基于GCR-PointPillars的点云三维目标检测

针对PointPillars算法中存在识别与定位不准确的问题,提出一种GCR-PointPillars三维目标检测模型,该模型首先在Pillar特征网络中引入全局注意力机制,学习点云特征之间的相关性,增强伪图特征的全局信息交互能力;其次,基于ConvNeXt V2重新构建特征提取网络,提取更加丰富的语义信息,从而有效提升网络的学习能力;最后引入RDIoU来联合引导分类和回归任务,有效缓解分类和回归不一致的问题。文中模型在KITTI数据集中与基准网络相比,汽车类别在简单、中等、困难三种难度级别下分别提高了2.69%、4.29%、4.84%,并且推理速度达到25.8 f/s。实验结果表明,文中模型在保持实时性速度的同时,检测效果也有明显提升。

盖革APD激光雷达高空间分辨率三维重构方法研究

盖革模式阵列APD激光雷达由于像元数的限制导致重构的三维距离像分辨率低,严重限制了对场景信息的感知识别能力。为此,提出一种基于改进图像引导的盖革模式阵列APD激光雷达超分辨三维图像重构算法。主要研究基于配准后的盖革APD低分辨距离图像、增强电荷耦合器件(ICCD)相机高分辨强度图像和马尔科夫随机场模型,建立具有距离保真项和正则化项约束的全局能量函数,最终对优化模型的最优化求解实现高分辨强度图像对低分辨距离图像的超分辨引导重构。实验结果表明,相较于现有算法,文中算法在提升重构三维图像分辨率的同时,也使图像的边缘更加锐利。该研究对于盖革模式阵列APD激光雷达的目标探测、识别和跟踪具有重要意义。

基于扇块化阈值判定的机载激光雷达可通行区域在线检测方法研究

激光受扫描区域与摄像点间角度、方向以及间隔距离等因素影响,导致激光可覆盖区域有限,从而影响可通行区域在线检测的准确性。为此,提出一种基于扇块化阈值判定的机载激光雷达可通行区域在线检测方法。扇块化阈值包括最大扫描距离阈值和畸变系数阈值,利用其判定机载激光雷达扇形块区域;采用最大熵值预测模型与调节系数处理扇形块区域数据,结合小波变换实现机载激光雷达可通行区域在线检测。实验结果表明,所提方法不仅检测到在4、6、7检测点处,道路宽度信息发生了变化,而且可以有效检测出区域内的障碍物,从而提高可通行区域的检测准确性,具备较好的检测效果。

复杂地形与障碍物环境下的局部避障方法研究

为实现移动机器人在复杂地形与障碍物环境下的精确避障及导航任务,设计出一种点云分割与剔除算法,并应用于优化的避障及导航策略框架中进行仿真。使用2D激光雷达建立全局地图,进行手动修改后构建全局代价地图;根据常见的地形与障碍物,使用深度相机作为局部避障传感器;基于抽样一致性原理设计出地面与斜坡面点云分割与剔除算法;在ROS中构建仿真环境进行仿真实验。仿真实验结果表明,提出的避障及导航策略框架能够在复杂地形与障碍物环境下对斜坡、地面凹陷、悬梁型、低矮型障碍物做出准确的判定,从而实现精确的局部避障与导航。

激光雷达IMU紧耦合的室内大范围SLAM方法

针对激光雷达SLAM算法在室内大范围场景中建图与定位精确度低、鲁棒性差的问题,提出一种激光雷达IMU紧耦合的SLAM方法。该方法基于LeGO-LOAM算法,在点云去畸变环节引入惯性测量单元(IMU)数据,将IMU预积分的结果作为初始位姿,消除点云畸变;在点云配准环节,将IMU预积分的结果作为迭代优化时的初始位姿,提升点云配准精度,从而提高机器人位姿估计的准确性;在后端优化环节,通过构建因子图的方式引入激光里程计因子、IMU预积分因子及回环因子,得到全局最优解,进一步提升建图与定位的精度。为验证所提方法的可行性,设计不同场景下LeGO-LOAM算法与改进SLAM算法的对比实验。实验结果表明,在室内大范围场景下,改进的SLAM算法能够减少轨迹波动,提升建图效果及轨迹精度,增强算法的鲁棒性。

激光测风雷达反演风场产品在冬运会的适用性分析

以分布在第十四届全国冬季运动会(以下简称十四冬)赛事雪道起点及中段的地面自动站10 min平均风速、风向数据为基准,对比分析了2019年12月1日—2020年1月31日激光测风雷达反演风场产品精度。结果表明:风向资料的平均相对偏差、相对偏差的标准差和相关系数均优于风速资料;平均风速在3 m/s左右时,平均相对偏差较大,达到了55%,当平均风速小于10 m/s时,激光雷达测得的风速偏大,当平均风速大于10 m/s时,激光雷达测得的风速普遍小于地面自动站风速数据;激光雷达对4号自动站处风向的探测精度优于3号自动站,而风速除平均绝对误差较大、相关性稍低外,平均误差、平均相对偏差和相对偏差的标准差要优于对3号自动站处风速的探测情况;随着信噪比的增大,风速平均误差减小,风速和风向相对偏差均逐渐集中于0。