基于激光雷达障碍识别相关文章概览

激光雷达障碍识别综述

前方障碍识别相关工作

基于激光雷达障碍识别相关文章概览

目录

[0]：Survey of Automatic Target Recognition Technology for LADAR ................................ 1

[3] Alex Teichman----Towards 3D Object Recognition via Classification of Arbitrary Object

Tracks-HDL .......................................................................................................................... 2

[0]智能车辆的障碍物检测研究方法综述 ............................................................................ 2

[0]基于Boosting的智能车辆多类障碍物识别[参考文献] .................................................. 3

[3]Practical object recognition in autonomous driving and beyond—Alex ............................. 3

[1]Real-time Object Classification in 3D Point Clouds Using Point Feature Histograms ........ 4

内容提要：国际国内相关工作的进展，归纳总结相关工作的方法，存在的问题，及可以进一步解决的问题

（激光雷达有优点，目标识别是热点）

[0]：Survey of Automatic Target Recognition Technology for LADAR

①当前基于激光雷达自动目标识别的研究和应用。②当前的问题：预处理；目标检测；特征提取；样本库；性能评价。③pre-processing, target detection, feature extraction, recognition, modeling and simulation, performance evaluation六个方面的研究纵览。

激光雷达的优点：LADAR can detect much more targets than other sensors, such as infrared imaging and radar imaging. Range image and intensity image can be obtained through using LADAR, and they are suitable for automatic target recognition。能检测到更多目标，实时获得距离和强度图像能方便用于自动目标识别。Laser imaging radar has high guidance precision, high angle resolution and range resolution。高精度，高分辨率

基于激光雷达的自动目标识别是当前热点。At present the research of automatic target recognition technology for LADAR is a hot problem。

激光雷达障碍识别综述

前方障碍识别相关工作

[3]： Alex Teichman----Towards 3D Object Recognition via Classification of Arbitrary Object Tracks-HDL

主要内容：

First, we describe a novel approach to the classification of arbitrary object tracks which performs well on a large, real-world data set. This algorithm makes progress towards the overall goal of object recognition in dynamic 3D environments. 提出了一种新方法能够对所有跟踪的物体进行分类，且在大量、实时数据中表现良好。

Second, we adapt the ideas of hybrid generative / discriminative models [1] to alleviate the overly strong conditional independence assumptions made when combining log odds estimates over time.融合了 思想 %%几率估计

Third, we provide a large dataset of labeled and tracked 3D point clouds to the research community.收集了一个大的含标记、跟踪信息的样本库

autonomous vehicle research platform 自主车研究平台

动态环境中前方障碍识别是当前无人车研究领域未解决的基本挑战之一。解决这一问题包括：分割、跟踪和分类三部分。在分割和跟踪已经解决的前提下，就可以基于EM-like methods or multi-hypothesis trackers 解决。

相关工作：

障碍识别通常有两种方法。第一、静态场景中的多类物体识别问题依然是一个热点问题。第二是基于跟踪对指定类别障碍进行识别。这类方法需要对不同类的待识别物体提出不同的跟踪模型。一般来说，用class-specific trackers特定的跟踪模型跟踪特定类会取得更好的效果，但耗时更长。对于那些特殊的系统，如那些只用来进行人类的识别人机交互系统，这种策略是完全可以胜任的。本文提出了一种分类方法在增加类别的情况下不需要繁重的其它工作。 已有的关于跟踪任意物体的分类方法很少。[14]中的方法是无监督的，本文的方法是有监督的，但是能处理从典型街道环境中获得的含不同类别物体的大量数据。本文的工作与[15]有相似之处，[15]融合2D雷达和单目图像跟踪15米之内的行人和车辆。一个明显的问题是还需要一个更实用稳定性更高障碍识别方法来识别更远处的物体，本文的方法填补了这一缺口（解决了这一问题）。

分割方法：connected components algorithm! 2D Grid ---clustered with a flood fill algorithm----太大太小不要。跟踪物体的中心用线性卡尔曼滤波器。

基本思想：首先假设物体已正确分割和跟踪。用boosting算法 根据分割特征得到一个弱分类器，根据跟踪特征得到一个弱分类器，两个分类器输入离散贝叶斯滤波器得到一个强分类器。

