基于激光雷达点云的自动驾驶场景语义理解方法

发布时间：2021-03-02 02:12

　　自动驾驶车辆是一种能够感知环境并且无需人工干预即可行驶的车辆,随着人工智能的高速发展与应用,自动驾驶也随之逐步成熟。激光雷达可以稳定快速地获取大规模场景三维空间信息,已成为自动驾驶场景理解的重要传感器。激光雷达点云包含场景中丰富的语义信息,是理解、分析和解译自动驾驶场景的主要数据类型。激光雷达点云具有高密度、高精度、海量的特点。近年来,基于激光雷达点云进行复杂自动驾驶场景语义理解的研究已取得长足的发展。精准、鲁棒的自动驾驶场景语义理解技术在如今具有重要的理论价值和现实意义。本文针对基于激光雷达点云的自动驾驶场景语义理解展开研究,包含以下三方面的内容:1、为了解决当前包含大量复杂场景的激光雷达点云数据集匮乏的问题,本文首先建立了 ScienceIsland数据集。该数据集包含多种复杂场景,采集车辆沿途经过桥梁、建筑物、湖边,道路两旁有大量植被、草坪及树木,沿途有很多步行的行人、骑手以及正在行驶的汽车、卡车等,可充分满足自动驾驶场景语义理解的需求。接着,本文提出了一个准确的点云语义分割框架。通过将输入点云通过球面投影转化为距离图像、二维卷积神经网络语义分割、将距离图像通过语义分割得到的语义... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图１．２?ＰｏｉｎｔＮｅｔ网络架构［２９］??

?第２章基于卷积神经网络的激光雷达点云语义分割???＿?ｉ?ｍｍｍｍ??ｆｅ?｜?ｍｍ??ＨｗＢ＾－??图２．１?“智能先锋号”车辆采集平台??ｍ／ＢＭＨ—??图２．２数据采集路线及典型场景??２．２．３数据标注??本章对釆集到的激光雷达点云数据进行标注的过程可分为三步：时空分割、??逐片段标注和逐激光扫描点标注。??１．时空分割??首先，本章使用常见的点云分割算法将完整点云分成几个空间区域片段，并??通过简单的数据关联算法在不同的帧中关联跟踪这些片段，从而便于后续标注、??节省人工。??２．逐片段标注??接着，本章通过人工定义的规则为每个跟踪片段进行标注。本章运用预先定??义的规则为每个片段匹配对应的标签，每个片段中的所有激光扫描点都将获得??相同的语义标签。??２１??

?第２章基于卷积神经网络的激光雷达点云语义分割???（ａ）?（ｂ）??（ｃ）?（ｄ）??图２．３所采集的激光雷达点云??３．逐激光扫描点标注??在逐片段标注之后，一帧点云中的大部分激光扫描点已经获得了语义标签。??因此，本步骤中仅需标注尚未标注的激光扫描点和前两步中标注错误的扫描点。??在该步骤中，本章通过由组合惯性导航系统提供的车辆定位信息来计算每??帧扫描时激光雷达传感器的位置和姿态，从而重叠多帧激光点云。由于重叠的激??光点云比单帧扫描点云更密集，能够缓解因车载激光雷达扫描点云的稀疏性对??标注造成的误判，从而提高标注的准确性和效率。同时由于前两步的半自动预标??注，在本步骤中手动标注的难度显著降低。??本章使用如图２．４所示的三维点云标注工具手动标注多帧重叠的点云。标注??结果如图２．５所示。多帧重叠点云内的扫描点标签的变化可同步更新在单帧点云??中，一段时间内多帧激光扫描点云中片段的标签将保持一致。本步骤使用标注工??具执行以下循环来反复标注，直到标注完所有激光扫描点：??（１）用特定的标签标注激光扫描点；??（２）在剩余激光点云中过滤掉属于该标签的激光扫描点。??相比较其他数据集中仅标注三维边界框、将三维边界框内所有扫描点均视??为同一标签的方法，本章釆用了对所有激光扫描点进行标注的方法，更为精确，??即使物体被部分遮挡，也能够较好地实现标注。??２２??


本文编号：3058410