發(fā)布時(shí)間：2020-12-04 17:05

　　無人車所處的場(chǎng)景一般都含有動(dòng)態(tài)特性,這些動(dòng)態(tài)特性會(huì)影響無人車的自主駕駛系統(tǒng),因此對(duì)動(dòng)態(tài)場(chǎng)景進(jìn)行分析對(duì)無人車具有重要作用。相比于場(chǎng)景理解,場(chǎng)景分析是基礎(chǔ),更側(cè)重于底層問題研究。本文通過二維和三維數(shù)據(jù)融合,從時(shí)空角度出發(fā),將動(dòng)態(tài)場(chǎng)景特性分為相關(guān)聯(lián)的靜態(tài)特性和動(dòng)態(tài)特性,重點(diǎn)研究了用于分析這些特性的相關(guān)關(guān)鍵技術(shù),即針對(duì)靜態(tài)特性分析的可通行區(qū)域檢測(cè),以及針對(duì)動(dòng)態(tài)特性分析的動(dòng)靜區(qū)域分割。本文的主要工作和創(chuàng)新點(diǎn)如下:1.提出一種基于高斯過程回歸與條件隨機(jī)場(chǎng)的魯棒可通行區(qū)域檢測(cè)算法�；�于幾何特性的可通行區(qū)域檢測(cè)算法相比基于學(xué)習(xí)的方法具有魯棒性和可遷移性,并且相比傳統(tǒng)的基于單一特征的方法更加靈活。本文提出采用貝葉斯框架對(duì)多類信息進(jìn)行概率化彈性輸出,并針對(duì)可通行區(qū)域起伏變化的特點(diǎn),采用一種基于改進(jìn)的非靜態(tài)協(xié)方差核函數(shù)的高斯過程回歸對(duì)概率輸出進(jìn)行遞推式擬合和回歸,將處理過的結(jié)果利用條件隨機(jī)場(chǎng)模型得到結(jié)構(gòu)化的最終輸出。通過在KITTI道路檢測(cè)公開數(shù)據(jù)集以及自建校園數(shù)據(jù)上的測(cè)試,與基準(zhǔn)方法的效果相比獲得了明顯提升,并且在主要基于幾何特征的方法中排在第二位,甚至接近了排在第一位基于激光雷達(dá)精準(zhǔn)三維點(diǎn)的方法。2.提... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：135 頁

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與研究意義
        1.1.1 智能汽車研究現(xiàn)狀
        1.1.2 本課題研究意義
    1.2 動(dòng)態(tài)場(chǎng)景分析簡介
        1.2.1 常用傳感器簡介
        1.2.2 相關(guān)基礎(chǔ)理論
        1.2.3 動(dòng)態(tài)場(chǎng)景分析關(guān)鍵技術(shù)
        1.2.4 本文采取的方法
    1.3 論文組織結(jié)構(gòu)與創(chuàng)新點(diǎn)
        1.3.1 論文組織結(jié)構(gòu)
        1.3.2 本文創(chuàng)新點(diǎn)
    1.4 本章小結(jié)
第二章 基于高斯過程回歸與條件隨機(jī)場(chǎng)的可通行區(qū)域檢測(cè)
    2.1 引言
    2.2 相關(guān)工作
    2.3 算法流程簡述
    2.4 預(yù)處理與特征表示
        2.4.1 二維和三維數(shù)據(jù)
        2.4.2 極坐標(biāo)的構(gòu)建
        2.4.3 基于貝葉斯框架的多特征融合
    2.5 高斯過程回歸
        2.5.1 采用高斯過程回歸的動(dòng)機(jī)
        2.5.2 高斯過程回歸后的能量計(jì)算
        2.5.3 協(xié)方差矩陣的選擇
        2.5.4 幾何超參數(shù)的學(xué)習(xí)
    2.6 條件隨機(jī)場(chǎng)融合
    2.7 實(shí)驗(yàn)和討論
        2.7.1 實(shí)驗(yàn)設(shè)置
        2.7.2 數(shù)據(jù)集
        2.7.3 基準(zhǔn)算法
        2.7.4 KITTI數(shù)據(jù)上的定量結(jié)果對(duì)比
        2.7.5 自建校園數(shù)據(jù)集上的定性實(shí)驗(yàn)結(jié)果對(duì)比
        2.7.6 實(shí)驗(yàn)結(jié)果與討論
    2.8 本章小結(jié)
第三章 基于立體視覺和條件隨機(jī)場(chǎng)的動(dòng)靜區(qū)域分割
    3.1 引言
    3.2 相關(guān)工作
    3.3 動(dòng)靜區(qū)域分割問題的數(shù)學(xué)模型
    3.4 算法流程與初始化
    3.5 基于立體視覺的條件隨機(jī)場(chǎng)模型
        3.5.1 數(shù)據(jù)項(xiàng)
        3.5.2 平滑約束項(xiàng)
    3.6 動(dòng)靜區(qū)域分割問題的優(yōu)化
        3.6.1 超像素級(jí)別的動(dòng)靜區(qū)域分割
        3.6.2 像素級(jí)別的動(dòng)靜區(qū)域分割
    3.7 動(dòng)靜區(qū)域運(yùn)動(dòng)估計(jì)更新
    3.8 實(shí)驗(yàn)與討論
        3.8.1 實(shí)驗(yàn)設(shè)置
        3.8.2 數(shù)據(jù)集和基準(zhǔn)算法
        3.8.3 里程計(jì)實(shí)驗(yàn)對(duì)比
        3.8.4 動(dòng)靜區(qū)域分割
        3.8.5 動(dòng)態(tài)目標(biāo)檢測(cè)實(shí)驗(yàn)
    3.9 本章小結(jié)
第四章 基于激光雷達(dá)點(diǎn)云和單目圖像融合的場(chǎng)景流和動(dòng)靜區(qū)域分割
    4.1 引言
    4.2 相關(guān)工作
        4.2.1 場(chǎng)景流相關(guān)工作
        4.2.2 基于目標(biāo)檢測(cè)和跟蹤相關(guān)工作
    4.3 問題定義
    4.4 算法流程
    4.5 基于激光雷達(dá)點(diǎn)云和單目圖像的動(dòng)態(tài)區(qū)域分割
        4.5.1 預(yù)處理
        4.5.2 基于條件隨機(jī)場(chǎng)的能量模型
        4.5.3 后處埋
    4.6 實(shí)驗(yàn)與討論
        4.6.1 實(shí)驗(yàn)設(shè)置
        4.6.2 基于激光雷達(dá)點(diǎn)云的動(dòng)靜區(qū)域分割演示細(xì)節(jié)
        4.6.3 場(chǎng)景流數(shù)據(jù)集上的定量實(shí)驗(yàn)
        4.6.4 動(dòng)靜區(qū)域分割實(shí)驗(yàn)
        4.6.5 動(dòng)態(tài)目標(biāo)檢測(cè)實(shí)驗(yàn)
        4.6.6 融合多幀的可通行區(qū)域檢測(cè)實(shí)驗(yàn)
    4.7 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果



本文編號(hào)：2897951