基于特征几何关系的无人车轨迹回环检测

为了在GPS盲区中利用激光雷达构建地图,提出了一种基于回环检测的高精度2D激光点云地图构建方法。首先,从2D激光雷达观测数据中获得无人车的位姿,在2D高斯概率密度空间中提取每帧数据中的环境特征以及求得高斯映射值累加和。其次,利用粒子滤波对车辆位姿与环境特征进行融合优化得到低精度的点云地图和特征地图。然后,利用数据帧中环境特征的数量、车辆位姿以及高斯映射累加和,计算发生轨迹回环的可能性;遍历所有观测帧后得到无人车轨迹回环帧;利用三角剖分法求解回环帧之间的真实转换关系。最后,利用图优化方法得到全局最优的无人车位姿和高精度点云地图与特征地图。试验结果表明:特征地图中同一特征的多次识别结果之间的标准差小于5mm;利用车辆位姿、环境特征和高斯映射累加和能够有效发现路径回环的可能性,其处理2 499帧耗时1.61s;利用Delaunay三角剖分能够准确计算路径回环点,单次运行用时小于1s。     

基于激光视觉融合的帧间匹配方法

同步定位与地图构建(Simultaneous Location and Mapping,SLAM)是机器人在未知环境中实现自我导航能力的重要保证。目前SLAM算法使用的主传感器基本是激光雷达或视觉相机。二者各具优劣,激光雷达能更精确地进行测距,视觉相机能反映环境丰富的纹理信息。与使用单一传感器相比,将二者融合的SLAM算法能够获得更多环境信息,达到更好的定位和建图效果。文章提出一种融合激光雷达和视觉相机的帧间匹配方法,通过在SLAM帧间匹配过程中加入地面约束以及视觉特征约束,提高帧间匹配过程精度,增强算法鲁棒性,从而提升SLAM算法整体效果。文章最后利用采集的地下停车库数据进行结果验证,与开源算法A-LOAM进行对比。结果表明,相比A-LOAM的帧间匹配方法,文章提出的方法相对位姿误差提升约30%。     

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3D点云语义地图表征的智能车定位

为提高智能车节点定位准确率, 研究了基于3D点云语义地图表征的智能车定位方法。该方法分为3个部分: ①基于三维激光点云的语义分割, 包括地面分割, 交通标志牌分割和杆状语义目标分割; ②面向智能车的点云语义地图表征, 利用分割的语义目标投影, 生成带权有向图, 语义路, 语义编码, 再以语义编码和高精度GPS的全局位置组成语义地图表征模型; ③基于语义表征模型的智能车定位, 包括基于GPS匹配的粗定位和基于语义编码渐进匹配的节点定位。实验在3种长度不同、复杂度不同的道路场景下进行, 节点定位准确率分别为98.5%, 97.6%和97.8%, 结果表明所提出的定位方法节点定位准确率高、鲁棒性强且适用于不同的道路场景。      

基于手机基站定位数据的地图匹配研究

研究如何利用手机基站定位数据信息进行地图匹配,其基本原理是通过采集车载手机通过道路的基站切换序列,在剔除冗余数据后,利用初始蜂窝小区定位算法实现每一个切换点在电子地图上的匹配,再利用路网的连通性实现路径的匹配。选取广州市到中山古镇路段作为实验路网进行实地实验,对所获得的基站信息进行数据处理和地图匹配的结果进行分析,证明通过手机基站定位数据来进行地图匹配的可行性和有效性。     

基于2阶HMM的智能车视觉地图定位方法

本文中针对视觉地图匹配问题，将视觉地图匹配问题转化为基于图像序列的最优视觉地图节点匹配问题，并提出基于2阶隐马尔科夫模型（hidden Markov model,HMM）的视觉地图匹配方法。在该模型中，状态变量被定义为高精度视觉地图节点，查询图像被定义为观测数据。在状态转移模型中，引入2阶模型对短时间车辆运动进行匀速运动建模，与传统的1阶HMM相比，可以提高模型的适用性与准确性。提出利用全局图像特征建立查询图像与地图节点之间的匹配关系，并从匹配的汉明距离建立发射概率模型，可有效提高地图匹配的效率。最后，通过前向算法来求解最优匹配的地图节点。为了验证算法的性能，分别在封闭工业园区、开放道路和KITTI公开数据集对算法进行验证。实验结果表明：2阶HMM模型能够有效融合车辆运动信息和图像信息，提高匹配的稳定性和精确度，算法性能明显优于传统的基于单帧匹配和序列匹配算法。     

