地面LIDAR在滑坡灾害三维实景建模中的应用

为快速获取邻近铁路滑坡体表面的三维坐标,实现对滑坡灾害快速响应和及时治理。以宝兰高铁上庄隧道出口滑坡为例,采用地面LIDAR技术,通过优化布设扫描站点,实现最大扫描范围并保证相邻站间的重叠度,以无靶标扫描方式获取滑坡体及周围地物的点云数据。在RiSCAN PRO软件中利用相邻扫描站间重叠点云进行拼接处理,点云拼接精度为6.9 mm,满足三维建模和地形图制作的精度要求。利用扫描站点坐标、测站全景影像,经过配准、坐标转换、纹理贴附、多边形拟合、曲面光滑等,建立可量测的三维实景模型,为辅助地形图制作和铁路滑坡灾害整治提供便利。研究表明,采用地面LIDAR技术以无靶标扫描方式快速建立铁路滑坡体三维实景模型,具有全天时、全天候、高精度、高密度、无接触的优势,打破了传统人工测量的局限性,提高作业效率,降低外业测量风险,可为同类型地质灾害数据获取及整治积累经验。

远距离和遮挡下三维目标检测算法研究

针对现有三维目标检测算法对存在遮挡及距离较远目标检测效果差的问题,以基于点云的三维目标检测算法(3D object proposal generation and detection from point cloud,PointRCNN)为基础,对网络进行改进,提高三维目标检测精度。对区域生成网络(region proposal network,RPN)获取的提议区域(region of interest,ROI)体素化处理,同时构建不同尺度的区域金字塔来捕获更加广泛的兴趣点;加入点云Transformer模块来增强对网格中心点局部特征的学习;在网络中加入球查询半径预测模块,使得模型可以根据点云密度自适应调整球查询的范围。最后,对所提算法的有效性进行了试验验证,在KITTI数据集下对模型的性能进行评估测试,同时设计相应的消融试验验证模型中各模块的有效性。

基于Lidar点云的货车载货体积测量应用研究

针对货车载货体积测量困难的问题,应用激光雷达探测技术对货车载货进行体积测算,利用MATLAB对激光多站点架设进行仿真,建立点云扫描方案。采用投影法计算货物体积,分析不同体素栅格大小对体积计算的影响,选取合适尺寸栅格进一步优化体积计算。通过利用该测量方案对多辆空车的长宽高及容积进行测量,长宽高相对误差不高于1.5%,货物体积测量相对误差不高于3%。

基于固态激光雷达的矿井专用AEB前端子系统设计

受限于矿井巷道场景的环境特殊性,目前针对地面系统的自动紧急制动(Autonomous Emergency Braking,AEB)技术难以在井下环境中直接应用。为探究适用于矿井车辆的AEB前端子系统组成方案,优选了一款纯固态Flash型单线激光雷达,并面向井下工程应用对雷达工作参数进行优化。基于近邻查询、卡尔曼滤波和最小马氏距离理论,提出了适用于矿井巷道车辆的改进AEB系统多目标聚类及跟踪算法。在此基础上,将算法移植于嵌入式平台并进行了测试。结果表明,该系统可对环境目标实施连续准确的跟踪,所选用的激光雷达抗干扰能力强,这对组建完整的井下AEB系统具有较高的参考价值。

面向高机动目标检测的激光雷达探测图像分角域识别方法

高速移动和快速变换的运动模式容易导致目标模糊,从而无法准确识别目标的轮廓、形状和位置。为此,提出了面向高机动目标检测的激光雷达探测图像分角域识别方法。首先,通过邻域范围内像素点距离异常检测,去除激光雷达探测图像中的噪声和异常信号;然后,利用L-R算法解决目标高速移动造成的图像模糊问题;最后,采用基于互信息的自适应角域划分方法将图像分割成不同的角度域,并通过卷积神经网络在各角域中进行高精度目标识别,以实现高机动目标激光雷达探测。实验结果表明,该方法能够有效去除高机动目标造成的激光雷达探测图像模糊现象;相较于其他传统方法,该方法的目标识别率和全类平均精度较高、单图识别平均耗时较低,具有良好的识别效果。

