CN104950313A - 一种路面提取及道路坡度识别方法 - Google Patents

Abstract

本发明涉及一种路面提取及道路坡度识别方法，包括步骤：1)获取车辆周围环境的三维激光雷达扫描点云的球坐标数据；2)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可行驶路线；3)确定车辆可行驶路线中前方路段的方位角，并根据该方位角下各数据点的俯仰角及其关于传感器的径向距离识别前方路段的坡度。与现有技术相比，本发明对车辆可行驶路线中前方路段的坡度进行估计，为无人驾驶的路径规划决策及控制提供有用信息，提高无人驾驶的自主能力。

Description

一种路面提取及道路坡度识别方法

技术领域

本发明涉及无人驾驶领域，尤其是涉及一种路面提取及道路坡度识别方法。

背景技术

无人驾驶车辆系统包括环境感知、路径规划和控制执行三个子系统。其中环境感知子系统是无人车系统的基础，通过多传感器数据采集、数据处理，为实现车辆的路径规划和运动控制提供必要的信息，在无人车技术范畴内占据相当重要的位置，环境感知子系统性能的优劣直接关系到车辆行驶的安全。

车载多传感器中，除了摄像头、GPS、惯导等，主动型传感器是一类重要的传感器，主动型传感器向环境目标发射能量，通过测量回波的时间实现测距，发射能量的形式包括激光、毫米波和超声波等。与其他的主动性传感器相比，激光雷达传感器具有很大的优势。毫米波雷达由于波长的差别，其测距精度不如激光雷达，而超声波雷达主要用于检测短距离的障碍物信息。因此，在高速移动状态下能够实时获取道路以及障碍物信息的环境感知中，激光雷达是不可替代的。在2007年美国无人驾驶汽车城市挑战赛中，获得前三名的BOSS、Junior和Odin主要采用了主动型传感器，而在这些主动型传感器中，三维激光雷达占据最重要的地位。我国国家自然科学基金委员会于2009年至2014年连续主办的六届“中国智能车未来挑战赛”参赛车队中，大都安装了32位或64位三维激光雷达传感器。

激光雷达虽然获取数据速度快、点云密集、场景目标丰富，但其获取的数据具有海量特征，这就对处理车载三维激光雷达点云数据的算法提出了更高的要求。

对三维数据进行路面分割是自主车辆感知任务如障碍物检测与分类，动态障碍物检测与跟踪等的第一步，地面分割结果将会直接影响以后障碍物识别的效果，所以研究三维雷达数据的地面分割有重要意义。

基于单个栅格的地面分割、基于分块直线拟合的地面分割及基于面拟合的地面分割等传统的方法只能处理平坦路面，对于有较大坡度和起伏路面有其局限性。Douillard等人将64线激光雷达数据投影到栅格地图中，采用二维高斯过程回归算法直接对整个地图进行地面拟合和障碍物的提取，该算法可以用于描述不平坦路面，其实验效果和手工标记的激光雷达数据对比，可以获得很高的检测精度，但是由于该算法计算比较复杂，只能获得近似实时的效果。本专利提出一种高效的基于球坐标的适用于不平坦路面的路面分割方法。

自主驾驶中存在斜坡或桥被误判为障碍物(比如墙)的问题，导致错误的规划决策，所以有必要对斜坡或桥进行识别及坡度估计预测。对于车辆行驶环境中道路坡度估计的研究，有学者基于车辆动力学模型，运用车辆行驶状态参数的估计方法，对道路坡度进行估计，但只对车辆当前所处位置的坡度进行了估计，而未提及对前方道路坡度的预测。关于对自主车辆前方道路坡度进行预测的研究鲜有报道。

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路面提取及道路坡度识别方法。

本发明的目的可以通过以下技术方案来实现：

一种路面提取及道路坡度识别方法，包括步骤：

1)获取车辆周围环境的三维激光雷达扫描点云的球坐标数据；

2)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可行驶路线；

3)确定车辆可行驶路线中前方路段的方位角，并根据该方位角下各数据点的俯仰角及其关于传感器的径向距离识别前方路段的坡度。

所述三维激光雷达设于车辆的车顶。

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)设定初始俯仰角，并获取该俯仰角下各数据点关于传感器的径向距离；

