發布時間：2022-02-17所屬分類：科技論文瀏覽：1次
摘 要： 摘 要：越野環境下的無人駕駛車輛技術是近年來智能化領域重要研究方向之一，其在推動軍事智能化發展、提高工農業生產效率等方面起到重要作用，具有一定的軍事戰略意義與民用經濟價值.文中基于國內外越野場景下無人駕駛車輛技術的研究現狀，從環境感知與導航定位、路 徑
摘 要：越野環境下的無人駕駛車輛技術是近年來智能化領域重要研究方向之一，其在推動軍事智能化發展、提高工農業生產效率等方面起到重要作用，具有一定的軍事戰略意義與民用經濟價值.文中基于國內外越野場景下無人駕駛車輛技術的研究現狀，從環境感知與導航定位、路 徑 規 劃、運 動 控 制3個研究層面進行歸納總結，闡 述 了越野場景下無人駕駛車輛技術中的關鍵技術及其技術應用存在的問題，并對未來越野環境下無人駕駛車輛技術的研究方向和研究重點進行了展望.
關鍵詞：無人駕駛;越野環境;環境感知與導航定位;路徑規劃;運動控制
無人駕駛車輛又可稱作無人地面車輛 (un-mannedgroundvehicle，UGV)，多指通過感知、定位、規劃與控制等功能模塊實現與環境交互并自主行駛的地面移動機器平臺.無人駕駛車輛作為智能交通系統的主要載體，主要應用場景包含了城市環境與越野環境，其中針對越野環境無人駕駛技術的研究在軍事[1]、工農業等[2]方面具有廣泛的應用前景.
不同于城市環境，越野環境不具備結構化道路及交通規則信息，且環境中障礙物復雜多變，地形起伏大，使得無人駕駛技術的發展在各方面都受到挑戰.在感知方面，由于越野環境信息繁雜且干擾較多，不利于提取環境特征實現環境建模.在 路 徑 規劃方面，動態復雜環境中較高的環境信息不確定性增大了路徑規 劃 實 現 難 度.在運動控制方面，由 于無人駕駛車輛是一個具有復雜非完整性約束的非線性耦合系統，其與地面間復雜的相互作用使得車輛與地面的接觸模型不易建立，同時復雜越野地形也對運動控制算法的魯棒性和實時性提出更高要求.
致力于克服以上困難，針對越野場景下的無人駕駛技術開展了一系列研究.20世紀90年代，美國國防高級研究計劃局(DAPPA)開展了 DEMO 系列的無人車 研 制[3].2004年 后，DAPPA 組 織 了 一 系列無人車技術比賽，這些賽事吸引了大批科研機構及企業的參與，推 動 了 無 人 駕 駛 技 術 的 發 展.我 國在無人駕駛領域起步較晚，早期針對越野場景的軍用地面無人平臺研究主要有“八五”，“九五”期間開展的“軍用地面機器人 ATB”項目;國家自然科學基金委組織并舉辦的“中國智能車未來挑戰賽”[4]也促進了無人駕駛技術在越野環境下的研究;2014年開始由陸軍裝備部開展“跨越險阻”系列比賽，著重解決無人駕駛車輛在越野環境下的難點問題，為無人駕駛車輛適應復雜越野工況奠定了基礎.
文中側重于從環境感知與導航定位、路徑規劃、運動控制3個層面闡述國內外在越野環境下無人駕駛技術的相關研究.
1 環境感知與導航定位
環境感知系統是無人駕駛車輛中最為重要的部分之一，其通過分析各種傳感器采集的特征信息最終實現車輛周圍環境模型的建立、車輛位置信息的獲取以及車 輛 行 駛 狀 態 的 估 計，為 后 續 的 決 策、規劃、控制模塊的 實 現 提 供 了 關 鍵 信 息.這 里 所 討 論的環境感知系統的技術主要包括外部環境感知技術與導航定位技術兩部分
.1.1 環境感知技術
外部環境感知系統所使用的傳感器主要包括三維激光雷達、毫米波雷達、立體相機、紅外相機、超聲波傳感器等.感知系統運用這些傳感器可在無人駕駛車輛中實現障礙物檢測、可通行區域分析、目標檢測與跟蹤等功能.
