基于激光SLAM多地形机器人的设计

为解决传统轮式机器人在复杂地形中受限与腿式机器人控制策略复杂的问题,提出一种多地形机器人。结合激光即时定位与地图构建(SLAM)方法和自适应式轮腿机构,将树莓派作为运算单元,搭载(ROS)机器人操作系统,应用激光SLAM技术实现环境地图构建和机器人导航,同时结合深度模型和摄像头完成图像任务。自适应式轮腿机械结构使机器人能够根据环境需求自动切换为轮式或腿式行进模式。底层控制器采用STM32F407,机器人通过PID算法能实现精准的移动和机械臂作业。结果表明:该多地形机器人控制方法简单高效,在坡地、草地、坑地、台阶障碍物等复杂地形中展现了灵活移动的能力,最大翻越障碍高度可达250 mm,爬坡角度可达45°,在稳定性和适应性方面具有显著优势。

基于激光雷达点云的动态驾驶场景多任务分割网络

在自动驾驶场景理解任务中进行准确的可行驶区域以及动静态物体分割对于后续的局部运动规划和运动控制至关重要。然而当前基于激光雷达点云的通用语义分割方法并不能在车端边缘计算设备上实现实时且鲁棒的预测,且不能预测当前时刻的物体运动状态。为解决该问题本文提出一种可行驶区域及动静态物体多任务分割网络MultiSegNet。该网络利用激光雷达输出的深度图及处理后得到的残差图像作为编码空间特征和运动特征的表征输入到网络用于特征学习,从而避免直接处理无序高密度点云。针对深度图在不同方向视角内目标分布数量差异较大的特点,本文提出了变分辨率分组输入策略。该方法能在降低网络计算量的同时提高网络的分割精度。为适配不同尺度目标所需要的卷积感受野尺寸本文提出了深度值引导的分层空洞卷积模块。同时本文为有效关联并融合不同时域下物体的空间位置和姿态信息提出了时空运动特征增强网络。为验证所提出MultiSegNet的有效性,本文在大规模点云驾驶场景数据集SemanticKITTI及nuScenes上进行验证。结果表明:可行驶区域、静态物体和动态物体的分割IoU分别达到98%、97%和70%,性能优于主流网络,且在边缘计算设备上实现实时推理。

联合运用多光谱和激光雷达技术构建的林分生物量估算模型

以广东省广州市从化石门国家森林公园为研究区域,选择4种不同林分类型(针阔混交林、阔叶林、针叶林、竹林),各林分类型选择3个20 m×20 m地块作为样方;结合激光雷达、多光谱图像、实测数据,构建多元非线性反演模型和多元线性回归模型,估算森林地上生物量,并选择最佳模型进行精度评价。结果表明:(1)依据多源数据建立的4种不同林分类型的多元非线性地上生物量反演模型的精度最高,针阔混交林样地地上生物量预测值为42.79 t·hm^(-2)、阔叶林样地地上生物量预测值为60.46 t·hm^(-2)、针叶林样地地上生物量预测值为32.99 t·hm^(-2)、竹林样地地上生物量预测值为1.92 t·hm^(-2)。(2)研究区中4种不同林分类型的多元非线性地上生物量反演模型的拟合精度,由大到小依次为竹林(决定系数为0.919)、阔叶林(决定系数为0.813)、针叶林(决定系数为0.786)、针阔混交林(决定系数为0.713),均符合精度要求。采用多光谱和激光雷达数据结合的方式,能够较精准地提取林分地上生物量信息,可准确估算针阔混交林、阔叶林、针叶林、竹林的地上生物量。

