基于路侧激光雷达的障碍物目标检测方法

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(RANSAC)实现地面拟合及分割。在障碍物聚类方面,构建KDTree加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到86%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。     

大型无人机电力巡检LiDAR点云安全距离诊断方法

输电线路走廊中地物安全距离检测是电力运维部门日常线路巡检作业中的重要一环。结合此项运维实际需求,提出一种无人机电力巡检LiDAR点云数据的自动安全距离诊断方法:首先依据已知的线路位置与走向对无人机巡检系统采集的LiDAR点云进行裁剪,获得线路走廊区域点云;其次,采用自适应分区滤波的方法滤除地面点,获得非地面点云;在此基础上,在非地面点数据中,依据点云维数特征以及空间几何分布特性从非地面点中分离出导线点、杆塔点、及林木植被、建筑物等安全距离诊断所关注的线路走廊其他地物;继而提出一种迭代最小二乘电力线悬链线模型解算方法,自无序电力线激光点云数据拟合悬链线方程,用于后续安全距离计算;最后使用分段剖面安全距离计算方法计算线路与线路走廊下方地面/地物距离,并与标准安全距离做比较,对于距离小于安全距离的区域进行危险预警。采用大型无人机电力线路巡检系统采集的多组LiDAR点云数据对文中算法进行实验验证,并对检测结果与人工点云量测值与实地巡检值进行了定性与定量的对比分析。实验结果表明提出的安全距离诊断方法能准确探测树障等安全距离超限地物。     

泊车中小型障碍物检测技术研究

障碍物检测技术作为自动驾驶辅助系统的重要部分,障碍物种类繁多难以面面俱到。 因此提出一种基于全景环视系统 的在汽车泊车时检测小型障碍物的方法。 首先利用透视变换及图像拼接技术将 4 个方向的实时画面映射到全景环视图;并提 出了一种对地面特征点的检测模型,可准确地以车位线直角交点作为特征点提取并匹配出来;分别在两帧中得到地面特征点 后,通过 SVD 分解法计算自车运动估计并得到前一帧的模拟当前帧,消除了动态背景;最后提出了一种基于颜色分割的检测高 于地面区域的方法,由此判定是否属于障碍物部分。 为验证该算法可行性,在停车场中放置各种小型障碍物进行试验,3 段视 频序列中共计 864 个障碍物,平均召回率为 94. 7%,平均误识率为 7. 3%。 试验结果表明,该算法可有效检测停车场中的小型障 碍物,并具备一定的准确性与健壮性。     

激光雷达输电线路点云数据智能分类方法研究

为解决传统分类方法处理大规模输电线路可视化巡检的激光雷达点云数据时效率低、精度差的问题,提出了一套自动分离输电线廊道中电力线、杆塔、地面和植被的智能化方案。首先依据曲率及邻域特征精准提取出电力线点;然后利用布料滤波法分离地面点和非地面点;最后基于圆柱模型从非地面点里识别出杆塔点和植被点。此研究选用了三段不同密度的输电线走廊点云数据进行实验,结果显示该方法对三种数据集的电力线、杆塔、地面和植被识别均有良好表现,整体分类精度大于90%,电力线的用户精度和制图精度随着云点密度的增加而逐渐增高。实验证明,此方法适用于多种类型的激光雷达点云数据,其理论方法对解决输电线走廊可视化巡检的自动分类问题具有借鉴价值,为充分提高输电线路无人机巡检的效率和精度提供了科学依据。     

