基于改进ICP算法的路侧双激光雷达数据融合

路侧感知是车路协同的重要组成部分,由于单一的路侧激光雷达存在垂直盲区、探测范围小、感知精度低、难以处理遮挡等问题,通常需要部署多个激光雷达。数据融合对多激光雷达来说是提高感知范围和精度、减少目标遮挡的重要方法。本文提出了一种改进的迭代最近点(Iterative Closest Point,ICP)算法来实现双激光雷达数据层的融合。该算法通过法向量关键点选取和错误点对的剔除来增加点云配准的精度,采用体素化网格下采样和KD-tree(K-dimension tree)加速对应点匹配来提高点云的配准速度。实验结果表明,改进的ICP算法与经典ICP和GICP(Generalized ICP)算法相比具有更高的配准精度和更快的配准速度。

基于RBF神经网络的辛烷值损失预测模型

辛烷值是燃料汽油的抗爆指标,对发动机零部件的使用寿命和车辆的安全性有重要影响。因此,准确预测汽油辛烷值是一项涉及安全的基础性工作;同时,在原油的资源利用和环境保护方面也具有重要意义。为了能够更好地预测辛烷值损失,本文提出一种基于RBF神经网络的辛烷值损失预测方法。首先,基于石油化工原始数据,对其进行异常值和缺省值筛选,利用最大信息系数(MIC)筛选与辛烷值损失相关性最大的变量,对数据特征进行初次降维,再根据变量之间的强耦合性进行二次降维,获得主要变量;然后,使用RBF神经网络建立辛烷值损失模型,对降维后的数据进行训练和测试。最后,通过实验对降维后的和辛烷值损失模型预测的结果进行分析评价,结果表明,本文提出的模型能够很好地预测辛烷值损失。