越野環境存在環境特征不易提取、路面狀況復雜多變等特點，因此越野環境下的感知技術多聚焦于地面擬合與分類、正負障礙識別、路面通過性分析等方面.地面擬 合 多 用 于 獲 取 地 面 狀 態，為 無 人 車輛行駛提供可通行區域分析，因此該功能實現多采用能精確獲取環境三維信息的激光雷達.目前基于激光雷達的越野環境下地面分割方法主要有：基于數據驅動的方法，將人工提取的點云特征用于算法訓練以構建地面模型[5];基于概率圖模型的方法，如采用馬爾可夫隨 機 場 (Markov random field，MRF)[6]結合點云掃描特性的方法來獲取精確的地面點云分割結果.路面屬性的分類用于獲取路面粗糙度等信息，有助于車輛行駛的穩定控制，其需要環境中稠密的紋理特征信息及顏色信息，因此多采用相機實現此 功 能.丁 澤 亮 等[7]構建了越野環境下的圖像數 據 集，并將場景識別與基于圖 像的路面語義分割 融 合，提高了路面提取算法對 于越野環境的適應性 與 準 確 性.MEI等[8]則 采 用 推 理 與 學習模型實現基于視覺的道路檢測，以 適 應 越 野 地形的多樣性.對于越野環境中正負障礙的區分，正障礙一般指在地面以上的物體，負 障 礙 則 包 含 凹坑、水體等在地面或以下對車輛行駛有 較大影響的部分，如圖1所 示.相 較 于 正 障 礙，負 障 礙 的 檢測更具挑戰性.基 于 激 光 雷 達 的 負 障 礙 檢 測 方 法大多是先對激光雷達掃描特征信息進 行提取，再對提取的特征使用分類器分類[9]、數 據 聚 類[10]等方式進行處理以獲得最終檢測結果.CHEN 等[11]則基于雙目相機的 U-V 視差原理提出一 種 激 光 成像視差圖的方法，實 現 了 正 障 礙、凹 坑 和 水 面 的 統一檢測.
盡管單一傳感器在越野環境下的感知領域取得了諸多進展，但受限于傳感器的工作原理，有時無法滿足復雜越野環境下的感知需求.因此，能夠提供穩定、豐富的感知信息的多傳感器融合方法既是當前的研究熱點，也是今后的發展方向[12].MILELLA 等[13]將毫米波雷達與相機融合，提取各傳感器特征進行融合并構建了一種自監督訓練的路面分類器，該算法減少了人工標注訓練數據的時間，并且提高了算法的環境適應性.REINA 等[14]則將毫米波雷達對2D物體的檢測結果與雙目視覺對物體的分類特征相結合實現了一種用于農業場景下的3D目標檢測方法.
1.2 導航定位技術
導航定位技術能夠實時對無人駕駛車輛進行位姿與速度估計，獲取車輛的相對與絕對的位置信息，為控制模塊更好地控制車輛的運動提供準確的狀態估計.無人駕駛車輛的導航定位技術主要包括全球導 航 衛 星 系 統 (globalnavigationsatellitesystem，GNSS)與 慣 性 導 航 系 統(inertialnavigationsystem，INS)組合的定位技術，利用感知傳感器實現的里程計與同時定位與建圖(simultaneouslocalizationandmap-ping，SLAM)技術，以及多種定位技術融合的方案.
GNSS與INS可 以 通 過 多 種 融 合 方 法[15]實 現組合導航，以彌補二者自身在定位方面的不足，實現車輛的長時間準確定位，目前已經廣泛應用于無人駕駛車輛中.但是組合導航在面對 GNSS出現長時間丟失數據的情況時，定位結果仍會產生較大的偏差.因此，利用車輛自身運動信息及環境變化信息進行車輛自定位的里程計的應用在無人駕駛車輛精確定位方面具有較大的幫助.傳統里程計主要為輪式里程計，但 由 于 越 野 環 境 下 地 形 復 雜，車 輪 易 滑轉，不利于輪式里程計的定位，所以其多與其他定位傳感器融 合 以 提 高 航 位 推 算 的 精 度[16].利 用 感 知傳感器實 現 的 里 程 計 主 要 包 括 視 覺 里 程 計(visualodometry，VO)與激光雷達里程計兩種.