CN102998679A - 一种应用于无人车的gis数据获取方法 - Google Patents

Abstract

本发明公开了一种应用于无人车的GIS数据获取方法，适用于无人车GIS的动态更新。该方法通过车载3D激光雷达获取点云数据，对无人车的行驶提供辅助信息。同时结合车载惯性导航系统和车载GPS的检测数据，设定相应参数来提取空间地理数据，并且这些地理数据的提取可以实时进行，大大提高了地理数据的更新效率，同时结合GIS强大的空间数据处理功能，获得的地理数据可为无人车的自主行驶提供帮助。

Description

一种应用于无人车的GIS数据获取方法

技术领域

发明涉及一种应用于无人车的GIS数据获取方法。

背景技术

目前地理信息系统在无人车领域的研究主要集中在城市车辆交通中，针对野外复杂环境下GIS（地理信息系统）数据获取的研究较少。

目前通用的地理信息系统提供的地理数据主要针对自然特征，具体描述地理实体的空间特性和属性特性，难以满足无人车野外复杂环境的应用需求。无人车除了需要这些基本属性外，还需要具体空间和对象的可通行性、可隐蔽性等特性，并且对数据精度也有更高的要求。

通用地理信息系统的动态更新能力限制了其在无人车导航上的应用。地理信息是动态变化的，但是地理信息系统受其成本和数据更新手段的影响，动态更新能力有限，所提供的地理信息难以满足无人车实时性的需求。尤其在野外条件下，由于地理信息采集的时间间隔比较长，采集到的数据精细度不够，导致已有的地理信息数据源与无人车的要求有一定的差距。因此，由于地理信息的滞后和不适用而导致地理信息能提供的帮助会受到很大的制约。这就需要研究GIS数据获取方法，使得无人车能在作业的同时对地理信息进行动态更新，以便为无人车的行驶提供辅助信息。

发明内容

有鉴于此，本发明提供一种应用于无人车的GIS数据获取方法，该方法通过对无人车获取点云数据的处理，获取GIS数据。

本发明的应用于无人车的GIS数据获取方法的步骤为：

步骤一：点云数据配准

车载3D激光雷达定时对无人车的周围环境进行360°扫描，每次扫描完成后将扫描形成的点云数据发送给无人车上的数据处理单元，所述点云数据中各目标点的三维坐标以无人车为坐标基点；所述数据处理单元接收3D激光雷达发送的点云数据后，采集车载惯性导航系统和车载GPS中的检测数据对点云数据中的所有目标点进行点云配准；所述车载惯性导航系统检测无人车的偏航角θ_yaw、俯仰角θ_pitch、横滚角θ_roll；所述车载GPS获检测无人车在地理坐标系下的坐标X_GPS,Y_GPS,Z_GPS，其中（X_GPS,Y_GPS）为无人车的平面坐标，Z_GPS为无人车所在地面的海拔高度。

设当前进行点云配准的目标点为M，点云数据中目标点M的三维坐标为(X_laser，Y_laser，Z_laser)；

则目标点M在地理坐标系下的三维坐标（X，Y，Z）为：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)\×\left(\begin{array}{c}{X}_{\mathrm{laser}}\\ Y_{\mathrm{laser}}\\ Z_{\mathrm{laser}}\end{array}\right)+\left(\begin{array}{c}{X}_{\mathrm{GPS}}\\ Y_{\mathrm{GPS}}\\ Z_{\mathrm{GPS}}\end{array}\right)---\left(1\right)$

式（1）中：

a₁₁＝cosθ_yawcosθ_roll-sinθ_pitchsinθ_roll

a₁₂＝sinθ_yawcosθ_roll-cosθ_yawsinθ_pitchsinθ_roll

a₁₃＝cosθ_pitcksinθ_roll

a₂₁＝-sinθ_yawcosθ_pitch

a₂₂＝cosθ_yawcosθ_pitch

a₂₃＝sinθ_pitch

a₃₁＝-cosθ_yawsinθ_roll-sinθ_yawsinθ_pitchsinθ_roll

a₃₂＝-sinθ_yawsinθ_roll-cosθ_yawsinθ_pitchcosθ_roll

a₃₃＝cosθ_pitchcosθ_roll

数据处理单元对点云数据中所有目标点进行点云匹配后，将所有目标点在地理坐标系下的三维坐标以点数据集的形式存储到无人车的GIS数据库中。

步骤二：生成高程栅格图

数据处理单元依据设定的栅格边长，在设定范围内所有目标点形成的点云上建立栅格；所述栅格的高度为落在该栅格内所有目标点在地理坐标系下Z坐标的平均值，由此生成高程栅格图；所述落在栅格内的目标点包括栅格边界上的目标点。

