基于手眼模型的自动驾驶毫米波和激光雷达联合标定研究

为了提高自动驾驶汽车传感器的校准质量,增强自动驾驶系统对目标的精准感知能力,提出了基于手眼模型的毫米波和激光雷达联合标定方法。首先,利用毫米波雷达的内在结构特征建立数学模型,对毫米波和激光雷达传感器的外部参数进行精确计算,确保在统一的世界坐标系中。然后利用手眼模型作为融合分析的基础,实现了毫米波和激光雷达的联合标定。最后,在自动驾驶小巴车平台上进行了标定试验,利用该标定系统得到标定结果的三维位姿关系,并验证了自动驾驶小巴车传感器数据的准确性。研究结果表明,该方法测距误差均值为0.01 m左右,传感器旋转角度可以精确到1°左右,可以满足汽车自动驾驶系统中雷达感知精度的要求。     

基于相机与激光雷达融合多目标检测算法研究

准确的多目标感知系统是自动驾驶技术的关键。本文提出了一种基于相机与激光雷达融合的多目标检测算法。针对相机传感器无法获得准确的目标距离等深度信息,激光雷达无法获得准确的目标类别信息的问题,首先采用嵌入自适应特征融合模块的YOLOv7网络处理相机数据,同时对激光雷达数据进行点云预处理以消除无用的噪声点;其次,利用坐标变换将激光点云数据和相机数据转换到像素坐标系中;最后,采用基于ROI感兴趣区域的方法对点云进行聚类处理,以参数加权的方式融合两种传感器的检测结果。实验结果表明,嵌入改进YOLOv7网络的融合算法能够检测出更加准确的目标信息。     

基于ROS的自主跟随智能小车的设计

设计了一款具有自动跟随功能的智能小车,该小车以树莓派为上位机主控制板,Arduino UNO板为下位机辅控制板,搭建上位机和下位机的通信架构,激光雷达在未知的环境中获得自身位置信息、目标物体位置信息,上位机获取处理的目标位置信息,发送命令到Arduino UNO板,Arduino UNO板通过接收树莓派传来的信号并给予电机驱动板信号,控制小车实现自动跟随目标物体。通过测试,该智能小车能够跟随前方的目标进行移动、改变方向等功能。     

竞逐雷达赛道，恩智浦单芯片4D毫米波雷达方案有何优势？

<正>随着自动驾驶之争回归理性,未来多年,行业会将更多目光聚焦在L2+级别自动驾驶。就像比亚迪董事长王传福说的那样,高级辅助驾驶才是未来的发展方向。要想实现无限接近L3的L2+自动驾驶,更强的ADAS感知水平是必不可少的。在这其中,摄像头的重要性不待多言,激光雷达不一定是必选项,但更先进的毫米波雷达一定是刚需。摄像头可以识别物体、图案和颜色等信息,激光雷达对目标的距离感知更精准,但这两种传感器受雨、雪、     

“智能化”驱动下，激光雷达有望迎来放量期

<正>激光雷达从21世纪初引入汽车领域，随着ADAS渗透率的提升而迎来快速发展。激光雷达最先用于地图测绘领域，高精度要求使得激光雷达成本居高不下。随着之后的发展，激光雷达领域企业不断增多，激光雷达的产品性能稳步提升，成本大幅下降，行业也迎来了长足的发展。激光雷达产品成熟度持续提升激光雷达是一种通过脉冲激光照射目标，并用传感器测量反射脉冲返回时间来测量目标距离的测量工具。其工作原理是向目标发射探测信号（激光束），然后将接收到的从目标反射回来的信号（目标回波）与发射信号进行比较，进行适当处理后，可获得有关信息，从而对周围环境进行探测、跟踪和识别。它由激光发射机、光学接收机、转台和信息处理系统等组成。其核心优势在于利用激光的高频特性进行大量、高速的位置及速度信息测量，形成准确清晰的物体3D建模。     

突出“四个精准”举措全力推进汽修人才教育培养

随着汽车产业的迅猛发展,对成渝地区经济形成了极大的促进,高质量高素质的技能型汽修人才的需求量不断增加,成为中职汽车专业现阶段人才培养的主要方向。中职院校需要围绕“四个精准”教育目标开展教育教学活动,力求通过校企合作等方式,调整学校的课程结构设置,培养专业的理想人才。本文以汽修人才培养为研究方向,围绕“四个精准”目标开展论述,重点阐述汽修人才培养路径,以期能够实现成渝地区汽车产业的协同发展。     

