原文传递
双传感器模式的非结构化环境检测与识别
| 论文题名： | 双传感器模式的非结构化环境检测与识别 |
| 关键词： | 无人驾驶;非结构化道路;可通行区域检测;负障碍物检测;激光雷达;视觉相机;特征融合;注意力机制 |
| 摘要： | 目前无人驾驶在结构化道路的研究已逐渐成熟并应用，但对于非结构化道路的环境感知仍存在许多技术瓶颈，其中非结构道路可通行区域描绘以及道路负障碍物检测是当前的一大挑战。激光雷达和视觉相机作为无人驾驶研究常用的传感器，针对不同的场景均存在各自的优势，综合考虑本研究的应用场景以及实际因素影响，提出基于16线激光雷达的可通行区域描绘和基于视觉相机的负障碍物检测。 论文的主要研究内容包括： （1）针对非结构化道路情况复杂多变，常用的结构化道路检测方法在非结构化道路中应用时其效果大打折扣。提出一种采用最大方差作为维度划分并以中位数作为划分值的KD-Tree边沿点提取方法；考虑最小二乘法与随机抽样一致算法的优缺点，提出了结合随机抽样一致算法与最小二乘法实现道路边沿线拟合，实验结果表明该方法能较为准确的完成非结构化道路可通行区域检测。 （2）针对激光雷达扫描路上的坑洼会出现点云稀疏或无反射数据问题，提出使用视觉相机传感器检测路面负障碍物。本文使用视觉相机拍摄真实道路的图像样本并标记路面上存在负障碍物的位置，完成负障碍物数据集构建。将数据集输入至YOLOv5网络中训练负障碍物检测模型，得到模型的精确率（Precision，P）为90.6%，召回率（Recall， R）为89.6%，平均精度均值mAP_0.5和mAP_0.5:0.95分别为91%，53.2%。可以发现YOLOv5训练得到的模型能基本达到负障碍物检测的要求。 （3）考虑实际应用时图像噪声和背景因素的影响，提出一种新的ECA-YOLOv5模型，该模型在YOLOv5算法的主干特征提取层和颈部特征融合层嵌入ECA注意力机制，利用有限的注意力资源从庞大的数据库中快速筛选出重要特征，忽视背景因素的影响，使得ECA-YOLOv5在学习目标特征时更加关注关键特征以提高网络训练的性能。ECA-YOLOv5网络训练得到的负障碍物检测模型精确率为91.2%、召回率为93.1%、平均精度均值mAP_0.5和mAP_0.5:0.95分别为93.1%，58.6%。相较于未改进的YOLOv5模型在P、R、mAP_0.5和mAP_0.5:0.95分别提高0.6%，3.5%，2.1%，5.4%。 |
| 作者： | 范忆梅 |
| 专业： | 计算机技术 |
| 导师： | 陈添丁 |
| 授予学位： | 硕士 |
| 授予学位单位： | 闽南师范大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
