面向车路协同的路侧感知仿真系统

路侧感知是车路协同应用开发的重要组成部分,通过在路侧部署传感器,将采集到的路面信息经V2X通信给到车辆,使车辆拥有超视距的感知能力.在实际应用中,为达到最优的路侧感知效果,不同的场景往往需要不同的RSU配置,RSU的选型及安装是一个耗时耗力的过程.交通参与者的识别是路侧感知的核心,基于机器学习的识别算法需要大量的标签数据,而人工打标签被验证是一个效率极其低下的方式.通过构建路侧感知仿真系统可以很好地解决RSU配置及样本数据生成的问题,实验一通过在仿真系统中调整激光雷达的高度和角度,得到极端情况下的车辆遮挡情况,从而为激光雷达的实际安装高度提供参考,实验二在仿真环境中输出带标签的激光雷达点云数据,通过与实际采集的点云数据进行融合对比,验证仿真系统输出的激光雷达点云数据可以作为模型训练的数据补充.     

路侧多激光雷达协同感知和误差自校准方法

多激光雷达3D点云数据融合能够弥补单个激光雷达感知范围有限的缺陷,而雷达安装误差自校准能够获取更加准确的感知数据。基于此,提出了路侧激光雷达协同感知数据融合算法和安装误差自校准方法。首先,使用KD-tree和k近邻算法查找两幅点云的重叠点,并对重叠点进行拼接处理。其次,基于深度学习模型实现多激光雷达数据融合,利用点云数据拼接特征实现激光雷达的误差自校准。最后,基于长安大学车联网与智能汽车试验场搭建多激光雷达数据采集平台,采集试验场内的点云数据来验证本次提出的数据融合算法和误差自校准方法。结果表明,后融合目标识别比前融合目标识别效率提升11.6%,且激光雷达误差自校准方法使有效数据精度提升了13.44%。     

基于双多线激光雷达的非结构化环境负障碍感知技术

负障碍感知是非结构化环境下的难点问题,本文针对该问题提出一种新的基于双多线激光雷达（Light detection and ranging,LiDAR）的感知方法.采用分布嵌入式架构对双激光雷达数据进行同步采集与实时处理,将雷达点云映射到多尺度栅格,统计栅格的点云密度与相对高度等特征并标记,从点云数据提取负障碍几何特征,通过将栅格的统计特征与负障碍的几何特征做多特征关联找到关键特征点对,将特征点对聚类并过滤,识别出负障碍.方法不受地面平整度影响,已成功应用在无人驾驶车上.使用表明该方法具有较高的实时性和可靠性,在非结构化环境下具有良好的感知效果.     

基于三维激光雷达的道路边界提取和障碍物检测算法

为了快速有效地提取智能车辆在不同环境下的道路环境信息,提出基于三维激光雷达的道路边界提取和障碍物检测算法.首先,对三维激光雷达点云数据进行栅格化滤波处理,利用单束激光点云空间邻域联合分割的方法进行空间分析,得到点云平滑度特征图像.然后,采用自适应方向搜索算法获取道路边界候选点,并进行聚类分析和曲线拟合.最后,对道路边界约束下可通行区域内点云进行聚类分割,获得道路内障碍物方位和距离信息.实验表明,文中算法能够实时准确地提取道路边界和障碍物位置信息,满足智能车环境建模和路径规划的需求.     

结合伪标签生成与噪声标签学习的弱监督点云分割

针对当前基于深度学习的点云分割技术对点级别标注训练数据的依赖问题,提出一种基于伪标签生成与噪声标签学习的弱监督点云分割框架.首先,利用点云具有非局部相似性的特点,基于局部-非局部图对点云数据进行建模;其次,基于关系图卷积网络,以半监督的方式为稀疏标注的点云训练集数据生成高质量的伪标签;最后,针对生成的伪标签中存在噪声标签的问题,设计一种利用含噪声标签数据准确训练现有点云分割网络的渐进式噪声鲁棒损失函数.在ShapeNet Part与S3DIS等公开点云分割数据集上的实验结果表明,该框架在推理阶段不增加模型额外运算量的情况下,当使用10%的标签时,在ShapeNet Part数据集上的分割精度与全监督方法相差0.1%;当使用1%的标签时,在S3DIS数据集上的分割精度与全监督方法相差5.2%.     