基于改进DBSCAN算法的激光雷达目标物检测方法

传统的DBSCAN聚类算法是基于密度的聚类算法,原始算法在搜索精度和搜索效率上存在一定的局限性。基于LUX4线激光雷达数据点的点云特点,结合DBSCAN算法存在的不足与路面目标物的实际情况,提出了1种基于改进的DBSCAN聚类算法,选取4个代表点取代对所有点的搜索和改进搜索半径使其随扫描的距离而变化的方法,实现激光雷达目标物的快速、准确检测。通过改进DBSCAN算法对雷达数据进行去噪声和聚类处理,根据检测物在激光雷达探测中的形状特征模型进行形状匹配。实验结果表明该改进算法能较好的识别出目标物,行人检测率由原始算法的61.90%提高到了80.95%,搜索时间较原始算法缩短了44.7%,解决了原始算法精度低、搜索慢的缺点。     

基于三维激光雷达的动态障碍物检测和追踪方法

为解决无人驾驶车辆在城市路况下对多个动态障碍物同时检测和跟踪的关键问题,提出一种基于三维激光雷达的多目标实时检测和跟踪方法。通过对单帧激光雷达点云数据进行聚类,提取障碍物外接矩形轮廓特征;采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联;利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。试验结果表明,该算法能够在自行搭建的智能车平台上以每帧100 ms的速度准确、稳定地检测和跟踪。     

智能网联汽车激光雷达传感器常见故障诊断

<正>激光雷达传感器是智能网联汽车重要的感知元件,激光雷达传感器主要用于探测远距离障碍物,通过扫描障碍物信息生成点云图,然后通过网线最终将障碍物信息传输至智能网联汽车自动驾驶处理器中,配合智能网联汽车其他传感器实现汽车智能驾驶功能。激光雷达传感器被认为是智能网联汽车的“眼睛”,是一种远距离传感器,由1个圆柱形接口连接至激光雷达传感器接线盒,激光雷达传感器如图1所示。     

自动驾驶回归理性，激光雷达市场加速洗牌

<正>一颗、两颗，甚至三、四颗激光雷达，能够给市面上的量产高级辅助驾驶系统带来多大的提升？在2023年的当下，答案已经很明显了。激光雷达，车企不卷了对于L3以下的自动驾驶，激光雷达的定位有些尴尬。刚需肯定谈不上，那么多摄像头+毫米波雷达的方案照样玩得转。而4D成像雷达的涌现，也被很多人认为是激光雷达的平替。持币观望的消费者，大多已经不会为看似没发挥多大作用的激光雷达而掏钱包。     

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。     

基于雷达测距的车辆识别与跟踪方法

本文中提出了一种基于雷达测距的车辆识别与跟踪方法,以准确地识别道路上的车辆目标。首先对采集到的每帧数据采用自适应距离阈值的方法进行聚类分析。在聚类内部采用端点迭代拟合算法提取线段,在此基础上得出目标的特征向量,并据之识别车辆目标。然后通过计算特征向量的代价函数进行多目标关联,利用卡尔曼滤波器根据关联结果更新目标的状态。最后,以智能车辆BJUT-IV配备LMS291激光雷达在校园道路上对本方法进行验证测试,结果表明,提出的方法能够准确地对多个行驶车辆进行跟踪。     

MICROVISION推出动态视图激光雷达MAVINTM DR可实现ADAS安全功能

<正>据外媒报道,MEMS固态激光雷达和高级驾驶辅助系统(ADAS)解决方案领导者MicroVision,近日发布了新款动态范围激光雷达系统MicroVision MAVIN^TM DR。该系统有助于实现全新的ADAS安全功能,以满足自动驾驶车辆看得更远、更清晰、更快响应新场景的需求,为汽车OEM厂商提供更友好设计的同时,实现高速行车安全。     

