环境感知是无人驾驶的核心技术之一,而利用三维激光雷达进行障碍物检测一直是国内外的研究热点。本文首先按照传感器的种类介绍了无人车障碍物检测方法的分类,然后介绍了基于三维激光雷达进行障碍物检测的基本原理,之后详细分析了基于三维激光雷达进行障碍物检测的传统方法。其中深度学习是二维图像目标检测及分类的重要方法,在介绍三维激光雷达点云特点的同时分析了点云深度学习的挑战,最后详细分析了三维点云深度学习在障碍物检测方面的研究现状以及发展趋势,并且介绍了自动驾驶领域的KITTI数据集和ApolloScape数据集。

传统的传感器在移动机器人障碍物检测领域都有其各自的局限性。文章提出基于Kinect的障碍物检测方法：利用Kinect传感器获取环境深度图像；通过Kinect标定配准之后获取校准参数；通过该参数获得图像像素点与空间三维坐标的对应关系；通过空间三维坐标确定地平面与障碍物区域，并将障碍物区域作为感兴趣区域；通过三维坐标在x轴和z轴的连续性对感兴趣区域进行处理，分割出各个障碍物。实验结果表明，文中算法可以有效且实时地检测到障碍物信息。

蚁群算法机器人障碍物路径寻优（matlab代码+动画演示） 蚁群算法机器人障碍物路径寻优（matlab代码+动画演示）

dwa_code_路径动态规划_窗口路径规划_动态障碍物_动态窗口法_动态路径规划_源码.zip

针对“先规划后平滑”的避障规划方法会改变原始路径的问题，将避障规划问题转化为最优控制问题来求解，在不改变原始路径的情况下实现了运动轨迹的优化与平滑。首先，实现了仓储物流 AGV 的运动约束、避碰约束、路径通道约束以及两点边界条件的量化，建立了优化问题的约束条件，并以最短避障时间为目标建立了目标函数。其次，基于直接配点法将最优控制问题离散成带约束的非线性规划问题，运用内点法对非线性规划问题进行寻优。最后，通过算例对运动轨迹的优化与平滑结果进行了考证。考证结果显示：在移动和静态障碍物的环境下，基于直接配点法的避障规划均可以成功规划出一条满足AGV 运动约束的避障轨迹。 通过搭建实验环境对本文的识障和避障策略与方法进行了验证。在障碍物最近凸 点的位置识别精度方面，以横、纵坐标平均误差建立评价指标；在障碍物轮廓识别精度方 面，以尺寸或位置的识别值与相应的实际值之差的绝对值建立轮廓识别的精度评价指标； 在避障运动轨迹规划与平滑方面，基于直接配点法可以在单个和多个静态障碍物环境下成 功规划出一条避障轨迹且避障轨迹较为平滑，满足 AGV 的运动约束。

基于车路协同的营运车辆前方障碍物预警系统要求（征求意见稿）.pdf

智能小车-51单片机-红外避障（跟随障碍物 智能小车-51单片机-红外避障（跟随障碍物

控制说明：小鸟从左向右飞行，按空格键小鸟垂直上升，放开空格键小鸟自然匀速下落（不带重力加速）。途中会有不同难以程度的关卡，每过一个关卡得一分（得分没有按难以做权重加成）。如果小鸟成功穿过障碍物，得一分并继续游戏，如果碰到障碍物游戏结束。结束显示记分终止。

在室外光照条件变化下进行有效的障碍物识别是高压输电线路巡检机器人所面临的技术难点之一。针对弱光条件下障碍物识别的稳健性问题，提出了一种基于机器人视觉的障碍物识别智能方法，以使巡检机器人适应各种不同程度的弱光变化。通过对采集的障碍物图像进行自适应同态滤波处理，以减少部分光照的影响；将障碍物图像分成均匀大小的子区域，运用改进的局部方向模式提取各个子区域图像的特征直方图向量，并把子块特征直方图逐个串联为总的直方图；再选用卡方距离法进行统计识别。实验结果表明：该方法使巡检机器人对输电线上的防震锤、悬垂线夹和绝缘子串能够进行有效的识别。相比于其他算法，其具有更好的抗光照干扰效果和更高的准确识别率；提升了机器人巡检过程中图像识别的稳健性、适应性和准确性，极大地提高了巡检机器人在电力行业的可持续发展性。

单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。单高斯法、混合高斯法，时间平均法，帧差法对运动目标进行定位。