基于激光同时定位与地图构建(simultaneous localization and mapping,SLAM)技术,不仅能够实现车辆在未知环境下的实时定位,还能高效地获取环境的三维地理空间信息,近年来受到了无人驾驶领域的广泛关注。在几何结构匮乏的隧道中,仅依赖...基于激光同时定位与地图构建(simultaneous localization and mapping,SLAM)技术,不仅能够实现车辆在未知环境下的实时定位,还能高效地获取环境的三维地理空间信息,近年来受到了无人驾驶领域的广泛关注。在几何结构匮乏的隧道中,仅依赖几何信息无法配准点云,因此传统激光SLAM方法难以在隧道中应用。为解决这一问题,本文在LOAM的基础上,提出一种点云强度信息增强的改进激光SLAM技术。首先,改进特征提取方法,提出基于点云柱面投影图的自适应特征提取方法,从单帧点云中提取直线、平面、地面和反射强度特征;其次,针对点云的几何特征配准在隧道中的退化问题,提出一种基于强度特征和强度地图的配准优化方法,自适应提取环境中的强度特征并根据强度特征的配准对车辆位姿进一步修正。试验结果表明,该方法较LOAM和HDL-Graph-SLAM具有更好的稳健性,能够在缺乏几何特征但强度特征丰富的隧道内实现稳定的定位和地图构建,定位精度提升了一个数量级。展开更多
【目的】在计算机视觉和图形学领域中,原始点云曲面重建任务仍具挑战性。目前大多数研究在隐式空间中学习各种特征并直接融合,但这种方法很难准确解释3D模型,并且重建模型存在特征消失导致的不完整曲面。【方法】为解决这个问题,本文引...【目的】在计算机视觉和图形学领域中,原始点云曲面重建任务仍具挑战性。目前大多数研究在隐式空间中学习各种特征并直接融合,但这种方法很难准确解释3D模型,并且重建模型存在特征消失导致的不完整曲面。【方法】为解决这个问题,本文引入一种新的隐式表示方法,将特征划分为全局特征和局部特征,首先学习分块后局部特征,局部点云在潜在隐式空间中学习局部特征快速准确获取点云特征,然后将各部分深度特征隐式融合,将学习后的全局特征进行融合并重建曲面模型。【结果】该方法将一个3D全局形状转化为多个局部形状进行建模,局部形状通过深度特征提取划分全局统一,能够更有效地提取3D形状的隐式曲面,从而重建3D曲面。将其命名为隐式分区深度特征融合(Implicit Partition Deep FeatureFusion,IPDFF)。【局限】IPDFF模型虽然对复杂模型适用效果较好,但对复杂区域缺失点云或均为复杂特征点云重建效果欠佳。【结论】在实验结果中,IPDFF在视觉重建效果和几个定量指标上优于其他基线方法,重建曲面后有较强的鲁棒性和实用性,且模型具有更强的细节特征。展开更多
植物表型是基因型与外界环境共同作用的结果。精确测量植物表型对于植物生理特征与功能性状研究具有重要意义。本研究以加拿大一枝黄花(Solidago canadensis)为对象,对20株植株进行3个月室内培养,各月利用地基激光雷达扫描(terrestrial ...植物表型是基因型与外界环境共同作用的结果。精确测量植物表型对于植物生理特征与功能性状研究具有重要意义。本研究以加拿大一枝黄花(Solidago canadensis)为对象,对20株植株进行3个月室内培养,各月利用地基激光雷达扫描(terrestrial Li DAR scanning,TLS)系统对实验植株进行多站扫描和点云融合,实现对植株生长过程的连续观测。对于扫描获取的离散点云,利用多端点三维坐标重构法获取植株高度,并基于叶片点云的Delaunay三角网重构叶片表面,获得植株的真实高度、叶面积、叶倾角和方位角等结构参量。对比手动测量结果,发现基于点云重构获得的植株高度与真实植株高度对比,二者间相似性的决定系数(R2)为0.991,叶面积、叶倾角、方位角相似性R2分别为0.989、0.949和0.871;基于TLS点云重构法实现了非破坏性的植物表型测量,能够获得高精度的植物表型特征;多时相扫描能精确监测植物生长过程的表型特征变化。展开更多
目的自动引导运输小车(automatic guided vehicles,AGV)在工厂中搬运货物时会沿着规定路线运行,但是在靠近障碍物时只会简单地自动停止,无法感知障碍物的具体位置和大小,为了让AGV小车在复杂的工业场景中检测出各种障碍物,提出了一个点...目的自动引导运输小车(automatic guided vehicles,AGV)在工厂中搬运货物时会沿着规定路线运行,但是在靠近障碍物时只会简单地自动停止,无法感知障碍物的具体位置和大小,为了让AGV小车在复杂的工业场景中检测出各种障碍物,提出了一个点云多尺度编码的单阶段3D目标检测网络(multi-scale encoding for single-stage 3D object detector from point clouds,MSE-SSD)。方法首先,该网络通过可学习的前景点下采样模块来对原始点云进行下采样,以精确地分割出前景点。其次,将这些前景点送入多抽象尺度特征提取模块进行处理,该模块能够分离出不同抽象尺度的特征图并对它们进行自适应地融合,以减少特征信息的丢失。然后,从特征图中预测出中心点,通过多距离尺度特征聚合模块将中心点周围的前景点按不同距离尺度进行聚合编码,得到语义特征向量。最后,利用中心点和语义特征向量一起预测包围框。结果MSE-SSD在自定义数据集中进行实验,多个目标的平均精度(average precision,AP)达到了最优,其中,在困难级别下空AGV分类、简单级别下载货AGV分类比排名第2的IASSD(learning highly efficient point-based detectors for 3D LiDAR point clouds)高出1.27%、0.08%,在简单级别下工人分类比排名第2的SA-SSD(structure aware single-stage 3D object detection from point cloud)高出0.71%。网络运行在单个RTX 2080Ti GPU上检测速度高达77帧/s,该速度在所有主流网络中排名第2。将训练好的网络部署在AGV小车搭载的开发板TXR上,检测速度达到了8.6帧/s。结论MSE-SSD在AGV小车避障检测方面具有较高的精确性和实时性。展开更多
