基于高密度激光点云和深度学习的高速公路标线识别

道路标线的自动识别是智慧城市建设中急需解决的重要难题，也是绘制高精地图及无人驾驶所需的核心技术。提出一种激光雷达数据环境下高速公路常见标线自动识别方法：基于端到端PointNet语义分割功能自动提取道路标线点云；采用体素降采样及半径式离群点剔除去除路面噪点；应用DGCNN自动区分典型交通标线(实线、长虚线、短虚线、箭头、导流带),实现道路标线识别。应用京承高速公路某段激光雷达数据测试验证。结果表明：道路标线分类准确率达到94.73%,F1达到74.18%,AUC达到0.98。证明了解决道路标线识别方法的可行性，为智能驾驶环境下道路标线的自动感知和识别提供了一种新的思路。     

基于激光雷达点云的道路几何信息提取与数字化建模研究

为实现快速、自动化的道路几何信息提取和数字化建模，基于激光雷达点云提出了一套从道路语义分割、几何线形提取到集成化建模的通用框架。首先，基于空间上下文特征基础框架，将局部特征的最大值和邻域均值进行聚合以作为局部特征，使用径向分布参数与三维坐标描述全局上下文特征，构建道路语义分割网络。其次，基于道路场景分割结果，通过体素降采样和半径滤波法减少点云数据量、去除离群点，并利用可变半径Alpha Shapes (VA-Shapes)算法提取道路边线，结合获取的边线横纵坐标，计算路段几何信息(路宽、纵坡、横坡等),使用inshape函数和插值法构建交叉口的数字高程模型。最后，采用Dynamo for Revit将道路几何信息导入并生成道路路线，通过Revit软件设计道路自适应族构件及不同类别基础设施族构件，实现精细化道路数字建模。利用开源数据集Semantic3D进行训练和测试，分析与评价道路几何信息提取效果。研究结果表明：所提出的算法总体准确度为95%,路面的单类交并比为97.9%,能够很好地实现道路点云场景的自动化语义分割；相比于传统的固定半径Alpha Shapes算法，VA-Shapes算...     

基于KDTree树和欧式聚类的越野环境下行人识别的研究

越野环境下行人的识别是班组伴随自动驾驶车辆的基础要求。本文中针对激光雷达点云数据中的行人识别问题,特别是越野环境下的特殊问题,提出基于聚类思想的解决方案。在理论分析的基础上,结合人的几何物理特征,设计了基于KDTree和欧式聚类的行人识别算法,并在越野环境下履带式车辆上进行试验。结果表明,所设计的激光雷达行人识别算法能准确识别激光雷达点云数据中的行人,在越野环境下有良好的识别率。     

多线索融合的结构化道路检测算法研究

为实现结构化道路的检测，提出了一种用于道路检测的激光雷达和视觉融合法，通过提取激光雷达在道路边缘的三维点云信息，将其投影到视觉图像上，形成激光点云与图像的映射关系，生成激光雷达似然图。通过改进提取道路的颜色、纹理、水平线等特征的方法，生成相对应的视觉似然图。在贝叶斯框架下将激光雷达和视觉生成的似然图进行融合。在KITTI数据集上测试可知，精度达到94%，准确率达到86%，表明该道路检测法具有较好的道路检测果。     

基于激光雷达的纵向坡路动态可行驶性预测（双语出版）

为解决智能汽车在含有纵向坡路的环境中行驶时所涉及的环境感知与路面可行驶性理解问题，提出了一种基于激光雷达的动态、不确定性路面可行驶性预测方法。首先，利用PreScan，CarSim与MATLAB软件搭建虚拟行驶环境，并建立激光雷达物理模型提高虚拟点云的保真度。其次，进行基于激光雷达的动态可行驶性研究，利用路面激光雷达点云数据基于车辆未来行驶方向建立笛卡尔坐标系下的间隔栅格地图；在间隔内进行平面拟合得到路面的法向量，利用平面法向量计算路面纵向坡角并利用车辆姿态补偿得到大地坐标系下的间隔坡角和道路轮廓信息，并探讨天气对道路轮廓估计结果的影响；基于车辆纵向动力学特性和道路参数估计结果，计算可行驶性概率并预测可行驶性。为了快速仿真验证所提出的可行驶性预测方法，搭建相应的自动测试环境并设计测试方法。首先分析并测试车辆行驶过程中容易因失效造成预测失败的临界关键工况，接着在虚拟行驶环境中建立自动化测试流程，加强对关键工况区的采样，总计通过402组测试工况验证可行驶性预测算法，预测准确率达到87.81%。最后，在实车平台和真实测试道路上对算法流程进行验证。研究结果表明：该方法能够很好地对车辆在纵向坡路上的可行驶性进行动态的、基于概率性指标的预测。     

