1 西安建筑科技大学资源工程学院，陕西 西安 710055
2 西安建筑科技大学西安市智慧工业感知、计算与决策重点实验室，陕西 西安 710055
针对露天矿无人矿卡运输作业中路况差、光照强和灰尘大等原因导致小尺寸落石检测困难和实时性差的问题，提出一种使用固态激光雷达检测露天矿非结构化运输道路小尺寸落石的方法。首先使用具有双回波技术的激光雷达进行数据采集，减少灰尘干扰并提取车辆前方可行驶区域；然后采用基于扇面的直线拟合地面分割算法分割地面，实现对有坡度的非结构化粗糙路面的彻底分割；之后引入八叉树的分层网格树模型进行邻域查找，提高邻域查找的速度，引入双色最近对构建图，快速生成聚类簇，引入自适应聚类半径ε，进行聚类并输出小尺寸落石的盒模型。实验结果表明：相较于使用k-d树加速的DBSCAN算法，所提方法的正检率提升9.61个百分点，检测时间缩短379.77 ms。
露天矿 无人驾驶 障碍物检测 激光雷达点云 密度聚类 激光与光电子学进展
2024, 61(8): 0812006
贵州大学 大数据与信息工程学院，贵州 贵阳 550025
由于盲人对周围环境缺乏视觉感知力，出行一直是盲人生活中的困扰。本文提出一种基于YOLOX改进的导盲系统障碍物检测算法CE-YOLOX。首先，为了减少特征融合网络在特征通道缩减时带来的语义信息的丢失，以亚像素跳变融合模块SSF和亚像素上下文增强模块SCE来充分利用通道信息和不同尺度的语义信息，以通道注意力引导模块CAG减少多尺度特征融合带来的混叠效应。其次，为了使模型更加聚焦于有效特征，引入全局注意力机制GAM，通过减少信息弥散和放大全局交互表示来提高模型性能。然后，使用SIOU-LOSS替换原模型的位置回归损失函数IOU-LOSS，加快了边框的回归速度与精度。最后，搭建导盲系统检测平台，将所提算法移植到边缘计算设备NVIDIA Xavier NX上。实验结果表明，改进的导盲系统障碍物算法在服务器和NVIDIA Xavier NX平台上的mAP一致，提升至90.53%，相较原YOLOX模型算法提高了2.45%。在服务器上的检测速度达到75.93 FPS。本文模型在兼顾检测速度的同时提高了精度，显著优于对比算法，满足边缘计算设备的要求，具有实际的应用价值。
导盲系统 障碍物检测 亚像素 CEFPN GAM 角度损失 SIOU blind system obstacle detection subpixel CEFPN GAM angle loss SIOU
1 北京航空航天大学仪器科学与光电工程学院精密光机电一体化技术教育部重点实验室，北京 100191
2 上海宇航系统研究所，上海 201108
3 北京航空航天大学青岛研究院，山东 青岛 266100
采用管道机器人定期检测输送管线的状态对于确保管道安全可靠运行意义重大。受限于机器人的结构尺寸和功耗，常用精度较低的微小型三维测量传感器为机器人提供环境及导航信息。针对低精度三维传感器得到的点云数据质量不佳、难以可靠分辨障碍物的问题，提出了一种基于时间序列及邻域分析的点云处理方法。利用障碍物点云与噪声点云在时间序列分布和空间分布方面的特性有效去除噪声，并通过拟合管道内壁实现管道内障碍物检测。测试结果表明，所提方法的检测精度提升了约30个百分点，检测时间小于1 s，满足管道机器人的应用需求。
图像处理 管道检测 三维点云 障碍物检测 时间序列 邻域分析 激光与光电子学进展
2022, 59(22): 2210007
1 中国石油大学（华东）海洋与空间信息学院，山东 青岛 266580
2 中国石油大学（华东）控制科学与工程学院，山东 青岛 266580
3 自然资源部第一海洋研究所海洋物理与遥感研究室，山东 青岛 266061
激光雷达具有测距精度高、受环境因素影响小及全天时工作的特点，非常适合用于无人船障碍物检测。由于激光雷达点云近密远疏，基于栅格地图的海上障碍物检测的精度就会受到栅格尺寸大小的直接影响。建立了一种栅格尺寸线性增长的变尺寸栅格地图，结合高度差判别法和八邻域连通分量标记法进行栅格划分及聚类，通过盒子模型提取障碍物信息，得出更加精确的障碍物检测结果。开展了海上实船实验，并对所提方法与传统方法的处理结果进行了比较，对比处理结果可得，对于近岸处中小型渔船的检测，所提方法可有效地解决传统方法中栅格划分和聚类效果较差的问题，实现更精确实时的海上障碍物检测，为无人船避障提供数据支撑。
遥感 无人船 激光雷达 障碍物检测 变尺寸栅格地图 激光与光电子学进展
2022, 59(8): 0828002
1 北京交通大学理学院, 北京 100044
2 北京交通大学发光与光信息技术教育部重点实验室, 北京 100044
