马 羊 Ma, Yang
Personal Academic Website

部分成果介绍

提出了基于LiDAR点云的实时可视化道路三维视距评价方法。主要贡献为克服传统基于三角网格方法不能精确描述道路三维环境的缺点,提出了一种基于投影规则的目标点可视性评价方法:将视椎体内的点利用柱面透视投影到视平面,提出修正Delaunay三角化的方法重构点云的形状,如果投影的目标点被三角单元包含,则其相对于观测点是不可见的。同时,由于投影的应用,可以观测到驾驶员视角下的道路环境。论文对基于三角网格方法与新提出方法的评价结果进行了对比,归纳了传统网格方法出现错误的主要情况。论文发表于Journal of Transportation Engineering, Part A:Systems. 为该期刊2019年4月-9月的编辑精选文章。


论文链接DOI: https://doi.org/10.1061/JTEPBS.0000228

本研究的主要贡献为将卷积神经网络方法引入密集点云环境内驾驶员可视域建模。其主要思路为对于任一驾驶员视点位置,将其前方的道路环境数据以柱面透视投影的形式得到其数字化视平面;在视平面上选择合适的点位,并利用kd-tree算法得到其特定范围内的邻域点,根据邻域点的密集程度的差异选择不同的栅格网间距将邻域点转换为二维的图像;利用JTE论文提出的方法对当前视点的可视性进行标定并获取789,500组代表不同可视性的图片,其中0代表当前视点可见,而1代表不可见;利用建立的训练集对卷积神经网络进行训练,得到自动评估可视性的模型;在实际模型部署时,对于单个视线,利用二分法提高实际障碍物位置的探测的速度,并利用向量化编程方法完成多个视线的同步评估,并完成最终的可视域建模。论文对传统方法与本研究提出的方法进行了精度与效率的对比,在不牺牲可视域建模精度的基础上,本研究的方法计算速度是传统方法的40倍左右。论文发表于交通领域权威刊物Transportation Research Part C:Emerging Technologies


论文链接DOI: https://doi.org/10.1016/j.trc.2019.07.018

本研究的主要贡献探究了动态超车行驶场景下后车受前车影响对其视距的影响。在前期实时视距算法构建的基础上,在模型中加入动态车辆点云;构建了右转平曲线路段上动态超车过程中后车的动态视距变化模型。通过调整被超车辆的尺寸、开始超车时的起始车头时距以及超车过程中的速度差变量,揭示了动态超车条件下后车驾驶员的视线变化规律,分析了不同超车场景下后车视距的变化程度。

主要结论为被超车辆尺寸较大或者较长的车头视距会增加被超车辆对后车驾驶员视距的限制,而较大或者较小的速度差都会导致有较高的碰撞风险。论文发表于Canadian Journal of Civil Engineering,并获得期刊社交媒体推送。


论文链接DOI: https://doi.org/10.1139/cjce-2019-0138

本研究的主要贡献为提出一种在复杂点云环境内勾勒具有路侧分隔带的非机动车道中心线的半自动化框架。研究首先对车载激光点云数据进行了数据重构:利用时间戳信息将点云划分为扫描线集合,然后根据测量车辆的前进方向将扫描线进行方向的调整,

建立扫描模式格网;在此基础上利用高度直方图进行快速的路面过滤;对于非路面点,提出了基于栅格化的快速聚类方法;利用Kmeans进行初步聚类寻找到包含路侧分隔带的类别;开发了单向增长算法分别提取道路左右两侧的分隔带;提取分隔带的边界并利用三次样条曲线与滑动平均方法得到最终的非机动车道中心线;建立了用户交互界面子程序方便半自动提取。该研究可以充分利用现有数据集、降低对低交通量时期测绘的需求,进而降低长期测绘成本;研究成果可以协助交通从业者进行非机动车安全的相关分析。论文发表于遥感交叉学科权威刊物ISPRS Journal of Photogrammetry and Remote Sensing。

