基于激光雷达巡检机器人的变电站三维地图构建

变电站场景相比于一般场景,更为复杂,相似场景多,不易于三维(3D)可视化,基于传统迭代最近点(ICP)算法的点云匹配易出现地图误匹配.为了解决上述问题,设计了基于三维激光雷达的巡检机器人系统,利用三维激光雷达提供的点云信息构建三维地图;同时优化传统点云匹配算法,采用基于特征的点云匹配算法,解决由于相似场景导致误匹配,出...     

基于粒子滤波的智能机器人定位算法

自主定位是智能机器人的关键性技术。针对轮式智能机器人在使用里程计、激光雷达进行定位过程中存在较大误差的问题,联合双目摄像机和激光雷达数据,提出基于粒子滤波的自适应蒙特卡洛(AMCL)优化定位算法。预测阶段,利用双目摄像机和激光雷达数据改善提议分布,减少滤波过程中重采样的粒子数,用更少的粒子数来估计机器人的后验概率分布。在激光雷达匹配点云时,提出一种分组阶梯式阈值判断法,在不降低点云匹配效果的情况下,有效降低现有的迭代最近点(ICP)匹配算法的计算量。为了验证改进算法的性能,在四轮智能机器人平台上进行实验。结果表明:改进的AMCL优化定位算法可以有效提高机器人的定位精度,具有较好的实用性。     

模拟激光雷达点云在路侧感知算法中的应用

路侧感知算法融合车载感知算法实现了超视距感知, 基于深度学习的感知算法性能取决于激光雷达点云标签标注的质量, 而点云标签相对于二维图像更难标注, 需要大量时间人力成本进行标注, 且现行感知算法都是针对于车载激光雷达. 针对这些问题, 本文提出了一种基于路侧激光雷达栅格特征聚类的感知算法, 该算法首先对路侧激光雷达点云栅格化并提取特征, 再构建深度学习方法模型学习栅格的初级感知信息, 最后根据初级感知信息进行聚类完成感知检测. 本文还利用仿真平台模拟路侧激光雷达点云, 并研究混合数据集在感知算法训练上的应用, 基于模拟数据预训模型微调(Fine-tune)在感知算法上的应用. 实验结果表明, 本文提出的路侧感知算法具有较高的实时性与可靠性, 模拟路侧激光雷达点云有助于路侧感知算法训练, 减少路侧感知算法对标注工作的依赖, 提高感知算法性能.     

路侧多激光雷达协同感知和误差自校准方法

多激光雷达3D点云数据融合能够弥补单个激光雷达感知范围有限的缺陷,而雷达安装误差自校准能够获取更加准确的感知数据。基于此,提出了路侧激光雷达协同感知数据融合算法和安装误差自校准方法。首先,使用KD-tree和k近邻算法查找两幅点云的重叠点,并对重叠点进行拼接处理。其次,基于深度学习模型实现多激光雷达数据融合,利用点云数据拼接特征实现激光雷达的误差自校准。最后,基于长安大学车联网与智能汽车试验场搭建多激光雷达数据采集平台,采集试验场内的点云数据来验证本次提出的数据融合算法和误差自校准方法。结果表明,后融合目标识别比前融合目标识别效率提升11.6%,且激光雷达误差自校准方法使有效数据精度提升了13.44%。     

一种多层次数据融合的SLAM定位算法

针对2D激光SLAM(同步定位和地图构建)机器人导航中激光点云匹配计算量大、轨迹闭合效果差、位姿累积误差大、以及各环节传感器观测数据利用不充分等问题,提出一种基于多层次传感器数据融合的实时定位与建图方法——Multilevel-SLAM.首先,在数据预处理方面,利用IMU(惯性测量单元)数据预积分结果为激光点云配准提供坐标转换依据.对激光点云进行特征采样,降低点云匹配计算量.其次,通过无迹卡尔曼滤波算法融合IMU、LiDAR(激光雷达)观测量得到机器人位姿,来提高闭环检测效果.最后,将激光点云配准约束、闭环约束、IMU预积分约束加入到SLAM算法的后端优化中,对全局地图位姿节点估计提供约束配准,实现多层次的数据融合.在实验中利用LiDAR-IMU公开数据集对Karto-SLAM、Cartographer和Multilevel-SLAM算法进行性能测试对比.Multilevel-SLAM算法的定位精度始终保持在5 cm以内,而对比方法则存在不同程度的定位偏移.实验结果表明,在没有显著增加计算量的前提下,Multilevel-SLAM算法有效提高了闭环处的轨迹闭合效果,具有更低的定位误差.     

