基于激光扫描雷达的智能割草机器人障碍物检测

针对绿化区修剪工作中存在的割草任务重、劳动强度大等问题,文中提出一种基于二维激光扫描雷达的智能割草机器人障碍物检测方法。首先,采用激光雷达RPLIDAR A1对障碍物进行全方位扫描检测,再通过ROS＿RVIZ对数据进行处理,将获取到的数据转换为直角坐标系下的坐标;然后,运用最小二乘滤波对数据进行去噪处理,采用粒子滤波算法对扫描数据进行跟踪目标特征提取,根据状态转移矩阵和所获数据更新权重值,增加目标粒子权值;最后,对粒子进行重采样获取障碍物的基本轮廓信息,经拟合得到较为密集的障碍物边缘离散点。试验结果表明,激光雷达扫描得到的角度和距离数据与现场实地测量数据之间最大误差为0.4%,说明基于激光扫描雷达的智能割草机器人障碍物检测方法是合理可行的,能够实现检测障碍物的目的。     

基于红外技术与激光雷达的新能源汽车无人驾驶障碍检测

障碍物检测是无人车研究的重点之一,需要多角度获取障碍物数据。提出基于红外技术与激光雷达的新能源汽车无人车驾驶障碍检测方法。引用Trimble MX2三维激光雷达设备,结合红外线传感器,获取驾驶过程中障碍物数据,通过预处理降低数据获取误差。采用处理后的障碍数据点连接成障碍轮廓,并根据障碍分类信息完成障碍物检测。构建检测性能测试环境,试验结果表明,红外技术与激光雷达相结合后,可以实现对全部障碍物的准确检测,能够精准划分障碍物类型,行驶障碍物种类划分的误分率始终保持在0%～10%之间,检测用时始终保持在2 s以内,用时较短,检测识别效果较好,能够提高无人车夜间驾驶安全系数。     

基于毫米波传感器与激光雷达信号融合的自动驾驶障碍物感知方法

由于自动驾驶无法准确感知障碍物信息，且感知误差较高，为了提高自动驾驶避障能力，提出基于毫米波传感器与激光雷达信号融合的自动驾驶障碍物感知方法。将毫米波传感器内置于自动驾驶装置中，采集自动驾驶装置与障碍物之间的激光雷达回波信号，采用匹配滤波器进行干扰滤波处理，提取传感信号的功率谱密度特征量，采用小波多尺度分解的方法实现信号时频转换，通过Wigner-Vill分布检测和多分辨特征聚类，分析自动驾驶激光雷达毫米波传感信号回波特征，根据波束形成和信号融合结果实现对障碍物感知和自适应定位。测试结果表明，采用该方法进行自动驾驶障碍物感知的准确性较高，感知误差较低，最低为0.01,响应速度较快，最快为0.1 s,收敛迭代步数较小，定位能力较强，提高了自动驾驶的环境适应性。     

一种共照射源超空间分辨率三维重建方法

受到制造工艺限制,现有的3D非扫描激光雷达APD阵列无法做到高度集成。为了提高3D非扫描激光雷达的空间分辨率,满足高分辨率空间采样需求,文中提出了一种共照射源3D激光雷达和2D探测器超空间分辨率信息获取方法。该方法使用高分辨率共照射源2D探测器对3D激光雷达进行辅助成像,将2D探测器得到的激光回波强度信息与3D激光雷达得到的目标深度信息进行数据融合,并对不同孔径的成像结果基于非相参合成孔径成像原理进行修正,实现超越3D非扫描激光雷达空间分辨率的目标三维重建。实验结果表明,该方法能够有效提高3D非扫描激光雷达的空间分辨率。     

基于优化DBSCAN的激光雷达障碍物检测

针对激光雷达在检测道路障碍物的过程中,由点云数据密度不均而导致障碍物检测准确率低和实时性差的问题,提出一种优化的密度噪声空间聚类（DBSCAN）算法以提高道路障碍物的聚类效果。首先依据点云数据的反射强度信息对车道线进行检测,提取感兴趣区域;然后使用射线坡度阈值地面分割算法进行地面分割,实现对斜坡地面的彻底分割;最后提出一种自适应的DBSCAN算法,选取代表性的核心点以及自适应聚类半径,实现对不同距离密集障碍物的快速准确聚类。实验结果表明：所提算法能够对不同距离的密集障碍物准确聚类;与传统算法相比,所提算法的正检率提高24.07个百分点,平均耗时减少1.18 s。     

一种用于道路障碍物识别的激光点云聚类算法

提出一种适用于道路障碍物识别检测的聚类算法,该算法用来处理各向异性分布的激光点云数据。算法的基本思想是:针对点云空间分布的实时变化,提出在线学习合并阈值的层次聚类算法,以确定聚类数搜索范围上界和初始聚类中心的待选点集;然后提出距离乘积最大化方法,对待选点集进行初始化排序,既结合点云的空间密度分布改善了聚类结果,又克服了传统K-means算法初始聚类中心难确定的问题;最后选取Silhouette和距离评价函数为聚类有效性指标分析算法的聚类效果,确定最佳聚类数。用以上自适应、在线学习的算法对2.5D激光雷达采集的点云数据进行聚类,并与其他两种聚类算法进行实际试验比较发现,本算法可以正确分割大多数空间分布各异且相互连接的障碍物。     

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...     

