一、714SD雷达对周围环境的影响（论文文献综述）
朱永成[1]（2021）在《基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究》文中指出即时定位与建图（Simultaneous Localization And Mapping,SLAM）技术是现今市场上众多应用的关键技术之一,包括热门的自动驾驶应用。自动驾驶是多种技术的综合应用,包括深度学习、SLAM、路径规划、自动控制等。SLAM主要为其提供定位信息和周围场景地图的描述,所以一个鲁棒的、稳定的SLAM系统对自动驾驶应用是至关重要的。由于汽车行驶的环境复杂多样,所以独立的视觉SLAM或者激光SLAM很难满足精准的定位和建图的需求。另外,目前自动驾驶汽车上配备的传感器也是丰富的,充分利用已有的资源提高自动驾驶的安全性是非常有必要的。激光雷达传感器价格昂贵,随着计算机视觉的发展,激光被视觉替代成为一种趋势,所以本文放弃激光雷达传感器,选择多相机、惯性测量单元（Inertial Measurement Unit,IMU）、轮式里程计传感器在开源系统VINS-MONO的基础上研究融合SLAM为自动驾驶应用提供可靠定位和建图服务。本文主要工作如下:1.动态物体对SLAM的影响很大,往往导致视觉部分引入错误的估计从而使系统不稳定甚至崩溃。本文提出一种基于SegNet深度学习网络的动态物体检测与剔除算法。SegNet网络负责语义分割得到掩膜,之后通过形态学处理扩大掩膜边缘和滤除噪点。同时应用基于深度信息和极线距离的两种方法检测动态点,之后对两者的动态点集合进行融合,再利用融合后的动态点修复掩膜。最后利用修复后的掩膜剔除动态点,得到更精准的静态特征点来服务SLAM系统。2.当汽车两次经过同一个地方并且行驶方向不一致的时候,针对传统多相机闭环检测算法无法成功检测到闭环的问题,本文实现了多相机交叉闭环检测。将多个相机的观测放到同一个数据库中,在查找匹配时采用交叉查找,使得其中一个相机可以和其他任一相机发生闭环,提高闭环的召回率。3.基于多相机、IMU、轮式里程计的融合SLAM应用于自动驾驶的系统设计。本文在VINS-MONO开源系统的基础上抛弃IMU中的加速度计,用轮式里程计替代加速度计提供位移信息,重新设计系统在线初始化的策略。因为陀螺仪和轮式里程计的测量采用了预积分理论,本文推导了预积分的过程,最后给出系统紧耦合优化的目标残差函数。
欧德品[2]（2021）在《基于Kubelka-Munk模型与深度回归网络的高光谱土壤成分反演》文中研究指明土壤是人类生产与生活最重要的自然资源之一,对人类的生存与发展至关重要。目前,我国耕地面临着土壤质量退化严重、重金属污染等突出问题,严重威胁农作物产量与粮食安全。而传统的耕地质量监测手段存在经济成本高、效果差、时效性低等问题,应用高光谱遥感技术能够实现周期性、大尺度、高精度的耕地质量监测,是当前的研究热点之一。目前基于高光谱遥感技术的土壤成分反演研究,主要借助传统的统计学习方法构建土壤质量反演模型,存在小样本数据量导致的过拟合现象,并且难以获取具有反演机理解释性的敏感波段,同时也缺乏基于物理模型的去除土壤成分干扰因子光谱校正模型。针对此问题,论文在深入研究Kubelka-Munk理论的基础上,获取泛化性强的土壤有机质光谱特征,构建了消除土壤水分影响的光谱校正模型,阐释了航空高光谱数据在土壤有机质反演中的水分影响因子,提升了土壤有机质反演的精度。最后,结合半监督学习与深度学习算法,构建了土壤有机质、土壤重金属As和Cr的反演模型,并重点分析了土壤成分在研究区域的空间分布特性。本文的主要研究内容和贡献包括:（1）为获取有效的土壤有机质敏感光谱信息,提出基于Kubelka-Munk（KM）理论厚度修正的土壤有机质反演模型。首先设计了基于K-M理论的土壤厚度观测实验,通过选取不同的实验样本与不同材料的背景容器,研究土壤厚度与背景容器材料对光谱的影响。结合室内测量光谱数据,对基于K-M理论的厚度方程进行修正,并利用修正后的厚度方程求取不同有机质含量的土壤样本相应的散射系数和吸收系数。将散射系数与土壤有机质含量进行线性拟合,获得在2.197μm处的有机质成分敏感波段。该方法合理解释了土壤有机质含量对光谱特征的影响机理,同时基于此敏感波段的有机质含量反演具有显着的精度优势,绝对系数精度高达0.97。（2）由于土壤水分对有机质在光谱上的敏感信息表现造成较大影响,针对基于航空高光谱数据的大范围土壤有机质反演制图,提出了基于K-M理论的土壤水分去除光谱修正模型,以提高土壤有机质在成像光谱数据上的特征表达。首先利用混合像元分解方法提取研究区耕地的光谱信息,然后结合基于K-M理论的土壤含水量模型实现研究区土壤含水量反演,最后利用基于朗伯-比尔定量描述的土壤光谱与土壤含水量模型构建水分去除光谱修正算法。结果表明,提出的土壤水分去除光谱修正模型能够有效地消除机载高光谱影像中土壤水分的影响,突出土壤有机质的光谱敏感特征,特别是能够显着提升短波红外范围的光谱特征表达。但对土壤重金属的特征提升则不明显,甚至是降低其相关性。利用水分去除后的成像光谱数据在0.6918)处敏感波段进行反演,并与支持向量机等回归建模比较。结果表明,提出的水分去除光谱修正模型能够有效提升成像高光谱数据有机质反演精度,物理模型精度至少提升22%,统计回归方法精度至少提升19%。最后,通过地形湿度指数和河网提取方法综合分析了土壤有机质的分布特征与地形影响。（3）土壤中重金属含量较小,难以构建有效的物理反演模型。而传统统计方法需要充足的样本数量以保证精度要求,在小样本反演任务中则会出现精度较低等问题,提出了半监督深度回归模型（Semi-DNNR）,以保证小样本条件下的土壤有机质、土壤重金属As和Cr含量的反演精度。首先构造深度回归网络进行深层特征提取,并结合一种新的特征组合策略,优化传统特征选择方法以解决特征的随机性缺陷。以地理学第一定律为指导,将空间邻近度策略引入半监督样本增选过程,以保证增选样本伪标签精度的同时扩增训练样本容量,解决深度回归过程中由于小样本数据训练而导致的过拟合问题。最后在半监督深度回归模型中加入伪样本动态自更新和模型参数共享机制来提升深度回归网络的参数微调能力。与传统回归方法的反演结果进行精度对比,半监督深度回归模型具有显着的精度优势,土壤有机质、土壤重金属As和Cr含量预测集精度分别是0.71、0.82和0.63。最后,参考研究区实地调研和整理收集的统计数据,结合土壤成分空间分布信息进行污染来源分析,土壤重金属As的空间分布与土壤有机质对As的吸附与络合作用有关,导致As也具有土壤有机质相似的聚集效应。
宋洁[3]（2021）在《祁连山森林碳储量与森林景观格局时空变化研究》文中指出高纬度山地森林由于受人为干扰的影响相对较小,已被证实成为不断增长的陆地碳汇的主要贡献者。但由于高纬度山地森林中贮存的碳极容易受到气候变化的影响,使得其森林景观及森林碳储量在数量和空间分布上都存在很大的不确定性。监测高纬度山地森林景观及碳储量的时空变化情况,对理解全球碳循环具有重要的意义。祁连山是我国西部重要的生态安全屏障和固碳场所。2017年6月祁连山国家公园体制试点的设立,更为实现祁连山生态系统整体保护和系统修复奠定了坚实的基础。在此背景下,本研究基于多源遥感数据、样地调查数据、空间环境数据以及相关辅助数据,综合运用3S现代技术手段,在对森林类型进行分类的基础上,对祁连山森林碳储量现状进行估算。并从森林面积、森林覆盖度、森林景观格局角度分析祁连山1990-2018年森林景观时空动态变化情况。建立基于光学遥感变量的森林碳储量估算模型,监测祁连山森林碳储量1990-2018年间时空分布变化。并基于不同海拔、坡向、水平范围以及行政区域空间梯度对森林景观和森林碳储量时空变化模式进行分析。基于不同的空间尺度,分析祁连山森林景观格局与森林碳储量之间的相关关系。