基于Mesh 的地面激光点云分离方法研究
Research on Separation Method of Ground Laser Point Cloud Based on Mesh
查看参考文献15篇
|
文摘
|
由于激光雷达扫到地面上的点对地面障碍物的检测有较大影响,为准确识别障碍物,需要对障碍物点云和地面点云进行准确分离。针对传统分离方法存在计算量大、场景通用性差等缺点,提出基于三维网格(Mesh)图的点云分离方法。该方法通过将采集到的点云数据连成Mesh 图,根据地面点与其他点在Mesh 图上的属性不同,找到地面基准点并将地面属性蔓延至其他各点,最终将所有的地面点分离。实验结果表明,该方法在保证算法运行效率的同时,具有良好的地面点云分离效果。 |
|
其他语种文摘
|
Lidar has a great influence on the detection of ground obstacles due to the point swept to the ground.In order to accurately identify obstacles,it is necessary to accurately separate the obstacle point cloud and the ground point cloud.To address the shortcomings of traditional separation methods such as large computational complexity and poor scene versatility of the scene,a point cloud separation method based on three dimensional Mesh graph is proposed.The method connects the collected point cloud data into a Mesh map,finds the ground reference point according to different attributes of the ground point and other points on the Mesh map,spreads the ground attributes to other points and finally separates all the ground points.Experimental results show that the proposed method has a good ground point cloud separation effect while ensuring operational efficiency of the algorithm. |
|
来源
|
计算机工程
,2019,45(6):32-36,44 【扩展库】
|
|
DOI
|
10.19678/j.issn.1000-3428.0051022
|
|
关键词
|
无人驾驶汽车
;
激光点云
;
梯度
;
三维网格图
;
节点属性
|
|
地址
|
燕山大学机械工程学院, 河北, 秦皇岛, 066004
|
|
语种
|
中文 |
|
文献类型
|
研究性论文 |
|
ISSN
|
1000-3428 |
|
学科
|
自动化技术、计算机技术 |
|
基金
|
河北省教育部科学技术研究项目
|
|
文献收藏号
|
CSCD:6513199
|
参考文献 共
15
共1页
|
|
1.
李克强. 智能网联汽车(ICV)技术的发展现状及趋势.
汽车安全与节能学报,2017,8(1):1-14
|
CSCD被引
151
次
|
|
|
|
|
2.
贺汉根. 智能交通条件下车辆自主驾驶技术展望.
中国科学基金,2016,30(2):106-111
|
CSCD被引
1
次
|
|
|
|
|
3.
黄如林. 基于激光雷达的无人驾驶汽车动态障碍物检测、跟踪与识别方法.
机器人,2016,38(4):437-443
|
CSCD被引
12
次
|
|
|
|
|
4.
罗栩豪. 汽车辅助驾驶系统动态目标检测方法.
计算机工程,2018,44(1):311-316
|
CSCD被引
1
次
|
|
|
|
|
5.
蔡润彬.
地面激光扫描数据后处理若干关键技术研究,2008
|
CSCD被引
8
次
|
|
|
|
|
6.
薛春铭. 基于博弈论的人类驾驶与无人驾驶协作换道模型.
计算机工程,2017,43(12):261-266
|
CSCD被引
6
次
|
|
|
|
|
7.
唐德权. 基于大数据平台的动态车辆路径调度算法.
计算机工程,2018,44(1):74-78
|
CSCD被引
4
次
|
|
|
|
|
8.
Asvadi A. 3D LiDAR-based static and moving obstacle detection in driving environments: an approach based on voxels and multi-region ground planes.
Robotics and Autonomous Systems,2016,83:299-311
|
CSCD被引
18
次
|
|
|
|
|
9.
Li Jun. Deep neural network for structural prediction and lane detection in traffic scene.
IEEE Transactions on Neural Networks and Learning Systems,2017,28(3):690-703
|
CSCD被引
22
次
|
|
|
|
|
10.
Douillard B. On the segmentation of 3D LIDAR point clouds.
Proceedings of 2011 IEEE International Conference on Robotics and Automation,2011:2798-2805
|
CSCD被引
14
次
|
|
|
|
|
11.
Zermas D. Fast segmentation of 3D point clouds: a paradigm on LiDAR data for autonomous vehicle applications.
Proceedings of 2017 IEEE International Conference on Robotics and Automation,2017:5067-5073
|
CSCD被引
10
次
|
|
|
|
|
12.
马飞跃. 无人驾驶汽车环境感知与导航定位技术应用综述.
汽车电器,2015(2):1-5
|
CSCD被引
2
次
|
|
|
|
|
13.
Zhou Ying. A fast and accurate segmentation method for ordered LiDAR point cloud of large-scale scenes.
IEEE Geoscience and Remote Sensing Letters,2014,11(11):1981-1985
|
CSCD被引
7
次
|
|
|
|
|
14.
Veias M. Collar line segments for fast odometry estimation from velodyne point clouds.
Proceedings of 2017 IEEE International Conference on Robotics and Automation,2016:4486-4495
|
CSCD被引
1
次
|
|
|
|
|
15.
靳洁.
基于小波分析的地面三维激光扫描点云数据的滤波方法研究,2013
|
CSCD被引
1
次
|
|
|
|
|
了解气象卫星更多信息，请访问