基于移动多线激光雷达扫描的树冠叶面积估计方法

移动单线激光雷达(Laser detection and ranging,LiDAR)扫描(Mobile single-layer LiDAR scanning,MSLS)树冠叶面积估计方法使用单一视角的单线激光雷达采集树冠点云数据,获取的冠层信息不够全面,限制了树冠叶面积估计精度。本文提出一种基于移动多线LiDAR扫描(Mobile multi-layer LiDAR scanning,MMLS)的树冠叶面积估计方法,使用多线LiDAR从多个视角采集树冠点云数据,提升树冠叶面积估计精度。首先,将多线LiDAR采集的点云数据变换到世界坐标系下,通过感兴趣区域(Region of interest,ROI)提取出树冠点云。然后,提出一种MMLS树冠点云融合方法,逐个融合单个激光器采集的树冠点云,设置距离阈值删除重复点,添加新点。最后,构建MMLS空间分辨率网格,建立基于树冠网格面积的树冠叶面积估计模型。实验使用VLP-16型多线LiDAR传感器搭建MMLS系统,设置1、1.5 m 2个测量距离和间隔45°的8个测量角度对6个具有不同冠层密度的树冠进行数据采集,共得到96个树冠样本。采用本文方法,树冠叶面积线性估计模型的均方根误差(Root mean squared error,RMSE)为0.1041 m^(2),比MSLS模型降低0.0578 m^(2),决定系数R^(2)为0.9526,比MSLS模型提高0.0675。实验结果表明,本文方法通过多线LiDAR多视角树冠点云数据采集、MMLS树冠点云融合和空间分辨率网格构建,有效提升了树冠叶面积估计精度。

面向港口环境精细感知的无人船多传感器融合SLAM系统

针对港口环境高精度感知需求,综合考虑影响同时定位与建图(SLAM)精度的港口环境因素,提出基于多传感器融合的激光SLAM环境感知方案。通过分析多种传感器对港口SLAM环境感知的影响,引入惯性测量传感器弥补激光SLAM输出频率低和剧烈运动位姿估计不准确等缺陷,采用卫星定位系统信息进行高程数据约束,处理船舶运动特性导致的垂荡累计漂移。从应用需求出发,对传感器进行选型和布置优化,搭建基于无人船的港口环境多传感器融合SLAM系统。结果表明,提出的港口环境高精度点云地图获取方案能在典型港口场景下准确实时建图,为水面精细SLAM提供技术支持。

星载激光雷达估测森林结构参数研究现状分析与展望

星载激光雷达系统可以覆盖机载系统难以到达的偏远地区,从机理上克服光学影像及合成孔径雷达测量的技术缺陷,为快速准确地获取林下地形、树高、生物量等森林结构参数提供了可靠的数据源。对现有的星载激光雷达技术观测体系进行综述,讨论了星载激光雷达数据估测多尺度森林结构参数的适用性,定量化分析现有星载激光雷达研究成果及存在的优缺点。最后,总结当前存在的问题,对星载激光雷达技术未来的前景和发展方向进行了展望。建议后续研究可进一步加大对反演不同森林结构参数、产品体系及标准规范、林业应用精度评价、林业用激光雷达参数设计等方面的深入研究。

基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法

断裂带与地震、滑坡等自然灾害的发生有着密切关系,精准提取断裂带不仅可为地震断层的定量化研究提供指导,还可为地震灾害风险评估及防震减灾决策的制定提供科学依据。针对现有方法中LiDAR点云断裂带提取不完整、连续性差及错误率高等问题,文中提出了一种基于RS-Conv的多尺度神经网络LiDAR点云断裂带提取方法,以便更好地解决复杂地形区域的断裂带自动提取问题。该方法首先构建不同空间尺度的邻域点集,从而更全面地考察点云的局部几何结构特征。考虑到RS-Conv算子能够很好地表征中心点与邻域点的空间关系,文中以RS-Conv算子作为卷积模块构建了多尺度神经网络模型,以提取出LiDAR点云不同尺度的深层次特征,对其进行堆叠并输入到全连接层,以完成对断裂带点的提取。最后,在ISPRS点云数据集、川滇点云数据集和鲜水河数据集上对文中所述方法与张量分解方法和Deep Neural Networks(DNN)方法进行了对比实验,结果表明,文中方法的分类精度最高,分类总误差最低仅为0.3%,较其他方法降低了0.91%~2.79%,证实了该方法在点云断裂带提取方面的优越性。

自适应序贯滤波的机器人融合定位方法研究

针对激光雷达在长直环境下鲁棒性低以及视觉相机受光照条件影响大的问题,提出一种利用序贯卡尔曼滤波将两种传感器采集到的信息进行融合的定位方法,将传感器作为独立的节点逐级传递以实现多层次滤波,解决了异步传感器更新延迟导致算法中断的问题,同时为算法添加自适应成分,避免了移动机器人长距离行驶过程中因缺少动态调节而产生发散的现象。仿真实验结果表明,以自适应序贯滤波的形式,融合定位结果显著降低了单一传感器测量带来的误差,有效提升了移动机器人在未知环境下的定位精度。

