基于实例分割的有轨电车障碍物入侵检测及轨道识别方法

针对复杂环境下的有轨电车障碍物入侵检测问题,提出了基于实例分割的障碍物入侵检测及轨道识别方法.首先建立有轨电车运行环境数据集;再基于Yolact实例分割模型对数据集的数据进行训练、验证和测试,得到障碍物检测和轨道区域提取模型;最后将待测图像输入模型后输出障碍物轮廓、类别、轨道区域轮廓数据,进而提出障碍物与轨道的相对位置...     

基于三维激光雷达的无人车障碍物检测与跟踪

针对真实交通场景中障碍物的检测与跟踪问题,提出了一种基于三维激光雷达HDL-64E的无人车障碍物检测与跟踪方法。首先对三维激光雷达产生且经路面分割后的点云数据栅格化,并进行栅格增补。在障碍物聚类之后,先利用无人车RTK-GPS数据和INS航向角数据进行多帧融合的静态障碍物的检测,再进一步利用动态障碍物模板匹配算法对静态障碍物检测结果形成的可行驶区域进行动态障碍物检测。最后,利用标准卡尔曼滤波器实现对动态障碍物的跟踪。本文方法应用在自主研发的无人车上的大量实验结果表明,本文提出的方法具备较高的可靠度,满足无人车的环境感知要求。     

采用64线激光雷达的实时道路障碍物检测与分类算法的研究

针对64线激光雷达数据量大,导致无人自主车的障碍物检测实时性差的问题,提出一种兼顾有效性和实时性的目标检测和分类算法。该算法首先通过多特征多层高度地图分离路面、障碍物和悬挂物;然后采用基于动态距离阈值的网格聚类算法对障碍物进行聚类,并结合相邻两个障碍物的运动状态信息对聚类结果进行修正,提高聚类的准确率;最后使用SVM对障碍物进行检测和分类。实验结果表明:该算法最优识别率达89.77%,耗时约为95 ms,在保证检测和分类准确率的基础上,满足无人自主车在道路行驶时检测障碍物的实时性要求,具有显著的工程实用价值。     

基于激光雷达的无人驾驶车前方障碍物检测

无人驾驶车在越野条件下的环境感知技术是其实现自主导航功能的难题.由于越野环境复杂,障碍物种类繁多,对智能车周围环境的探测更是难上加难.选择越野环境下几种典型的障碍物作为检测目标,采用基于激光雷达面扫描的方法获取无人驾驶车前方路面图像信息,根据障碍物对于激光数据的不同特征,检测无人驾驶车前方静止的障碍物,主要包括水塘、石头或陡坡以及树木等.利用激光可直接测得障碍物距离数据的优势,基于投影变换原理进而求得障碍物的长、宽或高等三维信息.     

基于Jetson TX2的路面裂缝检测系统设计

针对目前采用深度学习框架的路面裂缝检测方法存在落地应用难、成本高与效率低等问题，设计了基于Jetson TX2的路面裂缝检测系统。通过YOLOv5网络识别路面裂缝，使用U-Net网络对裂缝目标进行分割，并根据分割结果进行路面健康评价；其次，利用TensorRT方法优化深度学习模型，提高推理速度；最后，结合DeepStream框架设计路面视频流分析系统并部署到Jetson TX2嵌入式平台。实验结果表明：路面裂缝目标检测模型对横向、纵向和网状裂缝3种路面常见路面裂缝的检测精度均达到了90%以上，且模型优化后的推理速度为30.7 ms/帧，速率提升35.1%;最后经过验证，Jetson TX2嵌入式平台的裂缝漏检率较低且满足路面裂缝检测的实时性，能够降低路面裂缝检测的成本，给出相应的维修建议，提高路面裂缝检测效率与自动化程度。     

野外环境下基于改进 Faster R-CNN的无人车障碍物检测方法

针对无人车在越野环境中障碍物检测存在特征提取能力不足和检测准确率低等问题,提出一种基于改进型Faster R-CNN卷积神经网络模型的障碍物检测方法。通过构建FPN与ResNet50组合的网络结构来实现对野外障碍物的特征提取,有效解决了特征提取时障碍物细节特征丢失和尺度变换大的问题。使用Soft-NMS代替NMS,避免了NMS非极大值抑制由于阈值难调整带来的误删除和误检问题。在每个卷积层残差块最后嵌入注意力机制,有助于特征图中有效特征信息筛选和减小计算量。试验结果表明,构建的改进型Faster R-CNN卷积神经网络模型可准确识别野外环境中的障碍物,从而验证了该模型有良好的检测能力,对提升无人车的野外感知能力具有重要意义。     

智能车辆非结构化路面障碍检测

为在非结构化路面条件下进行有效障碍检测,提出一套利用雷达和图像进行一般障碍特征提取的算法和一种利用多层技术专门适用于负障碍检测的轮廓提取方法.然后讨论通过双传感器融合进行障碍物识别的方法和框架.最后通过实车试验验证整套检测算法的准确性和可靠性.     

基于机器视觉的智能车辆障碍物检测方法研究

着重阐述基于机器视觉的前方车辆障碍物检测方法，首先根据公路上前方车辆的先验特征模型，建立障碍物探测的感兴趣区，以缩小搜索区域，随后提出一种新的对称变换算子，用于检测障碍物车辆的对称轴，并确定障碍物车辆的矩形轮廓，为进一步提高障碍物检测的实时性，采用递归模板匹配法对障碍物进行跟踪，试验表明上述方法是有效的。     

基于深度学习和虚拟模型的路面全域伤损状态自动化感知

路面全域伤损的有效感知是全面、系统地实施维护决策的关键依据。提出一种基于深度学习和虚拟模型的路面全域伤损状态自动化感知方法。该方法首先基于无人机实测数据建模生成路面虚拟实体；然后使用深度语义分割网络从实测数据中精细化地检测路面伤损；最后，将输出的伤损特征检测结果与虚拟实体数据进行匹配和UV映射，获取各个伤损在虚拟空间中的定位信息并逐一部署，得到面向路面全域的伤损状态感知模型。结果表明：在现场实测统计长为236 m,宽为20 m的实际路面区域试验研究中，充分训练的U-Net网络的平均交并比(MIoU)达到0.86,显示出对无人机采集到的路面伤损区域极佳的分割精度。建立的路面伤损状态感知模型有效感知实际存在的伤损91处，与传统的二维检测结果相比，能够更加系统地对路面全域伤损进行全局表征，便于高效地推断伤损的特征和位置信息，实现精准、动态的路面服役状态评估。     

基于深度学习的公路路面病害智能化检测系统

公路交通对国家政治、经济发展有着重大的作用。随着公路的快速发展,公路安全问题也应得到更多关注和维护。传统的公路路面病害人工检测法效率低下且准确率低,因此,提出了基于深度学习的公路路面病害智能化检测系统。首先,在异常检测阶段,构建卷积编码器从大量公路路面图像中提取出病害图。其次,在异常提取阶段,利用阈值分割法提取公路路面病害特征。最后,在公路路面病害分类阶段,利用ResNet结构训练模型来确定公路路面病害所属的分类。结果表明,该方法一次模型训练约3 min,且分类准确率在90%以上。