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。     

基于自注意力机制的自动驾驶场景点云语义分割方法

对车载激光雷达场景点云进行语义分割是自动驾驶环境感知环节的基础性工作。针对现有处理大规模自动驾驶场景点云方法对局部特征提取能力不足和难以捕捉全局上下文信息的问题,本文基于自注意力机制设计了局部和全局自注意力编码器,并搭建了特征聚合模块进行特征提取。实验结果表明,与同样采用局部特征聚合的网络RandLA-Net相比,在SemanticKITTI数据集上本文的方法可将平均交并比提升5.7个百分点,局部自注意力编码器的加入也使车辆和行人等小目标的分割精度提高2个百分点以上。     

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...     

车载激光雷达的应用算法

伴随着无人驾驶领域的迅速发展,激光雷达（LIDRA）在这一行业上的应用越来越广泛。激光雷达的快速发展,为智能网联汽车在目标跟踪与识别等方面提供了另一种方式。文章以车载激光雷达在自动驾驶行业上的应用为切入点,介绍了车载激光雷达的三种应用算法。目标跟踪与识别算法,通过目标跟踪算法对障碍物运动状态做出估计和预测,实时评估障碍物和无人驾驶车辆的安全等级,作出相应的决策。即时定位与地图构建（SLAM）相关算法,应用于解决机器人在未知环境中定位自身位置和姿态的一种高级算法。点云分割往往是物体识别、地图构建的基础,通过对六种常用分割算法的描述,分析了算法各自的特点,为不同应用场景算法的选择提供了一定参考。     

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...     

一种基于语义分割结果的车道线检测拟合方法

车道线等地面标志物的检测是自动驾驶车辆环境感知的重要内容,能够为车辆提供可行驶区域的信息。文章提出一种基于语义分割结果的车道线检测拟合方法。使用车载单目相机获取车辆行驶过程中采集的道路图像,送入卷积神经网络进行车道线语义分割。将分割得到的仅含车道线的二值图像进行透视变换得到鸟瞰图,筛选有效车道线像素点,对有效车道线点使用最小二乘法进行多项式拟合,输出左右车道线多项式拟合系数,能够有效解决传统车道线检测算法的环境适应性差,鲁棒性不强,对弯道车道线检测信息不够准确等问题。     

基于卷积神经网络的逆变器故障诊断方法

针对车用永磁同步电机驱动系统在长期运行过程中存在的逆变器故障风险,本文中提出了一种基于卷积神经网络的逆变器故障诊断方法.首先,对三相定子电流数据进行标幺化和单位电周期电流数据筛选处理,降低电机驱动系统变转矩、变转速工况对故障诊断效果的影响;然后,结合卷积神经网络,发挥其提取故障特征和抗噪优势,实现逆变器故障诊断.在MA...     

激光雷达的内参建模与点云修正方法

本文中建立了一种针对机械式激光雷达参数较少的内参模型;考虑到偏心结构对于点云的影响,提出了角度修正和距离修正两种点云修正方法,对两种方法的修正效果进行仿真,并通过实际点云加以验证.最后还用位姿估计算法验证修正算法的有效性.     

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。     

融合影像信息的LiDAR点云滤波

传统的LiDAR点云滤波方式都是基于点云本身利用其高程突变信息进行滤波和分类,仅依靠单一的数据源难以达到良好的滤波效果.文中融合影像信息的LiDAR点云数据滤波,通过影像分割后,提取分割对象内的形状和光谱信息,将矢量空间对象与点云套合后建立决策树辅助滤波.文中对建筑物、道路密集区进行试验,取得了较好的滤波效果.     

基于改进深度卷积神经网络的车辆检测方法研究

基于视觉的车辆检测作为辅助驾驶系统的输入,对智能车辆预警和决策起着重要的作用。针对目前传统深度卷积神经网络在基础网络设计和物体检测网络构建的不足,提出一种对经典的深度残差网络进行改进方法,提出带局部连接的残差单元,并以此构建带局部连接的残差网络;同时,提出基于共享参数的多分支网络和双金字塔语义传递网络形式,提升不同语义级别特征融合前的语义级别,以及实现深度融合不同分辨率特征图的语义。经过测试,车辆的检测准确率最高达到95.3%,且具备较高的实时性和环境适应性。     

