無人車基于三維點云場景理解的語義地圖構(gòu)建.pdf

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(gòu)建的基礎(chǔ)。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(gòu)建適用于大范圍室外環(huán)境的拓?fù)湔Z義地圖。為了能實現(xiàn)語義地圖的在線構(gòu)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?qū)鼍暗娜S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(zhì)量?；贠DVL圖模型的場景理解在保證了所需分類準(zhǔn)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(gòu)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(yīng)，每個超像

3、素塊都有著對應(yīng)的局部點云。本文在提取局部點云高程特征的基礎(chǔ)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(jié)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(jié)果中由于分割和聚類不準(zhǔn)確導(dǎo)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(gòu)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(cè)與右側(cè)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?fù)潢P(guān)系，得到室外環(huán)境的拓?fù)涞貓D。隨著無人車的運動，