步骤三：提取等值面

数据处理单元依据基准值和设定的等值距确定等值面；对步骤二形成的高程栅格图中的栅格进行插值，然后连接等值点得到等值线，相邻等值线封闭的面即为等值面所述基准值为无人车所在地面的海拔高度Z_GPS，所述等值距为两条等值线之间的间隔值。

步骤四：提取GIS数据

数据处理单元查询步骤三所形成的等值面的高程值，提取高程值大于设定值z_max和小于设定值z_min的等值面；将提取的等值面以矢量图形式存储在无人车的GIS数据库中。

所述无人车在行驶过程中，重复步骤一至步骤四。

所述步骤二中设定栅格的边长为无人车宽度的1/3-1/2。

所述步骤三中设定等值距为无人车宽度的1/3-1/2。

所述步骤四中查询步骤三所形成的等值面的高程值前，选取以无人车为中心，设定半径范围内的等值面为有效面对象；然后查询有效面对象的高程值。

所述无人车的GIS数据库依据存储的等值面的矢量图实时进行地理数据的更新。

有益效果：

（1）通过无人车自行获取点云数据，并根据自主导航的需求，设定相应参数来提取空间地理数据，并且这些地理数据的获取可以实时进行，大大提高了地理数据的更新效率，同时结合GIS强大的空间数据处理功能，获得的地理数据可为无人车的自主行驶提供帮助。另外本发明采用的传感器为无人车上普遍安装的激光雷达，GPS和IMU，大大提高了可操作性。

（2）采用3D激光雷达间隔短、精细度高，能够实时处理和采集。

（3）由于3D激光雷达的扫描半径超过一定范围后，会因为遮挡物的增加，导致扫描的信息缺少参考价值；因此，为保证提取的等值面具有参考价值，选取以无人车为中心，设定半径范围内的面对象为有效面对象，将范围外的面对象删除，只查询有效面对象的高程值。

附图说明

图1为本具体实施中各组成部分的坐标系示意图；

图2为本具体实施中栅格的示意图；

图3为本具体实施的提取结果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本实施例提供一种应用于无人车的GIS数据获取方法，通过无人车自行获取点云数据，并根据自主导航的需求，设定相应参数来提取空间地理数据，并且这些地理数据的获取可以实时进行，大大提高了地理数据的更新效率，同时结合GIS的空间数据处理功能，获得的地理数据可为无人车的自主行驶提供帮助。

在本实施例中，3D激光雷达、GPS和IMU（惯性导航系统）都固定在无人车上，其中IMU能够检测无人车的偏航角θ_yaw、俯仰角θ_pitch和横滚角θ_roll，车载GPS检测无人车在地理坐标系下的坐标X_GPS,Y_GPS,Z_GPS，其中X_GPS,Y_GPS为无人车的平面坐标，Z_GPS为无人车的海拔高度；3D激光雷达检测以无人车为坐标系基点的无人车周围所有目标点的三维坐标(X_laser,Y_laser,Z_laser)。

在野外环境下，无人车行驶一段时间，在IMU完成动态对准后，3D激光雷达启动，对无人车的周围环境进行扫描。3D激光雷达的每一帧数据为无人车周围环境360°的点云数据（即以无人车为坐标系基点的无人车周围所有目标点的三维坐标）。数据处理单元每接收3D激光雷达的一帧点云数据，进行一次数据处理，具体处理过程为：

步骤一：点云配准

所述点云配准指将3D激光雷达检测到的点云数据转换为目标点在地理坐标系下的坐标。

如图1所示，数据处理单元采集IMU中无人车的偏航角θ_yaw、俯仰角θ_pitch、横滚角θ_roll，采集车载GPS获得无人车的经度和纬度，对该帧点云数据中的所有点进行点云配准。

以点云数据中的任意一个目标点为例，具体介绍点云配准的过程：设该目标点为M，点云数据中目标点M的坐标为(X_laser，Y_laser，Z_laser)（该坐标即为通过3D激光雷达获得的目标点M相对无人车的坐标）。

