CN105404844B - 一种基于多线激光雷达的道路边界检测方法 - Google Patents
一种基于多线激光雷达的道路边界检测方法 Download PDFInfo
- Publication number
- CN105404844B CN105404844B CN201410466431.7A CN201410466431A CN105404844B CN 105404844 B CN105404844 B CN 105404844B CN 201410466431 A CN201410466431 A CN 201410466431A CN 105404844 B CN105404844 B CN 105404844B
- Authority
- CN
- China
- Prior art keywords
- point
- road boundary
- laser radar
- distance
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明实施例提供一种基于多线激光雷达的道路边界检测方法,在自主驾驶车辆行驶过程中,通过车载多线激光雷达采集周围360°环境的数据,由计算机系统对数据进行预处理,并计算同一条射线扫描点和不同射线扫描圈的距离关系,进行阈值判断提取,并使用自适应圆搜索算法获得道路边界离散点,最终将得到的道路边界离散点进行二次曲线拟合,获得最终可供自动驾驶车辆行驶区域约束的道路边界曲线,以约束车辆的行驶范围,防止车辆碰撞到障碍物而被损坏;本发明实施例具有可减少数据计算量、易实现、求取的道路边界正确率较高等优点。
Description
技术领域
本发明涉及智能汽车领域,尤其涉及一种基于多线激光雷达的道路边界检测方法。
背景技术
随着汽车技术和工业的发展,汽车已经成为人们日常生活中必不可少的交通工具,汽车的使用越来越频繁,汽车的安全也变成非常重要的问题。在自动驾驶技术中,车辆通过先进的传感器检测周围的环境中是否存在影响行驶的障碍物。驾驶员通常通过后视镜和观察前方进行障碍物的躲避和绕障,相应地,自动驾驶车辆使用摄像头和激光雷达探测环境数据并进行障碍物识别。
摄像头最先被用在目标识别中,虽然它具有成本低等优点,但是图像容易受到光照、温湿度等环境因素的干扰而产生噪点等,对算法的鲁棒性要求较高。随着激光雷达技术的发展,雷达点云数据能够探测物体的深度信息,能够提供远距离的物体信息,能够提供稳定的车辆周围的数据,比图像二维数据包含更多能够表征物体特征的信息,可以更直观的从几何结构等特征对未知物体进行判断,所以越来越多的被用于障碍物的识别。
多种激光雷达可以被应用在这个问题上:单线激光雷达可以测量车辆前方190°范围的物体,但是只有一条雷达射线扫射在一个平面上,其检测的范围与安装角度有关,若物体未在该扫描平面上,则可能漏检从而对车辆造成损害;后面出现了多线激光雷达技术,例如,四线激光雷达则具有更加丰富的物体信息,能探测水平方向110°的范围,垂直方向85°的范围,通过两倍输出、三次回波和智能角度分辨率等技术实现输出稳定的物体原始扫描数据和每个测量对象的数据(位置、尺寸、纵向速度、横向速度等),能够提供RS232、Ethernet、CAN等多种接口,更加利于车辆的障碍物检测和后续主动安全的研究;相比于前两种雷达,64线激光雷达则能提供更加丰富的环境数据,利于在自动驾驶技术的应用,它能够扫描车辆360°全景的环境数据,垂直方向的扫描范围为26.8°,工作在5-15Hz,是一种高分辨率的激光雷达,对于自动驾驶来说,车辆需要获得尽可能多的环境数据以供决策系统做出最佳的路径规划,无疑高分辨率的64线激光雷达非常适合车辆障碍物的检测。
现有技术中也出现了采用64线激光雷达进行车辆障碍物的检测的技术,例如中国国家知识产权局专利局公开的CN102270301B号专利,给出了一种非结构化道路的检测方法,它主要使用SVM和64线激光雷达实现,其主要包括如下步骤:
将车载64线激光雷达的一阵数据分析处理之后得到一帧二值栅格数据,将该帧二值栅格数据进行膨胀、腐蚀操作,填充道路同一侧障碍物数据之间狭小空间且保持整体轮廓不变;
求取每个障碍物目标的轮廓,以链码形式保存,并求其质心;
对障碍物目标使用K均值聚类,样本使用求取的质心,目标类别数为两类,分别为道路左侧障碍物目标、右侧障碍物目标;
用SVM进行训练,样本使用分好类别的障碍物目标的轮廓点,获取分类器,根据分类器、最大间隔条件以及栅格数据求取描述道路边界的直线段。
该方法能够减少计算的数据量,具有一定的实时性,但是对于车载传感器和处理系统来说,大量的算法实现显然达不到汽车级别的要求。
64线激光雷达数据量大,算法复杂,要求车载处理系统具有很强大的数据处理能力,按现有的技术无法达到汽车级别的要求。
发明内容
本发明所要解决的技术问题在于,提供一种基于多线激光雷达的道路边界检测方法,可辅助自动驾驶车辆进行局部可行驶道路区域的识别,约束车辆的行驶范围,防止车辆与障碍物碰撞而损害,且计算过程简单,易于实现。
为了解决上述技术问题,本发明实施例的一方面提供一种基于多线激光雷达的道路边界检测方法,包括如下步骤:
