基于车载16线激光雷达的障碍物检测方法

针对目前车载16线激光雷达点云数据中障碍物检测算法准确率不高的问题,提出了一种基于自适应网格聚类的障碍物检测方法。首先,结合八叉树与随机抽样一致性算法(RANSAC)去除地面点;其次,投影点云至二维网格,依据各网格高程信息快速提取高结构物;然后,建立两级网格模型,按照粗网格聚类结果的分布信息自适应地确定子网格分辨率,对可能包含多目标的障碍物在子网格层进行准确检测;最后,结合相邻时刻障碍物的状态信息修正检测结果。在16线激光雷达城市道路环境测试集下的实验结果表明:该算法可准确检测行驶区域内障碍物目标,优化后的聚类算法较好地降低了欠分割与过分割错误率,检测准确率达91%。     

基于移动式浮标的无人艇航行监测系统设计

针对无人艇航行性能测试需求,设计基于移动式浮标的无人艇航行监测系统.首先以浮标-岸基交互为基础,三维激光雷达和DGPS等作为感知传感器,设计无人艇航行监测系统框架.然后对三维激光雷达点云滤波处理,结合欧式聚类分割法把点云数据分割成多簇,利用OBB包围盒计算每一簇点云的几何特征并检测识别出被测无人艇,从而计算无人艇相对浮...     

基于地基激光雷达数据的单木结构参数提取研究

针对利用地基激光雷达数据提取单木结构参数的问题,提出了一套较为复杂林分条件下的地基激光雷达数据获取方案与单木结构参数提取方法。首先利用八邻点距离检验法对点云数据中的多次散射点进行滤除,进而通过对现有的变尺度地面点识别方法进行改进,实现了对研究区内的地面点云的快速识别。通过对地基激光雷达数据的分析,提出了一种基于树干点云垂直连续分布特征的树干识别方法,在此基础上提取了单木位置、胸径和树高,最后将所提取的结构参数与林业测量数据进行了对比,结果具有较好的一致性。     

基于三维点云聚类的坡度估计方法

为了提高火星探测器着陆时对坡度的估计精度,研究了一种基于三维点云数据聚类与随机搜索最优拟合平面的坡度估计方法。将通过激光雷达测量获得的三维点云数据进行稀疏表示,利用稀疏系数对数据点进行聚类与分割,划分子空间;对子空间中的数据点进行平面拟合,随机搜索最优拟合平面;根据最优拟合平面计算平面法向量之间夹角,其在数值上等于坡度角,从而完成坡度估计。实验表明:该方法可以对坡度进行较为准确的估计;与常用的坡度估计方法相比,相对误差较小。     

一种动态环境下的移动机器人避障策略

以激光雷达作为主要的环境感知传感器,针对动态环境设计了一种移动机器人避障策略.根据激光雷达采集的实时环境信息,检测动静态障碍物并建立障碍物链表.采用底层反应式避障和高层动态避障相结合的策略,实现了动态环境下的避障.使用分布式的软件设计方法,提高了系统的实时性.通过自行研制的移动机器人MORCS-1进行了实验,实验结果验证了该策略的有效性.     

高速公路扩容项目激光雷达测量技术应用

针对传统工程测量方法在面对复杂地形状况时存在的不足,该文采用了机载结合车载的激光雷达快速精准测量复杂地形的方法。首先,利用机载和车载激光雷达对复杂地形进行扫描,得到原始数据;其次,结合高精度组合惯导数据解算,从而获取点云数据;最后,再通过点云分类、点云抽稀,获取目标区域原始地面高密度、高精度的高程点数据,作为路线设计和计算的重要原始数据。通过工程实例,说明利用激光雷达进行高速公路改扩建测绘是1种在不影响高速公路正常运营的前提下,高效率、高精度的改扩建测绘方法,相比于传统的测量方式,基于激光雷达系统的道路勘测技术具有不可比拟的优势,其安全高效、快速便捷的作业方式具有很大的应用前景。     

基于图像信息约束的三维激光点云聚类方法

针对移动机器人在未知环境感知过程中对三维点云快速聚类分割的需求，提出一种基于图像信息约束的三维激光点云聚类方法。首先通过点云预处理获取有效的三维环境信息，采用RANSAC方法进行地面点云的分割剔除。其次传感器数据在完成时空配准后引入YOLOv5目标检测算法，对三维点云K-means聚类算法进行改进，利用二维图像目标物的检测框范围约束三维点云，减少非目标物的干扰；基于图像检测信息实现点云聚类算法的参数初始化；采用类内异点剔除法优化聚类结果。最后搭建移动机器人硬件平台，对箱体进行测试，实验结果表明，本文方法的聚类准确率和聚类时间分别为86.96%和23 ms，可用于移动机器人导航避障、自主搬运等领域。     

