武汉上空背景Na层长期变化和夜间变化特征的激光雷达观测研究

通过分析武汉大学激光雷达在2001年4月到2004年12月的观测数据,研究武汉(30.5°N,1144°E)上空背景Na层的长期(时间尺度大于1年)变化和夜间变化特征,并讨论了这种变化特征可能的产生原因.Na层长期变化的观测研究表明,背景Na层柱密度最大值出现在11月,大约是5月份最小值(1.6×109 cm-2)的2倍;质心高度最大出现在8月,比年平均高度91.5km高14km,最小值出现在5月,为91.2km;rms宽度平均值为4.5 km,最大值和最小值分别出现在12月和3月;月平均Na层质心高度和均方根宽度都具有准半年周期的变化,但两者变化的相位相反.除了长期变化外,背景Na层还呈现出明显的夜间变化特征:除凌晨短暂的时间外,Na层柱密度随夜间时间增加,于0530 LT达到最大值(2.9×109 cm-2);峰值对应的高度随时间下降;质心高度随时间缓慢增加但在凌晨迅速下降基本恢复到入夜时的高度;整夜背景Na层平均柱密度、峰值对应的高度、质心高度和rmS宽度起伏值分别为1.1×109cm-2,3 km,0.3 km和0.8 km.      

北京上空冬季潮汐波活动特征全天时激光雷达探测研究

利用北京延庆子午工程激光雷达对北京上空钠层进行长期连续观测，分析研究钠层及其相关参数的周日变化.提取钠层各个高度上的相位信息，与同时段经向风潮汐信息进行比较发现:在各个高度上，二者周日相位数值基本一致.半日相位对比结果表明，虽然存在差异，但整体仍保持较好的一致性.此外，从2014年至2016年每年10月到第二年1月共4个月的钠层连续观测数据中提取钠层周日和半日的振幅和相位，探究北京上空冬季的潮汐特征.结果显示:周日潮的相位自上向下传播，且无明显的季节变化特征，其垂直波长在40～50km的范围；周日潮较强，半日潮较弱.      

基于改进DeepSORT的视觉/激光雷达目标跟踪与定位方法CSCD

通过结合目标跟踪与相对定位,在对多帧检测目标进行关联与分析的同时,可以获取其三维信息。但当目标外观特征变换较大时,传统目标跟踪算法较易发生漏匹配或身份变换,而仅依靠对齐点云的相对定位算法较易出现定位失效的情况。针对以上问题,提出了一种基于改进DeepSORT的目标跟踪与定位方法在原始DeepSORT算法中加入基于位置约束的匹配,解决了因外观改变导致的漏匹配问题;在获取跟踪信息的基础上,设计了基于目标运动模型的相对定位方法,解决了图像中目标较小时相对定位不连续且定位精度较低的问题。试验结果表明,与传统DeepSORT算法相比,多目标跟踪准确度提高了5.9%;与仅依靠对齐点云的相对定位算法相比,定位精度提高了62.4%。     

武汉上空平流层气溶胶的激光雷达探测结果的初步分析

采用武汉大学双波长激光雷达工作于589 nm波长的观测数据,对2001年3月到2002年1月期间武汉上空平流层气溶胶的消光系数和积分体后向散射系数等光学特性进行初步分析.结果表明,武汉上空平流层气溶胶在16—20 km间存在一气溶胶层,其厚度及散射峰值随季节有一定变化,并且气溶胶积分体后向散射系数在2.2×10~(-5)—7.0×10~(-4)sr~(-1)之间变化,呈现了夏季大冬季小的分布倾向.     

无人车基于激光雷达/视觉的目标体积自动测量方法

近些年，基于激光雷达和视觉的目标感知在无人系统中得到了广泛应用。目标的体积测量在很多应用场景可以发挥极其重要的作用，然而对识别感知目标的体积测量，目前尚无大量研究。首次提出了一种基于激光雷达/视觉的无人车目标体积自动测量方法，实现了无人车与目标体积测量功能的结合。通过在LeGO-LOAM算法中加入点云畸变补偿，相较于原始LeGO-LOAM算法，无人车在高速情况下的构图精度得到提升；通过将激光雷达与视觉进行深度融合，实现了目标的自动识别与全局定位；通过基于平面拟合的地面分割与欧式聚类，实现了目标点云轮廓的实时获取；通过设计一种基于切片法的不规则物体体积测量方法，实现了无人车在运动情况下对目标体积的自动估计。最终，分别通过Gazebo仿真和实际试验验证了算法的有效性。试验结果表明，所提算法在无人车运动的情况下对静态目标物的实时体积测量精度优于3%，具有较好的工程应用价值。     