为理解山地森林生态系统碳循环以及制定祁连山国家公园森林资源保护及生态系统管理措施提供参考。本研究主要结果如下:（1）相比仅依据光谱特征进行分类,依据光谱及垂直结构综合特征分类时,总体分类精度提高了10.67%,具有相似光谱特征但不同垂直结构的不同植被类型分类精度提升作用明显,森林范围的识别精度提高。地形信息加入后森林类型的分类精度提升了23.94%,显着提升了森林类型识别精度。相比海拔信息,坡向信息对提升分类精度效果更为显着。季相特征能够对不同森林类型的识别提供帮助,而不同波段组合虽然对地物增强的效果不同,但其对分类精度几乎没有影响。（2）2018年祁连山国家公园森林总碳储量为30.09×106t,平均森林碳储量密度为47.55t/hm2。公园内针叶林总碳储量约为阔叶林碳储量的5.5倍,但阔叶林森林平均碳密度稍高于针叶林。不同空间梯度森林碳储量的分布有较大的不同,对于不同的海拔梯度,海拔2770～3770m以及海拔1770～2770m分别拥有最多的森林碳储量和最高的森林平均碳密度;对于不同的坡向,森林碳储量与森林平均碳密度分布从高到低均依次为阴坡>半阴坡>半阳坡>阳坡;对于不同的水平范围,森林碳储量分布从高到低依次为东段>中段>西段,而森林平均碳密度在中段最高,接下来依次为东段和西段,西段森林碳储量与碳密度与东中两段差距较大;对于不同的行政梯度,甘肃省境内森林碳储量与碳密度均大于青海省。其中不同海拔梯度森林碳储量与森林平均碳密度差距最大,接下来森林碳储量与森林平均碳密度均差距较大的为不同行政区域,山区复杂的地形和不同行政区域管理措施的不同对森林碳储量及碳密度均有较大的影响。（3）1990-2018年间,祁连山国家公园内森林面积变化呈现先上升,后减少的趋势。其中1990-2010年,公园内针叶林和阔叶林面积均逐年增加。2010年起,阔叶林面积下降,2015-2018年,区内针叶林及阔叶林面积均较前一时期有所减少,且阔叶林下降幅度较大。不同空间梯度森林面积变化的分布不同,森林面积变化波动较大的区域主要分布在以畜牧业生产为主的地区。1990-2018年,祁连山国家公园森林覆盖度占比最大的值域区间均为70～100%,研究区内森林覆盖度较高的区域主要分布在祁连山中、东段针叶林分布较为密集的地区。2015年以前,区内森林植被覆盖未发现有明显的变化。2015-2018年,研究区森林覆盖度出现下降现象。针叶林作为研究区内的绝对优势景观,其景观异质性程度、景观复杂程度、景观聚集程度均较阔叶林高,而阔叶林的分布相较针叶林而言在区内更为分散。1990-2018年间,区内森林景观格局基本呈现逐步破碎化、逐步分散、以及逐渐均匀的趋势,森林生态系统脆弱度逐渐升高。（4）1990-2018年间,祁连山国家公园森林碳储量增加了1.09×106t。1990-2010年,公园森林碳储量持续增长,从2010年起,区内森林碳储量出现下降趋势。基于不同的空间梯度分析森林碳储量的时空变化模式,发现各空间梯度上森林碳储量变化强度排序与其所分布森林范围面积排序基本一致。且对研究区而言,相对于森林碳密度,森林面积对森林碳储量的蓄积影响更大。（5）随着尺度的增加,与平均森林碳密度具有相关关系的景观格局指数逐渐减少,说明随着尺度的增加,森林碳密度的影响因素也愈加复杂。与森林碳密度具有显着相关关系的景观格局指数其与森林碳密度间的相关关系模型平均拟合程度均较低,说明景观格局指数与森林碳密度之间的复杂关系较难用简单的线性关系直接进行描述。相反,与森林总碳储量具有相关性的景观格局指数随着研究尺度的增大逐渐增多。斑块总面积、斑块个数、景观形状指数、平均斑块面积、面积加权平均形状指数、斑块连结度指数以及聚集指数在各尺度上均与森林总碳储量呈显着的正相关关系,说明通过增加森林景观面积、增加景观形状复杂度以及景观聚集度和连通性,能够提升森林碳储量的蓄积。而斑块密度在各尺度上均与森林碳储量具有显着的负相关关系,说明减小森林破碎化程度能够在有限空间内为基于发挥最大固碳功能的森林空间布局优化提供帮助。斑块总面积与森林总碳储量间的幂函数关系在各尺度下其模型拟合系数均达到0.95以上。综上所述,本文分别以垂直结构特征、光谱特征、季相特征和地形特征为分类依据,探讨了提升祁连山山地森林面积提取及类型识别精度的可行方法,为森林景观及森林碳储量变化监测研究奠定了基础;以GPS定位、RS遥感以及GIS空间分析技术为基础,梳理了近30年间祁连山重点区域森林景观及森林碳储量时空动态变化情况,并统计了祁连山森林景观及森林碳储量在不同空间梯度的变化模式;以森林碳贮存功能为例,探讨了高海拔山地森林生态系统基于尺度的森林景观格局与森林生态系统功能间的相互关系,为景观生态学“格局—过程—尺度”核心理论的研究提供了实验实例。在未来的研究工作中,探索基于不同传感器的多源数据对历史影像森林类型进行更准确的分类并对森林碳储量变化进行估算,量化气候变化背景下山地区域环境的改变及人为活动因素对山地森林碳储量变化产生的影响,是下一步的研究方向。
王红[4]（2021）在《基于激光雷达的旋翼无人机检测与跟踪技术研究》文中研究指明虽然无人机以其低成本、高安全性以及强机动性等优点具有广泛的应用,但是其对外界环境及人员会带来潜在的安全威胁。因此,有必要开展无人机的目标检测与跟踪方法研究,为开展有效地无人机飞行监控提供技术支撑,达到避免发生人身伤害和物质损伤。无人机的目标检测根据其检测设备的不同主要分为机器视觉和激光雷达两类方法。其中,机器视觉的方式是采用相机等视觉传感器,借助于计算机视觉领域的方法与技术研究实现目标的检测。因为视觉传感器成本低以及易于产业化,所以机器视觉的方法广泛应用在视频监控和无人驾驶等领域。然而,机器视觉的方法较难探测到目标的深度信息,对于无人机的检测以及跟踪而言,影响其实际应用效果。相比于机器视觉的方法,使用激光雷达作为传感器能够探测到目标的深度信息,因此本文采用基于激光雷达的方法实现无人机的检测和跟踪。本文具体的研究内容如下:首先,将目前应用较为广泛的旋翼无人机作为研究对象,提出基于激光雷达的目标检测与跟踪的总体方案。在硬件方案设计方面,深入分析国内外典型产品的特性后,确定适用于本文的混合固态型激光雷达,同时结合目前多类型嵌入式处理器特征和数据处理需求,选择异构片上系统Zynq实现数据采集与处理;在软件方案方面,设计数据采集程序所需的交叉编译方案,提出适用于点云数据的聚类检测算法和基于粒子滤波的跟踪算法方案。其次,在软件算法方案的基础上,提出基于欧式距离聚类的目标检测算法和基于粒子滤波的目标跟踪算法。无人机点云数据样本的稀疏性导致较难应用机器学习的方法进行目标检测,因此本文采用基于欧式距离聚类的算法进行对目标的检测,通过设置聚类中一个类别容许的最大点云数和最小点云数以及相邻两点之间的容忍度阈值实现无人机的检测。在此基础上,利用粒子滤波算法可以解决非线性非高斯问题的优点,构建无人机的状态转移方程,同时建立激光雷达的观测方程,通过建立粒子滤波的模型实现无人机的跟踪。利用基于聚类和粒子滤波的方法,完成对无人机的检测和跟踪。最后,完成无人机检测与跟踪的综合实验验证。利用异构片上系统实现对激光雷达的数据采集单元的构建,完成Linux操作系统的移植,搭建可以运行算法的操作环境。在操作系统的环境下,利用交叉编译工具在主机上生成可以在异构片上系统运行的可执行程序,实现数据采集程序的移植。为验证算法的有效性以及硬件功能的实现,设计并完成三组实验,其中检测精度实验验证基于聚类的目标检测算法的准确性,检测范围实验表明激光雷达能够检测到无人机的范围,无人机动态飞行实验验证粒子滤波算法可以实现对无人机的跟踪,同时能够验证Linux操作系统的成功移植以及数据采集程序的正确运行。