一种基于谱聚类的半监督聚类方法

半监督聚类利用少部分标签的数据辅助大量未标签的数据进行非监督的学习,从而提高聚类的性能。提出一种基于谱聚类的半监督聚类算法,其利用标签数据的信息,调整点与点之间的距离所形成的距离矩阵,而后基于被调整的距离矩阵进行谱聚类。实验表明,该算法较之于已提出的半监督聚类算法,获得了更好的聚类性能。     

结合MAML和Dirichlet过程的小样本点云分类

点云被广泛使用在各种三维应用场景中,但是实际应用中通常存在扫描、标注费时费力等局限性,因此基于小样本数据集的点云分类网络更加符合应用需求.为了有效地提高深度学习分类算法在小样本点云数据集上的分类效果,提出一种针对小样本数据集的点云分类方法.针对训练数据集不平衡问题,首先采用基于相似度依赖的Dirichlet中餐馆过程对数据集进行预处理,在无需人工指定聚类个数的前提下对样本进行重新聚类,以提升分类网络在小样本数据集上的性能;然后在重新聚类后的样本上使用模型无关(model agnostic meta learning, MAML)算法训练PointNet++,达到用少量点云样本就能快速适应新任务的能力.所提方法不但降低了模型对数据量的依赖,提高了模型泛化能力,而且成功地把MAML算法从二维图像分类拓展到三维点云分类中;在Modelnet40数据集上的实验结果表明,与PointNet++相比,该方法的训练时间减少了一半,分类准确率平均提高6.67%,验证了该方法在小样本数据集上的有效性.     

车载激光雷达点云数据处理关键技术

激光雷达具有探测精度高、穿透能力强、能够三维成像等诸多优点,故自动驾驶车辆常常搭载激光雷达来对车身周围环境进行感知;车辆实现自动驾驶的关键技术包括车载激光雷达信号的发射、接收和对点云数据的处理,通过对接收到的点云数据进行处理可以使车辆准确的感知到当前路面状况并做出相应操作;文章重点介绍了车载激光雷达点云数据处理中的关键技术,对每个关键技术中常用算法的基本原理、优缺点和改进等进行了阐述,以期为车载激光雷达点云数据处理提供参考。     

基于改进栅格图的道路和障碍物检测算法研究

多线激光雷达(LIDAR)是无人驾驶汽车在环境感知过程中的核心传感器,运用多线激光雷达中提取的点云数据进行道路和障碍物检测是环境感知过程中重要的任务.目前常见的栅格化算法无法实现高效的障碍物和道路检测,论文针对这些问题提出一种新颖改进栅格化方法,通过统计栅格内点云高度分布的方法进行障碍物分类,有效避免噪声点和悬浮障碍对结果的影响,并运用自适应半圆弧道边点搜索和改进RANSAC(Random Sample Consensus)算法结合进行道边检测.最终,在实验中验证了算法的精度和实时性.     

基于图约束和预聚类的主动学习算法在威胁情景感知中的研究*

针对现有的威胁感知算法对样本标注代价较大且在训练分类器时只使用已标注的威胁样本,提出了一种基于图约束和预聚类的主动学习算法,该算法旨在通过降低标注威胁样本的代价和充分利用未标注的威胁样本对训练分类器的辅助作用,训练出更好的分类器,实现有效地感知威胁情景。该算法首先用已标注的威胁样本集合训练分类器,接着从未标注的威胁样本集中挑选出最有价值的威胁样本,并对其进行标注,再将标注后的威胁样本加入已标注的样本集中并从原来未标注的样本集中删去此样本,最后用新的已标注的威胁样本集重新训练分类器,直到满足循环条件终止。仿真实验表明,基于图约束与预聚类的主动学习算法在达到目标准确率的同时降低了标注代价且能够有效地感知威胁情景,具有一定的研究意义。     

CLOI-NET: Class segmentation of industrial facilities’ point cloud datasets

Shape segmentation from point cloud data is a core step of the digital twinning process for industrial facilities. However, it is also a very labor intensive step, which counteracts the perceived value of the resulting model. The state-of-the-art method for automating cylinder detection can detect cylinders with 62% precision and 70% recall, while other shapes must then be segmented manually and shape segmentation is not achieved. This performance is promising, but it is far from drastically eliminating the manual labor cost. We argue that the use of class segmentation deep learning algorithms has the theoretical potential to perform better in terms of per point accuracy and less manual segmentation time needed. However, such algorithms could not be used so far due to the lack of a pre-trained dataset of laser scanned industrial shapes as well as the lack of appropriate geometric features in order to learn these shapes. In this paper, we tackle both problems in three steps. First, we parse the industrial point cloud through a novel class segmentation solution (CLOI-NET) that consists of an optimized PointNET++ based deep learning network and post-processing algorithms that enforce stronger contextual relationships per point. We then allow the user to choose the optimal manual annotation of a test facility by means of active learning to further improve the results. We achieve the first step by clustering points in meaningful spatial 3D windows based on their location. Then, we apply a class segmentation deep network, and output a probability distribution of all label categories per point and improve the predicted labels by enforcing post-processing rules. We finally optimize the results by finding the optimal amount of data to be used for training experiments. We validate our method on the largest richly annotated dataset of the most important to model industrial shapes (CLOI) and yield 82% average accuracy per point, 95.6% average AUC among all classes and estimated 70% labor hour savings in class segmentation. This proves that it is the first to automatically segment industrial point cloud shapes with no prior knowledge at commercially viable performance and is the foundation for efficient industrial shape modeling in cluttered point clouds.     