融合距离与彩色信息的草丛中障碍物检测

提出了一种融合激光雷达和单目摄像机的草丛中障碍物检测方法.首先由三维激光雷达测得一系列作为训练样本的距离数据,统计障碍物与杂草的形状特征参数,并利用期望最大(Expectation Maximization)算法求得高斯混合模型(Ganssian Mixture Model)来表征该特征值分布情况.利用该高斯混合模型可以从待测场景提取出候选障碍物区域.同时,采用均值偏移算法对场景的彩色图像进行分割,获得场景的区域信息.借助激光雷达和摄像机联合标定的结果,将激光雷达获得的候选障碍物区域投影至分割后的彩色图像,并进行融合获得最终障碍物判别结果.实验表明该方法能有效地检测出草丛中的障碍物,并具有较高的精度和较低的虚警率.     

基于多传感器信息融合的机器人障碍物检测

针对单一传感器在机器人避障过程中不能全面且准确定位障碍物的缺点,提出基于多传感器信息融合的障碍物检测方法。第一阶段使用视觉传感器检测未知环境中的障碍物,通过Zernike矩边缘检测方法提取障碍物图像边缘,然后采用Hough变换原理提取障碍物的直线特征,获得障碍物大概位置;第二阶段使用超声波传感器和红外传感器对障碍物进行检测,获得障碍物准确位置;最后使用联合卡尔曼滤波对3种传感器获得的信息进行融合,得出融合后的障碍物位置信息。实验结果表明:该方法克服视觉传感器、超声波传感器和红外传感器的局限性,可以精确感知机器人周围的未知环境信息,并能够检测和定位机器人路径上的障碍物,定位误差6 cm,满足机器人避障的实时性和可靠性需求。     

基于稀疏激光点云数据和单帧图像融合的三维重构算法

由于激光雷达获取的深度数据非常稀疏,为了能够将深度数据与图像数据重构出稠密三维深度图,本文提出了基于稀疏激光点云数据和单帧图像融合的三维重构算法。该方法首先使用点直方图特征有效地选择对应于目标的点数据并消除体素中的非相似点;然后,使用高斯过程回归对局部深度数据建模,并通过插值获得三维深度数据,本文算法获得的三维深度点更接近基准值,并保持了目标的局部形状特征;最后,利用马尔科夫随机场对图像灰度数据和三维插值点进行融合来构建三维深度图。仿真实验结果表明:相比现有基于激光雷达数据和单目图像数据的三维重建算法,本文提出的算法将大大提升算法的鲁棒性与重构的准确度,可辅助用于复杂的城市场景中车辆的无人驾驶。     

三维点云分割研究综述

点云是在三维空间层面完整表达周围环境的重要数据形式.传统的自主移动机器人通过激光雷达或者RGBD相机等传感器可以获取点云数据.点云分割是认知与理解点云数据中所携带的信息的重要方法.本文对点云分割,包括传统点云分割、点云语义分割、点云实例分割等的发展现状进行了分析与阐述.     

产品表面缺陷检测系统设计与开发

为能够对产品表面的孔/裂纹缺陷进行检测,提出基于结构光的表面缺陷检测系统的设计与研究。在获得检测目标点云数据后,基于坐标值的不同区分面和缺陷点云集合,进而利用k-means函数获取孔和裂纹数量,并基于KDtree函数和knnsearch函数得到对应数量的孔和裂纹点云集合,然后利用minBoundingBox函数将点云集合外轮廓拟合为外接四边形,并根据孔的外接四边形长度基本相等的特点区分孔和裂纹点云,最后根据pdist和minBoundingBox函数提取到孔和裂纹的特征数据。试验结果表明:该系统可以实现表面孔/裂纹缺陷的检测,孔径测量的最大误差为3.03%,孔深度测量的最大误差为2.76%,裂纹的最大宽度误差为3.63%。表明测量的可靠性良好,该系统可为产品缺陷检测提供一种有效的方法。     

无人机激光点云和多光谱数据的融合技术研究

该文研究无人机激光点云数据和多光谱通道树种数据的融合和树种智能判别,综合利用多光谱数据与激光雷达数据的数据优势,多景的多光谱数据经过图像配准、平差计算后,精确地将影像数据对准到大地坐标系中,再以三维的激光点云数据为基准,通过数据压缩、多光谱数据写入,实现对多光谱数据与激光雷达数据的有效融合,为输电线路巡检提供良好的数据基础。     

