一种基于分离地面点的障碍物识别方法

Velodyne 64线雷达被广泛应用于自主车的环境感知功能中。为了在该雷达产生的大量数据中识别出障碍物信息,本文提出了一种新的基于分离地面点的障碍物识别算法。首先从原始数据集中提取出特征点集并建立地面模型;利用地面模型识别出地面点并将其从数据集中滤除;将地面点分离后的数据集投影至平面栅格中,并利用区域生长法聚类。该算法能够准确、高效地识别出障碍物。     

半结构化环境稀疏点云可通行区域检测方法

传统的激光雷达可通行区域检测算法实时性好,但算法通常对点云数据的高度特征依赖较强,半结构化环境中斜坡等区域高度特征不稳定,易降低算法的性能。基于半结构化环境下三维稀疏点云数据,提出了一种基于直线特征的可通行区域实时检测算法,预处理原始点云数据,并从中速提取直线特征;对直线聚类和筛选,从而提取有效的直线特征;使用直线特征检测结构化障碍物和非结构化障碍物;标记出可通行区域,并构建环境地图。实验结果表明,在校园半结构化环境中,该算法可以较稳定地检测可通行区域,在检测路缘石等高度较低的障碍物时表现出良好的性能,并且适应斜坡、颠簸、负障碍等地面。     

基于激光点云的道路可通行区域检测方法

以车载激光雷达获取的点云数据为研究对象,针对无人车道路环境感知的关键技术展开研究。为解决无人驾驶中道路可通行区域检测存在的地面不平整、缓坡、障碍物单一等问题,提出基于激光点云数据的道路可通行区域检测方法。通过基于分段校准的RANSAC算法进行地面分割,解决地面不平整导致的欠分割问题。使用多特征复合判据,利用基于体素化的DBSCAN聚类算法和基于结构特征的障碍物识别方法完成障碍物的分割与识别。结合道路结构以及数据高程突变特征,提取道路边界候选点并拟合得到完整的道路边界线。将道路区域栅格化,根据道路边界悬空障碍物判断并更新可通行区域,实现可通行区域的准确检测。实验结果表明,该方法在复杂道路场景中的边界检测准确率高于95%,可有效检测出障碍物及道路的可通行区域,具有良好的实时性与鲁棒性。     

基于K-Means与SVM结合的栅格分区路径规划方法

智能清洁机器人全局路径规划中,利用栅格法对清洁机器人的工作环境进行建模。分别介绍了K-Means聚类算法和支持向量机(SVM)算法,使用K-Means聚类算法与支持向量机(SVM)相结合的方法,以不同的约束条件进行聚类,在含有复杂障碍物的栅格地图时能有效减少分区,利用蚁群算法对分区后的栅格地图路径规划仿真,有效地提高了蚁群算法在栅格地图路径规划中的整体效率。     

基于多层激光雷达的可行驶区域信息提取算法

为了提取无人驾驶车前方可行驶区域信息,提出了一种基于多层激光雷达可行驶区域信息提取算法。首先,根据雷达返回数据的特征结合数据区间密度分布获得路沿点集,并利用基于加权欧氏距离KNN改进的OPTICS算法对得到的路沿点聚类。然后,使用最小二乘法拟合出两侧路沿。最后,通过改进的OPTICS算法将路面上的障碍物点云进行聚类,并通过计算得到障碍物的位置、距离、尺寸等信息。利用数据区间密度分布法提取路沿点不受障碍物以及路面点的影响,而改进的OPTICS算法则不再受Eps的约束,并且可以准确分辨出噪点,解决了障碍物信息由于噪点而提取不准确的问题。实车实验证明了算法的有效性和实时性。     

一种新型的基于密度和栅格的聚类算法*

针对网格和密度方法的聚类算法存在效率和质量问题,给出了密度和栅格相结合的聚类挖掘算法,即基于密度和栅格的聚类算法DGCA（density and grid based clustering algorithm）。该算法首先将数据空间划分为栅格单元,然后把数据存储到栅格单元中,利用DBSCAN密度聚类算法进行聚类挖掘;最后进行聚类合并和噪声点消除,并将局部聚类结果映射到全局聚类结果。实验通过人工数据样本集对该聚类算法进行理论上验证,表明了该算法在时间效率和聚类质量两方面都得到了提高。     