22)将与相邻数据点之间径向距离的差值小于自适应阈值R_max的数据点设定为可行驶路面点；

23)改变俯仰角，并重复执行步骤22)，得到车辆周围所有的可行驶路面点；

24)将同一俯仰角下连续的可行驶路面点连接构成圆弧，并将弧长大于车身横向尺寸的圆弧定义为可通过圆弧；

25)根据获得的可通过圆弧，搜索确定车辆可行驶路线。

所述自适应阈值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。

所述车辆可行驶路线由多条连续的可通过圆弧组成。

所述步骤3)具体包括步骤：

31)确定车辆可行驶路线中前方路段的方位角，并获取该方位角下所有数据点，以及各数据点的俯仰角及其关于传感器的径向距离；

32)在步骤31)获取的数据点中任选两个数据点，并根据这两个数据点的俯仰角及其关于传感器的径向距离获得前方路段坡度的计算值；

33)重复32)多次，获得多个坡度的计算值，并将获得的计算值求平均作为前方路段的坡度。

所述前方路段坡度的计算值具体为：

其中：α为前方路段坡度的计算值，和分别为选取的两个数据点的俯仰角，r₁和r₂分别为选取的两个数据点关于传感器的径向距离。

与现有技术相比，本发明具有以下优点：

1)本发明基于由三维激光雷达扫描得到的原始扫描点云在球坐标系下的数据确定车辆可行驶路线并识别路线中前方路段的坡度，可以为车辆的行进路线以及行驶所需要的动力进行调整和预测，提高了无人驾驶车辆动力控制的稳定性，为无人驾驶的路径规划决策及控制提供有用信息，提高无人驾驶的自主能力。

2)根据同一俯仰角下数据点关于传感器的径向距离判断该数据点是否为可行驶路面点，并基于可行驶路面点进行车辆可行驶路线的确定，简单直观，便于程序实现并减少了程序的运算次数。

3)根据任选两个数据点的俯仰角及其关于传感器的径向距离获得前方路段坡度的计算值，计算简单，且不需要假设所有的路面点处于最低水平面，适用于斜坡路面及桥面点提取。

附图说明

图1为本发明方法的主要步骤流程图；

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为无人驾驶车辆可行驶路面点提取示意图；

图4为坡度计算原理示意图。

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。

一种路面提取及道路坡度识别方法，该方法基于三维激光雷达对路面提取及桥面坡度估计进行分析，直接利用三维激光雷达提供的球坐标系数据，本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，我们以无人驾驶车辆上常用的32线激光雷达传感器Velodyne HDL 32E为例，对本方法进行分析。

如图1所示，包括步骤：

1)获取车辆周围环境的三维激光雷达扫描点云的球坐标数据，其中，激光雷达在车辆上的安装位置决定了三维激光雷达的传感器障碍检测的感知范围和能力，因此为了尽可能的减少遮挡、增大激光雷达的探测范围，本实施例中其安装在自主车的车顶上方，另外本实施例中球坐标系的原点为三维激光雷达的传感器；

具体的，先获取三维激光雷达扫描得到原始点云数据：以HDL-32E为例，如图2所示，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2000×32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，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表示数据点到传感器的距离，即数据点关于传感器的径向距离，这样，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。

2)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可行驶路线，具体包括步骤：

21)对每条激光束进行单独分析，每个圆与一条激光束相对应，激光束随传感器的旋转头匀速旋转扫描，因此设定初始俯仰角，并获取该俯仰角下各数据点关于传感器的径向距离；

22)相邻扫描点的径向距离的差大于阈值，则表明出现障碍物，将与相邻数据点之间径向距离的差值小于自适应阈值R_max的数据点设定为可行驶路面点，具体的，将相邻数据点的径向距离的差值|r_i-r_i-1|与自适应阈值R_max进行比较，若差值大于阈值，则认为数据点i为障碍点，否则，该数据点i为可行驶路面点。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。

23)改变俯仰角，并重复执行步骤22)，得到车辆周围所有的可行驶路面点；

24)将同一俯仰角下连续的可行驶路面点连接构成圆弧，考虑到无人驾驶车辆的车体尺寸时，并不是所有的地面都可安全通行，所以当连续圆弧长度大于车辆横向尺寸时，认为该连续圆弧为可通过圆弧，即将弧长大于车身横向尺寸的圆弧定义为可通过圆弧；

25)根据获得的可通过圆弧，搜索确定车辆可行驶路线，车辆可行驶路线由多条连续的可通过圆弧组成，连续的可通过圆弧表示：这些可通过圆弧的俯仰角连续。

具体的，在提取每束激光的可通过圆弧后，再判断同一个方位角范围内的可通过圆弧(具体为最大可通过圆弧和最小可通过圆弧的半径差)是否大于设定值，如图3，A区的连续圆弧大于车辆纵向尺寸并且没有行人等障碍物存在，为可通行路面区域，而在B区由于行人的存在，圆弧数仅为3，为非可通行区域，在可通行区域中确定车辆可行驶路线。