陈联君[5]（2021）在《基于多源数据的雪崩危险性评价 ——以北疆地区为例》文中研究说明雪崩作为冰冻圈受全球气候变暖而引起的自然灾害之一,其相关研究可增强对冰冻圈等各个圈层的运行与相互作用机理的理解,对全球变化等研究具有重要的理论意义。雪崩会威胁人类生命财产安全,破坏交通、电力等人类生存所依赖的基础公共设施,引发泥石流等次生灾害,并对周边环境、生态系统产生深远影响。因此,开展雪崩危险性评价研究对于防灾减灾等具有重要的现实意义。当前雪崩危险性评价研究较少,且存在以下问题:（1）大多仅开展评价方法体系研究,具体实例研究较少或试验区较小;（2）评价因子不全或重要因子如积雪状态和气象要素使用较少,导致其初始表征能力不足,从而影响后续评价精度;（3）评价模型大多基于专家经验法等,且不能反映因子之间的交互关系,不够客观,导致模型泛化能力差;（4）缺乏从“预防”角度出发的长时间序列危险性分布图和相应的方法体系。因此,如何提取关键评价因子,并建立客观的因子表征模型,从而构建区域尺度、长时间序列的雪崩危险性评价方法,是提升雪崩危险性评价精度和雪崩预防能力的关键科学问题。针对该问题,本文以“一带一路”核心地带、雪崩高发的新疆北部地区为研究区,开展了三个方面的研究,取得了如下成果:（1）MODIS积雪产品去云算法提出了两种积雪产品去云算法:（1）基于高程分区和地温阈值的改进Snow L去云算法:Snow L算法采用陆地、积雪区平均高程将云划分为陆地或积雪,从而实现去云。然而,在地形变化较大的区域,积雪区平均高程可能“过高”、陆地平均高程可能“过低”,使得实际类别为积雪的云被划归为陆地、实际类别为陆地的云被划归为积雪,导致虽然去云,但实际造成了积雪产品精度损失的后果。因此,提出基于研究区实际情况采用高程进行分区,并提取分区内的平均陆地、积雪区高程;以高程分区内的平均地温为阈值,对云进行综合划分。（2）基于单月地温极值滤波的去云算法:采用单月地温区间的上限值、下限值,进一步修正云的误划分。实验结果表明:提出的去云算法提升了精度,最高可达20%。得到的每日无云积雪产品为后续雪深反演、雪崩危险性评价提供了精准的范围。（2）顾及不同高程分区和土地覆盖类型的雪深反演模型采用地面气象站雪深数据,微波亮度温度数据的不同频段、不同极化特征,及多元线性回归、随机森林（Random forest,RF）和CHANG算法,构建了顾及不同高程分区和土地覆盖类型的雪深反演模型。实验结果表明:基于RF算法、且顾及高程分区时,反演模型最佳,均方根误差（Root Mean Square Error,RMSE）为6.9cm;基于RF算法的模型次之（RMSE为8.0cm）;且优于基于多元线性回归和CHANG的算法。结合最优的反演模型及每日无云积雪产品,得到了高精度的每日雪深分布图。雪深产品作为后续雪崩危险性评价的关键因子,可以评价因子的初始表征能力。（3）顾及雪深的长时间序列雪崩危险性评价方法基于历史雪崩点数据,雪深、地形、植被和气象等因子,及层次分析法（Analytic Hierarchy Process,AHP）、网络分析法（Analytic Network Process,ANP）和二元逻辑回归算法,构建了顾及雪深的长时间序列雪崩危险性评价方法。实验结果表明:基于AHP、ANP和二元逻辑回归算法,分别有78.13%、84.38%和87.50%的雪崩点位于高危险性分区;它们的每日平均预测正确率分别为76.09%、82.61%和86.96%。本文创新点为:（1）提出了两种积雪产品去云算法:一种是基于高程分区和地温阈值的改进Snow L去云算法:基于研究区实际情况采用高程进行分区,并提取分区内的平均陆地、积雪区高程;以高程分区内的平均地温为阈值,对云进行综合划分。另一种是基于单月地温极值滤波的去云算法:采用单月地温区间的上限值、下限值,进一步修正云的误划分。（2）提出了一种基于每日无云积雪产品和雪深数据的区域尺度、长时间序列雪崩危险性评价方法,提升了雪崩危险性评价精度和雪崩预防水平。
王乐[6]（2021）在《动态环境下基于实例级语义信息的同时定位与建图研究》文中研究说明传统的基于视觉的同时定位与地图构建（Simultaneous Localization and Mapping,SLAM）技术不能获得周围环境的语义信息,无法满足机器人对自身周围场景的感知、理解和建模的需求。现有的大多数带有语义的SLAM方法要么假定周围环境是静态的,要么仅获取像素级别的语义信息,无法对环境中的每个物体进行实例级别的标识。这将导致机器人面临很多挑战,如无法完成人机交互、智能抓取、碰撞检测等高层次的语义决策任务;真实环境中动态物体的干扰不仅导致相机的位姿估计精度降低,还将导致建立的地图无法复用。为解决上述问题,我们设计了一种基于实例级语义信息的SLAM系统,以提高机器人在真实复杂动态场景下的相机定位精度和系统鲁棒性,同时建立剔除动态物体后的实例级别的三维语义地图,为机器人后续完成诸如智能抓取、人机交互、路径规划等高级决策任务奠定基础。本文的具体研究工作包括:（1）文章首先阐明了课题的研究背景及意义,并说明了SLAM的发展历程,以及视觉SLAM和语义地图的研究现状,基于语义信息的视觉SLAM理论基础,包括视觉SLAM常用的经典框架、相机模型、及基于直接法和特征点法的视觉里程计设计原理。最后阐述了语义SLAM的相关理论基础,包括用于物体语义信息提取的目标检测常用算法,同时也介绍了语义SLAM的相关算法。（2）本文提出了一种动态环境下剔除移动物体的视觉里程计设计方法,旨在解决普通视觉SLAM在复杂动态环境下无法获取环境语义信息和定位精度低的问题。针对普通语义分割任务中分割精度不高的问题,提出了一种基于上下文关联信息优化的语义分割算法,以提高分割精度。针对传统视觉SLAM在动态场景下位姿估计精度差的问题,提出了一种基于实例级语义信息的动态对象特征点检测与剔除算法,大大提高了视觉SLAM在动态环境下相机位姿的估计精度和系统的鲁棒性。在数据集和真实环境下进行相关实验,结果证明了本文算法在动态场景下相比于其他算法具有一定的优势。（3）本文提出了面向物体实例级的三维语义地图构建相关算法,旨在构建一个全局化、静态化和标签化的三维语义地图。针对物体遮挡等原因导致深度图像存在黑洞的情况,提出了一种基于语义自适应的联合均值和双边滤波算法,以建立目标物较完整的语义地图。同时提出了一种实例级三维物体语义标签库的构建与更新算法,并在此基础上构建了面向物体实例级别的三维语义地图。在动态数据集和现实动态环境下进行相关实验,结果验证了本文算法的效果和价值。
冷智鑫[7]（2021）在《基于多传感器融合的无人车防撞预警系统设计》文中进行了进一步梳理现如今,随着社会的跨越式发展,我国人民保有的汽车量在不断增长。无人驾驶技术蓬勃发展,许多驾驶辅助功能被研发用来减少因汽车问题引发的车祸及其他危险。在全球范围内,道路安全问题是许多学者研究的重点问题,尤其是车辆碰撞问题,需要一种高效的方法进行解决,在满足软件系统精度要求的前提基础上,不断提高控制系统的实时性,进而减少系统的响应时间,最终提高车辆的行驶安全性。目前基于图像的目标检测算法已经非常成熟,但基于传感器融合数据关联的检测算法还有待提高。本文将采用当下主流的基于图像的目标物类别检测算法,提出一种新型的激光点云地面点分离算法及后续改进的聚类算法并与传统方法进行比较,对算法性能进行了改进;结合摄像头数据与激光雷达数据对感知结果进行融合,进而对算法的高效性进行分析和验证;最后文本对无人车系统进行了设计,在所设计的无人车软硬件系统的基础上,对本文设计的融合算法与防撞预警子模块进行了仿真与实车验证。本文的主要内容如下:第一章介绍了面向多传感器融合的无人车防撞预警系统的研究意义与国内外研究现状,提出了本文涉及到的主要内容,并对本文中涉及的具体技术路线进行了简要的概述。