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。

基于改进数据关联的三维多目标跟踪算法

针对传统三维多目标跟踪算法在复杂场景中出现的误关联、跟踪中断、适应性差等问题,在数据关联阶段进行了相应改进,提出了一种基于加权聚合关联代价和目标预测置信度的多目标跟踪算法。首先,结合目标的位置、外观、方向特征计算加权聚合关联代价以度量目标之间的差异性。然后,在关联代价矩阵中引入预测置信度的相关概念,并依据该置信度调整丢失目标的关联搜索域。最后,使用卡尔曼滤波器进行目标运动状态以及预测置信度的更新。在实测数据上的实验结果表明,所提出的算法能够提高点云遮挡、轨迹交叉情况下的跟踪正确率,在MOTA上达到了73.6%。

基于小波多尺度分析大气边界层高度提取方法研究

大气边界层物理演变特征及复杂边界层结构对大气污染过程的影响机制研究中,迫切需要边界层精细化结构的探测手段。通常使用梯度法和小波协方差变换法的方式进行边界层高度提取,但由于该方式容易受到噪声和气溶胶层结构的影响,实验误差较大。提出使用小波多尺度分析方法细化边界层特征结构,从而筛选出有效的细节信息,提高对探索边界层高度的准确性。此外,基于GBQ L-01激光雷达设备实测合肥地区全天气溶胶分布情况,使用小波多尺度分析方法分析对应的平行分量距离平方矫正信号、垂直分量距离平方矫正信号和退偏振比全天分布情况。实验结果表明,该方法准确性高,与梯度法、小波协方差法相比具有更高的稳定性与连续性。对特殊时间点进行数据分析,明确主要影响边界层高度的主要因素,并确定各个时间段的大气边界层高度值。

基于单目相机和多线激光雷达的联合标定方法研究

目的针对相机和激光雷达之间的外参标定问题,为了减少两者的标定误差,得到更高的标定精度,方法提出一种基于非线性优化的联合标定方法。首先拍摄不同角度的棋盘格标定板图像,采集足够多数据后利用工具包进行相机内参标定,得到单目相机内参;然后在激光点云和图像中检测标定板的角点特征坐标,激光点云下的角点坐标由提取的标定板点云数据和其几何特征获得,通过拟合出的图形由上至下、由左至右确定图形顶点坐标及标定板行列数,可得到各角点坐标;相机角点特征坐标采用FAST角点检测,利用角点灰度信息确定角点坐标;根据点云检测特征点到图像投影误差构建目标函数,将外参求解转化为最小二乘问题;最后通过基于列文伯格-马夸尔特的非线性优化算法,迭代求解得到最优外参。结果最终平均标定投影误差为1.29像素,最大投影误差为2.46像素,最小投影误差为0.70像素,标准差为0.57像素。结论根据标定的外参将点云投影至图像上可知,标定结果较好,并将结果运用到实际场景下视觉和激光雷达融合的SLAM算法中,运动轨迹平滑且与地图保持高度一致,本文方法标定过程简单,不需要棋盘格的真实物理尺寸,满足使用要求。

车路协同感知技术研究进展及展望

近年来,我国自动驾驶研究逐步从聚焦于单车智能技术向车路协同技术转变,为智能交通产业发展带来了重大机遇;我国在车路协同感知领域的研究虽处于起步阶段,但注重技术推动,未来发展前景广阔。本文致力于深入探讨车路协同感知技术的发展动态,梳理了车路协同感知基础支撑技术的特性和发展现状,厘清了车路协同感知技术的研究进展,探讨了其技术发展趋势,并针对推动车路协同感知技术发展提出了一系列建议。研究表明,车路协同感知技术正朝着多源数据融合方向发展,主要集中在纯视觉协同感知技术优化、激光雷达点云处理技术升级、多传感器时空信息匹配与数据融合技术发展以及车路协同感知技术标准体系构建等方面。为进一步促进我国车路协同自动驾驶产业的迅速成长,研究建议,加大对多模态车路协同感知技术的研发投入、深化行业间的合作、制定统一的感知数据处理技术标准并加速技术应用普及,以期推动我国在全球自动驾驶竞争中赢得主动,推动自动驾驶行业稳定持续发展。