点云多特征分类构建的车辆目标智能识别方法

激光雷达是智能车环境感知的重要传感器之一。针对目前激光点云感知和识别车辆效果较差的问题,提出了一种基于点云多特征分类构建的车辆目标智能识别方法。首先,通过地面分割、空间聚类等方法对点云数据进行预处理,得到若干待识别目标,其次,从车辆尺寸、车身材料、点云特征3个方面,对待识别目标进行多特征分类构建,最后,制作训练集对支持向量机进行训练,利用训练好的分类器对待识别目标进行识别。利用百度Apollo数据集中的6个场景进行实验,本文方法的识别准确率均在90%以上,识别效果较现有方法有所提高。

多传感器融合的割草机器人障碍物检测方法

为了提高割草机器人自主作业时的环境感知能力,提出一种基于相机和低成本固态激光雷达融合的障碍物检测方法.首先,基于改进的DBSCAN聚类算法,得到一种可自适应确定聚类参数的KANN-DBSCAN算法,利用该算法对固态激光雷达采集到的三维点云聚类分析,得到障碍物点云并通过相机和固态激光雷达联合标定结果投影到二维图像上;其次,基于SSD目标检测网络完成障碍物样本训练,并对图像信息进行检测识别;最后,为了避免因光线不足或远距离雷达点云稀疏聚类困难,导致视觉或雷达检测性能受限,提出一种优势互补的目标级信息融合策略.试验结果表明:所提信息融合策略在融合两传感器检测结果的基础上,有效避免了环境条件改变单一传感器检测性能受限时,环境感知出现的漏检和误检,经过信息融合后的障碍物综合检出率约为87.5%,相较于单一传感器具有很大的提高,使环境感知信息更加全面可靠.

地面Lidar平面标靶稳健定位

标靶是地面三维激光扫描技术中必不可少的附件之一,标靶的准确定位对于地面Lidar点云数据处理至关重要。提出基于模糊聚类的稳健平面标靶定位算法,对标靶的分类数、初始聚类中心等问题进行了讨论,并通过稳健平面拟合算法去除点云数据中的异常点,从而获取平面标靶的坐标。实验证明了该算法的有效性与正确性。

基于激光雷达的非合作航天器姿态测量

针对目标自遮挡导致姿态解算精度较低的问题,提出了一种基于激光雷达(LiDAR)点云的空间非合作目标姿态估计方法。初始姿态获取阶段,通过RANSAC算法与曲率聚类分割算法对目标特征分割,再与模板特征进行匹配获得粗配准变换矩阵,然后利用迭代最近点(ICP)算法精配准解算初始姿态;姿态跟踪阶段,通过快速点云配准计算相对姿态,通过逐帧点云姿态传递完成目标姿态测量。利用卫星模型搭建实验平台进行姿态测量实验。实验结果表明:所提方法能够稳定完成姿态解算,验证了所提方法的精度与可行性。

激光雷达与机器视觉融合的海面目标检测方法

针对近岸复杂环境和目标部分遮挡条件下海面目标检测易出现目标漏检和虚警的问题,提出了一种激光雷达与机器视觉融合的海面目标检测方法。首先,设计了一种基于注意力机制与可变形卷积的特征提取模块,提高YOLOv7-tiny网络对海面障碍物目标特征的提取能力,从而降低近岸复杂背景干扰导致的漏检率和虚警率;然后,将激光雷达聚类结果和改进的YOLOv7-tiny网络模型预测结果进行融合,降低目标部分遮挡导致的漏检率;最后,在海面目标检测图像数据集上进行实验验证,结果表明,与原YOLOv7-tiny网络模型相比,改进YOLOv7-tiny网络模型的mAP提升了3.8个百分点,在目标部分遮挡场景下用实船实验数据进行验证,与NMS算法相比,所提融合方法的漏检率降低了6.9个百分点,验证了所提方法能够在近岸复杂环境和目标部分遮挡场景下,降低海面目标检测的漏检率和虚警率。

