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。      

基于序列影像种子跟踪的道路线自动提取算法

为快速建立道路精确的几何模型,利用车载移动测量系统获取的序列影像开展了道路边线自动提取方法研究.针对不同类型道路边线的特征,提出了一种基于序列影像种子跟踪的道路线自动算法.首先,对不同质量道路影像分别采用基于灰度信息和梯度信息的道路边线边缘检测方法;其次,采用线性回归模型拟合道路边线,以当前帧拟合直线为种子点,提出了基于种子直线的序列影像感兴趣预测方法,在此基础上对下一帧影像道路边线进行跟踪;最后,以高速公路和城市街区道路序列影像为例,开展了道路边线自动跟踪提取试验,结果表明此方法可以达到优于20 cm的精度,具有很好的鲁棒性.     

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。     

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。     

基于实例分割的车道线检测算法

为实现在自动驾驶复杂场景下检测数量变化的车道线，提出一种基于实例分割的车道线检测算法。首先以ResNet18网络作为主干网络提取图像特征，采用特征金字塔网络进行特征融合。同时设计一种扩张卷积残差模块来提高检测的精度；然后基于车道线的位置进行实例分割，利用语义分割出的车道线点位置预测对应的聚类点位置，通过对聚类点采用DBSCAN聚类算法实现车道线实例区分。结果表明，该算法能够在复杂的自动驾驶场景下有效地进行多车道线检测，在CULane数据集和TuSimple数据集上的调和平均值分别达到75.2%和97.0%。     

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LiDAR场景建模的智能车路径规划

针对智能车路径规划问题,研究了基于激光雷达(LiDAR)数据的智能车驾驶场景建模方法,采集待建模场景的三维激光雷达点云数据,通过点云分割处理,去除车辆行驶道路上的点云,然后将三维点云进行俯视投影,实现二维栅格地图建模;从搜索邻域和搜索方向2个方面对传统A*算法进行改进:根据当前节点附近障碍物的分布情况,自适应地选择4邻域或8邻域搜索策略,在此基础上研究了一种自适应搜索方向A*算法,所提出的算法将搜索方向缩小至3个,根据路径规划终点相对起点的方向,确定算法的搜索方向.仿真实验表明,相较于传统A*算法(4邻域搜索),所提出的算法在规划的路径长度方面降低了约15.5%,在计算时间上降低约38.2%;对比传统A*算法(8邻域搜索),所提出的算法在计算时间上降低约47.2%,在规划路径长度和计算时间上,所提出的算法明显优于传统算法.      

基于检测的高效自动驾驶实例分割方法

基于深度学习的实例分割算法在大规模通用场景中取得了良好的分割性能，然而面向复杂交通场景的多目标实例分割仍然极具挑战性，尤其在算法的高精度和较快推理速度的权衡方面，而这对于智能汽车的行驶安全性至关重要。鉴于此，本文以实时性算法Orienmask为基础，提出了一种基于单阶段检测算法的多头实例分割框架。具体来说，所提框架由骨干网络、特征融合模块和多头掩码构建模块组成。首先，本文通过在骨干网络中加入残差结构获取更加完整的高维表征信息。其次，为了产生更具判别性的特征表达，本文通过引入自校正卷积重构特征金字塔，并使用全局注意力机制改善信息传播以进一步优化所提框架的特征融合模块。最后，提出的多头掩码构建机制通过细化场景目标尺寸分布显著提高不同目标的分割性能。本文算法在开源数据集BDD100k上进行大量测试与验证，分别在边界框和掩码上获得了23.3%和19.4%的均交并比（mAP@0.5:0.95），与基线方法相比，平均指标提高了5.2%和2.2%。同时在基于自主搭建的实车平台上进行的道路实验也证明本算法能够较好地适应真实驾驶环境，且满足实时性分割需求。     

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...     