亲和传播聚类型电磁地图全覆盖重构算法

针对缺乏目标区域内电磁传播环境信息等先验信息情况下的电磁地图构建问题，提出了一种基于亲和传播聚类的由点及面再由点面融合完成目标区域电磁地图重构的新型算法.该算法首先依据实际情况对目标区域进行合适的栅格划分，并通过分布式感知节点实现电磁数据的采样，从中选出一定数量的聚类样点进行亲和传播聚类，确定样点中心的地理位置；然后针对残缺不完备的采样数据，采用克里金插值法预测重构出以聚类中心为圆心、一定半径范围内的小面积电磁地图；之后将所得的每个小面积电磁地图数据和节点所得数据进行域映射处理，获得目标区域大面积的电磁数据，最后通过融合重构出目标区域总体的电磁地图.仿真实验结果证明，所提算法优于现有的多种插值算法，并且在采样点占总数据点的比例为1%时，所得结果均方根误差小于1.5.     

基于道路形态分析的道路边界提取

基于障碍物栅格图的道路边界检测目前主要通过对道路区域或符合边界特征的种子点进行生长来实现.但这些算法易受路内障碍物的干扰,其主要原因在于道路形态信息的缺失,包括道路趋势信息和道路宽度分布信息.为此,本文通过对障碍物栅格图进行距离变换获得道路的趋势信息,同时通过构建道路的宽度分布直方图来获取道路宽度分布信息.在此基础上,完成道路边界种子点的提取,接着通过区域生长获取完整的道路边界点,最后进行二次曲线拟合得到完整的道路边界形状.实验证明,本文方法对车流量较大环境下的道路边界提取具有较高的鲁棒性和准确性.     

基于三维激光雷达的道路边界提取和障碍物检测算法

为了快速有效地提取智能车辆在不同环境下的道路环境信息,提出基于三维激光雷达的道路边界提取和障碍物检测算法.首先,对三维激光雷达点云数据进行栅格化滤波处理,利用单束激光点云空间邻域联合分割的方法进行空间分析,得到点云平滑度特征图像.然后,采用自适应方向搜索算法获取道路边界候选点,并进行聚类分析和曲线拟合.最后,对道路边界约束下可通行区域内点云进行聚类分割,获得道路内障碍物方位和距离信息.实验表明,文中算法能够实时准确地提取道路边界和障碍物位置信息,满足智能车环境建模和路径规划的需求.     

基于测量报告信号聚类的指纹定位方法

针对基于加权K最近邻（WKNN）和机器学习算法的指纹库定位方法存在精度和定位效率较低的问题，提出一种基于测量报告（MR）信号聚类的指纹定位方法。首先，把MR信号分为室内、道路和室外这3种属性；其次，利用地理信息系统（GIS）信息将栅格分为建筑物、道路和室外子区域，并将不同属性的MR数据落入对应的属性子区域；最后，借助K均值（K-Means）聚类算法对栅格内的MR信号进行聚类分析，以创建子区域下的虚拟子区域，并采用WKNN算法对MR测试样本进行匹配。此外，利用欧氏距离计算平均定位精度，并通过生产环境的一些MR数据测试了所提方法的定位性能。实验结果表明，所提方法的50 m定位误差占比为71.21%，相较于WKNN算法提升了2.64个百分点；平均定位定位误差为44.73 m，相较于WKNN算法降低了7.60 m。所提方法具备良好的定位精度和效率，可满足生产环境中MR数据的定位需求。     

基于双多线激光雷达的非结构化环境负障碍感知技术

负障碍感知是非结构化环境下的难点问题,本文针对该问题提出一种新的基于双多线激光雷达（Light detection and ranging,LiDAR）的感知方法.采用分布嵌入式架构对双激光雷达数据进行同步采集与实时处理,将雷达点云映射到多尺度栅格,统计栅格的点云密度与相对高度等特征并标记,从点云数据提取负障碍几何特征,通过将栅格的统计特征与负障碍的几何特征做多特征关联找到关键特征点对,将特征点对聚类并过滤,识别出负障碍.方法不受地面平整度影响,已成功应用在无人驾驶车上.使用表明该方法具有较高的实时性和可靠性,在非结构化环境下具有良好的感知效果.     