车身曲面逆向设计投影法参数化方法的应用

针对在汽车车身曲面逆向设计中很难由散落数据点云构造出合适光顺曲面的问题，提出了一种以Hoschek方法确定散乱数据点云的边界线、以基面投影法确定其他散乱数据点云参数值的逆向算法：给出了一种重构曲面的拟合方法，结合车身部件上散乱数据点云的特点，建立了该算法的数学模型，并通过VC＋＋6．0进行了编程实现。与通过UG得到的插值曲面比较可以看出，该拟合方法能够更好地对原曲面进行再现。     

基于自适应阈值的三维激光点云地面分割算法研究

针对自动驾驶汽车感知模块中三维激光点云前后背景分割过程存在的误分割问题,提出了一种基于路面波动幅度的自适应阈值地面分割方法。该方法将原始点云进行栅格划分,依据点云数量信息设计了相应的高度阈值分割算法和地面平面模型分割算法。具体地,地面平面模型分割算法首先选取局部区域点集拟合地面平面模型,然后针对地面点云分割中存在的误分割问题,构建路面波动幅度方程,并采用基于点集分布特征的自适应阈值方法实现初步分割,最后借助分割后的地面点云重新优化平面模型与分割阈值。本文中基于开源语义分割数据集Semantic-KITTI提出了统一的算法评价基准数据集Semantic-Nova与性能评价指标,同时基于自研的自动驾驶汽车平台采集的实际场景进行了性能测试。试验结果表明,本文中提出的自适应阈值地面分割算法不仅在基准数据集上能够达到较高的精度,而且在实际场景中满足鲁棒性和实时性要求,具有较高的工程应用价值。     

改扩建公路平面线形参数识别原理及其应用

公路实施改扩建工程,其平纵面设计应尽量拟合老路中线并在原线路的基础上对各项指标加以优化。讨论了拟合道路平面曲线的基本方法,阐述了三次样条函数用于公路平面线形拟合应具有的特点及分段模型的建立,分析了道路线形组成单元与分段函数的对应特征,提出了基于三次样条函数曲率变化值获取道路线形单元及参数的识别方法。结合某城市快速路改扩建工程设计,通过测绘既有道路中线点坐标,拟合得到分段三次样条函数模型,并根据各段模型特点及各段曲率值,计算得到线形参数。结果表明:拟合得到的样条函数较好地揭示了道路线形的曲率与其组成单元的对应关系,各段线形参数识别正确,可为改扩建设计提供依据。     

基于加速度响应的汽车用户路况识别方法研究

为了调查和详细了解汽车用户使用路况信息，研究了基于加速度响应的路面等级识别及里程获取方法。通过等级路面激励建立、数据拟合，建立基于加速度均方根识别路面等级的数学模型；利用道路模拟实际路段结果验证识别方法的有效性；完成了用户具体一条路线的路况识别与分析结果。结果表明，研究的方法是可行和有效的。     

基于激光雷达的纵向坡路动态可行驶性预测

为解决智能汽车在含有纵向坡路的环境中行驶时所涉及的环境感知与路面可行驶性理解问题,提出了一种基于激光雷达的动态、不确定性路面可行驶性预测方法。首先,利用PreScan,CarSim与MATLAB软件搭建虚拟行驶环境,并建立激光雷达物理模型提高虚拟点云的保真度。其次,进行基于激光雷达的动态可行驶性研究,利用路面激光雷达点云数据基于车辆未来行驶方向建立笛卡尔坐标系下的间隔栅格地图;在间隔内进行平面拟合得到路面的法向量,利用平面法向量计算路面纵向坡角并利用车辆姿态补偿得到大地坐标系下的间隔坡角和道路轮廓信息,并探讨天气对道路轮廓估计结果的影响;基于车辆纵向动力学特性和道路参数估计结果,计算可行驶性概率并预测可行驶性。为了快速仿真验证所提出的可行驶性预测方法,搭建相应的自动测试环境并设计测试方法。首先分析并测试车辆行驶过程中容易因失效造成预测失败的临界关键工况,接着在虚拟行驶环境中建立自动化测试流程,加强对关键工况区的采样,总计通过402组测试工况验证可行驶性预测算法,预测准确率达到87.81%。最后,在实车平台和真实测试道路上对算法流程进行验证。研究结果表明:该方法能够很好地对车辆在纵向坡路上的可行驶性进行动态的、基于概率性指标的预测。     