面向智能车辆的现役道路设施行驶适应性研究综述

为了总结面向智能车辆的现役道路设施行驶适应性，即现役道路基础设施承载智能车辆行驶的适宜程度，阐述自主智能驾驶定义与驾驶自动化等级分类，在此基础上剖析不同等级间的人机功能差异，并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异，通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究，从道路工程角度及其他道路要素方面回顾该领域的研究现状，指出存在的问题和未来发展方向。研究结果表明：相比传统车辆，配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高，主动安全系统次之，而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括：难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值；测试道路场景条件过于理想，考虑的驾驶自动化等级单一，试验规模和样本有限；道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足，缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议：重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享；联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型，利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试，突破现有研究的深度和广度；探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准，精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。     

基于最大相关准则图像分割的结构化道路路径识别和跟踪算法

为提高基于视觉导航的智能车辆对结构化道路车道标识线的识别和跟踪精度,同时消除车流、阴影和光照不均匀等不利因素的影响,提出一种基于最大相关准则的图像分割算法及基于感兴趣区域的车道标识线跟踪算法:首先,对图像进行滤波和光线补偿等前期处理,采用最大相关准则的图像分割算法对道路图像进行阈值分割;然后,根据车道的结构特征及先验知识提取车道标识线的特征点,并运用最小二乘法对特征点拟合,得到车道模型的参数;最后,通过建立感兴趣区域(ROI)的方法实现对车道标识线的准确跟踪。试验结果表明,该算法具有很好的准确性、实时性和鲁棒性。     

基于3D视觉的机械臂无规则零件抓取系统

为解决机械臂抓取零件定位不准或抓取精度不高的问题，提出了一种基于3D视觉机械臂无规则零件抓取方法，该方法主要包括系统空间标定、零件点云定位分割、零件位姿估计算法模块，提出了基于2D图像的点云相机外参标定方法及基于图像语义分割的零件点云分割方法。经试验验证，所提出的标定方法达到1 mm的系统精度误差，而且求解效率高、通用性强；与常用的聚类分割相比，零件点云分割方法精度及效率更高。所设计的二阶段零件空间位姿计算方法能准确估计零件在空间中的6自由度位姿，相比单一阶段匹配方法精度提高约1.8倍。所提出的基于3D视觉的机械臂无规则零件抓取系统精度高、可扩展性强、适应情形广。     

激光点云建模在公路资产管理中的应用

为了有效解决既有高速公路资产管理困难，无法实现构件级别的实时管理养护，现采用激光点云方式对既有运营高速公路进行路面激光扫描，结合点云信息对道路构件进行单体化建模，建立统一标准体系下的资产管理系统。本次试验以都汶高速公路都江堰至映秀段18 km为示范段，叠加实景模型还原道路场景信息，对单体化模型进行规范的分类编码，对多源异构数据进行分级分类统一组织管理，同时利用空间动态渲染机制，构建资产管理信息平台，为四川交通一张图计划进行探索分析。     

基于边界点分布特征的夜间道路检测算法研究

提出一种在结构化道路情况下的夜间道路标志线检测算法。选择邻域均值滤波、Sobel算子和最大熵分割算法对道路图像进行预处理。结合道路灰度图像与道路边界图像,分析夜间道路边界点的分布特征,将道路边界点划分为到4个点集。针对虚假道路边界点,应用多方向搜索方法予以消除。选用2D的直线模型,采用改进的Hough变换从预处理后的图像中获取道路几何特征参数,最终检测出道路边界。试验结果表明本算法可靠、有效,户外试验中具有很好的鲁棒性。     

