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。     

基于多传感器信息融合的3维目标实时检测

针对基于多传感器信息融合的3维目标检测，提出了一种实时高精度的双阶段深度神经网络PointRGBNet。第1阶段，在区域提案网络中，首先将3维点云投影到2维图像上生成6维RGB点云，然后对输入的6维RGB点云进行特征提取，得到低维特征图与高维特征图，利用融合后的特征图生成大量置信度较高的提案；第2阶段，在目标检测网络中，利用第1阶段生成的提案进行RoI池化，得到特征图上与每个提案对应的特征集合，通过针对性地学习提案的特征集合，实现了更精准的3维目标检测。在KITTI数据集上的公开测试结果表明，PointRGBNet在检测精度上不仅优于仅使用2维图像或3维点云的目标检测网络，甚至优于某些先进的多传感器信息融合网络，而且整个网络的目标检测速度为12帧/s，满足实时性要求。     

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...     

基于虚拟点云的二阶段多模态融合网络

针对点云的稀疏性和无序性对目标检测准确率的影响,本文提出了一种基于虚拟点云的二阶段多模态融合网络VPC-VoxelNet。首先,利用图像检测目标信息构造虚拟点云,增加点云的密集程度,从而提高目标特征的表现;其次,增加点云特征维度以区分真实和虚拟点云,并使用含置信度编码的体素,增强点云的相关性;最后,采用虚拟点云的比例系数设计损失函数,增加图像检测有监督训练,提高二阶段网络训练效率,避免二阶段端到端网络模型存在的模型误差累计问题。该目标检测网络VPC-VoxelNet在KITTI数据集上进行了测试,检测精度优于经典三维点云检测网络和某些多传感器信息融合网络,车辆检测精度达到了86.9%。     

基于稀疏彩色点云的自动驾驶汽车3D目标检测方法

针对目前在自动驾驶汽车中,目标检测的点云分割与识别算法的准确率低等问题,提出一种稀疏彩色点云结构,该结构由摄像头采集的图像信息与激光雷达采集的点云信息进行空间匹配与特征叠加后生成。通过改进的PointPillars神经网络算法对融合后的彩色稀疏点云进行运算。实验结果表明,本方法在平均精度上比原算法有较大的提升,尤其是对行人和骑单车人的识别平均精度的提升更为明显,在中等难度下的行人和骑单车人3D检测的平均精度值分别提升13.8%和6.6%,显示了本方法的有效性。     

凸凹不平道路几何参数识别和模型重构方法研究

自动驾驶汽车的凸凹不平道路和异常路面行驶，不仅要考虑道路曲率等因素，还需要对路面凸起、凹坑等特征和病害进行识别建模，提高车辆通过性、安全性和舒适性。为此，本文提出了一种基于激光雷达的凸凹不平道路几何参数识别和模型重构方法。首先，将局部加权散点平滑方法（Lowess）首次应用于激光雷达点云处理，提高了激光雷达点云数据的平滑性；其次，提出了基于斜率阈值分割的路面几何参数识别方法，通过设置斜率阈值对道路凸起与凹坑进行识别提取；再次，通过识别特征点云边界构建了带约束的分段多项式函数路面连续典型特征拟合数学模型。最后，通过建立的室内路面典型特征沙盘模型及路面实测数据，应用本文提出的方法，对凸凹不平道路的凹坑和凸起等特征进行了识别和模型重构。结果表明，分段多项式拟合方法在拟合次数5～6次时达到拟合效果极限位置，此时各个场景中92%的数据点拟合均方根误差在0～0.015 m范围内，本文提出的方法能准确完成凸凹不平道路几何参数识别，实现路面典型特征三维数学模型重构。     

基于点云密度的结构化道路边界增强检测方法

为快速鲁棒地检测结构化道路边界,提出一种基于HDL-64E激光雷达点云密度的道路边界增强检测方法。通过建立虚拟雷达模型,利用点云密度特征,实现前景与背景分离,并利用随机采样一致性算法得到20m内的道路边界。为解决20~100m内道路边界点云稀疏、检测准确性下降的问题,提出利用光线切割模型对道路边界进行增强检测。在校园道路和城市快速路进行实验,道路边界检测率达到95%以上,有效检测距离可达70m以上,检测周期小于32ms。     

