无人车动态场景分析关键技术研究
发布时间：2020-12-04 17:05
无人车所处的场景一般都含有动态特性,这些动态特性会影响无人车的自主驾驶系统,因此对动态场景进行分析对无人车具有重要作用。相比于场景理解,场景分析是基础,更侧重于底层问题研究。本文通过二维和三维数据融合,从时空角度出发,将动态场景特性分为相关联的静态特性和动态特性,重点研究了用于分析这些特性的相关关键技术,即针对静态特性分析的可通行区域检测,以及针对动态特性分析的动静区域分割。本文的主要工作和创新点如下:1.提出一种基于高斯过程回归与条件随机场的鲁棒可通行区域检测算法。基于几何特性的可通行区域检测算法相比基于学习的方法具有鲁棒性和可迁移性,并且相比传统的基于单一特征的方法更加灵活。本文提出采用贝叶斯框架对多类信息进行概率化弹性输出,并针对可通行区域起伏变化的特点,采用一种基于改进的非静态协方差核函数的高斯过程回归对概率输出进行递推式拟合和回归,将处理过的结果利用条件随机场模型得到结构化的最终输出。通过在KITTI道路检测公开数据集以及自建校园数据上的测试,与基准方法的效果相比获得了明显提升,并且在主要基于几何特征的方法中排在第二位,甚至接近了排在第一位基于激光雷达精准三维点的方法。2.提...
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：135 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与研究意义
1.1.1 智能汽车研究现状
1.1.2 本课题研究意义
1.2 动态场景分析简介
1.2.1 常用传感器简介
1.2.2 相关基础理论
1.2.3 动态场景分析关键技术
1.2.4 本文采取的方法
1.3 论文组织结构与创新点
1.3.1 论文组织结构
1.3.2 本文创新点
1.4 本章小结
第二章 基于高斯过程回归与条件随机场的可通行区域检测
2.1 引言
2.2 相关工作
2.3 算法流程简述
2.4 预处理与特征表示
2.4.1 二维和三维数据
2.4.2 极坐标的构建
2.4.3 基于贝叶斯框架的多特征融合
2.5 高斯过程回归
2.5.1 采用高斯过程回归的动机
2.5.2 高斯过程回归后的能量计算
2.5.3 协方差矩阵的选择
2.5.4 几何超参数的学习
2.6 条件随机场融合
2.7 实验和讨论
2.7.1 实验设置
2.7.2 数据集
2.7.3 基准算法
2.7.4 KITTI数据上的定量结果对比
2.7.5 自建校园数据集上的定性实验结果对比
2.7.6 实验结果与讨论
2.8 本章小结
第三章 基于立体视觉和条件随机场的动静区域分割
3.1 引言
3.2 相关工作
3.3 动静区域分割问题的数学模型
3.4 算法流程与初始化
3.5 基于立体视觉的条件随机场模型
3.5.1 数据项
3.5.2 平滑约束项
3.6 动静区域分割问题的优化
3.6.1 超像素级别的动静区域分割
3.6.2 像素级别的动静区域分割
3.7 动静区域运动估计更新
3.8 实验与讨论
3.8.1 实验设置
3.8.2 数据集和基准算法
3.8.3 里程计实验对比
3.8.4 动静区域分割
3.8.5 动态目标检测实验
3.9 本章小结
第四章 基于激光雷达点云和单目图像融合的场景流和动静区域分割
4.1 引言
4.2 相关工作
4.2.1 场景流相关工作
4.2.2 基于目标检测和跟踪相关工作
4.3 问题定义
4.4 算法流程
4.5 基于激光雷达点云和单目图像的动态区域分割
4.5.1 预处理
4.5.2 基于条件随机场的能量模型
4.5.3 后处埋
4.6 实验与讨论
4.6.1 实验设置
4.6.2 基于激光雷达点云的动静区域分割演示细节
4.6.3 场景流数据集上的定量实验
4.6.4 动静区域分割实验
4.6.5 动态目标检测实验
4.6.6 融合多帧的可通行区域检测实验
4.7 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号：2897951
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：135 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 研究背景与研究意义
1.1.1 智能汽车研究现状
1.1.2 本课题研究意义
1.2 动态场景分析简介
1.2.1 常用传感器简介
1.2.2 相关基础理论
1.2.3 动态场景分析关键技术
1.2.4 本文采取的方法
1.3 论文组织结构与创新点
1.3.1 论文组织结构
1.3.2 本文创新点
1.4 本章小结
第二章 基于高斯过程回归与条件随机场的可通行区域检测
2.1 引言
2.2 相关工作
2.3 算法流程简述
2.4 预处理与特征表示
2.4.1 二维和三维数据
2.4.2 极坐标的构建
2.4.3 基于贝叶斯框架的多特征融合
2.5 高斯过程回归
2.5.1 采用高斯过程回归的动机
2.5.2 高斯过程回归后的能量计算
2.5.3 协方差矩阵的选择
2.5.4 几何超参数的学习
2.6 条件随机场融合
2.7 实验和讨论
2.7.1 实验设置
2.7.2 数据集
2.7.3 基准算法
2.7.4 KITTI数据上的定量结果对比
2.7.5 自建校园数据集上的定性实验结果对比
2.7.6 实验结果与讨论
2.8 本章小结
第三章 基于立体视觉和条件随机场的动静区域分割
3.1 引言
3.2 相关工作
3.3 动静区域分割问题的数学模型
3.4 算法流程与初始化
3.5 基于立体视觉的条件随机场模型
3.5.1 数据项
3.5.2 平滑约束项
3.6 动静区域分割问题的优化
3.6.1 超像素级别的动静区域分割
3.6.2 像素级别的动静区域分割
3.7 动静区域运动估计更新
3.8 实验与讨论
3.8.1 实验设置
3.8.2 数据集和基准算法
3.8.3 里程计实验对比
3.8.4 动静区域分割
3.8.5 动态目标检测实验
3.9 本章小结
第四章 基于激光雷达点云和单目图像融合的场景流和动静区域分割
4.1 引言
4.2 相关工作
4.2.1 场景流相关工作
4.2.2 基于目标检测和跟踪相关工作
4.3 问题定义
4.4 算法流程
4.5 基于激光雷达点云和单目图像的动态区域分割
4.5.1 预处理
4.5.2 基于条件随机场的能量模型
4.5.3 后处埋
4.6 实验与讨论
4.6.1 实验设置
4.6.2 基于激光雷达点云的动静区域分割演示细节
4.6.3 场景流数据集上的定量实验
4.6.4 动静区域分割实验
4.6.5 动态目标检测实验
4.6.6 融合多帧的可通行区域检测实验
4.7 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
致谢
参考文献
作者在学期间取得的学术成果
本文编号：2897951
本文链接：https://www.wllwen.com/kejilunwen/qiche/2897951.html
