基于3D激光雷达点云的道路边界识别算法

针对结构化道路环境中道路边界存在不连续、被遮挡及易受路内障碍物干扰情况下的识别问题,利用车载激光雷达获取的结构化道路环境三维点云数据的高程信息,结合局部均值变点统计方法,提出了一种用于激光雷达帧数据的道路边界识别算法。该算法首先利用局部均值变点统计对结构化道路环境三维点数据中突变的z坐标值进行标记并提取其对应的(x,y)数据点,即道路边界点数据粗提取;然后基于分段双阈值对粗提取的道路边界点数据滤波处理;最后利用最小二乘法拟合道路边界点数据。基于实车实验分别采集的不同道路环境条件下结构化直道1 450帧、弯道935帧数据,算法识别准确率均高于80%,且识别道路宽度误差小于0.14 m。实验结果表明,该算法不仅能够自动识别结构化道路边界,而且有效抑制了路面障碍物的干扰,验证了算法的有效性。     

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激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,基于车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次基于雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

基于移动激光扫描点云数据栅格化的交通标线分割算法

针对目前交通标线提取研究对于语义信息丰富的标线精细化分割研究不足的现状, 通过移动激光扫描数据提出了一种精细化交通标线的语义分割算法。该算法先从道路点云中提取出路面,并根据点云的强度信息将其转变为栅格图像并对其优化,通过二值化处理提取出路面标线;在此基础上根据矩形度筛选将所有标线对象粗分为两类,并采用不同的语义分割策略进行识别,最后获得了10种符号标线以及非符号标线对象的精细化语义信息。实验选取了上海8组不同区域的城市道路点云数据进行验证,结果表明该算法具有96.04 %的精度与96.92 %的召回率,综合评价指标F达到96.48 %,为高精地图提供了更加丰富的交通标线语义信息。     

基于几何特征与三维点云特征的道路边沿识别算法

针对目前典型道路边沿识别算法存在实时性与可靠性难以兼顾的问题,基于多线激光雷达,根据道路边沿的几何特征与三维点云特征,提出了一种权衡实时性与可靠性的道路边沿识别算法。依据多线激光雷达扫描获取的大量点云数据,基于RANSAC算法的地面分割方法,滤除了预设感兴趣区域内的地面数据点,然后将剩余的无序点进行有序栅格化投射处理,根据道路边沿区域的几何特征与点云分布特征进行匹配筛选,再融合RANSAC的最小二乘法,以完成道路边沿曲线的鲁棒拟合。实验表明,算法在直道和弯道场景识别准确率均大于95%,耗时均低于15 ms,具有良好的准确性和实时性。所提算法能有效识别道路边沿,可为智能车可行驶区域的识别及控制提供理论参考与方法依据。     

基于车载32线激光雷达点云的车辆目标识别算法

针对结构化道路环境中智能车识别周围360°范围内的车辆目标问题,由车载3D激光雷达采集的道路环境中车辆目标点云数据投影特征,提出识别车辆目标新算法。算法首先识别结构化道路边界,进而排除道路边界两旁障碍物的干扰和减少点云数据量;其次按雷达点云数据扫描和分布特征,利用改进K-means算法对道路区域内点云数据聚类。最后提取聚类目标内部特征点,并通过计算特征点构成向量的夹角或模的长度准确识别车辆目标。实验验证表明,该算法有效抑制了道路边界两旁障碍物的干扰,可以准确识别结构化道路区域内的车辆目标。     

采用车载激光雷达的带状地物矢量化与结构特征提取

针对车载激光点云带状地物形状多样、难以用规则语义信息矢量化,以及结构语义信息提取研究较少的问题,提出一种基于Ribbon Snake模型的车载激光雷达带状地物(道路边界、实线型标线、铁轨)矢量化与结构特征提取方法.首先,通过格网剖分构建点云特征图,利用Ribbon Snake模型提取带状地物矢量化数据;然后,分析不同道路和铁路场景的结构特征,生成具有准确几何和拓扑结构信息的三维矢量数据和属性数据.实验表明:该方法能够准确地提取带状地物矢量化与结构信息,实现不同场景下带状地物的有效完整描述.     

基于3D激光点云的移动机器人行驶环境描述

针对移动机器人在复杂环境中的自主导航行驶问题,提出了一种基于3D激光点云数据的行驶环境描述方法. 在对点云数据进行球、柱坐标转换的基础上,构建机器人环境感知圆柱,根据3D激光雷达的扫描序列,提取点云径、切向坡度特征,结合机器人的运动特性,分析行驶环境的可通行性,提取候选道路点云. 复杂行驶环境下的实验结果证明了此方法能够使机器人准确地对环境进行认知.     

