详情

原文传递面向自动驾驶场景的稀疏化点云匹配方法研究

论文题名：	面向自动驾驶场景的稀疏化点云匹配方法研究
关键词：	自动驾驶场景;点云匹配;稀疏化采样;注意力机制
摘要：	随着自动驾驶技术的不断进步，对周边环境的精确感知和高效处理变得至关重要。激光雷达是一种在自动驾驶场景中广泛应用的传感器，其产生的点云数据具有丰富的空间信息。由于点云数据量大且冗余，自动驾驶场景中直接处理原始点云数据用于定位匹配会对车辆计算单元带来巨大的负担，无法满足实时性要求。为了解决该技术难题，提升自动驾驶中点云数据处理的效率，保证处理后点云数据的质量。本文首先研究了稀疏化点云处理方法，其次提出了一种改进的稀疏点云匹配方法。本文的主要工作研究内容如下：　　本文提出了一种融合式地面滤除方法，用以改进传统地面滤除方法，如高度过滤、法向量过滤和RANSAC等。这些传统方法存在诸多问题：高度过滤可能会误删一些实际非地面的低高度点；法向量过滤由于与预先定义的平面法向量(如垂直向上的法向量）的夹角来判断地面点，易导致误判；而RANSAC虽能较好处理不规则地形，但计算复杂度高且对参数选择敏感。本文提出的融合地面滤除方法整合了分割、形态学处理、密集匹配和融合策略等多种技术，相较于传统方法具有更高的全面性和精度。具体而言，该方法首先利用分割算法将点云数据划分为地面点和非地面点，接着通过形态学处理方法对地面点进行进一步处理，提取地面特征信息。随后，将点云数据映射至二维平面上，采用密集匹配方法对地面点云进行精确定位和拟合。最后，融合各阶段结果，实现全面且精确的地面滤除。相较于传统方法，本研究提出的方法具有以下优势：首先，该方法能够处理多种地面类型，如平坦地面、倾斜地面和不规则地形等；其次，方法精度较高，能更细致地处理和描述地面点云，实现更高精度；最后，由于采用分阶段策略，该方法能高效处理点云数据，实现更快的地面滤除速度。　　本文提出了一种自适应密度的点云采样方法----A D F P S (Adaptive Density Farthest Point Sampling)，以保留点云整体结构信息的同时进行稀疏化采样。在激光雷达扫描过程中，所获取的原始点云数据量往往相当巨大，包含大量冗余点。若使用所有点构建高精度语义地图并通过深度学习模型提取点云特征，将导致巨大的计算负担。因此，有必要对点云进行预处理，生成稀疏点云数据帧以便进行地图构建。而生成稀疏点云数据的关键在于如何既减少点云数据量，又尽可能保留原始点云的信息。故本文采用基于分层采样、局部特征计算和基于局部特征权重调整的ADFPS方法，通过计算点云的曲率和密度，调整采样密度，以保留关键几何特征。实验结果显示，与传统的采样方法相比，本研究提出的ADFPS方法不仅能有效保留原始点云信息，还能显著降低点云数据量。此外，采样后的点云分布更加均匀，有助于提高后续目标检测的精度。　　本文提出一种点云动态物体滤除方法，这种方法充分利用了点云数据的局部邻域关系，有效地挖掘点云数据的结构特征，实现对动态物体的精确滤除。由于动态物体之间的形状和结构存在巨大差异，其往往较难被传统的点云处理方法滤除。为此，本文将注意力机制引入图神经网络，自适应地调整邻域点之间的权重，以便捕捉各种形状和结构的动态物体。通过在多个数据集上进行实验验证，本文的方法在处理点云数据中的动态物体滤除任务方面表现出色。与传统的点云处理方法相比，融合注意力机制的图神经网络可以更有效地处理动态物体的多样性，提高滤除的准确性和鲁棒性。此外，本文的方法在计算复杂度和运行时间方面也具有较好的表现，为点云动态物体滤除任务提供了一种高效、可靠的解决方案。　　本文提出了一种改进的迭代最近点（Iterative Closest Point，I C P )匹配方法，旨在解决原始ICP算法中存在的局限性。改进方法通过结合点快速特征直方图(Fast Point Feature Histogram，F P F H ) 特征、随机抽样一致性（Randomized Sampling with Accuracy Controls，R A N S A C )方法和动态阈值，提高了点云配准的准确性和鲁棒性。FPFH特征用于描述点云的几何形状，提高特征匹配的准确性；RANSAC方法用于估计变换矩阵，排除错误的匹配点对。动态阈值用于自适应地调整匹配标准，以适应不同场景的点云密度和分布。　　本文在公开数据集KITTI以及实车采集的数据上对所提出的各项方法进行了详细的测试，为了全面评估所提出方法的效果，本文将这些方法与当前主流的各种点云处理方法进行了对比。实验结果表明，本文提出的各种方法相较于目前主流方法均有不同程度的提升。
作者：	俞挺挺
专业：	计算机科学与技术
导师：	周庆国
授予学位：	硕士
授予学位单位：	兰州大学
学位年度：	2023