通过车载多线激光雷达对环境进行扫描,采集获得点云数据;
将所述点云数据进行坐标转换,形成以激光雷达为中心点的三维坐标信息的点云数据;
遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据预定的判断规则确定所述每个点数据的属性,获得疑似道路边界点;
将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图,并获得二维栅格地图中的各疑似道路边界点;
在所述二维栅格地图中,以所述激光雷达为中心进行自适应圆搜索,从所述二维栅格地图中的各疑似道路边界点中获得道路边界离散点;
将所述道路边界离散点进行拟合,形成道路边界。
优选地,所述通过车载多线激光雷达对环境进行扫描,采集获得点云数据的步骤进一步包括:
对所述点云数据进行自动校正。
优选地,所述遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据预定的判断规则确定所述每个点数据的属性,获得疑似道路边界点的步骤具体为:
对于通过近距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并同时获得两侧具有固定间隔的横向相邻点pi±10=(xi±10,yi±10,zi±10),其中,i为点云数据中各点的序号,x、y、z分别为各点对应的x轴数值、y轴数值和z轴数值;
计算当前点数据pi=(xi,yi,zi)、两个横向相邻点pi±10=(xi±10,yi±10,zi±10)到激光雷达中心点的距离disti、disti+10、disti-10;
并计算距离比值prop1=disti/disti-10和prop2=disti/disti+10;
并判断是否满足下述两个条件:prop1<threshold1和prop2<threshold2,所述threshold1为预设的第一阈值,所述threshold2为预设的第二阈值;
如果判断结果为满足,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点。
优选地,所述遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据预定的判断规则确定所述每个点数据的属性,获得疑似道路边界点的步骤具体为:
对于通过远距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并获得相同角度的相邻激光射线点云圈的相邻点pj=(xj,yj,zj),其中,i为点云数据中各点的序号;
计算所述当前点数据pi=(xi,yi,zi)、相邻点数据pj=(xj,yj,zj)到激光雷达中心的距离disti、distj,并计算两者的距离差值|disti-distj|,判断所述距离差值是否小于预设的第三阈值;
如果判断结果为小于,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点。
优选地,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图,并获得二维栅格地图中的各疑似道路边界点的步骤包括:
通过下述公式,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图:
I(u,v)=MP(x,y,z)
其中,M为旋转-平移矩阵,I为二维栅格地图的点。
优选地,在所述二维栅格地图中,以所述激光雷达为中心进行自适应圆搜索,从所述二维栅格地图中的各疑似道路边界点中获得道路边界离散点的步骤包括:
在所述二维栅格地图中,以所述激光雷达为中心,以预定的半径进行自适应圆搜索,分别向左右方向和车辆前方向进行搜索,当所述圆的边界碰到疑似道路边界点时,将所述疑似道路边界点记录为道路边界离散点。
优选地,将所述道路边界离散点进行拟合,形成道路边界的步骤包括:
从所述二维栅格地图最下方往上找到第一个道路边界离散点,往上一个像素左右以预定距离寻找是否存在道路边界离散点,若有,则继续寻找进行下一个像素;若没有,也继续寻找,但如果间隔超过预定固定个数仍未有道路边界离散点,且已找到的道路边界离散点的个数未达到预设个数要求,则舍弃已经找到的道路边界离散点;并重新开始寻找后面的第一个道路边界离散点;
使用最小二乘算法对所寻找到的道路边界离散点进行曲线拟合,拟合的数学公式为二次抛物线模型y=a1x2+a2x+a3,拟合完之后存储所有曲线段的系数。
优选地,将所述道路边界离散点进行拟合,形成道路边界的步骤包括:
从所述二维栅格地图最下方往上找到第一个道路边界离散点,往上一个像素左右以预定距离寻找是否存在道路边界离散点,若有,则继续寻找进行下一个像素;若没有,也继续寻找,但如果间隔超过预定固定个数仍未有道路边界离散点,且已找到的道路边界离散点的个数未达到预设个数要求,则舍弃已经找到的道路边界离散点;并重新开始寻找后面的第一个道路边界离散点;
采用贝塞尔曲线或B样条曲线法对所寻找到的道路边界离散点进行曲线拟合,并存储所有曲线段的系数。