结合位置关系卷积与深度残差网络的三维点云识别与分割

针对现有点云识别与分割算法因忽视点的位置特征和局部几何特征关系而导致难以捕获具有鉴别力的局部几何信息的问题,提出基于位置关系深度残差神经网络的三维点云识别与分割算法。将原始点云嵌入到高维空间并获取其高维特征;将点云的高维特征输入位置关系卷积实现局部邻域内当前点特征与位置几何特征的信息交流,并通过深度残差模块强化提取到的深层语义特征,分层重复以上步骤可逐步得到点云的高级上下文语义特征;通过全连接层与解码器,得到点云的识别与分割结果。实验结果表明,所提算法在ModelNet40点云分类数据集的识别精度达到了93.9%,在ShapeNet Part点云部件语义分割数据集的平均交并比达到了86.0%。所提算法能够提取三维点云的关键特征信息,具有较好的三维点云识别与分割能力。     

基于无人机LIDAR数据多尺度特征的沥青路面病害提取方法

目的针对大范围公路路面病害监测需求,提出基于低空无人机激光雷达遥感数据和随机森林分类算法,构建沥青路面病害目标的遥感识别模型。方法首先,基于激光点云高程信息提取多尺度表面粗糙度和高斯曲率指数,以及利用激光反射强度影像提取路面和病害目标的几何特征,然后基于提取的48个多尺度统计特征利用随机森林算法建立了沥青路面坑槽与塌陷两类主要病害的识别模型。采用搭载于ScoutB1-100低空无人直升机平台的RIEGL-VUX100激光雷达扫描仪,获取了新疆石河子市与沙湾县交界处的一段县级沥青道路的激光点云数据,对所提出方法和模型进行了验证。结果本文所提出的模型可较好识别路面的塌陷与坑槽病害目标,以地面调查和目视解译结果为参照的验证精度为92.3%,Kappa系数为0.902,优于其他两种常用的机器学习分类模型,可为公路养护部门提供一种新的快速路面病害监测方法。     

一种基于消失点和颜色过滤器的车道线检测算法

针对经典霍夫车道线检测方法实用性较差,无法准确区分车道线和路沿与应用道路场景简单等问题,提出 了一种基于消失点和颜色过滤器的车道线检测算法,不仅提高车道线检测的准确率,而且能够应用较复杂行车场 景;首先,对行车视频连续五帧图像进行预处理,获取行车环境下车道线消失点位置,能够自适应选取行车环境图 像的感兴趣区域(Region of Interest,ROI);然后,对 ROI 图像根据车道线颜色特征进行过滤得到二值图像,获取二 值图像中所有连通区域质心和倾斜角等数据,通过结合消失点特征和角度阈值进行限制,筛选记录符合车道线特 征连通区域的数据,接着分割较大区域获取更多质心点,识别漏检符合车道线特征的区域质心点;最后,对获取的 质心点使用最小二乘法进行拟合并标识车道线;实验结果表明:算法能够在多场景道路上快速准确的检测出车道线,与经典霍夫算法进行仿真比较,算法具有一定的鲁棒性和实时性。     

M估计的稳健平面标靶中心定位算法

标靶在地面激光扫描仪多测站点云配准,以及在全球卫星导航信号不良状况下改善移动激光雷达系统精度具有重要作用,标靶的精确提取与定位是关键问题之一。本文提出基于M估计的标靶中心定位方法：先根据标靶与周围环境反射强度差异,构建强度变化率特征,提取标靶边缘点云;再对标靶候选区域点云进行主成分分析,计算标靶平面法向量,对标靶边缘点云进行投影变换;最后通过M估计选权迭代法,剔除标靶噪声与粗差点云,拟合标靶形状,精确定位标靶中心。试验表明,本文算法能够在标靶存在冗余、缺损状态时排除非标靶圆形边缘的粗差点,获得高精度标靶中心。     

基于立体视觉的道路自动检测算法

在智能驾驶系统中,道路边界及道路参数的自动检测是最为关键的问题,也是安全行驶的基本保证.传统的检测方法与单目视觉检测都存在检测精度不高,鲁棒性不够等问题.提出了一种基于立体视觉的道路检测算法,消除了对道路的一般性假设,对三维道路状态能进行快速有效地检测与跟踪,保证行驶的安全性.     

