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。     

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．     

基于直线特征提取的自主车辆可通行区域检测

为了使环境感知器在室外非结构化环境中为自主车辆的导航检测道路边界信息及可通行区域,利用车载激光雷达所采集的数据,在最小二乘法(LSM)和连续边缘跟踪法(SEF)的基础上,提出了一种改进的直线特征提取算法SEF-LSM-BM.该算法引入回退机制、逻辑推理和特征合并的方法,区分路边界和障碍物,并对自主车辆可通行区域进行检测...     

基于三维激光雷达的路沿检测算法

为了在多种道路环境下准确提取智能汽车前方道路路沿,提出一种基于三维激光雷达的路沿检测算法。该算法采用随机采样一致性算法(random sample consensus, RANSAC)快速分割出道路区域,滤除了大部分非地面数据,提高后续步骤的处理速度;提出一种基于无向图邻域关系的多特征、宽阈值、多层次路沿特征提取算法,通过构造多种路沿几何特征设置较宽阈值以提高路沿检测精度;采用双向扫描线搜索算法获取路沿候选点,根据路沿特征点密度和全局连续性的特点进行聚类分析并去除噪声,用二次曲线拟合道路路沿。结果表明,该算法能够在车辆、行人和障碍物遮挡的情况下有效识别结构化直、弯道路路沿,算法准确率均高于86%,且检测道路宽度误差小于0.19m,验证了算法的鲁棒性和准确性。     

基于二维激光测距仪的道路可行区域提取

为了使自主移动机器人在结构化和半结构化环境中能快速有效地提取道路的可行区域,采用全局搜索及双阈值的算法.该算法首先采用基于八邻域的全局搜索法搜索激光数据点,再结合角度和高度差双阈值对数据点进行归类并检测道路边界,最后利用障碍物检测原理获取障碍物.实验结果表明:该算法能够检测出路边及障碍物边界,此过程只对机器人感兴趣区域...     

基于路标的智能车辆定位

为解决智能车辆在城市环境中的定位问题,使用激光雷达检测和提取圆柱形路标的中心位置,并与已知地图进行数据关联;以CyberC3智能车辆为移动平台,建立了车辆运动模型和传感器测量模型,使用扩展卡尔曼滤波算法对激光雷达和编码器数据进行融合,计算车辆的全局位姿.实验结果证明该方法可以获得较高的定位精度,解决了车辆自主导航的关键问题,并可推广应用到基于自然特征的全局定位.     

越野环境下基于四线激光雷达的障碍检测

为了完成越野环境中无人自主导航车的障碍检测任务，应用四线激光雷达，提出了1种新的障碍检测算法，该算法利用检测区域的坡度信息进行障碍检测，包括坐标变换、候选障碍点提取、候选障碍点聚类及点簇高度求取4个步骤。为了克服激光雷达检测盲区与抑止测量过程中干扰噪声的影响，运用了卡尔曼滤波算法对目标障碍进行了滤波处理。试验结果表明，障碍检测算法稳定可靠。     

一种智能汽车的实时道路边缘检测算法

以无人驾驶汽车为平台,针对结构化、半结构化道路下无人驾驶汽车道路边缘检测问题,提出了一种智能汽车的实时道路边缘检测算法。该算法首先对获取的激光雷达数据点云进行标定、分层与中值滤波,然后提取各层的左右边界点,而后利用随机抽样一致性算法(简称Ransac)对左右边界点集进行直线拟合,最后用卡尔曼滤波算法进行跟踪,从而实现实时的道路边缘检测。经实验验证,该算法准确率高,可靠性强,能够准确完成道路边缘检测,可以满足实时系统的要求,并已经成功应用于2014年的"智能汽车未来挑战赛",而且取得了第三名的好成绩。     

基于3D激光雷达的实时道路边界检测算法

针对室外自然环境下无人自主地面智能车辆的道路检测问题,提出了一种基于3D激光雷达的道路边界检测算法.算法的原理是:根据道路区域与非路区域之间存在的高度跳变的特性,首先提取道路的可通行区域,然后把得到的障碍网格图利用线性鉴别分析(LDA)的分类的思想划分出最佳的左右非路区域,进而拟合得到道路的边界信息.试验结果表明,该边...     

考虑时空相关随机行驶时间的车辆路径问题模型与算法

本文对一类在真实道路网络中考虑时空相关的随机行驶时间的车辆路径问题进行了研究. 首先我们建立了该问题的两阶段随机规划模型. 然后我们将用于候选解寻优的智能优化算法与用于产生评价解的随机场景的情景生成技术相结合,提出一种智能随机优化方法求解该问题. 为了有效地进行解的寻优,本文结合可变邻域下降算法提出了一种混合粒子群优化算法.最后通过一系列基于北京市区道路网络的算例实验,我们验证了所提出的混合粒子群优化算法的有效性.实验结果还表明,考虑实际交通环境中道路网络上车辆行驶时间的时空相关性,会影响最优车辆路径决策方案.     

