無人車基于三維點云場景理解的語義地圖構建.pdf_第1頁
已閱讀1頁,還剩68頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、無人駕駛車對于周圍環(huán)境的感知和理解是其實現(xiàn)自主駕駛和地圖構建的基礎。本文的目的是使用安裝在無人駕駛車上的激光傳感器獲得描述無人車周圍環(huán)境的三維激光點云數(shù)據(jù),然后通過對場景點云數(shù)據(jù)的理解提取場景的語義描述,最后運用語義描述構建適用于大范圍室外環(huán)境的拓撲語義地圖。為了能實現(xiàn)語義地圖的在線構建,需要在場景理解環(huán)節(jié)有著足夠短的耗時。本文提出了三維點云數(shù)據(jù)的最優(yōu)深度及向量長度(Optimal Depth& Vector Length,ODVL)圖

2、模型。該模型能夠將場景的三維點云數(shù)據(jù)映射為二維灰度圖像,適用于多種激光掃描方式,比起傳統(tǒng)的灰度圖模型有著更好的景物邊界區(qū)分度以及紋理質量。基于ODVL圖模型的場景理解在保證了所需分類準確率的同時,較傳統(tǒng)三維點云分類方法在實時性上有明顯的提升,為后續(xù)的語義地圖在線構建提供了保證。
  本文對ODVL圖進行超像素分割,把分割后得到的超像素塊作為分類的最小單元,提取其20維紋理特征。由于ODVL圖中的像素點與點云激光點一一對應,每個超像

3、素塊都有著對應的局部點云。本文在提取局部點云高程特征的基礎上增加了形狀估計與方向特征,與紋理特征一起組成分類單元的23維特征向量。針對特征的特點并且考慮到室外場景理解是一個多分類問題,選用Gentle-AdaBoost算法對超像素塊進行分類。將分類結果中置信度較低的區(qū)域還原為三維點云,并用層次聚類法對點云聚類。分析聚類后點云的輪廓以及點云分布特征,完成對低置信度區(qū)域的再次分類。對于分類結果中由于分割和聚類不準確導致的錯分點,本文提出了一

4、種基于語義約束的點云校正方法。提取分類置信度較高景物的面性區(qū)域,并對區(qū)域中的錯分點進行校正。
  通過場景理解,能夠獲得無人車周圍環(huán)境的語義描述。構建語義地圖前,需根據(jù)語義信息對場景中的景物聚類,以提取每一個獨立景物的類別、大小、位置等信息。本文將無人車左側與右側激光的三維點云數(shù)據(jù)按規(guī)則劃分為環(huán)境節(jié)點,將無人車行駛過的軌跡與附近地面按規(guī)則劃分為道路節(jié)點。并為環(huán)境節(jié)點與道路節(jié)點生成拓撲關系,得到室外環(huán)境的拓撲地圖。隨著無人車的運動,

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論