高级搜索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

一种深度学习辅助的探地雷达定位方法

倪志康 叶盛波 史城 潘俊 郑之杰 方广有

倪志康, 叶盛波, 史城, 潘俊, 郑之杰, 方广有. 一种深度学习辅助的探地雷达定位方法[J]. 电子与信息学报, 2022, 44(4): 1265-1273. doi: 10.11999/JEIT211072
引用本文: 倪志康, 叶盛波, 史城, 潘俊, 郑之杰, 方广有. 一种深度学习辅助的探地雷达定位方法[J]. 电子与信息学报, 2022, 44(4): 1265-1273. doi: 10.11999/JEIT211072
NI Zhikang, YE Shengbo, SHI Cheng, PAN Jun, ZHENG Zhijie, FANG Guangyou. A Deep Learning Assisted Ground Penetrating Radar Localization Method[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1265-1273. doi: 10.11999/JEIT211072
Citation: NI Zhikang, YE Shengbo, SHI Cheng, PAN Jun, ZHENG Zhijie, FANG Guangyou. A Deep Learning Assisted Ground Penetrating Radar Localization Method[J]. Journal of Electronics & Information Technology, 2022, 44(4): 1265-1273. doi: 10.11999/JEIT211072

一种深度学习辅助的探地雷达定位方法

doi: 10.11999/JEIT211072
基金项目: 国家自然科学基金(61827803)
详细信息
    作者简介:

    倪志康:男,1995年生,博士生,研究方向为探地雷达目标识别和深度学习

    叶盛波:男,1983年生,研究员,硕士生导师,研究方向为超宽带雷达系统设计及微波信号处理与成像算法

    史城:男,1994年生,博士生,研究方向为超宽带雷达系统和信号处理技术

    潘俊:男,1994年生,博士生,研究方向为穿墙雷达目标检测与成像方法

    郑之杰:男,1997年生,博士生,研究方向为穿墙人体姿态估计和活动识别、深度学习和跨模态学习

    方广有:男,1963年生,研究员,博士生导师,研究方向为超宽带雷达成像理论与方法、探地雷达技术、地下资源电磁勘探技术、月球/火星探测雷达技术、超宽带天线理论与技术、左手材料、THz成像技术等

    通讯作者:

    方广有 gyfang@mail.ie.ac.cn

  • 中图分类号: TN957.52

A Deep Learning Assisted Ground Penetrating Radar Localization Method

Funds: The National Natural Science Foundation of China (61827803)
  • 摘要: 在恶劣条件下,例如在雨、雪、沙尘、强光以及黑夜等环境下,自动驾驶方案中常用的视觉和激光传感器因为无法准确感知外界环境而面临失效问题。因此,该文提出一种通过深度学习辅助的探地雷达感知地下目标特征用于车辆定位的方法。所提方法分为离线建图和在线定位两个阶段。在离线建图阶段,首先利用探地雷达采集地下目标的回波数据,然后使用深度卷积神经网络(DCNN)提取采集的地下回波数据中的目标特征,同时存储提取的目标特征和当前地理位置信息,形成地下目标特征指纹地图。在定位阶段,首先利用DCNN提取探地雷达采集到的当前地下回波数据中的目标特征。然后基于粒子群优化方法搜索特征指纹地图中与当前提取的目标特征最相似的特征,并输出该特征的地理位置信息,作为探地雷达定位车辆的结果。最后利用卡尔曼滤波融合探地雷达定位结果和测距轮测量的里程信息,得到高精度的定位结果。实验选取地下目标丰富的场景和实际城市道路场景来测试所提方法的定位性能。实验结果表明,与单一使用探地雷达原始回波数据地图的定位方法相比,深度学习辅助的探地雷达定位方法能避免直接计算原始雷达回波数据间的相似度,减少数据计算量以及数据传输量,具有实时定位能力,同时特征指纹地图对回波数据的变化有鲁棒性,因此所提方法的平均定位误差减少约70%。深度学习辅助的探地雷达定位方法可作为未来自动驾驶车辆在恶劣环境下感知定位方法的补充。
  • 图  1  深度学习辅助的探地雷达定位方法框图