相机与激光雷达融合的道路目标检测研究

目标检测是自动驾驶感知系统的基础。由于单一传感器的感知存在时空盲区问题,本文提出一种基于相机与激光雷达的后融合目标检测算法。该算法采用改进后的YOLOv5s视觉目标检测算法来检测目标类别,其平均精度均值提高了2.75%。激光雷达感知采用分段聚类半径的欧几里得聚类算法对预处理后的点云信息进行聚类,并检测出检测区域内物体的目标距离。通过标定的参数,将点云投影到图像上,以融合感知结果来确定检测对象的类别和距离。本文在相关工况环境下对算法进行了验证和测试,结果表明:本文提出的目标检测算法的检出率为88.9%,比单一相机感知的检出率提高了7.8%。

机载LiDAR安置角检校定标器设计与验证

传统的检校安置角误差的方法依靠人工量测重叠航带同名特征间的偏移来估计安置角误差,但是同名特征的真实位置难以获取,并且人眼瞄准误差的存在降低了检校精度。因此设计了一种定标器来解决同名特征的获取难题。首先介绍了定标器的结构特点和设计原理,然后制作了缩放模型并进行了半仿真地面扫描实验,分析了定标器的可用性。最后制作了实物进行飞行实验进一步证明其设计的合理性。研究结果表明定标器的设计是合理的。

机载LiDAR洞穴目标的点云模拟及快速识别

结合洞穴类目标的特殊几何结构,对居民窑洞、天然洞窟两种典型洞穴目标进行点云数据模拟生成,并基于模拟点云数据研究目标的快速识别方法,首先分析机载LiDAR系统成像方式,以参数模型和地形TIN模型两种方式分别模拟生成两类洞穴的点云数据;以激光点与LiDAR传感器之间的距离突变为依据实现目标的快速识别,通过限定目标区域搜索范围及设定突变点个数阈值进一步提高识别精度;并完成对目标正面轮廓与内部结构的正确分类。

较粗空间分辨率影响下FMCW 激光雷达测距方法研究

由于环境中杂散光和电磁干扰等原因,以及不同路径的长度和反射特性的差异,FMCW激光雷达系统在接收目标回波信号时会受到多径干扰的影响,存在噪声干扰,使得目标测距结果准确性较低。为此,提出较粗空间分辨率影响下FMCW激光雷达测距方法。根据FMCWN激光雷达系统的发射信号与回波信号获取中频信号;采用EMD算法分解中频信号,计算信号IMF分量之间的互相关系数,确定并剔除存在噪声的IMF分量;采用SFFT算法对去噪后的中频信号频谱局部细化处理,获取其估计值,确定修正方向,修正频率估计值,利用中频信号修正后的频率确定被测目标的距离。实验结果表明,所提方法具有良好的去噪效果、频谱估计精度、测距精度高,测距效率高,测距均方根误差均在0.04以内,耗时最长仅为0.23 ms。

基于ResNet-MLP模型的车辆目标检测算法

为提高车辆目标检测精度,针对传统视觉传感器光照敏感性、空间感知性差等缺点,采用激光雷达传感器,提出一种基于ResNet-MLP二阶段模型的车辆目标检测算法。该算法对点云鸟瞰图的映射方式进行改进,使其保留点云高度特征,并通过改进后的ResNet进行点云特征的提取,最后使用并行多层感知机网络对车辆目标分类和位置回归。采用KITTI的3D Object数据集进行验证,通过与PointNet++和VoxelNet方法进行对比实验,结果发现,交并比(IOU)较高时3种方法的检测精度均有所下降,但相对于其他2种算法,本算法检测精度更高,运行速度更快,可为未来自动驾驶车辆的实时感知方面提供技术支撑。