基于点云数据的大型复杂钢拱桥智能虚拟预拼装方法

基于点云数据的虚拟预拼装主要包括点云数据采集、拼接控制点提取和拼接控制点匹配。针对完整点云数据存在采集困难、处理成本高等问题，提出用局部点云数据代替完整点云数据进行虚拟预拼装的策略；针对目前拼接控制点提取存在依赖专用软件、效率低且主观性大等问题，基于随机采样一致性、霍夫变换等经典算法和图像处理技术提出大型复杂构件横截面和侧面点云数据的拼接控制点智能提取方法；针对拼接控制点对应关系需人工设定的问题，基于超四点快速鲁棒匹配算法、迭代最近邻算法和广义普氏算法提出拼接控制点智能匹配方法。以大型复杂钢拱桥为例，采用所提的方法对拱肋牛腿-拱间横梁节段和拱肋节段-拱肋节段进行智能虚拟预拼装。工程应用结果表明：所提出的智能虚拟预拼装方法不依赖专用软件、效率高、自动化程度好。研究成果可为钢桥施工质量和安装效率的提升提供理论和算法支撑。     

基于级联YOLOv7的自动驾驶三维目标检测

针对图像和原始点云三维目标检测方法中存在特征信息残缺及点云搜索量过大的问题，以截体点网（frustum PointNet, F-PointNet）结构为基础，融合自动驾驶周围场景RGB图像信息与点云信息，提出一种基于级联YOLOv7的三维目标检测算法。首先构建基于YOLOv7的截体估计模型，将RGB图像目标感兴趣区域（region of interest, RoI）纵向扩展到三维空间，然后采用PointNet++对截体内目标点云与背景点云进行分割。最终利用非模态边界估计网络输出目标长宽高、航向等信息，对目标间的自然位置关系进行解释。在KITTI公开数据集上测试结果与消融实验表明，级联YOLOv7模型相较基准网络，推理耗时缩短40 ms/帧，对于在遮挡程度为中等、困难级别的目标检测平均精度值提升了8.77%、9.81%。     

基于室内标志的视觉定位方法

为解决室内交通场景中智能汽车和移动机器人进行定位计算的问题, 利用室内场景中已存在的各类标志, 引入BEBLID算法, 提出1种视觉定位方法。对BEBLID算法进行改进, 赋予其对图像整体进行特征表征的能力。将定位过程分解为离线阶段和在线阶段, 离线阶段构建场景标志地图。在线阶段中, 首先通过全局特征匹配, 引入KNN方法确定最近节点和最近图像。通过局部特征匹配获得特征点一一对应关系。利用场景特征地图中存储的标志坐标信息, 进行度量计算, 获取当前位置信息。在教学楼、办公楼和室内停车场场景进行实验, 实验中对场景标志的正确识别率达到90%, 平均定位误差小于1 m, 与传统方法相比, 同一样本下识别精度相对提升约10%, 实验验证了算法的有效性。      

基于三维锥形栅格的激光点云语义分割方法EI北大核心CSCD

激光点云语义分割是自动驾驶系统中道路场景感知的重要分支。虽然主流方法将点云转换为规则的二维图像或笛卡尔栅格进行处理,减少因点云非结构化所带来的计算量,但二维图像方法不可避免地改变点云的三维几何拓扑结构,而笛卡尔栅格忽略了室外激光点云的密度不一致性,从而限制了包括行人和自行车等小物体的语义分割能力。因此,本文中提出了一种基于三维锥形栅格和稀疏卷积的激光点云语义分割方法,利用锥形栅格分区解决了点云的稀疏性和密度不一致的问题;为提高模型推理速度,设计了重参数化三维稀疏卷积网络。在SemanticKITTI和nuScenes两个大规模数据集上对所提方法进行评估。结果表明,与目前最新的点云分割方法相比,所提方法的平均交并比分别提升了1.3%和0.8%,尤其对小物体识别有显著的提升。     

卫星定位不停车收费中基于决策圈的路径识别方法

首次提出在复杂区域使用决策圈的方法进行地图匹配,并提出一种GPS地图匹配和设置决策圈结合的新的路段识别方法,用于解决高速公路卫星收费系统或车栽导航中复杂路段地图匹配不准确的问题.对常规地图匹配算法GPS由于精度难以匹配的路段区域设定决策圈,对决策圈内路段进行特殊匹配处理.在处理方法上利用预先采集到的路段上的准确点代替电...     