3)确定车辆可行驶路线中前方路段的方位角，并根据该方位角下各数据点的俯仰角及其关于三维激光雷达中传感器的径向距离识别前方路段的坡度，具体包括步骤：

31)确定车辆可行驶路线中前方路段的方位角，并获取该方位角下所有数据点，以及各数据点的俯仰角及其关于传感器的径向距离；

32)在步骤31)获取的数据点中任选两个数据点，并根据这两个数据点的俯仰角及其关于传感器的径向距离获得前方路段坡度的计算值；

前方路段坡度的计算值具体为：

其中：α为前方路段坡度的计算值，和分别为选取的两个数据点的俯仰角，r₁和r₂分别为选取的两个数据点关于传感器的径向距离。

具体的，如图4所示，左上方点O表示三维激光雷达的传感器的位置，右下角所示为位于无人驾驶车辆前方倾斜角为α的斜坡，点P₁和P₂为斜坡上的数据点，其径向距离及俯仰角分别为r₁,和r₂,β为与α相等的辅助角，P_1,1和P_2,1分别为P₁和P₂两点在水平方向的投影点，P_1,2和P_2,2为P₁和P₂两点在垂直方向的投影点，Q为P_2,1P_2,1与P₁P_1,2的交点。图中

于是有

同理，

所以桥面倾角为：

在结构化道路行驶环境中斜坡或桥的纵坡比按照道路设计规范的要求要小于7％，即前行100米升高要小于7m，相应的倾角值为0.0699rad，上式可近似为

α的单位为rad。

33)由两个数据点可以求得前方路段的倾角的一个计算值，为了减小测量误差的影响，提高倾角的估计准确度，我们对该方位角下多个数据点两两求出的倾角计算值求均值，最终得到倾角估计值，即重复32)多次，获得多个坡度的计算值，然后将获得的计算值求平均作为前方路段的坡度，本实施例对前方桥面进行测量，根据多个数据点两两求出的倾角的计算值列于表1。

表1

激光束ID	俯仰角(°)	径向距离(m)	桥面倾角(rad)
				(0,2)	(9.33,8.00)	(9.86,10.912)	0.0742
(0,9)	(9.33,24.00)	(9.86,4.818)	0.0678
				(9,29)	(24.00,10.67)	(4.818,9.046)	0.0634
(9,27)	(24.00,12.00)	(4.818,8.388)	0.0567
				(11,25)	(22.67,13.33)	(5.070,7.784)	0.055
(13,23)	(21.33,14.67)	(5.358,7.276)	0.0519

对表1中倾角值求均值，得到最终倾角估计值为0.048rad。实际桥面纵坡值为0.053，即桥面倾角为0.053rad，估计值与实际值相对偏差为9.4％。对桥面倾角进行估计是为路径规划决策及控制提供有用信息，避免误将桥面认为是墙等不可通行障碍物，该应用目的允许近似估计，一定范围内的偏差是可以接受的。

Claims (8)

1.一种路面提取及道路坡度识别方法，其特征在于，该方法基于三维激光雷达和球坐标系，包括步骤：

1)获取车辆周围环境的三维激光雷达扫描点云的球坐标数据；

2)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可行驶路线；

3)确定车辆可行驶路线中前方路段的方位角，并根据该方位角下各数据点的俯仰角及其关于三维激光雷达中传感器的径向距离识别前方路段的坡度。

2.根据权利要求1所述的一种路面提取及道路坡度识别方法，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所述的一种路面提取及道路坡度识别方法，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所述的一种路面提取及道路坡度识别方法，其特征在于，所述步骤2)具体包括步骤：

21)设定初始俯仰角，并获取该俯仰角下各数据点关于传感器的径向距离；

22)将与相邻数据点之间径向距离的差值小于自适应阈值R_max的数据点设定为可行驶路面点；

23)改变俯仰角，并重复执行步骤22)，得到车辆周围所有的可行驶路面点；

24)将同一俯仰角下连续的可行驶路面点连接构成圆弧，并将弧长大于车身横向尺寸的圆弧定义为可通过圆弧；

25)根据获得的可通过圆弧，搜索确定车辆可行驶路线。

5.根据权利要求4所述的一种路面提取及道路坡度识别方法，其特征在于，所述自适应阈值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。

6.根据权利要求4所述的一种路面提取及道路坡度识别方法，其特征在于，所述车辆可行驶路线由多条连续的可通过圆弧组成。

7.根据权利要求1所述的一种路面提取及道路坡度识别方法，其特征在于，所述步骤3)具体包括步骤：

31)确定车辆可行驶路线中前方路段的方位角，并获取该方位角下所有数据点，以及各数据点的俯仰角及其关于传感器的径向距离；

32)在步骤31)获取的数据点中任选两个数据点，并根据这两个数据点的俯仰角及其关于传感器的径向距离获得前方路段坡度的计算值；

33)重复32)多次，获得多个坡度的计算值，并将获得的计算值求平均作为前方路段的坡度。

8.根据权利要求7所述的一种路面提取及道路坡度识别方法，其特征在于，所述前方路段坡度的计算值具体为：

其中：α为前方路段坡度的计算值，和分别为选取的两个数据点的俯仰角，r₁和r₂分别为选取的两个数据点关于传感器的径向距离。