智轨电车多源环境感知系统

智轨电车的多源环境感知系统是车载平台与运行环境的交互纽带,其包括基于激光雷达的障碍物感知子系统、基于毫米波雷达的前侧向障碍物感知子系统以及基于多摄像头的360度环视子系统。基于激光雷达的障碍物感知子系统采用地面分割算法、点云聚类算法和数据关联算法,实现了对运行前方障碍物的检测和跟踪;基于毫米波雷达的前侧向障碍物感知子系统采用目标检测算法和跟踪算法,实现侧向以及前向障碍物探测;基于分布式鱼眼摄像头的360度环视子系统运用图像拼接算法,实现智轨电车周围障碍物感知和预警。实车试验结果表明,该环境感知系统可有效地提高智轨电车的运行安全系数,为车辆智能驾驶提供了全面的环境信息。     

可变半径Alpha Shapes提取机载LiDAR点云建筑物轮廓

目的 机载激光雷达（light detection and ranging,LiDAR）能够快速获取建筑物表面的3维点云,为提取建筑物轮廓提供重要的数据支撑,但由于激光脚点的随机性和点云自身的离散性,常规固定半径Alpha Shapes（A-Shapes）算法难以兼顾轮廓提取的精细度和完整度,且在点数量较大情况下计算效率较低。因此,提出一种基于网格的可变半径Alpha Shapes方法用于提取机载LiDAR点云建筑物轮廓。方法 对3维点云进行投影降维,对投影后2维离散点的范围构建规则格网,接着根据网格内点云填充情况筛选出边界网格,计算边界网格的平滑度并加权不同的滚动圆半径,再以边界网格为中心生成3×3邻域网格检测窗口,利用滚动圆原理提取窗口内点集的边界点,迭代检测直到所有边界网格遍历完成,最后获取点云的完整轮廓。结果 在精度评价实验中,与固定半径A-Shapes方法和可变半径Alpha Shapes（variable radius Alpha Shapes,VA-Shapes）方法相比,若建筑物以直线特征为主且边缘点云参差不齐,则本文方法的提取效果不理想;若建筑物含有较多拐角特征,则本文方法的提取效果较好。在效率评价实验中,与A-Shapes方法、VA-Shapse方法以及包裹圆方法相比,若点云数据量较小,则4种方法的耗时差距不大;若数据量较大,则本文方法和包裹圆方法的耗时远小于固定半径A-Shapes方法。实验结果表明,本文提出的轮廓提取方法适用于多种形状的建筑物点云。从轮廓完整性、几何精度以及计算效率等几方面综合考虑,本文方法提取建筑物点云轮廓效果较好。结论 本文提出的基于网格的可变半径Alpha Shapes建筑物点云轮廓提取方法结合了网格划分和滚动圆检测的优点,能够有效提取机载LiDAR建筑物点云顶部轮廓,具有较高的提取效率和良好的鲁棒性,提取的轮廓精度较高。     

动态环境中多帧点云融合算法及三维目标检测算法研究

低线束激光雷达扫描的点云数据较为稀疏,导致无人驾驶环境感知系统中三维目标检测效果欠佳,通过多帧点云配准可实现稀疏点云稠密化,但动态环境中的行人与移动车辆会降低激光雷达的定位精度,也会造成融合帧中运动目标上的点云偏移较大。针对上述问题,提出了一种动态环境中多帧点云融合算法,利用该算法在园区道路实况下进行三维目标检测,提高了低线束激光雷达的三维目标检测精度。利用16线和40线激光雷达采集的行驶路况数据进行实验,结果表明该算法能够增强稀疏点云密度,改善低成本激光雷达的环境感知能力。     

一种改进的带障碍的基于密度和网格的聚类算法

提出了一个改进的带障碍的网格弥散聚类算法DCellO1:以网格为基础,将基于密度的聚类算法与图形学种子填充算法相结合。该算法能进行任意形状的带障碍聚类,并且在对象分布不均匀时也能获得较好的聚类结果。实验证明了该算法的有效性与优越性。     

基于数据特征的多传感器融合实时目标检测

为了进一步降低目标检测出现的误检率,提出了一种基于传感器数据特征的融合目标检测算法。首先,为了减少部分离群噪声点对点云表达准确性的影响,采用统计滤波器对激光雷达原始点云进行滤波处理;其次,为了解决点云地面分割在坡度变化时,固定阈值会导致分割不理想的问题,提出了自适应坡度阈值的地面分割算法;然后,建立KD（k-dimensional）树索引,加速DBSCAN（density-based spatial clustering of applications with noise）点云聚类,基于Andrew最小凸包算法,拟合最小边界矩形,生成目标三维边界框,完成聚类后的目标点云位姿估计;最后,将激光雷达检测到的三维目标点云投影到图像上,投影边界框与图像检测的目标边界框通过IoU关联匹配,提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明,提出的点云聚类平均耗时降低至173 ms,相比传统的欧氏距离聚类,准确性提升6%。搭建硬件实验平台,基于实测数据的实验结果表明,提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。     

