- 文献综述（或调研报告）：
自动避障技术主要是将感知系统获取的车辆所处位置环境及车辆姿态速度等实时信息反馈给系统，同时根据地图和实际环境的综合信息判断和分析潜在的安全隐患，并自动采取加减速或转向等措施协助和控制汽车主动避开障碍，保证车辆安全、高效和稳定地行驶[1]。技术任务主要分为三部分：基于激光雷达和双目视觉的目标检测、车辆避障中的路径规划、车辆横向控制和纵向控制算法。
- 基于激光雷达和双目视觉的目标检测
文献[2]提出的基于激光雷达和相机的目标检测算法主要包含五部分：1) 激光雷达和相机的联合标定，2) 激光雷达的点云数据预处理，3) 地面拟合，4) 可通行区域提取和5) 基于DBSCAN 算法的点云数据聚类。算法采用激光雷达和相机信息融合的方式进行可通行区域提取，在图像数据中加入点云数据的反射率信息，降低了光照、遮挡对可通行区域提取的影响。在基于DBSCAN 算法的点云数据聚类中，作者在原有的距离维度上增加激光雷达的反射率信息，提高聚类精度。
上述文献中同时提出主要基于粒子滤波算法框架的激光雷达和相机目标跟踪算法，由检测算法中检测到的目标确定初始跟踪目标，利用颜色信息在图像中跟踪目标，在粒子重采样后，用当前帧的点云目标检测结果对目标状态进行修正，得到更加精确的目标状态。
文献[3]针对雷达与相机校准的问题本文提出了一种不依赖于特征选取的激光雷达与相机的自动配准方法。该配准方法将从激光雷达中获取的点云反射强度值与从车载相机中获得的图像灰度值作为互信息框架中的输入信息，分别利用Barzilai-Borwein 算法和改进Powell 算法进行优化，从而获得使互信息值最大的配准参数，以此作为最优配准参数并对两种算法获得的最优参数进行比较。
- 车辆避障中的路径规划
文献[4]将避障问题看成有约束的多目标优化问题，而避障问题的处理前提就在于如何根据当前障碍物信息以及自身状态信息决策出该采取何种机动操作。
目前局部避障算法有很多成熟的算法，每个算法的优缺点也不一样。目前所采用的方法主要有人工势场法（Artificial Potential Field，APF) 和虚拟力场法(Virtual Force Field, VFF)等。人工势场法是一种虚拟力法，它的基本思想是把车辆在周围环境中的运动视为车辆在人工建立的虚拟力场中的运动。目标点产生引力，引导车辆向目标点运动。障碍物产生斥力，避免车辆与障碍物发生碰撞，车辆在二者的合力下运动。根据引力和斥力的合力来控制车辆的运动，即车辆搜索沿着势场下降的方向运动，产生一条无碰撞的最优路径。应用人工势场法规划出来的路径一般比较平滑且安全，算法简明，实时性良好，适合无人驾驶智能车领域。但是该算法也存在一些缺点，如当目标点附近有障碍物时，斥力远远大于引力，车辆将很难到达目的地；当智能车辆在某一点的引力和斥力刚好大小相等时，智能车将会陷人局部最优点；传统的人工势场只考虑了障碍物与目标点静止不动的静态环境，而车辆实际是在运动的环境中，因此在动态环境无法取得良好的效果。
针对传统人工势场的改进，文献[5]利用高斯组合隶属函数建立引力的目标点函数，在引力点函数中考虑障碍物约束和车辆约束，并引入调节因子，建立了改进的无人驾驶汽车人工势场模型，消除了传统人工势场法容易陷人局部极小的问题。文献[6]通过调整势力场范围、改进斥力势函数和动态调整斥力场系数，解决了陷人局部极小值的情况。文献[7]在人工势场中加入速度元素，能够规划出同时避开静态和动态障碍物且能到达目标点的理想路径。
虚拟力场法是栅格法和人工势场法结合的一种移动机器人实时避障算法。VFF算法是使用栅格来表示环境，同时使用力场法对无人车进行控制的局部避障算法。
文献[8]针对移动机器人设计了一个模糊控制器，将通过安装在机器人前方180°范围内的超声波和红外传感器采集的障碍物距离信息以及电子罗盘获取的目标方位角作为模糊控制器的输入，机器人左右轮的速度作为输出。在隶属度函数的选择上，采用高斯型隶属度函数，因为高斯型隶属度函数曲线较为平滑，具有较好的准确性和简洁性。
文献[9]采用分层分级的思想，将避障过程分为车辆绕开障碍物过程和车辆趋向目标过程的新方法，分别设计了一个避障行为控制器和目标趋向控制器，减少了算法的计算量和提高了运算速度。
以上是文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
