提出了基于LiDAR点云的实时可视化道路三维视距评价方法。主要贡献为克服传统基于三角网格方法不能精确描述道路三维环境的缺点,提出了一种基于投影规则的目标点可视性评价方法:将视椎体内的点利用柱面透视投影到视平面,提出修正Delaunay三角化的方法重构点云的形状,如果投影的目标点被三角单元包含,则其相对于观测点是不可见的。同时,由于投影的应用,可以观测到驾驶员视角下的道路环境。论文对基于三角网格方法与新提出方法的评价结果进行了对比,归纳了传统网格方法出现错误的主要情况。论文发表于Journal of Transportation Engineering, Part A:Systems. 为该期刊2019年4月-9月的编辑精选文章。
本研究的主要贡献为将卷积神经网络方法引入密集点云环境内驾驶员可视域建模。其主要思路为对于任一驾驶员视点位置,将其前方的道路环境数据以柱面透视投影的形式得到其数字化视平面;在视平面上选择合适的点位,并利用kd-tree算法得到其特定范围内的邻域点,根据邻域点的密集程度的差异选择不同的栅格网间距将邻域点转换为二维的图像;利用JTE论文提出的方法对当前视点的可视性进行标定并获取789,500组代表不同可视性的图片,其中0代表当前视点可见,而1代表不可见;利用建立的训练集对卷积神经网络进行训练,得到自动评估可视性的模型;在实际模型部署时,对于单个视线,利用二分法提高实际障碍物位置的探测的速度,并利用向量化编程方法完成多个视线的同步评估,并完成最终的可视域建模。论文对传统方法与本研究提出的方法进行了精度与效率的对比,在不牺牲可视域建模精度的基础上,本研究的方法计算速度是传统方法的40倍左右。论文发表于交通领域权威刊物Transportation Research Part C:Emerging Technologies
论文链接DOI: https://doi.org/10.1016/j.trc.2019.07.018
本研究的主要贡献探究了动态超车行驶场景下后车受前车影响对其视距的影响。在前期实时视距算法构建的基础上,在模型中加入动态车辆点云;构建了右转平曲线路段上动态超车过程中后车的动态视距变化模型。通过调整被超车辆的尺寸、开始超车时的起始车头时距以及超车过程中的速度差变量,揭示了动态超车条件下后车驾驶员的视线变化规律,分析了不同超车场景下后车视距的变化程度。
主要结论为被超车辆尺寸较大或者较长的车头视距会增加被超车辆对后车驾驶员视距的限制,而较大或者较小的速度差都会导致有较高的碰撞风险。论文发表于Canadian Journal of Civil Engineering,并获得期刊社交媒体推送。
本研究的主要贡献为提出一种在复杂点云环境内勾勒具有路侧分隔带的非机动车道中心线的半自动化框架。研究首先对车载激光点云数据进行了数据重构:利用时间戳信息将点云划分为扫描线集合,然后根据测量车辆的前进方向将扫描线进行方向的调整,
建立扫描模式格网;在此基础上利用高度直方图进行快速的路面过滤;对于非路面点,提出了基于栅格化的快速聚类方法;利用Kmeans进行初步聚类寻找到包含路侧分隔带的类别;开发了单向增长算法分别提取道路左右两侧的分隔带;提取分隔带的边界并利用三次样条曲线与滑动平均方法得到最终的非机动车道中心线;建立了用户交互界面子程序方便半自动提取。该研究可以充分利用现有数据集、降低对低交通量时期测绘的需求,进而降低长期测绘成本;研究成果可以协助交通从业者进行非机动车安全的相关分析。论文发表于遥感交叉学科权威刊物ISPRS Journal of Photogrammetry and Remote Sensing。
本研究的主要贡献为提出一种基于车载激光数据进行自动化公路障碍物探测的方法。
研究首先提出了基于线性索引的点云数据划分方法,可以利用点云的位置信息高效地将原始的无序点云分割为条形、柱形、与体素单元。在点云重构的基础上提出路面识别的算法,利用局部线性加权回归方法勾勒平滑紧致的道路边界,并建立过滤器实现了数据的去噪;然后基于车载激光雷达数据采集机制,完成了点云缺失区域的修补;提出了基于分割的障碍物探测算法,算法效率得到显著提升。研究成果对于进行道路上视线障碍物自动化探测提供方法论基础,为公路基础设施的管理提供相关依据。论文发表于土木自动化权威期刊Journal of Computing in Civil Engineering.
论文链接DOI: https://doi.org/10.1061/(ASCE)CP.1943-5487.0000973
|