無(wú)人車(chē)基于三維點(diǎn)云場(chǎng)景理解的語(yǔ)義地圖構(gòu)建.pdf

1、無(wú)人駕駛車(chē)對(duì)于周?chē)h(huán)境的感知和理解是其實(shí)現(xiàn)自主駕駛和地圖構(gòu)建的基礎(chǔ)。本文的目的是使用安裝在無(wú)人駕駛車(chē)上的激光傳感器獲得描述無(wú)人車(chē)周?chē)h(huán)境的三維激光點(diǎn)云數(shù)據(jù)，然后通過(guò)對(duì)場(chǎng)景點(diǎn)云數(shù)據(jù)的理解提取場(chǎng)景的語(yǔ)義描述，最后運(yùn)用語(yǔ)義描述構(gòu)建適用于大范圍室外環(huán)境的拓?fù)湔Z(yǔ)義地圖。為了能實(shí)現(xiàn)語(yǔ)義地圖的在線構(gòu)建，需要在場(chǎng)景理解環(huán)節(jié)有著足夠短的耗時(shí)。本文提出了三維點(diǎn)云數(shù)據(jù)的最優(yōu)深度及向量長(zhǎng)度(Optimal Depth& Vector Length，ODVL)圖

2、模型。該模型能夠?qū)?chǎng)景的三維點(diǎn)云數(shù)據(jù)映射為二維灰度圖像，適用于多種激光掃描方式，比起傳統(tǒng)的灰度圖模型有著更好的景物邊界區(qū)分度以及紋理質(zhì)量?；贠DVL圖模型的場(chǎng)景理解在保證了所需分類(lèi)準(zhǔn)確率的同時(shí)，較傳統(tǒng)三維點(diǎn)云分類(lèi)方法在實(shí)時(shí)性上有明顯的提升，為后續(xù)的語(yǔ)義地圖在線構(gòu)建提供了保證。
　　本文對(duì)ODVL圖進(jìn)行超像素分割，把分割后得到的超像素塊作為分類(lèi)的最小單元，提取其20維紋理特征。由于ODVL圖中的像素點(diǎn)與點(diǎn)云激光點(diǎn)一一對(duì)應(yīng)，每個(gè)超像

3、素塊都有著對(duì)應(yīng)的局部點(diǎn)云。本文在提取局部點(diǎn)云高程特征的基礎(chǔ)上增加了形狀估計(jì)與方向特征，與紋理特征一起組成分類(lèi)單元的23維特征向量。針對(duì)特征的特點(diǎn)并且考慮到室外場(chǎng)景理解是一個(gè)多分類(lèi)問(wèn)題，選用Gentle-AdaBoost算法對(duì)超像素塊進(jìn)行分類(lèi)。將分類(lèi)結(jié)果中置信度較低的區(qū)域還原為三維點(diǎn)云，并用層次聚類(lèi)法對(duì)點(diǎn)云聚類(lèi)。分析聚類(lèi)后點(diǎn)云的輪廓以及點(diǎn)云分布特征，完成對(duì)低置信度區(qū)域的再次分類(lèi)。對(duì)于分類(lèi)結(jié)果中由于分割和聚類(lèi)不準(zhǔn)確導(dǎo)致的錯(cuò)分點(diǎn)，本文提出了一

4、種基于語(yǔ)義約束的點(diǎn)云校正方法。提取分類(lèi)置信度較高景物的面性區(qū)域，并對(duì)區(qū)域中的錯(cuò)分點(diǎn)進(jìn)行校正。
　　通過(guò)場(chǎng)景理解，能夠獲得無(wú)人車(chē)周?chē)h(huán)境的語(yǔ)義描述。構(gòu)建語(yǔ)義地圖前，需根據(jù)語(yǔ)義信息對(duì)場(chǎng)景中的景物聚類(lèi)，以提取每一個(gè)獨(dú)立景物的類(lèi)別、大小、位置等信息。本文將無(wú)人車(chē)左側(cè)與右側(cè)激光的三維點(diǎn)云數(shù)據(jù)按規(guī)則劃分為環(huán)境節(jié)點(diǎn)，將無(wú)人車(chē)行駛過(guò)的軌跡與附近地面按規(guī)則劃分為道路節(jié)點(diǎn)。并為環(huán)境節(jié)點(diǎn)與道路節(jié)點(diǎn)生成拓?fù)潢P(guān)系，得到室外環(huán)境的拓?fù)涞貓D。隨著無(wú)人車(chē)的運(yùn)動(dòng)，