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。

基于时空连续补偿的矿山可通行区域识别方法

可通行区域识别是矿山无人驾驶技术中的重要环节。露天矿山道路场景具有道路边界模糊不清及路面平坦度不一等特征,使用传统同心圆地面分割模型进行矿山道路平面拟合时容易出现可通行区域与车辆不连通及帧间可通行区域识别结果不一致等误分类问题。提出了一种基于时空连续补偿的矿山道路可通行区域识别方法。首先,基于同心圆模型对矿山道路建模,并利用主成分分析方法进行多平面拟合,获取初始可通行区域分割结果;然后,基于空间连通性,分别利用区域生长方法和基于密度的噪声应用空间聚类方法对初始可通行区域进行区域连通性滤波及点连通性滤波,得到符合空间连通性的可通行区域;最后,基于时间区域一致性对不同点云帧中可通行性不一致的不稳定区域进行滤除,先根据正态分布变换方法构建栅格地图,再利用时间稳定权重判断栅格稳定性,最终通过区域栅格投影实现不稳定区域的滤除。矿山场景中测试结果表明:该方法的准确率为93.44%,较现有主流方法提升2.27%;召回率为99.14%,较现有主流方法提升8.26%。该方法不仅在不连通区域中具有良好的空间连通性,还在崎岖区域内具有良好的时序稳定性。

基于视觉的移动机器人可通行区域识别研究综述

实现实时准确的可通行区域识别,是户外环境下移动机器人导航的重要组成部分。对基于视觉的移动机器人可通行区域识别研究进行了综述,首先介绍了移动机器人视觉导航常用的视觉系统,并从障碍物检测、地形分类两个方面介绍了该问题研究的进展,最后对该领域的技术发展趋势进行了探讨。

一种激光雷达可通行区域提取算法

基于模糊模型和时空关联分析,提出一种在激光雷达获取的点云数据中寻找可通行区域的方法。首先使用基于最大熵的模糊预测模型将激光雷达获得的单条扫描线数据聚类分段;然后寻找符合可通行特征的分段作为初始可通行区域;最后利用时空关联模型在多条扫描线数据中进一步优化可通行区域提取结果。算法通过利用不同方向三维到二维的映射避免了三维空间中计算量大的缺陷,同时又较好地保留了三维数据包含的信息,不涉及迭代计算和在线机器学习过程。实验表明,在城市环境中,算法能够较好的提取可通行区域。

基于one-class SVM与融合多可视化特征的可通行区域检测

针对难以获取完备的非可通行区域样本问题,为提高算法在不同场景的适应性,首次把可通行性检测看作单类分类问题,提出了基于one-class SVM的可通行区域检测算法.提出一种改进的融合颜色和纹理的特征提取方法,对各颜色分量进行离散余弦变换(DCT)变换,对DCT系数进行金字塔分解,用每个分解的均值和方差描述特征窗口.利用one-class SVM进行训练生成可通行区域的模式.实验表明,方法对新数据具有很好的识别能力,具有较高的检测精度和较低的误检率.

基于激光点云的道路可通行区域检测方法

以车载激光雷达获取的点云数据为研究对象,针对无人车道路环境感知的关键技术展开研究。为解决无人驾驶中道路可通行区域检测存在的地面不平整、缓坡、障碍物单一等问题,提出基于激光点云数据的道路可通行区域检测方法。通过基于分段校准的RANSAC算法进行地面分割,解决地面不平整导致的欠分割问题。使用多特征复合判据,利用基于体素化的DBSCAN聚类算法和基于结构特征的障碍物识别方法完成障碍物的分割与识别。结合道路结构以及数据高程突变特征,提取道路边界候选点并拟合得到完整的道路边界线。将道路区域栅格化,根据道路边界悬空障碍物判断并更新可通行区域,实现可通行区域的准确检测。实验结果表明,该方法在复杂道路场景中的边界检测准确率高于95%,可有效检测出障碍物及道路的可通行区域,具有良好的实时性与鲁棒性。

