为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针...为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针对双目视觉与IMU信息融合的问题,采用紧耦合方法,结合双目视觉传感器的深度感知能力和IMU的快速运动捕捉能力,在系统初始化过程中,引入了一次最大后验估计对双目相机与IMU进行处理;然后,在后端优化中,采用基于滑动窗口的非线性优化算法求解最优位姿;最后,通过自动驾驶试验平台搭建了SLAM系统实物验证平台,设计完成了SLAM系统定位试验和相关性能验证试验。结果表明,双目视觉与IMU信息融合的SLAM系统相较于单目视觉惯性融合(VINS-Fusion)算法的定位精度可提升30.34%,在试验和实际场景中均表现出了有效性。设计的多源异构信息融合的SLAM系统能够显著提升定位精度,且在交通安全环境中具有良好的应用前景,对于提高自动驾驶系统的性能和安全性具有重要意义。展开更多
为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同...为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性,从而减轻树木遮挡的影响。其次,给出了一个基于傅里叶变换的空间频率交互模块(Spatial Frequency Interaction Module,SFIM),在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节,从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明,给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度,比基线网络YOLOv5s提升4.7百分点。改进后的算法在有树木遮挡和烟雾遮挡的情况下仍能准确地预测,优于许多用于森林火灾场景的深度学习网络。展开更多
文摘为了提高自动驾驶汽车环境感知与安全性,构建高精度的环境地图,提出了基于双目视觉与惯性测量单元(Inertial Measurement Unit, IMU)的多源异构信息融合同步定位与地图构建(Simultaneous Localization and Mapping, SLAM)算法。首先,针对双目视觉与IMU信息融合的问题,采用紧耦合方法,结合双目视觉传感器的深度感知能力和IMU的快速运动捕捉能力,在系统初始化过程中,引入了一次最大后验估计对双目相机与IMU进行处理;然后,在后端优化中,采用基于滑动窗口的非线性优化算法求解最优位姿;最后,通过自动驾驶试验平台搭建了SLAM系统实物验证平台,设计完成了SLAM系统定位试验和相关性能验证试验。结果表明,双目视觉与IMU信息融合的SLAM系统相较于单目视觉惯性融合(VINS-Fusion)算法的定位精度可提升30.34%,在试验和实际场景中均表现出了有效性。设计的多源异构信息融合的SLAM系统能够显著提升定位精度,且在交通安全环境中具有良好的应用前景,对于提高自动驾驶系统的性能和安全性具有重要意义。
文摘为解决森林场景中被树木和烟雾遮挡的火焰难以检测的问题,给出了一种基于特征约束和空间域频域交互的森林火灾检测算法。首先,设计了一种特征不变性和协方差约束(Feature Invariance and Covariance Constraint,FICC)结构,通过拉近不同程度树木遮挡下的火焰特征来保持火焰特征的一致性,从而减轻树木遮挡的影响。其次,给出了一个基于傅里叶变换的空间频率交互模块(Spatial Frequency Interaction Module,SFIM),在振幅相位的结构语义信息约束下补充空间域高质量的火焰细节,从而学习具有判别性的火焰特征来解决烟雾遮挡的问题。试验结果表明,给出的算法在自制的森林火灾数据集上取得了84.4%的检测精度,比基线网络YOLOv5s提升4.7百分点。改进后的算法在有树木遮挡和烟雾遮挡的情况下仍能准确地预测,优于许多用于森林火灾场景的深度学习网络。
