加快我们提出一个预处理的计算。而不是计算激光雷达射线的每个相关的细胞，每一个时间步,precalculation一步的网格计算每个单的所有认为射线细胞。因此,一个细胞进行比较只有它的存储与当前测量射线的射线。

在这个阶段启动第二个学习阶段。这一个网格的适应阶段可以持续学习慢(如环境变化。,改变的职业停车场)。

由于我们不能更新每一个实时约束细胞在一个时间框架,因为足够的网格包含10000个细胞。连续学习随机子集网格细胞更新。因此,每一个细胞都有戒指上面提到的缓冲区为每个类别。戒指缓冲存储最后根据其类别和n射线计算每个类别确定的加权和入住率概率。循环缓冲区的大小n影响学习的速度。背景减法减少点要处理的数据量的10倍。

C. 传感器缝合

在激光雷达传感器分别确定活跃点后,必须避免同一对象的多个检测和处理遮挡或移动物体的交叉口在不同的传感器。这可能会导致假阴性检测。发现,两个轮子在两个不同的传感器

一个车辆合理的检测(见是不够的秒,III-D)。聚合不同车辆的假设单个传感器的检测也可能导致假阳性检测,最终造成矛盾的信息。因此,我们不执行车辆检测传感器，另外，但提出一个更通用的方法:活跃测量聚合在一个常见的表示,基于给定的世界坐标停车库

建立一个共享的坐标系,CAD的地图车库使用(见图3)。每个传感器的测量数据，这转化为使用射影坐标系统线性变换(单应性)。因此,直接线性变换(DLT)算法，导致变形矩阵的基础上,对应的标签(点对点或线间)。

图3所示。CAD的代表一个停车场和一组激光雷达

测量由三个传感器。

图4所示。两个激光雷达传感器的激光雷达拼接结果:(A)展示了一个单激光雷达传感器测量。车辆定位额第一个传感器。(b)显示了数据从第二激光雷达定位的

对手方。最后在(c)激光雷达传感器相结合的世界表示后缝合的过程。

两个不同类型的转换是可能的:坐标系统的转换为激光雷达传感器，另一个激光雷达坐标系或指定repre -831年sentation的环境。DLT需要至少四个传感器和地图坐标之间的对应关系，来确定对应关系,经营者校准设置一次。操作员标志着特定的点集或行坐标系统。一个好的估计经矩阵,这些通讯应该是广泛的内部环境,不能共线。一个缝合结果显示了车辆被两个激光雷达传感器在图4中。

另一种校准操纵一个单位矩阵通过执行几个手动转向和翻译操作直到激光雷达数据调整表示。

D．检测

积极点后(见秒。III-B)和过滤，由传感器转换缝合(见秒。III-C)测量的检测作用于一个稀疏的子集。因为传感器部署地面飞机(见秒。III-A)这些活性点含有不同移动对象:人的脚可以穿过传感器平面,miss-measurements由于噪声和目标车辆。

检测应该只找到合理和精确，假设并提供车辆的中心和取向。因为汽车有不同的表象,如。、形式或车身高度,最好的可追踪的功能的工具是著名的车轮的形状。

承认至少有三个轮子产量强劲关于汽车的方向提示。应用这个，我们构造了一个抽象的知识,激光雷达数据和参数化的车辆模型。这个模型是基于与某一个矩形组成的四个轮子公差(cf。图5)。

两种替代和高效的方法操作这个模型已经意识到:霍夫变换(见[6])观察两种不同的测量活动点,计算其距离,建立一个合适的车辆假说和脚腕参数空间中进行投票。假设的理由的积累合理的车辆的假设。我们还应用RANSAC图5所示。

所示。检测到的RANSAC算法假设(红色矩形)

和相应的激光雷达测量(蓝点)。 自主驾驶停车场英文文献和中文翻译(3):http://www.youerw.com/fanyi/lunwen_48742.html