱向距離，并增加橫向距離的權(quán)重，來提高關(guān)聯(lián)成功的概率，即

式中：ki為各項(xiàng)偏差的加權(quán)系數(shù)；Px和Py分別為觀測點(diǎn)與目標(biāo)點(diǎn)間的橫向與縱向距離。

本文取k1=0.75，k2=0.25，增加橫向距離的權(quán)重，當(dāng)車輛和行人等障礙物在前后幀的橫向距離越近，越有可能為同一障礙物。

由于實(shí)際中存在測量噪聲和丟幀的現(xiàn)象，直接對前后幀檢測的障礙物進(jìn)行關(guān)聯(lián)，容易發(fā)生關(guān)聯(lián)錯誤。因此，采用粒子濾波器對目標(biāo)進(jìn)行估計(jì)和更新，提高下一時刻預(yù)測位置的準(zhǔn)確性。

粒子濾波算法的基本思想是在先驗(yàn)概率分布中隨機(jī)采樣獲得一組粒子，在跟蹤過程中根據(jù)獲得的量測值實(shí)時調(diào)整粒子的權(quán)重和位置，并利用粒子的狀態(tài)信息近似表示系統(tǒng)的后驗(yàn)概率分布，由此估計(jì)非線性系統(tǒng)的狀態(tài)。粒子濾波算法如表1所示。

表1 粒子濾波器算法

根據(jù)坐標(biāo)變換后的各目標(biāo)相對本車的距離和角度信息，利用上述粒子濾波算法可獲得各目標(biāo)的縱向位置、縱向車速、橫向位置和橫向車速等運(yùn)動狀態(tài)。由于已對激光雷達(dá)坐標(biāo)系變換，對目標(biāo)障礙物下一時刻的位置預(yù)測將更加準(zhǔn)確。

4 實(shí)車試驗(yàn)

為驗(yàn)證本文提出的車輛轉(zhuǎn)向避撞工況下道路邊界提取和目標(biāo)障礙物的檢測跟蹤算法，開展了實(shí)車道路試驗(yàn)。試驗(yàn)車輛如圖5所示，車頂部中間安裝32線激光雷達(dá)以及GPS/IMU，其中GPS/IMU提供試驗(yàn)車的航向角，采集頻率為100 Hz，以驗(yàn)證本文基于SSA獲取航向角的準(zhǔn)確性。如圖6所示，試驗(yàn)場景選取了一條單向車道的校園道路，其中道路左邊界為灌木叢，右邊界為路沿。

圖5 改裝試驗(yàn)車

圖6 試驗(yàn)道路場景

試驗(yàn)車在校園道路中先進(jìn)行向左的轉(zhuǎn)向行駛，而后減速停車，之后再加速向右轉(zhuǎn)向，重新回到道路中心，模擬車輛的轉(zhuǎn)向避撞場景。在試驗(yàn)的校園道路上共有4位試驗(yàn)人員，隨機(jī)走動，模擬周圍的障礙物。試驗(yàn)采集的激光雷達(dá)數(shù)據(jù)共有690幀，GPS/IMU數(shù)據(jù)共有7 000幀。

圖7 為激光雷達(dá)數(shù)據(jù)處理結(jié)果。由圖7（c）可知，基于改進(jìn)的K?means方法有效去除了路沿上的干擾點(diǎn)；由圖7（d）可以看出，坐標(biāo)系經(jīng)過變換后，其Y軸與道路邊界平行。

圖7 點(diǎn)云處理結(jié)果

圖8 為改進(jìn)的K?means聚類算法和SSA的求解結(jié)果。由圖8（a）可知，由SSA求解的車輛航向角與GPS/IMU測得的基本一致，在前15 s車輛航向角為負(fù)，進(jìn)行向左的轉(zhuǎn)向行駛，在15~35 s車輛減速停車，航向角不變，在35 s后車輛航向角向正方向修正，回到道路中心。由圖8（b）和圖8（c）可知，由于道路左邊界為灌木叢，右邊界為路沿，左邊界聚類后的邊界斜率以及CP值相比于右邊界明顯更加穩(wěn)定。本文設(shè)定的斜率變化閾值為0.02，CP閾值為0.5。結(jié)合圖8（d）可以看出，增加聚類數(shù)目后能夠確保所提取的左右邊界線斜率絕對值在0.02以內(nèi)，CP值在0.3以內(nèi)，有效提高了邊界提取的穩(wěn)定性。由圖8（d）可知，左邊界提取更加穩(wěn)定，聚類數(shù)目始終為3，右邊界偶爾需要增加聚類數(shù)目，最多為6。