基于交叉注意力机制的多模态感知融合方法

针对智能汽车道路目标检测任务中单一传感器感知能力有限、多传感器后融合处理复杂等问题,提出了一种基于Transformer交叉注意力机制的多模态感知融合方法。首先,利用交叉注意力机制能较好地融合多模态信息的优势,搭建了基于深度学习方式的端到端融合感知网络,用以接收视觉与点云检测网络的输出,并进行后融合处理。其次,对点云检测网络的三维目标信息进行高召回处理,与视觉图像检测器输出的道路目标信息一同作为网络的输入。最后,通过网络实现二维目标信息向三维信息的融合,输出对三维目标检测信息的修正,从而得到准确度更高的后融合检测信息。在KITTI公开数据集上的验证指标表明,通过所提融合方法引入二维检测信息后,相比较PointPillars、PointRCNN、PV-RCNN及CenterPoint四种基准方法,对车辆、骑行人、行人3种类别的综合平均提升分别为7.07%、2.82%、2.46%、1.60%。通过与基于规则的后融合方法对比,所提融合网络在行人和骑行人中等、困难样本检测上,分别有平均1.88%与4.90%的提升。进一步表明所提方法具有更强的适应性与泛化能力。最后,进行了实车试验平台的搭建及算...     

基于体素柱形的激光雷达点云车辆目标检测算法

环境车辆是自动驾驶汽车行驶时的主要障碍物之一，对环境车辆的尺寸、位置、朝向等空间信息进行感知对于保障行驶安全具有重要意义。激光雷达点云数据包含了场景中物体表面扫描点的三维坐标，是实现车辆目标检测任务的重要数据来源。结合SECOND与PointPillars方法，提出一种基于体素柱形的三维车辆目标检测模型，利用三维稀疏卷积聚合点云局部特征，在体素特征图上构造柱形并进行特征编码，有效解决点柱形方法缺乏柱形间特征交互问题，增强点云特征的空间语义信息；基于均值池化操作生成锚框点云占据位图并提出一种简单负样本过滤策略，在模型训练阶段筛除预设在无点云覆盖区域的无效锚框，缓解正负样本或难易样本不均衡问题；在目标框回归模块中，使用类别置信度与交并比(IoU)预测值计算混合置信度，改善分类分支与位置回归分支结果不一致问题，并使用KITTI三维目标检测数据集进行模型训练与评估。研究结果表明：在严格判定标准下(IoU阈值设置为0.7),所提算法在简单、中等、困难3种难度级别下分别获得了89.60%、79.17%、77.75%的平均检测精度(AP_3D),与SECOND、PointPill...     

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。     

一种真圆型隧道激光扫描断面变形检测新方法的研究

本文介绍了一种基于高密度三维激光扫描仪的高精度快速全断面变形检测新方法——Tunnelscan隧道扫描测量系统,该系统采用扫描仪绝对定位法进行点云配准和隧道控制坐标系坐标传递,使用与断面点距离最小的最小二乘法进行隧道实测断面中心点计算和基于与参考断面的断面差环状过滤器进行隧道点云切片杂点过滤,通过多次过滤、拟合迭代后获得去噪后的真圆管环实测断面。该系统还通过参考断面轮廓线投影法将三维点云投影成激光雷达隧道正射影像,为实现隧道结构安全"全面检测"提供了一种全新用户成果类型,用于全面分析隧道断面变形、结构侵界和裂缝渗水等隧道病害。采用该方法在昆明地铁3号线马眠区间做了一段竣工测量实地测试,经过总体分析后,再按图索骥去找断面变形量较大里程的断面图可谓是事半功倍,非常适合地铁隧道变形检测大数据量的批量化分析,而且成果查看比直接在三维点云或者三维模型上分析更加直观,没有视角遮挡问题。     

TLS在大型钢梁虚拟预拼和检测应用研究

钢结构桥梁的传统预拼接工作存在数据获取效率低、实地操作困难和成本高等问题,针对上述问题,以长益高速公路扩容工程为例,结合地面固定式三维激光扫描技术,详细阐述了基于三维激光点云数据的多跨π型钢混组合结构桥梁的虚拟预拼和检测方法。主要步骤为扫描设计、点云获取、数据处理及建模、虚拟预拼及误差检测。     

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。     

基于中介理论的车道线识别方法研究

以中介真值程度的数值化度量为基础,利用单个像素点的真值度,设计了新的图像去噪滤波算法。与经典算法相比,新算法具有较好的视觉效果。通过研究道路图像车道线的特点,采用中介距离比率函数来衡量像素点间相似程度,并设计了相应的图像边缘检测算法。与传统的道路图像边缘检测算法相比,新方法边缘增强效果显著。最后,基于道路直线模型,采用Hough变换实现了车道线的识别。     

