水路运输凭借着费用低、载货量大等优势,在国际货物运输中占据着重要的地位。随着国际贸易量的增多,海运航线愈加繁忙,水路运输中固有的运营成本高、安全风险大的问题越来越突出。发展污染低、安全性高、效率高、无人化的智能船舶可以有效解决上述问题。在此背景下,本文开展了以三维激光雷达为传感器获取海上船舶点云实现对船舶位姿估计的研究,并通过搭建获取点云数据仿真软件的方法来解决可供研究的海上船舶场景下点云数据不足的问题。具体的研究内容如下:第一,采用软件仿真的方法解决了可供研究的海面船舶点云数据不足的问题。首先通过编写海面船舶场景的三维仿真软件,按照需求设置船舶的分布情况并可视化展示,然后模拟真实的雷达参数编写程序,实现对当前分布情况下雷达点云数据的获取。通过这个软件可以获取足够多的船舶分布场景丰富的点云数据,并以此作为点云数据相关算法的研究基础。第二,开展点云分割算法的研究。首先采用直通滤波器、体素格滤波器和半径滤波器对原始点云进行预处理,并采用kd-tree提高点云处理速度。然后参考欧几里得聚类的思路对基于区域增长的分割方法进行了改进,通过对种子点生长区域的动态调整解决了传统区域生长法容易过分割的问题,提高了点云分割效果,保证了点云分割速度。最后,分别采用基于点云配准的方法和基于PCA的方法实现对船舶的位姿估计,并通过对比实验对两种方法进行分析总结。基于点云配准的船舶位姿估计方法中,采用SAC-IA粗配准与ICP精细配准结合的配准方法实现对船舶的位姿估计,通过对应点预判断的方法提高SAC-IA配准中对应点的配准效率,通过引入了kd-tree结构提高ICP配准过程中点云索引速度,并添加对应点云的权重来提高配准效果。这种位姿估计方法精度较高,但存在计算量大、计算速度慢,需要提前构建点云模板库等缺点。基于PCA方法进行船舶位姿估计方法的方法中,主要利用船舶的矩形特征计算船舶的主方向并计算OBB包围盒,然后通过PCA特征和包围盒特征实现多帧点云中相同船舶的匹配,最终计算船舶的航行信息。这种位姿估计方法精度相对较低,但是计算速度快,且不用提前构建点云模板库。