基于KNN和形态学的飞机尾涡区检测方法

为了提升空中交通管理系统的智能化水平,解决晴空条件下飞机尾流检测问题,提出了一种结合多普勒激光雷达技术的飞机尾流检测方法。基于K-最近邻算法(KNN)和图像形态学处理技术,旨在提高尾流检测的精度和可靠性。使用多普勒激光雷达对机场空域进行扫描,获取风场数据;通过动态滑动窗口生成可能包含尾流的候选区域;采用顶帽和黑帽形态学运算提取尾流特征,并将其输入KNN算法进行检测。实验结果表明,所提出的方法在精度、召回率和F1 Score方面,相较于基于尾流速度极差特征法的检测方法,分别提高了22.58%、9.29%和14.22%,有效提升了尾流检测性能,为管制员提供了更为可靠的辅助决策支持。

LiDAR探测自动对靶喷雾控制系统设计

Li DAR(Light Detection and Ranging,激光雷达)能快速获取靶标完整形貌,是目前最先进的靶标探测技术。为此,设计了基于上下位机结构的Li DAR探测自动对靶喷雾控制系统。其上位机采用MFC多线程编程,实现点云数据采集、靶标探测及喷雾时间补偿,同时具有喷雾模式及作业参数设置、喷头状态显示等人机交互功能;下位机采用C51编程,实现喷雾指令接收与喷头启闭控制。通过MatLab靶标探测算法仿真及上下位机联合调试,验证了所采用开发方式的有效性。

基于路侧激光雷达的多目标检测与跟踪算法

为了检测与跟踪城市交叉口复杂环境下的道路目标,提出一种基于路侧激光雷达的多目标检测与跟踪算法。首先利用背景减除法滤除背景点云,随后融合5帧点云并利用曲率体素聚类算法检测目标得到3 D包围盒信息,之后通过自适应阈值的双门控和生存周期管理策略,有效提升关联精度并减少了目标丢失和误检,最后利用交互式多模型无迹卡尔曼滤波(IMM-UKF)和联合概率数据互联(JPDA)的融合算法完成道路目标的跟踪。试验结果表明,该算法在保证检测和跟踪性能基础上满足实时性要求,具有工程实用价值。

SZT-R1000车载激光雷达测量系统在道路工程测量中的应用

本文针对道路工程测量的难点问题,采用SZT-R1000车载激光雷达测量系统,进行道路数据采集。对该方法应用于道路工程测量中的关键问题进行了探讨,同时提出了基于距离将误差值反向加权平差的方法对点云数据进行精度优化。经对比分析:该方案不仅数据采集效率高,而且数据精度可靠。经精度优化后的点云数据平面精度可以达到5 cm以内,高程精度可以达到3 cm以内,在道路工程项目中有广阔的应用前景。

针对小型鸟类目标的基于门控循环单元的扩展卡尔曼跟踪方法

基于激光雷达的小型鸟类的跟踪监视是一种新的实现机场及其周边空域鸟情监测预警的关键技术。针对激光雷达采样频率低引起的目标状态跟踪误差大、模型适应性低的问题,本文提出了一种基于门控循环单元的目标状态估计扩展卡尔曼跟踪方法。该方法通过融合深度学习网络对非线性运动的预测能力和扩展卡尔曼滤波对于随机噪声的抑制能力,实现了对于无法准确建模的非线性运动鸟类目标在低采样率条件下的跟踪。针对深度学习网络为隐性表达模型难以与扩展卡尔曼融合的问题,提出近似一步转移矩阵估计方法,将深度学习网络的预测转化为显性状态转移模型,使得跟踪方法中预测与滤波估计形成循环迭代。本文在公开的鸽子飞行轨迹数据集上进行仿真验证表明,所提方法在不同采样频率条件下的跟踪效果均优于传统跟踪算法,且在低采样频率下相对于已有方法具有超过25.5%跟踪误差性能提升,所提方法能够实现基于激光雷达的鸟类目标跟踪。