基于三维激光雷达的道路环境感知
发布时间：2020-12-12 12:37
自从汽车诞生起人们就开始了对无人驾驶的无尽幻想。对于无人驾驶来说,难度不在于控制车辆而是在于如何让计算机代替驾驶员观察道路环境,这一点正是道路环境感知技术所研究的目标。具体而言,道路环境感知技术要能捕获道路环境信息,分割道路当中的地面信息和各种障碍物并确定障碍物类别和位置。道路环境感知技术的提升对无人驾驶的技术研究和实际应用都有着重大价值。论文设计了基于三维激光雷达的道路环境感知系统,包括道路环境三维点云信息采集、点云信息预处理、基于连通域标记的点云分割和基于SVM的点云分类算法、基于改进Unet神经网络的体素分割算法和基于边界框生成的障碍物定位算法。点云预处理环节包括感兴趣区域划分、体素化和地面点云分割三部分。海量的点云数据经由感兴趣区域的划分和体素化处理,数据量大大减少。之后对比己有的基于随机抽样一致性和基于体素栅格高程差的地面点云分割算法,根据其不足和点云信息的特点,设计基于双阈值的地面点云分割算法。实现对于道路环境中地面与坡面的点云分割与滤除。障碍物点云的分割环节采用两种方法实现,一是基于连通域标记和SVM的障碍物点云分割分类算法。结合点云图像特征,采取基于多尺度的连通域标记算...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
图１－２?２．５Ｄ栅格地图??Ｆｉｇ．?１－２?２．５Ｄ?ｒａｓｔｅｒ?ｍａｐ??
来自加州大学圣地亚哥分校的Ｊａｃｏｂｙ?Ｌａｒｓｏｎ等人为了简化点云信息，将??所有的点云信息投影到ｘｏｙ平面，以４０ｃｍ＊４０ｃｍ的尺度划分栅格，每个栅格内??包含高程、地形可穿越性措施等附加信息，构成２．５Ｄ的栅格地图，如图１－２。??日本的Ｃｈｕｎｚｈａｏ?Ｇｕｏ等人［１３］在格栅地图的基础之上，利用道路几何的梯度??线索构建马尔可夫随机归档（ＭＲＦ）。同时实现一种有效的置信传播算法，将道??路环境分为四类，即可达区域、可驱动区域、障碍区域和未知地区。可以较好的??识别地形的倾斜或路面的崎岖，并将可通行区域标注出来。如图１－３，从左至右??分别为激光雷达的点云数据图，基于梯度多重标记后的道路环境图，可通行区域??标记图（绿色）。??图１－３道路环境感知图??Ｆｉｇ．?１－３?Ｒｏａｄ?ｅｎｖｉｒｏｎｍｅｎｔ?ａｗａｒｅｎｅｓｓ?ｍａｐ??来自葡萄牙的Ａｓｖａｄｉ?ＡＨｒｅｚａ等人【１４】使用分段平面拟合算法和ＲＡＮＳＡＣ方法??的拟合成一组多重曲面，可以对地表信息进行有效的估计。并提出了基于体素和??平面的城市地面建模和障碍物检测方法环境，使用体素格网模型的静态和移动障??碍物检测使用判别分析和自我运动信息。??而在对点云信息的分类识别方面
ＳｑｕｅｅｚｅＳｅｇ的新型结构。他们将激光雷达所采集的区域看做一个球型，采用球型??投影的方式，将其前方９０°的区域展开，并将其划分为５１２个小格，从而完成??点云数据从三维到二维的转换，如图１－４。之后将栅格中每个激光的三维坐标信??息（ｘ，ｙ，ｚ），激光雷达获取的反射强度信息和点云的范围信息输入到网络中，??最终通过条件随机场（ＣＲＦ）进行细化，将每个栅格进行分类，输出一张标记好??的展开图。??ｉｎｔｅｎｓｉｔｙ??ｓｐｈｅｒｉｃａｌ?一一…??ｒａｎ９ｅ??（Ａ）?ＬｉＤＡＲ?Ｐｏｉｎｔ?Ｃｌｏｕｄ?（Ｂ）?Ｐｒｏｊｅｃｔｅｄ?Ｐｏｉｎｔ?Ｃｌｏｕｄ??图１－４球型投影及展开图??Ｆｉｇ．?１－４?Ｓｐｈｅｒｉｃａｌ?ｐｒｏｊｅｃｔｉｏｎ?ａｎｄ?ｅｘｐａｎｓｉｏｎ??来自匈牙利的ＡｔｔｉｌａＢＳｒｃｓ等人［１８】选择在点云分类识别这一环节使用卷积神??经网络，并且在栅格分割时选择了三维的栅格分割。其本质就是除了对点云空间??的ｘｏｙ平面分割栅格，对Ｚ轴所在的空间也进行栅格分割，构成一个ＬＸＷＸＨ??的三维空间。对于Ｚ轴的分割无疑会增大计算量，但在面对一些使用２．５Ｄ的栅??格地图在Ｚ轴上有重叠的情况，比如道路旁树木对道路上的车辆或树下的行人??时，可以通过Ｚ轴方向上的栅格连续性来解决。在聚类之后，研究人员使用点云??图像的纵向界面图作为卷积神经网络的输入