基于改进YOLOv3的无人机机载激光雷达图像目标定位方法

为提升无人机机载激光雷达图像小目标定位的精度，提出基于改进YOLOv3的无人机机载激光雷达图像目标定位方法。基于MCA算法分割激光雷达图像信息，通过包含脊小波字典的稀疏表达重新构建图像信息，达到去除目标图像噪声的目的；通过变化检测技术分离目标区域聚类信息，将目标区域从背景区域中分离；将目标区域输入到优化后的YOLOv3算法中完成无人机机载激光雷达图像目标的定位。实验结果表明，所提算法的定位精度为95.1%,定位耗时平均为20.6 s。     

高旋掠飞弹载激光雷达对地面装甲目标的分割与识别

为了完成搭载单元激光雷达的高旋掠飞弹药对地面装甲目标的提取与识别,充分考虑高旋掠飞弹药的稳态扫描过程,提出了一种用于弹载单元激光雷达一维距离像的目标分割与识别方法.首先通过基于梯度的自动生长阈值分割算法对一维点云数据进行预分割,并获取初始聚类数与聚类中心;接着基于改进的kmeans算法对分割结果进行调整,实现对装甲目标...     

用于烟尘监测的偏振激光雷达系统及实验研究

激光雷达具有探测距离远,分辨率高,对气溶胶浓度变化敏感等优势,偏振激光雷达还能够对粒子形态做区分,根据消光系数及退偏比值识别云、雾、烟尘等。利用偏振激光雷达进行扫描观测,可以实现火灾烟尘的快速识别。通过对不同波长的激光雷达探测距离进行仿真,结果表明,波长为1 064 nm的激光雷达探测距离为532 nm波长的1.3～1.4倍。通过优化扫描策略及算法,可剔除固定障碍物及临时移动障碍物的影响。为避开安装点位周边高度相近的障碍物,通常会给激光雷达设置一定仰角,对存在探测仰角时产生的水平距离偏差及垂直高度测量偏差进行计算,当激光雷达探测仰角为2°时,6 km处测量高度偏差为209.397 m。使用高斯烟羽模型对烟尘浓度分布进行仿真,当大气稳定度为B,平均风速为1 m/s时,200 m高度处烟尘浓度分布高值点距地面火点的径向距离≥1 km,为火点准确定位提供了修正依据。分别在辽宁省盘锦市盘山县绕阳湖景区,广东省东莞市观音山森林公园进行外场实验,偏振激光雷达在开阔地带及多障碍物山体地带下,均能够快速识别烟尘。     

复杂环境下基于多层激光雷达的障碍检测

为了完成复杂环境中无人自主导航车的障碍检测任务，应用四线激光雷达，提出了一种新的障碍检测算法，该算法利用检测区域的坡度信息进行障碍检测，包括候选障碍点的提取、干扰点的滤除及障碍点的聚类分割三个步骤。为了克服激光雷达检测盲区与抑止测量过程中干扰噪声的影响，运用了卡尔曼滤波算法对目标障碍进行了滤波处理。试验结果表明，障碍检测算法稳定可靠。     

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。     

基于DBSCAN与梯度划分的Kinect障碍物轮廓检测算法

针对移动机器人的环境检测和避障问题中传感器获取的信息不够全面及准确,无法准确提供周围环境信息等问题,文中提出了利用Kinect传感器来获取周围环境的色彩信息和深度数据,并且提出了一种利用梯度划分和DBSCAN聚类方法来处理Kinect传感器获得的深度数据图。该算法首先使用梯度障碍物边缘检测方法对Kinect获取得到的深度图进行快速高效的处理障碍物边缘轮廓,并对算法中的差分参数进行改进,使得计算得到的梯度结果更准确。然后对比不同的聚类方法,使用BDSCAN聚类方法来对检测划分完毕的障碍物进行聚类分析,最后通过安排具体实验对该算法进行验证。实验结果表明,该算法能够对周围环境障碍物进行准确划分,可行区域效果明显,对不同物体的成功检测率较高,验证了算法的有效性。     

基于三维激光雷达的无人船障碍物自适应栅格表达方法

针对无人船(USV)海上近距离实时性避碰检测的需求,提出一种基于三维激光雷达的USV障碍物自适应栅格表达方法。根据USV周边环境障碍物的激光雷达点云分布,建立障碍物密集度和障碍物表达时间与栅格地图分辨率之间的函数关系,自适应确定适中的地图分辨率,构建栅格地图;对三维激光雷达点云数据进行降维处理,将三维激光雷达点云投影到栅格地图,减小数据量,提高障碍物检测效率。利用三维激光雷达开展方法验证性实验,获取了三种不同障碍物场景的激光雷达点云数据。处理结果显示:环境中障碍物数量越多,获得的期望栅格地图分辨率越高,障碍物表达更精细;反之,障碍物数量越少,获得的期望栅格地图分辨率越低,障碍物表达更快速,可实现障碍物自适应栅格表达。所建立的方法可为后续USV局部避碰路径规划研究提供支撑。     