基于机载激光雷达点云的交互式树木分割与建模方法研究

机载激光雷达扫描(ALS)系统可大规模获取地表树木点云,有助于较高精度树木结构参数提取 和景观层面的几何重建,然而树木复杂的拓扑结构和树种的多样性给树木的准确分割与建模带来挑战。传统基 于点云的自动树木分割和建模算法虽然效率高,但存在分割误差较大、建模鲁棒性较差等问题,难以满足深度 学习大背景下用户对树木分割与建模结果进行精准标注的需求。针对 ALS 树点云密度低、点云缺失导致的自 动分割与建模困难等问题,提出一种基于高度图的交互式层次分割法用于从稀疏树点云中提取单棵树点云,然 后基于改进的空间殖民算法,通过交互式调节约束角度、删除阈值和影响半径等 3 个参数实现单棵树的重建。 实验结果表明,提出的交互式分割算法能够解决最小生成树和规范割等分割算法产生的误分割问题;提出的基 于改进空间殖民算法的交互式重建算法鲁棒性好,能够有效解决稀疏及缺失树点云的几何重建问题,且生成的 树模型能够较好地保留原始点云的特征。     

基于激光点云的道路可通行区域检测方法

以车载激光雷达获取的点云数据为研究对象,针对无人车道路环境感知的关键技术展开研究。为解决无人驾驶中道路可通行区域检测存在的地面不平整、缓坡、障碍物单一等问题,提出基于激光点云数据的道路可通行区域检测方法。通过基于分段校准的RANSAC算法进行地面分割,解决地面不平整导致的欠分割问题。使用多特征复合判据,利用基于体素化的DBSCAN聚类算法和基于结构特征的障碍物识别方法完成障碍物的分割与识别。结合道路结构以及数据高程突变特征,提取道路边界候选点并拟合得到完整的道路边界线。将道路区域栅格化,根据道路边界悬空障碍物判断并更新可通行区域,实现可通行区域的准确检测。实验结果表明,该方法在复杂道路场景中的边界检测准确率高于95%,可有效检测出障碍物及道路的可通行区域,具有良好的实时性与鲁棒性。     

基于深度学习的大规模三维点云处理综述

随着三维视觉的快速发展, 基于深度学习的大规模三维点云实时处理成为研究热点. 以三维空间分布无序的大规模三维点云为背景, 综合分析介绍并对比深度学习实时处理三维视觉问题的最新进展, 对点云分割、形状分类、目标检测等方面算法优势与不足进行详细分析, 给出详细的性能分析与优劣对比, 并对点云常用数据集进行简要介绍, 并给出不同数据集的算法性能对比. 最后, 指出未来在基于深度学习方法处理三维点云问题上的研究方向.     

三维点云配准中的计算智能方法综述

随着三维数据采集设备的成熟与普及,由激光雷达、结构光传感器和立体相机等设备采集的点云数据引起了广泛关注,并以此研究出针对点云的配准、分类、分割和跟踪等算法,推动了点云相关研究领域的科研进展。点云配准是点云数据处理的一个重要研究方向,旨在找到一个刚性变换运动参数,使得运动参数作用于源点云后能够与参考点云对齐。传统的点云配准方法大多存在着对初始位姿、异常值敏感等问题,而计算智能方法在处理点云配准问题,例如去除孤立点或求解矩阵时可以有效解决这些问题,并且能够适用于点云重叠程度低的情况,表现出较强的鲁棒性和泛化性。这种方法不依赖于问题本身特性,也不需要建立精确的模型,只需要求出替代真值解的近似解,大幅简化了计算量。在计算智能中,深度学习因其强大的学习能力越来越多地应用于点云配准问题,同时由于进化计算的强大全局搜索能力以及模糊逻辑对不确定性的良好适应能力,许多研究也将这两种方法应用于配准问题。本文对点云配准领域中的计算智能方法进行全面讨论,分别从基于深度学习、进化计算和模糊逻辑的点云配准方法这 3 个方面展开论述,同时对传统的点云配准方法进行简要介绍,并对各种方法的优缺点进行了详细讨论,旨在以更全面、清晰的方式总结点云配准问题上的相关研究。     