非结构化环境下的单目视觉可通行区域检测

目前三维避障主要采用三维激光雷达或者基于深度学习的障碍物识别,但前者价格昂贵,后者训练成本高且不稳定。为了稳定、鲁棒地实现低成本三维空间避障方案,提出了一种基于单目相机的可通行区域检测方法。该方法利用特征点标识障碍物,通过对相机高度和旋转平面加以约束,解决单目SLAM中的尺度不一致问题,并设计了障碍物距离求解器和代价求解器对小车前方区域特征点进行处理,计算出视觉代价地图,划分可通行区域。该方法优势在于仅需要低成本的单目相机便可完成可通行区域检测任务,可方便地移植到轻量级的移动设备,计算得到的视觉代价地图亦有利于小车后续的路径规划任务。在KITTI数据集上进行的实验表明,该方法的平均运算速度能达到20 frame/s,能满足小车实时避障的要求,对于单目SLAM的尺度恢复误差为2.5%~4.9%。

半结构化环境稀疏点云可通行区域检测方法

传统的激光雷达可通行区域检测算法实时性好,但算法通常对点云数据的高度特征依赖较强,半结构化环境中斜坡等区域高度特征不稳定,易降低算法的性能。基于半结构化环境下三维稀疏点云数据,提出了一种基于直线特征的可通行区域实时检测算法,预处理原始点云数据,并从中速提取直线特征;对直线聚类和筛选,从而提取有效的直线特征;使用直线特征检测结构化障碍物和非结构化障碍物;标记出可通行区域,并构建环境地图。实验结果表明,在校园半结构化环境中,该算法可以较稳定地检测可通行区域,在检测路缘石等高度较低的障碍物时表现出良好的性能,并且适应斜坡、颠簸、负障碍等地面。

基于激光雷达的道路可通行区域检测

随着城市化进程的发展,城市人口密度日益增高,随之而来的城市交通拥堵问题也日渐显著,而无人驾驶车辆作为改善这一问题的一个可能手段,也得到了越来越多的关注。无人驾驶车辆的安全性无疑是其研发过程中十分重要的一环。该文提出了一种使用3个激光雷达进行的道路可通行区域检测方法,该方法包括道路边界检测与障碍物检测两部分。道路边界检测将道路剖面的弧度考虑在内,使用了二次函数进行拟合,提高了模型的准确性,并将最终结果表示于1个以圆弧为基础的栅格地图内。该表示方法能更好地贴合车辆实际运动模型。

一种新的非结构化环境可通行区域检测算法

为了可靠地实现非结构化环境越野自主车辆前方可通行区域检测,提出一种基于四线激光雷达的点云特征检测算法。通过点云分布特征搜索具有相对平面扫描特性的较规则分布点云带,提取并拟合近似平行线段集,对规则点云的包络点集进行区域道路边界假设和拟合,根据车辆连续运行时间轴的上下文关系对边界进行滤波平滑和预测增补,并利用点云聚类特征检测区域内障碍物,融合边界与障碍物区域,考虑车辆可达性,最终得到安全的可通行区域。方法有效避免了大幅度、高频率非结构化振动环境中基于地平面绝对高度计算方法的严重缺陷,实验与比赛应用结果验证了算法的可行性与实用性。

一种低成本的机器人室内可通行区域建模方法

基于单目视觉的同步定位与建图(SLAM)是机器人领域中的一项热门技术。然而,在场景建图方面,由于其计算量较大,各主流方法还无法在低运算能力的平台上实现实时的场景建模。针对室内环境与小型机器人的特定情况,提出了一种新的可通行区域建模方法。该方法建立在单目特征点SLAM的基础上,通过HSV色彩空间内的图像自适应阈值分割获取地面分割图像,并与SLAM生成的稀疏点云进行交叉比对,进而获取地平面与准确的地面分割区域,再将地面分割区域反投影到地平面上,获取地面的稠密建模。在室内场景的实验中,所提方法的平均运算速度能达到21帧/s,速度约为ORB-SLAM的70%,能够满足移动平台的实时性要求。对于地平面位置的还原平均误差为5.8%,地面上道路宽度的建模误差在3.5%~12.8%。

