路沿检测是矿区无人驾驶的关键技术之一，所得路沿信息可用于辅助无人矿车的感知、规划和定位。 准确的路沿检测与路沿图构建同时也是高精地图构建中的首要步骤，通过机器学的方法可以在现有路沿点的基础上初步构建道路结构拓扑。 与传统的卡尔曼框架下的路沿跟踪所不同的是，本文提出了基于占用栅格思想的路沿跟踪方案。 

dsp课程设计-无人驾驶车用激光标定螳螂防撞算法的仿真.doc

为了提高无人驾驶车辆自组织网络实时数据传输速率，提升无人驾驶车联网络的吞吐量，提出了一种协作资源分配的无人驾驶车载网链路调度算法。该算法首先构建了基于2-H的协作通信系统，采用价值函数来描述链路速率与所分配资源单元之间的关系，进一步提出无人驾驶车联网络的最大吞吐量方程。接着，为了对通信资源进行合理分配，基于多选择性背包问题，对链路速率进行了调度，并采用穷举搜索法求解无人驾驶车辆节点数量的最佳值。实验仿真结果表明，该算法相比基于分散感知和聚类的车辆网络以及基于信道传输模型优化的车辆网络，在链路速率上分别提升了8.7%和7.4%，网络总吞吐量分别提升了10.6%和12.8%，能够更好地满足无人驾驶车辆网络的数据传输速率要求。

为了提取无人驾驶车前方可行驶区域信息，提出了一种基于多层激光雷达可行驶区域信息提取算法。首先，根据雷达返回数据的特征结合数据区间密度分布获得路沿点集，并利用基于加权欧氏距离KNN改进的OPTICS算法对得到的路沿点聚类。然后，使用最小二乘法拟合出两侧路沿。最后，通过改进的OPTICS算法将路面上的障碍物点云进行聚类，并通过计算得到障碍物的位置、距离、尺寸等信息。利用数据区间密度分布法提取路沿点不受障碍物以及路面点的影响，而改进的OPTICS算法则不再受Eps的约束，并且可以准确分辨出噪点，解决了障碍物信息由于噪点而提取不准确的问题。实车实验证明了算法的有效性和实时性。