[0]：智能车辆的障碍物检测研究方法综述

激光雷达具有波束窄、波长 短、分辨力极高等独特优点, 可以获取目标的多种信息, 如反射特性、距离信息、速度信息等。因此, 激光雷达被广泛应用于移动机器人、智能车辆自

激光雷达障碍识别综述

前方障碍识别相关工作

主导航、自动化生产等研究领域

任何一种有效的障碍物检测系统不能只依靠单一传感器进行环境感知, 正如司机驾驶车辆时只使用眼睛或耳朵一样, 都不可能正确深入的获得车辆周围环境信息。因此, 利用多种传感器信息融合技术检测智能车辆前方障碍物正获得广泛的应用。多传感器信息融合技术具有获得信息量丰富、检测鲁棒性及正确率高、应用范围广等诸多优点, 也是将来环境感知技术研究重点与难点之一。障碍物检测是智能车辆研究领域中的研究热点,是环境感知研究中的重要内容。任何一种智能移动平台, 要实现其在未知环境下的自主导航, 都必须以有效而可靠的环境感知为基础。虽然我国在智能车辆自主导航技术方面与世界发达国家存在一定差距, 但只要我们勇于创新, 不断进行深入、细致的研究, 必会在该领域跟踪并赶超世界先进水平, 为我国在智能车辆领域提供理论指导和技术支持。

[0]：基于Boosting的智能车辆多类障碍物识别[参考文献]

统一的“车辆-行人- 非机动车辆- 背景”多类识别系统仍未见报道

二叉树支持向量机(BT-SVM)

本文将前向障碍物定义为6 种模式：(1)中小型汽车A ；(2)大型客货车B ；(3)摩托车

C ；(4)自行车D ；(5)行人E ； (6)属于非障碍物的背景F 。

[3]：Practical object recognition in autonomous driving and beyond—Alex

障碍识别的综述。

值得借鉴和引用的地方！

激光雷达障碍识别综述

前方障碍识别相关工作

1.

2. 障碍识别的意义和应用：自主出租车可以识别前方的障碍如：行人、车辆等；个人小机器人可以识别家里的特定物体；农业机器人可以识别杂草和农作物！ 识别系统的性能要求：准确性；实时性；能分多类（Inherently multi-class，至少

十类）；简单通用的模型能够使用于各种传感器，而不需要手动调试大量的参数；

能够在不用大量手工标记样本的前提下学习分类器；可以增加新的待识别类别或

特征且不需要重新学习；尽量少的手工特征处理（提取和选择）。

分割用深度信息；跟踪用简单的卡尔曼滤波---前两步是无需模型的。 3.

[1]：Real-time Object Classification in 3D Point Clouds Using Point Feature Histograms 主要内容：

分割方法--standard connected component algorithms

特征提取—主要提取两个级别的特征：物体级别和局部区域级别

物体级别的特征?四维{Imax,?I,?I,V}，首先需要计算物体每个点的{x,y,z,I}，再根据这四个量计算物体的反射率最大值、平均值、标准差和物体的体积

局部区域级别特征（没懂）?首先计算L1，L2，L3，A1，A2，A3，A4，A5；根据这八个特征计算直方图？？还需重点看

分类方法—v-SVM??

[4]：What-Could-Move-Finding-Cars-Pedestrians-and-Bicyclists-in-3D-Laser-Data 12 可以翻译实现润色后作为论文的分割一章！

以前的工作都是认为分割已经做得很好，而直接将研究重点放在目标分类上！而本文的创新点在于将研究重点放在分割上！

分割方法：基于图论的聚类方法（用欧拉最小生成树）；用启发式方法搜索边长… 已有去边的方法：a)去掉违反一致性准则的边；b)使得边长方差最小

本文依据和方法（EMST-RANSAC algorithm）：同一物体上的点，表现在最小生成树上为物体上两点之间的距离比较相近且接近于传感器的采样距离；而不同物体上的点，正好相反，距离非常大。本文用RANSAC范例预测outliers,有outlier 的地方将最小生成树分开，增加新的一类！

点法方向预测的方法：点p邻域r内的点，PCA，最小的特征向量方向，即为法方向！ 分割：一个图G，由许多?（p邻域内点集合）组成，从顶点出发，计算相邻两个的相异性度量…