1．1基于多傳感器融合的運動物體檢測和跟蹤

運動物體檢測和跟蹤系統(tǒng)負責檢測和跟蹤自動駕駛汽車車身周圍環(huán)境中障礙物的運動狀態(tài)，為智能車輛做出自主決策和規(guī)劃提供一系列參考信息。BOSS采用多傳感器融合的方法來提高環(huán)境感知能力，整個系統(tǒng)分為兩層：傳感器層和數(shù)據(jù)融合層。傳感器層從傳感器數(shù)據(jù)中提取特征，生成用于根據(jù)點模型或盒模型描述移動障礙物假設(shè)。傳感器層還嘗試將特征與來自融合層的當前預測假設(shè)相關(guān)聯(lián)。如果無法關(guān)聯(lián)，將生成新的移動障礙物建議信息。如果可以關(guān)聯(lián)，封裝成更新假設(shè)狀態(tài)估計所需的所有觀測信息。數(shù)據(jù)融合層根據(jù)傳感器層提供的觀測信息和建議信息，為每個假設(shè)選擇最佳跟蹤模型，并使用卡爾曼濾波器對運動物體狀態(tài)進行最優(yōu)估計。

1．2靜態(tài)障礙地圖構(gòu)建與表示

靜態(tài)障礙地圖系統(tǒng)將車輛上無數(shù)掃描激光器的數(shù)據(jù)結(jié)合在一起，生成周邊環(huán)境的理解。對于允許自主車輛在公共道路上安全行駛而不與障礙物（如路標、路緣）碰撞至關(guān)重要。如路沿檢測算法，主要步驟分為：預處理、小波特征提取和后處理。預處理階段提供了兩個重要的特征：減少由于遮擋和稀疏數(shù)據(jù)造成的誤報，以及格式化數(shù)據(jù)以進行特征提取�；�于小波的特征提取是對預處理后的點集進行離散小波變換。后處理應用一些額外的啟發(fā)式來消除誤報和檢測一些額外的非道路點，對預處理階段進行補充。整個路線網(wǎng)絡(luò)定義文件（RNDF），采用拓撲圖表示（與度量圖表示法對應）。道路網(wǎng)絡(luò)包括一個或多個路段，每個路段包括一個或多個車道。路段的特征是車道數(shù)、街道名稱和速度限制。車道的特征是車道的寬度、車道標線和一組航路點。車道之間的連接以出口和入口航路點為特征。圖中的每個節(jié)點表示一個航路點，方向邊緣表示將該節(jié)點連接到它可以到達的所有其他航路點的車道。基于多個因素的組合，將成本分配給邊緣，這些因素包括穿過與邊緣相關(guān)聯(lián)的車道的預期時間、車道長度和環(huán)境的復雜性。

1．3車道輔助定位

大多數(shù)城市駕駛可以被認為是對固定路網(wǎng)約束內(nèi)的局部干擾的響應，因此在組合慣導定位失效時，相對于車道邊界正確定位不失為一種方法。使用SICK LMS激光來檢測道路上繪制的車道標記。車道標記通常比周圍的道路材料亮，并通過使用斜率函數(shù)對線掃描中的強度進行卷積來檢測。響應中的波峰和波谷代表潛在車道標記邊界的邊緣。為了減少誤報，僅將適當間隔的峰和谷對視為車道標記。結(jié)果是一組潛在的車道標記位置。將車道標記位置與道路模型車道位置進行匹配，并通過閾值判斷，生成一個平滑的、基于道路網(wǎng)絡(luò)的位置估計。