原文传递
基于多线激光雷达的无人驾驶汽车三维目标检测技术研究
| 论文题名： | 基于多线激光雷达的无人驾驶汽车三维目标检测技术研究 |
| 关键词： | 无人驾驶汽车;深度学习;激光雷达;目标检测 |
| 摘要： | 随着社会科技的不断进步，无人驾驶汽车受到学术界与工业界的广泛关注。基于多线激光雷达的三维目标检测作为无人驾驶环境感知系统的重要环节，能够准确获取汽车、骑行者、行人等多类目标的空间位置、朝向信息，为后续的决策、规划以及控制提供重要依据。本文针对无人驾驶汽车环境感知系统中的三维点云目标检测技术展开研究，具体工作内容如下： 第一，针对Pointpillars柱状特征提取网络中因单尺度柱体划分所带来的信息丢失问题，本文提出一种基于注意力机制的多尺度柱状特征提取网络，该网络首先对点云进行多尺度柱体划分，提取特征后获取不同尺度的伪图像，将多种尺度的点云伪图拼接后得到融合特征图。此外，为进一步提高检测精度，网络引入卷积块注意力机制(ConvolutionalBlockAttentionModule,CBAM)，该注意力机制可有效抑制点云伪图中的噪声，放大重要特征信息。在KITTI3DObject数据集上的实验结果表明：相比Pointpillars，MSCS-Pointpillars(Multi-ScaleChannelSpatialAttentionPointpillars)可有效提高对汽车、骑行者、行人等目标的检测精度。 第二，针对基于深度学习的三维点云目标检测算法可迁移性差的问题，本文提出一种准确、灵活的两阶段三维点云目标检测算法(AccurateandFlexible3DObjectDetectionAlgorithm,AF3D)，在第一阶段对采集到的激光点云使用分段拟合算法去除地面，其次使用DBSCAN算法对非地面点云进行聚类，得到若干个聚类簇；在第二阶段，搭建点云分类网络PFC-Net，基于PFC-Net网络对聚类簇提取特征并进行分类。通过实验证明：该算法在实车数据集上对汽车、行人、骑行者的检测精度分别为69.74%，41.25%、54.33%，具有较好的可迁移性。 第三，算法对比实验研究。首先对Pandar64线激光雷达数据进行预处理，然后对点云场景中的车辆、骑行者、行人进行标注，制作实车点云数据集，最终基于KITTI3DObject数据集以及实车数据集对MSCS-Pointpillars、AF3D算法进行实验对比，实验结果表明：MSCS-Pointpillars经KITTI场景训练后具有较高的检测精度，但在陌生场景中网络性能无法维持，可迁移性较差；AF3D算法在KITTI场景中检测精度低于MSCS-Pointpillars，但在陌生场景中表现稳定，可迁移性较好。 |
| 作者： | 张传玺 |
| 专业： | 车辆工程 |
| 导师： | 高扬 |
| 授予学位： | 硕士 |
| 授予学位单位： | 长安大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
