社区安保服务机器人的基本功能是要自主导航于未知环境中，就必需运用有用且可靠的障碍物检测系统。机器人要配置一种或多种传感器并结合适当的信息处理技术，其才能正确估计障碍物所在的位置，识别自身所处的环境，实现自主避障行走。



图1-1 我国首款智能服务机器人

1。2 研究现状与存在问题

1。3 论文的主要内容与章节安排
本文主要研究了基于二维激光雷达的机器人进行障碍物检测而获取点云数据处理方法。首先介绍了点云数据预处理方法；在此基础之上，介绍了点云数据的几何特征，并基于几何特征实现了初步的点云数据分割和障碍物信息提取；实现将层次聚类理论运用到点云数据的分割聚类过程中；然后采用基于信息熵的免疫遗传算法对聚类过程进行优化，进一步提高点云数据处理的准确性、鲁棒性和实时性。
后续章节安排如下：
第二章主要介绍了激光雷达扫描环境得到的点云数据几何特征，以及分割点云数据，是基于数据特征进行的。论文首先介绍了激光雷达点云数据的常用预处理方法，研究点云数据误差处理，分析噪声处理以及数据滤波方法，介绍了数据的坐标变换；重点介绍了处理激光雷达数据中涉及到的关键几何特征，提出了结合坐标、深度、曲率、斜率等特征描述方法，并实现了点云数据的初步分割。
第三章深入研究了层次聚类理论，并运用到点云数据的聚类分割中，运用欧式距离设计相似性度量准则。重点介绍了对点云数据层次聚类的设计过程，并进行点云数据的聚类算法测试，实现障碍物信息的提取。
第四章研究了基于信息熵的免疫遗传算法优化点云数据的聚类分割，分析了信息熵的概念，分析引入信息熵后改进的免疫遗传算法的优化特点，并将其运用于点云数据的聚类分割中，对层次聚类的初始聚类条件进行优化，试图提高点云数据的聚类精度和效率。

第二章 激光雷达二维点云数据几何特征的提取与分割
2。1 引言
  本文采用激光雷达作为传感器来进行障碍物检测，激光雷达扫描的点云数据处理一般包括数据的获取、数据的预处理、特征提取、数据分割等过程。激光雷达点云数据的获取是使用激光雷达系统扫描获取物体的几何位置和表面属性等相关信息的采集。                                                           
数据处理首先是点云数据预处理。激光雷达扫描仪不可避免地会引入数据误差，是因为本身的物理测量精度、系统软件的偏差和配准目标的环境的空间分布等方面，点云数据的尖锐边和边界的附近存在误差，如坏点和跳点，这些点会偏离了相近的点，即该点偏离了周围的原来曲线。在使用激光雷达来获得点云数据时，由于机器本身的精度限制和环境的影响，可能导致获取的数据存在部分缺口和盲区，这将使得后期的数据特征分析以及数据分割等产生很大不利的影响。因此，数据的预处理是为了解决这些数据误差问题，为后期的数据配准[18]等做准备。激光雷达点云数据的预处理方式主要有对有明显异常的数据的处理、数据的插补和去噪。为了提高数据的处理速度，消除噪声干扰，就需对数据预处理。
准确的描述一个物体是其特征，特征作为物体的主要属性。对于点云数据来说，特征可以真实地反应客观物体的表面和边缘等结构特征[19]。全局特征描述和局部特征描述为数据特征的描述。本文是采用斜率、曲率等几何形状特征的描述，属于局部特征描述。在激光雷达获取点云数据的处理过程中，结合坐标、深度、斜率、曲率等数据特征描述方法，初步实现数据的简单分割。 聚类激光雷达的社区安保服务机器人障碍物检测(3):http://www.youerw.com/zidonghua/lunwen_131026.html