论文链接DOI: https://doi.org/10.1016/j.isprsjprs.2020.07.009

本研究的主要贡献为提出一种基于车载激光数据进行自动化公路障碍物探测的方法。

研究首先提出了基于线性索引的点云数据划分方法,可以利用点云的位置信息高效地将原始的无序点云分割为条形、柱形、与体素单元。在点云重构的基础上提出路面识别的算法,利用局部线性加权回归方法勾勒平滑紧致的道路边界,并建立过滤器实现了数据的去噪;然后基于车载激光雷达数据采集机制,完成了点云缺失区域的修补;提出了基于分割的障碍物探测算法,算法效率得到显著提升。研究成果对于进行道路上视线障碍物自动化探测提供方法论基础,为公路基础设施的管理提供相关依据。论文发表于土木自动化权威期刊Journal of Computing in Civil Engineering.


论文链接DOI: https://doi.org/10.1061/(ASCE)CP.1943-5487.0000973

本研究的主要贡献为面向复杂城市道路场景构建了基于点云数据的可视性分析框架。研究首先采用ISPRS JPRS论文中提出的点云重构方法对城市道路点云数据进行重构,在此基础上利用JCE(2021,35(4))论文中提出的子单元划分方法进行体素化,并引入3D u-net进行障碍物的语义分割与剔除;在优化后的点云空间中,沿着车辆的运行轨迹建立虚拟扫描方法(Virtual Scanning Method, VSM)模拟自动驾驶车辆的动态运行,通过生成目标物与环境物体深度图进行对比,进而实现可视性的自动化评价;在VSM方法的基础上引入自动驾驶领域的深度神经网络模型SqueezeSegV2来辅助进行障碍物的自动化识别,基于semanticKITTI数据集构建训练模型,并利用Paris-Lille 3D 数据集正面了迁移学习的有效性。本研究提出的框架可实现对城市道路盲区可视化输出,且具有较高的运行效率,有助于辅助城市道路安全管理。论文发表于智慧建造权威期刊Automation in Construction.

论文链接DOIhttps://doi.org/10.1016/j.autcon.2021.104014
本研究的主要贡献为基于数字孪生思想构建了交叉口位置冲突个体之间通视性实时检测框架。
研究用点云数据(体素化)作为对现实交叉口静态基础设施的表征,利用路侧摄像设备采集到的运动轨迹数据作为交叉口个体的动态表征;采集现实交叉口的大量轨迹数据,建立了轨迹图,在此基础上建立了基于多智能体的实时冲突识别方法;在识别到冲突个体对之后,针对动态的障碍物(车身)与静态的障碍物构建了混合式的通视性评价模型,并采用并行计算思想提升运行效率。通过在东南大学与新加坡Jurong West街道采集到的数据测试了本研究提出的框架的有效性,平均每时间步的运行时间在0.1s内,满足实时监测的需求。论文发表于交通领域权威期刊《Transportation Research Part C》。

路侧感知单元是车路协同系统中重要组成部分,作为联合感知的重要硬件支撑—路侧LiDAR的采购与安装的成本很高,需要对进行优化布设以实现工程效益的最大化。本研究针对现有路侧LiDAR优化皆在人工搭建的简化三维环境无法有效映射现实世界场景的局限性,引入高精度点云实现对物理世界公路环境的三维表征,并提出了四步骤的路侧LiDAR组群优化布设框架。首先构建无监督分类方法自动化提取公路场景中的路面区域,并将路面区域作为联合感知的目标区域。然后在路面区域基础上结合半自动化方法勾勒道路边界,并自动化生成候选路侧LiDAR的位置。再分别建立physics-based与基于U-net 的传感器模型,实现虚拟感知。在候选LiDAR位置虚拟式地布设传感器,建立候选位置-目标感知的矩阵,并利用0-1整数规划方法求解优化布设结果。在实际采集的公路路段上测试了本研究提出的框架的有效性,结果表明,路侧LiDAR优化布设结果具有场景依赖性,需要针对性构建类似于本研究中的半自动化或自动化程序进行优化布设。相比于physics-based的传感器模型,基于U-net的模型虽然效率更高,但是其得到的优化布设结果不具有可靠性。论文发表于智慧建造领域权威期刊Automation in Construction。