视觉与二维激光雷达的目标检测方法

为了改进单一传感器对目标物体的检测范围小、检测特征少以及检测准确率较低的问题,提出一种视觉与二维激光雷达的目标检测方法。在视觉检测方面提出一种改进的GoogLeNet算法实现视觉对目标物体的识别,该方法相比GoogLeNet算法在对6种目标物体的识别准确率上提高了0.7%。在二维激光雷达检测方面采用欧氏聚类算法对二维激光雷达的点云数据聚类,接着使用RANSAC算法对聚类簇中的数据点进行筛选,最后使用卡尔曼滤波算法对目标物体的位置进行预测,实现二维激光雷达在特定平面上360°对目标物体进行跟踪检测和定位。实验结果表明,该方法使得移动机器人扩大了检测范围、增加了检测特征并提高了识别准确率。     

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。     

基于多特征融合的云平台异常点检测方法研究

针对传统云平台异常点检测方法存在准确率低和运算速度慢的问题,提出基于多特征融合的云平台异常点检测方法,构建云平台不同子系统的特征空间优化模型,实现不同子系统之间的特征自动融合.首先设计基于多特征融合的云平台异常点检测算法,对模型约束进行监测分析;然后通过试验验证方法不仅能够进行云平台异常点检测,而且比其他传统方法有更高的准确率和更快的计算速度.     

面向海面油污清理的无人艇协同路径规划研究

针对海面油污清理,人工清理方法成本高、危害高,尤其无法适应恶劣天气下的复杂海况及易发生火灾的有毒油污环境。为此,引入装载油污清理设备的多艘无人艇协同清理海面油污成为一种必要方式。为了解决多艘无人艇之间的高效协作,提出了一种自定义直角路径规划算法。首先,将给定油污图像进行边缘轮廓提取、凸包点查找与聚类;其次,确定目标凸包点及其与多无人艇间的分配;然后,通过自定义直角法路径规划出由当前位置至目标凸包点的无碰撞路径。最后,进行对比仿真实验,验证了自定义直角路径规划算法规划出的路径转折点少、易于无人艇跟踪、更具可行性和优越性。     

融合相机与激光雷达的目标检测与尺寸测量

针对三维场景下的目标检测与尺寸测量任务,设计了一种融合激光雷达和相机传感器的三维目标检测和尺寸测量算 法。 使用基于卷积神经网络的二维目标检测器提取目标的二维检测框,结合图像中的二维检测框和几何投影关系获取包含物 体的三维视锥点云,由欧氏聚类方法获得物体的聚类点云,实现了物体的三维目标检测。 提出了基于目标二维检测框的改进尺 寸测量方案以替代原有点云聚类后得到的三维框信息,提高了物体尺寸测量的精度。 在现有数据集上评估测试了目标检测与 尺寸测量的精度,实验结果表明,二维目标检测器 YOLOv7 在检测数据集上的平均检测精度达到了 81%,改进尺寸测量方案在 物体尺寸测量时的测量误差在 5%以内,对于较远物体或较小物体的目标检测和尺寸测量也具有很好的效果。     

基于激光雷达和相机融合的目标检测

针对单一传感器在智能车辆目标检测中的局限性,提出了一种利用四线激光雷达和相机融合的目标检测算法.通过激光雷达得到目标的位置和编号信息,并将点云聚类后得到的结果通过激光雷达和相机联合标定的参数矩阵投影到图像上得到目标的边界框.将采集到的图片通过YOLOv3网络得到目标的边界框、类别和置信度.然后,采用决策级融合方法将激光...     