一种用于激光雷达识别车道标线算法

利用点云数据空间分布特征和回波强度信息,结合局部均值变点统计方法,提出了一种用于激光雷达数据帧的车道标线识别算法。该算法首先基于车载激光雷达采集的道路周围环境点云数据中高程信息进行滤波,确定可行驶区域。然后利用局部均值变点统计对可行驶区域点云数据中的回波强度值进行标记提取,即车道标线点云数据粗提取。最后基于EM(最大期望)方法聚类,从而完整、准确地识别车道标线。实验结果表明,该算法不仅能够准确定位可行驶区域,进而可以实现车道标线的自动提取;而且有效抑制了道路周围环境对车道标线识别的干扰,验证了算法的有效性。     

一种基于Faster R-CNN的车辆检测算法

针对传统的车辆检测算法无法自适应地完成在复杂场景变化下提取目标相应特征的现象,提出了一种基于深度学习的车辆检测算法,该算法结合了Faster R-CNN开源框架和Loc Net网络算法。首先,利用RPN算法获得图片中的候选区域,以减少检测过程中对每张图片的计算量;然后,进入Fast R-CNN网络,利用该深度网络中的卷积层和池化层,自适应地获得车辆目标的所有特征;最后,进入Loc Net网络,通过输入已经得到的图片候选区域,通过卷积层和池化层,不断计算候选区域边界的概率,达到不断优化候选区域边界,最后得到车辆目标的边界框。使用深度学习卷积神经网络,可以避免人工设计车辆目标特征适用性不广泛的缺点,提升车辆目标检测和定位的准确性。     

基于激光雷达的停车场车辆定位算法

在停车场、隧道中GPS、Wi-Fi信号受限的情况下,提出一种基于激光雷达的车辆自主定位方法。采用激光雷达SLAM（simultaneous localization and mapping）算法,通过三维激光雷达点云匹配获取车辆的估计位姿;根据图优化方法和非线性优化方法,对所有位姿进行后端调整,进而得到分辨率可控的环境信息平面栅格地图;基于蒙特卡洛方法,采用粒子滤波器进行实时车辆定位,并提出了粒子采样的一种改善方式,实现了较高精度的激光雷达自主定位。结果表明：粒子滤波器能够有效地实现车辆在停车场等无GPS环境下的定位,定位精度在10 cm之内。     

基于级联滤波的交通信号灯识别方法

提出了基于智能车辆中车载摄像头的交通信号灯检测与识别方法.通过对已有交通信号灯图像进行训练及采用色彩分割的方法而提取候选区域;将候选区域作为输入,提出了基于级联滤波的候选区域分类方法;同时,采用标准互相关模板匹配法对级联滤波后的候选区域交通信号灯进行验证.真实环境下的实验结果表明,所提出方法在复杂的城市环境中对于智能车辆的交通信号灯识别的有效性和实时性较高.     

一种基于多传感器融合的车辆检测与跟踪方法

针对城市道路环境,提出了一种基于激光雷达和视觉的车辆检测与跟踪方法.首先,采用透视变换和多传感器联合标定,根据激光雷达数据生成包含车辆假设的兴趣区域,以提高车辆检测的可靠性和降低图像处理的计算量;然后,提出了一种基于多维特征空间马氏距离的车辆检测算法,通过提取兴趣区域内图像特征向量,并将其与标准向量间的马氏距离作为车辆状态估计;最后,采用Kalman滤波实现车辆运动跟踪.为了提高鲁棒性,将粒子滤波算法与Kalman滤波相结合,以在雷达信息不准确的情况下准确地实现目标状态估计.实验结果表明,该方法在城市环境中取得了比较理想的车辆跟踪效果.     

基于DSP的自动驾驶系统硬件体系的设计与算法研究

提出了一种以DSP为主要运算设备的汽车自动驾驶智能控制系统,并对硬件体系和图像分析算法进行了研究.对汽车自动驾驶系统的硬件结构进行了设计,采用车载PC和DSP—PCI卡的形式进行构建,并在该硬件结构基础上完成了算法的设计.对传感器采集到的数字图像信号进行灰度化、去噪、二值化、边界提取等处理后得到符合判断算法条件的图像.应用模式识别技术与GPS技术的结合,对图像中的车道、道路上的障碍、其他车辆、交通指示标志等物体进行识别和判断,并对下一步动作作出正确判断.对于前后方车辆和障碍物等采用激光雷达进行测距.     

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.