针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离...针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。展开更多
视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统常受到动态物体的影响,导致定位精度和健壮性下降。为了解决这一问题,将轻量化网络架构MobileNetV3引入系统设计,对YOLOv5s的主干网络进行重构,在保证检测精度...视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统常受到动态物体的影响,导致定位精度和健壮性下降。为了解决这一问题,将轻量化网络架构MobileNetV3引入系统设计,对YOLOv5s的主干网络进行重构,在保证检测精度的同时,实现模型参数规模缩减67.9%,单帧运行速度提升89%,能够满足实际应用中的高效运行需求。针对潜在动态特征干扰与漏检问题,引入光流运动估计和对极几何约束,通过运动一致性校验筛选静态特征点集,确保位姿解算的几何可靠性,并构建环境的稠密点云地图。实验量化评估结果显示,在动态目标占比高的测试场景下,改进算法定位误差较ORB-SLAM3降低90.2%,有效提升了位姿估计的精度和健壮性。展开更多
为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对...为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。展开更多
文摘针对基于线面特征的激光雷达里程计算法易导致表面特征信息的冗余表述、增加计算复杂度的问题,提出一种基于水平扫描线段结构的轻量化激光雷达里程计构建方法。首先通过分析激光点云扫描线几何结构,将点云特征分为线段特征、边特征和离散特征,分别表示3维点云中物体的平面信息、边界信息和空间分布信息,以线段表示平面降低特征数量;然后基于历史位姿,采用运动估计方式获取初始位姿,通过非迭代的两步加权位姿估计算法进行特征配准与位姿解算;最后以提取关键帧方式存储点云,避免因点云地图过大造成匹配延时。在KITTI数据集和自研数据集上的实验表明,与现有的开源LOAM(LiDAR odometry and mapping)系列算法相比,本文算法在实现高精度稳定定位的基础上运行效率显著提升,且绝对轨迹误差抑制效果较好。
文摘视觉同时定位与地图构建(Simultaneous Localization and Mapping,SLAM)系统常受到动态物体的影响,导致定位精度和健壮性下降。为了解决这一问题,将轻量化网络架构MobileNetV3引入系统设计,对YOLOv5s的主干网络进行重构,在保证检测精度的同时,实现模型参数规模缩减67.9%,单帧运行速度提升89%,能够满足实际应用中的高效运行需求。针对潜在动态特征干扰与漏检问题,引入光流运动估计和对极几何约束,通过运动一致性校验筛选静态特征点集,确保位姿解算的几何可靠性,并构建环境的稠密点云地图。实验量化评估结果显示,在动态目标占比高的测试场景下,改进算法定位误差较ORB-SLAM3降低90.2%,有效提升了位姿估计的精度和健壮性。
文摘为解决在目标检测网络中使用特征融合方法带来的参数量大、计算复杂度高的问题,提出了一种融合无参注意力机制(SimAM)的特征融合方法。对动态蛇形卷积(DSConv)进行轻量化处理(Light-DSConv)。利用该结构自主学习目标几何形状的能力,对小目标的特征进行二次提取。利用SimAM模块对特征图空间域的重要性进行划分并与通道域权重相结合,进一步提升模型性能。在Pascal VOC 2007测试集上测试融合模块的有效性。结果表明:轻量化后,单个DSConv结构参数量下降85.6%。模型平均精度(mean average precision,mAP)比基线模型增加了4.41%,比添加现有特征融合方法模型平均增加3.78%。所提出模块的参数量、计算量、检测速度与现阶段其它方法相比均具有一定优势。
