基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果,设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络,剔除三维激光雷达主动成像过程中的杂波干扰,得到无杂波干扰的目标三维图像;设计生成模型与对抗模型的损失函数,利用端到端深度神经网络的点云编码层,在无杂波干扰的目标三维图像内,提取目标三维图像特征,并输入目标检测层内;通过目标检测层输出目标检测候选框,利用非极大值结合混合置信度,确定最终目标检测框,完成三维激光雷达主动成像目标检测。实验结果表明:该方法可有效剔除杂波干扰,得到无杂波干扰的目标三维图像;该方法可有效完成三维激光雷达主动成像目标检测,且在不同目标运动模糊长度像素时,该方法目标检测的交并比均高于阈值,说明该方法的目标检测精度较高。

基于激光测距的三维激光雷达成像系统设计

为了通过激光测距获取目标的三维图像,本文研究了三维激光雷达的基本工作原理、器件选型与集成测试,并讨论了不同测试条件对测试结果的影响。通过激光扫描识别整个测试区域中的目标,然后再根据激光光源到目标的距离信息实现目标三维结构的复现与重建。讨论与分析了该系统所需要的器件类型与参数,最终确定了系统中各模块的型号参数与特性。实验测试了不同位置的光强,结果显示,不同强度及位置对应的激光能量可以用于表示目标的三维位置坐标,验证了系统的可行性。

基于深度学习网络的三维激光雷达弱小目标分割研究

为了提升三维激光雷达弱小目标分割的抗干扰性与实时性,有效提取三维激光雷达图像有用信息,设计了基于深度学习网络的三维激光雷达弱小目标分割方法。采集目标三维激光雷达图像,应用小波方法去除三维激光雷达图像噪声;从去噪后的图像中提取三维激光雷达图像多尺度特征,并将特征输入到深度学习网络中训练,建立三维激光雷达弱小目标分割模型,实现弱小目标分割。测试结果表明:该方法能够高精度分割三维激光雷达目标,且分割速度较快,具有较高的实际应用价值。

基于三维激光雷达高精度地图生成测绘背包研究

基于高精度地图自动驾驶技术路线,被业界普遍认为是可靠实现L4级、L5级自动驾驶解决方案.这主要是因为,在高精度定位、环境感知、路径规划以及模拟实验等方面,高精度地图能够为自动驾驶车辆提供丰富先验地图信息,起到至关重要作用.针对封闭园区等环境高精度地图生成问题,以三维激光雷达为主进行多传感器融合,因子图优化对高精度地图生成算法进行优化,并对算法工程化,进行高精度地图生成背包研究.

基于三维激光雷达的智能车辆SLAM技术研究

智能车辆实现自主导航的必要条件之一是定位技术,目前基于三维激光雷达的同步定位与建图(SLAM)技术是定位技术的主流方案。文章从三维激光SLAM的算法框架和关键模块进行总结,具体讨论了扫描匹配、后端优化、闭环检测、地图构建等关键模块的常用算法及改进;综述了几种开源的三维激光SLAM,并对比了其优缺点;对在应用中激光雷达局部点云稀疏、Z轴的漂移以及动态对象引发的噪声影响等关键性问题进行了分析阐述;指出了基于三维激光雷达的SLAM与深度学习相结合、多传感器融合是未来三维激光SLAM的发展和研究方向。

机载三维激光雷达技术在道路测量中的优势及应用实践研究

机载激光雷达测量技术是一种新型的航空测量技术,具有独特优势,尤其是在道路勘察测量工作中发挥重要作用。该文主要对机载三维激光雷达技术在道路测量中的应用实践进行探究,旨在进一步提高道路测量工作效率和质量,推动道路工程施工设计水平的提升。

基于图优化的三维激光雷达SLAM算法研究

为了提高三维激光雷达SLAM算法的定位精度和解决其z轴偏移的问题,在图优化的基础上提出了一种增加边约束和地面约束来改善闭环检测的方法。首先,使用MLESAC算法对点云数据进行滤波,去除外点;其次,采用随机采样法对点云数据进行下采样,提高点云配准算法的速度和准确性;然后,基于3D-NDT配准算法得到点云变换关系;最后,在图优化的基础上将边约束和地面约束加入优化求解器,获得优化后的位姿和点云地图;使用Velodyne激光雷达扫描的地下车库数据进行评估,结果表明所提出的方法能够改善激光SLAM的回环检测,提高定位准确度,x、y和z方向精度分别可达0.0741、0.38895、0.0015 m,特别是z轴精度从1.68 m提升到了0.0015 m。

基于三维激光雷达的动态障碍实时检测与跟踪

为了解决在大数据量的情况下实现高效检测与跟踪的难点,提出一种室外动态未知环境下自主车的多障碍实时检测与跟踪的算法.由于Velodyne 64线三维激光雷达具有数据量大、精度高等特点,采用其与相机结合感知环境.算法结合从图像处理中得到的道边信息将原始激光雷达数据的感兴趣区域转化为栅格地图,在地图上采用区域标记和模板匹配的方法进行聚类和特征提取,检测得到盒子模型的障碍物,并进行障碍物跟踪.为了避免在多障碍物的情况下出现虚警和漏检,基于多假设跟踪数据关联和卡尔曼滤波来跟踪连续多帧的障碍物.本算法在自主车平台上能够以每帧100ms实现准确、稳定地检测和跟踪.

