简介这是一篇发表于《舰船科学技术》2021年第3期的技术文献面向船舶智能航行、自主靠泊及环境感知领域的研究人员、工程师与相关专业学生。资源聚焦基于深度学习的三维感知算法系统讲解如何将激光雷达点云与摄像头图像进行深度融合以提升靠泊目标检测与分类精度并涵盖基于虚拟物理引擎的靠泊仿真系统搭建与完整自主靠泊系统验证方案可帮助读者快速把握技术路线与实验方法。包体共1个PDF文件容量约1.67MB内容包含算法架构、点云数据预处理、特征融合、仿真试验等完整章节可直接用于学习参考与文献引用。已有231人学习下载适合需要了解多传感器融合感知技术、开展船舶自主化课题研究或撰写论文的读者。1. 靠泊感知为什么卡在多传感器融合这一步船舶自主靠泊和开放水域航行最大的区别在于靠泊是一个受限空间内的低速高精度操作感知目标近、尺度明确、但干扰源也集中。摄像头能看清码头标志物的纹理和颜色却给不出可靠的距离激光雷达能精确测距但点云稀疏远距离目标上往往只有几十个点连基本轮廓都撑不起来。单靠任何一类传感器都无法同时满足《自主货物运输船舶指南》对探测范围和测量精度的要求。工程上更难的是数据采集。真实靠泊场景成本高、复现难靠泊目标码头、被补给船的姿态和位置难以批量标注公开数据集几乎没有。这篇论文的思路是把问题拆成两半先设计一个基于深度学习的点云-图像三维感知算法再在 Gazebo 虚拟物理引擎里自建靠泊场景数据集最后挂上成熟的决策控制算法做闭环仿真验证。对做无人船感知的人来说值得拆解的并不是“用了深度学习”这个结论而是它如何在点云稀疏、特征不足的前提下把图像特征融进点云特征图并且用二维检测辅助三维检测完成联合训练。下面按感知算法的数据流顺序展开先看点云如何规整成网络能吃的输入再看特征提取和融合的两个关键网络然后给出检测生成网络和损失函数的具体设计最后落到仿真系统、训练参数和靠泊验证结果。本文还有配套的精品资源点击获取