基于车载激光雷达的机车可通行区域检测

可通行区域检测是自动驾驶环境感知的重要内容之一。为了提取自动驾驶车辆前方可通行区域信息,文章提出一种基于车载激光雷达的机车可通行区域实时检测算法。该算法首先对激光雷达采集的三维点云进行数据预处理以提高点云质量;然后通过局部区域搜索算法提取轨道点云,并采用随机采样一致性算法拟合轨道曲线;接着使用匹配规则对轨道进行配对,以获取当前轨道信息,从而获得机车行驶区域;最后通过支持向量数据描述算法检测输电网杆塔以划分警戒区域,并与机车行驶区域合并构成整个机车可通行区域。通过现场实验,结果表明该检测算法平均检测时间为56 ms,满足实时性要求,具有较好的鲁棒性,可为机车自动驾驶主动防撞技术提供支撑。

半结构化环境下基于三维点云的可通行区域检测算法

在半结构化环境下,传统检测算法受到路缘石、坡道、弯道、负障碍等因素影响,算法的检测性能明显下降。因此,提出了一种通过融合道路边界和障碍物检测来提取可通行区域的算法。该算法首先利用约束条件提取局部范围内的特征点及特征直线。其次,通过直线段特征聚类、RANSAC筛选和三次B样条曲线拟合等方式获取完整的道路边界,并采用动态阈值的方式对障碍物进行检索。最后,融合道路边界和障碍物检测结果形成可通行区域。对比实验结果表明,在类似校园的半结构化环境下,该算法能够适应弯道、坡道、负障碍等场景,同时实现更加稳定、准确、快速的可通行区域检测,显著地提升算法性能。

基于道路拓扑结构约束的未知非结构化场景可通行区域检测方法

非结构化未知场景缺乏丰富的先验信息,且道路类型多变、没有规则道路边界等严重制约自动驾驶车辆自主导航的平顺性和安全性。本文针对非结构化场景提出一种考虑道路拓扑结构约束的可通行区域检测方法。首先,为满足全局任务规划需求,基于卫星航拍图像,半自动地提取道路的拓扑结构,构建全局路网,规划全局行驶轨迹;其次,根据全局轨迹和实时定位提取当前的行驶道路方向,作为道路可行使区域自适应生长的强约束条件,保障可通行区域的延伸方向与道路方向一致;最后,提出基于贝叶斯的激光雷达-视觉可通行区域融合方法,提升可通行区域检测的鲁棒性。实验结果表明,所提出的方法能够准确检测出可通行区域,检测失效率仅为0.2‰;在直线情况下,平均占比因子和平均发散因子为87.26%、41.91%;在弯道情况下,平均占比因子和平均发散因子73.62%和64.18%;证明了方法的有效性。

一种面向室内导航的通行区域模型及其自动提取算法

面向室内位置服务中路径规划与导航的应用需求,提出一种基于栅格空间的通行区域模型及其自动提取算法。首先,在栅格模型基础上引入了相邻栅格和途经栅格,结合具体示例阐述了通行区域模型的基本原理;然后,根据室内地图数据特征,通过室内栅格模型初始化、通行区域初次提取和邻域融合,设计了通行区域的自动提取算法;最后,选取西单大悦城一楼室内地图数据进行了不同栅格尺度的通行区域自动提取和路径规划试验。结果表明,该算法针对走廊内存在障碍等复杂室内环境具有较好的适用性,并且通行区域模型相比网络模型的路径规划结果更加符合复杂室内环境的路径行走特征。