基于三维激光雷达的无人车障碍物检测与跟踪

针对真实交通场景中障碍物的检测与跟踪问题,提出了一种基于三维激光雷达HDL-64E的无人车障碍物检测与跟踪方法。首先对三维激光雷达产生且经路面分割后的点云数据栅格化,并进行栅格增补。在障碍物聚类之后,先利用无人车RTK-GPS数据和INS航向角数据进行多帧融合的静态障碍物的检测,再进一步利用动态障碍物模板匹配算法对静态障碍物检测结果形成的可行驶区域进行动态障碍物检测。最后,利用标准卡尔曼滤波器实现对动态障碍物的跟踪。本文方法应用在自主研发的无人车上的大量实验结果表明,本文提出的方法具备较高的可靠度,满足无人车的环境感知要求。

基于三维激光雷达的智能车辆目标参数辨识

智能车周围车辆目标参数(位姿、运动速度和几何形状)对智能车路径规划和决策算法而言至关重要。选取三维激光雷达作为传感器,对车辆目标位置、航向角、速度和几何形状进行计算和滤波。针对车辆目标点云受观测点位置和自遮挡等因素的影响,提出一种动态参考点模型用于计算目标速度;对于目标航向角,采用先点云分块聚类后主成分拟合的思路来提高航向角精度;提出一种基于几何形状变化速率的滤波算法来解决几何形状不易测量和复杂多变等问题。分别就车辆目标速度、航向角和几何形状进行实验分析,结果证明基于本文方法的参数计算结果能获得较高精度,满足智能车环境感知要求。

基于马尔科夫随机场的三维激光雷达路面实时分割

针对多类型场景下三维激光雷达地面高准确性实时提取问题,提出一种基于马尔科夫随机场的路面分割算法.算法对三维点云进行滤波和位姿修正,采用基于最大模糊线段法对每条激光雷达扫描线在x-y平面上的投影进行分割,使用角点检测准确定位每条线段端点.利用原始雷达数据结构信息,建立以线段为节点的无向图马尔科夫随机场,通过分析线段长度、相邻线段间的距离、梯度以及垂直高度差等特征,构建能量方程,用图分割的方法求出最优解,并将线段标记为2类:地面区域和障碍区域.分别在城市平坦路面和乡村起伏道路场景下进行实验,结果表明:与现有算法相比,本算法地面提取准确率更高,在颠簸的乡村道路区域具有更高的稳定性.

基于三维激光雷达的道路可通行区域分割提取方法

为实现无人驾驶车辆利用车载三维激光雷达提取道路可通行区域,提出了一种基于小波变换结合模糊线段拟合的道路分割提取方法。利用探测倾角聚类的方法分割激光雷达扫描线在地面上的投影,通过小波变换初步确定路沿和障碍物位置,再使用模糊线段的方法精确定位路沿和障碍物。试验结果表明,该方法具有较高的精度与实时性。

基于三维激光雷达的动态障碍物检测和追踪方法

为解决无人驾驶车辆在城市路况下对多个动态障碍物同时检测和跟踪的关键问题,提出一种基于三维激光雷达的多目标实时检测和跟踪方法。通过对单帧激光雷达点云数据进行聚类,提取障碍物外接矩形轮廓特征;采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联;利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。试验结果表明,该算法能够在自行搭建的智能车平台上以每帧100 ms的速度准确、稳定地检测和跟踪。

基于三维激光雷达的车辆目标检测方法

为有效检测道路中的障碍物,识别其中的车辆目标,提出一种基于三维激光雷达的障碍物检测和车辆识别方法。采用雷达相邻扫描点的距离特征分割地面,利用DBSCAN聚类方法对障碍物聚类,利用IEPF算法分割和拟合障碍物轮廓曲线,最后结合多个判据实现车辆目标检测。在城市快速路进行实验,结果表明该方法可以有效识别其中的车辆目标。