基于GA-BP神经网络的散乱点云孔洞自动修补

点云孔洞修补作为点云数据处理中的关键技术,直接影响点云的质量和完整性。利用遗传算法（genetic algorithm,GA）优化的BP（back propagation,反向传播）神经网络（简称GA-BP神经网络）是一种修补效果较好的散乱点云孔洞修补方法。但基于GA-BP神经网络的散乱点云孔洞传统修补方法的多个步骤需借助逆向软件通过人机交互的方式完成,导致修补过程繁琐且耗时较长。为此,提出了一种基于GA-BP神经网络的散乱点云孔洞自动修补方法。通过计算机编程将孔洞识别、孔洞区域插值和孔洞修补相结合,实现从残缺点云模型直接到完整点云模型的自动修补,无须进行复杂的人机交互和数据转换。实验结果表明,所提出的方法可有效避免因数据转换而造成的数据失真,减少了人机交互工作量,方便而高效地修补了散乱点云的孔洞,且得到的修补点云密度均匀,这对提高点云孔洞修补效率和质量具有重要意义。     

基于面结构光的叶片三维重构技术研究

为提高叶片三维检测速度与相位解码过程中的准确性等,通过选择投射解码准确率高的格雷码编码策略的结构光,同时避免叶片表面涂显影剂与粘贴标定点的方法,进行基于面结构光的叶片三维重建技术研究。通过选择合理的实验设备,设计机械结构,搭建一种基于面结构光的三维视觉检测实验系统。对三维视觉检测实验系统的标定方法与重构算法进行理论研究,利用三维视觉检测实验系统完成叶片某一位置的三维重构实验,并获得叶片的离散点云数据;试验结果进一步论证所设计系统的可行性,可为后续叶片三维视觉检测实验系统的研究提供基础。     

基于多特征提取的越野智能车辆环境探测

为实时获取越野智能车辆前方的地形信息并有效检测出可能存在的障碍物,本文提出一种基于立体视觉传感器的环境探测方法.该方法首先对图像进行局部对比度增强,以减弱光照变化对立体匹配的影响并保证角点特征提取的均匀性.其次研究图像中障碍物的边缘特征提取方法,以避免障碍物的漏检.然后提出基于多特征提取的立体匹配流程,其中采用了随机采样序列方法计算基础矩阵,将基于边缘的匹配与基于角点的匹配独立进行以避免干扰,并引入连续性约束来剔除误匹配.最后,通过不同光照越野场景的环境重构实验验证算法的鲁棒性.     

储罐检测爬壁机器人全遍历路径规划

针对爬壁机器人难以在储罐外壁实现全遍历检测的问题,提出了一种基于滚动窗口的优先级启发式路径规划算法。在滚动的可视窗口内基于栅格地图进行环境建模,利用优先级启发式算法在滚动的规划窗口内实现对遍历路径的搜索;针对环境中存在U型障碍物的情况,进行了U型障碍物识别和U型障碍物区域直接填充;当机器人陷入死区时,采用死区逃离算法使机器人顺利逃离死区。仿真结果表明,该路径规划方法能指导爬壁机器人在未知储罐外壁环境的情况下实现高效全遍历。研究结果对提高爬壁机器人在储罐外壁的遍历效率具有一定的理论和工程意义。     

基于传感器数据的用户行为识别方法综述

目的 综述了运用传感器数据感知用户行为的最新进展和研究成果,为多模态数据驱动的服务机器人用户行为认知应用提供技术支撑.方法 主要从4个方面总结了用户行为识别方法的最新进展,具体包括:基于可穿戴传感器的数据感知与行为识别;基于机器视觉的行为识别;基于环境传感器数据的行为识别;异常行为识别与预测.结论 服务机器人在行为感知到认知方面的研究仍处于初步阶段,运用多模态数据全面建模用户行为有望提升基于机器人的养老产品智能化水平.     

一种基于螺纹点云的缺陷提取方法

针对螺纹表面凹坑缺陷,结合双目三维扫描仪的数据采集特点与螺纹表面特性,提出基于三维螺纹点云缺陷检测的方法.该方法首先利用法向量提取算法,将缺陷部分提取出来,同时将轮廓点云一并提出.然后采用基于密度的DBSCAN聚类算法去除法向量提取的轮廓点云,且只保留凹坑缺陷点云.最后采用最小包围盒算法对缺陷点云参数化,测算其长度、宽度以及深度,实现了表面缺陷的数字化测量.     

基于Kinect传感器的移动机器人环境检测及行为学习

研究了一种基于深度图像和强化学习算法的移动机器人导航行为学习方法。该方法利用机器人装配的Kinect传感器检测工作环境信息,然后对获取的深度图像数据和视频图像进行处理、融合和识别,并由此构建机器人任务学习的状态空间,最终利用强化学习方法实现移动机器人的导航任务的自学习。该方法的有效性通过实验得到验证。实验表明,该方法能够使机器入具有较强的环境感知能力,并能够通过自学习的方式掌握行为能力。