基于多传感器信息融合的障碍物感知追踪系统设计

自动驾驶系统是指采用先进的通信、计算机、网络和控制技术,对车辆实现实时、连续控制。自动驾驶研究领域中,对车身周围障碍物的感知追踪是自动驾驶车辆安全行驶的基础和前提。因此,重点研究了基于激光雷达、IMU、北斗卫星信号多源信息融合的障碍物感知与追踪系统。利用激光雷达提供的三维点云数据划分最大最小高度差栅格实现自动驾驶车辆周围的障碍物感知功能。基于激光雷达点云的障碍物感知算法中,针对特殊的悬空类型障碍物,采用高度划分的点云栅格中的点云概率密度作为悬空障碍物是否能够通行的判断依据,能够有效提升障碍物感知系统的鲁棒性。利用IMU和北斗卫星信号紧耦合方式实现自动驾驶车辆的轨迹跟踪,从而利用车辆运动状态信息结合匈牙利匹配算法实现多传感器信息融合的障碍物追踪功能。在基于多传感器信息融合的障碍物感知追踪系统中,利用IMU和北斗卫星紧耦合方式得到的转移矩阵信息去除由于车辆运动造成的激光雷达点云畸变,从而提升车辆障碍物感知追踪系统的准确度。通过实际采集得到的激光雷达、IMU及北斗卫星数据验证了提出的基于多传感器信息融合的障碍物感知追踪系统的有效性和实用性。     

6G车联网络面向多源感知的数据融合技术

为满足未来自动驾驶车辆全方位、高可靠的感知性能需求，6G需要对不同维度、来源、颗粒度的多源感知数据进行实时传输与全局融合处理。然而，由于激光雷达、摄像机易受环境影响，毫米波雷达分辨率有限，不同车辆多视角点云姿态估计不准确等问题，分布在车联网络中的多源感知数据难以实现精确融合，同时有限通信带宽难以支撑海量感知数据的协同共享。为此，基于通信-感知-计算融合(通感算融合)的思想，提出了一种6G车联网络面向多源感知的数据分级融合处理方法。首先车侧借助于激光雷达、毫米波雷达与摄像机之间的空间校准，实现多传感器优势互补的深度融合，之后多车自组织成簇，采用ICP算法融合多车感知数据，并通过压缩去冗处理降低通信上传开销，最后路侧在无线感知辅助下，通过两步配准方法实现多源感知数据的全局融合。通过搭建仿真平台对所提方法进行性能验证，仿真结果表明所提多源感知数据分级融合方法可在通信开销较小的前提下保证感知精度，扩展车联网络感知范围和感知维度，并能保证恶劣天气下感知可靠性。     

融合超宽带与激光雷达的室内SLAM方法实现

室内自动驾驶过程中，需要对车辆主动进行定位。在开阔的室外空间中全球导航卫星定位系统(GNSS)可以提供定位信息，但是在室内环境中，受到建筑物的干扰，GNSS信号丢失导致定位精度降低，室内自动驾驶的安全性能降低。为了解决这一问题，本文提出了融合激光雷达(LiDAR)和超宽带(UWB)的自动驾驶同步定位与建图(SLAM)方法，通过引入UWB定位因子作为位置约束，融合激光雷达采集的点云数据，在LEGO-LOAM(轻量级即时定位与建图方法)上进行改进。实验结果表明：本文的改进方法可以有效抑制建图过程中高度上的漂移，提高了室内定位的准确性，增强了室内环境中自动驾驶的稳定性。     

复杂生物传感网络的节点优化定位模型仿真

根据复杂生物传感器网络节点的定位和数据监测的需要,构建生物传感网络的模型,设计了基于强跟踪滤波的集中式扩维量化融合算法.该算法采用预加重方法补偿节点之间的系统功率衰减,通过动态跟踪信号功率的变化,得到传感器融合中心最终的节点定位状态信息矩阵;通过强跟踪滤波,提高抗干扰能力,实现传感网络节点定位模型改进.结果表明,采用该算法进行复杂生物传感网络节点定位,能有效提高节点定位的准确性,定位误差较小,定位时间较快,稳健性和抗干扰性较好.     

