基于无人车的温室生菜三维点云获取方法及表型解析技术研究
这是一篇关于激光雷达,三维重建,温室作物,无人车,植物三维表型的论文, 主要内容为作物冠层三维结构表型可用于监测作物生长状况、作物遗传育种和产量预测,还可作为环境污染和产量的有效指示因子,是育种家评估其生长状态的重要参数,研究解决作物冠层三维表型精准获取装备及技术对优质育种、科学栽培和精细管理具有重要意义。近年来,无人车以其轻量化和灵活性的优势在作物表型监测领域受到广泛关注。传统的无人车表型平台存在行走颠簸导致的SLAM建图困难、点云获取精度不高等问题。针对此问题,本文设计了一种适用于温室设施环境的自走式表型无人车,通过搭载的雷达与高精度电动滑轨配合,实现了作物条带点云获取,并借助open3d点云库完成了生菜表型参数的管道化提取。基于此无人车,本文还对行进式获取温室作物三维表型的其他传感器及方法进行了研究与分析。具体研究工作与结论如下:(1)根据北京农林科学院连栋温室环境及生菜种植情况,设计搭载高精度滑轨及机械旋转式激光雷达配合获取温室作物3D点云的无人车,包括结构(使用Solidworks软件)、控制系统以及数据获取方法的设计。该无人车不仅可利用雷达与轨道协同自动化获取高精度三维点云,还可挂载其他传感器,用以满足其余表型信息的获取需求。(2)进行了作物条带点云的三维重建算法、点云预处理算法和作物表型信息提取算法的研究,采用随机采样一致性(RANSAC)算法、欧式聚类和k-means聚类算法实现了对作物点云的单株分割以及株高和最大冠幅的管道化提取。利用该表型系统和Planteye F500进行了54株生菜表型参数提取实验,结果显示,其与人工测量值之间的相关系数(R2)分别为0.97996、0.90975,均方根误差(RMSE)分别为1.51cm、4.99cm。以更低成本实现了更小误差的表型数据采集,检测到生菜类型之间的形态特征差异。体现了该无人车表型获取系统的优势及实用性。(3)对本文所设计无人车搭载固态激光雷达、深度相机及RGB相机在无人车行走状态下对作物条带点云的三维重建算法进行研究,分别通过Li DAR-IMU SLAM算法、SFM-MVS算法和RGB-D SLAM算法重建出温室生菜点云地图,通过和机械旋转式雷达和轨道配合系统获取的点云做对比实验,展示了四种无人车三维表型信息获取方法的性能,分析四种无人车载传感器不同三维重建算法对表型参数提取的影响,系统地评估了效率、准确性、自动化水平和成本,结果显示四种方法都可代替人工获取生菜表型参数,机械旋转式雷达获取的生菜株高精度最高,RGB相机获取的生菜最大冠幅精度最高,其中深度相机各项精度都最低,但成本优势最大。本文的研究为表型装备的传感器选型以及算法开发提供了有价值的参考。
园区环境下无人车的可通行区域检测与判别方法研究
这是一篇关于园区环境,无人车,车道线检测,障碍物检测,可通行区域的论文, 主要内容为无人驾驶技术能够有效提高道路行驶安全性,改善通行效率。无人驾驶的系统主要包括:环境感知、决策规划和运动控制。环境感知是其中最为关键的部分,是智能车辆进行精准决策与规划的前提。车道线检测、道路障碍物检测、可通行区域检测是自动驾驶感知系统的重要且必要的任务,是无人驾驶车辆理解外界的基础。本文依托横向项目“无人驾驶新能源智能汽车教学演示系统研发”,研究基于视觉的园区环境下无人车的可通行区域检测与判别相关感知算法。本文主要研究内容如下:首先,本文提出一种融合CBAM注意力机制与可变形卷积的CADCN方法对复杂场景下的车道线进行检测,利用融合CBAM注意力机制与可变形卷积的改进Res Net34对车道线特征进行提取;利用行锚分类方法在预定义的行锚上对车道线进行选择与分类,减少计算量;在Tu Simple/CULane车道线公开数据集上进行训练及验证,实验表明本文提出的车道线检测模型的准确性、实时性以及鲁棒性都表现较好。其次,针对复杂道路场景下的障碍物目标的多尺度特征及遮挡环境下容易出现误检、漏检的情况,提出一种基于感受野增强与多尺度特征自适应融合的改进YOLOv5的道路目标检测方法,在数据集和实车上进行了验证,在保持较高实时性的同时提高了目标的检测效果。