對于 VO，其成本較低，且相對位置估計較為準確，因此被廣泛應用與研究.YI等[17]就提出一種基于多 相 機 協 作的全景視覺與立體感知方案用于提取越野環境特征，以降低視覺里程計在越野環境下受光照、遮擋、地形崎嶇等不利因素的影響，提高視覺里程計的適應性與魯棒性.相較于 VO，受益于激光雷達的量測原理，激光雷達里程計具有不受光照影響，相對位置估計精確的特點.FU 等[18]提出一種將相關掃描匹配與局部匹配融合的兩階段點云配準算法，提高了越野環境下激光雷達點云配準的性能，有利于提高激光雷達里程計的定位精度.SLAM 通過傳 感 器 的 探 測 信 息 建 立 環 境 地 圖并使用該地圖實現實時定位，能夠解決里程計在位置估計時 存 在 較 大 累 計 誤 差 的 問 題.由 于 SLAM在缺少 GPS或 GPS信號弱的環境下對車輛進行長時間定位具有一定的優勢，因此其在越野環境下具有較大的發展潛力.劉忠澤等[19]針對大尺度范圍的越野場景，提出以一種具有拓撲層次的三維體素子地圖的方式構建環境地圖，利用特征匹配進行閉環檢測，使用IMU 對車輛全局位姿進行優化，實現了野外實時環境地圖的創建與精確定位.俞毓鋒等[20]則采用視覺與激光雷達融合定位的方式，將定位看作圖像與激光雷達間特征關聯的最小化重投影誤差問題，減小了SLAM 算法在越野環境下特征誤檢測、特征遮擋以及誤匹配對定位的影響.此外，深度學習方法也逐漸應用于 SLAM 中，借助深度學習在特征提取方面的優勢，不少算法都取得了較好的結果[21].
2 路徑規劃
路徑規劃是無人駕駛車輛實現智能化的關鍵技術，其能夠基于環境感知與導航定位，在給定起始點和目標點后，按照性能指標規劃出一條無碰撞，可跟蹤的路徑.在越 野 環 境 下，路徑規劃面臨著環境復雜度與不確定性增加的挑戰.這就需要路徑規劃模塊在規劃路徑時納入更嚴格的環境約束，不僅要考慮所選路徑的耗時、距離等條件因素，還應當考慮路徑的平順性以 及 越 野 路 面 的 特 性.在 技 術 層 面，路徑規劃可以大致分為基于圖形搜索的方法、基于隨機采樣的方法和基于優化理論的路徑規劃方法.
2.1 基于搜索的路徑規劃算法
基于圖搜索的路徑規劃算法主要是利用柵格地圖對環境進行映射，將環境信息以概率或其他形式賦值給每個網格，此后在整個柵格圖中搜尋初始位置到目標位置的全局最佳路徑.
傳統搜索算法在動態多變的越野環境下難以運用，TENIENTE等[22]便提出一種 HRA*算法，采用一種混合節點擴展技術，將滿足車輛運動學約束的空間隨機搜索技術與僅考慮到達目標地的運動學可行路徑的成本度量相結合，提高了復雜環境下的路徑規劃效率與魯棒性.此外，越野環境地形復雜、路點稀疏，路徑 規 劃 僅 通 過 單 路 點 規 劃 易 出 現 錯 誤，因 此PETEREIT等[23]在混合 A*算法基礎上添加了多路點規劃、車輛動力學約束、路面特征分析等方法，以實現復雜環境中近似最優的路線的規劃.同時，基于搜索的方法在大場景下的路徑規劃時效性也是重要研究方向之一，AMMAR等[24]提出時間松弛版的 Dijk-stra與 A*算法，通過柵格地圖結構實現最佳路徑的近似，并達到了時效與精度的平衡.此外，針對環境模型表征的改善也能夠提高基于搜索路徑規劃的精度與時效性，GRAF等[25]通過構建一種基于圖的、層次的、多分辨率的地形模型來精確表征環境，并采用多種優化手段降低路徑搜索空間，加快算法收斂，最終可以在越野環境下實現快速局部路徑規劃.
盡管搜索算法在一些場景中有較好的表現，但該方法也具有一定的局限性.搜索算法的增量性質導致其計算復雜度較高，不適用于車輛高速行駛或動態障礙物分布較密場景下的路徑規劃，且搜索算法多基于二維柵格圖，不能較好地解決高維空間下的路徑規劃問題，因此多數應用搜索算法實現越野環境下路徑規劃的研究多注重于解決這兩個問題.
2.2 基于采樣的路徑規劃算法
基于采樣的路徑規劃方法主要是通過在規劃空間內隨機采樣的方式來探求空間上的連通性，其不依賴于精確的空間建模和狀態之間的連接，適用于地形復雜、高維且不易建立精確地圖的越野環境.