面向智能车定位的道路环境视觉地图构建

为实现智能车视觉定位,提出了一种基于多视角、多维度道路环境表征的高精度视觉地图构建方法,该方法明确了视觉地图的表征模型,包括视觉特征、场景结构信息以及轨迹信息等。在视觉特征中,运用前视场景全局特征描述道路环境,视觉特征不局限于某一种特征描述子;在场景结构信息中,运用俯视路面的2D结构信息进行描述,该特征与前视视觉特征构成多视角;轨迹信息则通过视觉维度以及地理维度的多维度方式完成计算,在视觉维度中,通过平面单应性计算节点间的轨迹;地理维度中,通过高精度经纬度信息消除累积误差问题。试验选取武汉理工大学内长约700 m的半开放式环形路段进行试验。试验结果表明：制图的单节点平均误差为3.1 cm,标准差为2.3 cm,最大节点误差为9.3 cm,累积误差率为0.5%。运用所制地图进行定位检测,平均定位误差约为11.8 cm,因此,研究所提出的方法可应用于半开放式路段或固定场景的视觉地图构建,为实现智能车在上述场景的定位打下基础。同时,研究提出的制图方法不需使用双目摄像机,在降低数据存储量以及制图成本的前提下,实现了对道路环境的充分表征;此外,运用路面2D特征结构信息计算轨迹,解决了视觉3D重建精度不稳定的问题,为视觉地图构建提供了新的构建思路。     

1种基于平行直线对模型的车道检测方法

针对智能车辆安全辅助驾驶系统中利用单目视觉进行车道识别的问题,提出了1种基于平行直线对模型的车道检测方法。该方法根据高速公路图像特征构建平行直线对模型,在此基础上先利用 Hough变换提取直线,再由改进的级联 Hough变换检测出平行直线对的消失点,最后通过消失点和先验信息来提取当前车道线。使用M atlab对高速公路上不同路段、不同光照情况、不同车辆干扰下共150幅道路图像进行实验,检测精度达88.6%,平均检测时间为0.24 s。实验结果表明,这一方法在高速公路行驶环境下能较准确地检测出当前车道线,具有很好的光照适应性、抗车辆干扰性和一定的实时性。      

基于因子图优化的众包高精度地图云端融合方法

针对高精度地图传统云端融合方法生成的地图置信度较低、误差较大的问题，提出了一种基于因子图优化的众包高精度地图云端融合方法。利用 RTK-GPS数据对车端上传的局部语义地图进行全局化处理；对地图片段进行匹配，并利用一致性筛选流程提高匹配精度；以车道线匹配对构建约束地图间变换关系矩阵的因子图优化模型；利用某城市道路真实多车轨迹数据进行测试。结果表明，相较于传统方法，该算法对于优化初值的依赖性较低，对于地图间聚集度提升了44.7%；与车道线数据真值相比，该算法绝对误差均在1 m以内，具有较高的实用价值。     

基于地图API技术的道路拥堵点交通运行状态分析

以东阳市老城区为例,提出应用地图API技术进行道路拥堵点交通运行状态分析的一般流程。首先,按照一定时间间隔分别截取研究范围的实时路况地图,根据路况颜色和持续时间识别道路拥堵点;其次,将研究范围划分成一定数量的网格,利用地图API技术批量获取各网格中心至拥堵点的预估通行时间,评估当前时刻下拥堵点的可达性;最后,获取堵点周边道路各时段的平均行程速度,评估道路运行状态的时间变化特征。通过地图API进行道路堵点识别和运行状态分析,能够大大减少研究者的前期工作量,为后续研究分析提供相对准确的基础数据。     

基于LIDAR数据的道路平面线形拟合方法研究

阐述了LIDAR数据滤波与分类方法,提出了一种在原始离散点集中提取道路信息的基于既有知识数学形态学分类方法,结合LIDAR数据的特点提出了一种针对带状离散点云的定步长径向搜索方法以提取道路中轴点列并对点列进行道路平面线形拟合与恢复,试验结果表明,基于既有知识数学形态学分类方法能较好地从LIDAR地面数据点云中提取道路信息;从机载LIDAR数据的离散带状点云中拟合公路平面线形,所采用的搜索算法简单快速,运算效率高.