基于 2D 预处理的点云分割和测量研究

针对传统 3D 工业相机获取的点云数据进行工件检测时因工件粘连和噪声干扰导致边缘分割问题,考虑点云数据量大 影响检测实时性和 3D 特征点选取不准确导致测量误差大的因素,提出一种基于 2D 边缘检测的预处理方法,实现点云快速分 割和测量。 首先,采用改进的 Canny 算法对有序点云的纹理图像进行边缘检测,将检测后的图像进行数学形态学操作和轮廓检 测完成纹理图像分割,规避了在 3D 空间中进行分割处理,有效减少了点云数量;其次,结合工件的形状特征和放置方式,利用 掩膜操作提取出有序点云数据,使用基于 RANSAC 和条件滤波结合的方法对分割后的点云进行自适应阈值滤波处理,有效去 除了噪声点云;最后,对经过预处理后的目标点云基于 PCA 的包围盒去计算工件尺寸以及表面法向量。 实验结果表面,和传统 的 3D 分割算法相比,能够更准确的提取出目标点云,有效减少了待处理点云数量,整体分割效率提高了约 20%;工件尺寸的平 均相对误差约 1. 24%,可以满足测量的需求。     

基于凹包算法的点云地面分割方法

为了解决现有的地面分割方法在路面复杂、点云稀疏场景下存在的地面分割不准确的问题，提出一种基于凹包算法的地面分割算法。该方法首先根据激光雷达点云生成凹包，然后根据粗滤提取的三角面内点的分布和三角面法向量的扫描特性，将地面三角面选取出来，之后再精确提取地面三角面的内点，根据内点到三角面的距离即可精确的完成地面分割。实验结果表明，该方法可以充分考虑点云周围的几何特征，对物体的几何边界敏感，可以在地面倾斜的场景下精细的将小凸起、路牙石等小型障碍物分割出来。     

基于点云强度和地面约束的大范围激光SLAM

在无人车领域,点云强度和地面约束对大范围环境下的建图和定位起着非常重要的作用。然而,现有的激光SLAM算法在构建地图时只考虑几何特征,而忽视点云强度信息和地面约束,导致建图细节模糊、在Z轴方向上易存在漂移,从而降低了SLAM系统的精度。为此,本文提出了一种基于点云强度和地面约束的激光SLAM优化算法。基于地面测量模型,提出构建局部条件性地面约束,不仅提高地面点提取的准确性,而且减少Z轴方向的漂移;引入点云强度信息来改善非地面点聚类的可靠性,进一步提高建图精度和定位稳定性。提出基于局部平滑度的特征提取方法,通过引入强度因子并对强度特征进行排序,优先选择具有一致强度信息的特征,增强特征提取的鲁棒性。引入球形强度图来构建强度残差,与几何残差共同优化估计位姿,有效解决里程计中地图细节处的模糊问题;基于特征投影的匹配距离以及强度差异被用来去除动态点云的干扰,进一步提高SLAM系统的鲁棒性。在公开数据集KITTI和真实场景下的实验表明,引入地面约束和点云强度信息后,本文提出的算法具有更高的建图和定位精度,相对优于传统LIO-SAM的LVI-SAM算法,本文算法的精度提升了54.5%,为无人车在大范围环境中的SLAM任务提供了可靠解决方案。     

基于 3D 视觉的风电塔筒焊缝检测系统设计

为满足风电机组塔筒行业对焊缝外观质量缺陷检测高效性、精确性的需求,采用3D机器视觉技术研制了基于风电塔筒焊缝外观质量缺陷检测系统。首先,通过点云滤波、点云分割、点云精简对采集的点云数据进行预处理,确保后期缺陷评判的准确性;其次,对三维数据进行轮廓切片化处理以及断点拟合处理,得到轮廓特性;再次,采用递归粗提取改进算法提取特征点,进行缺陷评判,获得焊缝外观缺陷检测结果;最后,根据系统焊缝缺陷评判流程及标准,选取典型的焊缝样板进行焊缝宽度、焊缝错边以及焊缝直线度测试,焊缝检测精度可达0.001 mm,速度为当前人工检测速度的3倍,检测结果表明,系统具备高准确性、高速度和高精度特性,能代替人工检测,具有良好的应用前景。     

基于曲面拟合的深度图像障碍检测

本文提出一种对深度图像进行室外场詈检测的完整过程。首先基于图像深度差值获取图像的边缘信息并定位图像歧义间距边界,提取出位于非歧义间距内的有效数据。然后利用三维信息对地面进行二次多项式曲面拟合,并根据障碍物垂直于地面的特点设定闽值提取出候选障碍点,实现路上障碍的检测.实验表明,该过程能很好的实现深度图像的路上障碍检测。     