感知-通信-计算融合的智能车联网挑战与趋势

针对单车感知无法满足未来自动驾驶安全需求的现状,面向多车传感器信息融合与时效性共享问题,提出了基于感知-通信-计算融合的智能车联网方法与解决思路。该方法有助于提高自动驾驶车辆的协同环境感知能力,并通过移动边缘计算(MEC)技术降低车间感知信息传输负载,提高多车协同的信息融合与处理效率,最终实现基于多车智能协同的安全自动驾驶。     

实时感知型激光雷达多通道数据采集系统设计

激光雷达是实现环境实时感知的重要传感器,针对多通道感知激光雷达数据量大、数据传输解算实时性要求高及量体裁衣高效小型化的迫切需求,基于自研采用可靠的机械扫描、阵列探测和数据采集控制相结合的多通道激光雷达,设计实现了基于FPGA和DSP的多路并行信号采集处理系统,并在点云三维实时成像中得到了验证。该数据采集处理系统中的FPGA负责多通道激光雷达数据控制采集以及数据传输,DSP负责对数据进行解析处理并通过网口将点云数据上传到上位机,实现点云实时显示。实际测试结果表明,该数据采集处理系统能够满足多通道激光雷达2 Mpts/s的大数据量点云解析,并保证20 fps以上实时数据的可靠采集传输,实现周围环境和障碍物激光雷达点云的快速解算,可应用于自动驾驶、导航避障、周界安防等领域。     

一种基于多普勒特征的障碍物检测方法

目前无人地面车进行地形障碍物检测主要依靠以激光雷达为主的多种传感器,而对利用毫米波雷达进行检测的方法研究较少。文中介绍了采用毫米波雷达进行障碍物检测的总体思路和雷达参数的选择;描述了多普勒频移与障碍物高度的关系;分析了平坦地面、凸出障碍物和壕沟的高度像特征,并在此基础上提出一种利用多普勒特征估算障碍物高度以及对障碍物进行分类的方法。仿真结果表明,只要雷达满足频率分辨力的要求,文中算法具有良好的可行性。     

一种深度学习辅助的探地雷达定位方法

在恶劣条件下,例如在雨、雪、沙尘、强光以及黑夜等环境下,自动驾驶方案中常用的视觉和激光传感器因为无法准确感知外界环境而面临失效问题。因此,该文提出一种通过深度学习辅助的探地雷达感知地下目标特征用于车辆定位的方法。所提方法分为离线建图和在线定位两个阶段。在离线建图阶段,首先利用探地雷达采集地下目标的回波数据,然后使用深度卷积神经网络(DCNN)提取采集的地下回波数据中的目标特征,同时存储提取的目标特征和当前地理位置信息,形成地下目标特征指纹地图。在定位阶段,首先利用DCNN提取探地雷达采集到的当前地下回波数据中的目标特征。然后基于粒子群优化方法搜索特征指纹地图中与当前提取的目标特征最相似的特征,并输出该特征的地理位置信息,作为探地雷达定位车辆的结果。最后利用卡尔曼滤波融合探地雷达定位结果和测距轮测量的里程信息,得到高精度的定位结果。实验选取地下目标丰富的场景和实际城市道路场景来测试所提方法的定位性能。实验结果表明,与单一使用探地雷达原始回波数据地图的定位方法相比,深度学习辅助的探地雷达定位方法能避免直接计算原始雷达回波数据间的相似度,减少数据计算量以及数据传输量,具有实时定位能力,同时特征指纹地图对回波数据的变化有鲁棒性,因此所提方法的平均定位误差减少约70%。深度学习辅助的探地雷达定位方法可作为未来自动驾驶车辆在恶劣环境下感知定位方法的补充。     

6G车联网络通感融合方法与性能仿真

为了满足自动驾驶、远程驾驶等未来6G车联网应用对高速率、低时延传输以及高精度感知的性能需求，业界提出将无线通信与无线感知功能进行融合，在6G车联网络中实现无线传输与感知定位极致性能的同时满足。提出了一种基于通信感知信号时频域正交体制的通信感知融合方法，采用OFDM通信信号完成对目标的探测、定位，并利用短窗化矩阵分解参数估计方法完成对探测目标的感知信息提取。同时，搭建了系统级仿真平台对不同的时频资源配比下所提方法的通信/感知性能进行了评估，分析了所提融合方法下通信感知性能间的相互影响，并给出通信感知性能折中的设计方案。     

