检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于路侧激光雷达的雪天点云降噪算法

山东大学学报（工学版） 2023年第4期53卷 30-36页

作者：周勇兰晓伟吕斌栗剑山东高速建设管理集团有限公司山东济南250014 兰州交通大学交通运输学院甘肃兰州730070

为提高恶劣天气下路侧激光雷达的感知能力,提出一种基于路侧激光雷达的雪天点云降噪算法。去除空间中的静态冗余数据,根据噪声点分布划分不同强度的反射区域;对不同类型的噪声点采用条件滤波、统计滤波、半径滤波的方式,滤除数据中的雪... 详细信息

为提高恶劣天气下路侧激光雷达的感知能力,提出一种基于路侧激光雷达的雪天点云降噪算法。去除空间中的静态冗余数据,根据噪声点分布划分不同强度的反射区域;对不同类型的噪声点采用条件滤波、统计滤波、半径滤波的方式,滤除数据中的雪花噪声;通过全卷积神经网络在降噪后的数据上进行目标检测,采用多项指标评估降噪效果。试验结果表明,采用本研究提出的叠加滤波算法可大幅减少噪声点数量,在有效检测范围内,目标检测的准确率达到98.2%,误检率降低至17.8%。该算法可提高雪天点云的数据质量,对智能车路协同系统的建设具有一定的指导意义和实践价值。

关键词：路侧激光雷达雪天点云噪声点点云降噪叠加滤波

在线全文

学校读者我要写书评

暂无评论

基于路侧激光雷达的障碍物目标检测方法

国外电子测量技术 2023年第1期42卷 13-19页

作者：杨建华赵轩郭全民方园园吴萍萍西安工业大学电子信息工程学院西安710021

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化... 详细信息

针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(RANSAC)实现地面拟合及分割。在障碍物聚类方面,构建KDTree加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到86%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。

关键词：路侧激光雷达障碍物检测地平面分割目标聚类栅格模型

在线全文

学校读者我要写书评

暂无评论

基于路侧激光雷达的交通目标感知方法与实现

基于路侧激光雷达的交通目标感知方法与实现

作者：赵轩西安工业大学

学位级别：硕士

交通目标的准确感知对提升交通监管水平与优化智能交通效率起到至关重要的作用。激光雷达具有抗干扰能力强、空间分辨率高等优点,近年来作为智能交通及车路协同系统的主要传感器部署在路侧,用于交通点云数据的实时采集。由于实际道路场... 详细信息