一种融合聚类和异常点检测算法的窃电辨识方法

聚类算法和异常点检测算法都是数据挖掘的重要方法。已有的聚类和异常点检测算法主要针对规律性数据挖掘,而没有将两种算法融合用于数据分析实现窃电辨识的方法。鉴于此,在分析相关算法原理和电量数据特征的基础上,提出一种融合聚类算法和异常点检测算法的窃电辨识方法,通过对电量异常数据的深入挖掘实现对窃电用户的准确辨识。理论分析和实验结果表明,该方法可有效提高窃电辨识的准确性,具有一定的实用性。     

基于μPMU的智能配电网预想故障集组合筛选方法

智能配电网预想故障集筛选是系统安全态势评估的重要基础。为了全面精准感知智能配电网的安全风险，引入具有实时性、同步性、准确性和量测数据全面性的微型同步相量测量单元（μPMU），提出一种基于其高密集采样数据的融合类内与类间距离的加权K-means聚类方法（KICIC）和云理论的预想故障集组合筛选排序方法。首先遍历智能配电网各节点发生各故障类型的场景构建故障数据集；然后采用KICIC算法进行故障数据集聚类分析，进而基于云模型的云数字特征客观量化评估故障类严重度不确定性的危害并输出预想故障集；最后算例结果表明：融合KICIC聚类和云模型的预想故障集组合筛选排序方法从数据挖掘层面实现高风险预想故障集的可靠筛选。     

面向无人艇智能感知的水上目标识别算法研究

针对水面无人艇(unmanned surface vessel,USV)智能感知系统对图像处理过程的准确性和实时性要求,研究了一种根据无人艇上机载视觉传感器对水上目标进行识别与定位的算法.首先根据开源数据集与实验数据采集图像,对实验数据抽帧、去重、标注、统计,创建了水上目标识别数据库YZ10K;其次实践了主流的基于深度学习的目标检测方法,包括Faster R-CNN、SSD、YOLOv3等;最后针对水上目标特点,提出了一种基于改进YOLOv3的增强型轻量级水上目标检测网络WT-YOLO(water target-you only look once).无人船实验验证表明,WT-YOLO算法取得了准确且快速的目标识别效果,平均精度为79.30％,处理速度为30.01 fps.     

噪声背景下基于激光雷达点云数据的分裂导线自动提取与三维重建

提出了基于改进DPC算法的具有强抗噪性的分裂导线自动提取与三维重建方法。以噪声背景下的输电线路点云数据为分析对象，首先根据特征分析法滤除输电线路点云中的地物点和杆塔点，并采用K-MEANS聚类方法提取每根电力线点云；然后提出改进DPC算法实现分裂子导线点云的聚类和提取；最后采用最小二乘法实现各分裂子导线三维模型重建。并与K-MEANS算法的聚类结果进行了对比，证明了改进DPC算法的强抗噪性和鲁棒性。     

GPS/BDS和IMU融合技术在无人配送车定位解算中应用研究

为了提高无人配送车定位精度,将GPS/BDS和惯性测量单元（IMU）多传感器融合技术用于无人配送车定位系统。为了解决GPS/BDS和IMU定位解算时产生的信号缺失和累计误差而导致的定位精度不高,抗干扰差等问题。本文采用CKF算法将GPS/BDS和（捷联惯导）SINS解算出的定位结果进行滤波处理,从而提高定位精度。当GPS/BDS定位接收模块信号缺失时,将IMU提供的数据结合SINS算法解算出无人配送车的当前位置;在IMU定位过程出现的累计误差问题处理上,利用CKF处理过GPS/BDS接收机数据进行矫正。为了验证融合GPS/BDS和IMU的定位解算方法的优越性,实验中使用单个BDS定位系统进行定位结果比较。实验结果表明,使用本文所述方法速度误差减少了27.89%,位置误差减少了38.81%,能有效提高无人配送车在配送物品的过程中定位的精确度和稳定性。     