高速公路浓雾环境下换道决策规则提取及决策算法

依据换道决策规则进行换道是当前无人驾驶车辆常用的决策方法之一。针对浓雾环境下换道决策规则提取困难和研究较少的问题,研究了高速公路浓雾环境下的换道决策行为。首先,招募24名职业司机,利用Auto Sim驾驶模拟舱搭建虚拟高速公路浓雾环境进行驾驶实验;其次,提出了基于CART决策树的换道决策规则提取方法,提取出15条换道决策规则;最后,对换道决策规则进行了验证。结果表明,用CART决策树算法提取高速公路浓雾环境下换道决策规则是可行的,提取的规则能准确反应驾驶员换道行为的决策过程,可为高速公路浓雾环境下无人驾驶车辆的换道决策提供一定的理论支撑。     

面向园区场景的车道线局部定位检测方法研究

面向校园驾驶场景,提出一种综合性能表现较好的通用车道线检测算法,即局部定位检测法。 首先,采用经典图形学与基于噪声容忍的递归神经网络的学习模型相结合的方法,完成车道线所在局部区域 的检测,对目标车道线的灰度图像进行霍夫变换和灰度拉伸,设计递归神经网络学习模型,以梯度数据作为引导,对算法模型训练学习,以排除梯度信息相似的干扰物,并识别几何属性相关的不完整车道线形态,进而完成补全工作,应用稀疏惩罚,设计具有噪声容忍的递归学习模型,最大效率地利用具有被污染数据标注的 自建车道线图像数据集,以此为基础,采用深度强化学习方法,通过6个标识点对目标车道线进行精确定位, 并基于6个准确的定位点,检测和绘制车道线。     

智能汽车中基于视觉的道路检测与跟踪算法

提出了一个基于视觉的道路环境识别算法．该算法能实时提取图像序列中道路信息，获取车辆在道路上的位置、姿态信息，预测前方道路状况，将道路环境信息反馈给智能汽车用于其控制车辆的主动安全．首先联合摄像机内参构建了道路的三维数学模型，突破了以往一些系统将道路看作一个平面的二维模型的局限，算法利用道路标志线的颜色突变特性有效地提取道路边界，并将扩展卡尔曼滤波器与道路模型结合对道路和车体的状态进行实时跟踪分析，获取实时的道路环境信息．实验证明该算法可在直道和弯道以及标志线间断或标志线周围有干扰的各种道路中稳定地工作，在光影条件不利或前方有车的情形下算法仍具有较高的鲁棒性，能够适应多变的道路环境，提供实时有效的信息数据．     

嵌入式换道预警系统设计

针对以往换道预警系统设计中存在的灵活性低、实时性差等缺点,设计了一种基于车载CAN(controller area network)总线数据的嵌入式换道预警系统。首先,以飞思卡尔半导体公司的MC9S12XET256微处理器为核心,利用雷达传感器、车载CAN总线等获取与换道相关的车辆行驶状态参数和周围环境感知信息等原始数据,并以TTC(time to collision)为门限值制定换道预警规则,通过声光报警方式实现报警。在实车条件下进行验证,其中安全换道过程系统预警准确率为95%,冲突区预警准确率为93%。     

基于异质传感器信息融合的移动机器人SLAM研究

针对采用单一传感器在移动机器人同步定位与构图(SLAM)中存在定位精度低、构图不完整等问题,提出一种基于Kinect视觉传感器和激光传感器信息融合的SLAM算法。首先将Kinect传感器获取的深度图像经过坐标系转换得到三维点云、通过限制垂直方向滤波器过滤三维点云的高度信息、再将剩余三维点云投影到水平面并提取边界点云信息转化为激光扫描数据;然后与激光传感器的扫描数据进行数据级的信息融合;最后输出统一数据实现移动机器人的构图及自主导航。实验结果表明,该方法能够准确的检测小的及特征复杂的障碍物,能够构建更精确、更完整的环境地图,且更好地完成移动机器人自主导航任务。     

基于双向窗口特征提取技术的车道线检测算法

为提高车道线检测算法的准确性与稳定性, 提出一种基于双向窗口特征提取技术的车道线检测算法。融合运用Hough 变换与边缘分布函数技术得到车道线的直线特征点; 运用双向窗口特征提取技术获得所有车道线特征点, 包括直线部分与弯曲部分。获得直线与双曲线相结合的车道线模型: 在近视场, 应用直线车道线模型能获得较好的鲁棒性; 在远视场, 使用双曲线模型可有效检测出车道线的弯曲部分。实验结果表明, 相较于已有的车道线检测算法, 该方法可有效提高多种场景下车道线检测的准确性和稳定性。     

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型.首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33％,宏平均精确率为89.04％,宏平均召回率为92.84％,宏平均F1值为90.33％.结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果.