《城市場景動態雷射點雲的時域關聯隨機場分析》是依託武漢大學，由李明擔任項目負責人的面上項目。
基本介紹
- 中文名：城市場景動態雷射點雲的時域關聯隨機場分析
- 項目類別：面上項目
- 項目負責人：李明
- 依託單位：武漢大學
項目摘要,結題摘要,
項目摘要
本項目針對無人駕駛車輛的Velodyne雷達採集動態點雲的特點(如：360度全景、高重疊度、前後幀關聯、動態長時間序列)，引入時域關聯信息到馬爾科夫隨機場點雲分類模型的節點類別標記集中；並將點雲幀間類別、形態變化的一致性代入到下一個滑動視窗隨機場的最佳化過程中。近似實現了一個逐點同時進行點雲分類和類別變化跟蹤的動態分析識別方式，成為一種新穎的具有時域動態信息分析能力的關聯馬爾科夫網點雲分類分析模型。.創新體現在：（1）在選題上，選擇現有點雲分類研究並沒有涉及的時域關聯方向，而且對比已有點雲動目標跟蹤方法來說，該模型可實現更精細的逐點精確分類和運動分析；（2）在思路上，在節點和序列兩個不同層次上，基於關聯馬爾科夫網模型引入、分析、表達時域關聯信息，極有潛力在時空一致性上大幅度提高動態點雲分類的精確度和有效性。.算法最終將用於移動測圖系統的自動數據加工，為無人駕駛提供高精度全息的地圖數據。
結題摘要
本項目針對無人駕駛車輛的Velodyne雷達採集動態點雲的特點(如：360度全景、高重疊度、前後幀關聯、動態長時間序列)，引入時域關聯信息到馬爾科夫隨機場點雲分類模型的節點類別標記集中；並將點雲幀間類別、形態變化的一致性代入到下一個滑動視窗隨機場的最佳化過程中。近似實現了一個逐點同時進行點雲分類和類別變化跟蹤的動態分析識別方式，成為一種新穎的具有時域動態信息分析能力的關聯馬爾科夫網點雲分類分析模型。基於以上的算法創新，並結合深度學習的迅猛發展，項目完成了真實場景VeloSLAM+DATMO，實現將點雲幀間類別、形態變化的一致性代入到下一個滑動視窗隨機場的最佳化過程中，參與場景分割和點雲匹配過程，相關代碼和效果已經公開。隨後本研究實現動態點雲的3D深度學習，實現圖像和點雲特徵融合的3D目標分割，相關算法在KITTI性能對比優異，已經用於東風和上汽的自動駕駛車輛，用於為無人駕駛提供高精度全息的地圖數據，同時簡化算法用於實時的路面範圍探測和動態目標分割。
