自動駕駛車輛是一種能夠感知環(huán)境并且無需人工干預(yù)即可行駛的車輛,隨著人工智能的高速發(fā)展與應(yīng)用,自動駕駛也隨之逐步成熟。激光雷達可以穩(wěn)定快速地獲取大規(guī)模場景三維空間信息,已成為自動駕駛場景理解的重要傳感器。激光雷達點云包含場景中豐富的語義信息,是理解、分析和解譯自動駕駛場景的主要數(shù)據(jù)類型。激光雷達點云具有高密度、高精度、海量的特點。近年來,基于激光雷達點云進行復(fù)雜自動駕駛場景語義理解的研究已取得長足的發(fā)展。精準、魯棒的自動駕駛場景語義理解技術(shù)在如今具有重要的理論價值和現(xiàn)實意義。本文針對基于激光雷達點云的自動駕駛場景語義理解展開研究,包含以下三方面的內(nèi)容:1、為了解決當(dāng)前包含大量復(fù)雜場景的激光雷達點云數(shù)據(jù)集匱乏的問題,本文首先建立了 ScienceIsland數(shù)據(jù)集。該數(shù)據(jù)集包含多種復(fù)雜場景,采集車輛沿途經(jīng)過橋梁、建筑物、湖邊,道路兩旁有大量植被、草坪及樹木,沿途有很多步行的行人、騎手以及正在行駛的汽車、卡車等,可充分滿足自動駕駛場景語義理解的需求。接著,本文提出了一個準確的點云語義分割框架。通過將輸入點云通過球面投影轉(zhuǎn)化為距離圖像、二維卷積神經(jīng)網(wǎng)絡(luò)語義分割、將距離圖像通過語義分割得到的語義... 

【文章來源】：中國科學(xué)技術(shù)大學(xué)安徽省 211工程院校 985工程院校

【文章頁數(shù)】：91 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．２?ＰｏｉｎｔＮｅｔ網(wǎng)絡(luò)架構(gòu)［２９］??

?第２章基于卷積神經(jīng)網(wǎng)絡(luò)的激光雷達點云語義分割???＿?ｉ?ｍｍｍｍ??ｆｅ?｜?ｍｍ??ＨｗＢ＾－??圖２．１?“智能先鋒號”車輛采集平臺??ｍ／ＢＭＨ—??圖２．２數(shù)據(jù)采集路線及典型場景??２．２．３數(shù)據(jù)標注??本章對釆集到的激光雷達點云數(shù)據(jù)進行標注的過程可分為三步：時空分割、??逐片段標注和逐激光掃描點標注。??１．時空分割??首先，本章使用常見的點云分割算法將完整點云分成幾個空間區(qū)域片段，并??通過簡單的數(shù)據(jù)關(guān)聯(lián)算法在不同的幀中關(guān)聯(lián)跟蹤這些片段，從而便于后續(xù)標注、??節(jié)省人工。??２．逐片段標注??接著，本章通過人工定義的規(guī)則為每個跟蹤片段進行標注。本章運用預(yù)先定??義的規(guī)則為每個片段匹配對應(yīng)的標簽，每個片段中的所有激光掃描點都將獲得??相同的語義標簽。??２１??

?第２章基于卷積神經(jīng)網(wǎng)絡(luò)的激光雷達點云語義分割???（ａ）?（ｂ）??（ｃ）?（ｄ）??圖２．３所采集的激光雷達點云??３．逐激光掃描點標注??在逐片段標注之后，一幀點云中的大部分激光掃描點已經(jīng)獲得了語義標簽。??因此，本步驟中僅需標注尚未標注的激光掃描點和前兩步中標注錯誤的掃描點。??在該步驟中，本章通過由組合慣性導(dǎo)航系統(tǒng)提供的車輛定位信息來計算每??幀掃描時激光雷達傳感器的位置和姿態(tài)，從而重疊多幀激光點云。由于重疊的激??光點云比單幀掃描點云更密集，能夠緩解因車載激光雷達掃描點云的稀疏性對??標注造成的誤判，從而提高標注的準確性和效率。同時由于前兩步的半自動預(yù)標??注，在本步驟中手動標注的難度顯著降低。??本章使用如圖２．４所示的三維點云標注工具手動標注多幀重疊的點云。標注??結(jié)果如圖２．５所示。多幀重疊點云內(nèi)的掃描點標簽的變化可同步更新在單幀點云??中，一段時間內(nèi)多幀激光掃描點云中片段的標簽將保持一致。本步驟使用標注工??具執(zhí)行以下循環(huán)來反復(fù)標注，直到標注完所有激光掃描點：??（１）用特定的標簽標注激光掃描點；??（２）在剩余激光點云中過濾掉屬于該標簽的激光掃描點。??相比較其他數(shù)據(jù)集中僅標注三維邊界框、將三維邊界框內(nèi)所有掃描點均視??為同一標簽的方法，本章釆用了對所有激光掃描點進行標注的方法，更為精確，??即使物體被部分遮擋，也能夠較好地實現(xiàn)標注。??２２??


本文編號：3058410