基于多线激光雷达点云的无人驾驶车辆检测方法

发布时间：2023-05-08 00:13

　　随着深度传感器以及目标检测等技术的发展,车辆的无人驾驶系统正在被越来越多的科研机构以及商业公司所重视,而无人驾驶系统所必须的环境感知能力则是车辆安全运行的保障。在无人驾驶常用的传感器方面,激光雷达相比于相机,有着受环境干扰程度小,深度信息精准等主要优势。在无人驾驶检测算法设计方面,深度学习的检测方法相比于传统检测方法有着自动学习特征以及精度较高等优点,所以本文主要研究内容为基于64线激光雷达的车辆感知深度学习算法的设计,主要有点云数据处理、建立数据集和深度学习网络设计三个主要任务。点云数据处理是去除车辆运动所带来的点云畸变。校正的方法主要是根据车载OXTS系统得到位姿信息,将一帧点云数据的起始扫描位置和终止扫描位置之间的点云通过插值的方式进行校正。建立数据集的任务主要是对数据采集车平台所采集的数据进行标注以用来训练和部署设计的检测算法。深度学习感知网络则采用了目前检测流行的两步法框架。本文设计了LiDAR-RPN和Shape-RCNN分别用来生成三维候选区域以及对三维候选区域内的点云进行二次分类和边界框回归。LiDAR-RPN是先将点云在俯视图上栅格化,再用设计的特征提取器对每个栅格进...

【文章页数】：60 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 本文研究的背景和意义
    1.2 国内外研究现状
        1.2.1 3D点云传统识别方案
        1.2.2 3D点云深度学习检测方案
    1.3 本文主要的研究内容
第2章 激光雷达数据集的建立
    2.1 点云数据的预处理
        2.1.1 点云的畸变
        2.1.2 点云畸变的矫正方法
    2.2 数据标注工具设计
        2.2.1 点云ROI区域选择
        2.2.2 点云与图像联合标注
        2.2.3 纯点云标注
    2.3 标签设置
    2.4 数据集分析
    2.5 本章小结
第3章 网络设计整体框架
    3.1 输入数据的特性分析
    3.2 检测网络的框架设计
        3.2.1 两步法设计思路
        3.2.2 单步法设计思路
        3.2.3 检测网络框架设计
    3.3 本章小结
第4章 LiDAR-RPN和 Shape-RCNN
    4.1 俯视图特征提取
    4.2 LiDAR-RPN
    4.3 Shape-RCNN
        4.3.1 体素化的点云输入
        4.3.2 体素形状提取器
        4.3.3 输出分析
        4.3.4 网络结构
    4.4 本章小结
第5章 综合实验与分析
    5.1 体素形状提取器的效果
    5.2 直通式反向传播验证
    5.3 网络整体训练
        5.3.1 数据的使用
        5.3.2 模型训练
        5.3.3 评估与对比
    5.4 本章小结
结论
参考文献
致谢



本文编号：3811605