基于语义分割与道路结构的车道线检测方法

车道线的准确检测对于智能辅助驾驶和车道偏离预警系统的性能有着非常重要的作用,当前的传统研究方法普遍存在对复杂道路环境的适应性不够,检测精度有待提高等问题。针对复杂交通环境的车道线检测问题,充分考虑到复杂道路结构的语义信息,提出了1种基于语义分割与道路结构的车道线检测方法。该算法采用Encoder-Decoder的基础网络结构模式,通过改进实现语义分割,利用池化层的索引功能,以反池化的方式进行上采样,在每个上采样之后连接多个卷积层。然后再使用标准交叉熵损失函数训练分割网络,利用深度学习方法得到排除外部环境干扰的道路分割图像,并对分割后的道路图像进行透视变换,采用Hough变换和边缘点的参数空间投票,快速提取和修正车道线左右边缘点,将提取的边缘点进行贝塞尔曲线拟合,实现车道线的平滑显示。提出的算法在相关车道线数据集上进行了训练和测试,与基于参数空间投票方法相比,准确度提升5.1%,时间平均增加了8 ms;与卷积神经网络（convolutional neural networks,CNN）方法相比,准确度降低了1.75%,时间平均减少了6.2 ms。测试结果表明,利用提出的语义分割编解码网络有助于优化模型结构,在满足实时检测要求的基础上降低了对计算硬件资源的需求。     

基于卷积神经网络的道路多目标检测方法

得益于数字图像处理技术快速的发展和计算机硬件性能的提高,基于机器学习和深度学习的图像处理技术,成为智能驾驶视觉感知的重要支撑.为了在实际道路环境中持续高效的检测道路目标,文章利用了YOLO神经网络作为主要检测框架.使用卷积神经网络可以同时捕捉到目标的底层和高层特征.物体的底层特征可以符合人的视觉感知特征和主观感受,确定...     

基于卷积神经网络的锚杆锚固质量评估方法

锚杆的锚固质量通常使用声波反射法进行检测,然后使用人工方式对其进行分析和分类,但人工方式不仅具有较强的主观性,而且还费时费力。为解决上述问题,提出一种基于Alexnet卷积神经网络的锚杆锚固质量评估方法。首先,对已经经过人工分类的声波反射信号进行预处理,得到原始样本数据,并将其按一定比例划分为训练集和测试集;然后,用该样本数据训练卷积神经网络模型并进行分类测试。试验结果表明： 1）该预处理方法极大地提高了最后分类的准确性,样本数据集达到了约90%的准确率; 2）在实际工程应用中,与人工分类结果相比,采用该方法得到的分类结果认可度达到95%。     

基于云理论的路网可靠性评估方法

以科学评估路网可靠性为目标,认为该问题涉及到对路网可靠性的认知和表达两个方面。视路网可靠性为模糊性与随机性的统一,从而发现其理论基础同云理论有着内在联系,进而采用云理论研究路网整体可靠性的评估。根据路网综合失效的严重程度,将路网可靠性划分为6个等级,将影响可靠性的因素划分为5大类别,并采用路网综合性能模型对5个类别的影响因素进行衡量、对路网可靠性所属等级进行评判。鉴于人脑的思维是对路网可靠性认知与表达的主体,而自然语言是思维的载体,故以语言值来表示可靠性的定性概念与其定量数值之间的不确定性转换,并通过应用分析描述了该方法的应用过程。     

基于卷积神经网络的双行车牌识别系统

目前,车牌识别发挥在众多应用程序和许多技术已经提出。但是,他们中的大多数可以仅适用于单行车牌。在实际应用程序方案,也有现有的许多多行车牌。传统方法需要对双行车牌的原始输入图像。这是一个非常复杂场景中的难题。为了解决这个问题,我们建议一个端到端的神经网络为两个单行和双行车牌识别。是的原始输入车牌图像的分段。我们查看这些整个图像作为一个单位在要素映射后直接深度卷积神经网络。大量的实验表明我们的方法是有效的。     

交通冲突量的BP神经网络预测方法

交通冲突预测是进行交通事故预防和制定安全改善措施的有效手段，节约观测时间和人力。针对BP网络的缺点，提出了改进的快速BP算法，建立了交通冲突量的BP神经网络预测方法，并应用该方法对具体的交叉口交通冲突量的预测实例进行了研究，实践验证了该方法的有效性。     

基于云理论的公路网交通适应性评价方法

公路网的交通适应性既存在模糊性也存在随机性,但目前国内公路网交通适应性评价方法只侧重其中的某一方面,这显然是欠科学的。基于模糊理论和概率论的云理论具有同时处理模糊和随机问题的能力,并且过程简单,容易实现。研究了如何应用云理论来处理公路网交通适应性评价过程中的模糊性和随机性问题,设计了具体的评价步骤,并以湖北省恩施自治州和黑龙江省公路网为例给出了如何应用云理论进行评价的过程,评价结果表明与实际情况相吻合。与传统评价方法相比,本文提出的方法非常便于评价公路网的交通适应性,并且具有在给出评价结果的同时还能给出评价结果可信度信息的优点。