人工智能的发展促进了自动驾驶汽车的发展,自动驾驶汽车不仅给人们的生活带来便利,同时也降低了交通事故率。自动驾驶技术是智能车高级阶段,其中环境感知层是智能汽车关键技术之一,成为研究机构和很多企业的研究对象。基于低速智能车研究平台,利用激光雷达与相机,采集赛道上的障碍物信息,分别完成点云聚类处理和障碍物识别;采用激光雷达与视觉信息融识别算法,完成了对赛道障碍物的融合识别,从而获得可靠性和稳定性较高环境感知层信息。本文主要研究内容如下:1.激光雷达和相机的时空同步处理利用张正友棋盘格法标定相机获取相机内参,运用MATLAB工具箱完成了激光雷达和相机的联合标定,采用激光雷达向下兼容的方法完成了激光雷达和相机数据频率同步,实现了激光雷达和相机空间和时间的同步,为下一步信息融合奠定了基础。2.基于激光雷达的赛道点云聚类处理利用激光雷达采集赛道上的信息,获取点云数据,基于赛道区域建立感兴趣区域,利用RANSAC(Random Sample Consensus)算法完成了地面点云分割,采用自动计算初始半径ε和最小邻域Minpts的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)聚类算法完成地面上点云的聚类,实现了对障碍物有效的聚类。3.基于卷积神经网络的图像识别利用卷积神经网络YOLO-v5s算法对输入的图像进行Mosaic数据增强、Backbone骨干网络卷积和Neck网络池化,输出多特征图像。利用人工采集的数据和KITTI数据集训练模型,并利用训练好的模型对赛道上的障碍物测试。试验结果表明该模型的精确率和召回率曲线波动平稳,平均精确率均值(Mean Average Precision,MAP)值达到80%以上,该模型能满足准确识别目标的任务。4.激光雷达和视觉信息融合识别及试验基于激光雷达和相机优势互补的原则,提出了激光雷达与视觉融合的障碍物识别方法,为验证该方法可行性和可靠性,在低速智能车上分别进行了信息融合识别试验及单一传感器与信息融合识别对比试验。试验统计数据表明:相机的识别率为93.63%,激光雷达聚类正确率90.34%,融合后95.26%,验证了信息融合的可行性。
为对残煤复采综放工作面液压支架进行合理的选型,以晋煤仙泉煤矿2201残煤复采综放工作面为研究背景,采用现场地质资料调查、理论分析、数值模拟等方法,对该地质条件下的工作面液压支架进行合理的选型。结果表明:复采工作面过空巷时形成的基本顶长关键块长度为空巷宽度、煤柱失稳极限宽度、基本顶周期来压步距之和,并通过分析最终确定的支架合理工作阻力为9 532 k N、初撑力为7 144 k N(31.5 MPa)、中心距为1 750 mm、支架高度为2.5~4.2m。通过研究结果结合复采工作面现场情况,选定ZFY10200/25/42两柱掩护式放顶煤液压支架为合理架型。
暂无评论