摘要：针对赛道环境下欧氏聚类算法检测锥桶不准确的问题,提出了一种基于改进欧氏聚类算法的锥桶检测方法。首先,通过机器人操作系统(ROS)采集点云;再对点云预处理,找到感兴趣区域(ROI)后,利用随机采样算法分离地面和锥桶的点云;然后,将距离和阈值模型化;接着,设计出面向赛道环境的区域划分方法来改进欧氏聚类算法,利用动态阈值聚类分割出锥桶点云;最后,通过Matlab平台验证算法。在两种赛道环境下进行实车试验,聚类分割的准确率分别达到93.98%和99%。试验结果表明,所提方法能够准确地检测赛道中的锥桶。

摘要：目标物体尺寸和方位识别是移动机器人在未知环境下实现自主搬运的关键技术,主要难点是如何从混有地面和周边环境信息的3维点云数据中提取物体信息,并准确识别其方位和尺寸。常用的方法是通过3维点云建立物体包围盒,但是现有的基于PCA（主成分分析）或基于边缘点云提取的包围盒建立方法对物体边缘点云噪声比较敏感。文中主要针对室内搬运场景中方形箱式物体,提出1种基于3维点云欧氏聚类和RANSAC（随机采样一致性）边界拟合的物体尺寸和方位识别算法。首先,采用点云截断、体素滤波降采样和离群点移除对数据进行预处理,然后采用基于K-D树的快速聚类算法进行物体与物体之间的分割,接着将分割后物体3维点云进行2维投影。由于投影后物体2维点云边缘点密度远高于内部点云密度,采用RANSAC算法对边缘点云进行直线拟合。该直线能够近似物体边缘点云分布的期望均值,受物体边缘点云噪声的影响较小。实验表明该算法精度较高、速度较快、鲁棒性好,可用于移动机器人物体搬运作业等领域。

摘要：为解决移动传感网部署过程中存在的簇头节点更新质量不佳和节点生存率较低等不足,提出了一种基于匹配信任度机制的移动传感网簇头更新算法。首先,引入K-means算法,利用误差平方根函数来完成网络初始聚类,以快速定位聚类中心,提升聚类形成速度。随后,综合考虑备选簇头剩余能量、备选簇头与当前簇头的欧氏距离、备选簇头覆盖范围内节点总数3个因素,设计了基于匹配信任度的簇头更新方法,按权值对各因素进行平均分配,进而将信任度权值最高的节点作为备选簇头,从而选举出生存质量较高的节点。仿真实验表明,算法具有更高的网络稳定运行时间和簇头节点生存率,以及更低的节点故障概率。其中,网络稳定运行时间提升了80%以上,簇头节点生存率保持在90%以上,节点故障概率也较低,具有明显的优势。

摘要：针对不同地物之间点云特征的多样性和树木点云分布的无规律性,导致一般方法分类精度低的问题,提出一种基于对象的地面激光点云阶层式分类方法.首先采用欧氏距离聚类法将非地面点云分割;然后提出一种法向散乱系数计算方法,并用于树木的提取;最后结合点云对象的点个数、高程均值和平面拟合残差特征实现其他地物的分类.实验结果表明,该方法能有效地将复杂地物分类,相比于投影点密度法和支持向量机法分类精度更高.

摘要：铁路轨道的局部变形直接影响火车的高速安全行驶。为实现铁路轨道的自动化巡查,提出一种从车载激光点云中提取轨面与枕木的方法。首先,利用基于高程约束的欧氏聚类对原始点云数据进行预处理,得到路基区域;然后,对路基区域进行网格划分,并对每个网格内的点云进行高程判断,从而提取出轨面点云;最后,利用枕木与砟石的几何形态差异,设计出一种面向轨道点云的动态阈值分割方法,以提取枕木点云。对多个路段的铁路轨道进行实验,结果表明,本文方法仅利用点云坐标信息就能实现不同区域的轨面与枕木的自动检测,平均提取质量分别达到97.8%和93.6%,验证了本文方法的可行性与有效性。

摘要：研究基于开源机器人运行系统ROS(Robot Operating System)架构的移动机器人目标跟踪系统的设计与实现。考虑目标人检测的准确性和跟踪鲁棒性的需要,首先对跟踪目标进行特征提取,并利用深度信息实现基于最近点位置信息的目标跟踪。跟踪过程中通过欧氏聚类法去除噪声信息,在深度信息无法解决干扰物影响跟踪效果的情况下,使用基于颜色信息的Cam-Shift跟踪方法实现目标跟踪,提高了系统抗干扰能力。实验结果验证了该系统的可行性和稳定性。

摘要：传统的城市树木特征提取方法通常为实地调查法,耗时耗力且成本高。采用车载移动激光扫描系统,可获取三维地理坐标与高密度、高精度的点云。利用移动激光扫描系统MLS可以对城市树木进行提取。工作流程由三部分组成。先进行地面点的去除处理,再通过欧氏距离聚类对地物进行分类,最后利用归一化分割提取树木。结果表明,城市公路的树木提取率可达90%,表明该方法实用有效,值得推广应用。