第二章对基于图像的目标物类别感知系统与基于激光点云的目标物状态感知系统涉及的理论进行了论述,并结合核相关滤波算法与神经网络模型对推理速度进行了一定的提升;本文提出了一种基于垂直线的激光点云地面点分离算法,并与两种传统算法进行了对比分析,这两种方法分别是基于随机采样一致性的地面点分离算法和基于地平面拟合的地面点分离算法。通过对比验证了本文提出的算法的有效性与高效性;通过改进传统欧式聚类算法对非地面点进行聚类,进而对目标物中心点及其状态进行估计。第三章在第二章的基础上进行特征级数据融合,融合的对象是摄像头数据与激光雷达数据,分别对时间与空间进行对齐与同步;对传感器坐标系的内参及其刚体变换进行了推导,进而将点云、图像、整车坐标系进行了统一,进而对目标物进行了关联匹配;最后设计了基于碰撞时间的预警系统模型,目的是对上述的感知系统进行验证,并对整个系统进行了论述。第四章中,利用上述理论对无人车软硬件系统进行了详细的设计,搭建了实车系统。首先是对硬件平台及其配套设备进行了选取,并且对通信方式进行了相关的设计;其次基于机器人操作系统对整车软件架构进行了设计;最后将无人车系统分模块化进行设计,并分别对涉及的子系统传感模块、感知模块、决策模块进行了详细的论述,并给出了各模块的输入输出数据接口。第五章中,对第二章、第三章所述的内容并以第四章作为实验载体进行了仿真验证,基于c++编程并在Gazebo中对设计的感知系统进行了仿真验证,实验证明,计算时间从109ms下降至68ms,下降约41ms。最后基于实际的无人车采集到的数据对防撞预警子模块进行了实车验证,验证了本文设计的感知系统的正确性和有效性。第六章对上述全文进行了总结,并提出了本文的不足和改进方向。
叶佳栋[8]（2021）在《无人驾驶激光点云特征提取算法及其FPGA加速》文中研究指明三维激光雷达凭借着测距精度高、不受光照影响、实时性好等优点逐渐成为无人驾驶领域中的重要传感器,在高精度定位、障碍物识别和分类等场景中发挥重要作用。在这些应用场景中,一般都使用特征提取技术提取扫描环境的三维特征,达到简化计算量、提高正确率的目的。但目前三维激光雷达点云特征提取的实现大都是基于CPU或GPU平台,因此存在着功耗高、体积大、能效比低等缺点,不利于车规级应用。针对上述问题,本文设计了一种基于FPGA实现三维激光点云特征提取算法加速的方案。分析对比了 CPU、GPU、FPGA和ASIC在处理运算时的优缺点,最终采用ARM+FPGA结构的异构多核平台,使用赛灵思公司推出的Zynq UltraScale+MPSoC系列芯片,在单芯片上集成可编程逻辑（Programmable Logic,PL）和处理系统（Process System,PS）,通过软硬件协同设计的方法实现三维激光点云特征点的提取,在利用FPGA带来较快计算速度的同时,又能通过ARM实现系统的灵活性,在保证性能的前提下大大降低功耗。本文的研究内容主要包括以下几个方面:（1）深入研究三维激光雷达工作原理及激光点云特征提取算法的基本理论,在此基础上,对激光点云滤波、地面点云分割、非地面点云聚类、角特征点与面特征点提取、瑕点剔除算法进行详细分析,优化算法实现过程,为算法的FPGA实现奠定基础。（2）深入研究ARM+FPGA异构平台,给出三维激光点云特征提取算法FPGA实现的软硬件协同设计方案。利用SDSoC开发工具分析算法的运算量与性能瓶颈,充分利用FPGA的性能优势对算法进行改进;合理分配软硬件工作,将计算重复性高、计算量大的工作用FPGA来实现硬件加速,将计算量少、调度灵活的任务用ARM处理器来实现,通过ARM与FPGA间的高性能数据总线完成数据交互,实现算法的优化加速。（3）深入研究SDSoC开发环境,熟练使用该开发环境下优化方法,大幅缩短算法加速的开发周期。针对点云预处理和曲率计算等函数进行优化,运用循环流水线、循环展开、接口优化、数据位宽优化等方法优化程序运行时间;分析SDSoC软件提供的性能报告,合理利用硬件资源,获得更好的加速效果;同时对硬件调试方法进行详细介绍,对数据吞吐率、误码率、指令延时等方面进行分析。（4）基于ZCU104平台完成三维激光点云特征提取算法的实现和测试验证。使用办公室、电梯间和广场三个真实场景的点云数据进行实验测试,与采用CPU、TX2进行激光点云提取的结果进行对比,对提取结果、运行时间、资源消耗和功耗进行全面的分析。最终测试结果表明,三维激光点云特征提取算法经ZCU104平台加速后的运行时间为 13.2ms,NVIDIA Jetson TX2 的运行时间是 65.7ms,Intel（R）Corei7-10710U运行时间是26.7ms。同时测得ZCU104开发板最大功耗为10.32W,芯片最大功耗为2.1W,远低于通用处理器的功耗。验证了 Zynq UltraScale+MPSoC平台具有低功耗、高效率的优点,能够满足无人驾驶算法加速的要求,具有广阔的应用场景。
任玉良[9]（2021）在《地质灾害监测RTU的硬件设计与实现》文中认为地质灾害对人民的生命财产安全构成极大威胁。山体滑坡、泥石流等地质灾害具有易发性和突发性等特点,不容易被人们提前预测。我国陆地面积广阔,灾害的发生率相对较高,严重威胁着山区甚至城镇的基础设施、交通和人民群众的生命财产安全。因此,对于山体滑坡、泥石流的研究、监测和预警就尤为重要,而地质灾害的研究、监测和预警都需要准确地、稳定地、长期地采集地质灾害现场的数据。为了有效地提高地质灾害监测系统与设备的准确度、可靠性、可持续性和环境适应性,本文设计了一种基于数据采集与监视控制系统和远程终端单元技术的地质灾害监测RTU设备。本论文旨在设计并实现一种能够对易发生地质灾害的地区中的气象、水文、位移和声音等数据进行精确地数据采集、远程控制、远程通信传输的地质灾害监测RTU设备。地质灾害易发地区一般人迹罕至或交通不便,因此,本论文所设计的地质灾害监测RTU设备需要具备定时自检、定时上报功能以实现设备的可靠性,并且该设备还需具备休眠与唤醒功能和低功耗的优良特性,以保障设备能长期、可持续地工作于野外。除此之外,地质灾害监测RTU设备还兼具小体积、高温宽、防雷防水等特性,可以在各种复杂恶劣的环境中工作。本论文首先将通过研究以泥石流为代表的地质灾害的产生机制、发生过程,探究泥石流地质灾害的监测方法及在监测中的传感器需求,随后通过对上述传感器原理和误差来源的详细研究,提出RTU设备在传感器数据采集中的误差消除要求和精度需求。随后,针对各类传感器在泥石流监测时的采集需求,结合地质灾害监测RTU设备的工作环境,分析RTU设备需要具备的功能,给出地质灾害监测RTU设备的总体设计方案和功能模块划分。最后,依据总体设计方案完成RTU设备的数据采集模块、设备供电模块、最小控制单元模块、本地控制和存储模块、远程通信和传输模块等方面的系统功能设计,并开展设备环境适应性研究与设计,以提高设备的可靠性、可持续性和环境适应性,实现对复杂、恶劣的地形、气候等环境条件下的地质灾害地区的有效监测。