基于车载激光点云的道路平整度检测新方法研究

路面平整度是评定道路路面质量的主要技术指标之一,传统的平整度测量方法检测效率低、劳动强度大,难以满足道路快速巡检和公路养护的需求。移动测量系统能够快速动态获取高精度道路点云数据,能详细再现道路的细节特征。因此,本文通过分析车载点云的精度特点以及国际平整度IRI的计算方法,提出一种应用车载激光点云进行路面平整度检测的方法,首先对车载点云数据进行预处理,沿轮迹带方向提取路面点;然后采用等间距邻域均值采点的方式获取路面高程值;最后使用路面高程值进行IRI计算并与高精度水准数据计算的标定结果进行对比。实验结果表明,车载移动测量系统能够用于路面平整度的快速检测。为道路三维快速巡检和公路养护提供了技术支持。     

基于激光雷达的远距离运动车辆位姿估计

为了解决激光雷达扫描远距离运动车辆产生的点云稀疏导致位姿特征难以提取的问题,提出了一种远距离运动车辆位姿估计方法。首先利用时空连续性提取远距离运动车辆。然后利用最小二乘拟合得到稀疏点云水平面二维投影近似拟合直线对,依次在不同角度的垂直正交直线对上对稀疏点云的二维投影进行一维向量估计的装箱过程,基于目标车辆与激光雷达间相对位置的观测角函数最大化匹配滤波响应,进而利用全局优化算法对投影点概率分布与匹配滤波运算得到的代价函数作离散卷积,寻优比较得到单帧拟合最优矩形。最后结合连续帧平移约束进行多帧拟合,优化当前帧目标车辆拟合矩形的位姿。利用仿真和真实场景下采集的目标车辆点云数据进行算法验证分析。结果表明:在点云稀疏的情况下,当远距离目标车辆做直线运动时,提出的多帧拟合方法得到的位姿参数均方根误差低于单帧拟合和已有的RANSAC拟合方法;当远距离目标车辆做曲线运动时,提出的单帧拟合和多帧拟合方法得到的位姿估计结果较为接近,且误差明显低于已有的RANSAC拟合方法;对于不同相对距离下采集的目标车辆点云,提出的单帧拟合和多帧拟合位姿估计方法的适应性优于已有的RANSAC拟合方法。     

基于车载LiDAR数据的公路竖向净空自动化评估

现役道路基础设施管理过程中缺乏大范围区域内不同路段的现状或实时的竖向净空数字化资料，导致部分过高车辆撞击跨线桥或其他上空构造物的事故时有发生，造成了重大财产损失与人员伤亡。针对该问题，基于车载LiDAR数据构建公路竖向净空自动化评估方法框架。通过数据重构方法将复杂道路线形的车载LiDAR点云转化为简单的直线形式，利用基于线性索引的点云数据分块方法实现重构场景下车载LiDAR数据的条形、柱形与体素单元的快速分块，建立柱形单元非平面点初步滤波、基于K-Means与体素聚类的复杂LiDAR点云环境中路面优化分割流程。在基于条形单元划分提取道路边界后，利用体素聚类将路面上方点云进行划分。以提取的路面点云作为二维插值基准面，完成不同物体的竖向净空计算，并利用江苏南京市内的2条公路LiDAR数据的对算法框架进行测试。研究结果表明：所提方法在噪音存在的复杂LiDAR环境中可以有效分割出道路上方物体并完成竖向净空的计算；通过部分算法提取与人工标注结果的对比，显示公路1与公路2的竖向净空平均绝对误差分别为0.94、1.57 cm，具有较好的可靠性；在32 GB内存、Intel® Xeon® E5-1650 v4@3.6 GHz六核处理器的计算机上完成公路1与公路2竖向净空评估的平均时间分别为6.62、7.83 s·km^-1，算法效率可满足大尺度场景下的公路竖向净空自动化计算；相比于已有研究方法，所提方法框架考虑了车载LiDAR点云环境内的路面上测量噪音的存在，对变宽度路面条件复杂场景下的公路竖向净空评估具有更好的适用性。     

基于雷达测距的车辆识别与跟踪方法

本文中提出了一种基于雷达测距的车辆识别与跟踪方法,以准确地识别道路上的车辆目标。首先对采集到的每帧数据采用自适应距离阈值的方法进行聚类分析。在聚类内部采用端点迭代拟合算法提取线段,在此基础上得出目标的特征向量,并据之识别车辆目标。然后通过计算特征向量的代价函数进行多目标关联,利用卡尔曼滤波器根据关联结果更新目标的状态。最后,以智能车辆BJUT-IV配备LMS291激光雷达在校园道路上对本方法进行验证测试,结果表明,提出的方法能够准确地对多个行驶车辆进行跟踪。     

