详情

原文传递基于多传感器融合的智能车道路障碍物检测

论文题名：	基于多传感器融合的智能车道路障碍物检测
关键词：	智能车辆;无人驾驶工况;道路障碍物检测;环境感知;激光雷达;摄像头
摘要：	近年来，无人驾驶技术已成为国内外科技公司与汽车行业重点研发的对象，其核心技术包括环境感知、精确定位、路径规划、决策控制，涉及传感器、自动控制、通信等技术。道路障碍物检测与分类是无人自主车环境感知的关键组成部分，对无人自主车的安全行驶起到至关重要的作用。但复杂的道路环境，尤其是混合交通环境，给无人自主车的环境感知造成了极大的困难。使用单一传感器的感知方案感知精度低、鲁棒性差的缺点使其难以满足无人驾驶对环境感知的需求，而现有的多传感器融合方案又难以平衡检测精度与实时性，难以投入工程使用。　　本文利用智能驾驶车辆平台，设计了激光雷达与摄像头融合的环境感知算法，兼顾了检测精度与实时性，为智能驾驶车辆在无人驾驶工况下提供可靠的道路目标信息，保障行车安全。主要研究内容如下：　　（1）多传感器联合标定。通过对摄像头标定，获得其内参矩阵；通过解算多组配对的点云和图像像素之间的对应关系，获得激光雷达坐标系和摄像头坐标系之间的旋转矩阵和平移矩阵，实现两者外参的标定，即空间同步。并以激光雷达时间戳为基准，实现时间同步。点云至图像的投影效果显示，取得了较好的标定效果。　　（2）融合算法设计。针对现有激光雷达与摄像头融合的多传感器融合策略难以平衡检测精度与实时性、检测对象单一等缺点，设计了一种激光雷达与摄像头融合方案：使用激光雷达检测并聚类障碍物，根据障碍物位置确定图像上的感兴趣区域，并使用改进后的神经网络模型检测感兴趣区域内的目标；通过匹配视觉检测结果与点云聚类结果获取目标点云，并通过神经网络分类点云；最后将点云分类结果与视觉检测结果进行软加权平均，得出最终检测结果，在保证检测准确率的基础上，实时性好，具备工程实用价值。　　（3）感兴趣区域提取。首先使用极差高程图算法提取障碍物点云，提出了一种基于动态距离阈值的网格聚类方法进行障碍物聚类，有效减少了激光雷达固定水平角分辨率对聚类带来的影响，之后将障碍物点云投影至图像并基于动态距离阈值对每个障碍物在图像上对应的感兴趣区域进行放大，经过合并后得到最终的感兴趣区域。　　（4）视觉目标检测。提出了一种改进的目标检测神经网络模型。为保证检测精度，使用GIoU(Generalized Intersection over Union)与Soft-NMS(Soft Non-maximum Suppression)，改进了模型对目标的定位性能和对重叠目标的检测性能；为保证实时性，在单阶段模型的基础上，以批归一化层中系数为剪枝因子，对模型剪枝，并以取并集策略对跨层连接的卷积进行剪枝，最后对剪枝后的模型进行微调。试验证明，在提升检测精度的基础上，模型体积变为原本的19.25%，推理时间变为原本的36.10%，极大提升了模型性能。　　（5）点云分类与软加权平均。首先通过降低视觉检测结果的输出置信度判断阈值，使得一些置信度较低的视觉检测目标也能被输出；通过匹配障碍物点云聚类结果与视觉检测结果，提取视觉检测目标对应的障碍物点云，解决了遮挡、聚类错误等情况对目标点云提取的干扰；为保证实时性，设计了一个轻量化的神经网络模型，使用坐标归一化、特定尺寸的卷积核、最大池化、数据扩增等方式解决了点云无序性和旋转性的问题；最后将视觉检测与点云分类的结果进行软加权平均，得出最终检测结果。试验表明，该方法相比于现有的YOLOV3、Voxelnet、F-PointNET等检测算法精度分别提升了17.4%、20.9%、2.5%，同时保证了实时性，具备良好的工程应用价值。
作者：	娄新雨
专业：	车辆工程
导师：	王海
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2020
正文语种：	中文