文献综述（或调研报告）：
为满足无人驾驶的环境感知要求，需要配备丰富的车载传感器，如摄像头、毫米波雷达、激光雷达等。根据所采用的不同传感器，环境感知技术主要包括基于单传感器处理技术的环境感知和基于多传感融合技术的环境感知[1]。单传感器的有基于机器视觉的环境感知和基于激光雷达的环境感知，多传感的有基于毫米波雷达和机器视觉的环境感知和基于激光雷达和机器视觉的环境感知。其中的关键技术如图1所示。
图1 环境感知关键技术
1 基于单传感器的环境感知
1.1 基于机器视觉的环境感知
视觉传感器具有成本低、可识别内容丰富的优点[2]。缺点是受光照影响大、测量精度低、目标检测算法计算量大。基于机器视觉的环境感知的关键技术是目标检测算法。随着目前人工智能的快速发展，基于卷积神经网络的目标检测性能已经远远超过了传统的目标检测，成为了主流算法[3]。目前基于卷积神经网络的目标检测算法主要分成两类：基于候选区域的卷积神经网络目标检测和基于回归的卷积神经网络目标检测[4]。前者先通过算法生成候选区域，再通过卷积神经网络对候选区域进行分类。典型算法有R-CNN[5]，SPP-Net[6]，fast R-CNN[7]，faster R-CNN[8]，mask R-CNN[9]等。后者则是将整个图像作为输入，直接回归目标的边界框和类别信息。典型算法有YOLO[10]和SSD[11]。二者由于实现原理的不同，在性能表现上，前者准确率更高，后者速度更快。
1.2 基于激光雷达的环境感知
激光雷达传感器具有测量精度极高、分辨率高、抗干扰能力强的优点[12]。但容易受恶劣天气影响，制造成本高。基于激光雷达的环境感知的关键技术主要包括点云聚类、目标检测与跟踪和即时定位与地图构建算法[13]。其中点云聚类方法主要有基于距离的聚类方法如K-means聚类和基于密度的聚类方法如DBSCAN。K-means聚类算法简单，聚类速度快，缺点在于需要给定初始聚类数目和随机初始化聚类中心。为此，文献[14]提出了一种基于回波强度阈值的K均值聚类算法，以强度信息作为特征进行聚类，并通过阈值调整聚类中心之间的最小距离，以此来提高聚类的准确性。DBSCAN可以快速处理噪声点，并且可以对任意形状的稠密数据集进行聚类，但是对于密度不均匀的点云聚类准确率不高而且参数调整复杂。为此，文献[15]提出了一种分区DBSCAN算法，将密度不均匀的点云数据划分为若干个密度相对均匀的分区，然后分区使用DBSCAN算法，有效地解决了密度分布不均的点云数据聚类精度低的问题。
2 基于多传感融合技术的环境感知
常用的车载传感器有摄像头、毫米波雷达、激光雷达等。各自的优缺点如表1所示，可见只是独立地使用单一的传感器，是无法满足无人驾驶的环境感知要求的。因此人们提出了多传感数据融合技术，将多源传感器信息进行融合，从而得到关于目标的精确信息，以提高环境感知能力。多传感一般指毫米波雷达和摄像头或激光雷达和摄像头，由于毫米波雷达相较激光雷达成本更低，而且可以全天候工作，在融合视觉传感器后，性能表现优异，因此国内外的科研机构和企业都对其投入了大量的研究精力。本文主要讨论毫米波雷达与视觉的融合方案。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
