無人駕駛作為當前汽車行業(yè)發(fā)展的主要方向,能為未來行車安全提供重要保障。車載激光雷達憑借其主動獲取大場景下的高精度三維空間信息的能力,成為了實現(xiàn)無人駕駛不可或缺的技術手段。地面點濾波是車載激光雷達數(shù)據處理的關鍵過程,也是采用車載激光雷達點云數(shù)據實現(xiàn)無人駕駛的必要步驟。本文以innovusion300線激光雷達采集數(shù)據為研究對象,充分考慮到激光雷達點云數(shù)據分布不均、與真實數(shù)據存在偏差、點云存在局部空白、點云無序等特點,詳細分析了常見地面點濾波算法中普遍存在的誤識率高、對初始點云選取依賴性大、邊緣位置濾波效果較差等問題,進行基于高斯過程回歸的地面點濾波處理。并采用K-means對算法進行優(yōu)化,解決算法邊緣濾波效果差的問題。本文主要研究內容與結論如下:（1）點云預處理。本文采用單幀點云數(shù)據特征分析手段,進行基于最小二乘及旋轉矩陣的點云校正及基于激光發(fā)射角度的點云扇形柵格化簡。實驗表明,經過點云預處理后,點云數(shù)量降低、點云規(guī)律性增強、點云特征數(shù)有所增加、點云實際位置與探測位置之間的誤差角變小。（2）高斯過程回歸模型的搭建。通過比較不同核函數(shù)的特點,選取平方指數(shù)核函數(shù)作為高斯模型核函數(shù),引入DFP... 

【文章來源】：哈爾濱理工大學黑龍江省

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【部分圖文】：

完整路況信息Fig.1-1Completetrafficinfographic

哈爾濱理工大學工學碩士學位論文-2-另一方面，當提取到的非地面點中包含有很多地面點數(shù)據時，基于車載激光雷達的車道線及車道指示標志提取算法提取到的車道線可能會偏離實際位置、車道線提取長度可能與實際長度不符，甚至可能發(fā)生車道指示標志識別錯誤或無法識別等問題。此外，大量非地面點混入地面點中會提高地面點的平均高度，可能導致系統(tǒng)計算前方道路高度高于當前道路高度，判定存在坡度，從而影響車輛控制單元對車輛速度的控制。因此，從原始點云中提取完整的地面點信息，有效的提供車輛行駛所需的各種路面信息，具有非常重要的意義。一個完整的非地面點云數(shù)據涵蓋的信息，如圖1-2所示。圖1-2完整路面信息Fig.1-2Completeroadinfographic1.2國內外研究現(xiàn)狀本節(jié)對常見的地面點濾波算法的發(fā)展現(xiàn)狀進行了分析，并總結了常見地面點濾波算法的優(yōu)缺點，分析了常見濾波算法存在某些問題的原因。同時，本節(jié)從不同的應用環(huán)境、不同的優(yōu)化角度對高斯過程回歸算法的發(fā)展現(xiàn)狀進行了總結與分析。1.2.1地面點濾波方法國內外研究現(xiàn)狀車載激光雷達測量系統(tǒng)獲取的點云數(shù)據主要包含地面點云與非地面點云，

哈爾濱理工大學工學碩士學位論文-9-第2章車載激光雷達點云數(shù)據預處理點云數(shù)據預處理是一個采用點云校正及點云柵格化等方法提高點云數(shù)據可操作性的過程，是實現(xiàn)地面點濾波算法的第一步。激光雷達點云數(shù)據是由激光雷達發(fā)射的不可見光打到被測物體后返回的一個位置信息。激光雷達點云具有分布不均勻、無序、只包含自身位置信息、不能描述整體目標以及含有噪聲等特點。本章將對innovusion300線激光雷達點云數(shù)據特征進行分析，針對點云的部分特征及探測過程中存在的位置誤差進行處理，期望能增加點云的可操作性。2.1車載激光雷達點云數(shù)據分析車載激光雷達采用不可見光回波的方式進行路況信息探測，由于光線沿直線傳播、光線在受到遮擋時不具備穿透功能、同時車載激光雷達不考慮多次回波等特點[47,[48]，因而在實際應用時存在眾多問題。本章針對下幾點可能會影響地面點濾波算法效果的問題進行了分析：1.車載激光雷達點云呈不均勻分布Innovusion300線激光雷達是按照水平和垂直方向等角度等間隔步進采樣，掃描角越大，間隔也越大，導致點云的空間分布不均勻，被測物體與激光雷達發(fā)射點距離越遠，相鄰兩束激光返回的點云間的間隔越大，如圖2-1所示。圖2-1點云分布圖Fig.2-1Pointcloudmap以雷達發(fā)射點正前方為例，統(tǒng)計每平方米內點云數(shù)量隨點云到激光發(fā)射點

