适应性点云采集和对汽车激光雷达进行升级采样
Applied optics
|September 14, 2023
概括
自动驾驶汽车需要更好的传感器. 本研究介绍了一种自适应激光雷达扫描策略,以改善对象检测和点云质量,以提高车辆自主性.
科学领域:
- 机器人技术和自主系统
- 计算机视觉 计算机视觉
- 传感器技术 传感器技术
背景情况:
- 自动驾驶汽车需要准确的环境感知才能安全运行.
- 激光雷达传感器提供高范围,精度和稳定性,但往往缺乏足够的空间分辨率.
- 现有的传感器融合和点云处理方法在细节采集方面存在局限性.
研究的目的:
- 为了提高自动驾驶应用的激光雷达数据的空间分辨率.
- 开发一种自适应扫描策略,以优化对象检测的点密度.
- 为了提高点云表示的质量,而不会增加整体数据负载.
主要方法:
- 激光雷达扫描的适应性范式,对感兴趣的对象优先考虑更高的分辨率.
- 与辅助摄像头和物体探测器的集成,用于初始区域提案.
- 拟议的适应性采样与常规采样技术的比较,用于点云采样.
主要成果:
- 适应性策略提高了激光雷达数据中对象表示的质量.
- 与常规采样方法相比,它实现了更好的上方采样点云质量.
- 该方法有效地平衡了对象细节与背景数据密度.
结论:
- 适应性激光雷达扫描是克服空间分辨率限制的可行策略.
- 这种方法提高了传感器数据质量,以改善自动驾驶汽车的感知.
- 优化点利用导致更强大的环境传感.
