原文传递
基于多传感器融合的无人物流车目标识别算法研究
| 论文题名： | 基于多传感器融合的无人物流车目标识别算法研究 |
| 关键词： | 无人物流车;目标识别;激光雷达;相机设备 |
| 摘要： | 无人物流车运行环境既包含有结构化道路如城市非机动车道,也包含有非结构化道路如小区、街道、校园等,其中的障碍物目标不仅有车辆、行人，还含有其他各种移动或静止障碍物，增加了环境状态的不确定性。 考虑到无人物流车运行场景的复杂多样性以及其搭载16线激光雷达在面对锥桶连接障碍物时的检测失效问题，本文设计了基于相机与激光雷达融合的目标识别算法，并将园区中常存在的锥桶连接障碍物作为检测目标之一添加至算法中以补充检测能力。本文主要研究内容如下： 1.改进的YOLO v5s视觉目标识别算法研究。以YOLO v5s目标识别算法为基础，考虑到锥桶连接障碍物(barricade)中的连接物相对其他目标物具有更小的像素尺度，引入卷积块注意力模块(Convolutional Block Attention Module，CBAM)对YOLO v5s算法进行改进，实现在网络特征图通道维度及空间维度上的注意力加强。训练测试结果表明：改进后的YOLO v5s算法平均精确率均值(Mean Average Precision，MAP)达到90.3%，相比于原始YOLO v5s提高0.4%，同时对barricade、person、car三类目标的查全率分别提高了0.7%、0.4%、0.8%。 2.面向无人物流车设计的点云目标检测算法。考虑无人物流车实际工况，针对性设计了点云目标检测算法，包括直通滤波、体素滤波、统计滤波在内的点云滤波，基于随机采样一致性(Random Sample Consensus，RANSAC)方法的地面分割和基于改进的欧式距离聚类算法，实现了对障碍物目标的有效聚类，试验测试表明在X，Y轴方向上聚类精度分别为0.02m、0.03m，满足所需精度要求。 3.图像与点云融合的目标识别算法。对相机与激光雷达标定实现两者时空同步，并研究单目测距方法用于融合感知算法的补充冗余。设计基于相机与激光雷达的融合策略及算法以实现对所关注目标物体的精准识别。实车试验结果表明：本文提出的图像与点云融合的目标识别算法针对三类目标的漏检率相对于原始YOLO v5s算法分别降低2.50%、5.65%、4.59%，相对于改进YOLO v5s算法分别降低0.85%、2.78%、1.76%，增加了目标物体空间尺寸信息的输出，满足实时性要求，为相机与激光雷达融合提供了一种解决方案。 |
| 作者： | 盛军辉 |
| 专业： | 动力工程 |
| 导师： | 俞小莉;杨爱喜 |
| 授予学位： | 硕士 |
| 授予学位单位： | 浙江大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
