1 重庆交通大学 交通运输学院， 重庆400074
2 同济大学 道路与交通工程教育部重点实验室， 上海01804
针对自动驾驶三维建图中存在的建图不准确以及位姿飘移的问题，利用激光雷达里程计消除惯性测量单元（Inertial Measurement Unit， nIMU）累计误差并通过IMU预积分去除激光雷达点云畸变，形成激光雷达与IMU的紧耦合建图系统；通过增加回环检测因子、激光雷达里程计因子以及IMU预积分因子进行后端图优化，旨在提升定位建图的全局一致性，减小位姿估计误差，降低累计漂移误差。最后，在学校园区实地场景以及利用开源数据集KITTI进行实验验证，实验表明，在选取的学校园区实地场景下，改进算法APE误差均值相较于原算法降低了11.04%，APE均方根误差较于原算法降低了17.35%；改进算法在KITTI数据集场景下平均APE误差下降了10.04%，均方误差方面相较于原算法平均下降了12.04%。研究结果表明，改进的建图方法能够有效提高建图的位姿估计精度与地图构建精度。
激光雷达 自动驾驶 同步定位与建图 传感器融合 lidar automatic driving synchronous positioning and mapping sensor fusion
湘潭大学自动化与电子信息学院，湖南 湘潭 411105
快速识别和精准定位周围目标是自动驾驶车辆安全、自主行驶的前提和基础。针对基于体素的点云三维目标检测方法识别与定位不准的问题，提出一种基于改进SECOND算法的点云三维目标检测算法。首先，在二维卷积骨干网络中引入自适应的空间特征融合模块融合不同尺度的空间特征，提高模型的特征表达能力。其次，充分利用边界框参数之间的关联性，采用three-dimensional distance-intersection over union（3D DIoU）损失作为边界框的定位回归损失函数，使得回归任务更加高效。最后，同时考虑候选框的分类置信度和定位精度，通过一个新的候选框质量评价标准，获得更平滑的回归结果。在KITTI测试集的实验结果表明，所提算法的3D检测精度优于许多以往的算法，与基准算法SECOND相比，在简单难度下的car类和cyclist类分别提高2.86百分点和3.84百分点，中等难度下分别提高2.99百分点和3.89百分点，困难难度下分别提高7.06百分点和4.27个百分点。
自动驾驶 三维目标检测 特征融合 损失函数 激光与光电子学进展
2024, 61(8): 0811005
激光雷达(LiDAR)广泛应用于航天器导航、安防监控、3-D测绘、自动驾驶汽车、**装备及机器人等领域, 具有重要的**和民用价值。雪崩光电二极管(APD)阵列探测技术在LiDAR的发展过程中发挥着至关重要的作用。介绍了LiDAR和APD阵列的应用背景, 综述了APD阵列和LiDAR系统的发展历程和最新进展, 最后总结了APD阵列探测技术的发展前景和研究趋势。
激光技术 激光雷达 探测器 雪崩光电二极管阵列 自动驾驶汽车 laser technique light detection and ranging detectors avalanche photodiode array autonomous vehicle
1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
4 东风汽车股份有限公司商品研发院，湖北 武汉 430100
局部和全局特征提取在车道线检测任务中扮演着重要的角色。针对现有的基于激光雷达的车道线检测算法局部特征提取层次单一和全局特征利用不充分的问题，提出一种基于自适应门控的双路激光雷达三维车道线检测算法。首先，通过全局特征金字塔结构，使网络提取具有全局相关性的多层次车道线特征；其次，引入双路结构，其中辅助通路将底层高分辨率纹理特征压缩到高级抽象语义特征从而降低计算复杂度，压缩的语义特征用作另一个构建的主通路的先验信息，帮助学习更加精细的底层纹理细节，并借助高效移动卷积模块，在缓解注意力窗口效应的同时产生更好的下采样特征；最后，设计一种自适应多阶门控模块来更好地利用上下文信息，使网络自适应捕捉车道线更具代表性的全局纹理及语义特征。在K-Lane数据集上的实验表明，所提算法F1分数较主流模型提升2.6个百分点，在不良光照、严重遮挡条件下分别提升2.7个百分点和3.5个百分点。将算法部署在实车平台实现在线检测，验证了算法的工程实用价值。