交通目标的准确感知对提升交通监管水平与优化智能交通效率起到至关重要的作用。激光雷达具有抗干扰能力强、空间分辨率高等优点,近年来作为智能交通及车路协同系统的主要传感器部署在路侧,用于交通点云数据的实时采集。由于实际道路场景中的背景点云庞杂冗余以及目标间遮挡现象的存在,同时点云数据也具有近密远疏以及易丢失的特性,导致现有目标感知方法还存在欠精准以及计算量大等问题。因此,本文提出了一种基于路侧激光雷达的交通目标感知方法,并从地平面分割、目标点聚类、交通目标识别与追踪四个主要方面分别展开研究,具体研究内容如下:(1)在地平面分割过程中,针对现有方法无法准确拟合存在坡度变化的实际地平面等问题,首先提出了基于圆柱坐标系的改进扇形栅格模型及最低点代表(LPR)法优化拟合平面所需种子点的选取,然后设计多地平面模型并结合随机采样一致性算法(RANSAC)对各区域地面点分别进行拟合,最后针对各拟合平面判定其连续性以实现地平面的完整分割。实验结果表明,该方法在4种典型道路场景下针对地面点云的分割准确率均达到86%以上,可实现不同道路场景下地平面的准确分割。(2)在目标点聚类任务中,针对单一固定距离阈值难以适应不同距离下的目标以及人工根据经验值反复设定距离阈值等问题,提出了一种改进的欧式聚类算法。该算法首先通过构建三维KDTree数据结构加速聚类过程,其次通过点云分布规律将其所处空间划分为多个聚类区域,最后针对各聚类区域进行距离阈值的自适应计算,完成不同距离下非地面点目标的准确聚类及检测。实验结果表明,该算法运算效率高,相较于其他聚类算法,所改进算法针对不同距离下的目标聚类准确率提升明显。(3)在交通目标识别方面,针对稀疏点云环境下单一特征难以精确区分不同交通目标类别以及分类器选择优化等问题,首先选取了目标空间结构特征、点云纵向轮廓高度序列特征以及点云总体分布特征,并构建为专属于本文交通目标的多维复合特征输入向量。然后采用SVM作为基分类器,并通过Ada Boost算法迭代强化,最后实现了交通目标的分类及识别。经过实验验证,该方法识别的平均准确率为89.2%,相较于标准SVM算法提升了7.3%,且各类别的F1值均超过83%,能够满足目标识别的准确性需求。(4)在交通目标追踪方面,针对目标间存在部分遮挡或因位置变化致使点云形态不断变化,从而导致目标追踪丢失等问题,设计了一种融合点云强度特征的改进最近邻追踪算法。首先通过融合强度特征构建差异度方程,然后计算相邻帧目标间的差异值并生成最近邻关联矩阵,最后将非零最小值所对应的目标关联起来,完成对交通目标的追踪以及目标速度、轨迹等信息的获取。实验结果表明,该算法在60m范围内的追踪准确率达到了89.6%,基本满足追踪任务的准确性需求。本文通过搭建路侧点云数据采集平台并结合DAIR-V2X路端数据集对所提方法进行实验验证,在确保所提出方法实用性的同时提高了各任务模块算法的准确性,优化了算法的计算效率,展现了本文方法的良好效果。具有一定的实际应用价值。

关键词：路侧激光雷达机器学习地平面分割目标聚类识别追踪

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于路侧三维激光雷达的目标检测方法研究

基于路侧三维激光雷达的目标检测方法研究

作者：万凌峰长安大学

学位级别：硕士

环境感知对于保障自动驾驶车辆行车安全具有重要意义。路侧感知单元能够显著增大感知视角,有效提升感知距离,结合无线通信技术实现车路协同感知,为自动驾驶车辆提供超视距感知能力。三维激光雷达具有探测精度高、感知范围广、稳定性强... 详细信息

