排序方式: 共有9条查询结果,搜索用时 15 毫秒
1
1.
障碍物侵限会严重威胁自动驾驶列车的行车安全。为此,文章提出一种基于车载激光雷达的列车前方侵限障碍物检测方法。其首先从激光点云中提取轨道点,建立复合轨道模型,并基于RANSAC算法分别估计XOZ平面和XOY平面的轨道参数;随后,分析点云的径向坡度角特征,结合拟合所得的轨道信息完成地面点云分割,得到障碍物点云,并利用动态邻域半径的DBSCAN算法对障碍物点云进行聚类;最后,提取障碍物凸包并对凸包进行插值采样,产生稠密的边缘点集,完成障碍物侵限判断。现场实车实验结果显示,采用该方法,轨道检测准确率高于99.4%,列车、杆塔和行人检测准确率在99.7%以上,轨道检测成功时侵限判断准确率达到100%,能准确实现对列车前方障碍物的识别及是否侵限的判断。 相似文献
2.
3.
视觉多目标跟踪模块在主动式车载障碍物检测系统中占据关键地位。然而,现有的视觉多目标跟踪算法多依赖离线计算得到的目标检测结果,并未充分考虑这个阶段耗时对实际应用中跟踪效果的影响。因此,本研究首先针对实际应用环境,设计了一个多线程异步的视觉障碍物检测系统框架;随后,提出了一种多特征融合的视觉多目标跟踪算法,该算法以本研究所提出的基于目标运动向量的运动一致性特征指标为基础,结合目标跟踪研究中常用的外观特征和马氏距离等特征,优化级联匹配策略,旨在提升对具有相似外观特征和运动规律的多个目标的跟踪稳定性,同时保证常规场景下目标的稳定跟踪;最后,将所提出的多目标跟踪算法集成于所设计的障碍物检测系统框架中,通过实验分析来验证该算法的有效性。实验结果表明,该算法能较稳定地跟踪实际应用环境下的各类目标,相比参照算法可达到更长时间稳定跟踪的效果。 相似文献
4.
智能驾驶系统的车载传感信息通常由激光雷达信息和相机信息融合而成,精确稳定的外参数标定是有效多源信息融合的基础。为提高感知系统鲁棒性,文章提出一种基于特征匹配的激光雷达和相机标定方法。首先,提出点云数据球心算法和图像数据椭圆算法提取特征点的点云三维坐标和像素二维坐标;接着,建立特征点在激光雷达坐标系和相机坐标系下的点对约束,构建非线性优化问题;最后,采用非线性优化算法优化激光雷达和相机的外参数。利用优化后的外参数将激光雷达点云投影至图像,结果显示,激光雷达和相机联合标定精度横向平均误差和纵向平均误差分别为3.06像素和1.19像素。文章提出的方法与livox_camera_lidar_calibration方法相比,平均投影误差减少了40.8%,误差方差减少了56.4%,其精度和鲁棒性明显优于后者。 相似文献
5.
6.
7.
8.
9.
为提高轨道交通自动驾驶列车的障碍物感知能力,需增加列车对运行场景中障碍物侵限的感知能力。针对目前多传感融合算法对限界分析较少、实时性差、算力要求高的问题,文章提出一种使用相机和激光雷达作为传感器实时感知侵限障碍物的方法。该方法基于主视图(front view, FV)二维投影平面进行信息融合,通过离线联合标定获得投影矩阵,将激光雷达点云投影到FV平面,从相机图像中提取轨道计算限界;并使用点云预测修正传感器同步误差,根据投影的障碍物点云和限界做出侵限判断。通过在列车上安装传感器和感知系统进行了数据采集和实验验证,结果显示,本方法能够在低功耗嵌入式设备中运行,算法平均耗时16.2 ms;可以实时检测列车运行时前方障碍物是否侵限,并同时获得障碍物的位置和尺寸信息。 相似文献
1