其中,所述多线激光雷达为64线激光雷达。
实施本发明,具有如下的有益效果:
本发明实施例通过在自主驾驶车辆行驶过程中,通过车载多线(例如64线)激光雷达采集周围360°环境的数据,由计算机系统对数据进行预处理,并计算同一条射线扫描点和不同射线扫描圈的距离关系,进行阈值判断提取,并使用自适应圆搜索算法得到道路边界,最终将得到的数据进行二次曲线拟合,得到最终可供自动驾驶车辆行驶区域约束的道路边界曲线,以约束车辆的行驶范围,防止车辆碰撞到障碍物而被损坏;
本发明实施例所采用的计算方法简单,减少了数据计算量,易实现,且求取的道路边界正确率较高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的提供一种基于多线激光雷达的道路边界检测方法的主流程图;
图2是图1中更具体的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,示出了本发明提供的一种基于多线激光雷达的道路边界检测方法的一个实施例的流程图。请一并结合图2中的更详细的步骤。在该实施例中,以64线激光雷达为例进行说明,后续直接采用64线激光雷达进行叙述,该基于多线激光雷达的道路边界检测方法包括如下步骤:
步骤S10,通过车载64线激光雷达对环境进行扫描,采集获得点云数据;
车载64线激光雷达能够获取以车辆为中心的360°全景环境点云数据,例如,该激光雷达可以10Hz的转动频率来扫描获得环境的点云数据;具体地,可以通过网线和/或RS232将64线激光雷达和车载计算机连接,车载计算机可以在pcap格式数据流上抓取激光雷达包数据,但是每一个数据包只是一定角度范围的环境数据(即一个扇区的数据),故在每一包数据中均会设置一个角度标志位,通过该标志位可以判断是否采集到一圈数据,在一个例子中,该角度标志位的值可从数据包的旋转位置区域(rotational position)的两个字节获取。
步骤S11,将所述点云数据进行坐标转换,形成以激光雷达为中心点的三维坐标信息的点云数据;
由于激光雷达获得的原始数据是点云到激光雷达的距离信息,需要将其转换成激光雷达坐标系下的三维坐标,但是由于内部结构安装存在一定的误差,激光雷达能给出自校正的参数,便于准确进行上述坐标转换;
首先,激光雷达可以输出自校正变量,补偿内部结构安装偏差带来的误差,这点是激光雷达自带的功能,包括每条激光射线的角度和距离校正量,只需要将校正量加到读取到的对应的角度(距离)值就行了。
其次,将补偿后的数据进行坐标转换,原始数据储存的是激光点到激光雷达的距离信息(类似于极坐标),需要将其通过变换转换成以激光雷达为中心的三维坐标p=(x,y,z),其中,x、y、z分别为各点对应的三维坐标中的x轴数值、y轴数值和z轴数值,后文中不再逐一说明;
可以理解的是,在上述步骤中,车载计算机可以每读一个扇区的数据并进行校正和坐标转换,循环进行,直到通过判断标志位所读取到的数据为360°环境数据,这样即获得了整个点云数据。
步骤S12,遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据预定的判断规则确定所述每个点数据的属性,获得疑似道路边界点;
具体地,在本发明的实施例中,对近距离激光射线与远距离激光线进行扫描所获得的点云数据进行区别处理,例如,在一个例子中,可以将前40个扫描圈左右获得的点云数据作为近距离激光射线扫描所获得的点云数据,而将第41个扫描圈之后获得的点云数据作为远距离激光射线扫描所获得的点云数据。当可以理解的是,上述所列40个扫描圈仅为说明的需要,在不同的应用实例中当可以根据需要进行调整;
(一)对于通过近距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并同时获得两侧具有固定间隔的横向相邻点pi±10=(xi±10,yi±10,zi±10),其中,i为点云数据中各点的序号;具体地,在一条射线扫描一圈得到的所有点中先随意选取一个点pi,然后选取顺时针逆时针各间隔十个点后的两个点。由于64线激光雷达的分辨率可达0.4°,相邻的两个点基本没有明显区别,本发明的实施例中设置一定的间隔来处理“相邻”点,在一个实例中,采用10个间隔来进行处理,即相邻的两上点分别选取为pi±10=(xi±10,yi±10,zi±10);
计算当前点数据pi=(xi,yi,zi)、两个横向相邻点pi±10=(xi±10,yi±10,zi±10)到激光雷达中心点的距离disti、disti+10、disti-10;
并计算距离比值prop1=disti/disti-10和prop2=disti/disti+10;
并判断是否满足下述两个条件:prop1<threshold1和prop2<threshold2;
如果判断结果为满足,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点,,其中两个阈值根据实际跑车效果确定其范围,若两个距离比值满足其为距离突变点的阈值,则将该点属性设置为疑似道路边界离散点;如果地面平整,这两个比值应该大致都为1,若地面起伏的话,两个比值则与1偏差较大,具体的变化值得根据实际跑车及不同的起伏路面来确定,该第一阈值threshold1和第二阈值threshold2预先设置。
