隨著深度傳感器以及目標(biāo)檢測等技術(shù)的發(fā)展,車輛的無人駕駛系統(tǒng)正在被越來越多的科研機構(gòu)以及商業(yè)公司所重視,而無人駕駛系統(tǒng)所必須的環(huán)境感知能力則是車輛安全運行的保障。在無人駕駛常用的傳感器方面,激光雷達相比于相機,有著受環(huán)境干擾程度小,深度信息精準(zhǔn)等主要優(yōu)勢。在無人駕駛檢測算法設(shè)計方面,深度學(xué)習(xí)的檢測方法相比于傳統(tǒng)檢測方法有著自動學(xué)習(xí)特征以及精度較高等優(yōu)點,所以本文主要研究內(nèi)容為基于64線激光雷達的車輛感知深度學(xué)習(xí)算法的設(shè)計,主要有點云數(shù)據(jù)處理、建立數(shù)據(jù)集和深度學(xué)習(xí)網(wǎng)絡(luò)設(shè)計三個主要任務(wù)。點云數(shù)據(jù)處理是去除車輛運動所帶來的點云畸變。校正的方法主要是根據(jù)車載OXTS系統(tǒng)得到位姿信息,將一幀點云數(shù)據(jù)的起始掃描位置和終止掃描位置之間的點云通過插值的方式進行校正。建立數(shù)據(jù)集的任務(wù)主要是對數(shù)據(jù)采集車平臺所采集的數(shù)據(jù)進行標(biāo)注以用來訓(xùn)練和部署設(shè)計的檢測算法。深度學(xué)習(xí)感知網(wǎng)絡(luò)則采用了目前檢測流行的兩步法框架。本文設(shè)計了LiDAR-RPN和Shape-RCNN分別用來生成三維候選區(qū)域以及對三維候選區(qū)域內(nèi)的點云進行二次分類和邊界框回歸。LiDAR-RPN是先將點云在俯視圖上柵格化,再用設(shè)計的特征提取器對每個柵格進...

【文章頁數(shù)】：60 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 本文研究的背景和意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 3D點云傳統(tǒng)識別方案
        1.2.2 3D點云深度學(xué)習(xí)檢測方案
    1.3 本文主要的研究內(nèi)容
第2章 激光雷達數(shù)據(jù)集的建立
    2.1 點云數(shù)據(jù)的預(yù)處理
        2.1.1 點云的畸變
        2.1.2 點云畸變的矯正方法
    2.2 數(shù)據(jù)標(biāo)注工具設(shè)計
        2.2.1 點云ROI區(qū)域選擇
        2.2.2 點云與圖像聯(lián)合標(biāo)注
        2.2.3 純點云標(biāo)注
    2.3 標(biāo)簽設(shè)置
    2.4 數(shù)據(jù)集分析
    2.5 本章小結(jié)
第3章 網(wǎng)絡(luò)設(shè)計整體框架
    3.1 輸入數(shù)據(jù)的特性分析
    3.2 檢測網(wǎng)絡(luò)的框架設(shè)計
        3.2.1 兩步法設(shè)計思路
        3.2.2 單步法設(shè)計思路
        3.2.3 檢測網(wǎng)絡(luò)框架設(shè)計
    3.3 本章小結(jié)
第4章 LiDAR-RPN和 Shape-RCNN
    4.1 俯視圖特征提取
    4.2 LiDAR-RPN
    4.3 Shape-RCNN
        4.3.1 體素化的點云輸入
        4.3.2 體素形狀提取器
        4.3.3 輸出分析
        4.3.4 網(wǎng)絡(luò)結(jié)構(gòu)
    4.4 本章小結(jié)
第5章 綜合實驗與分析
    5.1 體素形狀提取器的效果
    5.2 直通式反向傳播驗證
    5.3 網(wǎng)絡(luò)整體訓(xùn)練
        5.3.1 數(shù)據(jù)的使用
        5.3.2 模型訓(xùn)練
        5.3.3 評估與對比
    5.4 本章小結(jié)
結(jié)論
參考文獻
致謝



本文編號：3811605