基于先验距离约束的3D卷积毫米波雷达目标检测方法

用于辅助和自动驾驶系统的各种传感器中,相机和激光雷达的感知性能受天气影响较大,而车载毫米波雷达是一种低成本且几乎不受天气影响的全天候工作器件,对于运动的物体,可提取丰富的多普勒信息。随着雷达技术和开源标注数据集的发展,基于底层雷达数据的目标检测已经成为一个非常有前景的领域。为解决车载毫米波雷达数据的角度分辨率低导致的目标检测和定位不准确的问题,并提升毫米波雷达目标检测的性能,提出了一种基于先验框距离约束的3D卷积毫米波雷达目标检测方法,以实现多种动态目标的检测及分类。在本文方法中,通过设计3D ResNet的特征提取器来表征距离-角度-多普勒张量中的目标信息,解决现有的模型因忽略来自原始3D雷达信号的多普勒信息而表征不足的问题;其次,添加了绝对距离损失函数来训练模型,克服距离对目标呈现的影响,提高目标检测的准确性和鲁棒性;此外,还提出了分距离单元区间重新设置先验框的方法,解决现有方法中先验框设计不合理的问题。所提出的模型在RADDet数据集上进行训练以及测试,实验结果表明：与目前的最先进的方法相比,本文模型在IoU阈值为0.1、0.3、0.5、0.7时均达到最优,其中IoU为0.1和0...     

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。     

一种基于改进YOLOv4的SAR舰船检测算法

在大量数据支持的背景下,如何高效利用大量SAR图像,提升舰船目标的检测精度是当前舰船目标检测的难题。本文聚焦如何提升YOLOv4算法对SAR舰船目标的检测精度,提出了一种融合多尺度和注意力增强的YOLOv4增强算法。在原YOLOv4的PANet中加入注意力模块（CBAM）,同时使用加强的K-means聚类算法对数据集中的舰船目标真实框进行聚类,并对锚框结果进行线性比例变换,让算法锚框更适合于训练集。实验证明本文提出的算法在SAR舰船检测中的平均准确率（）达到了94.05%,比原始YOLOv4精度提高了0.7%。实验结果充分证明本文提出的算法能够提升SAR舰船图像检测精度,为海上活动判断精确化提供技术支持。     

面向大型室内场景的无人机三维激光雷达解耦SLAM方法

大型室内场景通常在高程方向结构较为相似,导致激光雷达扫描点云在高程方向特征退化,传统激光雷达SLAM的无人机定位方法易发生高程特征误匹配。针对于此,提出了一种基于惯性/高度传感器信息辅助的机载三维激光雷达解耦SLAM算法：将高度传感器、惯性姿态引入点云初始化过程,提高初始位姿匹配精度;将基于多元正态分布的点云配准算法在水平、高度通道解耦,约束点云配准方向,提高高程退化环境下的定位精度;同时使得传统SLAM六维位姿解算降为三维,降低了计算量。通过Gazebo构建船舱仿真场景,对提出的方法进行验证,结果表明本文方法可以提高在高程特征退化下的激光雷达SLAM定位精度,比传统算法提升40%以上,并有效提高了计算效率。     

基于嵌入式系统的智能售货柜目标检测算法

针对普通商品识别算法在智能售货柜嵌入式系统平台上检测速度慢、识别率低的问题,提出了一种在YOLOv3基础上的改进型商品识别算法DS_YOLOv3.利用k-means++聚类算法得到适应于售货柜中售卖饮料图像数据的先验框;采用深度可分离卷积替换标准卷积,并加入倒置残差模块重构YOLOv3算法,减少了计算复杂度使其能在嵌入式平台实时检测;同时引入CIoU作为边界框回归损失函数,提高目标图像定位精度,实现了对传统YOLOv3算法的改进.在计算机工作站和Jeston Xavier NX嵌入式平台上进行了典型场景下的商品检测实验.实验结果表明,DS_YOLOv3算法mAP达到了96.73％,在Jeston Xavier NX平台上实际检测的速率为20.34fps,满足了基于嵌入式系统平台的智能售货柜对实时性和商品识别精度的要求.     

激光雷达无人飞行器自主着陆选址方法

无人飞行器在陌生场景中的自主路径规划与着陆工作一直是相关领域研究的重点,提出了一种基于激光雷达采集到的点云数据来给飞行器推荐最优着陆地址的方法。该方法通过飞行器位姿信息辅助以及选址窗口维护等手段校正并扩充了雷达采集到的原始点云数据,之后再利用改进的RANSAC算法对生成的候选平面进行评估选择,最后反馈最优着陆点的位置坐标信息。仿真环境下的实验结果表明该方法运算结果稳定准确,且运算速度满足飞行器实时工作需求,同时计算所需空间时间开销较小,能够符合在现实场景中正常工作的标准。