基于MVSVM和超像素的可通行区域检测方法

针对地面智能机器人的可通行区域检测问题,提出一种基于MVSVM和超像素的可通行区域检测方法.利用超像素块作为特征窗口,进行视觉特征的提取,解决了基于矩形块作为特征窗口一大缺陷,即同一特征窗口可能存在多个目标的问题.通过引入超像素,在像素级的尺度上,可通行区域漏检和误检率相对于矩形特征窗口方法大大降低.同时通过采用MVSVM作为分类器,解决了传统的单平面SVM分类器在大规模分类问题中存在的需要较高内存和计算代价以及无法解决例如异或问题等复杂分类问题.在野外实际环境下的实验表明:本方法在可通行区域检测准确率上较以往方法有大幅度提高,能够较好地完成复杂场景下的可通行区域检测.

基于三维激光雷达的障碍物及可通行区域实时检测

针对交通环境中障碍物及可通行区域检测的问题,利用改进欧氏聚类算法进行实时障碍物检测,提出一种相邻点云间距算法以实时提取道路可通行区域。对点云数据进行预处理,再通过地面坡度分离算法进行地面与非地面点云分离;根据不同的聚类距离阈值对非地面点云进行障碍物聚类检测,使用长方体框标记区分;将每个地面激光束固有的相邻点云间距与实际相邻两点间距离进行对比,结合相邻点角度差以及点云聚类,实现可通行区域的提取;融合障碍物检测和可通行区域提取结果,对可通行区域的通过性进行合并检测。多路况实车实验表明,本文算法能准确检测出障碍物及道路的可通行区域,检测平均准确率为94.13%,平均耗时为69ms,满足智能车实时性的要求。

基于直线特征提取的自主车辆可通行区域检测

为了使环境感知器在室外非结构化环境中为自主车辆的导航检测道路边界信息及可通行区域,利用车载激光雷达所采集的数据,在最小二乘法(LSM)和连续边缘跟踪法(SEF)的基础上,提出了一种改进的直线特征提取算法SEF-LSM-BM.该算法引入回退机制、逻辑推理和特征合并的方法,区分路边界和障碍物,并对自主车辆可通行区域进行检测.最后使用同一帧激光雷达数据对3种算法进行了实验,结果表明:与LSM和SEF-LSM算法相比,SEF-LSM-BM算法能够快速准确地检测、合并路边界,标记高危障碍物,给出可通行区域.

基于行人行为学习的机器人同时定位与可通行区域制图

在人机共融环境中,移动机器人自主移动必须解决可通行区域感知与自身定位的问题。因此提出了一种基于行人行为学习的机器人同时定位与可通行区域制图算法。该算法首先基于行人行为学习的方式对非结构化道路环境中的可通行区域进行采样,并使用区域生长算法得到连通的可通行区域。在定位与制图过程中,将视觉SLAM技术与检测到的行人信息和可通行区域信息结合起来,在匹配过程中剔除动态行人身上的特征点,并通过恒速率模型+DLT算法和贪心搜索+DLT算法结合的方式提升匹配的速度和鲁棒性,在Bundle Adjustment优化过程中针对不同特征点给予不同的权重以进一步提升精度,并在构建的环境点云地图中增量式添加所检测到的可通行区域信息。试验表明在复杂的非结构道路环境中,该算法可以在移动机器人平台上同时实现准确的自定位和包含可通行区域的环境地图。

基于单目SLAM稀疏特征的避障方法

为在使用单目相机的低成本移动机器人上实现避障,提出一种基于现有单目SLAM系统生成的稀疏特征的可通行区域检测方法。通过使用单目SLAM生成的稀疏地标点标识障碍物,根据环境信息恢复构建三维体素地图,生成二维栅格代价地图。为解决单目SLAM中尺度不明确的问题,提出一种基于视觉-轮式编码器的尺度求解器。通过直接使用机器人已有的SLAM框架生成的地标点,在降低系统整合成本同时降低计算量。实验结果表明,在KITTI和DRE数据集上构图的耗时在10 ms~20 ms,可以很好满足在性能受限的设备上的实时避障需求。