1 东南大学 自动化学院，江苏南京20096
2 东南大学 复杂工程系统测量与控制教育部重点实验室，江苏南京10096
3 南京航空航天大学 空间光电探测与感知工业和信息化部重点实验室， 江苏南京211106
为了在严重遮挡以及少纹理等具有挑战性的场景下，准确地估计物体在相机坐标系中的位置和姿态，同时进一步提高网络效率，简化网络结构，本文基于RGB-D数据提出了采用辅助学习的六自由度位姿估计方法。网络以目标物体图像块、对应深度图以及CAD模型作为输入，首先，利用双分支点云配准网络，分别得到模型空间和相机空间下的预测点云；接着，对于辅助学习网络，将目标物体图像块和由深度图得到的Depth-XYZ输入多模态特征提取及融合模块，再进行由粗到细的位姿估计，并将估计结果作为先验用于优化损失计算。最后，在性能评估阶段，舍弃辅助学习分支，仅将双分支点云配准网络的输出利用点对特征匹配进行六自由度位姿估计。实验结果表明：所提方法在YCB-Video数据集上的AUC和ADD-S<2 cm结果分别为95.9%和99.0%；在LineMOD数据集上的平均ADD（-S）结果为99.4%；在LM-O数据集上的平均ADD（-S）结果为71.3%。与现有的其他六自由度位姿估计方法相比，采用辅助学习的方法在模型性能上具有优势，在位姿估计准确率上有较大提升。
六自由度位姿估计 辅助学习 深度图像 三维点云 6-DoF pose estimation auxiliary learning RGB-D image 3D point cloud
1 北京交通大学 机械与电子控制工程学院， 北京00044
2 北京交通大学 智慧高铁系统前沿科学中心， 北京100044
3 北京特种机械研究所，北京10014
地铁隧道断面轮廓参数测量过程中，需要对高速激光雷达点云进行高精度系统标定。特别是大场景隧道环境，对标定模板要求高，标定过程复杂，检测精度影响大。针对此问题，本论文提出了一种新颖的适用于地铁隧道轮廓点云的标定方法，并基于双激光雷达测量系统，进行了算法研究。本方法设计了专用的手推行便携式标定系统，利用由点云数据提取的标定板线特征，建立目标函数，通过混合了遗传算法和Levenberg-Marquardt算法的非线性优化方法，寻找全局最优解从而实现对激光雷达的标定。实验结果表明：本方法对于两侧钢轨顶轨的标定误差在±1.5 mm以内；静态测量精度X误差在±1 mm内、Y误差在±4 mm内；当采集系统以5 km/h的速度进行数据采集时，动态测量精度X误差在±4 mm内、Y误差在±6 mm内。本方法能够实现激光雷达的高精度标定，算法鲁棒性强，具有易操作、环境适应性强的特点。
激光雷达 地铁隧道 点云标定 共面约束 隧道断面 Lidar metro tunnels point cloud calibration coplanar constraints tunnel section
1 西安理工大学机械与精密仪器工程学院，陕西 西安 710048
2 西安市气象局，陕西 西安 710016
为准确且精细地识别云相态，提出一种基于模糊逻辑识别云相态的优化算法，基于不同云粒子特征参数对T函数系数进行了调整。考虑了回波反射率因子衰减和温度对云相态识别准确性的影响，利用毫米波云雷达订正后的回波反射率因子、径向速度、谱宽和微波辐射计探测的连续时空温度，作为优化后的模糊逻辑算法的输入参数。优化后的模糊逻辑算法在原有云粒子相态（冰晶、雪花、混合相态、液态云滴、毛毛雨和雨滴）识别的基础上，还可实现对过冷水和暖云滴的识别。利用该算法对2022年2月6日陕西省西安市一次降雪过程的云粒子相态进行识别，将近地面的云粒子相态结果与同址地面降水现象仪记录的降水粒子相态进行对比，二者探测的相态有较高的一致性，说明优化后的算法能准确且精细地识别云粒子相态。
大气光学 云粒子相态识别 模糊逻辑优化 过冷水 毫米波云雷达 光学学报
2024, 44(12): 1201010
1 西安建筑科技大学资源工程学院，陕西 西安 710055
2 西安建筑科技大学西安市智慧工业感知、计算与决策重点实验室，陕西 西安 710055