【参考文献】：
期刊论文
[1]基于车载32线激光雷达点云的车辆目标识别算法[J]. 孔栋,王晓原,刘亚奇,陈晨,王方. 科学技术与工程. 2018(05)
[2]基于三维激光雷达的动态障碍物检测和追踪方法[J]. 邹斌,刘康,王科未. 汽车技术. 2017(08)
[3]谷歌无人驾驶汽车装用的雷达传感器[J]. 董辉. 汽车电器. 2017(06)
[4]采用聚类分析的车载点云地物分类[J]. 朱磊,王健,许开辉,赵富燕. 测绘科学. 2016(04)
[5]机器学习在车载激光点云分类中的应用研究[J]. 李海亭,肖建华,李艳红,庞小平. 华中师范大学学报(自然科学版). 2015(03)
[6]城市复杂环境下基于三维激光雷达实时车辆检测[J]. 程健,项志宇,于海滨,刘济林. 浙江大学学报(工学版). 2014(12)
[7]基于三维激光雷达的动态障碍实时检测与跟踪[J]. 杨飞,朱株,龚小谨,刘济林. 浙江大学学报(工学版). 2012(09)
[8]基于地物特征提取的车载激光点云数据分类方法[J]. 李婷,詹庆明,喻亮. 国土资源遥感. 2012(01)
[9]基于视觉着陆的无人机俯仰角与高度估计[J]. 潘翔,马德强,吴贻军,张光富,姜哲圣. 浙江大学学报(工学版). 2009(04)
[10]基于车载激光扫描数据的目标分类方法[J]. 吴芬芳,李清泉,熊卿. 测绘科学. 2007(04)
博士论文
[1]基于三维激光雷达的动态车辆检测与跟踪[D]. 谌彤童.国防科学技术大学 2016
[2]无人驾驶车辆环境感知系统关键技术研究[D]. 王俊.中国科学技术大学 2016
硕士论文
[1]扫描激光雷达的系统研制及应用研究[D]. 高爱臻.南京信息工程大学 2015
[2]基于单目视觉和双目视觉的图像三维重建技术研究[D]. 张利.兰州理工大学 2014
[3]车载校园环境激光点云分类与移动目标识别[D]. 杜会.武汉理工大学 2013
[4]LIDAR数据处理关键技术研究[D]. 王俊宏.华中科技大学 2012
本文编号：2912574
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：98 页
【学位级别】：硕士
【部分图文】：
图１－２?２．５Ｄ栅格地图??Ｆｉｇ．?１－２?２．５Ｄ?ｒａｓｔｅｒ?ｍａｐ??
来自加州大学圣地亚哥分校的Ｊａｃｏｂｙ?Ｌａｒｓｏｎ等人为了简化点云信息，将??所有的点云信息投影到ｘｏｙ平面，以４０ｃｍ＊４０ｃｍ的尺度划分栅格，每个栅格内??包含高程、地形可穿越性措施等附加信息，构成２．５Ｄ的栅格地图，如图１－２。??日本的Ｃｈｕｎｚｈａｏ?Ｇｕｏ等人［１３］在格栅地图的基础之上，利用道路几何的梯度??线索构建马尔可夫随机归档（ＭＲＦ）。同时实现一种有效的置信传播算法，将道??路环境分为四类，即可达区域、可驱动区域、障碍区域和未知地区。可以较好的??识别地形的倾斜或路面的崎岖，并将可通行区域标注出来。如图１－３，从左至右??分别为激光雷达的点云数据图，基于梯度多重标记后的道路环境图，可通行区域??标记图（绿色）。??图１－３道路环境感知图??Ｆｉｇ．?１－３?Ｒｏａｄ?ｅｎｖｉｒｏｎｍｅｎｔ?ａｗａｒｅｎｅｓｓ?ｍａｐ??来自葡萄牙的Ａｓｖａｄｉ?ＡＨｒｅｚａ等人【１４】使用分段平面拟合算法和ＲＡＮＳＡＣ方法??的拟合成一组多重曲面，可以对地表信息进行有效的估计。并提出了基于体素和??平面的城市地面建模和障碍物检测方法环境，使用体素格网模型的静态和移动障??碍物检测使用判别分析和自我运动信息。??而在对点云信息的分类识别方面
