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。      

基于消防安全疏散标志的高精度室内视觉定位

为解决室内交通无法利用GPS进行定位的问题,针对室内普遍存在并且均匀分布的消防安全疏散标志,研究了基于消防安全疏散标志的高精度室内视觉定位算法.以计算当前位置距离地图中最近的1个消防安全疏散标志地点的位姿为目标,利用消防安全疏散标志的颜色特性进行颜色阈值分割.结合方向梯度直方图(HOG)特征与支持向量机(SVM)检测候选框中是否含有消防安全疏散标志,然后用加速鲁棒特征(SURF)全局特征进行特征匹配,利用最邻近(KNN)方法选取全局特征距离最小的K个地点作为候选定位结果.用SURF局部特征进行特征匹配,选取局部特征匹配数目最多的1个地点作为图像级定位结果,并计算当前位置在地图中的位姿.通过在地下停车场和大型办公楼进行实地测试,图像级定位的准确率在96% 以上,平均定位误差在0.6 m以下.实验结果表明,该算法满足了室内定位精度的需求,并具有良好的鲁棒性.      

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

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。     

"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.      

基于双目立体视觉的月球车三维定位算法

为了满足月球车自主导航的需要,提出了1种基于双目立体视觉的月球车三维定位算法。建立了基于双目立体视觉的月球车三维定位系统框架图,并对框架中主要模块进行了分析;研究了图像预处理、特征点提取、特征点的立体匹配、三维重建和特征点的跟踪匹配算法等图像处理环节,以获得月球车运动前后相匹配的环境特征点,并提出了1种鲁棒的月球车位姿变化估计算法。通过实际场地试验验证了算法的有效性。     

基于阈值自适应调整的图像特征均匀分布ORB算法改进

基于相机的无人驾驶汽车视觉同步定位与地图构建(SLAM),可完成无人驾驶汽车的定位与建图.针对传统ORB(Oriented FAST and Rotated BRIEF)算法在提取图像特征点时容易造成冗杂、分布集中的问题,提出一种限制四叉树算法分裂深度的改进ORB (A-ORB)算法.该算法构造图像金字塔解决尺度不变性...     

分布式多车协同视觉SLAM系统EI北大核心CSCD

可靠的定位与导航是实现自动驾驶的先决条件。单车视觉同时定位与建图(SLAM)技术能够在GNSS拒止的情况下实现车辆的定位,但累积误差会随运行时间逐渐增加,难以持续准确完成定位任务。通过多车协同视觉SLAM可以提升定位效果。本文提出了一种鲁棒、轻量化的分布式多车协同视觉SLAM系统,该系统以ORBSLAM2作为视觉里程计,利用NetVLAD全局图像描述子实现多车间共视区域识别和数据关联;提出了一种基于数据相似性和结构一致性的方法,实现多车间闭环离群值剔除;提出了一种分布式位姿图优化方法,提高多车协同定位精度。经过自主搭建平台所采集的真实数据以及KITTI数据集测试,该系统相较于已有的主流视觉SLAM算法以及协同SLAM算法均具有更高的定位精度。     

基于粗模糊神经网络的高速公路路段交通事件识别

高精度、快速的高速公路路段交通事件自动识别将为合理诱导交通流,提高事故救援反应速度提供基础技术支持。设计了一个基于粗模糊神经网络的事故识别算法,用于高速公路路段交通事件识别。首先,利用粗糙集的数据约简技术提取精简的规则,得到系统的原始输入输出数据集。然后,建立交通突发事件识别的模糊神经网络系统,以交通流特征数据及其识别结果作为训练数据集进行系统参数及模糊规则的训练与确定,直到误差在控制范围之内。最后,利用VISSIM软件进行系统仿真检测,检测结果表明系统具有良好的应用性能。     

一种混合视觉的车载激光雷达即时定位与地图构建方法

为提高地图的构建精度,提出一种混合视觉即时定位与地图构建方法.利用相机和激光雷达标定获得具有颜色信息的点云,并对点云数据进行预处理,选取相邻帧点云之间的特征点,制定匹配策略,对匹配点采取未解耦的位姿求解算法,获取两帧间的变换矩阵作为后续帧间匹配的初值.分别利用KITTI数据集和实车试验数据进行验证,结果表明,所提出的方...