环境感知对于保障自动驾驶车辆行车安全具有重要意义。路侧感知单元能够显著增大感知视角,有效提升感知距离,结合无线通信技术实现车路协同感知,为自动驾驶车辆提供超视距感知能力。三维激光雷达具有探测精度高、感知范围广、稳定性强、可全天候工作等优势,将激光雷达部署于路侧感知单元,以“上帝视角”总揽全局,能够全面获取高精度交通信息。但是,路侧激光雷达点云具有分布稀疏、前景点与背景点数量不均衡等特性,影响目标检测方法性能;现有路侧激光雷达点云数据集存在数据量小、背景同质化严重等问题,用于模型训练效果并不理想。为提升基于路侧激光雷达的交通目标检测精度,论文依托浙江省重点研发计划项目“智慧高速公路全息数字感知技术研究”(211424200512),分别从传统路线和深度学习路线的目标检测方法入手,取得创新性成果如下:(1)针对路侧激光雷达摆动和背景动态变化导致背景滤波困难的问题,论文提出了一种考虑路侧激光雷达摆动的背景滤波和背景更新方法。基于激光束方位角和激光点高度构建点云高度图,并对点云高度图进行时域中值滤波构建背景模型;提出了一种考虑路侧激光雷达摆动的滤波阈值选取策略,基于激光雷达摆动角度和激光束角度实现对前景点与背景点的精确分割;提出了一种基于点云高度图帧差的背景更新方法,减小背景动态变化对背景滤波准确率的影响。部署路侧激光雷达采集真实点云序列进行实验,实验结果表明,提出的方法背景点滤除率R保持在98%以上,前景点提取率R保持在93%以上。相比于两种典型方法,提出的方法R提升1.47%以上,R提升5.12%以上。结合DBSCAN和SVM实现目标分类,行人的分类准确率提升14.81%,背景的分类准确率提升13.33%。(2)针对低质量路侧激光雷达点云数据集影响目标检测模型精度的问题,论文提出了一种基于CARLA的路侧激光雷达点云快速构建方法。利用仿真环境构建多种典型交通场景,参照真实激光雷达设置仿真激光雷达参数,生成大量仿真点云;提出了一种点云模拟方法,对真实点云具有的运动畸变和噪声等特性进行高保真模拟,减少仿真点云和真实点云之间的差异。使用仿真点云和BAAI-VANJEE真实点云构建混合数据集对多种模型进行训练,实验结果表明,相比于基准数据集BAAI-VANJEE,使用构建的混合数据集训练Point Pillars等模型能够提升检测精度4.27%以上。(3)针对仿真点云和真实点云存在领域差异导致目标检测精度下降的问题,论文提出了一种基于领域自适应的体柱形三维点云目标检测方法。引入对抗训练促使骨干网络提取仿真点云和真实点云的共性深层特征,提升混合数据集对模型的训练效果;引入最远点采样提升采样过程的均匀性,更加全面地提取局部点云空间特征;引入稀疏卷积提升模型运算效率;根据损失值筛选困难负样本进行模型训练,缓解正负样本不均衡问题。在构建的混合数据集上对提出的方法进行评估,实验结果表明,提出的方法能够显著改善领域差异导致的过拟合问题,相比于现有目标检测模型,提出的方法提升轿车检测精度4.35%以上,方法的推理速度达到89Hz。论文根据路侧激光雷达数据特点对交通目标检测任务展开深入研究,有效提升目标检测精度和效率,为推动以路侧激光雷达为核心的路侧感知单元落地应用提供技术支撑。

关键词：路侧激光雷达三维目标检测点云背景建模点云生成领域自适应

基于改进ICP算法的路侧双激光雷达数据融合

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

激光杂志 2021年第9期42卷 38-44页

作者：关丽敏张倩楚庆玲朱进玉长安大学电子与控制工程学院西安710064

路侧感知是车路协同的重要组成部分,由于单一的路侧激光雷达存在垂直盲区、探测范围小、感知精度低、难以处理遮挡等问题,通常需要部署多个激光雷达。数据融合对多激光雷达来说是提高感知范围和精度、减少目标遮挡的重要方法。本文提出... 详细信息

路侧感知是车路协同的重要组成部分,由于单一的路侧激光雷达存在垂直盲区、探测范围小、感知精度低、难以处理遮挡等问题,通常需要部署多个激光雷达。数据融合对多激光雷达来说是提高感知范围和精度、减少目标遮挡的重要方法。本文提出了一种改进的迭代最近点(Iterative Closest Point,ICP)算法来实现双激光雷达数据层的融合。该算法通过法向量关键点选取和错误点对的剔除来增加点云配准的精度,采用体素化网格下采样和KD-tree(K-dimension tree)加速对应点匹配来提高点云的配准速度。实验结果表明,改进的ICP算法与经典ICP和GICP(Generalized ICP)算法相比具有更高的配准精度和更快的配准速度。

关键词：车路协同路侧激光雷达 ICP算法数据融合点云配准

基于路侧激光雷达的交通目标识别及跨场景迁移算法研究

在线全文

学校读者我要写书评

暂无评论

基于路侧激光雷达的交通目标识别及跨场景迁移算法研究

作者：张力文苏州大学

学位级别：硕士

车路协同是智能交通系统的重要研究方向,先进传感器已经成为了智慧道路基础设施不可或缺的一部分。激光雷达是一种新兴的空间测距传感器,具有探测距离远、测量精度高、全天候工作等优点,已成为未来交通监控设备的有力选择。本文围绕基... 详细信息