基于改进DBSCAN算法的激光雷达目标物检测方法

传统的DBSCAN聚类算法是基于密度的聚类算法,原始算法在搜索精度和搜索效率上存在一定的局限性。基于LUX4线激光雷达数据点的点云特点,结合DBSCAN算法存在的不足与路面目标物的实际情况,提出了1种基于改进的DBSCAN聚类算法,选取4个代表点取代对所有点的搜索和改进搜索半径使其随扫描的距离而变化的方法,实现激光雷达目标物的快速、准确检测。通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据检测物在激光雷达探测中的形状特征模型进行形状匹配。实验结果表明该改进算法能较好的识别出目标物,行人检测率由原始算法的61.90%提高到了80.95%,搜索时间较原始算法缩短了44.7%,解决了原始算法精度低、搜索慢的缺点。     

A Research on Road Condition Identification Based on Characterization Factors

在3种经典轮胎-路面数学模型的基础上,引入了一种“路面状态特征因子”的概念(它代表最佳滑移率前附着系数-滑移率曲线段下面的封闭面积),给出了7种典型路面的特征因子阈值及其区间,据此识别汽车当前行驶路面状态.基于8自由度汽车动力学模型,分别在单一路面和对接路面上进行制动模拟试验.结果表明该方法能较准确快速地识别路面状态.最后在自制的汽车防抱制动装置试验台上进行的制动试验进一步验证了方法的有效性和可行性.     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于ReliefF-RBF的路面不平度识别算法研究

路面不平度对道路车辆行驶安全性及车辆动力学响应具有重要影响。通过将路面不平度识别与先进悬架控制结合,有望能进一步提升乘员舒适性和车辆的操纵稳定性。现有基于数据驱动的路面分类方法难以高效处理时变参数与车速,现有基于模型的路面识别算法需要已知精确车辆模型,在实际应用中面临车辆物理参数难以获得的问题。提出一种融合模型和数据驱动的路面分类算法,采用基于模型的方法反算等效路面轮廓,结合数据预处理方法,对车辆响应和反算等效路面轮廓数据进行滤波;对等效路面轮廓和响应信息进行时域频域特征计算,采用ReliefF算法进行关键特征提取,构建基于径向基函数神经网络的路面分类器,进行路面分级识别;通过仿真试验和实车试验验证了不同车辆参数和车速下所提出的算法鲁棒性。     

面向降雨环境的激光雷达衰减模型研究

针对现有激光雷达衰减模型依赖统计生成点云、缺乏噪点解释性等问题，提出了一种面向降雨环境的激光雷达衰减模型。首先，建立激光雷达发射-接收模型，并根据雨滴尺寸分布模型模拟获得雨滴空间分布数据；其次，耦合散射模型与噪点模型，获得激光传播过程的光强变化，得到点云的仿真图像；最后，采集正常天气和降雨天气下的点云图像，仿真生成不同降雨量下的衰减点云。将衰减模型获得的点云与对应实际降雨天气点云图像进行对比，结果表明：所提出的模型在各评价指标上明显优于现有模型，有效解释了降雨过程对激光雷达产生的衰减影响。     

基于BIM+GIS的沥青路面表里全域病害数字孪生研究

为全面整合和分析无损检测采集的病害信息并构建病害数字孪生模型对病害进行可视化表达，基于BIM+GIS技术，运用探地雷达检测手段，提出了路面全域病害整合与建模的新框架。在该框架中，首先面向不同路表病害类型分别开发基于深度图像表面拟合和基于二值图像轮廓拟合的病害建模方法，相较于传统二维贴图或三维固定参数的建模方式，该方法实现了对病害区域信息的准确拟合建模；该框架另一部分提出了路面结构内部隐蔽病害的三维可视化建模方法，相较于传统分析建模进一步实现了探地雷达数据的病害模型转化与BIM数字化道路高效整合，降低了探地雷达数据实际应用性的门槛。该方法基于2种不同雷达图像的病害特征，识别并提取病害区域，实现全路段隐蔽病害疑似区域和局部重点区域三维重构；最后自动化构建包含全域病害的数字孪生模型，将无损检测数据高效整合，完成病害实体在虚拟空间中的映射转化。同时借助地理信息系统绘制道路病害分布热力图，反馈病害分布以及发展情况，指导养护管理工作。试验结果表明：该框架高效完成全域病害的三维数字转化；路表裂缝和坑槽建模精度分别达到80.13%和98.17%,路面内部病害的模型结合现场钻孔取芯验证在判断病害发生位置...