基于HDL-64E激光雷达道路边界实时检测算法

为了使智能车辆在多种道路环境中能够快速有效地提取前方道路,文章提出一种基于HDL-64E激光雷达的道路边界检测算法。该算法首先对激光雷达数据进行空间邻域分析,获取平滑度特征图像;然后利用自适应方向边界搜索算法获取候选道路边界激光雷达数据;为了解决激光雷达数据中存在的干扰及不连续问题,对候选道路边界激光雷达数据进行聚类分析及曲线拟合。实验结果表明,在高速、城区以及乡村道路环境下,该算法能够实时、准确地提取道路边界信息,满足智能车辆道路环境建模及路径规划的需要。     

车载雷达点云的结构化道路边界提取方法

为了提高结构化道路边界检测的准确性与鲁棒性,结合非参数变点统计方法,提出了一种基于32线激光雷达三维点云的道路边界提取算法。基于结构化道路区域和非道路区域存在一定高程跳变特征,该算法利用非参数变点统计,对激光雷达扫描的道路环境三维点云数据中突变的z坐标值进行标记,并提取对应的候选道路边界点(x,y)。利用道路边界方向的最大期望(EM)聚类算法,对候选道路边界点进行聚类去噪。利用最小二乘法拟合道路边界,在不同光照条件下的校园结构化直、弯道路环境进行实车实验,统计直道1 030帧数据和弯道650帧数据。仿真结果表明:算法识别准确性较高且检测距离达18 m,耗时约28 ms,可满足智能车实时性要求。     

基于3D激光雷达的无人水面艇海上目标检测

无人水面艇(unmanned surface vehicle,USV)实现自主导航避障需要实时感知周围的环境信息,检测出威胁无人水面艇航行的障碍物,而3D激光雷达在无人系统障碍检测中起重要作用.提出了一种基于3D激光雷达的障碍检测算法,即将一个周期内的3D激光点云投影到2.5D栅格地图中,对障碍物进行聚类分割;对栅格中的原始点云数据进行特征提取,表示为椭圆障碍物.而多帧激光数据采用最近邻数据关联识别出其中的动态障碍物,并用卡尔曼滤波实时跟踪.基于电子海图的仿真激光数据验证了该方法在无人水面艇障碍检测中的有效性.     

基于动态自适应滤波的移动机器人障碍检测

设计并实现了一个移动机器人感知系统，将二维激光雷达固定在一个精密电控转台上，通过转台水平与俯仰角度的转动感知环境.为了检测障碍，依据该系统的环境感知信息建立了高度图.针对系统误差与传感器噪声干扰提出一种动态自适应滤波器，通过激光测距数据时空关联性的分析进行实时动态地滤波.此外，采用Gauss分布的平滑滤波器减少扫描间隙.在导航过程中，通过对高度图进行地形平坦性分析判断可行区域与障碍区域以实现避障.实验表明基于动态自适应滤波的障碍检测方法是有效的，可以为非结构化环境下移动机器人导航中路径规划、自定位提供支持.     

针对越野自主导航的障碍物检测系统

提出了一种基于多传感器信息融合的障碍物检测系统.由2个激光雷达、1个微波雷达以及1个陀螺仪构成.激光雷达中一个水平扫描用于检测凸起障碍物,另一个垂直扫描用于检测壕沟和陡坡等危险地形,并获得大致地形轮廓.融合地形高度和陀螺仪提供的车体俯仰角进行障碍高度补偿后,基本上消除了由于地面起伏导致的虚警.微波雷达主要用于检测和跟踪运动障碍.融合微波雷达获得的速度和激光雷达获得的轮廓信息,获得了更详细的运动障碍物描述.实验结果证明该系统是成功的.     

基于激光雷达与毫米波雷达融合的车辆目标检测算法

针对仅基于单一传感器的目标检测算法存在检测精度不足及基于图像与激光雷达的多传感器融合算法检测速度较慢等问题,提出一种基于激光雷达与毫米波雷达融合的车辆目标检测算法,该算法充分利用激光雷达点云的深度信息和毫米波雷达输出确定目标的优势,采用量纲一化方法对点云做预处理并利用处理后的点云生成特征图,融合毫米波雷达数据生成感兴趣区域,设计了多任务分类回归网络实现车辆目标检测.在Nuscenes大型数据集上进行训练验证.结果表明:检测精度可达60.52％,每帧点云检测耗时为35 ms,本算法能满足智能驾驶车辆对车辆目标检测的准确性和实时性要求.     

