摘要：【目的】目前,LiDAR退化环境检测方法存在需要启发式阈值、计算间接评价指标、检测效率低的问题。【方法】本文提出一种基于改进XGBoost的LiDAR退化环境检测方法。实现了从环境的几何结构角度直接检测单帧点云的退化情况。本文基于LiDAR点云数据构建分类特征体系,用于建立XGBoost决策树。在此基础上,采用模糊综合评价算法计算每个特征的综合重要性度量指标,用于构建有效的特征子集,从而提高检测精度。同时,通过一种基于Spearman秩相关系数的双向特征筛选策略来加速构建特征子集,从而提高模型的训练效率。针对XGBoost的初步检测结果,本文基于滑动窗口策略和多数投票策略对其进行二次修正,提高最终的LiDAR退化环境检测的精度。为验证本文方法的有效性以及对LiDAR退化环境的检测效果,通过搭建实验平台,采集真实场景数据并设计了相关实验。【结果】实验结果表明,本文方法各组成部分的有效性均能够被合理地验证;LiDAR退化环境检测成功率为94.41%,非退化误检测率为1.24%;相较于LOAM退化检测模块,检测成功率提高了10.91%,误检测率降低了95.26%,检测效率提高了56.97%。【结论】本文方法实现了高效率、高精度的LiDAR退化环境检测。

摘要：【目的】由于点云的非结构化和无序性,现有的深度学习点云分类网络存在局部特征和全局特征挖掘不充分并且缺乏有效的上下文特征融合的问题,难以实现地物精细分类。因此,本文提出了一种顾及局部-全局特征多尺度卷积注意力网络的点云地物分类方法。【方法】首先,针对点云的非结构性,构建局部加权图学习中心点和邻域点的位置关系,动态调整核权重,以获得更具代表性的局部特征。同时提出全局图注意力模块,考虑各点之间的全局空间分布,应对点云无序性的同时,可以有效捕获全局上下文特征,从而有效整合不同尺度信息。此外,设计自适应加权池化模块进一步实现局部和全局特征的自适应融合,最大程度提高网络的分类性能。【结果】应用开源Toronto-3D点云数据集和实测校园点云数据集验证本文方法有效性,实验结果表明,在Toronto-3D数据集本文方法的OA和MIoU分别为97.21%和85.46%,相较于Pointnet++、DGCNN、RandLA-Net、BAAF-Net和BAF-LAC等网络模型,OA提升了1.99%~8.21%,MIoU提升了3.23%~35.86%,在校园数据集本文方法的OA和MIoU分别为97.38%和85.70%,OA提升了0.58%~10.53%,MIoU提升了2.01%~32.01%。【结论】本文方法实现了复杂场景下高精度、高效率的自动化地物精细分类。

摘要：针对室内定位过程中超宽带(UWB)信号容易受到非视距(NLOS)环境的影响从而降低定位的精度和稳定性的问题,该文提出了基于粒子群优化支持向量机(PSO-SVM)和自主完好性监测(RAIM)的误差识别算法,通过粒子群优化(PSO)算法对支持向量机(SVM)模型参数进行优化,将优化后的支持向量机模型用于UWB NLOS信号的识别,并利用自主完好性监测算法将异常的UWB测距值剔除。实验结果表明,该文算法能够对NLOS信号进行准确的识别,并有效提升了NLOS环境下UWB定位的精度及稳定性,平面定位误差可控制在0.26 m以内,东、北方向的均方根误差分别为0.09、0.11 m。

摘要：针对超宽带(UWB)异常数据中的粗差和非视距(NLOS)误差等严重影响UWB定位系统精度和可靠性的问题,设计了一种UWB定位系统自主完好性监测方法。该方法采用基于数理统计的卡方全局检验和标准正态分布检验的故障定位理论,通过各基站观测值残差构建检验统计量,通过误警率和概率分布函数进行检验门限设置。将检验统计量和设置的检验门限进行比较,对观测值的故障情况进行检验、定位、监测,从而剔除UWB观测值中的异常数据。实验结果表明,该方法能够有效剔除测距异常值,提高UWB定位系统的定位解算精度和可靠性。