车联网络通过两级量化自适应卡尔曼滤波实现车辆状态预测

随着城市化和机动化的快速发展,交通安全越来越受到人们的关注。利用车载网络系统获取车载数据来预测车辆下一时刻的车载状态,对于提高运输路段的交通安全起着重要作用。文中提出一种基于自回归滑动平均(Auto-Regressice Mo-ving Average,ARMA)模型的两级量化自适应卡尔曼滤波算法,来预测车辆的行车状态(行驶的方向、行驶的车道、车辆的速度和加速度)。首先,开发了一个车载网络系统,通过交换车载单元(On-Board Unit,OBU)和路边单元(Roadside Unit,RSU)之间的交通数据来获取车辆数据;然后,通过配置在路边单元的边缘云服务器来预测车辆状态;最后,边缘服务器把预测到的状态信息广播给其他路边单元,以便交叉口其他车辆获取车辆信息。实验结果验证了用于预测加速度的自回归移动平均模型的有效性。此外,文中还评估了所提算法的有效性。与其他3种预测算法相比,所提算法的速度预测精度分别提高了90.62%,89.81%,82.76%,这说明该算法在车载网络中能有效预测车辆状态。     

基于数据特征的多传感器融合实时目标检测

为了进一步降低目标检测出现的误检率,提出了一种基于传感器数据特征的融合目标检测算法。首先,为了减少部分离群噪声点对点云表达准确性的影响,采用统计滤波器对激光雷达原始点云进行滤波处理;其次,为了解决点云地面分割在坡度变化时,固定阈值会导致分割不理想的问题,提出了自适应坡度阈值的地面分割算法;然后,建立KD（k-dimensional）树索引,加速DBSCAN（density-based spatial clustering of applications with noise）点云聚类,基于Andrew最小凸包算法,拟合最小边界矩形,生成目标三维边界框,完成聚类后的目标点云位姿估计;最后,将激光雷达检测到的三维目标点云投影到图像上,投影边界框与图像检测的目标边界框通过IoU关联匹配,提出基于决策级的三维激光雷达与视觉图像信息融合算法。使用KITTI数据集进行的测试实验表明,提出的点云聚类平均耗时降低至173 ms,相比传统的欧氏距离聚类,准确性提升6%。搭建硬件实验平台,基于实测数据的实验结果表明,提出的融合算法在目标误检率上比YOLO v4网络降低了约10%。     

半结构化环境稀疏点云可通行区域检测方法

传统的激光雷达可通行区域检测算法实时性好,但算法通常对点云数据的高度特征依赖较强,半结构化环境中斜坡等区域高度特征不稳定,易降低算法的性能。基于半结构化环境下三维稀疏点云数据,提出了一种基于直线特征的可通行区域实时检测算法,预处理原始点云数据,并从中速提取直线特征;对直线聚类和筛选,从而提取有效的直线特征;使用直线特征检测结构化障碍物和非结构化障碍物;标记出可通行区域,并构建环境地图。实验结果表明,在校园半结构化环境中,该算法可以较稳定地检测可通行区域,在检测路缘石等高度较低的障碍物时表现出良好的性能,并且适应斜坡、颠簸、负障碍等地面。     

基于深度学习的道路障碍物检测方法

针对基于激光雷达（LiDAR）的三维点云数据处理及道路障碍物检测的问题,提出一种基于深度学习的路障碍物检测方法。首先,采用统计滤波算法对原始点云进行离群点的剔除处理;其次,提出一种端到端的深度神经网络VNMax,利用最大池化对区域候选网络（RPN）架构进行优化,构建改进的目标检测层;最后,在KITTI数据集上进行了训练及测试实验。结果显示,经过滤波处理,点云中各点之间的平均距离得到有效减少。通过对在KITTI数据集的简单、中等和困难任务的车辆定位处理结果比较得出,所提方法的平均精度比VoxelNet（Unofficial）分别提高了11.3个百分点、6.02个百分点和3.89个百分点。实验测试结果表明,统计滤波算法仍是有效的三维点云数据处理手段,最大池化模块可以提高深度神经网络的学习性能和目标定位能力。     

基于深度强化学习与旋量法的机械臂路径规划EI北大核心CSCD

深度强化学习在机械臂路径规划的应用中仍面临样本需求量大和获取成本高的问题.针对这些问题,本文基于数据增强的思路,提出了深度强化学习与旋量法的融合算法.本算法通过旋量法将与环境交互所得的自然轨迹进行有效复制,使深度强化学习样本利用率和算法训练效率得到提高;复制轨迹的同时对被控物体、障碍物等环境元素进行同步复制,以此提高机械臂在非结构环境中的泛化性能.最后,在具备物理模拟引擎的Mujoco仿真平台中,通过Fetch机械臂和UR5机械臂在非结构化环境下进行实验对比分析,结果表明了本文算法对于提升深度强化学习样本利用率和机械臂模型泛化性能的可行性及有效性.