则目标点M在地理坐标系下的坐标（X，Y，Z）为：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)\×\left(\begin{array}{c}{X}_{\mathrm{laser}}\\ Y_{\mathrm{laser}}\\ Z_{\mathrm{laser}}\end{array}\right)+\left(\begin{array}{c}{X}_{\mathrm{GPS}}\\ Y_{\mathrm{GPS}}\\ Z_{\mathrm{GPS}}\end{array}\right)---\left(1\right)$

式（1）中：

a₁₁＝cosθ_yawcosθ_roll-sinθ_pitchsinθ_roll

a₁₂＝sinθ_yawcosθ_roll-cosθ_yawsinθ_pitchsinθ_roll

a₁₃＝cosθ_pitchsinθ_roll

a₂₁＝-sinθ_yawcosθ_pitch

a₂₂＝cosθ_yawcosθ_pitch

a₂₃＝sinθ_pitch

a₃₁＝-cosθ_yawsinθ_roll-sinθ_yawsinθ_pitchsinθ_roll

a₃₂＝-sinθ_yawsinθ_roll-cosθ_yawsinθ_pitchcosθ_roll

a₃₃＝cosθ_pitchcosθ_roll

数据处理单元对该帧点云数据中所有目标点进行点云匹配后，将转换后的数据以点数据集的形式存储到GIS数据库中，以便对数据进行后续处理。

步骤二：通过生成等值面，提取面对象，获得所有障碍物的位置

201：生成地理高程栅格图（简称DEM）：

数据处理单元通过对3D激光雷达扫描的目标点的点云匹配，获得了各个目标点在地理坐标系下的位置坐标。本实施例中选取在174m*214m的矩形范围内的目标点有效，在该矩形范围内所有目标点形成的点云上建立栅格，本实施例中根据无人车通过性的需要，将单个栅格边长设为0.5m，栅格的值（每个栅格的高度）即为落在栅格内所有点（包括边界上的点）的Z坐标的平均值，由此形成348*427个栅格的高程栅格图，如图2所示。

202：通过DEM高程栅格图求取等值面

栅格是有大小的，栅格的大小取决于栅格数据的分辨率，即每一个栅格单元代表实际地面上的相应地块的大小。因此，栅格数据不能精确地反应每一点的高程信息，而矢量数据在这方面则具有很大的优势，因此，从栅格数据中提取等值面，把栅格数据变成矢量数据，就可以突出显示数据的细节部分，便于后续分析。

将高程满足一定区间的栅格单元划分为一个区域，这个区域就是等值面。等值面反映了栅格表面上的变化，等值面分布越密集的地方，栅格表面值变化越大，反之则表示栅格表面值变化较小。等值面包含高程属性，面积属性，通过对等值面进行空间查询，可以提取适用于无人车自主导航的地理数据。

用基准值和等值距两个参数来确定等值面。基准值是作为一个生成等值面的初始起算值，等值距是两条等值线之间的间隔值，这两个参数决定了提取的等值面的个数。本实施中将基准值设置为无人车所在地面的海拔高度Z_GPS，等值距设定为0.5m，即每个面都有高程上限属性maxValue，高程下限属性minValue，两者之差为0.5m。对步骤201形成的高程栅格图中的栅格数据进行插值（GIS软件插值功能实现），然后连接等值点得到等值线，相邻等值线封闭的面即为等值面，本实例共有1061个面对象。

步骤三：通过地理数据的提取，获得影响无人车车通行的障碍物的位置

3D激光雷达的扫描半径超过一定范围后，会因为遮挡物的增加，导致扫描的信息缺少参考价值。因此，在本实例中选取以无人车为中心，半径为50m范围内的面对象为有效面对象。以无人车为中心，以50m为半径划定范围，将范围外的面对象删除。

查询等值面的高程值，本例中提取高于Z=Z_GPS+0.5范围内所有的等值面，即高于无人车所在平面0.5米以上的面对象，提取的等值面即为障碍物实体在平面坐标系下的投影。查询面数据的高程属性minValue，提取minValue>Z值的面对象，所提取的面对象所在位置即为会影响无人车通行的障碍物所在位置。

提取结果如图3所示，中心标注的面对象为无人车的位置，提取的结果与实际地形相符。

步骤四：实现导航功能，辅助无人车行驶

在无人车的行驶过程中，重复步骤一至步骤三的过程，将步骤三中提取的面对象的位置数据随时存储在GIS数据库中，实时进行地理数据的更新。通过实现地图匹配功能，可以实时获得车辆行驶状况，同时根据周围提取的地理对象的位置，合理的躲避障碍，为无人车提供最优的行驶路径。这一步骤可以根据无人车的实际应用情况来开发相应的功能。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种应用于无人车的GIS数据获取方法，其特征在于：