矿区沉陷DEM多重滤波方法研究

针对传统地表移动监测方法周期较长、工作量大的问题,通过无人机LiDAR和点云滤波获取地面点云,并构建沉陷DEM,实现地表沉陷监测的方法具有快速、高效的优势;由于现有点云滤波和插值算法构建的沉陷DEM模型仍会包含噪声,限制了该技术在矿区的普及,因此,进一步研究了沉陷DEM噪声的去除方法,对比分析了多重滤波与经典滤波方法。实验分析结果表明:在几种去噪方法中,中值滤波组合维纳滤波的去噪效果最好,保留了下沉盆地的细节特征,能够满足矿区地表形变监测的基本要求。

激光雷达SLAM算法综述

即时定位与地图构建(simultaneous localization and mapping,SLAM)是自主移动机器人和自动驾驶的关键技术之一,而激光雷达则是支撑SLAM算法运行的重要传感器。基于激光雷达的SLAM算法,对激光雷达SLAM总体框架进行介绍,详细阐述前端里程计、后端优化、回环检测、地图构建模块的作用并总结所使用的算法;按由2D到3D,单传感器到多传感器融合的顺序,对经典的具有代表性的开源算法进行描述和梳理归纳;介绍常用的开源数据集,以及精度评价指标和测评工具;从深度学习、多传感器融合、多机协同和鲁棒性研究四个维度对激光雷达SLAM技术的发展趋势进行展望。

多源LiDAR和UAV影像的塔式建筑物三维建模方法

塔式建筑物由于立面结构复杂,使用单一数据源进行三维建模时容易出现部分区域空洞、纹理拉花等情况。为解决此问题,本文提出一种将无人机(Unmanned Aerial Vehicle,UAV)影像、机载LiDAR数据和手持LiDAR数据进行配准融合的塔式建筑物三维建模方法。以云南省玉溪市新平县的五彩云楼为例,使用UAV和手持激光扫描仪作为数据采集设备,首先分别采集塔式建筑物的UAV影像、机载LiDAR和手持LiDAR数据,然后基于摄影测量原理生成UAV影像的点云,其次基于最近点迭代算法方法将三种数据进行配准融合,最后通过构建不规则三角网表示其三维模型。实验结果表明:将多源LiDAR和UAV影像点云配准融合后生成的三维模型结构更加完整,避免了单一数据源构建三维模型存在的空洞问题。

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%。

基于改进DBSCAN的星载激光雷达数据多尺度滤波研究

星载激光雷达数据滤波过程易受复杂背景、粗差点、噪声点等问题的干扰,导致滤波效果大幅度下降,所以研究基于改进DBSCAN的星载激光雷达数据多尺度滤波方法。采用改进DBSCAN算法对星载激光雷达数据做聚类处理,并标记噪声点,通过半球形邻域算法提取点云数据特征。根据提取到的点云数据特征构建规则格网,通过格网的多路径效应剔除点云数据中的粗差点与噪声点,完成星载激光雷达数据多尺度滤波。实验结果表明,所提方法的星载激光雷达数据多尺度滤波误差较低、滤波效果好,实际应用价值较高。

IMU紧耦合的多激光雷达定位与建图方法

在许多移动机器人的应用场景下,如自动化仓储物流场景,由于激光雷达安装位置的限制,采用单一激光雷达的SLAM解决方案存在视场受限以及难以闭环的问题。为此基于FAST-LIO2算法提出了一种IMU紧耦合的多激光雷达定位与建图方法,该方法在扩展了机器人的感知范围的同时提高了定位精度和建图效果。通过公开数据集的离线测试以及自建实验平台的在线测试,相较于M-LOAM、FAST-LIO2和Faster-LIO算法,所提出的算法在定位精度和建图效果上取得了显著提升,并具有更低的回环漂移。

基于异构数据融合的SLAM研究综述

激光与视觉SLAM技术经过几十年的发展,目前都已经较为成熟,并被广泛应用于军事和民用领域.单一传感器的SLAM技术都存在局限性,如激光SLAM不适用于周围存在大量动态物体的场景,而视觉SLAM在低纹理环境中鲁棒性差,但两者融合使用具有巨大的取长补短的潜力,激光与视觉甚至是更多传感器融合的SLAM技术将会是未来的主流方向.本文回顾了SLAM技术的发展历程,分析了激光雷达与视觉的硬件信息,给出了一些经典的开源算法与数据集.根据融合传感器所使用的算法,从传统基于不确定度、基于特征以及基于深度学习的角度详细介绍了多传感器融合方案,概述了多传感器融合方案在复杂场景中的优异性能,并对未来发展作出了展望.