针对自动驾驶场景下,近处干扰点云误检率高、远处稀疏点云漏检率高的问题,提出了一种基于改进PointPillars的自动驾驶障碍物点云检测算法.首先,通过聚合模块和共享多层感知机(shared multi-layer perceptron,MLP)对柱体内点云进行特征编...针对自动驾驶场景下,近处干扰点云误检率高、远处稀疏点云漏检率高的问题,提出了一种基于改进PointPillars的自动驾驶障碍物点云检测算法.首先,通过聚合模块和共享多层感知机(shared multi-layer perceptron,MLP)对柱体内点云进行特征编码,采用最大池化与平均池化叠加的方法将点云的显著特征与细节特征映射为柱体特征;其次,针对算法对伪图特征关注与利用不充分的问题,引入坐标注意力(coordinate attention,CA)机制和残差连接的伪图特征提取模块(attention and residual second block,ARSB),将深层与浅层特征图进行融合,优化算法梯度,增强算法对有效目标的关注度.试验结果表明:改进算法对全局点云检测精度较高,平均精度优于PointPillars、稀疏到稠密3D目标检测器(STD)等点云目标检测算法,在汽车类别上的检测精度优势明显,检测速度较快,符合实时性要求.展开更多
视觉同步定位与建图(simultaneous localization and mapping,SLAM)是实现移动机器人自主定位并构建环境地图的关键环节。SLAM技术虽能精确重建环境几何结构,却难以为机器人提供执行复杂任务所需的语义理解能力;建筑信息模型(building i...视觉同步定位与建图(simultaneous localization and mapping,SLAM)是实现移动机器人自主定位并构建环境地图的关键环节。SLAM技术虽能精确重建环境几何结构,却难以为机器人提供执行复杂任务所需的语义理解能力;建筑信息模型(building information model,BIM)包含丰富的建筑信息,但与机器人操作系统(robot operating system,ROS)之间存在显著的数据格式和表达方式差异,且现有研究多采用人工方式进行转换,效率低下难以规模化应用,且室内环境并非静态不变,从而会影响机器人的导航决策。因此,提出一种集成BIM数据的ROS室内语义地图构建与动态更新方法。通过研发工业基础类(industry foundation classes,IFC)到统一机器人描述格式(unified robot description format,URDF)自动转换器,实现从BIM到机器人仿真环境的自动化建模;融合YOLOv8与随机采样一致性(random sample consensus,RANSAC)算法,建立视觉驱动的语义地图动态更新机制。结果表明,静态建筑元素还原准确率达98%以上,动态物体识别精度达0.9以上,显著提升了语义地图的自动化程度、知识丰富度及环境适应性。展开更多
文摘针对自动驾驶场景下,近处干扰点云误检率高、远处稀疏点云漏检率高的问题,提出了一种基于改进PointPillars的自动驾驶障碍物点云检测算法.首先,通过聚合模块和共享多层感知机(shared multi-layer perceptron,MLP)对柱体内点云进行特征编码,采用最大池化与平均池化叠加的方法将点云的显著特征与细节特征映射为柱体特征;其次,针对算法对伪图特征关注与利用不充分的问题,引入坐标注意力(coordinate attention,CA)机制和残差连接的伪图特征提取模块(attention and residual second block,ARSB),将深层与浅层特征图进行融合,优化算法梯度,增强算法对有效目标的关注度.试验结果表明:改进算法对全局点云检测精度较高,平均精度优于PointPillars、稀疏到稠密3D目标检测器(STD)等点云目标检测算法,在汽车类别上的检测精度优势明显,检测速度较快,符合实时性要求.
文摘视觉同步定位与建图(simultaneous localization and mapping,SLAM)是实现移动机器人自主定位并构建环境地图的关键环节。SLAM技术虽能精确重建环境几何结构,却难以为机器人提供执行复杂任务所需的语义理解能力;建筑信息模型(building information model,BIM)包含丰富的建筑信息,但与机器人操作系统(robot operating system,ROS)之间存在显著的数据格式和表达方式差异,且现有研究多采用人工方式进行转换,效率低下难以规模化应用,且室内环境并非静态不变,从而会影响机器人的导航决策。因此,提出一种集成BIM数据的ROS室内语义地图构建与动态更新方法。通过研发工业基础类(industry foundation classes,IFC)到统一机器人描述格式(unified robot description format,URDF)自动转换器,实现从BIM到机器人仿真环境的自动化建模;融合YOLOv8与随机采样一致性(random sample consensus,RANSAC)算法,建立视觉驱动的语义地图动态更新机制。结果表明,静态建筑元素还原准确率达98%以上,动态物体识别精度达0.9以上,显著提升了语义地图的自动化程度、知识丰富度及环境适应性。