較為經典的基于采樣的路徑規劃方法如概率路徑圖(probabilisticroadmaps，PRM)[26]與快速 擴 展隨機樹(rapidly-exploringrandomtrees，RRT)[27]，這兩種方法及其變種已廣泛應用于無人駕駛路徑規劃[28].LEE等[29]將基于采樣的機會約束 RRT*算法與線性二次高斯運動規劃(LQG-MP)算法結合，實現了在可變形的高滑地形下穩定可靠的路徑規劃.JI等[30]則將地形信息與車輛特征結合構建包含6自由度元素的構形空間，并在構形空間中運用采樣算法實現車輛在大范圍越野環境的下的運動規劃.在實際 應 用 中，采樣算法的時效性至關重要，HIDALGO 等[31]提出 了 一 種 運 用 GPU 加 速 RRT處理大型二維地圖的算法，通過同時計算四顆樹的方式來提升處理速度，并降低靠近障礙物的節點的拓展概率來減少碰撞檢測對算法效率的影響，以加快路徑規劃速 度.此 外，采 樣 方 法 的 使 用 需 要 有 較好的采樣 規 則 與 指 導 啟 發，YANG 等[32]在 其 無 人平臺的局部路徑規劃中通過對包含空間高階信息且平滑的參考路徑進行分段狀態采樣，最終能夠標識出一條無碰撞、運動學可行且曲率連續的路徑.
2.3 基于優化的路徑規劃算法
智能優化算法一般是受自然生物規律或者物理現象的 啟 示 而 設 計 出 的 隨 機 搜 索 算 法，如 蟻 群 算法[33]、遺傳算法[34]等.蟻群算法是較為典型的智能優化算法之一，具有易并行計算、魯棒性強等優點.但蟻群算法在越野環境的苛刻約束條件下應用存在計算量較大，容易陷入局部最優解的問題.針 對 越野環境下蟻群算法應用的缺點，一些學者提出了改進方法.對于越野環境涉及大量坡道且路面粗糙度不一的情況，為保證規劃路徑的可跟蹤性，需對道路特征進行處理，吳天羿等[35]通過與路面坡度和粗糙度約束結合的蟻群算法估計函數實現路徑最優化.對于越野環境中存在點位多、分布散等狀況，王書勤等[36]建立了混合整數規劃模型，提出了一種混合蟻群算法，利用選擇、交叉和變異算子對解進行優化.
基于最優化的路徑規劃則主要是考慮車輛的非線性系統，本 質 是 求 解 帶 約 束 的 最 優 化 問 題.HU等[37]就引入障礙物與地形的勢場函數模型，將路徑規劃問題轉化為求解車輛最優控制問題，并把勢場梯度納入目標函數中，最終通過仿真越野環境測試了該多階段路 徑 規 劃 算 法 的 有 效 性.此 外，基 于 離散優化的方法也在無人駕駛路徑規劃領域有較為成功的應用[38].
3 運動控制
軌跡跟蹤控制技術是無人駕駛車輛實現自動控制最重要的部分之一，特別是在復雜環境下高精度軌跡跟蹤是保證無人駕駛車輛行駛安全和完成相關任務的基礎.但 是，軌跡跟蹤控制在復雜環境下的應用面臨諸多挑戰：首先，車輛是一個包含復雜非完整性約束的非線性耦合系統，容易受到系統不確定性和外界干擾 等 不 利 因 素 的 影 響.其 次，無 人 駕 駛車輛的運動控制受到行駛道路的環境約束以及執行機構的飽和約 束.最 后，無人駕駛車輛高精度的運動控制需要充分考慮建模誤差、參數擾動等系統不確定性以及外 部 干 擾 的 影 響.故 在 研 究 中，通 常 將運動控制的 橫 向 和 縱 向 進 行 解 耦，分 別 實 現[39]，常用的無人駕駛車輛運動控制方法主要包括非模型類的運動控制方法和模型類運動控制方法.
3.1 非模型的控制方法
PID (proportional-integral-derivative)控制是非模型控制方法中一種適用性廣、魯棒性好的控制方法.無人駕駛領域中常結合PI來實現車輛的縱向運動控制，結合PD來實現車輛的橫向運動控制.在越野環境中實現車輛運動控制的首要問題是道路場景復雜多變易導致控制執行效果不穩定，這便可以使用 PID算法來實現初步控制，并針對不同任務做出調整，以滿足不同的場景需求并提高控制的穩定性.龍智卓等[40]采用模糊PID控制轉向角輸出與增量式 PID控制車輛液壓轉向系統的串級式方法，實現了地下礦用無人車輛的行駛控制.OZANA 等[41]提出了一種全局優化方法來設計PID控制器的方案，通過設計目標函數各部分的權重系數以解決不同需求條件之間的沖突，并通過仿真測試表明該種設計方法提高了 PID在實際使用時的適應性.PID控制算法雖然簡單且容易實現，但算法參數受較多因素影響，且敏感度較高，當被控制的執行器參數不穩定或反應滯后時，PID的控制效果會有所下降.同時，該算法只能保證閉環系統的部分零極點的控制效果.