基于车载激光点云的道路标线提取方法研究

车载激光扫描近年来被广泛应用于道路环境信息提取及道路三维模型重建方面等工作,然而由于测量数据中包含目标种类繁多、点云数据量大,仍然需要大量的人工处理步骤以实现道路标线等目标的提取,已有研究所提出的自动化目标提取算法在实用性上仍不成熟。基于车载激光点云,利用标线点云的空间分布特点及反射强度信息,结合行车轨迹及标线的位置、高程特征,提出了一种能快速提取道路标线的方法。首先基于点云反射强度指标建立Logistic回归模型,以选取合适的阈值进行标线点分类。其次,利用行车轨迹及标线点的位置、高程特征建立圆柱体搜索区域,并且进行定步长迭代式的标线点搜索。最后,对搜索结果进行分段式最小二乘法拟合并将其转换为CAD三维多段线,从而得到道路标线提取结果。该方法中采用的Logistic回归模型兼顾了标线点的提取率和误判率两大指标,在保证足够提取率的同时,使得误判率尽量低。所提出的定步长迭代式的搜索方法具有极强的适应性,在标线不清晰甚至较大面积缺失的情况下也能准确地提取出道路标线。以Topcon公司生产的IP-S2移动测绘系统为例的试验结果表明:该算法能高效、稳定地提取道路标线、提取精度,以符合工程实践需要。     

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M形深度架构的非结构化道路可行驶区域推荐模型

针对边界模糊、路况多变的非结构化道路，为满足智能汽车在正常、应急等复杂行驶工况下对可行驶区域的视觉检测需求，提出一种在M形深度架构下融合多尺度交互策略和双重注意力机制的可行驶区域推荐模型，能够在复杂驾驶场景中精细分割出非结构化道路的强推荐、弱推荐、不推荐行驶区域。首先，在编码器-解码器的骨架基础上，构建倒金字塔式的多尺度分层输入和分层输出结构，以有效融合非结构化道路的浅层形态学特征与深层语义信息，并平衡模型在不同尺度上的预测偏倚，提升复杂驾驶场景下对多尺度与变尺度目标的分割精度；其次，构建集成通道注意力和空间注意力的跳跃连接结构，使模型在实现编码特征与解码特征高效传递的同时，聚焦于学习与道路可行驶性相关的重要特征，进一步强化模型对非结构化道路的检测性能。通过多种途径构建包含城郊、乡村、园区等真实场景的非结构化道路驾驶数据集。试验结果表明：得益于M形深度架构对多尺度交互策略和双注意力机制的融合，提出的模型在多种真实驾驶场景下均能较好地实现强推荐行驶区域、弱推荐行驶区域、不推荐行驶区域和背景区域的精细分割，平均交并比达到92.46%，平均检测速度达到22.7帧·s^-1；与现有其他主流模型相比，提出的模型兼顾了分割精度和时间效率，在非结构化道路可行驶区域检测任务上有明显优势。     

"道路指纹"关键技术及其在智能车路系统中的应用

针对智能网联汽车与车路协同系统中的高精度定位核心技术问题,提出了"道路指纹"的概念与表征模型,并在"道路指纹"的基础上提出了面向智能车路系统的高精度定位方法."道路指纹"是通过车载传感器数据提取的高稳定性与高辨识度的道路场景特征信息.在"道路指纹"表征模型中,分别从表征的唯一性、计算的快速性、特征的稳定性以及表征的精准性等4个方面完成建模工作.其中,针对表征唯一性需求,提出基于多视角(包括俯视、前视、侧视等)与多传感器的表征方法;针对计算快速性要求,提出了全局特征与语义特征的表征方法;还提出基于深度卷积神经网络(D-CNN)的深度学习特征提取方法,大幅度提高特征表征的鲁棒性;最后,通过提取路面的局部特征,实现特征的精准性(亚像素精度)表征.通过对上述特征进行层次化组织,完成"道路指纹"的表征建模.通过对道路上各个节点进行"道路指纹"计算与建模,并同步获取节点的传感器位姿、场景结构信息,完成道路指纹库构建工作.在定位过程中,首先通过车载传感器获取的数据实时完成"道路指纹"计算,然后通过匹配道路指纹库,完成车辆的高精度位置计算.在开发的"道路指纹"技术基础上,分别从视觉道路指纹定位、LiDAR道路指纹定位以及道路资产管理等3个应用案例给出了该技术的应用前景.所提出的"道路指纹"技术,为解决智能车路系统中的高精度定位问题,特别是卫星信号盲区下的高精度定位问题,提供了一种新的解决思路.