科研之友
微信
新浪微博
Facebook
分享链接
摘要
现役道路基础设施数字化是我国面向未来道路设施全周期要素化、智能化管理并实现车路协同的必经之路。激光雷达(Light detection and ranging,Li DAR)点云尤其是车载Li DAR可以实现对现状道路三维环境准确、精细化的描述,是目前对物理道路基础设施进行数字化建模的最重要的数据依托之一。由于LiDAR数据在采集过程中一般不封闭交通,导致其构建的数字化点云空间中存在如车辆、行人等非基础设施噪音,这些噪音信息对道路多维特征的准确提取带来了巨大的挑战。但是现有研究在进行道路信息识别与提取时测试的点云数据质量良好,对可能造成提取规则失效的噪音数据考虑不足。因此本研究基于包含非基础设施噪音的复杂Li DAR点云环境,考虑道路上车辆安全通行的需求,考虑单一方法论难以应对多维道路特征差异性的限制,旨在构建路域关键多维特征自动化提取的框架与方法。首先,面向现役道路基础设施上车辆的通行需求,梳理了关键的路域多维信息:平面道路边界、竖向净空、横断面坡度与可视性。针对多维信息提取过程中基础性、共通性的运算步骤,提出了点云空间重构与基于线性编码划分点云子单元的结构性处理算法,其可以将现实世界中具有复杂线形的道路映射到简单直线形式道路的点云重构空间,并可在重构空间中将原始点云数据高效地划分为条形、柱形或体素单元。基于线性编码的划分机制还同时建立了对应于划分子单元的二元矩阵,可实现基于矩阵元素连接性的点云聚类。在400万到1000万点量级的测试场景下(计算设备:内存32G,CPU为Intel(?)Xeon(?)E5-1650 v4@3.6 GHz),通过与现有主流Oc-tree、Kd-tree划分方法的对比,本研究构建的结构性处理算法进行点云划分的时间性能从10~2量级提升至10~1量级;通过与欧式距离聚类方法对比,本研究提出的结构性处理算法进行点云聚类的效率10~1量级提升至10~(-1)量级。然后,在结构性处理算法的基础上,针对公路场景构建了基于相似性与连接性的路面点云分割方法,在道路环境具有显著差异的两段公路点云数据集上,本研究提出的方法进行路面识别的精度与召回率皆超过97%。根据路面勾勒道路边界,以道路边界曲线作为控制对路内噪音数据进行剔除。在边界点云获取的基础上通过多坐标系转换的思想对非基础设施噪音造成的点云缺失区域(Missing point region,MPR)进行了自动化填补。针对城市道路场景将点云数据...
- 出版日期2022
- 单位东南大学
