论文部分内容阅读
自动驾驶系统是一种集地图引擎、高精度定位、环境感知、预测、规划决策和运动控制于一体的人工智能平台,在缓解交通压力、改善交通环境等方面具有广阔应用场景。随着人们对自动驾驶的研究不断深入,智能车在复杂道路环境中行驶时,需要对周围环境不断分析处理,得到精确的障碍物信息。由于激光雷达响应速度灵敏、抗干扰能力强、分辨率高等特点,在自动驾驶系统中起着至关重要的作用。本文围绕车载激光雷达和路侧激光雷达,重点研究了道路交通场景中行人、车辆等目标检测分类方面的内容,主要研究内容如下:(1)提出了制作离线栅格地图滤除无效区域点云的方法。为了排除无效行驶区域对目标检测的影响,可制作离线栅格地图滤除与行驶区域无关的点云数据。针对部分区域受建筑物遮挡等影响造成的RTK采集位置信息不准确问题,本文采用一元多项式回归方法确定高斯投影x轴坐标与高斯投影y轴坐标的对应关系,拟合得到完整道路边界信息。根据道路边界对区域栅格化处理,得到离线栅格地图,本方法相对ear-clipping制作的栅格地图更精确。最后根据离线栅格地图与雷达扫描区域标签“与”操作,提取有效区域点云数据。(2)设计了基于多层次欧式聚类的车载激光雷达点云目标检测系统。首先对激光雷达进行标定,将两个16线激光雷达的点云数据融合;然后根据本文制作的离线栅格地图,将道路外绿化带等无效区域滤除;接着利用射线分割算法,将有效区域内地面点云滤除,减少地面的点云对目标检测的影响;对于非地面的点云,利用分层次欧式聚类法将目标按照空间点云分布进行聚类;最后,对聚类目标绘制最小外接矩形,根据其几何特征对目标进行分类,得到最终检测结果。实验结果表明,本文设计的车载雷达目标检测系统能够满足自动驾驶系统中精准性和实时性的要求。(3)设计了基于Squeeze Seg和Voxel Net的路侧激光雷达点云目标检测系统。为获得道路周围障碍物信息,在路侧部署激光雷达,对道路环境进行检测分析。将原始点云数据进行降维切割后,分别输入到Squeeze Seg和Voxel Net模型中。Squeeze Seg使用了卷积神经网络和条件随机场结合的方法,对点云数据进行逐点分割。Voxel Net使用了特征学习层、卷积中间层、区域生成网络,将逐点特征与局部特征相结合,准确预测障碍物三维包围框。实验结果表明,Squeeze Seg结构简单,计算速度快,但检测精度低,适用于直行等高速场景,而Voxel Net结构复杂,检测精度高,但计算速度慢,适用于交叉路口或停车场等低速场景。