二维激光雷达广泛应用于室内障碍物检测中,而障碍物的聚类分割是环境感知中的关键技术。环境特征的复杂性和数据密度分布的不均匀性,导致传统聚类方法无法同时对不同距离、不同类型的障碍物实现良好聚类,容易发生漏检和误检。针对室内障碍物的检测需求,分析了激光雷达的数据特点和室内环境的几何特征,提出了一种改进的基于距离和障碍物特征的自适应阈值聚类分割方法,将阈值调整为随目标距离和类内密度变化的自适应参数。在基于激光雷达的智能车感知系统上进行了复杂障碍物的聚类分割实验,结果表明,相比传统方法,本方法可以明显改善不同距离、不同类型障碍物的聚类分割效果,分割准确度可达到92.23%。
遥感 激光雷达 障碍物检测 聚类分割 基于密度的含噪声应用空间聚类 线性阈值法 中国激光
2021, 48(16): 1610005
本文提出一种基于3D视觉传感器的障碍物检测方法, 用于解决准静态场景的障碍物检测的误检、漏检等问题。本文算法首先对3D视觉传感器得到的点云数据进行坐标系转换, 然后以高度值作为尺度因子产生深度图像, 然后与障碍物高度参数进行比较产生二值化图像, 通过计算二值化图像最大连通域大小辨识出障碍物。本算法使用在变电站电力巡检机器人安全巡检项目中, 通过长时间复杂环境运行验证了算法的稳定性和有效性。
障碍物检测 导航 机器人 obstacle detection navigation robot
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 武汉理工大学汽车工程学院, 湖北 武汉 430070
针对交通环境中障碍物及可通行区域检测的问题,利用改进欧氏聚类算法进行实时障碍物检测,提出一种相邻点云间距算法以实时提取道路可通行区域。对点云数据进行预处理,再通过地面坡度分离算法进行地面与非地面点云分离;根据不同的聚类距离阈值对非地面点云进行障碍物聚类检测,使用长方体框标记区分;将每个地面激光束固有的相邻点云间距与实际相邻两点间距离进行对比,结合相邻点角度差以及点云聚类,实现可通行区域的提取;融合障碍物检测和可通行区域提取结果,对可通行区域的通过性进行合并检测。多路况实车实验表明,本文算法能准确检测出障碍物及道路的可通行区域,检测平均准确率为94.13%,平均耗时为69 ms,满足智能车实时性的要求。
遥感 三维激光雷达 障碍物检测 改进欧氏聚类算法 可通行区域 相邻点云间距算法 激光与光电子学进展
2019, 56(24): 242801
北京信息科技大学高动态导航技术北京市重点实验室, 北京 100192
针对16线激光雷达负障碍检测过程中, 垂直分辨率低导致对负障碍检测和识别困难的问题, 提出了一种基于IMU-LiDAR的负障碍检测方法。建立了激光点云数据的融合模型, 有效利用历史点云数据与历史检测结果, 获得较多的环境信息, 提高了负障碍的检测精度。利用16线激光雷达与自研的惯性测量单元(IMU)传感器进行实验验证, 结果表明能够实现激光雷达点云的融合, 进一步提高激光雷达对负障碍的检测能力, 并且以较低的硬件成本实现更加高级的环境感知能力, 对无人驾驶等技术的研究具有实际应用价值。
激光雷达 点云融合 负障碍检测 LiDAR IMU inertial measurement unit point cloud fusion negative obstacle detection
1 天津大学精密仪器与光电子工程学院，天津 300072
2 天津大学光电信息技术教育部重点实验室，天津 300072
在激光雷达障碍物检测中，由于数据密度分布不均匀，传统 DBSCAN聚类算法无法同时对近距离和远距离目标实现良好聚类，容易导致漏检和误检。为了解决这个问题，改进了传统 DBSCAN算法聚类邻域半径 ε参数的选值方法，不同于传统 DBSCAN算法在聚类过程中使用统一的聚类邻域半径，而是调整为根据目标距离变化而变化的自适应聚类邻域半径。首先根据激光雷达扫描线分布求出相邻两条扫描线的间距建立 ε*列表，然后依据每个扫描点的坐标值在列表中查找出对应的列表值，最后通过线性插值法确定对应的邻域半径。福特数据集的实验结果表明，优化之后的 DBSCAN算法无论是对近距离目标还是远距离目标，其聚类效果均得到明显改善。与传统算法相比，障碍物检测正检率提高了 17.52%。
障碍物检测 聚类 DBSCAN算法 邻域半径 obstacle detection clustering DBSCAN algorithm neighborhood radius
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
