基于激光点云坐标系的3D多目标跟踪算法研究

3D多目标跟踪是无人车领域中一个核心技术之一。3D多目标跟踪的相关工作多通过设计复杂的目标建模算法或数据关联算法,以寻求提高3D多目标跟踪系统的鲁棒性。为降低3D多目标跟踪系统的复杂性,将目标的三维中心点视为该目标进行跟踪,提出了基于激光点云坐标系的3D多目标跟踪算法。首先,使用3D目标检测器检测出每帧激光点云中的目标。然后,用卡尔曼滤波器预测上一帧目标的三维中心点在当前帧的位置状态,融合激光雷达坐标系下相邻两帧之间目标三维体积的交并比与目标三维坐标中心点坐标之间的欧式距离作为度量尺度,使用贪婪算法匹配最近邻的目标。在KITTI跟踪数据集上的实验结果表明,所提出的多目标跟踪算法表现优异,运行速度达到了63 f/s,且车辆类的sAMOTA达到了9432。     

基于改进DeepLabv3+的无人车夜间红外图像语义分割

为了增强无人车对夜间场景的理解能力,针对无人车在夜间获取的红外图像,提出了一种基于改进DeepLabv3+网络的无人车夜间红外图像语义分割算法。由于自动驾驶场景中的对象往往显示出非常大的尺度变化,该算法在DeepLabv3+网络的基础上,通过引入密集连接的空洞卷积空间金字塔模块,使网络生成的多尺度特征能覆盖更大的尺度范围。此外,该算法将编码器模块的多层结果拼接在译码器模块中,以恢复更多在降采样过程中丢失的空间信息和低级特征。通过端到端的学习和训练,可直接用于对夜间红外图像的语义分割。实验结果表明,该算法在红外数据集上的分割精度优于原DeepLabv3+算法,平均交并比达到80.42,具有良好的实时性和准确性。     

基于手性环己二胺稀土Eu(Ⅲ)高分子在能量传递和圆偏振荧光调控方面的研究

手性(R,R)-1,2-环己二胺分别与具有偶数亚甲基烷烃链的S-M-1(4,4'-(butane-1,4-diylbis(oxy))-dibenzaldehyde),S-M-2(4,4'-(octane-1,8-diylbis(oxy))dibenzaldehyde)和S-M-3(4,4'-(dodecane-1,12-diylbis(oxy))-dibenzaldehyde)单元,通过亲核取代-消除反应合成相应的新颖柔性高分子P-1,P-2和P-3.Eu(TTA)3·2H2O分别与P-1,P-2和P-3反应制备相应的柔性稀土Eu(Ⅲ)高分子P-4,P-5和P-6.通过对烷烃主链数目的有效调控,能够有效调控稀土Eu(Ⅲ)的发光效率和圆偏振荧光的不对称因子(glum).实验证明,在一定的激发状态下,稀土高分子仅仅显示Eu(Ⅲ)的红色特征荧光,归于高分子将激发态能量基本传递给配位中心的Eu(Ⅲ)离子.通过对稀土Eu(Ⅲ)高分子的荧光寿命和量子效率表征,P-4,P-5和P-6的发光效率依次降低.P-4与P-5圆偏振荧光(CPL)的最大不对称因子(glum)分别为+0.0873和+0.0115,归属为电偶极跃迁(5D0→7F2);P-6最大不对称因子(glum)为+0.0539,归属为磁偶极跃迁(5D0→7F1).通过烷烃主链数目的差异实现对其CPL的有效调控,调控机理归于高分子折叠所引起稀土Eu(Ⅲ)不对称配位环境的变化.