ＳｑｕｅｅｚｅＳｅｇ的新型结构。他们将激光雷达所采集的区域看做一个球型，采用球型??投影的方式，将其前方９０°的区域展开，并将其划分为５１２个小格，从而完成??点云数据从三维到二维的转换，如图１－４。之后将栅格中每个激光的三维坐标信??息（ｘ，ｙ，ｚ），激光雷达获取的反射强度信息和点云的范围信息输入到网络中，??最终通过条件随机场（ＣＲＦ）进行细化，将每个栅格进行分类，输出一张标记好??的展开图。??ｉｎｔｅｎｓｉｔｙ??ｓｐｈｅｒｉｃａｌ?一一…??ｒａｎ９ｅ??（Ａ）?ＬｉＤＡＲ?Ｐｏｉｎｔ?Ｃｌｏｕｄ?（Ｂ）?Ｐｒｏｊｅｃｔｅｄ?Ｐｏｉｎｔ?Ｃｌｏｕｄ??图１－４球型投影及展开图??Ｆｉｇ．?１－４?Ｓｐｈｅｒｉｃａｌ?ｐｒｏｊｅｃｔｉｏｎ?ａｎｄ?ｅｘｐａｎｓｉｏｎ??来自匈牙利的ＡｔｔｉｌａＢＳｒｃｓ等人［１８】选择在点云分类识别这一环节使用卷积神??经网络，并且在栅格分割时选择了三维的栅格分割。其本质就是除了对点云空间??的ｘｏｙ平面分割栅格，对Ｚ轴所在的空间也进行栅格分割，构成一个ＬＸＷＸＨ??的三维空间。对于Ｚ轴的分割无疑会增大计算量，但在面对一些使用２．５Ｄ的栅??格地图在Ｚ轴上有重叠的情况，比如道路旁树木对道路上的车辆或树下的行人??时，可以通过Ｚ轴方向上的栅格连续性来解决。在聚类之后，研究人员使用点云??图像的纵向界面图作为卷积神经网络的输入
【参考文献】：
期刊论文
[1]基于车载32线激光雷达点云的车辆目标识别算法[J]. 孔栋,王晓原,刘亚奇,陈晨,王方. 科学技术与工程. 2018(05)
[2]基于三维激光雷达的动态障碍物检测和追踪方法[J]. 邹斌,刘康,王科未. 汽车技术. 2017(08)
[3]谷歌无人驾驶汽车装用的雷达传感器[J]. 董辉. 汽车电器. 2017(06)
[4]采用聚类分析的车载点云地物分类[J]. 朱磊,王健,许开辉,赵富燕. 测绘科学. 2016(04)
[5]机器学习在车载激光点云分类中的应用研究[J]. 李海亭,肖建华,李艳红,庞小平. 华中师范大学学报(自然科学版). 2015(03)
[6]城市复杂环境下基于三维激光雷达实时车辆检测[J]. 程健,项志宇,于海滨,刘济林. 浙江大学学报(工学版). 2014(12)
[7]基于三维激光雷达的动态障碍实时检测与跟踪[J]. 杨飞,朱株,龚小谨,刘济林. 浙江大学学报(工学版). 2012(09)
[8]基于地物特征提取的车载激光点云数据分类方法[J]. 李婷,詹庆明,喻亮. 国土资源遥感. 2012(01)
[9]基于视觉着陆的无人机俯仰角与高度估计[J]. 潘翔,马德强,吴贻军,张光富,姜哲圣. 浙江大学学报(工学版). 2009(04)
[10]基于车载激光扫描数据的目标分类方法[J]. 吴芬芳,李清泉,熊卿. 测绘科学. 2007(04)
博士论文
[1]基于三维激光雷达的动态车辆检测与跟踪[D]. 谌彤童.国防科学技术大学 2016
[2]无人驾驶车辆环境感知系统关键技术研究[D]. 王俊.中国科学技术大学 2016
硕士论文
[1]扫描激光雷达的系统研制及应用研究[D]. 高爱臻.南京信息工程大学 2015
[2]基于单目视觉和双目视觉的图像三维重建技术研究[D]. 张利.兰州理工大学 2014
[3]车载校园环境激光点云分类与移动目标识别[D]. 杜会.武汉理工大学 2013
[4]LIDAR数据处理关键技术研究[D]. 王俊宏.华中科技大学 2012
本文编号：2912574
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/2912574.html