    图  2  Faster R-CNN 网络提取全局特征和局部特征示意图

    图  3  深度学习辅助探地雷达定位系统车载平台图

    图  4  实验场景图

    图  5  实验场景1中不同定位方法的定位结果对比图

    图  6  实验场景2 中不同定位方法的定位结果对比图

    图  8  实验场景 1 中采集的原始回波数据

    图  7  实验场景 1 中采集的地下目标特征指纹地图

    表  1  系统详细参数

    参数参数值
    探地雷达工作体制脉冲体制
    探地雷达中心频率500 MHz
    探地雷达等效采样速率16 GHz
    探地雷达采样点数416点
    探地雷达尺寸0.46 m×0.35 m×0.20 m
    重叠采样窗口大小M×n 416×416
    重叠采样窗口间隔$\Delta n $ 5
    道间距$ \Delta L $ 约0.01 m
    车载平台行驶速度约10 km/h
    下载: 导出CSV

    表  2  场景1中单次实验下不同方法的最大定位误差和计算时间比较

    定位方法最大误差(m)定位频率(Hz)
    回波数据地图定位16.221.88
    回波数据地图+测距轮融合定位13.941.72
    特征指纹地图定位7.5816.26
    特征指纹地图+测距轮融合定位1.4915.18
    下载: 导出CSV

    表  3  场景2 中单次实验下不同方法的最大定位误差和计算时间比较

    定位方法最大误差(m)定位频率(Hz)
    回波数据地图定位29.301.53
    回波数据地图+测距轮融合定位11.141.38
    特征指纹地图定位16.7214.28
    特征指纹地图+测距轮融合定位2.8213.11
    下载: 导出CSV
  • [1] CAMPBELL S, O'MAHONY N, KRPALCOVA L, et al. Sensor technology in autonomous vehicles: A review[C]. 2018 29th Irish Signals and Systems Conference (ISSC), Belfast, UK, 2018: 1–4.
    [2] 史增凯, 马祥泰, 钱昭勇, 等. 基于北斗卫星导航系统非组合精密单点定位算法的精密授时精度研究[J/OL]. 电子与信息学报, 待发表. doi: 10.1199/JEIT210629.

    SHI Zengkai, MA Xiangtai, QIAN Zhaoyong, et al. Accuracy of precise timing based on uncombined precise point positioning algorithm in BeiDou navigation satellite system[J/OL]. Journal of Electronics & Information Technology, To be published. doi: 10.1199/JEIT210629.
    [3] 刘国忠, 胡钊政. 基于SURF和ORB全局特征的快速闭环检测[J]. 机器人, 2017, 39(1): 36–45. doi: 10.13973/j.cnki.robot.2017.0036

