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。     

基于点云聚类评估的激光雷达鲁棒定位方法CSCD

基于先验地图的激光雷达定位方法在封闭工业场景下得到了广泛应用,然而环境变化、行人和车辆等动态物体的干扰会影响激光雷达与先验地图的匹配精度。提出了一种动态环境下基于点云聚类评估的三维激光雷达鲁棒定位方法:通过设定角度和距离双阈值,对点云深度图像进行分割聚类,相较于传统分割方法,分割结果对点云噪声更为鲁棒;通过对原始点云进行分割聚类,在粗匹配结果下评估聚类的匹配度,剔除误匹配聚类进行二次匹配以提高匹配精度;通过聚类评估的结果判断匹配成功和失败的点对,进而对点云整体匹配结果的正确性进行评估,相较于传统仅基于距离阈值的判断准则,具有更高的准确性;最终,分别通过公开数据集和实际试验验证了该算法的有效性。试验结果表明,相较于传统匹配方法,该方法有效提高了动态场景下的定位精度和匹配结果评估的准确度,定位误差可以维持在10cm以内。