越野环境的三维地图重建

针对移动机器人越野环境下地图重建的问题,提出了一种三维网格地图的更新算法.该算法利用四线激光雷达(LD_ML)获取环境局部位置信息,结合机器人同一时刻DGPS/INS联合定位系统的位姿,依据障碍的坡度与高度阈值进行障碍区域检测.分别对障碍与非障碍区域采用最大值和均值法进行更新,完成环境地图的重建.试验结果表明:该算法在越野环境中具有良好的重建效果,可将机器人沿途经过的路面及周围环境构建出来.     

投影SOR迭代求解双边障碍问题

为了求解双边障碍问题,将SOR迭代进行投影建立投影SOR迭代算法.由此算法产生的迭代序列至少存在一个聚点,该聚点是双边障碍问题的解.并且,当矩阵为非退化对称矩阵时,该序列收敛到双边障碍问题的解.投影迭代对于双边障碍问题的理论研究和应用具有重要意义.     

基于Harris度量的轮廓尖锐度CDA优化算法

为了进一步提高工业现场中工件自动测量的精度,在详细分析了目前工业检测过程中角点提取准确度低、检测时间长等问题产生原因的基础上,提出了一种基于Harris度量的轮廓尖锐度工件图像角点检测优化算法。首先利用Freeman链码法提取工件图像的轮廓,通过计算轮廓尖锐度获取轮廓上的候选角点,然后针对两种不同类型的伪角点,分别采用Harris度量窗口和支撑区域自适应算法进行优化,最终得到工件图像的真实角点。将算法应用到了实际工件的尺寸测量中。相对于传统的角点检测算法,所提出的基于Harris度量的轮廓尖锐度CDA优化算法具有较好的准确性。     

采用航路点进化的空袭目标突防航路预测

空袭目标突防航路预测是进行防空兵力部署方案评估的辅助手段之一。在分析突防航路预测问题的基础上建立了空袭目标突防航路预测模型,并针对传统进化算法将航路作为一个整体后导致先前候选航路中高质量航路点利用效果较差的问题,提出了基于航路点进化的空袭目标突防航路预测算法。首先通过改进传统进化算法框架与评价函数使航路点可被分别进化和评价,然后使用自适应差分进化算法(JADE)实现航路点的进化,最后采用多准则决策方法实现航路点的评价与选择,从而提升了高质量航路点的利用效果。为了测试算法的性能,设置了障碍数目分别为15、30、60、120的4个仿真情景,仿真结果表明算法能够有效实现空袭目标突防航路的预测,并且在障碍数目较多的情景中其性能优于遗传算法。     

基于单目视觉的横穿障碍物检测

提出一种基于单目视觉的横穿障碍物检测方法.首先,基于道路平面假设,根据特征点的位置约束以及逆透视投影变换下的性质,提取地面特征点对.其次,采用迭代加权最小二乘法估计自车平移和旋转运动参数.然后,利用估计的运动参数对图像光流进行旋转补偿,并基于道路C 速度空间生成障碍物的候选标记点.最后,对候选标记点进行分组聚类和验证,确定横穿障碍物区域.不同交通场景下的实验结果表明,上述方法能够适用于各种自车运动,有效检测横穿障碍物.     

基于视觉非完整自主车的道路避障

就四轮非完整自主车提出了一种基于圆轨迹的道路避障策略·道路上的障碍按照障碍距离自主车的远近可以划分层次 ,一个层次的障碍能在自主车视场中全部出现·然后给出基于圆轨迹的避障算法 ,即自主车沿由自主车出发位姿和子目标点确定的圆弧轨迹走行·提出了移动光心得到的深度信息原理并推导了四轮非完整车的运动模型 ,为提出避障策略的基础作准备·基于圆轨迹避障策略能够很好地满足非完整自主车的运动特性 ,体现了方法的优越性·     

基于Android平台的障碍物检测系统的设计与实现

为了提高视觉导盲仪障碍物检测系统的便携性,建立了基于Android平台的障碍物检测系统。对该系统所采用的Android平台采集双目图像、路面平面提取和障碍物检测等算法进行研究。首先,根据Android平台的USB HOST API介绍了Android平台以非ROOT的方式采集双目图像数据;然后,提取并匹配双目图像的特征点得到稀疏的三维点云,在三维点云中用随机抽样一致性算法(random sample consensus,RANSAC)来提取路面平面;最后,在利用双目图像路面平面单应性来区分路面与障碍物的基础上,说明了采用半全局块匹配(semi-global block matching,SGBM)进行障碍物检测的算法。实验结果表明:系统5 m以内的障碍物检测准确率达到90%;检测时间达到1 s/帧。完全满足视觉导盲仪障碍物检测系统的检测准确率高、实时性高、易便携等要求。     

