原文传递
无人驾驶中基于激光雷达点云的目标检测研究
| 论文题名： | 无人驾驶中基于激光雷达点云的目标检测研究 |
| 关键词： | 无人驾驶;激光雷达;点云数据;目标检测;深度学习 |
| 摘要： | 近几年，随着人工智能的发展和安全驾驶要求的提高，无人驾驶技术成为了学术界和工业界热门的研究话题。无人驾驶汽车一般由三部分组成:感知系统、决策系统和控制系统。其中，感知系统负责感知车辆自身的位置和姿态以及周围的环境状况，是决策系统和控制系统的基础，在无人驾驶中扮演着重要的地位。 本文主要研究无人驾驶感知系统的目标检测技术。本文基于车载激光雷达采集的点云数据，利用点云数据的特性，实现对车辆周围环境的目标检测。本文从聚类和深度学习两方面研究目标检测技术，讨论如何提高检测算法的精度和速度。本文的主要工作如下: 首先，本文阐述了目标检测的定义，从传统的机器学习算法到最近热门的深度学习算法，介绍了在目标检测方面所使用的机器学习算法。介绍了深度学习检测算法中的单阶段检测算法和两阶段检测算法的原理，比较了两种算法的优点和缺点。 其次，本文阐述了基于聚类的检测算法的具体内容，从分割地面和点云聚类两部分进行讨论。在分割地面部分，对比了两种分割地面算法，讨论如何实现更精确的地面分割。在点云聚类部分，从无人驾驶实际应用出发，讨论如何使算法适应各种不同的环境，并使检测速度达到系统要求的实时性。 然后，本文研究了基于深度学习的检测算法。本文讨论如何将无序点云数据有序化，并构建一个三维全卷积网络检测器，使用深度学习实现对目标的检测。针对检测器提出若干改进，提高目标检测算法的性能。同时，针对三维卷积的缺陷，构建一个二维全卷积网络检测器，提高检测器的检测速度。 最后，本文对两种检测算法进行了实验验证，证明了算法的可行性。同时，对比了两种算法的优缺点，指出这两种算法在无人驾驶中的适用场景。 本文从无人驾驶的感知系统入手，研究基于点云的目标检测算法，并从实际应用出发，研究如何提高目标检测精度和速度，使算法的适用性更强。同时，在Linux系统下基于ROS开发目标检测程序，将理论算法应用到实际工作中。 |
| 作者： | 吴文昌 |
| 专业： | 控制理论与控制工程 |
| 导师： | 杨光红 |
| 授予学位： | 硕士 |
| 授予学位单位： | 东北大学 |
| 学位年度： | 2019 |
检索历史
应用推荐
