车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

基于蒙特卡罗算法的车辆跟踪方法

针对飞艇沿公路飞行获取的高清晰交通视频,研究基于蒙特卡罗算法的车辆跟踪方法.该方法用蒙特卡罗算法预测目标下一时刻的一组状态(位置和尺度);然后通过计算得到各预测状态中与参考目标的状态相似度最大的一个,即为车辆目标跟踪的结果.研究结果表明:该方法能实时、准确地跟踪道路上无规律、非线性运动的车辆,并能够应对跟踪过程中的短时...     

智能驾驶中点云目标快速检测与跟踪

利用实时车载激光点云，实现城市环境下的多目标快速检测与跟踪。动态目标跟踪是实现城市环境下自动驾驶的关键，是三维城市场景感知的研究难点。相比于图像，三维激光点云数据更适合用于目标三维形状估计和运动预测，所以广泛应用于无人驾驶方案中。使用基于目标模型和卡尔曼滤波的目标跟踪框架，针对稀疏点云数据中常见的过分割和欠分割问题，提出一种关联历史跟踪结果和目标检测的快速跟踪算法。将跟踪结果作为先验知识，与下一时刻的目标检测关联，增强目标检测的稳定性。该算法已经应用到搭载三维激光扫描仪的自动驾驶汽车中，实验证明，该算法适用于城市交通场景，且满足实时解算需求，单帧处理平均耗时58 ms。     

融合毫米波雷达与单目视觉的前车检测与跟踪

对现有融合雷达与视觉的车辆检测方法进行改进，增加目标跟踪过程，进一步提升城市复杂环境下智能车前方车辆信息感知的准确性。首先，针对雷达数据处理，提出一种基于层次聚类的雷达杂波剔除方法；其次，针对视觉数据处理，提出一种基于目标景深的自适应车辆检测方法；最后，提出一种基于核相关滤波器（kernelized correlation filter，KCF）-扩展卡尔曼滤波（extended Kalman filter，EKF）组合滤波的目标跟踪方法，对车辆几何与运动信息进行了有效估计。通过在不同交通环境与天气状况下进行实车实验，结果证明，该方法具有更好的可靠性与鲁棒性。     

基于P-N学习的高分遥感影像道路半自动提取方法

基于模板匹配的道路跟踪是半自动提取道路的主要方法。然而场景中地物干扰和道路宽度的变化降低了模板匹配的稳定性;另外,道路跟踪失败后缺乏重检测机制,使得道路提取过程中人机交互频繁。针对以上问题,提出了一种基于P-N（positive-negative）学习的高分遥感影像道路半自动提取方法。该方法由道路跟踪、检测和学习构成,关键是采用了P-N学习的策略迭代的训练分类器,通过纠正违反结构约束的样本分类结果来提高分类器性能。实验使用了不同场景下的城区高分遥感影像,与经典的模板匹配和在线学习的道路跟踪方法进行了比较。实验结果表明该方法在道路提取的精度和稳定性方面均有提升。     

适应不同轨迹数据场景的道路线形组合优化提取方法

车辆轨迹数据是当前城市导航路网地图动态更新的一种重要数据源,从杂乱无序的轨迹点或轨迹线中提取并拟合道路几何形态,进而生成结构化的道路矢量地图是基于轨迹数据进行道路网地图构建与更新的关键步骤。现有的道路中心线提取方法主要采用单一的线形拟合算法进行轨迹数据拟合,然而真实道路的几何形态复杂多样和车辆轨迹数据质量参差不齐,导致单一的道路线形拟合算法只能在某些特定的数据场景下适用,无法针对不同的数据场景自适应的拟合出理想的道路中心线。此外,相比于专业测量方式采集的高频轨迹数据,出租车等采集的低频轨迹数据存在轨迹点稀疏、噪声多、定位误差大等问题,这使得从低频轨迹数据中提取理想的道路中心线仍具有挑战,尤其是针对复杂的交叉口区域。为此,本文基于分治策略的思想,提出了一种适应不同轨迹数据场景的道路线形组合优化提取方法。该方法在轨迹数据预处理的基础上,根据轨迹数据的分布特点对数据进行场景分类;进而,针对不同的数据场景匹配最优的线形拟合算法,通过组合优化策略生成理想的道路中心线。本文方法融合不同拟合算法的互补优势,可以有效解决数据分布稀疏、道路结构复杂(如自相交立交桥)等不同数据场景下的道路线形拟合问题。采...     

语素关联约束的动态环境视觉定位优化

在自动驾驶场景中,视觉相机能够实现低成本的定位与环境感知,但是场景中的动态目标会影响视觉定位的轨迹.对此,本文提出了语素关联约束的动态环境视觉定位优化方法.首先,利用目标检测和语义分割提取环境中的语义实体;然后,通过语素关联模型识别出动态语素;最后,建立动态语素的特征掩膜,用于特征匹配过程中的动态目标特征点过滤,从而提高视觉定位效果.本文基于视觉机器人平台在校园道路开展了试验,发现了动态目标通过关键点影响视觉定位结果的规律——在转弯时或者目标在视野中横向移动时影响较大.试验结果表明,本文方法的动态语义要素识别的平均精度F1约为87％,并且在语素关联优化前后,局部区域最大轨迹距离差为2.463 m,与真值对比RMSE降低了38％.     

舰船目标运动状态光学卫星视频监测与估计

光学卫星视频能够进行动目标连续监视，已成为当前研究热点。但目前多数研究仅针对基于视频像方的目标检测、跟踪及轨迹提取等方面，没有充分利用卫星载荷成像几何模型进行物方运动状态定量估计和精度验证。因此，本文提出一种基于光学卫星视频的舰船目标运动状态定量估计方法，首先对卫星视频首帧进行精确定向；然后通过帧间稳像方法得到背景稳定的视频帧序列，在此基础上，针对正框目标跟踪方法定位精度低的问题，提出一种顾及旋转和尺度变化的舰船稳健跟踪方法进行目标跟踪；最后进行物方映射并估计目标运动轨迹、速度和方向。利用吉林一号光学视频卫星开展星海同步观测试验。实测结果表明，稀疏控制条件下的舰船目标几何定位精度为1.60 m,速度估计精度为0.18 m/s,方向估计精度为4.05°,相比同类方法具有显著提升，证明了本文方法的有效性和可行性。     

基于MPC的半潜式无人艇导航轨迹跟踪控制研究

针对新型半潜式无人艇在导航航行过程中轨迹跟踪误差较大的问题,提出基于模型预测控制（MPC）的轨迹跟踪控制方法．并建立新型半潜式无人艇的运动模型,基于实际参数,构建MPC目标函数和系统约束条件,将半潜式无人艇轨迹跟踪问题转化为最优值问题;利用仿真软件,对控制算法进行了仿真分析. 利用卫星定位设备进行了导航轨迹跟踪试验．仿真与试验结果表明:基于MPC的轨迹跟踪控制方法提高了半潜式无人艇的导航轨迹跟踪精度,跟踪精度比原有PID控制方法提高了50％左右.      

车辆定位的地图匹配算法研究

研究了车辆定位系统中道路匹配问题,提出基于权重参考车辆历史轨迹的匹配算法。结合车辆行驶状态,引入位置信息和方向信息的可靠性参数,有效融合两者信息。仿真实验表明,该算法能够获得较高的匹配精度。