最后,设计了基于多任务学习的联合分割与检测网络,在一个网络框架中同时完成对道路可通行区域的分割及目标检测两个任务。结合车道线、道路障碍物及道路可通行区域三部分的信息,可更好地对无人车周围环境进行感知,为无人车在可通行区域内进行路径规划提供基础。基于本文算法研究成果,在基于长城欧拉R1改装的无人驾驶汽车平台上进行了算法试验研究,结果表明,本文提出的方法在校园环境中能够对无人车的可通行区域进行检测与识别,具有较好的检测效果及鲁棒性,可满足园区环境下无人车对车辆周围环境感知的需求。
非结构化道路下无人车导航与避障方法研究
这是一篇关于无人车,栅格地图,语义分割,动态窗口法,动态避障的论文, 主要内容为随着人工智能、深度学习等技术的发展,无人车已经成为自动化领域的一个热门研究方向。因其自身移动的特点,可以在消防、农业、军事等领域发挥巨大作用。然而这些场景通常为非结构化的道路,可通行区域复杂多变,比较难以区分。无人车在非结构化道路下的导航和避障仍然是一个具有挑战性的问题,本文主要围绕该问题,从非结构化道路分割到地图构建再到导航和避障,对相关技术进行分析应用及改进,最后实现无人车在非结构化道路的导航与避障。论文的具体工作总结如下:(1)针对非结构化道路场景,基于印度驾驶数据集进行筛选和类别重划分得到适用于非结构化道路语义分割的数据集,并进行预处理操作,让模型可以得到更好的训练,从而具备更高的泛化能力。本文提出了一种基于Bi Se Net的轻量化非结构化道路场景语义分割网络算法,采用轻量化主干提取网络和引入深度可分离卷积优化速度控制。在特征融合阶段引入通道注意力,并自适应地选择重要特征,抑制冗余信息,提高非结构化道路分割的准确性。模型参数量仅有1.11×106,对比Bi Se Net检测速度提升18.83%,F1-socre达到了96.74%。对比其他主流语义分割模型同样具备一定优势,可为非结构化道路场景下无人车的安全运行提供参考。(2)为满足无人车导航和避障对高精度地图的需求,对比多种形式的地图,分析其优点和不足,选用栅格形式地图用于无人车导航和避障。此外,由于只使用激光雷达建立栅格地图缺少语义信息,本文利用改进的Bi Se Net语义分割模型,对双目相机采集的图像进行语义分割,并与深度图进行像素对齐,最终得到包含语义信息的栅格地图。(3)在栅格地图的基础上,针对基于全局路径规划的导航算法以及基于局部路径规划避障算法进行分析,总结其优势与劣势,并围绕传统动态窗口法未考虑起始位姿方向和路径节点位姿方向的问题,设计了姿态调整函数;为提升躲避未知障碍物的能力,对动态窗口法评价函数进行改进,综合考虑已知和未知的障碍物对规划的影响,提高路径规划的安全性。仿真实验结果显示,改进后的方法在静态环境下的规划时间减少15.56%,路径长度缩短4.22%;在动态环境下的规划时间减少11.78%,路径长度缩短8.48%。验证了改进方法的有效性。(4)设计无人车软硬件系统,并针对其运动学模型进行分析,为实现在非结构化道路场景下的无人车导航和避障奠定基础。硬件平台包括履带式差速控制底盘、激光雷达、双目相机等传感器模块、迷你PC机及Jetson TX2控制中心;软件平台基于Ubuntu18.04操作系统,使用melodic版本的ROS(Robot Operating System)系统,基于navigation框架进行开发,采用A*和改进的动态窗口法进行导航与避障,最后使用搭建的履带式无人车进行实验验证,完成了无人车导航与避障功能的实现。
非结构化道路下无人车导航与避障方法研究
