在铁路建设及运营阶段,侵入限界的异物对既有线的安全行车构成极大威胁。将复杂的空间侵限检测转换为简单的平面内异物检测,研究利用二维激光测距传感器构建三维幕墙的侵限检测方法。在异物检测过程中,正常通过的列车不能认作异物,必须设计合理的算法检测并予以剔除。由于列车主要体现在轨道平面的检测结果中,重点研究通过分析扫描点云的分布特征对轨道平面内侵限物体进行分类的算法,提出了利用测量序列极值点作为核心对象的快速DBSCAN(density-based spatial clustering of applications with noise)聚类方法,并利用点簇的运动及分布特征判断是否为正常通过列车。现场试验表明,该方法能够有效区分侵限异物和正常通过的列车。
定位与建图是车辆未知环境自主驾驶的基础,激光雷达依赖于场景几何特征而视觉图像易受光线干扰,依靠单一激光点云或视觉图像的定位与建图算法存在一定局限性。本文提出一种激光与视觉融合SLAM(Simultaneous Localization And Mapping)的车辆自主定位算法,通过融合互补的激光与视觉各自优势提升定位算法的整体性能。为发挥多源融合优势,本文在算法前端利用激光点云获取视觉特征的深度信息,将激光-视觉特征以松耦合的方式输入位姿估计模块提升算法的鲁棒性。针对算法后端位姿和特征点大范围优化过程中计算量过大的问题,提出基于关键帧和滑动窗口的平衡选取策略,以及基于特征点和位姿的分类优化策略减少计算量。实验结果表明:本文算法的平均定位相对误差为0.11 m和0.002 rad,平均资源占用率为22.18%(CPU)和21.50%(内存),与经典的A-LOAM(Advanced implementation of LOAM)和ORB-SLAM2(Oriented FAST and Rotated BRIEF SLAM2)算法相比在精确性和鲁棒性上均有良好表现。
