论文部分内容阅读
无人驾驶中首要解决的一个问题是无人驾驶车辆的定位问题,依据定位信息在高精度地图中确定车辆的位置后,才能为无人驾驶车辆规划合理的行驶线路,并根据当前位置进行车辆控制和姿态调整。正态分布变换(Normal Distributions Transform,NDT)是当前无人驾驶中较为常用的一种厘米级定位方法,NDT定位算法使用激光雷达实时扫描的激光点云数据并结合高精度点云地图即可进行实时精确的无人驾驶车辆定位。然而NDT定位算法存在一个不足之处就是在使用时需要提供一个先验定位信息,即首先需要有车辆的初始位置信息才能通过执行NDT算法进行车辆行驶全过程的定位。本文针对NDT定位算法在没有初始定位信息的条件下,无法正常工作的这一问题,提出了一种基于点云尺度不变特征(Scale invariant feature transform,SIFT)的新方法来解决和改进这一问题。本文通过使用激光雷达点云数据以及点云地图展开初始定位的研究工作,研究内容主要如下:1.本文基于PointPillars和DenseNet的改进提出了一种多特征输出模型—PDNet,该模型使用点云柱对点云进行编码,生成了二维点云特征图,并设计了三级Dense Block提取二维点云特征图的多级特征以识别相应特征定位影响元素,针对识别结果进行过滤,提高点云特征定位的成功率。2.为了使训练识别率精度更高、识别效果更好,本文采集了兰州大学无人驾驶三维目标检测Velodyne-32线激光雷达数据集,并根据实验内容手工标注了1000帧的激光雷达数据。3.通过使用滤除特征定位影响元素的数据针对NDT定位算法进行改进,采用分布式ROS节点组织各功能模块,将滤除特征定位影响元素的点云数据经过预处理去除掉噪声和离群点,并减少点云数据规模;由于三维点云特征点过多影响定位速度,本文对点云数据进行了降维处理,将点云固定特殊视角,提取降维后的特征点,生成定位候选区域(Region Proposal),使用候选区域进行加速定位;使用kd-树(kd-tree)组织特征向量并求解最近邻特征点匹配,通过随机参数估计方法去除误匹配数据。根据点云地图与实时点云数据间特征点的匹配确定当前车辆位置,提供NDT定位算法需要的初始定位。