基于改进DeepSORT的路侧感知方法在露天矿山中的应用

在露天矿山无人驾驶运输作业系统中,路侧感知系统可为无人驾驶车辆提供辅助路况信息。目前的矿卡无人驾驶系统采用基于摄像头、激光雷达和毫米波雷达的多传感器融合技术的路侧感知方法,存在系统成本高、结构复杂、鲁棒性差等问题。对此,文章提出一种基于改进DeepSORT的路侧感知方法。该方法首先使用摄像头采集矿山中车辆和行人数据,采用YOLOv5s算法对摄像头画面中的车辆、行人进行精准识别;然后结合改进的DeepSORT算法对所识别的车辆与行人进行实时跟踪;最后,对跟踪目标进行统计分析,完成车流量统计、车辆异常停车判定和行人侵入判定等功能。在神延西湾露天煤矿矿区8号十字路口对该方法进行了测试,结果表明,采用单一传感器可以很好地实现对矿山十字路口车辆和行人的识别与跟踪,相比基于多传感器融合的路侧感知技术,其有效降低路侧感知系统复杂度并节约了成本。

智轨电车单目3D感知系统的研究

3D感知系统是智轨电车安全运行的核心部件。针对复杂城市环境下智轨电车激光雷达系统难以感知远距离目标、对颜色不敏感以及可能失效等问题,文章提出一种用于智轨电车的纯视觉单目3D感知系统。该系统由数据预处理、模型训练和模型部署组成,是一套基于视觉的、包含从数据采集到上车部署的完整方案,可实现对智轨电车周围障碍物的3D感知,能提高智轨电车在复杂城市环境下行驶可靠性。基于智轨电车数据集和公开数据集Waymo的测试表明,该系统可以很好地感知智轨电车复杂道路场景,其最终3D平均准确率(average precision,AP)能够达到0.53,单帧图片推理时间约为56 ms,能满足智轨电车对感知障碍物算法的实时性要求。

露天矿山运输车辆相机与激光雷达标定算法研究

在露天矿山运输车辆智能驾驶系统中,相机与激光雷达的数据融合对智能驾驶系统的障碍物检测、识别与跟踪有着至关重要作用。针对相机与激光雷达空间坐标系的统一问题,即建立图像二维坐标系与点云三维坐标系对应关系,文章提出了一种基于棋盘格标定板的相机雷达标定方法。其首先采用张正友标定方法对相机内参标定,得到内参矩阵和畸变系数;然后相机与激光雷达分别提取标定板边缘角点坐标,得到多组点云三维坐标和图像二维坐标,再基于多组特征点对采用EPnP算法得到相机与激光雷达的外参矩阵。为了验证标定精度,文章将点云投影在图像平面并比较其点对的准确度。实验结果表明,该方法可以获取相机与激光雷达之间位姿关系,其投影误差在3个像素以内,有效解决了露天矿山运输车辆相机与激光雷达空间标定问题。

基于多传感器融合的视觉感知困难样本挖掘方法

视觉感知困难样本能有效提升自动驾驶场景中目标检测算法的性能,但是这些样本通常稀少且难以通过简单手段获取。针对该问题,文章提出一种基于多传感器融合的视觉感知困难样本挖掘方法。该方法利用雷达点云分割出来的障碍物目标对图像检测目标进行交叉复核,基于实际障碍物在多传感器间的映射关系挖掘图像目标检测算法难以识别或者未加入模型训练的样本,并将这些困难样本通过云边协同机制用于图像目标检测模型的重训练和远程部署,实现模型的优化迭代更新。试验表明,该方法可以有效挖掘矿用卡车自动驾驶场景的困难样本,通过增量迁移学习显著提升图像目标检测算法性能。同时,该算法对轨道交通等领域自动驾驶场景也具有重要的指导意义。

驴友集散管理系统

针对"驴友"人数多、集散性差且个人素质参差不齐等特点与地理环境的复杂性,文中设计了驴友集散管理系统。该系统以STM32最小系统为主控器,通过ZigBee建立通信网络,可实现远距离通信、一键点到、发布通知、队员心率监测、GPS搜救功能,具有良好的社会效益与经济效益。

轨道零部件级联缺陷检测算法

轨道零部件缺陷检测长期面临缺陷样本稀缺的问题。在缺陷样本不足的情况下,采用现有的深度学习方法易使模型过拟合、泛化性能较差,难以满足实际轨道巡检要求。为此,文章提出一种融合实例分割、细粒度图像分类和传统图像处理的轨道零部件级联缺陷检测方法。其首先通过一种改进的快速实例分割网络来实现扣件和缺陷钢轨的定位;然后,通过分析分割掩码、定量比较扣件轮廓长度的方法,实现少样本条件下的扣件缺陷检测;同时,针对钢轨缺陷类别繁杂且细微、易混的问题,采用“实例分割+细粒度图像分类”的两阶段缺陷检测网络,并引进标签平滑技术以提升模型适应性和分类准确性。实验结果表明,在样本稀缺的情况下,采用所提出的缺陷检测方法,扣件断裂和丢失检测准确率为95.7%,钢轨缺陷检出率和缺陷细分类准确率分别为98%和95%,满足轨道零部件缺陷检测需求。