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,...     

基于单线激光雷达的目标车辆位姿检测方法

对目标车辆的信息进行高效、准确的检测是自动泊车、智能交通等领域的关键技术之一.针对智能泊车机器人对目标车辆进行近距离测量的需求,提出了一种基于单线激光雷达的车辆位姿检测方法.利用激光雷达扫描目标车辆底部区域,并使用DBSCAN聚类算法分割点云.将车轮点云簇视作L形特征,提出了一种基于特征点搜索的车轮拟合算法,同时给出了...     

基于激光雷达的航天器相对位姿测量技术

基于激光雷达的航天器相对位姿测量技术已成为故障航天器在轨捕获与维修、空间垃圾清除等空间操控活动开展必不可少的关键技术之一。针对这一技术,阐述了国内外研究现状;然后,描述了相对位姿测量技术原理,并重点介绍了点云配准方法;最后,进行了航天器模拟器的相对位姿测量精度仿真验证。结果表明:基于激光雷达的航天器相对位姿测量技术方法合理可行,测量精度高,可满足近距离操控中相对导航任务需求,对国内后续开展工程应具有较大参考价值。     

基于改进PointPillars的激光雷达三维目标检测

针对汽车自动驾驶时通过激光雷达进行三维目标检测时识别结果不准确、目标朝向检测偏差较大的问题,提出一种基于改进PointPillars的激光雷达三维目标检测方法。首先,基于Swin Transformer改进PointPillars的二维卷积降采样模块,使得网络特征提取阶段能够使用自注意力机制来丰富上下文语义并获取全局特征,增强算法的特征提取能力。其次,利用点云立柱的特性将点云的地面部分去除,降低冗余点云的影响,从而提高三维目标检测的识别精度。在公开数据集KITTI上进行的验证实验结果表明：所提方法具有更高的检测精度,相较于原PointPillars,平均检测精度提升了1.3个百分点,验证了该方法的有效性。     

基于三维激光雷达技术的输电线路廊道障碍物检测研究

传统的输电线路人工巡检方式存在效率低、代价高等问题,文中基于三维激光雷达技术,利用无人机设计并开发了一套具有较高自动化程度的输电线路廊道障碍物检测方案。该方案能够借助点云数据的预处理、分类提取和测量距离的阈值比较,检测与判断输电线路及周边障碍物的安全距离。测试和分析结果表明,该方案能够较为准确地测量和判断障碍物与输电线路的距离,并能够减少传统人工巡检的损耗,为输电线路廊道障碍物的检测提供帮助。     

基于激光点云的深度语义和位置信息融合的三维目标检测

提出一种高性能的基于深度语义和位置信息融合的双阶段三维目标检测（DSPF-RCNN）算法。在第一阶段提出深度特征提取-区域选取网络（DFE-RPN）,使网络在俯视图中能够提取目标更深层次的纹理特征和语义特征。在第二阶段提出逐点语义和位置特征融合（ASPF）模块,使网络能够自适应地提取目标最有差异性的特征,增强中心点在特征提取时的聚合能力。算法在KITTI数据集上进行测试,结果显示,测试集中Car类目标在Easy、Moderate和Hard水平的检测精度均优于现有的主流算法,检测精度分别为89.90%,81.04%和76.45%;验证集中Car和Cyclist类目标在Moderate水平的检测精度分别为84.40%和73.90%,相对于主流算法提升了4%左右,推理时间为64 ms。最后将算法部署在实车平台上实现了在线检测,验证了其工程价值。     

基于速度积分位姿融合的改进Cartographer算法

针对Cartographer算法在多传感器数据处理中,存在点云中的离群点和噪声影响点云匹配的精度,以及位姿融合算法精度不高的问题,提出一种基于混合滤波算法和速度积分位姿融合的改进Cartographer算法.首先,改进选点策略优化体素滤波算法的重采样过程,提高滤波效率,并引入直通滤波和半径滤波,提出一种混合滤波算法,提...     

单目相机非合作目标提取及位姿检测

针对单一方法难以兼顾图像全局和局部信息准确提取现场环境下的非合作目标边缘的难点,融合聚类等多种算法,提出一种边缘提取新方法。首先,根据图像像素值聚类,每2类间通过阈值进行分割得到1张二值图像;接着将二值图像进行或操作合并。将图像取反后保留最大面积的连通域得到目标分割图片,并提取目标边缘。最后,根据Zernike矩进行亚像素边缘计算。该边缘提取新方法具有较强的适应性,在实际的环境下均可快速有效提取出目标边缘。实验中的非合作目标为设备的三个内孔,用上述方法提取亚像素边缘后拟合出圆心,并用圆心进行相对位姿测量。实验结果表明,该方法鲁棒性强、精度高,最大的位置偏差为0.12 mm,垂直光轴方向姿态角的测量精度可达0.02°,其他两个姿态角的测量精度可达0.07°和0.08°。     

基于改进欧式聚类的三维激光雷达点云目标分割方法

随着科学技术的发展,智能驾驶系统逐渐成为许多学者研究的目标.在这一研究领域中,激光雷达技术已经得到了广泛的应用,其中目标分割在智能车辆对周围环境的识别过程中起着重要作用.由于在对点云进行聚类分割时对相邻目标容易出现欠分割问题,针对这一问题本文提出了一种基于欧式聚类算法的改进方法.首先对点云数据进行预处理,包括下采样和地...     