【參考文獻】：
期刊論文
[1]改進坡度的數(shù)學形態(tài)學非地面點云去除算法研究[J]. 劉德兒,李瑞雪,覃燕敏.  江西理工大學學報. 2019(05)
[2]車載激光雷達Risley棱鏡光束掃描系統(tǒng)[J]. 曾昊旻,李松,張智宇,伍煜.  光學精密工程. 2019(07)
[3]基于KPCA-Bagging的高斯過程回歸建模方法及應用[J]. 趙帥,李妍君,熊偉麗.  控制工程. 2019(01)
[4]基于LiDAR數(shù)據的布料模擬濾波算法的適用性分析[J]. 張昌賽,劉正軍,楊樹文,左志權.  激光技術. 2018(03)
[5]城區(qū)LiDAR點云自適應坡度的濾波算法[J]. 何培培,萬幼川,黃桂平,馬開鋒.  遙感信息. 2017(05)
[6]采用小波變換和高斯過程的肌電信號模型預測[J]. 邵輝,蘇芳茵,程海波.  華僑大學學報(自然科學版). 2016(06)
[7]一種基于分層自適應移動曲面擬合機載LiDAR點云數(shù)據濾波方法[J]. 邢旭東,呂現(xiàn)福,王旭東,王星晨.  測繪與空間地理信息. 2016(01)
[8]利用改進的數(shù)學形態(tài)法進行車載激光點云地面濾波[J]. 盧秀山,劉如飛,田茂義,劉冰.  武漢大學學報(信息科學版). 2014(05)
[9]改進的多級移動曲面擬合激光雷達數(shù)據濾波方法[J]. 孫崇利,蘇偉,武紅敢,劉睿,劉婷,黃健熙,朱德海,張曉東,劉峻明.  紅外與激光工程. 2013(02)
[10]一種基于移動曲面擬合的機載LIDAR點云數(shù)據濾波方法[J]. 尚大帥,馬東洋,趙羲,萬歡.  測繪技術裝備. 2012(02)

博士論文
[1]車載激光點云中道路環(huán)境幾何特征提取[D]. 方莉娜.武漢大學 2014
[2]分岔隧道設計施工優(yōu)化與穩(wěn)定性評價[D]. 徐沖.北京交通大學 2011

碩士論文
[1]車載激光雷達點云數(shù)據的分析與配準[D]. 姜小磊.吉林大學 2019
[2]荒漠植被區(qū)機載LiDAR點云生成DEM算法研究[D]. 李沛婷.石河子大學 2019
[3]改進高斯過程回歸算法及其應用研究[D]. 趙夢恩.浙江理工大學 2019
[4]基于高斯過程回歸的鋰電池健康預測[D]. 何晶.北京交通大學 2018
[5]機載LiDAR點云數(shù)據濾波及建筑物提取研究[D]. 張抒遠.長安大學 2018
[6]基于稀疏高斯過程回歸的鋰電池剩余壽命預測[D]. 王巍.北京交通大學 2018
[7]基于高斯過程回歸模型的鋰電池數(shù)據處理[D]. 張江帆.北京交通大學 2017
[8]車載激光點云地面濾波與道路識別方法研究[D]. 蔡尚書.山東科技大學 2017
[9]基于高斯過程回歸模型的貝葉斯濾波故障診斷方法研究[D]. 祁麗潔.北京交通大學 2017
[10]結合形態(tài)學的不規(guī)則三角網LiDAR點云濾波算法研究[D]. 張雪洋.遼寧工程技術大學 2017



本文編號：3046981