激光雷达 自动驾驶 深度学习 三维车道线检测 自适应门控 中国激光
2023, 50(22): 2210001
河南师范大学 物理学院, 河南省红外材料光谱测量与应用重点实验室, 河南 新乡 453007
车载红外图像的目标检测是自动驾驶进行道路环境感知的重要方式。针对现有车载红外图像目标检测算法中内存利用率低、计算复杂和检测精度低的问题，提出了一种改进YOLOv5s的轻量型目标检测算法。首先，将C3Ghost和Ghost模块引入YOLOv5s检测网络，以降低网络复杂度。其次，引进αIoU损失函数，以提升目标的定位精度和训练效率。然后，降低网络结构下采样率，并利用KMeans聚类算法优化先验框大小，以提高小目标检测能力。最后，分别在主干网络和颈部引入坐标注意力（Coordinate Attention，CA）和空间深度卷积模块进一步优化模型，提升模型特征的提取能力。实验结果表明，相对于原YOLOv5s算法，改进算法的模型大小压缩78.1%，参数量和每秒千兆浮点运算数分别减少84.5%和40.5%，平均检测精度和检测速度分别提升4.2%和10.9%。
自动驾驶 目标检测 红外图像 轻量型 YOLOv5s autonomous driving target detection infrared image lightweight YOLOv5s 胡杰 1,2,3,*安永鹏 1,2,3徐文才 1,2,3熊宗权 1,2,3刘汉 1,2,3
1 武汉理工大学现代汽车零部件技术湖北省重点实验室，湖北 武汉 430070
2 武汉理工大学汽车零部件技术湖北省协同创新中心，湖北 武汉 430070
3 武汉理工大学湖北省新能源与智能网联车工程技术研究中心，湖北 武汉 430070
提出一种高性能的基于深度语义和位置信息融合的双阶段三维目标检测（DSPF-RCNN）算法。在第一阶段提出深度特征提取-区域选取网络（DFE-RPN），使网络在俯视图中能够提取目标更深层次的纹理特征和语义特征。在第二阶段提出逐点语义和位置特征融合（ASPF）模块，使网络能够自适应地提取目标最有差异性的特征，增强中心点在特征提取时的聚合能力。算法在KITTI数据集上进行测试，结果显示，测试集中Car类目标在Easy、Moderate和Hard水平的检测精度均优于现有的主流算法，检测精度分别为89.90%，81.04%和76.45%；验证集中Car和Cyclist类目标在Moderate水平的检测精度分别为84.40%和73.90%，相对于主流算法提升了4%左右，推理时间为64 ms。最后将算法部署在实车平台上实现了在线检测，验证了其工程价值。
遥感 自动驾驶 激光雷达 三维目标检测 特征融合 中国激光
2023, 50(10): 1010003
红外与激光工程
2022, 51(7): 20210753
上海理工大学光电信息与计算机工程学院，上海 200093
车道线识别是自动驾驶环境感知的一项重要任务。近年来，基于卷积神经网络的深度学习方法在目标检测和场景分割中取得了很好的效果。本文借鉴语义分割的思想，设计了一个基于编码解码结构的轻量级车道线分割网络。针对卷积神经网络计算量大的问题，引入深度可分离卷积来替代普通卷积以减少卷积运算量。此外，提出了一种更高效的卷积结构LaneConv和LaneDeconv来进一步提高计算效率。为了获取更好的车道线特征表示能力，在编码阶段本文引入了一种将空间注意力和通道注意力串联的双注意力机制模块(CBAM)来提高车道线分割精度。在Tusimple车道线数据集上进行了大量实验，结果表明，本文方法能够显著提升车道线的分割速度，且在各种条件下都具有良好的分割效果和鲁棒性。与现有的车道线分割模型相比，本文方法在分割精度方面相似甚至更优，而在速度方面则有明显提升。