基于激光雷达和视觉融合的机器人SLAM应用研究

通过研究激光雷达和视觉传感器融合SLAM,实现双目视觉传感器对单线激光雷达点云的补充,以提高建图精度。实现方案以2D激光雷达点云数据为主,双目视觉传感器作为激光雷达点云盲区的补充,搭建SLAM实验平台,完成机器人实时地图构建并获取当前位置信息,同时降低携带传感器的成本。     

激光雷达点云数据的滤波算法述评

机载激光雷达是一种快速获取高精度三维地理数据的新技术,对它所获取的点云数据的滤波过程就是将LIDAR点云数据中的地面点和非地面点分离的过程。主要对数学形态学的滤波算法、基于坡度的滤波法、基于TIN的LIDAR点云过滤算法、基于伪扫描线的滤波算法、基于多分辨率方向预测的LIDAR点云滤波方法等几种较为重要且实用的激光雷达点云数据滤波算法进行介绍和讨论,评价对比了各自算法的优势和不足,初步探讨了每种算法缺陷及其改进方向。     

利用神经网络的城区机载激光雷达点云分类算法

为了将神经网络应用于城区激光雷达点云数据分类,并针对大规模点云数据训练过程中计算量大、耗时长的问题,改进原有PointNet神经网络,加入了点云邻域特征的提取和分析,提出了一种新的点云分类算法。通过网格化聚类和重采样压缩原始点云数据量,提取多尺度邻域点云数据,利用改进PointNet完成对城区点云数据的分类,并用不同地区数据验证该分类算法。结果表明该算法分类效果良好,分类精度较高;数据训练过程中的计算量减少;能够对城区机载激光雷达数据实现有效分类。     

基于环境信息实时感知的图书存取机器人移动轨迹检测

为保证机器人在图书存取时,按照设定轨迹完成图书存取,研究基于环境信息实时感知的图书存取机器人移动轨迹检测方法。通过在机器人上搭载激光雷达设备,采集机器人移动环境三维点云数据;采用贝叶斯估计方法融合该数据后,基于图优化算法构建机器人移动地图;采用平滑接近图算法,检测机器人在地图中的移动方向角,结合机器人所有的方向角结果实现机器人移动轨迹检测。测试结果显示：该方法能可靠获取机器人移动环境的三维点云数据,清晰生成机器人移动地图,并呈现障碍物情况;机器人最大方向角度检测误差结果为1.23°;机器人的移动轨迹位置和指定位置结果吻合程度较高。     

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。     

机载激光雷达系统高精度点云生成研究

为了解决基于无人直升机的机载激光雷达(Lidar)系统中获得三维激光点云数据的效率低、精度低问题,提出了一种可获得高精度三维点云数据的解决方案;从系统点云数据生成原理分析影响点云精度的因素;实现十一阶扩展卡尔曼算法对多传感器数据进行数据融合处理,充分利用了不同传感器的优点;改进的扩展卡尔曼融合算法,不但有效地降低噪声和干扰对系统影响,而且提高了激光雷达系统点云数据的可靠性和精度;实验结果验证了算法的正确性和点云数据的精度。     

基于改进栅格图的道路和障碍物检测算法研究

多线激光雷达(LIDAR)是无人驾驶汽车在环境感知过程中的核心传感器,运用多线激光雷达中提取的点云数据进行道路和障碍物检测是环境感知过程中重要的任务.目前常见的栅格化算法无法实现高效的障碍物和道路检测,论文针对这些问题提出一种新颖改进栅格化方法,通过统计栅格内点云高度分布的方法进行障碍物分类,有效避免噪声点和悬浮障碍对结果的影响,并运用自适应半圆弧道边点搜索和改进RANSAC(Random Sample Consensus)算法结合进行道边检测.最终,在实验中验证了算法的精度和实时性.     

大规模三维点云快速拾取技术研究

为三维点云处理系统点云查询与交互编辑功能的实现,在系统总结当前计算机三维图形拾取主要方法的基础上,提出三维点云拾取基本方法.针对实际LiDAR(激光雷达)点云处理中往往为大规模点云数据,通过层次包围盒引入四叉树,提出了基于四叉树的大规模三维点云快速拾取系列算法,并从提高四叉树构建速度、降低四叉树内存占用角度,采取有效策略,使得算法整体效率得到进一步优化,实验结果表明算法在大规模三维点云拾取速度和精度上均达到了很好的效果.     

基于最小二乘曲线拟合法的点云滤波算法研究

作为机载激光雷达数据处理的关键环节,激光雷达点云滤波一直是数据应用的重要前提和研究热点.本文充分考虑激光雷达通过线扫描获取数据的特点,并结合最小二乘曲线拟合法得到的拟合值具有跟随地形变化的特点,提出了一种最小二乘曲线拟合法用于点云滤波的算法.试验结果表明,该算法能获得准确的地形点,对地物复杂的城区及斜坡地区都有良好的滤...     

