CN104931977A - 一种用于智能车辆的障碍物识别方法 - Google Patents

Abstract

本发明涉及一种用于智能车辆的障碍物识别方法，包括步骤：1)获取车辆周围环境的三维激光雷达原始扫描点云在球坐标系下的数据点，并在所有数据点中筛选出障碍点；2)根据各障碍点的水平方位角及其关于三维激光雷达传感器的径向距离对障碍点进行分组；3)将每一组障碍点对应一个障碍物，并根据组内各障碍点的相对位置关系得到各障碍物的类别。与现有技术相比，本发明利用三维激光雷达测量原理与点云数据球坐标表示方法的内在统一性，基于球坐标对点云数据进行分析，而不是对点云数据的笛卡尔坐标进行分析，更高效，同时由于直接对点云的原始数据进行分析，不需要对点云进行栅格划分，从而提高了处理效率。

Description

一种用于智能车辆的障碍物识别方法

技术领域

本发明涉及一种车辆环境感知技术，尤其是涉及一种用于智能车辆的障碍物识别方法。

背景技术

智能车辆是集环境感知、路径规划决策、控制等功能于一体的综合智能系统，能够极大提高交通安全、提高现有道路的车辆通行效率、减少污染。其中环境感知系统是智能车辆体系结构中的基础和核心，为规划决策和控制执行提供必要的基础信息。环境感知系统的主要功能是通过传感器获取车辆以及环境信息，具体为车辆的位姿及状态信息获取、结构化道路中车道线及车道边沿的识别与跟踪、交通标志及交通信号的识别与跟踪、车辆周围障碍物的识别与跟踪等。

通常用于环境感知的传感器包括摄像机、激光、毫米波雷达、GPS、惯导等。其中摄像机视觉数据无法提供障碍物准确的距离信息或即便提供了距离信息，但其计算量巨大，难以满足智能车辆的实时性要求，而激光雷达测距精度高、扫描频率高、数据量丰富，并且具有不受天气、光照等因素影响，不依靠纹路和颜色来辨别，对于阴影噪声不敏感等优良特性，近年来在智能车辆的环境感知中受到极大关注。

激光雷达包括：单线、四线、32线或64线三维激光雷达。由于单线激光雷达只能得到物体的一个横截面,不能得到较完整的立体信息。多线三维激光雷达提供了更大的探测范围和分辨率，可以提供障碍物的高度等轮廓信息，极大的提高了环境感知能力。本专利对基于三维激光雷达的障碍物识别进行分析，新方法不只适用于某一款传感器，但为了具体描述三维激光雷达这类传感器的工作方式及数据格式，我们以智能车辆上常用的32线激光雷达传感器Velodyne HDL 32E为例，对新方法进行分析。

已有的障碍物识别方法大都是基于扫描点的笛卡尔坐标，而32线或64线激光雷达扫描是旋转式的，扫描方式和数据格式与球坐标系更契合和统一，本方法采用扫描点的球坐标。

已有的方法大都是将原始数据点划分为栅格，然后再基于栅格对障碍物进行识别，普遍存在欠分割问题，而在球坐标系下三维点云原始数据能够更准确的表示障碍物信息，本方法直接对点云的原始数据进行分析，不需进行栅格划分，可以避免欠分割问题并且提高运算效率。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种用于智能车辆的障碍物识别方法，该方法基于三维激光雷达和球坐标系实现。

本发明的目的可以通过以下技术方案来实现：

一种用于智能车辆的障碍物识别方法，包括步骤：

1)获取车辆周围环境的三维激光雷达原始扫描点云在球坐标系下的数据点，并在所有数据点中筛选出障碍点；

2)根据各障碍点的水平方位角及其关于三维激光雷达传感器的径向距离对障碍点进行分组；

3)将每一组障碍点对应一个障碍物，并根据组内各障碍点的相对位置关系得到各障碍物的类别。

2.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述三维激光雷达设于车辆的车顶。

3.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述球坐标系的原点为三维激光雷达的传感器。

所述步骤2)具体包括步骤：

21)将所有障碍点按照方位角区域划分；

22)将每一个区域内的障碍点按照径向距离分组。

所述步骤21)具体为：比较相邻障碍点方位角的差值与方位角差值阈值的大小，若差值小于阈值，则将两个方位角归入同一区域，反之则归入不同区域；

所述步骤22)中对一个区域内的障碍点的分组过程包括步骤：

221)将区域内的所有障碍点进行随机排序；

222)将第一个障碍点归入第一组障碍点，并将其径向距离作为第一组障碍点的径向距离加权值；

223)判断是否存在一组障碍点的径向距离加权值C_j与下一个障碍点的径向距离r_i之间的差值小于距离差值阈值，若为是，则执行步骤224)，若为否，则执行步骤225)；

