激光雷达和视觉传感器组合系统的在线校准方法

针对激光雷达和视觉传感器在车辆行驶过程中因振动发生漂移的问题,提出一种组合系统的在线校准方法。基于激光点云和图像的边缘匹配原理进行数据实时检测,检测到融合的传感器数据不准确时对其采取紧急措施,以提高车辆行驶安全性。针对未检测出错误的校准参数,采用梯度下降法优化成本函数,获取新的校准参数,实现传感器数据校正。通过数据集KITTI进行多次参数偏差实验,测试表明,算法可以检测较大的错误校准且能校正较小范围内的平移和旋转误差。

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年,基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用,然而对识别感知目标的体积测量,目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法,实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿,相较于原始LeGO-LOAM算法,无人车在高速情况下的构图精度得到提升;通过将激光雷达与视觉进行深度融合,实现了目标的自动识别与全局定位;通过基于平面拟合的地面分割与欧式聚类,实现了目标点云轮廓的实时获取;通过设计一种基于切片法的不规则物体体积测量方法,实现了无人车在运动情况下对目标体积的自动估计。最终,分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明,所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%,具有较好的工程应用价值。

基于雷达和视觉融合的地铁工程车障碍物检测系统

目的:为改变当前地铁工程车仍采用传统人工瞭望方式进行障碍物检测的困境,以激光雷达、高清相机作为数据采集传感器,设计了基于雷达和视觉融合的障碍物检测系统。方法:结合K-means算法进行基于激光点云的障碍物检测,运用YOLOv5-seg算法提取轨道走行区图像,并采用YOLOx算法完成基于视觉的障碍物检测,然后将基于激光点云的障碍物检测结果与基于视觉的障碍物检测结果进行后融合得到最终检测结果。结果及结论:建立了基于雷达和视觉融合的地铁工程车障碍物检测系统,完成了不同场景下的行人侵限检测实验和白天、黑夜下不同尺寸障碍物侵限检测试验。试验结果验证了该系统检测能力满足要求,能够实现地铁工程车自主障碍物检测。

煤矿井下移动机器人多传感器自适应融合SLAM方法

基于同时定位与建图(SLAM)技术的移动机器人能够快速、准确、自动化地采集空间数据,进行空间智能感知和环境地图构建,是实现煤矿智能化和无人化的关键。针对目前煤矿井下多传感器融合SLAM方法存在机器人前端位姿估计退化失效和后端融合精度不足的问题,提出了一种煤矿井下移动机器人激光雷达(LiDAR)−视觉−惯性(IMU)自适应融合SLAM方法。对LiDAR点云数据进行聚类分割,提取线面特征,利用IMU预积分状态进行畸变校正,采用基于自适应Gamma校正和对比度受限的自适应直方图均衡化(CLAHE)的图像增强算法处理低照度图像,再提取视觉点线特征。用IMU预积分状态为LiDAR特征匹配与视觉特征跟踪提供位姿初始值。根据LiDAR相邻帧的线面特征匹配得到移动机器人位姿,之后进行视觉点线特征跟踪,分别计算LiDAR、视觉、IMU位姿变化值,通过设定动态阈值来检测前端里程计的稳定性,自适应选取最优位姿。对不同传感器构建残差项,包括点云匹配残差、IMU预积分残差、视觉点线残差、边缘化残差。为了兼顾精度与实时性,基于滑动窗口实现激光点云特征、视觉特征、IMU测量的多源数据联合非线性优化,实现煤矿井下连续可用、精确可靠的SLAM。对图像增强前后效果进行试验验证,结果表明,基于自适应Gamma校正和CLAHE的图像增强算法能显著提升背光区和光照区的亮度和对比度,增加图像中的特征信息,大幅提升特征点提取数量和匹配质量,匹配成功率达90.7%。为验证所提方法的性能,在狭长走廊和煤矿巷道场景下进行试验验证,结果表明,所提方法在狭长走廊场景的定位均方根误差为0.15 m,构建的点云地图一致性较高;在煤矿巷道场景中的定位均方根误差为0.19 m,构建的点云地图可真实地反映煤矿井下环境。

一种推求目标相对深度算法研究

根据合成孔径雷达（ＳＡＲ）侧视工作的几何关系，利用由此产生的目标阴影、迎坡缩短和顶底倒置现象，用单幅ＳＡＲ图像定量地测定目标位置的高度，并给出相应的两种算法及实验结果．

先进汽车辅助驾驶系统(ADAS)发展现状及前景

随着科学技术的发展,汽车可以配备许多先进的安全解决方案,以提升安全运行性能。安全气囊、安全带等被动安全部件都是传统的标准设备。新型汽车需要配备先进汽车辅助驾驶系统(Advanced Driving Assistance System,ADAS),以防止或减少交通事故。ADAS的功能也在不断增强,在此背景下,本文首先对目前最常用的ADAS功能应用场景进行概述;其次,对当前ADAS涉及到的传感器进行分析和总结;然后分析了多传感器融合的发展需求;最后,对ADAS的前景进行展望。