基于改进PointPillars的激光点云三维目标检测

针对复杂场景下三维目标检测算法对小目标物体识别精度不高、容易出现错检漏检问题,提出一种基于改进PointPillars的三维目标检测算法,利用锥形点云获取物体的边界信息,抑制环境噪声造成的干扰;设计一种空间自注意力模块,捕获点云支柱间的全局上下文信息和空间信息,扩大点云特征感知范围,提升小目标物体识别在复杂场景下的鲁棒性;改进主干网络的下采样模块,采用ConvNeXt v2模块增强网络的特征提取能力。在KITTI数据集上的测试结果表明,相比PointPillars原始网络,改进算法在汽车、行人、骑行者类别上的平均检测精度分别提升了3.73%、5.89%、5.7%,证明了所提出方法的有效性。

基于雷达虹膜回环检测的激光SLAM算法

针对在室外大范围场景中定位建图时,传统激光雷达里程计普遍存在定位精度低、鲁棒性差及回环检测性能弱的问题,提出一种基于雷达虹膜回环检测的激光同步定位与地图构建算法。首先,结合惯性测量单元预处理数据矫正激光点云运动畸变;其次,建立雷达虹膜回环检测,利用点云高度信息对激光点云鸟瞰图编码并转换为雷达虹膜图像,计算虹膜图像间相似度得分获取最优回环关键帧,有效提高回环检测精度;最后,采用因子图后端优化,对回环因子、激光雷达里程计因子和惯性测量单元预积分因子进行联合优化得到全局最优解。在KITTI数据集上的测试结果表明,相比ALOAM、LeGO-LOAM算法,所提算法的位姿精度平均提升50%和37%,能够准确实现回环检测,显著提高了定位精度和建图效果。