胡晓静[10]（2021）在《基于多源遥感数据的雪深反演研究》文中研究说明积雪是冰冻圈中的一个主要元素,其对气候变化具有高度的敏感性和重要的反馈作用。积雪的高反射率特性影响着陆地表面的能量流通,进而影响全球和区域气候变化以及生态系统变化。政府间气候变化专门委员会（IPCC）在其第五次评估报告中声明:从1901年至2012年以来,全球平均地表温度加速升高。中国地域辽阔,是北半球积雪分布最广的国家,随着全球气候变暖,积雪对气候变化的动态响应成为影响我国社会经济和自然生态系统的重要因素之一。在积雪的诸多特性中,雪深（Snow Depth,SD）是许多水文和气候模型的一个重要输入参数。因此,准确的雪深信息对于研究积雪对气候变化、水文循环、生态系统变化的响应关系十分重要。传统的雪深信息由人工直接测量获得,但人工无法到达的偏远地区的雪深难以直接获取。随着遥感技术的发展,使得大范围雪深信息的获取成为可能。光学遥感数据时空分辨率较高,但易受云雾的干扰,被动微波数据可以穿透云雾,但是空间分辨率较粗。结合二者的各自特点,多源遥感数据的融合方式可以发挥两种传感器的优势,从而提高雪深遥感反演的时空分辨率和精度,高时空分辨率,高精度的雪深数据也是流域水文和气候模型的重要输入因子。因此,本研究综合使用多源遥感数据,利用最新的MODIS逐日积雪面积比例数据SSEmod-FSC、AMSR 2 L1B亮度温度数据,发展了一种基于多源数据融合的空间动态降尺度雪深反演算法（Spatial Dynamic Down-scaling,SDD）,并生成了2017-2018年积雪季中国区域空间分辨率为500 m的逐日雪深数据集。此外,激光雷达测高技术在区域尺度上的雪深估算模式已经非常成熟,能够方便、高效的获取区域尺度高精度的雪深信息,但因其经济成本高的限制,难以实现大区域上的雪深监测。幸运的是星载激光测高雷达卫星ICESat-2（Ice,Cloud and land Elevation Satellite,ICESat-2）可测量地表高程,通过监测降雪前后的高程的变化来获取雪深,这为大范围雪深监测提供可能监测雪深提供了一种新的方法。因此,本研究尝试使用激光测高雷达卫星ICESat-2的地表高程数据（ATL08）,利用有雪期和无雪期的卫星轨迹交点自高差法获取雪深信息,探索了ICESat-2卫星能否提供可靠雪深信息的潜力。本研究结果表明:（1）使用多源数据融合的空间动态降尺度雪深反演算法（SDD）在中国的雪深反演精度较高。在空间分布上,积雪的块状分布结构明显得到缓解,积雪分布状态更接近实际情况;在精度上,利用中国三大积雪区气象站实测雪深数据和积雪调查数据验证发现反演雪深与实测雪深一致性较高,雪深的实测值和估算值之间的决定系数R2为0.74,均方根误差RMSE为2.9 cm。（2）在空间动态降尺度雪深反演算法中,AMSR 2亮度温度数据在深雪区发挥了主要作用。在两种数据都能识别到的较浅积雪区,两种共同作用提高雪深反演精度以避免雪深的高估现象,而在AMSR 2识别不到积雪的区域,SSEmod-FSC数据发挥了主要作用,从而减少了积雪的漏识误差,避免了浅雪区雪深的低估现象。（3）激光测高雷达卫星ICESat-2有比较出色的估算雪深的潜力,经过在北疆阿勒泰区域的调查发现:利用ICESat-2 ATL08地表高程数据获取的雪深与气象站雪深吻合度较高（R2=0.83）,均方根误差（RMSE=4.16 cm）和平均绝对误差均较低（MAE=3.37 cm）。然而目前ICESat-2获取的数据量较小,不利获取大范围雪深信息。但随着数据量的积累,星载激光测高雷达数据将为获取大范围雪深信息提供一种新的有效方法。
二、714SD雷达对周围环境的影响（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、714SD雷达对周围环境的影响（论文提纲范文）
（1）基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 纯视觉SLAM的研究现状 |
| 1.2.2 多传感器融合SLAM的研究现状 |
| 1.3 本文主要内容和创新点 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文创新点 |
| 1.4 本文组织结构 |
| 第二章 融合SLAM的理论基础 |
| 2.1 传统视觉SLAM经典框架 |
| 2.2 视觉重投影误差和BA模型 |
| 2.3 VINS系统的预积分基础理论 |
| 2.4 本章小结 |
| 第三章 基于SegNet分割网络的动态物体检测和剔除算法研究 |
| 3.1 DS-SLAM动态物体检测与剔除算法 |
| 3.2 改进的动态物体检测与剔除算法的框架设计 |
| 3.3 动态点检测算法 |
| 3.3.1 基于极线距离的动态点检测 |
| 3.3.2 基于几何深度的动态点检测 |
| 3.4 基于形态学的掩膜预处理 |
| 3.5 面向动态点剔除的掩膜修复算法研究 |
| 3.6 实验结果和分析 |
| 3.6.1 掩膜修复的实验和分析 |
| 3.6.2 系统定位实验和分析 |
| 第四章 多相机、陀螺仪、轮式里程计融合SLAM研究 |
| 4.1 多相机、陀螺仪、轮式里程计紧耦合SLAM框架 |
| 4.2 数据预处理 |
| 4.3 融合SLAM系统初始化 |
| 4.4 引入边特征的前端特征点 |
| 4.5 多传感器融合 |
| 4.5.1 两帧之间的预积分和里程表残差约束 |
| 4.5.2 视觉残差约束 |
| 4.5.3 平面残差约束 |
| 4.6 基于多相机的交叉闭环检测算法 |
| 4.6.1 VINS-MONO基于闭环检测的重定位和位姿图优化算法 |
| 4.6.2 基于汽车改进的多相机交叉闭环检测 |
| 4.7 实验结果和分析 |
| 4.7.1 融合SLAM的定位实验和分析 |
| 4.7.2 基于多相机的交叉闭环检测算法实验和分析 |
| 4.8 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文总结 |
| 5.2 下一步研究方向 |
| 参考文献 |
| 附录 缩略语表 |
| 致谢 |
（2）基于Kubelka-Munk模型与深度回归网络的高光谱土壤成分反演（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 变量注释表 |
| 1 绪论 |
| 1.1 研究背景及选题依据 |
| 1.2 国内外研究进展 |
| 1.3 存在的问题 |
| 1.4 研究内容与论文结构 |
| 2 研究区域数据与分析方法介绍 |
| 2.1 伊通满族自治县自然资源与产业情况总览 |
| 2.2 研究区域与数据简介 |
| 2.3 数据分析方法 |
| 2.4 模型方法 |
| 2.5 本章小结 |
| 3 基于Kubelka-Munk理论的修正土壤厚度方程有机质反演 |
| 3.1 基于Kubelka-Munk理论的厚度方程推导 |
| 3.2 土壤K-M厚度方程实验设计 |
| 3.3 土壤K-M厚度实验结果与分析 |
| 3.4 土壤成分与散射系数关系 |
| 3.5 本章小结 |
| 4 基于Kubelka-Munk理论消除水分的航空高光谱有机质反演 |
| 4.1 土壤含水量估算方法选择 |
| 4.2 混合像元分解方法干湿土壤光谱提取 |
| 4.3 去除水分影响的光谱校正模型 |
| 4.4 结果与分析 |
| 4.5 本章小结 |
| 5 半监督深度回归模型航空高光谱土壤成分估算 |
| 5.1 特征波段选择 |
| 5.2 深度回归网络构建 |
| 5.3 半监督深度回归网络构建 |
| 5.4 结果与分析 |
| 5.5 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 作者简历 |
| 学位论文数据集 |
（3）祁连山森林碳储量与森林景观格局时空变化研究（论文提纲范文）
| 摘要 |
| SUMMARY |
| 第一章 绪论 |
| 1.1 选题背景与意义 |
| 1.2 相关研究进展 |
| 1.2.1 森林分类研究 |
| 1.2.2 森林空间分布变化监测研究 |
| 1.2.3 森林景观格局研究 |
| 1.2.4 森林碳储量研究 |
| 1.3 研究内容、技术路线与预期目标 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.3.3 预期目标 |
| 第二章 研究区与数据 |
| 2.1 研究区 |
| 2.1.1 整体研究区概况 |
| 2.1.2 重点研究区概况 |
| 2.2 数据收集及预处理 |
| 2.2.1 光学遥感影像数据 |
| 2.2.2 激光雷达数据 |
