车载激光点云中行道树及属性信息提取

由于地物遮挡、数据残缺、噪声等因素的影响,从车载激光扫描数据中提取行道树及其属性信息具有一定难度。针对此问题,提出了一种基于随机森林和车载激光点云数据的行道树及属性信息提取方法。首先,从多角度构建点云特征向量,利用随机森林对特征重要性进行度量和排序,选择对分类起积极作用的特征子集作为训练样本;其次,利用随机森林构建预测模型并对点云进行分类,提取行道树点云;最后,通过基于密度的聚类算法获取单株行道树,并以单株行道树为数据处理单元获取其树高、胸径、冠幅等属性信息。实验结果表明,使用该方法提取的行道树及其属性信息均呈现出较高精度,验证了本文方法的有效性。

基于浮动车轨迹数据的城市路网提取

为满足数字道路信息的及时获取和快速更新,提出了一种基于浮动车轨迹数据的城市路网提取方法。首先通过去冗、滤波等轨迹数据预处理算法优化轨迹信息,然后近似计算轨迹点对应时刻的车辆航向角,通过航向角提取出处于转向状态的浮动车轨迹点,利用改进的DBSCAN聚类算法对转向点聚类提取道路交叉口,最后以交叉口之间的轨迹点为数据源,利用多元自适应回归样条算法拟合道路中心线。以成都市1d内的出租车GPS轨迹数据作为数据源进行了实验,结果显示路网提取效果良好,验证了本文方法的有效性。

兖州某矿区地表沉降规律的预计

为了解决地表沉降中单一的采用概率积分法导致局部预测值与实测值误差较大的问题,采用了概率积分法与ARMA模型相结合的方法,对采空区地表沉降进行分区域处理。采空区地表沉降预计结果为概率积分法预测的趋势项模型与ARMA预测的非趋势项模型之和,采用新模型对兖州某矿区的地表沉降进行预测,克服了局部拟合度较低的问题。实验结果表明,非趋势项ARMA模型弥补了概率积分法的不足,预测精度高且拟合程度好,具有较高的可行性。

基于3D激光点云的同步定位与建图研究

随着无人驾驶和移动测量等技术的发展,GPS失锁情况下位姿和地图构建问题越来越重要。本文结合现有的SLAM解决方案,建立了一种新的基于3D激光点云的低漂移、低计算复杂度的同时定位与建图模型,基于Velodyne VLP-16三维激光雷达从简单到复杂的道路上进行模拟测试。实验结果表明,无须辅助设备,在不同的情形下,模型均能实现实时的位姿估计并构建准确的环境三维点云地图。

基于不同方法对惯性单元数据的处理

实验采集得到的惯性测量单元数据一般包含测量误差或低频干扰,若将这些数据直接用于分析则会造成较大的误差。基于此本文通过对数字积分滤波器的设计、加速度信号滤波后趋势项的消除和陀螺信号消噪等方法对采集的数据进行分析处理。通过实验结果分析此方法有效滤除惯性测量输出误差,并应用于实践中。

厚松散层下地表移动参数预计模型研究

在已有的实测数据基础上,对华北、华中、华东等厚松散层矿区数据整合统计,研究了松散层矿区不同松散层厚度下的地表移动变形预计参数相应的特殊规律,并总结出厚松散层条件下,下沉系数、水平移动系数、主要影响角正切、拐点偏移距和开采传播影响角的预计模型,实例验证表明预计模型具有较高的拟合度。