圖8 改進(jìn)的K?means和SSA結(jié)果

圖9 為改進(jìn)的K?means聚類算法和文獻(xiàn)［11］中使用的Ransac算法結(jié)果對比。由圖可知，在干擾點(diǎn)數(shù)量較多時，改進(jìn)的K?means算法相比于Ransac算法求解的相鄰幀邊界線斜率的變化更小，穩(wěn)定性更好。

圖9 K-means與Ransac的對比結(jié)果

圖10 為PSO和SSA不同時刻的對比結(jié)果。本文設(shè)定的適應(yīng)度閾值為0.000 3，由圖可知，SSA收斂速度更快，僅需迭代約200次，而PSO需迭代約900次，因此SSA的實(shí)時性和穩(wěn)定性更好。

圖10 SSA與PSO的對比結(jié)果

圖11 為障礙物檢測和跟蹤算法的結(jié)果。目標(biāo)1-4是試驗(yàn)人員，目標(biāo)5是中途經(jīng)過的騎自行車人員。由圖11（a）和圖11（b）可知，粒子濾波器計(jì)算的目標(biāo)物相對速度更加平滑，有效去除了噪聲，使預(yù)測點(diǎn)的位置更準(zhǔn)確，具有良好的跟蹤性能。圖11（c）表明，提出的關(guān)聯(lián)算法能夠保證不同目標(biāo)物的正確關(guān)聯(lián)。

圖11 粒子濾波器跟蹤結(jié)果

圖12 為激光雷達(dá)檢測的目標(biāo)物信息。在第440幀時出現(xiàn)目標(biāo)5。在第484幀時由于目標(biāo)1的遮擋，丟失目標(biāo)5。在第487幀時目標(biāo)5重新出現(xiàn)。在目標(biāo)1和5距離相近且目標(biāo)5連續(xù)丟失兩幀時，提出的跟蹤算法仍能實(shí)現(xiàn)目標(biāo)1和5的正確跟蹤。

圖12 目標(biāo)關(guān)聯(lián)結(jié)果

在實(shí)時性上，以上激光雷達(dá)的點(diǎn)云處理程序在Intel i7處理器的計(jì)算機(jī)上運(yùn)行。運(yùn)行時間如圖13所示，每幀從點(diǎn)云數(shù)據(jù)輸入到各障礙物信息輸出，所提算法的計(jì)算時間一般為50~75 ms，平均運(yùn)行時間約為61 ms，最大耗時86 ms，小于激光雷達(dá)采樣周期100 ms，能夠滿足實(shí)時要求。

圖13 運(yùn)行時間

5 結(jié)論

針對車輛轉(zhuǎn)向避撞工況，提出了一種基于激光雷達(dá)的目標(biāo)障礙物跟蹤方法。采用改進(jìn)的K?means聚類方法提高了道路邊界擬合的準(zhǔn)確性，并通過增加聚類數(shù)目保證了邊界線的擬合效果，使相鄰幀擬合的邊界線斜率變化小于0.02，邊界點(diǎn)至擬合邊界線的平均距離小于0.3，相比于Ransac算法更加穩(wěn)定；利用SSA獲取的車輛航向角對激光雷達(dá)坐標(biāo)系進(jìn)行變換，避免了車輛轉(zhuǎn)向?qū)Φ缆愤吔缣崛?、障礙物關(guān)聯(lián)和運(yùn)動狀態(tài)判斷的干擾；再通過JPDA關(guān)聯(lián)算法和粒子濾波器實(shí)現(xiàn)了有丟幀情況的障礙物跟蹤。實(shí)車試驗(yàn)驗(yàn)證了提出的算法在轉(zhuǎn)向避撞工況下具有良好的道路邊界提取效果和目標(biāo)障礙物的跟蹤效果。

文中研究僅對結(jié)構(gòu)化的直道進(jìn)行了討論，后續(xù)將進(jìn)一步研究算法在非結(jié)構(gòu)化道路和彎道的檢測效果，提高算法的適用性。