激光雷达与相机自适应紧耦合的同时定位与建图算法

同时定位与建图（SLAM）是自动驾驶的基本要求之一。多传感器融合，尤其是激光雷达和相机的融合，对于自动驾驶来说是必不可少的。其中，如何针对各种场景调整不同传感器的置信度是关键问题，基于此，提出一种自适应紧耦合的激光雷达相机融合的SLAM(AVLS)算法。首先，所提AVLS算法建立在基于滑动窗口的因子图上，包含提升整体算法精度和鲁棒性的灵活深度关联和弹性初始化等模块。其次，为了充分探索激光雷达和相机在不同环境中的性能，采用一种基于先验知识的动态加权方案。最后，将所提AVLS算法在两个公开的大规模自动驾驶数据集上进行了全面实验，包括与经典算法的对比及消融实验，实验结果表明，AVLS算法的鲁棒性和精确度可以达到目前领先水平。     

一种具有全局定位能力的移动机器人传感混合算法

基于激光雷达(LiDAR)的移动机器人定位,由 于其传感反馈维度低,难以实现精确 的场景识别。尤其是在几何特征重复的环境中,全局定位更难以实现。基于该问题,提出了 一种基于传感融合的移动机器人定位系统,该系统具有全局定位的能力。 基于LiDAR和视觉 传感器的传感融合,利用视觉传感器引入的丰富信息和LiDAR的鲁棒几何信息反馈,实现可 靠的全局定位。本系统构建用于环境表达的混合栅格地图,并且利用视觉全局描述符以加速 定位收敛,结合姿态优化算法以提高定位精度。此外,引入截断触发机制实现对跟踪定位的 监督。经实验验证,本文提出方法的表现与现有定位系统比较,具有更强的定位收敛能力。 同时,所提出的传感混合算法能够成功处理全局定位问题,提高系统鲁棒性。     

多传感器融合的激光雷达点云矫正与定位方法

针对单一传感器难以解决激光雷达在运动场景中因为点云畸变和误差累积产生的运动失真与定位精度差的问题，提出一种融合惯性测量单元数据和轮速计数据的激光雷达点云畸变矫正与定位方法。首先，以激光雷达数据为时刻基准，利用积分的方法对惯性测量单元和轮速计的数据进行预处理；之后，将融合数据与激光雷达数据融合，以矫正产生畸变的激光点云；最后，利用线性插值的方式来保证传感器间数据的时间同步，并将计算的位姿作为里程计迭代计算的初值，降低计算复杂度并提高里程计的定位精度。实验结果表明，相比没有采用多传感器融合的传统方案（LOAM、FLOAM），在公开数据集实验中，所提方法的定位均方根误差分别降低了81.11%和21.54%，在自测数据集实验中，定位均方根误差分别降低了52.76%和24.29%。     

基于多传感器融合的无人机自主避障方法

针对无人机利用单一传感器进行避障时存在准确度低、信息缺失等问题,提出了一种基于多传感器融合的无人机自主避障方法。通过改进的贝叶斯融合算法将二维激光雷达与深度相机获取的点云信息进行融合,以弥补二维激光雷达无法检测的区域。同时,利用融合点云生成八叉树地图,并根据不断更新的地图信息对无人机进行实时航迹重规划,实现无人机在未知环境中的自主避障。实验结果表明,所研究方法不仅提高了无人机感知周围环境的准确度,融合点云的均方根误差小于0.06 m,还具有良好的避障效果,无人机与障碍物的距离均大于0.5 m,保证了其在未知环境中的安全飞行。     

激光雷达电子行业助力自动驾驶汽车产业升级的路径研究

激光雷达主流技术路线包括机械式、固态式和MEMS混合固态式三种类型，MEMS混合固态式较另外两种相比体积更小、探测距离更远、价格更低，但MEMS混合固态式激光雷达同样需要提升远距离、高分辨率快速扫描的能力，这是实现高级别自动驾驶技术的关键。激光雷达技术的进步将为自动驾驶汽车提供更加精准、可靠的环境感知，从而提高汽车的安全性和驾驶效率，推动自动驾驶汽车技术的革新。自动驾驶汽车技术变得更加成熟，市场认可度变得更高，更多人选择自动驾驶汽车，自动驾驶汽车将在汽车消费领域占据更大市场份额，进一步助力经济发展。     

