基于3D点云语义地图表征的智能车定位.docx
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
"基于 3D 点云语义地图表征的智能车定位" 本文主要研究基于 3D 点云语义地图表征的智能车定位方法,分为语义分割、地图表征、定位 3 个部分。语义分割的对象包括地面、交通标志牌、杆状物等静态物体。地图表征模型由一系列位置节点组成,各位置节点由语义编码和高精度全局位置共同表征。定位时,首先利用地图节点的全局位置进行 GPS 粗定位,然后采用语义编码渐进匹配的策略完成节点级定位。 本文的研究主要解决了现有的智能车定位方法的缺陷,如基于激光雷达的定位方法存在累积误差问题、地图定位存在闭环检测和优化困难问题等。同时,本文的方法也解决了语义地图中单一方法的缺陷,如 RANSAC 分割地面、Pearson 相关系数识别交通标志牌等。 在语义分割部分,本文采用了俯仰角评估的方法对地面点云分割,基于反射强度和形状特征实现交通标志牌的筛选,利用基于对象分析的方法分割杆状物。这些方法都可以很好地解决语义分割的难题。 在地图表征部分,本文采用了语义编码对地图节点作语义表征,利用组合惯导采集的高精度 GPS 对地图节点作全局位置表征,再由一系列位置节点组成语义地图表征模型。这种方法可以很好地解决地图表征的难题。 在定位部分,本文采用了语义编码渐进匹配的策略完成节点级定位,首先利用地图节点的全局位置进行 GPS 粗定位,然后确定与当前车辆位置相距最近的表征模型的节点。这种方法可以很好地解决定位的难题。 本文的方法可以很好地解决智能车定位中的难题,如累积误差、闭环检测和优化困难等问题。同时,本文的方法也可以很好地解决语义地图中的难题,如单一方法的缺陷等问题。因此,本文的方法可以广泛应用于智能车定位领域。 本文的方法可以分为以下几个部分: 1. 语义分割:对地面、交通标志牌、杆状物等静态物体进行语义分割,采用俯仰角评估、反射强度和形状特征、基于对象分析的方法等。 2. 地图表征:对地图节点进行语义编码和高精度全局位置表征,组成语义地图表征模型。 3. 定位:首先利用地图节点的全局位置进行 GPS 粗定位,然后采用语义编码渐进匹配的策略完成节点级定位。 本文的方法可以很好地解决智能车定位中的难题,是一种非常实用的方法。
剩余17页未读,继续阅读
- 粉丝: 3907
- 资源: 1万+
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助