1 重庆交通大学 交通运输学院， 重庆400074
2 同济大学 道路与交通工程教育部重点实验室， 上海01804
针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题，利用激光雷达里程计消除惯性测量单元（Inertial Measurement Unit， nIMU）累计误差并通过IMU预积分去除激光雷达点云畸变，形成激光雷达与IMU的紧耦合建图系统；通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化，旨在提升定位建图的全局一致性，减小位姿估计误差，降低累计漂移误差。最后，在学校园区实地场景以及利用开源数据集KITTI进行实验验证，实验表明，在选取的学校园区实地场景下，改进算法APE误差均值相较于原算法降低了11.04%，APE均方根误差较于原算法降低了17.35%；改进算法在KITTI数据集场景下平均APE误差下降了10.04%，均方误差方面相较于原算法平均下降了12.04%。研究结果表明，改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。
激光雷达 自动驾驶 同步定位与建图 传感器融合 lidar automatic driving synchronous positioning and mapping sensor fusion
1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
4 东风汽车股份有限公司商品研发院，湖北 武汉 430100
局部和全局特征提取在车道线检测任务中扮演着重要的角色。针对现有的基于激光雷达的车道线检测算法局部特征提取层次单一和全局特征利用不充分的问题，提出一种基于自适应门控的双路激光雷达三维车道线检测算法。首先，通过全局特征金字塔结构，使网络提取具有全局相关性的多层次车道线特征；其次，引入双路结构，其中辅助通路将底层高分辨率纹理特征压缩到高级抽象语义特征从而降低计算复杂度，压缩的语义特征用作另一个构建的主通路的先验信息，帮助学习更加精细的底层纹理细节，并借助高效移动卷积模块，在缓解注意力窗口效应的同时产生更好的下采样特征；最后，设计一种自适应多阶门控模块来更好地利用上下文信息，使网络自适应捕捉车道线更具代表性的全局纹理及语义特征。在K-Lane数据集上的实验表明，所提算法F1分数较主流模型提升2.6个百分点，在不良光照、严重遮挡条件下分别提升2.7个百分点和3.5个百分点。将算法部署在实车平台实现在线检测，验证了算法的工程实用价值。
激光雷达 自动驾驶 深度学习 三维车道线检测 自适应门控 中国激光
2023, 50(22): 2210001
上海理工大学光电信息与计算机工程学院，上海 200093
车道线识别是自动驾驶环境感知的一项重要任务。近年来，基于卷积神经网络的深度学习方法在目标检测和场景分割中取得了很好的效果。本文借鉴语义分割的思想，设计了一个基于编码解码结构的轻量级车道线分割网络。针对卷积神经网络计算量大的问题，引入深度可分离卷积来替代普通卷积以减少卷积运算量。此外，提出了一种更高效的卷积结构LaneConv和LaneDeconv来进一步提高计算效率。为了获取更好的车道线特征表示能力，在编码阶段本文引入了一种将空间注意力和通道注意力串联的双注意力机制模块(CBAM)来提高车道线分割精度。在Tusimple车道线数据集上进行了大量实验，结果表明，本文方法能够显著提升车道线的分割速度，且在各种条件下都具有良好的分割效果和鲁棒性。与现有的车道线分割模型相比，本文方法在分割精度方面相似甚至更优，而在速度方面则有明显提升。
西北师范大学物理与电子工程学院,甘肃 兰州730030
图像语义分割是计算机视觉的重要研究领域,是场景理解的关键技术之一。在无人驾驶领域,通过对道路场景进行高质量的语义分割,可为自动驾驶汽车的安全行驶提供保障。首先从道路场景语义分割的定义出发,探讨了目前该领域面临的挑战;其次,将语义分割技术划分为传统的分割技术,传统与深度学习相结合的分割技术和基于深度学习的分割技术,重点介绍了基于深度学习的语义分割技术, 并按照强监督、弱监督、无监督三种不同的网络训练方式对其进行了阐述;然后总结与道路场景语义分割相关的数据集以及性能评价指标,并在此基础上进行对比,分析常见的图像语义分割方法的分割结果;最后,对道路场景语义分割技术面临的挑战以及未来的发展方向进行了展望。
机器视觉 计算机视觉 语义分割 卷积神经网络 自动驾驶 数据集 激光与光电子学进展
2021, 58(12): 1200002
1 国防科技大学空天科学学院, 湖南 长沙 410073
2 图像测量与视觉导航湖南省重点实验室, 湖南 长沙 410073
3 陆军航空兵学院, 北京 101123
4 火箭军研究院, 北京 100089
自动驾驶应用中,基于视觉的相对位姿估计是实现无人驾驶汽车自动定位的核心技术之一。针对单目视觉系统的视场范围较小以及双目视觉系统需要公共视场等问题,提出一种无公共视场的多相机系统相对位姿解耦估计方法。利用场景中远、近点的不同特性对旋转矩阵和平移向量进行解耦估计。对远处场景特征点采用直方图投票法求解相对旋转矩阵,在相对旋转矩阵已知的条件下,对近处场景特征点采用采样高度法求解相对平移。通过仿真模拟和实际实验对所提方法的可行性、鲁棒性和精度进行验证。实验结果表明,所提方法的相对姿态精度优于0.05°,相对平移向量方向精度优于2.5°,具有较高的精度和较好的鲁棒性。
机器视觉 位姿估计 多相机系统 自动驾驶
1 陆军工程大学石家庄校区车辆与电气工程系, 河北 石家庄 050003
2 中国人民解放军63963部队, 北京 100072
环境感知是无人驾驶的核心技术之一,而利用三维激光雷达进行障碍物检测一直是国内外的研究热点。本文首先按照传感器的种类介绍了无人车障碍物检测方法的分类,然后介绍了基于三维激光雷达进行障碍物检测的基本原理,之后详细分析了基于三维激光雷达进行障碍物检测的传统方法。其中深度学习是二维图像目标检测及分类的重要方法,在介绍三维激光雷达点云特点的同时分析了点云深度学习的挑战,最后详细分析了三维点云深度学习在障碍物检测方面的研究现状以及发展趋势,并且介绍了自动驾驶领域的KITTI数据集和ApolloScape数据集。
遥感 无人驾驶 三维激光雷达 障碍物检测 栅格网络 深度学习 激光与光电子学进展
2019, 56(13): 130001
