基于激光雷达梯度滤波的道路边界检测

自动驾驶和驾驶员辅助需要对道路边界有准确可靠的感知,是车辆基于道路区域或边界信息自动导航的首要问题,也是自动驾驶汽车的重要组成部分。针对结构化、半结构化道路下无人驾驶汽车道路边缘检测存在不连续、被遮挡及易受路内障碍物干扰情况下的识别问题,通过对比分析针对道路边界所提出的激光雷达检测方法的特点与不足,选用基于梯度滤波器检测道路左右边界。其主要思路是:首先读取激光雷达3D点云数据,选取自动驾驶车辆前方感兴趣区域;之后对感兴趣区域内每一层激光雷达激光点线束通过梯度滤波器检测出道路边界点;最后使用最小二乘法对道路边界点进行拟合,最终实现道路边界的检测。并选择合适的评价标准对实验结果进行定量评价。结果表明:基于梯度滤波器的检测方法具有较好的准确性,平均准确率达到98.877%,高于其他检测方法。

采用Hough变换的道路边界检测算法

基于计算机视觉的路况信息识别是当前智能交通领域的热点课题,对道路边界的检测能够有效去除路况图像中与路况特征无关的大面积区域,是提高路况信息获取实时性的关键技术之一,提出一种适用于一般场景中直线道路和弯曲道路的边界检测算法.该算法采用直方图均衡和Otsu二值分割增强道路边界特征,使用均值滤波降噪和二值形态学方法获取特征边界,最终利用分空间的Hough变换方法实现道路边界检测.实验结果表明,该方法能够准确地检测道路边界线并进行道路区域分割,为后续的路况分类工作提供了有效保障.

基于3D激光雷达城市道路边界鲁棒检测算法

对点云预处理,并采用点云映射的方式快速分割出地面,同时消除路内障碍物以降低数据量;将分割出的地面数据组织成无向图,结合道路边界的多种局部特征和全局连续性特征提取边界点;根据道路边界点的测量模型修正提取的边界点,并采用二次多项式拟合修正后的边界点;采用多种策略对道路边界进行更新以使相邻两帧检测的道路边界保持平滑.实验证明,在道路边界不规则、存在路内障碍物遮挡边界的情况下,采用该方法得到的道路边界检测结果依然具有较高的鲁棒性和准确性.

基于点云密度的结构化道路边界增强检测方法

为快速鲁棒地检测结构化道路边界,提出一种基于HDL-64E激光雷达点云密度的道路边界增强检测方法。通过建立虚拟雷达模型,利用点云密度特征,实现前景与背景分离,并利用随机采样一致性算法得到20m内的道路边界。为解决20~100m内道路边界点云稀疏、检测准确性下降的问题,提出利用光线切割模型对道路边界进行增强检测。在校园道路和城市快速路进行实验,道路边界检测率达到95%以上,有效检测距离可达70m以上,检测周期小于32ms。

一种基于直线模型的道路识别算法研究

为了提高道路识别的鲁棒性和抗干扰能力 ,提出了一种道路边缘识别算法。该算法的创新点在于采用自然边界作为道路识别的依据 ,同时算法也可以将白色路标作为识别道路边缘的标志。由于道路的自然边界不像车道标志线那样容易受到污染 ,因而使该算法具有了较高的鲁棒性。该算法是采用像素级特征和帧图像特征来识别道路边缘 ,可称为全局道路边界模型。在模型中由于采用了有关的道路约束条件 ,因而使得算法具有较好的抗干扰能力。该算法包括初始检测算法和跟踪算法两个部分 ,其中在跟踪算法中采用感兴趣区域算法 (ROI)来限制检测区域 ,以提高实时性。最后 ,还提出了一个道路边界可信度检测函数 。

基于主动式传感器的道路导航

由于林荫道中阴影的影响,目前常用的基于被动式传感器技术的视觉导航方法(如采用图像的方法),难以取得比较理想的结果。对于这种环境,主动式传感器具有一定的优势,文中采用了激光雷达传感器。首先利用传感器对路边的树木等物体作为障碍物来进行检测,并据此信息来推算道路边界,详细介绍了具体的方案和算法。实验结果表明,所设计的方法具有很好的鲁棒性,可以满足实际导航的需要。

列车车载远距离感知系统设计

针对列车制动距离长、感知距离远以及列车运行前方限界难以实时构建等问题,文章提出一种基于毫米波雷达检测道路边界和列车的远距离感知系统。该系统采用一套定制的适应轨道交通强散射环境的高分辨率、远距离毫米波雷达和一种基于感兴趣区域以及速度连续性假设的自身车速精准解算方法,根据自身车速将雷达检测目标点区分为动目标点和静目标点,并在此基础上,采用种子方法实现轨道限界特征点的稳定提取和边界曲线拟合;同时,使用位置和速度作为聚类参数提出了一种改进DBSCAN聚类方法,对不同维度赋予不同的权重,通过对雷达输出的目标航迹信息进行聚类和形状估计来识别列车,并根据边界信息判断碰撞风险。装车试验结果表明,该系统能够在400 m范围内稳定拟合前方轨道边界以及列车轮廓,相比传统乘用车雷达探测距离提升了4倍,并对侵界的列车可做出碰撞预警,从而避免事故的发生。