文摘基于激光同时定位与地图构建(simultaneous localization and mapping,SLAM)技术,不仅能够实现车辆在未知环境下的实时定位,还能高效地获取环境的三维地理空间信息,近年来受到了无人驾驶领域的广泛关注。在几何结构匮乏的隧道中,仅依赖几何信息无法配准点云,因此传统激光SLAM方法难以在隧道中应用。为解决这一问题,本文在LOAM的基础上,提出一种点云强度信息增强的改进激光SLAM技术。首先,改进特征提取方法,提出基于点云柱面投影图的自适应特征提取方法,从单帧点云中提取直线、平面、地面和反射强度特征;其次,针对点云的几何特征配准在隧道中的退化问题,提出一种基于强度特征和强度地图的配准优化方法,自适应提取环境中的强度特征并根据强度特征的配准对车辆位姿进一步修正。试验结果表明,该方法较LOAM和HDL-Graph-SLAM具有更好的稳健性,能够在缺乏几何特征但强度特征丰富的隧道内实现稳定的定位和地图构建,定位精度提升了一个数量级。
文摘【目的】在计算机视觉和图形学领域中,原始点云曲面重建任务仍具挑战性。目前大多数研究在隐式空间中学习各种特征并直接融合,但这种方法很难准确解释3D模型,并且重建模型存在特征消失导致的不完整曲面。【方法】为解决这个问题,本文引入一种新的隐式表示方法,将特征划分为全局特征和局部特征,首先学习分块后局部特征,局部点云在潜在隐式空间中学习局部特征快速准确获取点云特征,然后将各部分深度特征隐式融合,将学习后的全局特征进行融合并重建曲面模型。【结果】该方法将一个3D全局形状转化为多个局部形状进行建模,局部形状通过深度特征提取划分全局统一,能够更有效地提取3D形状的隐式曲面,从而重建3D曲面。将其命名为隐式分区深度特征融合(Implicit Partition Deep FeatureFusion,IPDFF)。【局限】IPDFF模型虽然对复杂模型适用效果较好,但对复杂区域缺失点云或均为复杂特征点云重建效果欠佳。【结论】在实验结果中,IPDFF在视觉重建效果和几个定量指标上优于其他基线方法,重建曲面后有较强的鲁棒性和实用性,且模型具有更强的细节特征。
文摘植物表型是基因型与外界环境共同作用的结果。精确测量植物表型对于植物生理特征与功能性状研究具有重要意义。本研究以加拿大一枝黄花(Solidago canadensis)为对象,对20株植株进行3个月室内培养,各月利用地基激光雷达扫描(terrestrial Li DAR scanning,TLS)系统对实验植株进行多站扫描和点云融合,实现对植株生长过程的连续观测。对于扫描获取的离散点云,利用多端点三维坐标重构法获取植株高度,并基于叶片点云的Delaunay三角网重构叶片表面,获得植株的真实高度、叶面积、叶倾角和方位角等结构参量。对比手动测量结果,发现基于点云重构获得的植株高度与真实植株高度对比,二者间相似性的决定系数(R2)为0.991,叶面积、叶倾角、方位角相似性R2分别为0.989、0.949和0.871;基于TLS点云重构法实现了非破坏性的植物表型测量,能够获得高精度的植物表型特征;多时相扫描能精确监测植物生长过程的表型特征变化。
文摘目的自动引导运输小车(automatic guided vehicles,AGV)在工厂中搬运货物时会沿着规定路线运行,但是在靠近障碍物时只会简单地自动停止,无法感知障碍物的具体位置和大小,为了让AGV小车在复杂的工业场景中检测出各种障碍物,提出了一个点云多尺度编码的单阶段3D目标检测网络(multi-scale encoding for single-stage 3D object detector from point clouds,MSE-SSD)。方法首先,该网络通过可学习的前景点下采样模块来对原始点云进行下采样,以精确地分割出前景点。其次,将这些前景点送入多抽象尺度特征提取模块进行处理,该模块能够分离出不同抽象尺度的特征图并对它们进行自适应地融合,以减少特征信息的丢失。然后,从特征图中预测出中心点,通过多距离尺度特征聚合模块将中心点周围的前景点按不同距离尺度进行聚合编码,得到语义特征向量。最后,利用中心点和语义特征向量一起预测包围框。结果MSE-SSD在自定义数据集中进行实验,多个目标的平均精度(average precision,AP)达到了最优,其中,在困难级别下空AGV分类、简单级别下载货AGV分类比排名第2的IASSD(learning highly efficient point-based detectors for 3D LiDAR point clouds)高出1.27%、0.08%,在简单级别下工人分类比排名第2的SA-SSD(structure aware single-stage 3D object detection from point cloud)高出0.71%。网络运行在单个RTX 2080Ti GPU上检测速度高达77帧/s,该速度在所有主流网络中排名第2。将训练好的网络部署在AGV小车搭载的开发板TXR上,检测速度达到了8.6帧/s。结论MSE-SSD在AGV小车避障检测方面具有较高的精确性和实时性。
