针对奶绵羊三维重构中背景分割对复杂场景适应性不足、配准算法对初始位置敏感等问题,该研究提出一种融合改进PointNet++与一致性点漂移(coherent point drift,CPD)算法与局部区域重叠的三维重构方法。通过引入点对特征、优化采样策略...针对奶绵羊三维重构中背景分割对复杂场景适应性不足、配准算法对初始位置敏感等问题,该研究提出一种融合改进PointNet++与一致性点漂移(coherent point drift,CPD)算法与局部区域重叠的三维重构方法。通过引入点对特征、优化采样策略及损失函数,增强了PointNet++在复杂场景下的分割能力;结合CPD算法与局部区域重叠策略,提升了点云配准的鲁棒性和效率。试验结果显示:该方法用于奶绵羊背景分割的准确率和平均交并比分别达到98.78%和97.25%,推理速度为53.4 ms;较原模型平均准确率和平均交并比分别提高了3.04和2.53个百分点,推理时间缩短了45.17%。该方法用于奶绵羊三维配准中,各向异性旋转误差、各向异性平移误差、各向同性旋转误差、各向同性平移误差以及倒角距离分别达到0.0256°、0.0229 m、3.0887°、0.0463 m和0.00789 m,较原始CPD方法均降低。通过与人工体尺测量数据对比,重构模型所提取的体长、体高、十字部高、胸深、胸围等参数的平均绝对百分比误差分别为3.34%、3.07%、3.32%、3.63%和2.81%。该研究方法兼具较高精度与实时性,能够满足一次性重构的需求,可为奶绵羊三维配准与智能化体尺测定提供参考。展开更多
当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种...当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种基于闭环检测和自适应降采样的视觉SLAM点云地图构建方法(Visual SLAM point cloud map construction method based on closed-loop detection and adaptive downsampling,PCL-LCAD)。上述方法从视觉SLAM系统建图的角度出发,加入3D点云技术,构建一个闭环检测优化模型,扩大生成地图的面积,再建立一个点云自适应降采样模型,利用KD-tree算法对其体素滤波进行改进。实验结果表明,PCL-LCAD方法能在保障准确性和实时性的同时,降低地图占用空间并且提高地图稠密度。展开更多
同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环...同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环境中,广泛存在的动态点使激光点云前后帧的配准精度不高,降低了动态场景下定位和建图的准确性.针对激光点云中存在动态点的问题,本文对SLAM的前端特征提取及后端回环检测模块分别进行改进,以去除动态点,提升SLAM在动态环境下的性能.针对SLAM前端,提出了一种分步的地面分割方法,依据点云高度信息完成地面点粗提取以矫正点云,再使用随机采样一致性方法对矫正后的点云进行精细的地面分割,最后根据高度阈值采用种子生长聚类方法提取非地面动态点,并进行特征提取与配准;针对SLAM后端,使用点云描述子替代传统方法中基于空间位置关系的回环检测方法,以减小累计误差、提高回环检测灵敏度.实验结果显示,本方法在M2DGR street_08序列数据集上较现有方法均方根误差最大降低29.8%,在KITTI04序列数据集上均方根误差最大降幅达42.7%,说明本方法能有效增强动态环境下SLAM系统的全局一致性与定位精度.展开更多
针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivel...针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。展开更多
文摘当今主流地图构建系统由于定位精度不高、重投影误差较大等问题,限制了稠密地图的生成。尤其在动态场景中,系统的实时性和地图的高精度之间无法共存,以及物体的往复移动为后续地图精度的提升带来了额外的困难。针对上述问题,提出了一种基于闭环检测和自适应降采样的视觉SLAM点云地图构建方法(Visual SLAM point cloud map construction method based on closed-loop detection and adaptive downsampling,PCL-LCAD)。上述方法从视觉SLAM系统建图的角度出发,加入3D点云技术,构建一个闭环检测优化模型,扩大生成地图的面积,再建立一个点云自适应降采样模型,利用KD-tree算法对其体素滤波进行改进。实验结果表明,PCL-LCAD方法能在保障准确性和实时性的同时,降低地图占用空间并且提高地图稠密度。
文摘同时定位与建图(Simultaneous localization and mapping,SLAM)能够在未知环境中构建地图并为机器人提供定位信息,是移动机器人领域重要研究方向之一.当前,大多数SLAM算法在静态环境中有较好的表现,但是在车辆和行人等运动物体较多的环境中,广泛存在的动态点使激光点云前后帧的配准精度不高,降低了动态场景下定位和建图的准确性.针对激光点云中存在动态点的问题,本文对SLAM的前端特征提取及后端回环检测模块分别进行改进,以去除动态点,提升SLAM在动态环境下的性能.针对SLAM前端,提出了一种分步的地面分割方法,依据点云高度信息完成地面点粗提取以矫正点云,再使用随机采样一致性方法对矫正后的点云进行精细的地面分割,最后根据高度阈值采用种子生长聚类方法提取非地面动态点,并进行特征提取与配准;针对SLAM后端,使用点云描述子替代传统方法中基于空间位置关系的回环检测方法,以减小累计误差、提高回环检测灵敏度.实验结果显示,本方法在M2DGR street_08序列数据集上较现有方法均方根误差最大降低29.8%,在KITTI04序列数据集上均方根误差最大降幅达42.7%,说明本方法能有效增强动态环境下SLAM系统的全局一致性与定位精度.
文摘针对当前两阶段的点云目标检测算法PointRCNN:3D object proposal generation and detection from point cloud在点云降采样阶段时间开销大以及低效性的问题,本研究基于PointRCNN网络提出RandLA-RCNN(random sampling and an effectivelocal feature aggregator with region-based convolu-tional neural networks)架构。首先,利用随机采样方法在处理庞大点云数据时的高效性,对大场景点云数据进行下采样;然后,通过对输入点云的每个近邻点的空间位置编码,有效提高从每个点的邻域提取局部特征的能力,并利用基于注意力机制的池化规则聚合局部特征向量,获取全局特征;最后使用由多个局部空间编码单元和注意力池化单元叠加形成的扩展残差模块,来进一步增强每个点的全局特征,避免关键点信息丢失。实验结果表明,该检测算法在保留PointRCNN网络对3D目标的检测优势的同时,相比PointRCNN检测速度提升近两倍,达到16 f/s的推理速度。
文摘点云分类与分割在机器人导航、虚拟现实以及自动驾驶领域应用广泛,大多面向点云处理的深度学习方法采用共享权重的多层感知机(MultiLayer Perceptron,MLP)以及单一的池化来聚合点云的局部特征,难以准确地描述排列复杂的点云结构信息。针对上述问题,提出一种点云形状自适应的局部特征编码方法,以有效表征形状多样的点云结构信息,提升点云分类和分割性能。该方法首先引入一种自适应特征增强模块,采用差分和可学习的调节因子对特征进行增强,弥补共享权重MLP描述能力不足的问题。在此基础上,设计了一种特征聚合模块,利用点云的绝对空间距离赋予不同点不同权重以适应形状多变的点云结构信息,突出有代表性的点集,更加准确地描述点云的局部结构信息。在3个大型公开点云数据集上进行实验,结果表明,在ModelNet40数据集上取得了93.9%的总体实例分类精度,在分割数据集ShapeNet和S3dis上分别取得了85.9%,59.7%的总体实例平均交并比(mean Intersection over Union,mIoU),本文提出的方法在点云分类和分割任务上表现优秀。