车路协同是智能交通系统的重要研究方向,先进传感器已经成为了智慧道路基础设施不可或缺的一部分。激光雷达是一种新兴的空间测距传感器,具有探测距离远、测量精度高、全天候工作等优点,已成为未来交通监控设备的有力选择。本文围绕基于路侧激光雷达的交通目标识别——这一智能交通系统中的基础课题展开研究。为此,本文搭建了路侧激光雷达监控系统,对其采集的真实交通点云数据进行细致分析,并设计了包含检测与分类两步骤的点云交通目标的识别算法。在此基础上,针对识别算法在实际部署时的场景切换过程中出现的灾难性遗忘问题,本文对其的原理机制进行了探究,并针对性的提出了分别适应多种部署条件的跨场景迁移算法。本文的主要贡献如下:（1）本文设计了路侧激光雷达监控系统的部署方案,搭建了用于实验的实物系统采集真实交通数据,并建立了大规模的点云交通目标数据集用于后续研究。在对路侧激光雷达点云的数据的结构特征与道路空间覆盖特征的分析基础上,继而提出适应于交通场景、包含背景滤除与噪声滤除两功能的点云预处理算法。（2）针对点云数据的无序、稀疏等处理难点,本文提出了包含检测与分类两步骤的点云交通目标识别模型——首先检测出场景中所有的交通目标个体,然后根据其形态特征分别判断其类型。针对点云交通目标的检测,我们在对经典DBSCAN算法进行细致分析的基础上,提出了改进的Grid-DBSCAN算法,在保留前者优点的同时还大大降低了算法复杂度,实现了目标的实时检测。针对点云交通目标分类任务中的交通目标形态缺失、相互遮挡等不利条件,我们在由Grid-DBSCAN算法检测到的点云目标基础上,训练了卷积神经网络模型GC-net。其提取高维隐式局部特征克服了点云目标中数据稀疏与形态缺失带来的挑战。多场景实验结果证明,Grid-DBSCAN的平均检测召回率可达96.59%（IoU≥0.7）,计算时间低至0.027s;GC-net的多场景平均分类正确率可达89.02%;Grid-DBSCAN+GC-net组合的多场景平均识别正确率可达86.34%,综合表现明显优于同类算法。（3）针对基于深度学习的交通目标识别算法在多场景切换时产生的灾难性遗忘问题,本文在分析其成因的基础上,提出了基于原型微调与知识蒸馏的两种模型迁移算法。原型微调算法将在场景切换时锁定卷积层参数,使用嵌入平均、均值漂移和高斯混合模型等手段微调原型向量;知识蒸馏算法将使用“教师-学生”网络结构,在场景切换时以旧模型中的知识指导新模型的卷积层更新,从而以较少的代价为新场景训练模型。以上算法既可以单独使用,也可以组合使用。本文设计了多条件下的场景切换实验,用于分析各种迁移算法组合对于不同条件的适应性。

关键词：路侧激光雷达交通目标识别聚类算法卷积神经网络灾难性遗忘迁移算法

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于路侧激光雷达的在途目标分类技术研究

基于路侧激光雷达的在途目标分类技术研究

作者：宋彦颉山东大学

学位级别：硕士

在途目标的有效分类对缓解交通拥堵、道路结构设计施工、高速公路通行管控等具有重要意义。国家《交通运输信息化“十三五”发展规划》中明确提出将大力发展的智能交通系统(ITS)为目标分类提供了新手段。利用多样化的目标检测设备采集... 详细信息

