针对道路场景中数字字符高噪声、多视角和难以定位识别的问题,提出了一种稳健的道路场景数字字符定位识别算法。采用基于色彩空间和边缘增强的最大稳定极值区域(MSER)算法来提取候选区域,设计了几何约束滤波器,并与笔画宽度变换(SWT)联合滤除非字符区域,得到字符定位结果。对Lenet-5中的收敛函数和池化窗进行改进,将定位后的字符区域归一化输入网络中,得到最终的字符识别结果。实验结果表明,本文算法的字符召回率达到90.0%,综合性能值达到0.89,字符识别率达到88.6%,优于同类算法性能。

针对城市环境激光雷达点云地面分割过程中坡度路面、障碍物和地面交界处存在欠分割与过分割的问题,提出一种应用于不同城市场景的地面分割算法。该算法首先利用激光雷达水平角分辨率将点云进行线序化排列,再利用射线前后点的距离比去除悬空异常噪点;随后借助射线点距离与坡度信息自适应调整高度阈值;最后利用调整后的全局与局部高度阈值进行地面分割。对3种不同类型的城市路面进行的实验验证了本文算法的有效性,该算法在不同城市场景下均可区分障碍物与地面交界处的点云与坡面,平均分割准确度达98%,平均耗时2 ms。

城市环境中的精确定位是自动驾驶领域的重点和难点,现有的激光雷达定位算法虽然能够在多数情况下保持较高的精度,但在一些比较复杂的城市动态场景中仍存在问题。针对这类场景中遮挡导致的全球定位系统定位精度下降,以及运动目标和环境变化导致的有效点云特征减少的问题,提出一个新的概率定位框架;该框架使用核密度估计的方法对改进后的多层次随机采样一致性算法和直方图滤波算法进行融合,以有效克服多层次随机采样一致性算法在部分场景中的定位波动问题,以及直方图滤波算法在位姿误差较大时的效率低下和局部最优问题。结果表明:所提框架在保证定位精度的前提下,提升了对动态密集场景的适用性,能够在现有算法容易出错的场景中实现更加稳定精确的定位,并能够容忍更大的初始位姿误差。

针对城市环境下三维激光雷达(LiDAR)点云数据密度不均匀、离群噪点多而不利于后期点云帧间匹配的问题,提出一种应用于城市环境下大规模散乱LiDAR点云的离群噪点滤除算法。该算法对传统的基于密度的噪声应用空间聚类(DBSCAN)算法进行改进,通过对三维点云进行体素栅格划分,创建了一个由栅格单元组成的集合,以此大幅减小每个对象在数据空间中邻域的搜索范围。改进后的算法能够快速发现各个聚类,使目标点云与离群点分离,从而剔除点云中的离群噪点。实验结果表明:所提算法能够实时处理点云数据,在保证点云三维几何特征的同时能有效识别并滤除点云中的离群噪点,降低点云规模,加快点云后续处理的效率,使帧间匹配的精确度提高了2倍,且匹配耗时仅为去噪处理前的1/3。

针对城市三维环境下LiDAR 点云数据密度大、离群噪点多、分布散乱不利于后期点云帧间匹配的问题，提出一种应用于城市环境下大规模三维LiDAR 点云帧间匹配的预处理方法。首先，将点云数据转化为均值高程图，利用网格之间的高度梯度对点云进行地面分割处理；然后，通过三维体素栅格划分的方法改进了DBSCAN 聚类算法，用改进后的VG-DBSCAN 对点云进行聚类，聚类后目标点云与离群点分离，从而剔除点云中的离群噪点；最后，采用Voxel Grid滤波器对点云降采样。实验结果表明，所提方法可以对点云数据进行实时的预处理，平均耗时为132.1 ms；预处理之后点云帧间匹配的精确度提高了2 倍，平均耗时也仅为预处理前的1/6。

针对无人车三维激光雷达与全球定位系统/惯性导航系统组合导航系统安装位置关系难以准确测量及相对转角无法直接测量的问题,提出一种基于多对点云同时匹配迭代生成外参数的方法。首先选择车辆直线往返行驶中位置相近、方向相反的激光雷达点云对进行匹配;然后设定参数区域中心、初始步长及步数,遍历参数组合,寻找目标函数最小时的外参数组合并更新为最优迭代区域中心;最后不断缩减步长,直到得到满足精度要求的最优外参数。实验采集了两段环境不同的数据,分别采用较优和较差的参数初始迭代中心以及不同步数进行标定。结果表明,所提方法用时短,对于非理想参数初值也能够得到较好的标定结果,而且标定方法简单,无需专门的标定物即可达到需求的标定精度。

无人车三维激光雷达与GPS/INS组合导航系统融合使用，需要对两者之间的相对位姿进行标定。针对车辆运动过程点云畸变的现象，提出了一种单帧点云中激光扫描点坐标修正方法。针对标定问题，建立了标定模型，提出了一种基于ICP算法和手眼标定模型及最小二乘法进行外参数标定的方法。通过蒙特卡罗仿真实验，对该方法的有效性和精度进行了仿真和验证。在实验室JJUV-6无人车平台上进行标定试验，得到两者之间的三维位姿关系。对比标定前后三维点云重建效果，点云重叠度接近于配准效果。基于应用的目的，基本满足二维地图构建和三维环境重建的需求。