利用灰度体元模型的机载LiDAR 3D道路提取

面向机载LiDAR数据的道路提取算法的常用数据结构存在局限: 2D格网及TIN表达多次回波数据时存在的信息损失会影响提取结果的完整性且提取结果为2D形式; 点云的空间结构及拓扑信息难以利用, 由此导致算法设计的困难.为此, 提出了一种基于灰度体元模型的3D道路提取算法.算法首先将LiDAR数据规则化为灰度体元模型(灰度为体元内LiDAR点的平均强度值的量化表示); 然后选取道路种子体元进而搜寻并标记种子及其3D连通区域为道路体元; 最后利用数学形态学优化提取结果.基于ISPRS提供的包含不同复杂程度的城区路网LiDAR数据测试"邻域尺度"和"灰度差阈值"参数的敏感性及提出的算法的精度.实验结果表明: 56邻域为最佳邻域尺度、2为最佳灰度差阈值; 道路提取的平均质量、完整度及正确率分别为70%、86.77%及81.13%;对相对平坦的单层路网及起伏较大的复杂路网均可成功提取.     

融合DBSCAN的改进YOLOv3目标检测算法

针对YOLOv3（you only look once）检测算法对小目标、遮挡目标检测时存在识别率低和识别精度不高的问题,提出一种融合DBSCAN（density-based spatial clustering of applications with noise）的改进YOLOv3目标检测算法。首先在YOLOv3网络中增加DBSCAN聚类算法,其次对检测目标进行提取,实现数据集多尺度聚类,得到初代特征图,然后通过改进[K]-means聚类算法确定锚点位置达到更好的聚类,最后在VOC2007+2012数据集和MS-COCO数据集上对改进YOLOv3算法进行训练和测试。实验结果表明改进的YOLOv3算法使检测目标在VOC数据集和MS-COCO数据集上mAP（mean average precision）分别提高了14.9个百分点和12.5个百分点。与其他深度学习目标检测算法相比,改进YOLOv3检测算法具有更好的检测效果,同时具有良好移植性和更好的鲁棒性。     

基于MapReduce和IFOA的并行密度聚类算法

针对大数据下密度聚类算法中存在的数据划分不合理、参数寻优能力不佳、并行性能较低等问题,提出一种基于IFOA的并行密度聚类算法(density-based clustering algorithm by using improve fruit fly optimization based on MapReduce,MR-DBIFOA)。首先,该算法基于KD树,提出网格划分策略(divide gird based on KD tree,KDG)来自动划分数据网格;其次在局部聚类中,提出基于自适应搜索策略(step strategy based on knowledge learn,KLSS)和聚类判定函数(clustering criterion function,CCF)的果蝇群优化算法(improve fruit fly optimization algorithm,IFOA);然后根据IFOA进行局部聚类中最优参数的动态寻优,从而使局部聚类的聚类效果得到提升;同时结合MapReduce模型提出局部聚类算法DBIFOA(density-based clustering algorithm using IFOA);最后提出了基于QR-tree的并行合并局部簇算法(cluster merging algorithm by using MapReduce,MR-QRMEC),实现局部簇的并行合并,使算法整体的并行性能得到加强。实验表明,MR-DBIFOA在大数据下的并行效率更高,且聚类效果更好。     

基于快速检测和AdaBoost的车辆检测

为给激光雷达三维点云目标检测提供一种更智能、更稳健的信息处理算法,提出一种基于激光雷达获取的点云数据的车辆目标检测算法。采用局部高程对地面进行拟合,对目标场景进行预分类;根据目标的几何尺寸建立ROI(感兴趣区域),对该区域内的点云数据进行聚类分析,大致检测出目标物体。由于现实场景中往往存在与目标高程相近的物体,采用基于Harr-like特征的AdaBoost分类器对ROI进行复核,划定检测目标。实验结果表明,在目标遮挡率为50%的情况下,算法的检测准确率也能将近90%。