无人驾驶技术是一项综合技术,包括环境感知技术、定位导航技术、路径规划技术和决策控制技术四个方面。环境感知技术是最基础也是最重要的技术之一,如何提升环境感知的精度具有重要的理论研究及工程实际应用价值。目前,对环境感知研究主要针对结构化道路环境和泊车环境,鲜有针对非结构化环境(如野外环境)进行的研究。车辆在野外行驶时,需要具有各种复杂障碍物的检测能力。对于智能车辆而言,如何准确地感知野外环境是一个非常困难但又必要解决的问题。本文借助自主开发的无人驾驶汽车为研究平台,研究基于双目机器视觉和三维激光雷达的环境感知若干关键理论技术问题,主要研究内容:1.机器视觉图像特征点提取方法。针对固定阈值选择造成的特征点聚集、重叠等问题,提出了一种自适应局部阈值的特征点提取方法。该方法根据像素的亮度自动设计、计算阈值,从而提高特征点提取的精度。经实验验证,改进后的方法对亮度变化具有较强的适应能力,计算速度和提取精度得到了提升,可以实现野外环境中的凸障碍检测和地图未知区域障碍检测。2.机器视觉图像特征点对匹配方法。针对传统匹配方法耗时大、精度低等问题,提出了一种改进ORB-PROSAC方法来提高算法的匹配精度和运行速度。该方法通过引入质量因子对样本点进行质量排序,来降低迭代次数与时间消耗;通过优先选取质量高的内点估计模型,来避免初始样本选择的随机不确定性,从而提升精度。实验结果表明,改进ORB-PROSAC方法降低了耗时,提高了匹配精度。3.机器视觉定位方法。在图像特征点对匹配的基础上,提出了一种特征点跟踪方法来对车辆进行定位。该方法找出双目相邻两帧的三幅图像中共同对应的特征点,对这些特征点进行匹配,计算出旋转平移向量,得到车辆的连续运动轨迹。现场和流行数据集的实验证明,定位误差较小,跟踪精度得到了较大提升,具有更好地环境适应能力和应用价值。4.激光雷达点云测量信息处理方法。在粗配准阶段使用NDT配准,在精配准阶段使用基于曲率的ICP配准。针对配准过程中对应点的查找通常会匹配错误,使用PROSAC算法通过数量阀值的设定来去除掉错误点对。克服了NDT算法配准时点云差距过大,基于点与点的ICP算法容易陷入局部最优的缺点。5.机器视觉图像和雷达点云联合标定方法。为了增加机器视觉测量精度,对激光雷达和双目相机进行传感器的联合标定,从而把雷达点云数据融入机器视觉图像。激光雷达坐标系首先通过刚体变换转换为相机坐标系,其次通过投影透视转换为图像坐标系,最后对激光雷达坐标系下的点云数据进行三维坐标逆变换,完成激光雷达点到视觉图像上点的一一对应,从而实现被测物体、激光雷达点云和视觉图像的空间级别数据关联。