点云数据的补全与精简算法研究

随着三维点云技术的不断成熟，目前许多企业将其应用到了货物管理中。但在点云获取中设备会因为外界原因(光照、温度等)导致数据不完全(点云空洞),而且获取初始点云数巨多，降低了后期点云处理效率。提出了对点云的一种预处理，既要获取完整目标物的曲面特征，也要对点云进行高效地压缩。首先对原始点云进行条件滤波和统计分析滤波去噪，然后提出了一种由统计分析和三角格化结合的点云补全算法，最后将补全的点云使用改进的曲率精简法对点云进行处理，并将方法与其他方法做了对比实验。实验结果表明，方法可以将孔洞点云补全，保留货物平面特征和边缘细节信息，降低点云存储空间，为后期对点云处理提高效率有着重要意义。其中，补全算法使补全后的点云与补全之前的点云的最近点平均距离小于0.000 4 m,点云精简算法的精简率可达到90%。     

一种面向复杂环境的自适应激光里程计设计

针对在复杂环境下使用传统三维点云配准算法构建的激光里程计精度低且建图易发生漂移的问题，本文设计了一种面向复杂环境的自适应激光里程计。首先通过三维激光雷达采集原始点云数据，经过点云预处理环节后，采用地面分割方法完成点云数据分割并获取路面点云丰富度信息；然后，使用NDT算法将前后两帧点云数据极大限度的进行拉近，实现点云数据的粗配准；最后，在环境判断结论指引下选择合适的ICP算法完成三维点云的高精度配准并根据输出的点云变换关系构建激光里程计。通过在数据集以及不同环境下的大量实车测试，得出该激光里程计在室内结构化环境中的平均位移误差为0026 m，在室外非结构化环境中的平均位移误差为01 m。结果表明，本文构建的激光里程计能够更好的适应复杂环境从而得到更加精确的三维点云地图与SLAM轨迹。     

基于滤波与图优化的定位与建图系统

针对室外大场景环境建图精度不高,地图出现重影和漂移等问题,提出一种融合滤波与图优化理论实时定位与建图系统。该系统由点云数据预处理、基于滤波紧耦合惯性里程计和后端位姿图优化等三部分构成。首先,点云数据预处理采用随机采样一致性算法分割地面,并提取地面模型参数构建后端优化中的地面约束因子。然后,前端紧耦合惯性里程计采用迭代误差状态卡尔曼滤波,以激光里程计作为观测值,IMU预积分结果作为预测值,通过构建联合函数,滤波融合得到较为精准的激光惯导里程计。最后,后端结合图优化理论引入闭环因子、地面约束因子以及帧与图匹配的里程计因子作为约束条件,构建因子图并优化地图位姿。其中闭环因子采用改进的扫描文本的闭环检测算法进行位置识别,可以降低环境误识别率。本文提出的算法在室外厂区楼栋,停车场以及室内车间等多个场景完成场景建图,在距离,水平和高程三个方向的累积偏差均控制10厘米左右,能够有效解决地图的重影和漂移问题,具有高鲁棒性和高精度。     

基于几何仿射与注意力的三维激光点云分类

三维点云分类和分割对于三维重建和自动驾驶等技术的发展具有积极的推动作用。三维点云数据具有无序、不规则和稀疏等特点，因此三维点云分类和分割的研究面临诸多挑战。PCT分类网络采用标量注意力机制提取三维点云局部特征，具有良好的三维点云特征学习能力，在三维点云分类和分割任务中表现出先进的分类精度。然而PCT在对三维点云数据进行下采样时忽视了其稀疏性对几何结构所产生的影响，从而无法充分地提取局部特征致使三维点云分类和分割精度下降。针对该问题，本文提出一种基于注意力机制的三维点云分类分割网络GAM-PCT，具体地，GAM-PCT网络采用了向量注意力机制对单通道特征的权重进行调节，利用减法关系和邻域位置编码对三维点云邻域求取注意力特征，同时在对整体点云下采样时插入即插即用的几何形状仿射（GAM）模块来解决三维点云局部区域的稀疏性问题，进而提升网络的分类准确率。实验结果表明，与PCT三维点云分类和分割网络相比，所提出GAM-PCT网络在数据集ModelNet40上的分类精度提升了0.3%，而在ScanObjectNN数据集上的分类精度提升了1.9%，在ShapeNet数据集上的分割平均交并比值提升了0.2%。同时在网络参数量和FLOPs指标上分别降低了0.31 G和0.69 M。实验结果表明改进后网络的复杂度得到了简化，充分验证了改进方法的有效性。     