这是一篇关于无人车,栅格地图,语义分割,动态窗口法,动态避障的论文, 主要内容为随着人工智能、深度学习等技术的发展,无人车已经成为自动化领域的一个热门研究方向。因其自身移动的特点,可以在消防、农业、军事等领域发挥巨大作用。然而这些场景通常为非结构化的道路,可通行区域复杂多变,比较难以区分。无人车在非结构化道路下的导航和避障仍然是一个具有挑战性的问题,本文主要围绕该问题,从非结构化道路分割到地图构建再到导航和避障,对相关技术进行分析应用及改进,最后实现无人车在非结构化道路的导航与避障。论文的具体工作总结如下:(1)针对非结构化道路场景,基于印度驾驶数据集进行筛选和类别重划分得到适用于非结构化道路语义分割的数据集,并进行预处理操作,让模型可以得到更好的训练,从而具备更高的泛化能力。本文提出了一种基于Bi Se Net的轻量化非结构化道路场景语义分割网络算法,采用轻量化主干提取网络和引入深度可分离卷积优化速度控制。在特征融合阶段引入通道注意力,并自适应地选择重要特征,抑制冗余信息,提高非结构化道路分割的准确性。模型参数量仅有1.11×106,对比Bi Se Net检测速度提升18.83%,F1-socre达到了96.74%。对比其他主流语义分割模型同样具备一定优势,可为非结构化道路场景下无人车的安全运行提供参考。(2)为满足无人车导航和避障对高精度地图的需求,对比多种形式的地图,分析其优点和不足,选用栅格形式地图用于无人车导航和避障。此外,由于只使用激光雷达建立栅格地图缺少语义信息,本文利用改进的Bi Se Net语义分割模型,对双目相机采集的图像进行语义分割,并与深度图进行像素对齐,最终得到包含语义信息的栅格地图。(3)在栅格地图的基础上,针对基于全局路径规划的导航算法以及基于局部路径规划避障算法进行分析,总结其优势与劣势,并围绕传统动态窗口法未考虑起始位姿方向和路径节点位姿方向的问题,设计了姿态调整函数;为提升躲避未知障碍物的能力,对动态窗口法评价函数进行改进,综合考虑已知和未知的障碍物对规划的影响,提高路径规划的安全性。仿真实验结果显示,改进后的方法在静态环境下的规划时间减少15.56%,路径长度缩短4.22%;在动态环境下的规划时间减少11.78%,路径长度缩短8.48%。验证了改进方法的有效性。(4)设计无人车软硬件系统,并针对其运动学模型进行分析,为实现在非结构化道路场景下的无人车导航和避障奠定基础。硬件平台包括履带式差速控制底盘、激光雷达、双目相机等传感器模块、迷你PC机及Jetson TX2控制中心;软件平台基于Ubuntu18.04操作系统,使用melodic版本的ROS(Robot Operating System)系统,基于navigation框架进行开发,采用A*和改进的动态窗口法进行导航与避障,最后使用搭建的履带式无人车进行实验验证,完成了无人车导航与避障功能的实现。
园区环境下无人车的可通行区域检测与判别方法研究
这是一篇关于园区环境,无人车,车道线检测,障碍物检测,可通行区域的论文, 主要内容为无人驾驶技术能够有效提高道路行驶安全性,改善通行效率。无人驾驶的系统主要包括:环境感知、决策规划和运动控制。环境感知是其中最为关键的部分,是智能车辆进行精准决策与规划的前提。车道线检测、道路障碍物检测、可通行区域检测是自动驾驶感知系统的重要且必要的任务,是无人驾驶车辆理解外界的基础。本文依托横向项目“无人驾驶新能源智能汽车教学演示系统研发”,研究基于视觉的园区环境下无人车的可通行区域检测与判别相关感知算法。本文主要研究内容如下:首先,本文提出一种融合CBAM注意力机制与可变形卷积的CADCN方法对复杂场景下的车道线进行检测,利用融合CBAM注意力机制与可变形卷积的改进Res Net34对车道线特征进行提取;利用行锚分类方法在预定义的行锚上对车道线进行选择与分类,减少计算量;在Tu Simple/CULane车道线公开数据集上进行训练及验证,实验表明本文提出的车道线检测模型的准确性、实时性以及鲁棒性都表现较好。其次,针对复杂道路场景下的障碍物目标的多尺度特征及遮挡环境下容易出现误检、漏检的情况,提出一种基于感受野增强与多尺度特征自适应融合的改进YOLOv5的道路目标检测方法,在数据集和实车上进行了验证,在保持较高实时性的同时提高了目标的检测效果。最后,设计了基于多任务学习的联合分割与检测网络,在一个网络框架中同时完成对道路可通行区域的分割及目标检测两个任务。结合车道线、道路障碍物及道路可通行区域三部分的信息,可更好地对无人车周围环境进行感知,为无人车在可通行区域内进行路径规划提供基础。基于本文算法研究成果,在基于长城欧拉R1改装的无人驾驶汽车平台上进行了算法试验研究,结果表明,本文提出的方法在校园环境中能够对无人车的可通行区域进行检测与识别,具有较好的检测效果及鲁棒性,可满足园区环境下无人车对车辆周围环境感知的需求。