步骤一：点云数据配准

车载3D激光雷达定时对无人车的周围环境进行360°扫描，每次扫描完成后将扫描形成的点云数据发送给无人车上的数据处理单元，所述点云数据中各目标点的三维坐标以无人车为坐标基点；所述数据处理单元接收3D激光雷达发送的点云数据后，采集车载惯性导航系统和车载GPS中的检测数据对点云数据中的所有目标点进行点云配准；所述车载惯性导航系统检测无人车的偏航角θ_yaw、俯仰角θ_pitch、横滚角θ_roll；所述车载GPS获检测无人车在地理坐标系下的坐标X_GPS,Y_GPS,Z_GPS，其中X_GPS,Y_GPS为无人车的平面坐标，Z_GPS为无人车所在地面的海拔高度；

设当前进行点云配准的目标点为M，点云数据中目标点M的三维坐标为(X_laser，Y_laser，Z_laser)；

则目标点M在地理坐标系下的三维坐标（X，Y，Z）为：

$\left(\begin{array}{c}X\\ Y\\ Z\end{array}\right)=\left(\begin{array}{ccc}{a}_{11}& a_{12}& a_{13}\\ a_{21}& a_{22}& a_{23}\\ a_{31}& a_{32}& a_{33}\end{array}\right)\×\left(\begin{array}{c}{X}_{\mathrm{laser}}\\ Y_{\mathrm{laser}}\\ Z_{\mathrm{laser}}\end{array}\right)+\left(\begin{array}{c}{X}_{\mathrm{GPS}}\\ Y_{\mathrm{GPS}}\\ Z_{\mathrm{GPS}}\end{array}\right)---\left(1\right)$

式（1）中：

a₁₁＝cosθ_yawcosθ_roll-sinθ_pitchsinθ_roll

a₁₂＝sinθ_yawcosθ_roll-cosθ_yawsinθ_pitchsinθ_roll

a₁₃＝cosθ_pitchsinθ_roll

a₂₁＝-sinθ_yawcosθ_pitch

a₂₂＝cosθ_yawcosθ_pitch

a₂₃＝sinθ_pitch

a₃₁＝-cosθ_yawsinθ_roll-sinθ_yawsinθ_pitchsinθ_roll

a₃₂＝-sinθ_yawsinθ_roll-cosθ_yawsinθ_pitchcosθ_roll

a₃₃＝cosθ_pitchcosθ_roll

数据处理单元对点云数据中所有目标点进行点云匹配后，将所有目标点在地理坐标系下的三维坐标以点数据集的形式存储到无人车的GIS数据库中；

步骤二：生成高程栅格图

数据处理单元依据设定的栅格边长，在设定范围内所有目标点形成的点云上建立栅格；所述栅格的高度为落在该栅格内所有目标点在地理坐标系下Z坐标的平均值，由此生成高程栅格图；所述落在栅格内的目标点包括栅格边界上的目标点；

步骤三：提取等值面

数据处理单元依据基准值和设定的等值距确定等值面；对步骤二形成的高程栅格图中的栅格进行插值，然后连接等值点得到等值线，相邻等值线封闭的面即为等值面；所述基准值为无人车所在地面的海拔高度Z_GPS，所述等值距为两条等值线之间的间隔值；

步骤四：提取GIS数据

数据处理单元查询步骤三所形成的等值面的高程值，提取高程值大于设定值z_max和小于设定值z_min的等值面；将提取的等值面以矢量图形式存储在无人车的GIS数据库中。

2.如权利要求1所述的一种应用于无人车的GIS数据获取方法，其特征在于，所述步骤二中设定栅格的边长为无人车宽度的1/3-1/2。

3.如权利要求1所述的一种应用于无人车的GIS数据获取方法，其特征在于，所述步骤三中设定等值距为无人车宽度的1/3-1/2。

4.如权利要求1所述的一种应用于无人车的GIS数据获取方法，其特征在于，所述步骤四中查询步骤三所形成的等值面的高程值前，选取以无人车为中心，设定半径范围内的等值面为有效面对象；然后查询有效面对象的高程值。

5.如权利要求1所述的一种应用于无人车的GIS数据获取方法，其特征在于，所述无人车的GIS数据库依据存储的等值面的矢量图实时进行地理数据的更新。

Images