三维激光雷达果园路面不平度采集试验与分析

以果园典型路面不平度的采集为研究对象,建立基于激光雷达点云处理的路面不平度采集方法,搭建了基于三维激光雷达的路面不平度采集系统平台,结合点云处理技术完成路面高程信息的提取;采用AR(auto regressive,自回归)模型依据比例分析法对路面功率谱密度进行计算,确定不平度等级,并通过加速度振动记录仪进行系统验证,利用系统开展典型果园路面不平度数据信息采集试验。试验结果显示,果园路面不平度结果为水泥路面主要集中在B级,B级占比82.33%;砂石路面主要集中在C级,C级占比84.00%;泥土路面主要集中在D、E等级,D级路面占比48.67%,E级占比31.00%,表明基于三维激光雷达采集系统与数据处理方法在果园路面不平度采集和评价上是可行的。最终不平度评价结果显示,三维激光雷达果园路面不平度采集系统应用可靠,评价结果准确,适合于山地林、果、茶园路面不平度的采集。

三维激光雷达技术在电力行业中的应用

目前中国输电线路总长度居世界第二,在"十一五"期间将继续加大电网建设力度,以解决电力国家的需要。如何有效地建设和管理,是一个正在面对并急需的问题。激光雷达技术由于具有快速获取高精度激光点云和高分辨率数码影像的优点,无论对新建线路的走向选择设计,还是对已建线路的危险点巡线检查、线路资产管理以及各种专业分析,都带来了传统测绘手段所不具备的应用模式和技术优势。

基于高分遥感图像和地基三维激光雷达数据的城市三维绿量快速测算

文章提出了基于高分遥感图像和地基三维激光雷达扫描数据,采用平面量推算立体量的方法测算城市三维绿量。该方法首先利用地基三维激光扫描点云数据建立样本点单木三维模型,再利用模型提取单木三维绿量;然后利用高分遥感图像和DEM图像获取样本点的光谱特征和GIS特征作为自变量,其中包括样本点像元缓冲区的近红外波段、红波段、绿波段的灰度值、归一化差值植被指数、比值植被指数、改进型土壤调节植被指数高程、坡度、坡向;之后利用逐步回归分析的方法筛选并去除引起多重共线性的自变量,拟合单木三维绿量的回归方程;最后结合不同植被类别的空间分布信息遥感图像,推算出研究区全域的三维绿量总值。该方法对于快速测算城市三维绿量提供了一个新的思路,可为准确定量评价城市绿色景观生态效益提供提供科学的数据支撑。

城市复杂环境下基于三维激光雷达实时车辆检测

针对目前车辆检测准确性不高的问题,提出一种在城市复杂环境下单帧准确实时检测静止或运动车辆的算法.车辆检测系统采用三维激光雷达点云和二维栅格相结合,其中障碍聚类和障碍块轮廓在二维栅格地图上提取,而障碍检测和车辆检测在三维点云数据上处理.检测准确性的高低主要取决于所选的特征是否具有很好的区分性.针对几何形状相似难以区分和物体遮挡等问题,采用3种特征描述:反射强度概率分布、纵向高度轮廓分布和位置姿态相关特征,并利用支持向量机(SVM)训练分类器实现车辆的实时检测.实验中比较和分析了不同单特征和综合特征的检测性能,结果表明:自主车在城市环境下能以每帧200ms实时准确地检测环境中的车辆.

基于三维激光雷达的道路边界提取和障碍物检测算法

为了快速有效地提取智能车辆在不同环境下的道路环境信息,提出基于三维激光雷达的道路边界提取和障碍物检测算法.首先,对三维激光雷达点云数据进行栅格化滤波处理,利用单束激光点云空间邻域联合分割的方法进行空间分析,得到点云平滑度特征图像.然后,采用自适应方向搜索算法获取道路边界候选点,并进行聚类分析和曲线拟合.最后,对道路边界约束下可通行区域内点云进行聚类分割,获得道路内障碍物方位和距离信息.实验表明,文中算法能够实时准确地提取道路边界和障碍物位置信息,满足智能车环境建模和路径规划的需求.

基于手眼模型的三维激光雷达外参数标定

无人车三维激光雷达与GPS/INS组合导航系统融合使用,需要对两者之间的相对位姿进行标定。针对车辆运动过程点云畸变的现象,提出了一种单帧点云中激光扫描点坐标修正方法。针对标定问题,建立了标定模型,提出了一种基于ICP算法和手眼标定模型及最小二乘法进行外参数标定的方法。通过蒙特卡罗仿真实验,对该方法的有效性和精度进行了仿真和验证。在实验室JJUV-6无人车平台上进行标定试验,得到两者之间的三维位姿关系。对比标定前后三维点云重建效果,点云重叠度接近于配准效果。基于应用的目的,基本满足二维地图构建和三维环境重建的需求。