前饋-反饋控制 算 法 也 是 非 模 型 控 制 算 法 的 一種.其中的前饋控制是為了減小甚至消除路徑曲率變化帶來的干擾，反饋控制是根據車輛在控制系統作用后的狀態 來 進 行 調 整，以 改 進 系 統 的 輸 入.車輛在越野環境中行駛時會受到環境的多種干擾，這對車輛運動控制的實時性以及反饋信號的處理質量提出更高要 求.鄭 偉 勇 等[42]提出了一種采用前饋-反饋控制算法的方案，該方案通過前饋控制提高系統的實時性，在反饋控制中結合模糊邏輯思路，用以排除 外 界 干 擾，提 升 系 統 建 模 的 效 果.蔡 英 鳳等[43]針對復雜工況下車輛橫向控制精度較低、穩定性較差的問題提出了一種可拓優度評價的橫向軌跡控制器，該控制器包含兩層結構，其中上層控制器結構包含了一種 PID前饋-反饋控制器，該控制器在兩 次變道工況的仿真測試中能夠使車輛控制系統在小轉彎半徑、道路曲率較大的工況下實現快速響應.
3.2 基于模型的控制方法
模型預測控制(modelpredictivecontrol，MPC)是一類算法的統稱，該類算法在每個控制周期，使用車輛的非線性動力學模型預測車輛在未來一段時間的狀態，通過計算有限時間跨度的最優化控制問題，獲得可利用 的 控 制 序 列，最 終 達 到 最 優 控 制 效 果.模型預測控制這類算法適用于運動模型較復雜的控制系統，如在粗糙土路、冰雪路面等復雜場景下行駛的車輛的控制系統.由于 MPC 方法可考慮車輛運動學約束和動力學約束，故對越野環境的無人駕駛的運動控制問題具有突出的優勢.
在越野環境中，基于模型的控制算法需要克服道路場景復雜多變、外部干擾多、建立車輛模型難度較大等問題，但當前大多基于模型的控制算法主要考慮車輛的運動學約束，極少引入動力學約束，整體方法的處理復雜度較低，并不完全適用于越野環境.在此基礎上，SCHILDBACH 等[44]將隨機約束納入考慮，計算不滿足隨機約束的平均時間概率，同時結合了有限時間跨度中的最優控制問題的多階段結構，為越野場景下模 型復雜化提供了基礎.劉 凱等[45]考慮復雜 道 路 下 車 輛 側 傾 對 車 輛 跟 蹤 控 制 的影響，建立考慮車輛側傾角的動力學模型，并添加側傾安全約束，最終構成的控制器通過仿真測試表明可以提高車輛跟蹤控制的精度.部分學者則通過完善越野場景下的車輛模型實現車輛的精確控制.胡等[46]通過在模型預測控制跟蹤器里引入反饋校正，系統地表征模型的不精確性，并通過實車測試表明了該方 法 可 以 提 高 路 徑 跟 蹤 精 度，如 圖 2 所 示.
ZHAO 等[47]則通過估計滑轉滑移率 來 完 善 越 野 場景下車輛模型，以進行準確的路徑跟蹤.
4 結束語
無人駕駛技術面臨著前所未有的挑戰和機遇，在近十幾年取得了長足的發展.針對越野場景的無人駕駛技術研究也取得了較大的進展，為無人駕駛技術在軍事、工業(如礦場)、農業(如農場)的應用打下堅實的 基 礎.文中就越野場景下的無人駕駛技術，從環境感知與導航定位、路徑規劃、運 動 控 制3個層面做了文獻調研及總結，闡述其針對越野場景的關鍵技術及優勢劣勢.未來無人駕駛車輛在越野場景下的研究注意包括以下部分：
① 感知系統中深度學習的應用是今后發展的主要方向之一，但深度學習是一種數據驅動類方法，需要大量數據訓練以進行特征學習，目前開源的大多數數據集[48]都是基于城市等結構化環境，使得深度學習在越野環境中的應用存在一定的難度.因此今后構建較為典型的開源越野環境數據集尤為重要.