224)将该障碍点归入径向距离加权值与其差值最小的一组障碍点，并根据该障碍点的径向距离更新该组障碍点的径向距离加权值，执行步骤226)；

225)将该障碍点归入新的一组障碍点，并将其径向距离作为该组障碍点的径向距离加权值，并执行步骤226)；

226)判断是否还有障碍点未分组，若为是，则执行步骤223)，若为否，则分组结束。

所述步骤224)中径向距离加权值更新式为：

C_j′＝(1-α)C_j+αr_i

其中：C_j为更新前的径向距离加权值，C_j′为更新后的径向距离加权值，α为更新系数。

所述步骤3)具体包括步骤：

31)将每一组障碍点对应一个障碍物，并将组内各障碍点定义为各障碍物的扫描点；

32)根据组内各障碍点的方位角及其径向距离得到各障碍物的水平尺寸，具体为：

l≈αd/57.7

其中；l为障碍物的水平尺寸，α为各障碍点方位角差值的最大值，d为各障碍点径向距离的最小值；

33)将水平尺寸小于0.6米的障碍物识别为行人，将水平尺寸介于1.5米至6米的障碍物识别为车辆。

与现有技术相比，本发明具有以下优点：

1)本发明利用三维激光雷达测量原理与点云数据球坐标表示方法的内在统一性，基于球坐标对点云数据进行分析，而不是对点云数据的笛卡尔坐标进行分析，更高效，同时由于直接对点云的原始数据进行分析，不需要对点云进行栅格划分，从而提高了处理效率。

2)本发明根据方位角及径向距离对点云进行分割，避免了传统借助于栅格划分的方法的欠分割问题。

3)本发明直接根据障碍物所占的方位角范围对尺寸不同的障碍物进行识别，运算成本低，并且可提高障碍物识别效率。

附图说明

图1为本发明的主要步骤流程示意图；

图2为激光雷达的一帧扫描束在球坐标系和笛卡尔坐标系的表示；

图3为障碍物的水平方位角数据可视化图；

图4为障碍物与扫描线垂直面的几何特征图；

图5为障碍物与扫描线垂直面的简化近似几何特征图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

一种用于智能车辆的障碍物识别方法，该方法为了满足智能驾驶障碍物识别的实时性，基于三维激光雷达点云的球坐标，首先对智能车辆行驶环境中的障碍物进行分割，使障碍物之间彼此分开；然后对障碍物进行目标分类，判断障碍物属于行人、车辆的哪一类。

如图1所示，本障碍物识别方法包括步骤：

1)获取车辆周围环境的三维激光雷达扫描得到原始扫描点云在球坐标系下的数据点，并在所有数据点中筛选出障碍点，激光雷达在智能车辆上的安装位置决定了传感器障碍检测的感知范围和能力，为了尽可能的减少遮挡、增大激光雷达的探测范围，我们将其安装在自主车的车顶上方，球坐标系的原点为三维激光雷达的传感器；

获取激光雷达传感器原始点云数据。以HDL-32E为例，如图2，传感器在垂直视场角为+10.67°到-30.67°的范围内发送32条激光,相应角分辨率为1.33°；同时传感器的旋转头在水平360°视场角内持续旋转，其分辨率为0.18°。在实际测量中，从0°到360°的测量为一帧，这样理论上一帧就有条扫描束，但是只有反射回来的点才可能被传感器接收并保存为数据点，接收到的每个数据点包含8个参数值{Points：0，Points：1，Points：2，intensity，laser_id，azimuth，distance_m，timestamp}。其中前三个参数Points：0,1,2依次表示笛卡尔直角坐标点，laser_id为32条激光的标识号，每条激光对应其各自的俯仰角，由该参数直接得到点的俯仰角，azimuth表示点的水平方位角，distance_m表示点到传感器的距离，即点的球坐标径向距离，可由原始点云数据直接得到扫描点在球坐标系下的数据点。

从数据点中筛选出障碍点，具体的，理想平坦地面上的数据点形成同一水平面上的同心圆，每个圆与一条激光相对应，同一圆上的点的径向距离是相等的。若存在障碍物，激光线就会在途中被反射，其径向距离发生变化。因此径向距离的变化反映了地面的起伏或障碍物的存在，根据同一俯仰角下各数据点关于传感器的径向距离确定车辆通过路线，即将同一俯仰角下与相邻数据点之间径向距离的差值大于自适应阈值R_max的数据点设定为障碍点，其中，自适应阈值R_max具体为：

