采用双支路与特征融合网络的路沿分割

路沿检测是智能车辆环境感知的重要目标,使用语义分割的方法对路沿目标进行检测。针对语义分割网络不能平衡浅层特征和深度特征的问题,设计了一种具有双支路特征融合的实时路沿分割网络。网络主支使用残差结构模块进行下采样,在特征图分辨率为输入分辨率的1/16时恢复至原来分辨率。采用多个模块来融合浅层空间特征与高级语义特征:使用SDFE(spatial detail feature extraction)模块弥补几何特征的丢失;使用联合特征金字塔(joint feature pyramid,JFP)模块将网络多个阶段具有强语义信息的多尺度特征结合使用;支路中设计了特征注意力机制(feature attention,FA)模块,使用4个卷积归一化,通过注意力模块处理,用来增强空间细节特征的提取;设计了FFM(feature fusion module)模块融合高级语义特征与浅层特征。对网络进行性能评价,该网络测试mIoU为79.65%,FPS为59.6,在道路上进行实车实验,分割快速且效果良好。

基于激光雷达和特征地图的车辆智能定位研究

针对激光雷达采集行驶车辆的三维点云数据中包含过多畸变数据,影响车辆定位效果的问题,本文研究一种基于激光雷达和特征地图的车辆智能定位方法。激光雷达利用基于飞行时间的激光测距法,采集车辆及其行驶环境的三维激光点云数据,去除激光点云数据中的畸变数据。利用正态分布变换方法,优化删除畸变数据的点云集的正态分布概率值,配准三维激光点云数据。从完成配准后的三维激光点云数据中,提取柱状物体的圆形特征,构建车辆行驶的自然柱状特征地图。利用卡尔曼滤波算法,结合自然柱状特征地图信息,实现高精度的车辆智能定位。实验结果证明:该方法可以精准定位车辆目标,车辆智能定位精度较高,最高可达到97%,定位效率较好,最短可在5 s时间内完成定位,具有一定应用价值。

基于视觉的车道线检测算法研究综述

在实现自动驾驶中,环境感知是其重要任务,而车道线检测算法研究在环境感知中占据着主要位置。传统的车道线检测算法主要依赖于提取特征,而特征会随着环境发生变化,因此易受到环境的影响。随着国内外深度学习的发展,研究者开始利用深度学习技术进行车道线检测算法研究,以尽可能减轻环境因素的影响。文章综述了近年来基于视觉的车道线检测算法研究的进展,主要是基于模型、基于特征的传统车道线检测算法,以及基于深度学习的新兴检测算法,对具有代表性的实现方法进行了详细分析。