基于模糊关联空间的激光雷达三维扫描数据过滤研究

激光雷达三维扫描数据中存在大量无效点和有效点,但是两者之间的空间关联性阈值处在不断变动中,以固定关联规则的过滤方式很难准确区分,造成实际过滤应用效果较差。为此,提出基于模糊关联空间的激光雷达三维扫描无效数据过滤方法。采集激光雷达三维扫描样本数据构建无效数据识别规则库,将无效数据识别规则库中的无效数据集合转换为模糊集合,并利用聚类算法填补无效数据造成的数据空格,以避免出现数据过滤误差。填补后运用支持向量机分类器计算激光雷达三维扫描数据之间的模糊关联度,并对其进行分类。结合分类结果利用网闸过滤组织对激光雷达三维扫描无效数据过滤。实验结果表明：这种方法过滤精度高,具有较好的过滤效果,时间复杂度低、过滤耗时短,实际应用效果较好。     

泰国皇家空军装备直升机激光雷达预警系统

据EADS公司2005年8月25日报道，EADS公司已为泰国皇家空军提供了两架运输直升机，这两架飞机装备了直升机激光雷达（HELLAS）障碍物预警系统。HELLAS直升机激光雷达是目前全球唯一可以保护直升机规避高压线等障碍物的直升机载预警装置。HELLAS系统通过激光束对各个方向进行扫描，这种扫描对人眼没有伤害，同时可以在远距离高精度探测到高压线一类的细小目标。     

电力线激光点云的分割及安全检测研究

为了进行高压输电线路安全检测分析，基于机载激光雷达（LiDAR）电力走廊数据，提出了一种基于密度的空间聚类方法（DBSCAN）的电力线激光点云单条分割提取算法。通过该方法可以实现输电走廊中单条电力线的快速分割提取。首先对电力线点云在x-O-y平面上投影，对投影后的激光点采用最小二乘法进行直线拟合；其次通过计算输电走廊长度，采用经验参量进行电力线点云分段；再次对分段点云在投影平面内进行DBSCAN聚类；最后将分段聚类结果类别归一化，得到单条电力线激光点云数据。结果表明，采用该方法能够在只需经验参量分段宽度的情况下，快速准确地对电力线激光点云进行分割提取，并根据分割结果进行电力线与电力走廊地物距离计算，判断危险点类型及距离。所提出的方法具有较高的提取与测量精度，能够有效地应用于电力线安全检测分析。     

基于LiDAR点云的单根电力线分离提取与多维度拟合重建

激光雷达技术能够快速高效地获取高精度的三维点云数据,机载LiDAR不受天气影响且能在复杂地理条件下工作,已成为电力线巡检的重要方法。而从获取的LiDAR点云数据中高效提取架空电力线点云是机载LiDAR电力巡检后期数据处理的重要内容。本文基于某地输电线走廊的LiDAR点云数据,设计了一套单根电力线分离提取和多维度拟合重建的方案。该方案首先使用统计滤波算法去除LiDAR数据中的异常离群点;再采用布料模拟滤波算法,结合数据高程信息去除地面点,利用PCA主成分分析法与快速欧式聚类算法,从电力线走廊点云中分离提取单根电力线;最后基于提取结果对单根电力线进行多维度拟合重建。实验结果表明,本文方法能精准且快速地分离提取单根电力线并进行多维度拟合重建,在电力线智能巡检中具有良好的工程应用价值。     

雷达数据关联中动态加权模糊C-均值聚类算法研究

针对雷达本身及测量的运动目标淹没在大量的杂波中而导致所测数据的不准确问题,文中对雷达测量的大量目标数据进行卡尔曼滤波,以减少数据关联时的计算冗余量;并对模糊C-均值(C-Means)聚类算法进行改进,改进后的算法利用实时目标航迹斜率的变化率对传统的模糊C-Means聚类算法进行动态加权,从而使模糊C-Means聚类算法的目标函数最优化,优化后的目标函数确定的聚类中心更加逼近目标的实际值,从而保证数据关联的准确度,并减少了计算时间,提高算法的效率.仿真实验表明,将文中基于目标航迹斜率变化率动态加权的模糊C-Means聚类算法应用于曲线运动目标的数据关联中,与传统的模糊C-Means聚类算法相比,可以提高数据关联准确度和效率.     

基于深度图的三维激光雷达点云目标分割方法

三维激光雷达广泛应用在智能车系统中,点云目标分割是智能车环境感知中的关键技术。针对目前三维激光雷达点云目标分割算法实时性和准确性不高的问题,提出一种基于深度图的点云目标快速分割方法。将点云数据表示为深度图,建立深度图与点云数据的映射关系。利用激光雷达扫描线的角度阈值去除地面点云数据,结合深度图和自适应参数改进的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法对非地面点云进行聚类分割。实验结果表明该方法相对于传统聚类算法在时间效率上有很大的提升,且能较好地降低欠分割错误率,分割准确度提升10%,达到了85.02%。