| 2.2.3 空间环境数据 |
| 2.2.4 野外实地调查数据 |
| 2.2.5 辅助数据 |
| 第三章 山地森林识别精度提升研究 |
| 3.1 研究方法 |
| 3.1.1 构建分类系统 |
| 3.1.2 基于GLAS数据的山地地物高度提取 |
| 3.1.3 森林范围识别 |
| 3.1.4 森林类型识别 |
| 3.2 结果分析与讨论 |
| 3.2.1 森林范围识别精度比较 |
| 3.2.2 森林类型识别精度比较 |
| 3.2.3 讨论 |
| 3.3 本章小结 |
| 第四章 祁连山森林碳储量现状研究 |
| 4.1 研究方法 |
| 4.1.1 森林类型分类及森林区域GLAS脚印点筛选 |
| 4.1.2 GLAS脚印点森林冠层高度估算 |
| 4.1.3 GLAS脚印尺度森林碳储量估算 |
| 4.1.4 基于Max Ent模型的研究区森林碳储量空间分布估计 |
| 4.2 结果分析与讨论 |
| 4.2.1 GLAS脚印点森林冠层高度估算结果 |
| 4.2.2 GLAS脚印点森林碳储量估算结果 |
| 4.2.3 研究区森林碳储量空间分布估计结果 |
| 4.2.4 研究区森林碳储量空间分布特征 |
| 4.2.5 讨论 |
| 4.3 本章小结 |
| 第五章 近30 年祁连山森林景观动态变化研究 |
| 5.1 研究方法 |
| 5.1.1 历史影像森林面积提取及类型识别 |
| 5.1.2 森林面积动态变化分析 |
| 5.1.3 森林覆盖度动态变化分析 |
| 5.1.4 森林景观格局动态变化分析 |
| 5.2 结果分析与讨论 |
| 5.2.1 研究区1990-2018 年森林类型分类结果 |
| 5.2.2 研究区1990-2018 年森林面积动态变化分析 |
| 5.2.3 研究区1990-2018 年森林覆盖度动态变化分析 |
| 5.2.4 研究区1990-2018 年森林景观格局动态变化分析 |
| 5.2.5 讨论 |
| 5.3 本章小结 |
| 第六章 近30 年祁连山森林碳储量时空变化研究 |
| 6.1 研究方法 |
| 6.1.1 森林碳储量估算 |
| 6.1.2 相对辐射校正 |
| 6.1.3 森林碳储量的时空变化分析 |
| 6.2 结果分析与讨论 |
| 6.2.1 基于遥感变量的森林碳储量估算 |
| 6.2.2 研究区1990-2018 年森林碳储量空间分布 |
| 6.2.3 研究区1990-2018 年森林碳储量时空变化分析 |
| 6.2.4 讨论 |
| 6.3 本章小结 |
| 第七章 不同尺度森林景观格局与森林碳储量相关性研究 |
| 7.1 研究方法 |
| 7.1.1 实验区域选择 |
| 7.1.2 划分不同尺度森林样区 |
| 7.1.3 景观指数选取 |
| 7.1.4 不同尺度样区内森林碳储量及景观指数提取 |
| 7.1.5 统计分析 |
| 7.2 结果分析与讨论 |
| 7.2.1 研究区不同尺度样区划分结果 |
| 7.2.2 不同尺度森林景观格局与森林碳储量相关性分析 |
| 7.2.3 不同尺度森林景观格局与森林碳储量相关关系模型 |
| 7.2.4 讨论 |
| 7.3 本章小结 |
| 第八章 结论、讨论与展望 |
| 8.1 讨论 |
| 8.2 主要研究结论 |
| 8.2.1 山地森林识别精度提升研究 |
| 8.2.2 祁连山森林碳储量现状研究 |
| 8.2.3 近30 年祁连山森林景观动态变化研究 |
| 8.2.4 近30 年祁连山森林碳储量时空变化研究 |
| 8.2.5 不同尺度森林景观格局与森林碳储量相关性研究 |
| 8.3 特色与创新点 |
| 8.4 不足与展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
| 在读期间发表论文和研究成果等 |
| 导师简介 |
（4）基于激光雷达的旋翼无人机检测与跟踪技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及研究的目的和意义 |
| 1.2 国内外研究现状分析 |
| 1.2.1 激光雷达研究现状 |
| 1.2.2 目标检测技术研究现状 |
| 1.2.3 目标跟踪技术研究现状 |
| 1.2.4 无人机机载处理器研究现状 |
| 1.2.5 研究现状小结 |
| 1.3 本文研究内容与结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 本文研究结构 |
| 第2章 旋翼无人机检测与跟踪总体方案设计 |
| 2.1 引言 |
| 2.2 总体方案设计 |
| 2.3 硬件方案设计 |
| 2.3.1 激光雷达传感器选型 |
| 2.3.2 嵌入式处理器选型 |
| 2.3.3 硬件实现方案 |
| 2.4 软件方案设计 |
| 2.4.1 软件总体方案设计 |
| 2.4.2 数据预处理方案设计 |
| 2.4.3 目标检测方案设计 |
| 2.4.4 目标跟踪方案设计 |
| 2.4.5 软件环境搭建 |
| 2.5 本章小结 |
| 第3章 旋翼无人机目标检测与跟踪软件设计及实现 |
| 3.1 引言 |
| 3.2 激光雷达点云数据的获取 |
| 3.3 基于聚类的目标检测方法 |
| 3.3.1 目标检测算法设计 |
| 3.3.2 聚类算法原理 |
| 3.4 基于粒子滤波的目标跟踪方法 |
| 3.4.1 目标跟踪算法设计 |
| 3.4.2 粒子滤波算法原理 |
| 3.5 软件实现流程 |
| 3.6 软件设计实验验证 |
| 3.7 本章小结 |
| 第4章 综合实验环境构建及算法验证 |
| 4.1 引言 |
| 4.2 Linux操作系统移植 |
| 4.2.1 编译BOOT文件 |
| 4.2.2 编译内核文件 |
| 4.2.3 编译设备树文件 |
| 4.2.4 生成根文件系统 |
| 4.3 数据采集程序移植 |
| 4.4 实验验证与结果分析 |
| 4.4.1 算法检测精度实验验证 |
| 4.4.2 算法检测范围实验验证 |
| 4.4.3 无人机动态飞行实验验证 |
| 4.5 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文及其它成果 |
| 致谢 |
（5）基于多源数据的雪崩危险性评价 ——以北疆地区为例（论文提纲范文）
| 作者简历 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 雪盖范围获取研究现状 |
| 1.2.2 雪深获取研究现状 |
| 1.2.3 雪崩危险评价研究现状 |
| 1.3 论文主要研究内容 |
| 1.4 论文章节安排 |
| 第二章 研究区与数据源 |
| 2.1 研究区概况 |
| 2.2 数据源介绍 |
| 2.2.1 MODIS积雪产品去云研究相关的数据介绍 |
| 2.2.2 雪深反演研究相关的数据介绍 |
| 2.2.3 雪崩危险性评价相关的数据 |
| 第三章 MODIS积雪产品去云算法研究 |
| 3.1 基础数据 |
| 3.2 研究方法 |
| 3.2.1 数据预处理 |
| 3.2.2 两种MODIS积雪产品去云算法 |
| 3.2.3 常规去云方法 |
| 3.2.4 其他去云产品 |
| 3.2.5 精度评价方法 |
| 3.3 结果与讨论 |
| 3.3.1 研究区云覆盖量、雪覆盖量统计 |
| 3.3.2 生成的无云积雪覆盖产品精度验证 |
| 3.4 小结 |
| 第四章 顾及不同高程分区和土地覆盖类型的雪深反演 |
| 4.1 研究方法 |
| 4.1.1 数据预处理 |
| 4.1.2 建模因子的选择 |