�、� 越野場景的復雜地形不再是城市環境中的平面.這對路徑規劃提出更高的要求，故路徑規劃需對精確的車輛模型及環境信息需進行綜合考慮，在滿足車輛動力學約束的前提下提高路徑規劃效率.
�、� 越野場景對車輛的模型精確度要求更高，越野場景下需要將車輛的側傾和俯仰等自由度納入運動控制模型中，以保證在不平路面的安全行駛.
�、� 環境感知、路徑規劃以及運動控制3方面的協調研究，保證各方面能協調互補，整個系統有序運行.——論文作者：胡宇輝， 王旭， 胡家銘， 龔建偉， 王克， 李桂鵬， 梅程
參考文獻：
[1]陳慧 巖，張 玉.軍用地面無人機動平臺技術發展綜述[J].兵工學報，2014，35(10)：1696-1706.CHEN Huiyan，ZHANG Yu.Anoverviewofresearchonmilitaryunmannedgroundvehicles[J].ActaArma-mentarii，2014，35(10)：1696-1706.(inChinese)
[2]譚元杰，李宏鵬，王艷花，等.無人駕駛農業車輛技術的研究與應用[J].農業技術與裝備，2020(10)：22-23，25.TAN Yuanjie，LIHongpeng，WANG Yanhua，etal.Studyandapplicationofunmannedagriculturalvehiclesys-tem[J].AgriculturalTechnology & Equipment，2020(10)：22-23，25.(inChinese)
[3]SEETHARAMANG，LAKHOTIA A，BLASCH EP.Unmanned vehiclescomeofage：the DARPA grandchallenge[J].Computer，2006，39(12)：26-29.
[4]孫揚，陳慧巖.無人地面車輛測評體系研究[J].兵 工 學報，2015，36(6)：978-986.SUN Yang，CHEN Huiyan.Researchontestandevalu-ationofunmannedgroundvehicles[J].ActaArmamenta-rii，2015，36(6)：978-986.(inChinese)
[5]CHENTongtong，DAIBin，WANGRuili，etal.Gauss-ian-process-basedreal-timegroundsegmentationforau-tonomouslandvehicles[J].JournalofIntelligentandRo-boticSystems，2014，76(3-4)：563-582.
[6]張名芳，付 銳，郭 應 時，等.基于三維不規則點云的地面分割算法[J].吉林大學學報(工 學 版)，2017，47(5)：1387-1394.ZHANG Mingfang，FU Rui，GUO Yingshi，etal.Roadsegmentationmethodbasedonirregularthreedimensionalpointcloud[J].JournalofJilinUniversity(EngineeringandTechnologyEdition)，2017，47(5)：1387-1394.(inChi-nese)
[7]丁澤亮，胡 宇 輝，龔 建 偉，等.基于深度學習的自適應場景路面 提 取 方 法[J].北京理工大學學報，2019，39(11)：1133-1137.DINGZelian，HUYuhui，GONGJianwei，etal.Adaptiveroadextractionmethodindifferentscenebasedondeeplearning[J].TransactionsofBeijingInstituteofTechnol-ogy，2019，39(11)：1133-1137.(inChinese)
[8]MEIJilin，YU Yufeng，ZHAO Huijing，etal.Scene-a-daptiveoff-roaddetectionusingamonocularcamera[J].IEEE TransactionsonIntelligent Transportation Sys-tems，2018，19(1)：242-253.
[9]趙一兵，郭 烈，李 明 麗，等.無人地面車輛野外水體障礙物識別[J].兵工學報，2014，35(Suppl.1)：64-69.ZHAOYibing，GUOLie，LIMingli，etal.Waterhaz-ardrecognitionforUGVinoff-roadenvironment[J].ActaArmamentarii，2014，35(Suppl.1)：64-69.(inChinese)
[10]蔡云飛，石庭敏，唐振民.基于雙多線激光雷達的非結構化環 境 負 障 礙 感 知 技 術 [J].自 動 化 學 報，2018，44(3)：569-576.CAIYunfei，SHITingmin，TANGZhenmin.Negativeobstacleperceptioninunstructuredenvironmentwithdoublemulti-beamlidar[J].Acta AutomaticaSinica，2018，44(3)：569-576.(inChinese)
SCISSCIAHCI