针对露天矿无人矿卡运输作业中路况差、光照强和灰尘大等原因导致小尺寸落石检测困难和实时性差的问题，提出一种使用固态激光雷达检测露天矿非结构化运输道路小尺寸落石的方法。首先使用具有双回波技术的激光雷达进行数据采集，减少灰尘干扰并提取车辆前方可行驶区域；然后采用基于扇面的直线拟合地面分割算法分割地面，实现对有坡度的非结构化粗糙路面的彻底分割；之后引入八叉树的分层网格树模型进行邻域查找，提高邻域查找的速度，引入双色最近对构建图，快速生成聚类簇，引入自适应聚类半径ε，进行聚类并输出小尺寸落石的盒模型。实验结果表明：相较于使用k-d树加速的DBSCAN算法，所提方法的正检率提升9.61个百分点，检测时间缩短379.77 ms。
露天矿 无人驾驶 障碍物检测 激光雷达点云 密度聚类 激光与光电子学进展
2024, 61(8): 0812006
1 昆明理工大学机电工程学院，云南 昆明 650500
2 云南省先进装备智能制造技术重点实验室，云南 昆明 650500
针对移动机器人在进行传统2D环境的定位时所存在的定位精度低且定位实时性差等问题，提出一种改进的迭代近邻点（ICP）算法的定位方法。首先，建立位姿搜索空间，采用由低到高的分辨率对搜索空间进行逐层搜索，并结合多点云密度进行部分点云扫描匹配，排除非最优位姿，加速搜索过程；在进行点云匹配中，采用帧对图的方式，有效地利用了历史帧信息；对得到的最优位姿进行稀疏矩阵位姿优化，进一步提高定位精度。在SLAM Benchmark数据集上进行测试，结果表明所提方法的算法效率是现流行的Cartographer算法的1.8倍到4.9倍之间，同时平移误差较小。并利用Turtlebot2机器人进行实际测试，结果表明所提方法的定位误差相比Cartographer和Gmapping均有明显的降低，且实时性较好；与传统的自适应蒙特卡罗重定位（AMCL）相比，平移误差均值降低了0.035 m，旋转误差均值降低了0.001 rad，具有较高的重定位精度。
激光雷达 移动机器人定位 多分辨率 迭代近邻点 多点云密度 激光与光电子学进展
2024, 61(8): 0811001
烟台大学计算机与控制工程学院，山东 烟台 264000
现在大多数基于图卷积的点云语义分割方法忽略了边构建的重要性，不能充分地表示局部区域的特征。基于此，提出一种结合注意力机制的边增强的图卷积网络（AE-GCN）。首先，将邻居点特征加入边中，而不仅仅是中心点与邻居点的特征差异；其次，加入注意力机制保证点云的局部信息得到更充分的利用；最后，采用U-Shape的分割结构，确保网络更好适应点云的语义分割这一任务。在两个公开数据集Toronto_3D和S3DIS上的实验结果表明，与目前的大多数方法相比，AE-GCN取得了具有竞争力的结果：在Toronto_3D数据集的平均交并比为80.3%，总体准确度为97.1%；在S3DIS数据集的平均交并比为68.0%，总体准确度为87.2%。
三维图像处理 点云语义分割 注意力机制 边增强 图卷积 激光与光电子学进展
2024, 61(8): 0837009
1 厦门理工学院 电气工程与自动化学院，福建 厦门 361024
2 中国科学院 福建物质结构研究所，福建 福州 350108
3 中国科学院 海西研究院 泉州装备制造研究中心，福建 泉州 362000
4 厦门市高端电力装备及智能控制重点实验室，福建 厦门 361024
激光雷达数据由于其几何特性，被广泛应用于三维目标检测任务中。由于点云数据的稀疏性和不规则性，难以实现特征提取的质量和推理速度间的平衡。本文提出一种基于体柱特征编码的三维目标检测算法，以Pointpillars网络为基础，设计Teacher-Student模型框架对回归框尺度进行蒸馏，增加蒸馏损失，优化训练网络模型，提升特征提取的质量。为进一步提高模型检测效果，设计定位引导分类项，增加分类预测和回归预测之间的相关性，提高物体识别准确率。本网络所做改进没有引入额外的网络嵌入。算法在KITTI数据集上的实验结果表明，相比于基准网络，在三维模式下的平均精度值从60.65%提升到了64.69%，鸟瞰图模式下的平均精度值从67.74%提升到70.24%。模型推理速度为45 FPS，在提升检测精度的同时满足了实时性要求。
激光点云 三维目标检测 知识蒸馏 分类置信度 laser point cloud 3D object detection knowledge distillation classification confidence