| 4.1.3 反演模型构建 |
| 4.1.4 精度评价方法 |
| 4.2 结果与讨论 |
| 4.2.1 建模因子选择结果 |
| 4.2.2 多元线性回归模型精度评价结果 |
| 4.2.3 随机森林模型精度评价结果 |
| 4.2.4 顾及不同高程分区的回归模型精度评价结果 |
| 4.2.5 顾及不同土地覆盖类型的回归模型精度评价结果 |
| 4.2.6 不同模型精度对比 |
| 4.2.7 北疆地区雪深反演结果图 |
| 4.3 小结 |
| 第五章 顾及雪深的北疆地区长时间序列雪崩危险性评价 |
| 5.1 雪崩危险性评价因子体系 |
| 5.1.1 积雪条件 |
| 5.1.2 地形因子 |
| 5.1.3 下垫面因素 |
| 5.1.4 气象条件 |
| 5.1.5 其他因素 |
| 5.1.6 因子体系 |
| 5.2 研究方法 |
| 5.2.1 评价因子提取 |
| 5.2.2 因子分级赋值体系 |
| 5.2.3 AHP中评价因子权重确定 |
| 5.2.4 ANP中评价因子权重确定 |
| 5.2.5 LR模型构建 |
| 5.2.6 各模型雪崩危险性指数计算 |
| 5.2.7 各模型的危险性等级划分 |
| 5.3 实验结果 |
| 5.3.1 评价因子提取结果 |
| 5.3.2 评价因子分级赋值结果 |
| 5.3.3 AHP因子权重结果 |
| 5.3.4 ANP因子权重结果 |
| 5.3.5 LR模型结果 |
| 5.3.6 北疆地区各模型危险性评价等级图与定性评价 |
| 5.3.7 雪崩危险性评价结果定量比较 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 论文主要创新点 |
| 6.3 展望 |
| 致谢 |
| 参考文献 |
| 附图 |
（6）动态环境下基于实例级语义信息的同时定位与建图研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 SLAM发展历程 |
| 1.2.2 视觉SLAM |
| 1.2.3 语义地图 |
| 1.3 本文主要工作和章节安排 |
| 1.3.1 主要工作 |
| 1.3.2 章节安排 |
| 第二章 基于语义信息的视觉SLAM理论基础 |
| 2.1 视觉SLAM |
| 2.1.1 经典框架 |
| 2.1.2 相机模型 |
| 2.1.3 深度相机模型 |
| 2.2 视觉里程计 |
| 2.2.1 直接法 |
| 2.2.2 特征点法 |
| 2.3 语义SLAM |
| 2.3.1 目标检测算法 |
| 2.3.2 语义SLAM相关算法 |
| 2.4 本章小结 |
| 第三章 动态环境下剔除移动物体的视觉里程计研究 |
| 3.1 引言 |
| 3.2 动态环境下剔除移动物体的视觉里程计算法 |
| 3.2.1 基于上下文关联信息优化的实例分割算法 |
| 3.2.2 基于实例级语义信息的动态特征点检测与剔除算法 |
| 3.3 实验结果与分析 |
| 3.3.1 基于上下文关联信息优化的实例分割结果 |
| 3.3.2 动态特征点检测与剔除算法时间性能分析 |
| 3.3.3 动态环境下视觉里程计评估 |
| 3.3.4 本文系统ILS-SLAM的绝对轨迹误差分析 |
| 3.3.5 实际动态场景下实验结果分析 |
| 3.4 本章小结 |
| 第四章 动态环境下实例级三维语义地图构建研究 |
| 4.1 引言 |
| 4.2 动态环境下实例级三维语义地图构建 |
| 4.2.1 基于语义自适应的联合均值和双边滤波算法 |
| 4.2.2 实例级三维物体语义标签库构建与更新算法 |
| 4.2.3 面向三维物体语义标签的语义地图构建 |
| 4.3 实验结果与分析 |
| 4.3.1 深度图的修复结果 |
| 4.3.2 物体三维点云团的提取和优化结果 |
| 4.3.3 三维语义地图的构建结果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（7）基于多传感器融合的无人车防撞预警系统设计（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 目标物检测与追踪技术研究现状 |
| 1.2.2 基于多传感器融合技术的研究现状 |
| 1.2.3 无人车防撞预警系统研究现状 |
| 1.3 本文主要研究内容与章节安排 |
| 1.4 本章小结 |
| 第2章 无人车感知系统相关理论基础 |
| 2.1 引言 |
| 2.2 基于yolov3 的目标物识别算法 |
| 2.2.1 yolov3 网络结构分析 |
| 2.2.2 目标物类别检测器设计 |
| 2.3 基于激光雷达点云的目标物检测算法 |
| 2.3.1 地面点分离算法 |
| 2.3.2 非地面点聚类算法 |
| 2.4 本章小结 |
| 第3章 多传感器融合匹配与安全距离模型设计 |
| 3.1 引言 |
| 3.2 多传感器特征级融合匹配 |
| 3.2.1 基于时间同步的时间戳对齐策略 |
| 3.2.2 基于状态矩阵的坐标系空间变换 |
| 3.2.3 基于匈牙利算法的特征关联匹配 |
| 3.3 动态目标物运动状态估计 |
| 3.4 基于多传感器融合的碰撞预警系统设计 |
| 3.4.1 系统整体结构设计 |
| 3.4.2 基于碰撞时间的碰撞预警策略 |
| 3.5 本章小结 |
| 第4章 无人车防撞预警系统软硬件系统设计 |
| 4.1 系统需求分析 |
| 4.2 硬件平台设计 |
| 4.2.1 硬件设备的选取 |
| 4.2.2 硬件间的连接与通信方式设计 |
| 4.2.3 无人车整车配电方案设计 |
| 4.3 软件系统设计 |
| 4.3.1 基于ROS的软件架构设计 |
| 4.3.2 基于模块化的子功能软件系统设计 |
| 4.4 本章小结 |
| 第5章 仿真与实车试验 |
| 5.1 基于Gazebo的传感器融合算法验证 |
| 5.1.1 基于yolov3 的目标物类别检测仿真验证 |
| 5.1.2 基于垂直线的激光点云地面点分离仿真验证 |
| 5.1.3 基于改进欧式聚类的非地面点聚类算法验证 |
| 5.1.4 传感器融合的时间与空间匹配验证 |
| 5.2 基于多传感器融合算法的碰撞预警模型验证 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 全文总结 |
| 6.2 不足与展望 |
| 参考文献 |
| 作者简介及在学期间所取得的科研成果 |
| 致谢 |
（8）无人驾驶激光点云特征提取算法及其FPGA加速（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 无人驾驶技术国内外研究现状 |
| 1.2.2 激光点云特征提取算法国内外研究现状 |
| 1.2.3 无人驾驶算法加速平台国内外研究现状 |
| 1.2.4 国内外研究现状的分析 |
| 1.3 论文的主要工作 |
| 1.4 论文的组织安排 |
| 第2章 三维激光点云特征提取算法分析 |
| 2.1 三维激光雷达扫描技术理论基础 |
| 2.1.1 三维激光扫描仪工作原理 |
| 2.1.2 三维激光扫描仪参考坐标系的表示 |
| 2.1.3 三维激光点云数据结构和特点 |
| 2.2 点云数据预处理 |
| 2.2.1 点云有效范围划定 |
| 2.2.2 点云滤波 |
| 2.2.3 点云索引计算 |
| 2.3 地面点云分割 |
| 2.3.1 地面点云分割方法 |
| 2.3.2 基于坡度的地面点云分割 |
| 2.3.3 非地面点云聚类 |
| 2.4 特征点提取 |
| 2.4.1 经典曲率计算方法 |