激光雷达技术研究现状及其应用

激光雷达是一种各领域广泛应用的环境感知传感器,随着自动驾驶技术发展,更是成为自动驾驶车辆核心的建图定位设备。本文主要概述了国内外激光雷达的研究现状,分析并对比了三角测距和TOF两种激光雷达实现原理,讨论了目前主流厂商的测试标准,介绍了激光雷达技术的在气象观测、城市建设、交通运输的主要应用,为激光雷达的技术研究和产业化发展提供参考依据。     

法雷奥发布第三代激光雷达

正法雷奥作为高级驾驶辅助系统(ADAS)的全球领导者,于11月23日正式发布第三代扫描激光雷达(LiDAR),该产品将于2024年投放市场。这项技术能够显著提高驾驶辅助系统的性能,使得自动驾驶成为现实,同时极大地提高了道路安全水平。法雷奥第三代激光雷达性能全面提升,实现450万点频和每秒25帧的速度重建车辆周围环境,并实时生成3D图像。     

Velodyne Lidar:让汽车驾驶更智能高效

<正>众所周知,激光雷达因其强大的环境感知能力被推举为自动驾驶不可缺少的传感器。而近年来,随着全球各地自动驾驶研发过程的推进,激光雷达市场已经逐渐打开。Velodyne Lidar作为激光雷达领域的"老大哥"在2019上海车展上展出了其家族产品,包含3款主推的激光雷达,分别是可隐藏固态激光雷达Velarray、宽视角短程激光雷达Vela Dome和高分辨率远程激光雷达Alpha Puck。Velarray是Velodyne第一款固态激光雷达,首次于2018 CES     

基于运动约束的激光雷达与车体坐标系旋转参数标定

激光雷达是智能网联汽车环境感知的重要传感器,多坐标系空间标定是激光雷达精准环境感知的前提条件。针对激光雷达与车体坐标系空间同步面临传感器观测单一的问题,提出基于激光雷达与车辆的平面运动和直线运动约束2步标定方法。为构建运动约束,基于激光里程计获取激光雷达运动位姿信息,通过激光雷达运动轨迹信息和时域上多帧地面平面拟合信息进行平面行驶识别,在满足平面路况下构建平面运动约束标定,进而标定横滚角与俯仰角;基于俯仰角和横滚角对车辆轨迹进行修正,通过激光运动轨迹建立直线行驶判别模型判别车辆运动状态,在满足车辆直线行驶路况下构建直线运动约束,从而标定偏航角。最后,在智能驾驶试验车上开展了激光雷达与车辆坐标系标定的实车试验,通过实车采集的数据验证了提出的空间同步方法的可行性。试验结果表明：提出的激光雷达与车体坐标系标定方法优于基于标定物的方法,在原始数据上可以保证标定后的旋转误差降低至0.61,误差率降低约47.4%。在手动调整的扩充数据上标定后的旋转误差降至1.64,误差率降低约40.6%。相对于基于标定物的方法,其旋转误差均有降低且不需要借助特定的标定物与标定场,降低了对环境的依赖程度。同时通过消...     

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。     

智能驾驶的全产业链梳理报告之感知层(一)

<正>感知层主要包括摄像头、超声波雷达、毫米波雷达和激光雷达等。摄像头市场空间广阔;超声波雷达已经逐步实现国产替代;国内外毫米波雷达市场仍将保持快速增长;激光雷达的量产元年到来,多款搭载激光雷达的车型将在2022年量产,国产供应商存在弯道超越的可能。     

智能车辆仿真场景建模方法

为实现智能汽车仿真开发与测试,需构建高逼真度的道路场景模型,应包含分别用于视景仿真、动力学及物理特性仿真、激光雷达等传感器仿真的多种类型场景内容.分析了不同类型仿真对场景模型或数据的需求,探讨了视景模型、物理层模型、传感层模型的内容,归纳了3类模型的数据特征;研究了智能汽车仿真场景建模方法,即根据道路线形建立道路模型,在此基础上分别建立上述3类模型;讨论了建模的步骤、方法,并给出了场景模型结构的组织方案.使用该方法建立了1个区域的道路场景模型,并在仿真系统中进行验证,结果表明,视景仿真平均帧速率为60帧/s,激光雷达仿真周期为8~12 ms,道路高程及物理属性的获取时间低于1 ms,证明场景模型能够满足实时仿真的要求.