R_max＝λmin(r_i,r_i-1)+ε

其中：λ为距离比例系数，ε为误差补偿量，r_i为数据点i关于传感器的径向距离，r_i-1为数据点i相邻数据点关于传感器的径向距离。

自适应阈值由两部分构成，第一部分与扫描点径向距离有关，第二部分与激光束俯仰角有关，距离比例系数和误差补偿量通过预先离线实验得到。

2)根据各障碍点的水平方位角及其关于三维激光雷达传感器的径向距离对障碍点进行分组，每一组障碍物对应一个障碍物，具体包括步骤：

21)将所有障碍点按照方位角区域划分，具体为：比较相邻障碍点方位角的差值与方位角差值阈值的大小，若差值小于阈值，则将两个方位角归入同一区域，反之则归入不同区域；

传感器提供的数据是直接根据方位角从小到大的顺序进行排列的，我们只需依次将相邻障碍点方位角的差值|θ_i-θ_i-1|与方位角差值阈值进行比较，若差值大于阈值，则认为障碍点i为断点，否则，该点为前一个点的连续点，我们将连续点归入同一区域。如图3所示。

22)在同一方位角区域内有时存在多个障碍物，所以利用径向距离对每个区域中障碍物继续进行分割，把同一区域中径向距离差异足够小的点看作为一个物体，否则视为一个新的物体，即将每一个区域内的障碍点按照径向距离分组，其中对一个区域内的障碍点的分组过程包括步骤：

221)将区域内的所有障碍点进行随机排序；

222)将第一个障碍点归入第一组障碍点，并将其径向距离作为第一组障碍点的径向距离加权值；

223)判断是否存在一组障碍点的径向距离加权值C_j与下一个障碍点的径向距离r_i之间的差值小于距离差值阈值，若为是，则执行步骤224)，若为否，则执行步骤225)；

224)将该障碍点归入径向距离加权值与其差值最小的一组障碍点，并根据该障碍点的径向距离更新该组障碍点的径向距离加权值，执行步骤226)；

其中径向距离加权值更新式为：

C_j′＝(1-α)C_j+αr_i

其中：C_j为更新前的径向距离加权值，C_j′为更新后的径向距离加权值，α为更新系数。

225)将该障碍点归入新的一组障碍点，并将其径向距离作为该组障碍点的径向距离加权值，并执行步骤226)；

226)判断是否还有障碍点未分组，若为是，则执行步骤223)，若为否，则分组结束。

具体的，设某一区域中有n个扫描点，r_i(i＝1,...,n)为点i的径向距离，该组中有m个障碍物，C_j(j＝1,...,m)为障碍物j中所有障碍点径向距离的加权值，被认为是该障碍物的径向距离，点i和障碍物j的径向距离之间的差记为，首先我们把r₁赋值给变量C₁，求得点2与障碍物1径向距离的差为D_ij＝|r_i-C_j|，如果该值小于阈值，则第二个点属于第一个障碍物；如果该值大于阈值则认为第二个点属于一个新障碍物，并且使C₂＝r₂；然后分析第三个点，计算D₃₁和D₃₂，然后选择两者之间的最小值即min(D₃₁,D₃₂)，即可判断第三个点是属于障碍物1，障碍物2或障碍物3.然后以此循环重复上述过程，将同一组内的多个障碍物彼此区分开。

3)障碍物目标分类：对智能车辆的行驶安全造成威胁的主要为行人和车辆，所以，本方法障碍物识别主要研究行人和车辆的识别，通常的障碍物分类方法是先对障碍物进行特征提取，然后训练支持向量机(SVM,Support Vector Machine)或人工神经网络等特定的分类器，实现目标分类。对于特征提取大致分三方面：几何形状、3D点云分布，反射强度概率分布。这些方法大都运算过程复杂，难以保证车载运算的实时性。

本发明面向工程实际应用，提出运算简单、高效的方法，根据传感器的扫描方式，着重考虑分析障碍物与扫描线垂直面的尺寸特征，即根据组内各障碍点的相对位置关系得到各障碍物的类别，具体包括步骤：

31)将每一组障碍点对应一个障碍物，并将组内各障碍点定义为各障碍物的扫描点；

32)根据组内各障碍点的方位角及其径向距离得到各障碍物的水平尺寸，具体为：

l≈αd/57.7

其中；l为障碍物的水平尺寸，α为各障碍点方位角差值的最大值，d为各障碍点径向距离的最小值；

如图4，O表示传感器，A、B为障碍物被水平方向扫描到的最边缘的点，设其水平距离为l，传感器到物体的最小径向距离为d，相应的最小距离扫描点为C，C点是随机分布的，所以我们近似假设C为AB的中点，OC与AB垂直，O′为O点在AB所在水平面的投影点，O′C的距离为d′。则，∠AO′B即为障碍物所占的水平方位角范围，设为α。