基于NVIDIA Jetson Nano自主避障无人车系统设计与实现
这是一篇关于无人车,边缘AI,Linux,梯度下降算法,自主避障的论文, 主要内容为近年来,无人驾驶汽车的研究和开发已经成为一个热门的领域。无人车避障技术是实现无人车自主行驶的关键技术之一。自主避障基于深度学习算法,区别于传统的将无人车数据上传到云端进行神经网络运算方式,采用NVIDIA Jetson Nano边缘AI计算平台,搭建了在嵌入式终端上处理数据的无人车系统,实现了基于嵌入式边缘AI计算的人工智能自主避障,用于解决无人车在离线情况下的避障问题。主要工作包括以下四个方面:(1)设计了系统的硬件架构。调研并集成现有平台和模块,包括边缘计算平台、摄像头、无线网卡、直流电机等硬件模块。使用Altium Designer软件设计制作了两层电机驱动扩展板,使得Jetson Nano能够通过IIC协议控制无人车电机的转动,实现无人车电机的控制闭环,在硬件层面上实现了系统从上到下的模块打通。可通过摄像头获取周围环境信息,经过边缘计算平台处理后,控制无人车转向,实现自主避障功能。(2)进行了系统应用软件搭建。基于系统定制需求,为无人车嵌入式系统安装了基于Linux的Ubuntu操作系统、PyTorch神经网络运算软件平台和Nvidia Jetbot无人车控制软件包。该操作系统内置Nvidia Jet Pack4.6环境支持包,可以快速构建和部署AI应用程序。此外,为了加强实时响应性能,优化了u-boot来提升系统的启动速度,并针对选配的OV5647摄像头进行了深度定制,包括摄像头Linux内核驱动开发、板卡设备树适配、摄像头图像采集速率与显示效果优化。(3)进行了神经网络模型训练和神经网络模型部署。选取了深度学习所需要的神经网络模型AlexNet和神经网络模型优化算法,在自主搭建的障碍物环境中进行自制数据集采集,神经网络模型训练采用迁移学习,在预训练好的模型基础上,分别通过三种不同的梯度下降算法优化神经网络模型,以得到更加精确的识别结果。并将精度为97%的神经网络模型部署到无人车系统上。(4)完成了无人车避障实验。在自主搭建的障碍物环境中进行避障实验,实验结果表明无人车系统的避障效果优秀,满足设计预期。
基于激光雷达的无人车障碍物点云分类技术研究
这是一篇关于点云分类,分类器,深度学习,袋外误差,无人车的论文, 主要内容为对未知的点云数据进行类型标签的认定,是目前无人车环境感知中重要一环,点云分类是指在激光雷达采集到的环境点云数据的基础上,进行多类型对象的分类和识别操作,本文以无人车的激光雷达采集到的障碍物点云数据为研究对象,利用分类器和深度学习两种方法实现了障碍物点云分类,针对深度学习中Point Net网络在分类过程中对于局部特征的利用率较低导致准确率较低的缺点,引入随机森林的袋外误差,提出了一种具有高准确率和鲁棒性的OOB-Point Net(Out of Bag Point Net,OOB-Point Net)网络。在激光雷达采集的KITTI原始数据集的基础上,构建了汽车、行人、树木以及自行车等四类障碍物点云样本数据集,采用统计滤波(Statistics Outlier Removal,SOR)算法进行原始点云数据的离群点移除,降低噪声点对于后续特征提取和障碍物分割的复杂度,运用RANSAC(Random Sample Consensus)算法进行了障碍物等非地面点的分割,基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法进行单一物体分割,提取分割后的物体点云簇的全局特征搭配朴素贝叶斯分类器算法(Na(?)ve Bayes,NB)筛选出障碍物点云簇,构建了障碍物点云样本数据集。验证了传统机器学习中分类器对于多类别障碍物的点云分类方法。