基于双目视觉的机械臂位姿估计及目标 自动定位系统

针对以往使用的激光测距和单目摄像机估计技术、单眼照相机位姿估计法受到噪点影响而导致估计精准度低的问题,提出了基于双目视觉的机械臂位姿估计及目标自动定位系统设计.使用高压柜按钮,控制机械臂启停.使用FPGA通信协议芯片,节省信号处理时间.构建双目视觉模型,将操作目标的空间位置信息传递给机械臂,从图像中提取特征点,并求解单...     

基于三维激光雷达的室外环境定位算法研究

针对使用激光雷达进行室外定位的问题,提出一种基于三维立体激光视觉的特征匹配定位算法,以提高激光视觉在室外环境的位置特征可靠性和定位精度。该算法首先从原始点云数据中提取三维视觉的物类信息;再对提取的物体类进行特征提取,根据其个体特征进行分类并剔除非地标类,根据与相邻类的位置关系提取群体特征;最后通过与特征地图进行匹配实现全局定位。通过数据集仿真验证,该算法能够准确地提取有效类和位置特征,平均每帧的类提取率达到90%以上,对95%以上的场景都能成功定位,且定位误差不随地图范围增大而积累,具有稳定的定位性能和较高的定位精度。     

基于自适应门控的双路激光雷达三维车道线检测

局部和全局特征提取在车道线检测任务中扮演着重要的角色。针对现有的基于激光雷达的车道线检测算法局部特征提取层次单一和全局特征利用不充分的问题,提出一种基于自适应门控的双路激光雷达三维车道线检测算法。首先,通过全局特征金字塔结构,使网络提取具有全局相关性的多层次车道线特征;其次,引入双路结构,其中辅助通路将底层高分辨率纹理特征压缩到高级抽象语义特征从而降低计算复杂度,压缩的语义特征用作另一个构建的主通路的先验信息,帮助学习更加精细的底层纹理细节,并借助高效移动卷积模块,在缓解注意力窗口效应的同时产生更好的下采样特征;最后,设计一种自适应多阶门控模块来更好地利用上下文信息,使网络自适应捕捉车道线更具代表性的全局纹理及语义特征。在K-Lane数据集上的实验表明,所提算法F1分数较主流模型提升2.6个百分点,在不良光照、严重遮挡条件下分别提升2.7个百分点和3.5个百分点。将算法部署在实车平台实现在线检测,验证了算法的工程实用价值。     

基于深度学习算法的三维激光雷达主动成像目标检测

为了提升目标检测效果,设计基于深度学习算法的三维激光雷达主动成像目标检测方法。利用深度学习算法的生成对抗网络,剔除三维激光雷达主动成像过程中的杂波干扰,得到无杂波干扰的目标三维图像;设计生成模型与对抗模型的损失函数,利用端到端深度神经网络的点云编码层,在无杂波干扰的目标三维图像内,提取目标三维图像特征,并输入目标检测层内;通过目标检测层输出目标检测候选框,利用非极大值结合混合置信度,确定最终目标检测框,完成三维激光雷达主动成像目标检测。实验结果表明：该方法可有效剔除杂波干扰,得到无杂波干扰的目标三维图像;该方法可有效完成三维激光雷达主动成像目标检测,且在不同目标运动模糊长度像素时,该方法目标检测的交并比均高于阈值,说明该方法的目标检测精度较高。     

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。     

基于点云实例分割的鲁棒多目标位姿估计

针对多目标位姿估计过程中点云局部特征存在类间错误匹配的问题,提出了基于点云实例分割的鲁棒多目标位姿估计算法。首先,基于密度聚类对场景点云进行分割得到点云簇,并用快速点特征直方图（FPFH）描述子对分割后的点云簇进行局部特征提取;然后利用随机森林算法对聚合后的点云簇的局部特征进行分类,完成点云实例分割;之后对于场景中每一个分割后的实例,采用近似近邻快速库（FLANN）匹配算法对场景实例和模型进行特征匹配,得到实例分割后的点在对应类别模型上的匹配点,利用随机采样一致（RANSAC）算法以及最小二乘算法计算初始位姿;最后经过点到平面迭代闭合点（ICP）算法得到每个实例的精确位姿。在CV-Lab 3D合成数据集以及UWA真实采集数据集下的实验结果表明,相比直接匹配模型和全部场景点的局部特征进行多目标位姿估计,所提算法能够有效提升局部特征匹配阶段的内点概率,从而提升复杂场景下位姿估计的鲁棒性和准确率,尤其适用于场景中具有多个实例的位姿估计应用。     

复杂场景点云数据的6D位姿估计深度学习网络

针对工业上常见的弱纹理、散乱摆放复杂场景下点云目标机器人抓取问题,该文提出一种6D位姿估计深度学习网络。首先,模拟复杂场景下点云目标多姿态随机摆放的物理环境,生成带真实标签的数据集;进而,设计了6D位姿估计深度学习网络模型,提出多尺度点云分割网络(MPCS-Net),直接在完整几何点云上进行点云实例分割,解决了对RGB信息和点云分割预处理的依赖问题。然后,提出多层特征姿态估计网(MFPE-Net),有效地解决了对称物体的位姿估计问题。最后,实验结果和分析证实了,相比于传统的点云配准方法和现有的切分点云的深度学习位姿估计方法,所提方法取得了更高的准确率和更稳定性能,并且在估计对称物体位姿时有较强的鲁棒性。