基于深度学习的三维场景下障碍物感知技术的研究与应用

目录

声明

第1章 绪论

1.1 课题研究背景与意义

1.2 国内外研究现状

1.3 本课题主要研究内容与组织结构

第2章 基于深度学习的物体检测方法概述

2.1 深度卷积神经网络介绍

2.1.1 卷积层

2.1.2 池化层

2.1.3 Dropout

2.1.4 Batch-Normalization

2.1.5 激活函数

2.2 梯度下降算法

2.2.1 Adam优化器

2.2.2 动量梯度下降

2.3 物体检测中基础框架

2.3.1 one-stage代表模型介绍

2.3.2 two-stage代表模型介绍

2.4 3D物体检测方法概述

2.4.1 LiDAR-Only检测方法

2.4.2 Fusion-base 检测方法

第3章 3D场景中障碍物检测算法设计

3.1 3D物体检测中的点云数据处理

3.1.1 点云数据手工特征表示设计

3.1.2 点云数据的数据增强方法

3.2 基于自相关注意力机制的多模态融合三维物体检测器设计

3.2.1 特征学习模块设计

3.2.2 跨模态特征融合模块设计

3.2.3 3D外包矩形框估计

3.2.4 损失函数定义

3.2.5 在线困难样例挖掘

3.3 实验分析

3.3.1 评估实验数据集

3.3.2 3D物体检测anchor设计

3.3.3 KITTI验证集上的实验结果

3.3.4 KITTI测试集上评估结果

3.4 本章小结

第4章 基于ROS系统的障碍物追踪器设计

4.1 ROS操作系统介绍

4.2 模型压缩

4.3 MOTracker对象运动状态估计

4.3.1 障碍物对象跟踪动态建模

4.3.2 卡尔曼滤波器状态更新

4.4 拓扑约束和匈牙利匹配

4.4.1 目标特征提取

4.4.2 拓扑关系描述

4.4.3 匈牙利算法

4.5 实验分析

4.6 本章小结

第5章 总结与展望

5.1 本文工作总结

5.2 未来工作展望

参考文献

致谢

攻读硕士期间发表的论文和取得的成果