| 2.4.2 角特征点与面特征点提取 |
| 2.4.3 瑕点剔除 |
| 2.5 三维激光点云特征提取算法分析 |
| 2.6 本章小结 |
| 第3章 总体方案设计与算法加速平台的选择 |
| 3.1 软硬件协同方案设计 |
| 3.2 硬件加速平台的选择 |
| 3.2.1 Zynq芯片 |
| 3.2.2 ZCU104硬件加速平台 |
| 3.3 软件开发平台的选择 |
| 3.3.1 基于SDSoC的设计流程及优势 |
| 3.3.2 在SDSoC中创建ZCU104软件加速平台 |
| 3.4 本章小结 |
| 第4章 激光点云特征提取算法在ZCU104平台的实现 |
| 4.1 硬件加速优化方法 |
| 4.1.1 数据精度优化 |
| 4.1.2 数据传输接口优化 |
| 4.1.3 循环优化 |
| 4.1.4 数组优化 |
| 4.2 特征点提取函数硬件加速设计 |
| 4.2.1 函数接口硬件设计 |
| 4.2.2 点云预处理函数硬件加速设计 |
| 4.2.3 点云曲率计算的硬件加速设计 |
| 4.3 硬件事件追踪与调试 |
| 4.3.1 代码联合调试 |
| 4.3.2 性能分析 |
| 4.4 本章小结 |
| 第5章 测试结果与分析 |
| 5.1 验证平台介绍 |
| 5.2 硬件加速器测试结果与分析 |
| 5.2.1 多场景数据分析 |
| 5.2.2 资源消耗分析 |
| 5.2.3 功耗分析 |
| 5.2.4 特征提取对比分析 |
| 5.2.5 运行速度分析 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间科研成果 |
| 致谢 |
（9）地质灾害监测RTU的硬件设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题的背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地质灾害监测研究现状 |
| 1.2.2 RTU研究现状 |
| 1.3 论文的研究工作及贡献 |
| 1.4 论文结构与安排 |
| 第二章 泥石流地质灾害监测与传感器研究 |
| 2.1 泥石流地质灾害机理与监测方法研究 |
| 2.2 泥石流地质灾害监测所需传感器研究 |
| 2.2.1 监测泥石流降雨量的传感器 |
| 2.2.2 监测泥石流水位的传感器 |
| 2.2.3 监测泥石流土壤压力的传感器 |
| 2.2.4 监测泥石流含水量的传感器 |
| 2.2.5 监测泥石流位移的传感器 |
| 2.2.6 监测泥石流地面振动的传感器 |
| 2.3 传感器需求总结 |
| 2.4 本章小结 |
| 第三章 基于单片机的RTU功能设计与实现 |
| 3.1 RTU功能分析 |
| 3.2 总体方案设计 |
| 3.3 信号采集模块设计 |
| 3.3.1 0~5V与4~20m A信号采集模块设计 |
| 3.3.2 模拟小信号采集模块设计 |
| 3.3.3 开关量信号采集模块设计 |
| 3.3.4 RS485 信号接收模块设计 |
| 3.4 电源模块设计 |
| 3.4.1 外部传感器、设备的供电电源设计 |
| 3.4.2 4G模块电源设计 |
| 3.4.3 内部电路供电电源设计 |
| 3.4.4 MCU备用电源设计 |
| 3.4.5 ADC基准电压源设计 |
| 3.4.6 电源自检模块设计 |
| 3.5 微控制单元模块设计 |
| 3.6 4G通信模块设计 |
| 3.7 本章小结 |
| 第四章 设备环境适应性设计 |
| 4.1 常用防浪涌保护研究 |
| 4.1.1 压敏电阻 |
| 4.1.2 气体放电管 |
| 4.1.3 瞬态抑制二极管 |
| 4.2 本设计使用的浪涌保护设计 |
| 4.3 防水保护 |
| 4.4 本章小结 |
| 第五章 地质灾害监测RTU设备测试 |
| 5.1 PCB设计实现与实物展示 |
| 5.2 各模块测试结果 |
| 5.3 系统功耗分析与验证 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 全文总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（10）基于多源遥感数据的雪深反演研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 被动微波雪深研究进展 |
| 1.2.2 降尺度雪深反演算法研究 |
| 1.2.3 激光雷达雪深估算研究 |
| 1.3 研究目的及内容 |
| 1.4 技术路线 |
| 2 数据源 |
| 2.1 AMSR2 被动微波亮度温度数据 |
| 2.2 SSEmod-FSC数据 |
| 2.3 ICESat-2卫星ATL08 地形和冠层高程数据 |
| 2.4 实测雪深数据 |
| 2.4.1 气象站实测雪深数据 |
| 2.4.2 积雪调查实测雪深数据 |
| 2.5 辅助数据 |
| 2.5.1 MOD12Q1 土地分类数据 |
| 2.5.2 DEM数据 |
| 2.5.3 积雪密度数据 |
| 3 空间动态降尺度雪深反演 |
| 3.1 研究区 |
| 3.2 被动微波反演雪深原理 |
| 3.2.1 被动微波辐射计简介 |
| 3.2.2 亮度温度梯度法反演雪深 |
| 3.3 积雪面积比例数据重建雪深 |
| 3.4 空间动态降尺度雪深反演方法 |
| 3.5 降尺度雪深反演结果精度评价 |
| 3.5.1 降尺度雪深反演结果验证 |
| 3.5.2 不同条件下的精度评价 |
| 3.6 讨论 |
| 3.6.1 SDD算法精度评价 |
| 3.6.2 影响降尺度雪深精度的因素分析 |
| 3.7 小结 |
| 4 激光雷达雪深反演 |
| 4.1 研究区及验证数据 |
| 4.2 方法 |
| 4.2.1 初步评估 |
| 4.2.2 雪深估算 |
| 4.3 结果验证与讨论 |
| 4.3.1 验证 |
| 4.3.2 影响雪深估算精度的因素 |
| 4.4 小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 创新点 |
| 5.3 不足与展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
四、714SD雷达对周围环境的影响（论文参考文献）
- [1]基于VINS-MONO的融合SLAM应用于自动驾驶的技术研究[D]. 朱永成. 北京邮电大学, 2021(01)
- [2]基于Kubelka-Munk模型与深度回归网络的高光谱土壤成分反演[D]. 欧德品. 中国矿业大学, 2021(02)
- [3]祁连山森林碳储量与森林景观格局时空变化研究[D]. 宋洁. 甘肃农业大学, 2021(01)
- [4]基于激光雷达的旋翼无人机检测与跟踪技术研究[D]. 王红. 哈尔滨工业大学, 2021
- [5]基于多源数据的雪崩危险性评价 ——以北疆地区为例[D]. 陈联君. 中国地质大学, 2021(02)
- [6]动态环境下基于实例级语义信息的同时定位与建图研究[D]. 王乐. 合肥工业大学, 2021(02)
- [7]基于多传感器融合的无人车防撞预警系统设计[D]. 冷智鑫. 吉林大学, 2021(01)
- [8]无人驾驶激光点云特征提取算法及其FPGA加速[D]. 叶佳栋. 华中师范大学, 2021(02)
- [9]地质灾害监测RTU的硬件设计与实现[D]. 任玉良. 电子科技大学, 2021(01)
- [10]基于多源遥感数据的雪深反演研究[D]. 胡晓静. 兰州交通大学, 2021(02)