基于传统机器学习中分类器在做多类别障碍物点云分类时需要手动提取障碍物的特征属性,本文提取了蕴含障碍物整体轮廓信息的全局特征和邻域内的表面法线、表面曲率以及快速点特征直方图(Fast Point Feature Histogram,FPFH)等局部特征及其数理统计量;对比分析SVM(Support Vector Machine)、决策树(Decision Tree,DT)以及随机森林(Random Forest,RF)等分类器完成障碍物点云分类任务的效果,实验表明RF分类器模型在四个类别的障碍物点云分类整体表现效果较好,SVM模型分类效果次之,而DT效果最差,其中RF分类器在树木和自行车这两类障碍物的分类精确率要远高于SVM和DT,但在汽车和行人方面要略低于SVM,DT在四种类别的障碍物分类表现都较为一般。最后,针对Point Net网络分类任务对于局部特征利用能力较弱的缺点加以改进,OOBPoint Net利用原模型输入通道可扩展属性,引入了随机森林中袋外误差,对障碍物特征计算特征重要性,选用局部特征中排行前三的特征和障碍物的三维坐标信息组成新的输入通道数据,构建新的6×6的变换矩阵处理新的输入通道数据,从而加强分类任务中对局部特征的影响,搭建了Point Net、Point Net++以及Point MLP网络并进行了对比实验,实验表明改进后的OOB-Point Net模型在总体准确率、平均准确率、鲁棒性以及各自类别的障碍物分类等效果都要优于Point Net网络,在树木和自行车障碍物分类效果表现较为优良,在分类速度要优于Point Net++和Point MLP网络。
物流园区运输无人车系统的研究和设计
这是一篇关于无人车,上位机,A*算法,PID控制器的论文, 主要内容为近年来,我国物流业发展势头良好,物流业运输服务的重要性不断提高,配送成本高、效率低的问题日益严重。随着技术的进步,低速无人物流车辆已经成为社区、公园和校园等场景的重要组成部分,并受到了物流企业和研究机构的广泛关注。无人驾驶汽车运输为物流配送提供了新的解决方案。无人车运输具有更大的选择性和灵活性。2020年新冠肺炎的爆发使得无人车的应用受到了极大的关注,因为它们能够提供无接触的运输服务,并能够有效地防止疾病的传播,从而减轻了人们的工作负担。因此,加强对无人车的研究,将为物流业带来巨大的改变,使得物流行业更加高效、灵活。本设计旨在帮助电动车辆实现路径规划、轨迹跟踪,以此来实现自动驾驶,提高无人驾驶的效率和安全性。其主要研究工作如下:1、对系统方案进行设计,并完成对系统主要器件的选型,包括主控器、GPS模块、角度传感器、转向电机和电源模块。并对相关原理和技术进行说明。2、完成运输无人车的硬件及软件设计。利用Altium Designer 20软件设计无人车控制系统的硬件电路,主要包括电源模块、电机隔离模块、传感器模块和系统主控制器模块;对GPS信息进行解析,为无人车自动驾驶奠定基础;利用Visual Studio软件设计上位机界面,实现串口通信设置和控制功能。3、完成运输无人车的算法设计。从启发函数选取、引入惩罚函数、平滑度处理以及搜索方式四个方面对A*算法进行改进,上位机应用改进的A*算法进行路径规划,通过在MATLAB中建立物流园区地图,并对算法进行仿真,验证改进后的A*算法相对于传统A*算法的优势;根据积分分离算法和纯追踪算法设计两种轨迹跟踪控制器,通过对两种控制器进行仿真实验,选出适合本设计的控制器,对上位机规划的路径进行跟踪。4、完成运输无人车的系统功能测试。验证了角度传感器能够准确的反馈前轮转角;上位机与主控器通信,实现了上位机实时传输位置信息到主控制器;对GPS定位系统进行测试,验证定位系统采集信息的精度;将轨迹规划算法以及轨迹跟踪控制器应用到实车上,选择学校道路作为测试场地对相关功能进行测试,无人车能够较好的进行跟踪轨迹,跟踪误差较小,能够满足预期目标。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码项目助手 ，原文地址：https://m.bishedaima.com/lunwen/54338.html