车载激光雷达点云数据处理关键技术

激光雷达具有探测精度高、穿透能力强、能够三维成像等诸多优点,故自动驾驶车辆常常搭载激光雷达来对车身周围环境进行感知;车辆实现自动驾驶的关键技术包括车载激光雷达信号的发射、接收和对点云数据的处理,通过对接收到的点云数据进行处理可以使车辆准确的感知到当前路面状况并做出相应操作;文章重点介绍了车载激光雷达点云数据处理中的关键技术,对每个关键技术中常用算法的基本原理、优缺点和改进等进行了阐述,以期为车载激光雷达点云数据处理提供参考。     

茂密植被区域LiDAR点云数据滤波方法研究

点云数据的滤波和分类是激光雷达数据应用处理重要环节,是当前研究的热点问题。本文针对茂密植被区域点云数据的特点,提出了以移动窗口和坡度算法为基础的改进的点云数据滤波算法。试验结果表明,改进的滤波算法对地形变化复杂、植被郁闭度较高覆盖、地面激光脚点比少的点云数据有良好的效果。     

应用激光雷达与相机信息融合的障碍物识别

针对探测器在地外星体表面软着陆过程中的障碍物识别问题,提出了一种融合三维点云数据与灰度图像数据进行精确障碍物识别的方法。首先利用坐标转换将灰度图像与三维点云归一化到同一坐标系下,实现传感器数据的融合。然后采用改进K均值聚类算法对预处理后灰度图像进行图像分割,生成光学障碍图。最后利用开源库PCL(Point Cloud Library)对激光雷达生成的三维激光点云数据进行处理,采用随机采样一致性算法提取着陆区地形水平面,对去除水平面后的点云数据进行点云分割,分离出突起物、凹坑等障碍物,并通过激光雷达与相机转换坐标系,投影到像平面,生成最终障碍图。     

新能源汽车激光雷达传感器缺失数据填补方法研究

为了增强车辆激光雷达传感器数据采集的全面性,研究新能源汽车激光雷达传感器缺失数据填补方法。利用数据融合的点云采集技术和中值滤波算法,预处理点云数据。采用改进的噪声密度聚类算法构建点云超体素块,建立图模型,并利用图割算法进行全局聚类。结合典型地物特征提取地物信息,并利用全景图像进行密集匹配填补缺失区域,以完成点云数据中空洞区域的填补。实验结果表明,该方法能够有效实现缺失数据的填补,并且填补效果良好。填补后的点云数据与缺失区域原始点云在深度方向上的分布状况几乎一致。     

基于多传感信息融合的语义词袋SLAM优化算法

针对室外大范围场景移动机器人建图中,激光雷达里程计位姿计算不准确导致SLAM (simultaneous localization and mapping)算法精度下降的问题,提出一种基于多传感信息融合的SLAM语义词袋优化算法MSW-SLAM(multi-sensor information fusion SLAM based on semantic word bags)。采用视觉惯性系统引入激光雷达原始观测数据,并通过滑动窗口实现了IMU (inertia measurement unit)量测、视觉特征和激光点云特征的多源数据联合非线性优化;最后算法利用视觉与激光雷达的语义词袋互补特性进行闭环优化,进一步提升了多传感器融合SLAM系统的全局定位和建图精度。实验结果显示,相比于传统的紧耦合双目视觉惯性里程计和激光雷达里程计定位,MSW-SLAM算法能够有效探测轨迹中的闭环信息,并实现高精度的全局位姿图优化,闭环检测后的点云地图具有良好的分辨率和全局一致性。     

基于特征匹配的激光雷达和相机外参标定方法

智能驾驶系统的车载传感信息通常由激光雷达信息和相机信息融合而成,精确稳定的外参数标定是有效多源信息融合的基础。为提高感知系统鲁棒性,文章提出一种基于特征匹配的激光雷达和相机标定方法。首先,提出点云数据球心算法和图像数据椭圆算法提取特征点的点云三维坐标和像素二维坐标;接着,建立特征点在激光雷达坐标系和相机坐标系下的点对约束,构建非线性优化问题;最后,采用非线性优化算法优化激光雷达和相机的外参数。利用优化后的外参数将激光雷达点云投影至图像,结果显示,激光雷达和相机联合标定精度横向平均误差和纵向平均误差分别为3.06像素和1.19像素。文章提出的方法与livox＿camera＿lidar＿calibration方法相比,平均投影误差减少了40.8%,误差方差减少了56.4%,其精度和鲁棒性明显优于后者。