    LIU Guozhong and HU Zhaozheng. Fast loop closure detection based on holistic features from SURF and ORB[J]. Robot, 2017, 39(1): 36–45. doi: 10.13973/j.cnki.robot.2017.0036
    [4] WANG Yunting, PENG Chaochung, RAVANKAR A A, et al. A single LiDAR-based feature fusion indoor localization algorithm[J]. Sensors, 2018, 18(4): 1294. doi: 10.3390/s18041294
    [5] CIAMPOLI L B, TOSTI F, ECONOMOU N, et al. Signal processing of GPR data for road surveys[J]. Geosciences, 2019, 9(2): 96. doi: 10.3390/geosciences9020096
    [6] NI Zhikang, ZHAO Di, YE Shengbo, et al. City road cavity detection using YOLOv3 for ground-penetrating radar[C]. 18th International Conference on Ground Penetrating Radar, Golden, USA, 2020: 384–387.
    [7] LIU Hai, LIN Chunxu, CUI Jie, et al. Detection and localization of rebar in concrete by deep learning using ground penetrating radar[J]. Automation in Construction, 2020, 118: 103279. doi: 10.1016/j.autcon.2020.103279
    [8] DONG Zehua, FANG Guangyou, ZHOU Bin, et al. Properties of lunar regolith on the Moon's Farside unveiled by Chang'E-4 lunar penetrating radar[J]. Journal of Geophysical Research:Planets, 2021, 126(6): e2020JE006564. doi: 10.1029/2020JE006564
    [9] SKARTADOS E, KARGAKOS A, TSIOGAS E, et al. GPR Antenna localization based on A-Scans[C]. 2019 27th European Signal Processing Conference (EUSIPCO), A Coruna, Spain, 2019: 1–5.
    [10] CORNICK M, KOECHLING J, STANLEY B, et al. Localizing ground penetrating RADAR: A step toward robust autonomous ground vehicle localization[J]. Journal of Field Robotics, 2016, 33(1): 82–102. doi: 10.1002/rob.21605
    [11] ORT T, GILITSCHENSKI I, and RUS D. Autonomous navigation in inclement weather based on a localizing ground penetrating radar[J]. IEEE Robotics and Automation Letters, 2020, 5(2): 3267–3274. doi: 10.1109/LRA.2020.2976310
    [12] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031
    [13] PHAM M T and LEFÈVRE S. Buried object detection from B-scan ground penetrating radar data using Faster-RCNN[C]. IGARSS 2018-2018 IEEE International Geoscience and Remote Sensing Symposium, Valencia, Spain, 2018: 6804–6807.
    [14] SALVADOR A, GIRÓ-I-NIETO X, MARQUÉS F, et al. Faster R-CNN features for instance search[C]. The 2016 IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), Las Vegas, USA, 2016: 394–401.
    [15] XU Song, CHOU W, and DONG Hongyi. A robust indoor localization system integrating visual localization aided by CNN-based image retrieval with Monte Carlo localization[J]. Sensors, 2019, 19(2): 249. doi: 10.3390/s19020249
    [16] CHAI T and DRAXLER R R. Root mean square error (RMSE) or mean absolute error (MAE)?–Arguments against avoiding RMSE in the literature[J]. Geoscientific Model Development, 2014, 7(3): 1247–1250. doi: 10.5194/gmd-7-1247-2014
    [17] 陈勇, 郑瀚, 沈奇翔, 等. 基于改进免疫粒子群优化算法的室内可见光通信三维定位方法[J]. 电子与信息学报, 2021, 43(1): 101–107. doi: 10.11999/JEIT190936

    CHEN Yong, ZHENG Han, SHEN Qixiang, et al. Indoor three-dimensional positioning system based on visible light communication using improved immune PSO algorithm[J]. Journal of Electronics &Information Technology, 2021, 43(1): 101–107. doi: 10.11999/JEIT190936
    [18] 胡钊政, 刘佳蕙, 黄刚, 等. 融合WiFi、激光雷达与地图的机器人室内定位[J]. 电子与信息学报, 2021, 43(8): 2308–2316. doi: 10.11999/JEIT200671

    HU Zhaozheng, LIU Jiahui, HUANG Gang, et al. Integration of WiFi, laser, and map for robot indoor localization[J]. Journal of Electronics &Information Technology, 2021, 43(8): 2308–2316. doi: 10.11999/JEIT200671
  • 加载中
图(8) / 表(3)
计量
  • 文章访问数:  735
  • HTML全文浏览量:  355
  • PDF下载量:  143
  • 被引次数: 0
出版历程
  • 收稿日期:  2021-09-30
  • 修回日期:  2021-12-14
  • 录用日期:  2021-12-28
  • 网络出版日期:  2022-01-13
  • 刊出日期:  2022-04-18

目录

    /

    返回文章
    返回