基于深度学习的智能车辆视觉里程计技术发展综述

针对基于模型的视觉里程计在光照条件恶劣的情况下存在鲁棒性差、回环检测准确率低、动态场景中精度不够、无法对场景进行语义理解等问题,利用深度学习可以弥补其不足。首先,简略介绍了基于模型的里程计的研究现状,然后对比了常用的智能车数据集,将基于深度学习的视觉里程计分为有监督学习、无监督学习和模型法与深度学习结合3种,从网络结构、输入和输出特征、鲁棒性等方面进行分析,最后,讨论了基于深度学习的智能车辆视觉里程计研究热点,从视觉里程计在动态场景的鲁棒性优化、多传感器融合、场景语义分割3个方面对智能车辆视觉里程计技术的发展趋势进行了展望。     

打开铁路路基的“保护伞”

近来，国家对铁路建设重点扶持的政策正在不断加码，“十一五”规划中的1．25万亿的投资总额已经调整为2万亿，通车里程计划从2005年的7万公里提高到2020年的12万公里。     

山西高速公路实行计重收费

2006年12月9日8时，山西省高速公路开始实行货车计重收费。此次实行的计重收费将改变过去按照车型分类收取通行费的方法，而是依据车货总重量和行驶里程计收车辆通行费。     

基于多传感器的列车里程计定位误差检测及校正方法

城市轨道交通列车运行过程中,轮对空转/滑行和车轮磨损是造成车载里程计测速测距误差的主要原因,因此里程计定位误差的检测和校正主要是对列车空转/滑行和车轮磨损的检测和误差校正。通过城市轨道交通列车定位需求分析以及传感器定位特性分析,在列车里程计基础上引入多普勒雷达,采用二者构建车载组合定位系统。基于H!滤波理论实现两种传感器量测信息的融合处理,得到列车定位参数的最优估计,在此基础上,利用空转/滑行和车轮磨损检测方法完成相关检测并对误差进行校正。仿真试验结果验证了本方法的有效性,达到了模型的预期设计目的,提高了车载定位系统的自主定位能力。     

基于灰色理论的列车组合定位轮径校准方法研究

多传感器组合定位是实现低成本、高精度列车定位的有效方法.本文针对列车车轮磨损导致轮径减小从而影响组合定位系统里程计定位精度的问题,分析列车组合定位系统里程计定位的误差特性,给出利用GPS、惯性定位传感器辅助轮径校准方法,并结合灰色预测理论,提出一种基于灰色理论的轮径校准方法.该方法通过"更新-预测-更新"的过程,在一定...     

基于单目直接法的水下视觉惯性里程计方法

为将视觉惯性里程计(VIO)有效地应用到水下场景中,提出一种适用于自主水下机器人(AUV)执行近距离作业任务时的水下VIO.针对水下环境中缺乏角点以及存在大量重复特征的特点,该系统在视觉部分使用了基于直接法的数据关联方式,在特征点提取过程中将像素点的梯度模作为特征提取的标准;为保证提取出足够多且有效的特征点,采用动态调...     

列车里程计定位方法的研究

分析了几种定位系统在列车定位系统中的适用性，以寻求一种较好的列车定位方法．通过分析发现里程计定位是一种经济、实用的定位方式，但存在一定的记数误差，随后又分析了里程计定位时的误差及其修正方法，并提出新的里程计定位装置．     

基于高斯金字塔的视觉里程计算法研究

针对视觉里程计常用角点提取算法因角点分布不均匀而导致运动信息偏差较大的问题,提出一种基于高斯金字塔的角点提取算法。该算法在角点提取过程中先采用高斯金字塔算法对图片进行尺度压缩,纹理丰富区域压缩纹理,纹理稀疏区域聚集纹理,得到小尺度顶图;然后采用Shi-Tomasi算法提取小尺度顶图角点特征以实现角点粗定位,最后将粗定位信息映射回细节丰富的原图进行角点精准定位,得到图片特征信息。最后,利用金字塔LK光流法追踪角点,根据相机对极几何约束模型恢复运动信息。论文采用KITTI数据集,与原Shi-Tomasi算法、Harris算法、Fast算法进行了对比实验,结果表明本算法可有效改善角点分布均匀性,提高视觉里程计运动信息恢复的精度。     

ERTMS安全性研究--第六篇列车装载ERTMS(ETCS＆GSM-R)系统

欧洲铁路运输管理系统(ERTMS)由地面设备和车载设备组成.欧标司机室(Eurocab)是ERTMS车载设备的通称,包括:中心安全计算机(EVC)、与地面通信的设备(GSM-R)、人机界面设备(显示屏和控制盘, DMI)及与其他车载设备的接口(如制动、位置/速度检测设备等).     

基于激光雷达的自动驾驶同步定位与建图方法综述

同步定位与建图（Simultaneous Localization and Mapping,SLAM）技术可使自动驾驶车辆在未知环境中根据车载传感器采集到的数据估计自身位姿,建立环境地图,为车辆的规划、决策提供定位信息,是近年来自动驾驶技术研究的热点之一。基于车载激光雷达的点云数据,聚焦SLAM技术在自动驾驶领域的应用,围绕前端里程计、后端优化和回环检测技术,对国内外相关研究进行综述。考虑到单一传感器的局限性,结合目前多传感器融合研究的热点与难点,展望了自动驾驶多传感器融合SLAM技术在自动驾驶领域的机遇与挑战。