摘要：针对非结构化环境下自主式地面车辆(ALV)的负障碍物检测问题,提出一种基于多激光雷达与组合特征的方法.首先,设计了一种具有互补能力的多激光雷达安装方式.其次,提出了基于幅向局部凸性和后沿壁局部密集特征的64线雷达负障碍物特征点对检测方法,以及基于径向距离跳变和后沿壁局部密集特征的32线雷达负障碍物特征点对检测方法.进而从负障碍物的时空融合角度,采用贝叶斯法则对多传感器多帧特征点对进行融合,然后采用DBSCAN(density-based spatial clustering of applications with noise)对融合后的特征点对进行聚类与过滤.最后对数据进行栅格化,提取负障碍物栅格.实验结果表明,本方法在非结构化复杂地形环境下具有良好的负障碍物检测性能.

摘要：提出了一种基于学习分类器(LCS)的避碰路径规划方法,设计了集成适应度函数,在确保安全避碰的前提下,解决自主地面车(ALV)在狭隘环境下的路径优化问题.不同环境的仿真实验结果表明,遗传算法和学习分类器结合用于自主地面车的路径规划是收敛的,提高了ALV在狭隘环境中快速发现安全路径的能力.

摘要：闭环检测是同时定位与建图(Simultaneous localization and mapping,SLAM)的重要组成部分,能够有效减小SLAM系统中的累积误差,并且如果在定位与建图过程中跟踪丢失,还可以利用闭环检测进行重定位。与传统的手动设计的特征(hand-crafted feature)相比,从神经网络中学习到的图像特征具有更好的环境不变性和语义识别能力。考虑到基于陆标(landmark)的卷积特征能够克服整个图像特征对视点变化敏感的缺陷,文中提出了一种新的闭环检测算法。其首先通过卷积神经网络的卷积层直接识别出图像的感兴趣区域生成陆标,然后对图像中识别出的每个陆标提取卷积特征,生成图像的最终表示以检测闭环。为了验证算法的有效性,在典型的数据集上进行了对比实验,结果表明所提算法具有优异的性能,且即使是在极端的视点和外观变化的情况下仍然具有高鲁棒性。

摘要：行为规划是无人车驾驶的关键技术。基于视觉的行为规划提供了廉价的解决方案,但是由于道路图像分布的复杂性和图像计算量的庞大,使得无人车行为规划系统的设计变得困难。针对这一问题,提出一种基于神经网络的无人车行为规划系统,该系统首先将道路图像降维编码,并将编码空间约束为正态分布空间,再在编码空间中实现对无人车的行为控制。实验结果表明,该系统解决了直接在图像空间建模和计算复杂的困难,并能够较好地对无人车进行行为规划和有效地预防错误控制的发生。