有轨电车激光雷达障碍物探测的决策方法

针对有轨电车在高速行驶过程中遇到障碍物会造成严重事故,提出了一种新的基于激光雷达的有轨电车障碍物探测决策方法.首先对激光雷达收集到的数据通过霍夫变换查找到路面与障碍物的交接点;再通过卡尔曼滤波器完成对此点的跟踪;最后使用交互式多模型的算法(the interactive multiple model algorithm,IMM),得出前方存在障碍物的可能性再与预先设定的阈值比较,准确判断出电车的行驶状态和障碍物的位置.通过搭建仿真模型,验证出该算法具有良好的可靠性和鲁棒性.     

激光点云中输电杆塔坐标的快速提取方法

为实现利用无人机进行输电杆塔精细化巡检,需从冗杂的激光点云数据中提取输电杆塔坐标。首先,通过降采样和高程滤波对点云数据预处理;其次,根据杆塔、导线和地面点云的空间特征将每个杆塔初步分离提取;最后,基于杆塔的直立特性和对称特性进一步精提取出独立杆塔。以某市2条220 kV输电线路的激光点云数据为例,本文算法可快速完整地提取出全部输电杆塔坐标,单个杆塔建模效果较好,平均每基杆塔可在2 min内完成提取,有助于后续无人机杆塔精细化巡检的航迹规划。     

基于卷积自编码网络的杆塔点云数据自动分类方法

在输电线路三维可视化自动建模场景中如何实现对杆塔的三维点云数据进行快速准确的自动化分类是一个关键问题,在本文中我们提出了一种基于卷积自编码神经网络CAE的杆塔三维点云数据自动分类算法。首先,我们通过投影计算得到杆塔点云的旋转角度并使用旋转矩阵将杆塔点云摆正,然后进行正面侧面投影获取到杆塔点云的图像;第二,使用收集到的杆塔点云图像组成训练数据集,对卷积自编码网络进行训练之后提取出自编码网络的编码部分用于对图像进行特征提取;第三,使用自编码器对输入的杆塔点云图进行特征抽取,将提取的图像特征向量输入EM进行自动分类。实验结果表明我们所提出的杆塔点云自动分类算法能够快速准确实现对点云数据的自动化分类。     

基于M估计算法的三维点云平面拟合方法研究

通过激光传感器获取的三维点云难免混入噪声和异常点,导致点云平面的拟合精度降低。为解决该问题,本文提出了一种结合M估计样本一致性(MSAC)算法和主成分分析(PCA)法拟合点云平面的方法。该方法首先通过MSAC算法去除点云数据中的异常点,获得较为理想的点云平面,然后使用PCA方法对保留的点云数据进行平面拟合,以获取更加精确的点云平面参数。使用电池托盘作为被测物,应用3D线激光轮廓传感器扫描被测物并将点云数据传输到计算机进行处理。通过设定的仿真数据和电池托盘点云数据进行实验,发现本文方法与随机采样一致性(RANSAC)结合PCA、最小平方中值(LMedS)结合PCA的方法相比,在耗时接近的情况下,能够显著降低异常点对点云平面拟合的影响,获得更精确的平面拟合参数。对两个部分的电池托盘点云滤波处理后进行平面拟合时,能够发现本文方法与其他两种方法相比,标准差分别降低了28.6%和22.5%%、24.0%和29.0%,该方法具有较高的平面拟合精度和实用性。