由于通常障碍物到智能车的距离远远大于障碍物本身尺寸，即d＞＞l，所以我们可以将∠AOB近似为α，于是可将图4简化为图5。由图5得到以下关系式：

$\mathrm{\α}=2\arctan \frac{l/2}{d}=2\arctan \frac{l}{2d}$

上式又可近似为：

$\mathrm{\α}=2\arctan \frac{l}{2d}\≈\frac{l}{d}(d>>l)$

α的单位为弧度，而传感器直接给出的方位角单位为度，所以由上式得：

$\mathrm{\α}\≈\frac{l}{d}\·\frac{180}{\mathrm{\π}}\≈57.7\frac{l}{d}(d>>l)$

设某障碍物对应的扫描点数为p，则该障碍物到传感器的最小距离即为各扫描点参数distance_m的最小值，即：

d＝min(distance_m₁,distance_m₂,...,distance_m_p)

33)根据行人和车辆的实际大小，将行人的尺寸设为l≤0.6m，车辆的尺寸设为1.5m≤l≤6m。由距离d，可直接根据障碍物的水平方位角所占的范围确定是行人或车辆。因此将水平尺寸小于0.6米的障碍物识别为行人，将水平尺寸介于1.5米至6米的障碍物识别为车辆。

表1比较了不同距离时行人所占方位角范围的实际值与计算值，表2比较了不同距离时车辆所占方位角范围的实际值与计算值。由表格结果可看出，计算值与实际值是符合的。表明了该方法的有效性。

表1

距离d[m]	方位角实际值(度)	方位角计算值(度)	计算值与实际值是否符合
				7.23	4.6	<4.7	是
10.07	2.09	<3.43	是
				10.65	2.05	<3.25	是
15.89	1.87	<2.49	是
				16.76	1.54	<2.05	是

表2

距离d[m]	方位角实际值(度)	方位角计算值(度)	计算值与实际值是否符合
				12.97	17.55	6.67～26.69	是
9.72	23.99	8.9～35.61	是
				15.89	15.67	5.44～21.78	是
20.58	10.55	4.2～16.82	是

Claims (8)

1.一种用于智能车辆的障碍物识别方法，其特征在于，包括步骤：

1)获取车辆周围环境的三维激光雷达原始扫描点云在球坐标系下的数据点，并在所有数据点中筛选出障碍点；

2)根据各障碍点的水平方位角及其关于三维激光雷达传感器的径向距离对障碍点进行分组；

3)将每一组障碍点对应一个障碍物，并根据组内各障碍点的相对位置关系得到各障碍物的类别。

2.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述三维激光雷达设于车辆的车顶。

3.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述球坐标系的原点为三维激光雷达的传感器。

4.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述步骤2)具体包括步骤：

21)将所有障碍点按照方位角区域划分；

22)将每一个区域内的障碍点按照径向距离分组。

5.根据权利要求4所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述步骤21)具体为：比较相邻障碍点方位角的差值与方位角差值阈值的大小，若差值小于阈值，则将两个方位角归入同一区域，反之则归入不同区域。

6.根据权利要求4所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述步骤22)中对一个区域内的障碍点的分组过程包括步骤：

221)将区域内的所有障碍点进行随机排序；

222)将第一个障碍点归入第一组障碍点，并将其径向距离作为第一组障碍点的径向距离加权值；

223)判断是否存在一组障碍点的径向距离加权值C_j与下一个障碍点的径向距离r_i之间的差值小于距离差值阈值，若为是，则执行步骤224)，若为否，则执行步骤225)；

224)将该障碍点归入径向距离加权值与其差值最小的一组障碍点，并根据该 障碍点的径向距离更新该组障碍点的径向距离加权值，执行步骤226)；

225)将该障碍点归入新的一组障碍点，并将其径向距离作为该组障碍点的径向距离加权值，并执行步骤226)；

226)判断是否还有障碍点未分组，若为是，则执行步骤223)，若为否，则分组结束。

7.根据权利要求6所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述步骤224)中径向距离加权值更新式为：

C_j'＝(1-α)C_j+αr_i

其中：C_j为更新前的径向距离加权值，C_j'为更新后的径向距离加权值，α为更新系数。

8.根据权利要求1所述的一种用于智能车辆的障碍物识别方法，其特征在于，所述步骤3)具体包括步骤：

31)将每一组障碍点对应一个障碍物，并将组内各障碍点定义为各障碍物的扫描点；

32)根据组内各障碍点的方位角及其径向距离得到各障碍物的水平尺寸，具体为：

l≈αd/57.7

其中；l为障碍物的水平尺寸，α为各障碍点方位角差值的最大值，d为各障碍点径向距离的最小值；

33)将水平尺寸小于0.6米的障碍物识别为行人，将水平尺寸介于1.5米至6米的障碍物识别为车辆。