基于V-视差的障碍物检测改进方法

针对传统V-视差方法提取的道路信息与实际道路信息偏离较大,造成障碍物漏检率相对较高的问题,提出一种改进的V-视差障碍物检测方法。在详细分析传统V-视差检测方法的原理和存在的缺陷基础上,提出了极大值约束、较小值抑制约束、距离约束和偏移约束四种条件结合的道路信息提取算法。在采用最小二乘法拟合道路线段后,通过计算道路线段的斜率和截距,并结合视差图检测障碍物。实验结果表明,较传统方法具有较好的障碍物检测效果,且具有一定的实时性和工程实用价值。     

变结构陆空机器人自主跨域越障技术研究

陆空机器人因其灵活的机动能力而备受关注,为了更好地发挥陆空机器人的跨域越障特性,以变结构陆空机器人为平台,对深度图像进行二值化处理以提取前方障碍物的边缘轮廓,采用最小矩形匹配法对障碍物进行建模,获取障碍物的距离及高度信息.根据障碍物距离和高度的检测结果及平台地面移动越障极限,提出了一种自主跨域越障策略.试验结果表明,机器人可以准确检测判断出行驶前方障碍物的距离及高度信息并可以顺利自主跨域越障,到达目标点,提出的障碍物检测方法及自主跨域越障策略是有效的.      

基于激光雷达的移动机器人实时避障策略

以激光雷达为主要传感器, 对移动机器人设计一种实时避障算法. 该算法考虑到机器人的非完整约束, 利用基于圆弧轨迹的局部路径规划和控制使之能够以平滑的路径逼近目标位置. 采用增强学习的方法来优化机器人的避障行为, 利用激光雷达提供的报警信息形成刺激-反应式行为, 实现了动态环境下避障行为, 具有良好的实时反应能力. 该控制算法采用分布式软件设计方法, 各功能模块异步运行, 较好地实现了局部规划与全局导航目标的结合. 该策略针对移动机器人MORCS在未知环境下实现了实时、有效避障, 动作稳定流畅, 轨迹平滑, 具有良好的效果.     

基于超声相控阵的机器人避障设计

对机器人避障系统的超声相控阵进行了二维相控阵设计,给出了一种聚焦扫描的新方法,分析了回波信号。通过对前方[WTBX]m*n[WTBZ]个点的聚焦,实现了对前方环境中障碍的实时探测。     

一种面向多智能体群集的避障算法

多智能体群集中的避障问题是研究的难点问题,每个智能体需要安全避开障碍物并朝着目标点前进.根据现有的基于人工势场函数的群集算法,提出一种改进的具有避障能力的群集算法.在该算法中,将障碍物等效成虚拟智能体进行避障.智能体感知到障碍物后,不是立即采取避障措施,而是将智能体的速度方向和目标点考虑在内,根据智能体不同的速度方向和目标点的位置,采取不同的避障措施.经理论分析与实验验证,表明所提出的算法能够有效地躲避障碍,并且在避开障碍物后更快地达到群集.     

基于深度学习的障碍物检测与深度估计

提出了一种针对交通场景的基于深度学习的障碍物检测与深度估计方法。该方法对现有的YOLOv3模型进行改进,使用DenseNet网络代替原网络尺度较小的传输层,得到一种新的障碍物检测模型Dense-YOLO。然后采用立体匹配模型PSMNet得到双目图像的视差图,根据双目测距原理对被测目标深度进行估计。在KITTI数据集和实际交通场景中的实验结果表明,与YOLOv3模型相比,Dense-YOLO模型有效地提高了交通场景中障碍物检测的可靠性和正确率,对轿车、行人、骑行者和卡车这4类障碍物检测的平均精确率（average precision, AP）提高了3%～5%,平均精确率均值（mean average precision, mAP）提高了约4%。障碍物深度估计结果与真实值的平均相对误差约为3%。     

一个复杂有界环境下的改进极限环避障算法

本文研究了障碍不规则与带边界这两种非预知环境条件下的群体运动实时规划问题,提出了一种改进极限环群体避障算法.该算法在传统极限环的基础上引入局部与包络的概念来解决障碍不规则的问题,另一方面通过改进传统人工势场的斥力函数来刻画边界的排斥作用,以避免与边界碰撞.针对不规则障碍与带边界这两种典型场景,本文在障碍与边界非预知的条件下进行了仿真实验.仿真结果表明,与传统人工势场法相比,本算法不仅减少了碰撞数量,缩短了避障时间,还具有更好的适应性和有效性.