基于激光雷達的非結構化地形特征提取與表征.pdf

1、野外機器人和非公路車輛常行駛于非結構地形，地面的特征和激勵形式對其行駛平穩(wěn)性至關重要?，F(xiàn)有的研究主要是集中在結構化的路面部分，可以結合功率譜密度給出道路的激勵形式的數(shù)學表達式;而對于非結構化路面卻并沒有相應的數(shù)學描述。同時，關于路面的輪廓獲取，大部分研究采用了傳統(tǒng)機械化的儀器或使用加速度等傳感器進行數(shù)據(jù)的采集，這將極大地限值數(shù)據(jù)采集的可行性。為此，本文提出了利用二維激光雷達結合姿態(tài)傳感器來獲取非結構化地面的輪廓數(shù)據(jù)的方法，并結合機器學習

2、模型，預判并標記出對行駛有影響的局部地面區(qū)域。具體研究工作為:
　　首先構建了基于激光雷達和姿態(tài)傳感器的數(shù)據(jù)采集系統(tǒng)。在數(shù)據(jù)采集方面，本文將采用控制線程控制多個采集線程同步采集的方式，并利用動態(tài)規(guī)劃等算法進行激光雷達的采集數(shù)據(jù)和機器人自身的姿態(tài)數(shù)據(jù)匹配以獲取行駛地面的輪廓數(shù)據(jù)。
　　然后，基于地形輪廓點云數(shù)據(jù)的特征，對非結構化地面做以平整性分析。本文采用將路面的起伏度從時域轉(zhuǎn)換到頻域的分析方法，結合地面的功率譜密度總結歸納出

3、關于典型的非結構化地面的數(shù)學描述。
　　此外，對于所獲得的路面輪廓的三維點云數(shù)據(jù)，本文將進行有針對性的局部特征的獲取，將結合機器學習算法訓練出可以進行地面局部區(qū)域分類的機器學習模型;再利用訓練的模型，篩選出在機器人或車輛行駛過程中掃描到的地形數(shù)據(jù)中存在對機器人或車輛自身的行駛平穩(wěn)性造成影響的區(qū)域，給以標注。
　　綜上所述，本文最終完成關于激光雷達與姿態(tài)傳感器構建出的數(shù)據(jù)采集系統(tǒng);同時利用功率譜密度函數(shù)整理出關于非結構化地面的