融合激光雷达与视觉信息的小型障碍物测量方法

激光雷达相比于视觉传感器具有抗干扰能力强、测量精度高的优势.针对多线激光雷达距离小型障碍物较远时点云数据稀疏、难以进行精确测量的问题,将YOLO与HSV空间颜色直方图匹配结合进行远距离的目标检测,在机器人运动过程中,当检测区域内的激光数据量满足要求时,根据传感器标定结果对此时的激光雷达数据进行聚类、特征点提取与关键参量计算,完成对障碍物的测量.使用16线Velodyne激光雷达与工业IDS相机进行方法验证,结果表明,该方法可提高激光雷达数据量7.83倍,即使是运动场景下也能保证测量小型障碍物的最大宽度误差小于2.4％,测距误差小于0.15％.     

基于激光雷达点云的3D目标检测技术综述

在自动驾驶场景中,需要感知周围环境中的目标类型、大小、距离及方向等信息,因此3D目标检测技术对于自动驾驶汽车而言尤为重要.为获取周围环境信息,如激光雷达等传感器被应用在自动驾驶汽车上.为此,介绍自动驾驶领域基于激光雷达的3D目标检测现有方法,涵盖最新的模型,并对现有模型进行系统的分类,详细介绍具有代表性和开创性的方法,...     

一种基于车载MP3播放机的倒车雷达设计

提出了一种基于车载MP3播放机-SH252的倒车雷达设计方案,并介绍了系统的软硬件设计思路。系统采用EM78P153单片机作为倒车雷达数据采集部分,采用超声波探测方式测距。在倒车时,倒车雷达会自动启动,并在EM78P153的控制下,由装置于车尾保险杠上的探头发送超声波信号,当遇到障碍物时,产生回波信号,探头接收到回波信号后经控制器进行数据处理并计算出车体与障碍物之间的实际距离,然后将数据发送到车载MP3播放机上进行距离显示和语音同步提示,为驾驶员提供报警提示,提高驾驶的安全性。     

移动机器人中激光雷达测距测角标定方法

针对目前移动机器人对环境地图构建精度低的问题,分别提出了激光雷达测距、测角的标定方法。通过误差传播定律分析引起激光雷达的测距误差因素,可知激光雷达测距误差主要是由回波强度和测量距离引起的,推导出测距误差修正模型。通过分析激光雷达测角误差因素,针对机械扫描轴与几何旋转中心偏心引起的误差,提出了一种三角形标定方法,建立测角误差修正模型。根据激光雷达测距、测角误差修正模型修改移动机器人坐标转换系统。实验结果表明,测距标定使平面障碍物数据纵坐标差值的标准差提高了30%~60%,接近物体真实几何特征;测角标定方法使障碍物数据的重合效果提高了30%,标定方法提高了移动机器人地图构建的精度。     

激光雷达与相机融合标定技术研究进展

单传感器存在采集数据信息不完整的缺点，比如激光雷达缺乏纹理色彩信息，相机缺乏深度信息。激光雷达和相机数据融合可实现传感器之间信息互补，感知空间精准的彩色三维数据，被广泛应用于自动驾驶、移动机器人等领域。针对现阶段激光雷达和相机外参标定文献多、杂、乱等问题，文中系统地梳理了校准流程和归纳了校准方法。首先介绍了激光雷达和相机单传感器内参标定的原理和方法，并建立数学模型概述它们外参的标定原理。然后将现有标定方法从基于标靶、基于无标靶、基于运动和基于深度学习四个方向综述归纳，并分析每种标定方法的特点。最后总结全文，并指出提升标定精度基础上实现自动化和智能化的校准方案是未来标定趋势。     

基于距离欺骗的汽车防撞雷达性能测试

为了高效、安全地对汽车自动辅助驾驶系统进行验证,文中提出一种基于距离欺骗原理的对其车载防撞雷达性能的试验方法。安装有矢量信号分析软件的实时频谱分析仪对被测车辆的雷达发射信号进行分析,然后采用电子系统仿真建模软件SystemVue编辑生成雷达回波信号波形文件,将其导入微波信号发生器中产生雷达回波模拟中频信号,经后续处理产生具有虚假距离信息的回波模拟射频信号。试验结果可知:即使不存在障碍物,被测车辆雷达收到回波模拟信号后,也能立即停车避险,且截停概率可达99%以上,提高了汽车自动辅助驾驶系统测试的效率与安全性。