利用三维网格进行数据压缩

逆向工程技术已广泛应用于汽车车身设计中，而数据点压缩是逆向工程中数据点预处理的一个重要环节。在分析常用数据压缩方法的基础上，提出一种以八叉树非均匀细分为基础的三维散乱数据压缩算法，该算法可以处理任何形式的数据点云。介绍了该算法的基础原理、实现过程流程和实现过程具体计算方法。并通过实例进行分析比较，验证了该算法的有效性。     

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。     

基坑工程中的可视化分析方法

针对基坑工程施工的特点和目前数据分析中所存在的问题 ,对基坑工程施工数据分析中采用科学计算可视化分析的方法进行了系统的研究 ,结合体视化的算法思想 ,建立了基坑工程施工数据的可视化分析研究方法 ,提出了采用基于表面重建的体视化方法来研究施工环境的可视化问题和采用直接体视的算法来实现基坑工程施工数据可视化问题的解决方案 ;建立了用于基坑工程施工数据可视化分析的体数据模型 ,体数据中包含了基坑施工的土力学参数和位移场的三维信息。按照不同的施工阶段 ,建立了不同时间序列的系列体数据集。利用这些体数据集 ,可以可视化的分析施工每一工况下的坑外土体内各种土工参数的变化和土体位移的变化。并通过实例分析 ,验证了上述研究的可行性和有效性     

城市轨道交通客流预测算法研究

城市轨道交通客流预测是客运组织的基础,预测结果可为运营管理提供决策依据.针对城市轨道交通客流量预测问题,提出了一种ARMA-RBF组合客流预测算法:首先根据变点算法,通过对客流数据构成的时间序列处理得到变点集;然后基于小波变化对变点集进行去噪处理;最后利用ARMA-RBF算法对城市轨道客流进行预测.以北京地铁4号线新街口、平安里、西四地铁站进出客流数据进行方法验证,结果表明,相较于单独的ARMA算法或RBF神经网络算法,ARMA-RBF组合客流预测算法可提高城市轨道交通进站客流预测的精度.     

基于三面投影的平面体构型

提出一种以从平面体三面投影中“提取”顶点、棱线和棱面三维信息为基础，得出平面体“构型”的计算方法。所用源数据来自ＣＡＤ和ＣＡＧ系统的数据交换文件，并经预处理后已消除其中包含的各种错误、误差或二意性信息。     

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。     

双重下采样增强的点云改进配准算法研究

自动驾驶领域对点云配准实时性要求高，而已有ICP算法及其变体存在对初始位姿要求高、配准速度慢等问题。鉴于此，本文提出了一种改进的快速点云配准方法，首先采用双重下采样方法对初始点云数据进行预处理，在保留原始特征的同时快速降低点云数据量，然后引入内部形状描述子（ISS）来优化超级全等四点集（Super4PCS）算法，降低其时间复杂度，最后选用线性最小二乘优化ICP算法进行快速精配准。采用斯坦福点云数据和自动驾驶Kitti点云数据对该算法有效性进行了测试和对比验证，结果表明：该算法具有良好的鲁棒性，且配准精度和配准速度均比已有算法有明显提高。     

基于激光雷达的3D目标检测研究综述

近年来,随着自动驾驶技术的快速发展,智能汽车对于环境感知技术的需求也越来越高,由于激光雷达数据具有较高的精度,能够更好的获取环境中的三维信息,已经成为了3D目标检测领域研究的热点。为了给智能汽车提供更加准确的环境信息,对激光雷达3D目标检测领域主要研究内容进行综述。首先,分析了自动驾驶车辆各种环境感知传感器的优缺点;其次,根据3D目标检测算法中数据处理方式的不同,综述了基于点云的检测算法和图像与点云融合的检测算法;然后,梳理了主流自动驾驶数据集及其3D目标检测评估方法;最后对当前点云3D目标检测算法进行总结和展望,结果表明当前研究中2D视图法和多模态融合法对自动驾驶技术发展的重要性。