基于三维激光雷达的无人车障碍物检测与跟踪

针对真实交通场景中障碍物的检测与跟踪问题,提出了一种基于三维激光雷达HDL-64E的无人车障碍物检测与跟踪方法。首先对三维激光雷达产生且经路面分割后的点云数据栅格化,并进行栅格增补。在障碍物聚类之后,先利用无人车RTK-GPS数据和INS航向角数据进行多帧融合的静态障碍物的检测,再进一步利用动态障碍物模板匹配算法对静态障碍物检测结果形成的可行驶区域进行动态障碍物检测。最后,利用标准卡尔曼滤波器实现对动态障碍物的跟踪。本文方法应用在自主研发的无人车上的大量实验结果表明,本文提出的方法具备较高的可靠度,满足无人车的环境感知要求。     

逆向工程中扫描数据精简技术研究

在分析最大允许误差数据精简法和包络盒数据精简法工程应用特点的基础上,提出了基于最大允许误差数据精简法和包络盒数据精简法的改进型数据精简方法,即利用包络盒法先将点云数据分割成线性结构的点云数据,再利用最大允许误差数据精简法对线性数据进行逐条精简.通过实例对具有不同型面特征的扫描数据进行了精简验证.     

浮动车数据中零速度点数据地图匹配方法

浮动车数据中存在大量的由于车辆频繁停车引起瞬时速度为零的停车点记录,这些零速度点由于方向角不准确,常规的投影和几何地图匹配的算法不能有效地将其匹配到路段上。通过对浮动车辆停车原因进行分析,提出了1种基于浮动车停车点数据过滤筛选的地图匹配方法,可以将能够表示路段交通状态的交叉口车辆排队零速度点提取出来,匹配到路段上,同时过滤掉和交通状态无关的零速度点,从而增加了有效样本数量,为进一步对整个路网运行状态的全面评估提供数据支持。     

卫星收费系统GPS定位信息和路段匹配方法研究

描述了1种GPS定位信息和电子地图收费路段匹配的方法,分为地图精简和地图匹配2部分。根据GPS定位收费系统对地图及地图匹配的要求,对电子地图进行了精简。路段识别采用了GPS位置点和路段收费位置节点的匹配方法,通过设定收费标示值,配合路段间拓扑关系、路段的收费属性值信息,进行地图匹配计算,判断当前车辆是否行驶在收费路段上,从而对行驶在收费路段的车辆进行通行费用计算、对收费地图信息进行精简处理、探讨分析影响地图匹配精度的因素、描述地图匹配的方法。该方法经过实验检测,并在高速公路卫星收费实验系统中实际运行,效果良好。     

基于点特征的车载LiDAR与GNSS/IMU联合标定方法研究

激光雷达(LiDAR)、全球导航卫星系统(GNSS)与惯性测量单元(IMU)之间的外部参数标定精度是影响多传感器融合及高精度地图的主要因素。基于此，提出一种适用于无人车的LiDAR与GNSS/IMU标定方法，该方法可实时提取标定板点云中心坐标，并利用点特征进行外部参数标定。首先，分析了LiDAR、GNSS、IMU及通用横墨卡托格网系(UTM)坐标系的变换关系；其次，基于IMU安装平面与地面平行的假设，通过车辆前方地面的法向量计算LiDAR俯仰角和滚转角的初值，并利用标定板中心偏移量计算偏航角初值；然后，假设车辆在平面上保持直线运动，采用恒定姿态运动将旋转角度的求解问题转化为最优化问题，并根据标定板UTM坐标不变的约束求解出平移参数；最后，通过分析算法误差、传感器测量误差以及中心点匹配误差验证了方案的可行性，并通过无人矿车采集LiDAR、GNSS和IMU的同步数据，对所提出的外部参数标定方法进行测试。试验结果表明：提出的方法只需要一定范围的平坦区域和标定板就可以解决3自由度运动估计6自由度外部参数的退化问题，且标定后的外部参数可以保证点云地图在20 m内的拼接误差小于20 cm。     

基于单线激光雷达的SLAM系统功能优化设计

地图与导航是无人驾驶与机器人领域的关键点,针对单线激光SLAM(同步定位与地图构建)系统功能优化问题,利用DOE(实验设计),提出了基于单线激光雷达的SLAM系统功能优化方法。首先,基于SLAM小车平台,利用Gmapping、Hector、Karto、Cartographer四种算法对室内环境进行建图,分析建图结果,提出最优建图方法。其次,依据AMCL定位算法,分别利用A*和Dijkstra两种路径规划方法,通过对比定位导航效果,提出基于参数匹配的定位导航功能优化方法。在此基础上,提出系统功能匹配优化方法,完成SLAM系统功能优化设计。     

地图匹配中快速路出入口车辆行为模式识别

为了解决现有的地图匹配方法在快速路出入口区域由于车辆轨迹与地图路径相差较大而导致匹配较易出错的问题,提出了一种地图匹配中快速路出入口车辆行为模式识别方法。该方法通过分析车辆在快速路出入口的行驶特点,对可能的行驶行为建立行为模式,并根据车辆行为特征对行为模式进行识别,最后通过试验对该方法在出入口地图匹配中的效果进行了验证。结果表明:将该方法应用于地图匹配中,可以根据行为模式识别结果确定车辆所在道路,从而实现快速路出入口的准确匹配。     

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。