大气探测激光雷达组网观测一致性研究

通过激光遥感获取气溶胶、云垂直分布情况，对研究气溶胶、云微物理特性、辐射强迫效应以及污染物传输等具有重大意义。在实际应用中激光雷达受激光器能量、发散角以及透过率等影响，会导致各雷达面对同一目标物探测数据不一致。随着地基大气探测激光雷达逐步规模化、标准化，对雷达组网观测一致性开展研究具有重要意义。为保证组网激光雷达数据高质量和高可靠性，在雷达系统自标定基础上，利用太阳光度计、大气分子模型获取激光雷达系统常数，确保各激光雷达回波信号定量可比。通过激光雷达组网观测进行探测目标一致性比对试验，以验证激光雷达系统探测一致性精度。结果表明：标定后，532 nm距离修正信号在1~2 km区间相对偏差从64.89%降低到22.16%，在2~5 km区间相对偏差从49.26%降低到8.90%，在9.5~11.5 km相对偏差从46.83%降低到10.91%；532 nm退偏比在1~2 km区间相对偏差从69.68%降低到20.68%，在2~5 km区间相对偏差从71.24%降低到6.69%，在9.5~11.5 km相对偏差从140.24%降低到9.02%；532 nm后向散射系数在1~2 km区间相对偏差从37.45%降低到23.63%，在2~5 km区间相对偏差从29.15%降低到21.45%，在9.5~11.5 km相对偏差从76.02%降低到24.16%。组网激光雷达数据结果一致性较好，可在多站点进行高精度探测，在气候变化研究、碳排放监测和环境研究等领域发挥重要作用，为大规模大气变化规律研究提供高质量、有效数据。     

基于红外视觉/激光雷达融合的目标识别与定位方法

近年来,基于可见光图像的目标识别在无人车感知领域得到了广泛应用.然而,可见光图像目标识别无法应用于弱光和黑暗环境.针对于此,提出了一种基于红外视觉/激光雷达融合的目标识别与定位算法.首先,通过基于颜色迁移的数据增强训练方法,提高了红外目标识别算法的泛化性能.继而,提出了一种基于激光雷达修正的单目深度估计方法,通过视觉图像与激光雷达点云的数据融合,实现了基于稠密深度图对目标位置的估计,提高了对小目标的定位能力.试验结果表明,与传统Yolov3目标识别算法相比,该算法平均识别准确率可提升5.8％;此外,相对定位算法将包含小目标在内的物体相对定位精度提高了13.4％.     

惯性/视觉/激光雷达SLAM技术综述CSCD

同时定位与建图(SLAM)技术已广泛应用于各类自主移动平台中,其中视觉SLAM和激光雷达SLAM是两种主要的SLAM技术方案。然而,视觉SLAM系统易受视觉环境变化的影响,而激光雷达SLAM系统则在结构单一等环境中会出现精度退化甚至失效的情况。随着智能移动平台应用场景的不断拓展,对SLAM系统的精度和鲁棒性等提出了更高要求,将多种具有互补性的传感器进行融合是提升SLAM系统性能的有效途径。据此,聚焦惯性/视觉/激光雷达多传感器融合SLAM技术,从多传感器标定和多源数据融合两个主要方面进行综述,最后对多传感器融合SLAM技术的发展趋势进行了展望。     

面向结构化场景的激光雷达点云高精度配准与定位方法

在基于先验地图的激光雷达室内导航方案中,通常采用点云配准的方法进行无人设备位姿初始化。在结构化场景下,传统配准算法特征鲁棒性较差,导致点云配准的误差较大且易陷入局部最优。针对该问题,提出了一种基于多平面空间模型的点云快速配准方法。首先该方法利用特征直方图的思想对空间点云进行快速粗聚类,根据平面一致性将粗聚类后的点集进行合并形成面特征,从而对密闭空间进行平面模型化表示。随后通过空间平面排序实现了面特征的快速关联,并利用线性匹配方法实现了两帧点云的精确配准,从而解算出机体在先验地图中的相对位姿。最后通过Gazebo搭建的仿真环境与室内结构化模拟环境对算法进行了验证。结果表明,在大型结构化场景下,算法具有更好的适应性以及更高的计算效率,能够快速为无人系统提供精准的地图初始位姿。