在途目标的有效分类对缓解交通拥堵、道路结构设计施工、高速公路通行管控等具有重要意义。国家《交通运输信息化“十三五”发展规划》中明确提出将大力发展的智能交通系统(ITS)为目标分类提供了新手段。利用多样化的目标检测设备采集交通信息,提炼具有差异度的分类特征,使用机器学习算法处理数据或构建分类模型,从而助力在途目标的准确、高效分类。路侧激光雷达是近几年新兴的一种交通数据采集方式,众多研究者们开展了研究,但目前利用路侧激光雷达得到的点云数据进行目标分类的研究尚不充分。基于上述,本文使用路侧激光雷达采集交通点云信息,在设备性能及数据微观结构特点的基础上,研发了包括采集平台、目标点云分割获取、识别追踪、特征提取、机器学习复合分类器在内的成套在途目标分类技术。相关工作对基于点云数据的目标分类研究具有一定的参考和完善意义。本文所得重要结论如下:(1)通过定义感兴趣区域(ROI),减轻计算负担,改进的随机抽样一致性(RANSAC)地面估计算法从而把目标点云和地面分割并提取出来,使用考虑目标高度分布的基于噪音点的密度聚类算法(3D-DBSCAN)分簇属于同一目标的点云,利用全局最近邻关联算法(GNN)追踪目标轨迹;试验结果表明,在25m范围内,所提出的这一目标识别追踪流程可实现96.3%的准确率。(2)根据现有分类标准并结合现场观测,定义了 10种常见在途目标类型,基于车型之间侧面轮廓具有差异性的特点,提取以高度值序列为主的5个分类特征,并提出相应特征计算方法,在此基础上构建了 SDUITC目标点云特征数据库,作为后续分类样本集;(3)建立并对比了自适应增强算法(AdaBoost)在内的五种机器学习分类器,进一步的,基于F1值加权投票的原理集成多分类器,结合特征衰减和归类手段,来优化分类性能,形成一套完整的在途目标复合分类系统。试验结果表明,所提出的复合分类器可实现93%的高精度目标分类。

关键词：路侧激光雷达机器学习识别追踪目标复合分类系统

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

路侧单元协同的多目标跟踪方法研究

路侧单元协同的多目标跟踪方法研究

作者：张毅重庆邮电大学

学位级别：硕士

智能路侧单元(Road Side Unit,RSU)是车路协同系统的重要组成部分,其具有通信、目标检测及跟踪功能。现有解决方案中各RSU能够独立进行目标检测和跟踪,相邻RSU间没有协同,导致信息利用不充分,跟踪精度低。因此,研究RSU协同的多目标跟踪... 详细信息

智能路侧单元(Road Side Unit,RSU)是车路协同系统的重要组成部分,其具有通信、目标检测及跟踪功能。现有解决方案中各RSU能够独立进行目标检测和跟踪,相邻RSU间没有协同,导致信息利用不充分,跟踪精度低。因此,研究RSU协同的多目标跟踪方法来提高路侧传感器的跟踪精度具有理论意义和实用价值。本文主要的工作包括以下三个方面:现有的路侧激光雷达目标检测是依靠相邻路侧传感器互相弥补盲区,导致路侧传感器安装密集,资源利用率低。为了解决上述问题,本文提出一种补盲雷达增强的路侧激光雷达目标检测方案,该方案将路侧激光雷达与补盲雷达组合成一个整体,利用补盲雷达对激光雷达的底部盲区进行补偿。在目标检测时首先通过感兴趣区域划分和地平面拟合算法提取出两组雷达点云数据的非地面点;然后将得到的非地面点云坐标通过迭代最近点算法进行点云配准及数据融合;最后建立栅格地图,采用网格聚类法进行点云聚类,获得目标信息。该方案可以有效地扩展单个RSU的目标检测范围,减少约47%的传感器部署数量。为了解决各RSU独立进行目标检测跟踪导致的跟踪精度低的问题,本文利用相邻RSU信息,提出一种RSU协同的多目标跟踪方法。在该方法中RSU首先接收由相邻RSU广播的目标轨迹信息作为潜在目标,然后将路侧传感器检测到的目标进行量测融合并与已有的目标轨迹和潜在的目标轨迹进行数据关联。关联上的潜在目标轨迹被视为已有的目标轨迹,而未关联上的量测被用于新目标跟踪起始。最后,通过跟踪滤波器对已有的目标轨迹进行更新并广播,实现RSU协同跟踪。该方法可以有效地改善目标跟踪性能,对于不同速度目标的改善精度约为6%～48%。根据上述算法及方案,本文开发了一个RSU协同的多目标跟踪系统,并进行实车实验,验证了本文方法的有效性。

关键词：智能路侧系统路侧激光雷达目标跟踪数据关联跟踪起始