做完上述的步骤后,再循环到第i+1个点pi+1,并获得相邻的两个点和,然后进行相应的计算判断步骤。直至遍历所有点,检测所有需要判断的点;
(二)对于通过远距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并获得相同角度的相邻激光射线点云圈的相邻点pj=(xj,yj,zj),其中,i为点云数据中各点的序号;由于激光射线点云数据的稀疏性,离激光雷达距离越远时,激光点云密度越低,单位面积点数据越少,所以对于远处的激光点,选定相邻激光射线点云圈同一角度的两个点pi=(xi,yi,zi)和pj=(xj,yj,zj)进行计算,来判断是否疑似道路边界或障碍物边界;
计算所述当前点数据pi=(xi,yi,zi)、相邻点数据pj=(xj,yj,zj)到激光雷达中心的距离disti、distj,并计算两者的距离差值|disti-distj|,判断所述距离差值是否小于预设的第三阈值;
如果判断结果为小于,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点。
做完上述的步骤后,再循环到第i+1个点pi+1,并获得相邻的点,
直至遍历所有点,检测完所有需要判断的点,获得所有疑似道路边界点;
在该步骤中,主要是利用激光射线扫射的工作原理:对于近距离的扫描点,选取同一条射线扫射一圈后固定间隔的横向相邻点,计算点与激光雷达原始坐标的距离,通过距离比例阈值的约束判断该点的属性;对于远距离的扫描点,选取纵向相邻激光射线扫射后的点云圈,在同一角度方向计算点云线圈到激光雷达原始坐标的距离,通过距离差阈值的约束判断该点的属性;
步骤S13,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图,并获得二维栅格地图中的各疑似道路边界点;
具体地,通过下述公式,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图:
I(u,v)=MP(x,y,z)
其中,M为旋转-平移矩阵,I为二维栅格地图的点。
为了与摄像头等传感器融合,此处需要用到标定好的矩阵参数M,将步骤S12中的三维坐标转换到二维栅格地图上,若只是激光雷达单独工作,则只需要保留x和y坐标即可与三维坐标一一对应;
步骤S14,在所述二维栅格地图中,以所述激光雷达为中心进行自适应圆搜索,从所述二维栅格地图中的各疑似道路边界点中获得道路边界离散点;
具体地,在所述二维栅格地图中,以所述激光雷达为中心,以预定的半径(如2-3米)进行自适应圆搜索,分别向左右方向和车辆前方向进行搜索,当所述圆的边界碰到疑似道路边界点时,将所述疑似道路边界点记录为道路边界离散点。自适应圆搜索算法中圆的直径大小设置与具体的道路有关,它的大小约束了能够被认可的岔路的路宽,防止车辆驶入路况复杂的小路;
步骤S15,将所述道路边界离散点进行拟合,形成道路边界,得到可供自主驾驶车辆行驶的可通行区域。
具体地,从所述二维栅格地图最下方往上找到第一个道路边界离散点,往上一个像素左右以预定距离(如1米)寻找是否存在道路边界离散点,若有,则继续寻找进行下一个像素;若没有,也继续寻找,但如果间隔超过固定个数(如4个)仍未有道路边界离散点,且已找到的道路边界离散点的个数未达到预设个数要求(如10个),则舍弃已经找到的道路边界离散点;并重新开始寻找后面的第一个道路边界离散点;
使用最小二乘算法对寻找到的道路边界离散点进行曲线拟合,拟合的数学公式为二次抛物线模型y=a1x2+a2x+a3,拟合完之后存储所有曲线段的系数。
可以理解的是,在其他的实施例中,也可以采用其他的方式来对所寻找到的道路边界离散点进行曲线拟合,例如采用贝塞尔曲线、B样条曲线等。
可以理解的是,上述的实施例中,是以64线激光雷达的例子进行说明,但此仅为说明的的方面,非为限制。例在,在其他的实施例中,可以采用其他数量的激光雷达进行环境数据采集(例如可以采用多于64线的激光雷达)。
实施本发明,具有如下的有益效果:
本发明实施例通过在自主驾驶车辆行驶过程中,通过车载多线(如64线)激光雷达采集周围360°环境的数据,由计算机系统对数据进行预处理,并计算同一条射线扫描点和不同射线扫描圈的距离关系,进行阈值判断提取,并使用自适应圆搜索算法得到道路边界,最终将得到的数据进行二次曲线拟合,得到最终可供自动驾驶车辆行驶区域约束的道路边界曲线,约束车辆的行驶范围,防止车辆碰撞到障碍物而被损坏;
本发明实施例所采用的计算方法简单,减少了数据计算量,易实现,且求取的道路边界正确率较高。
可以理解的是,本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,该的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccess Memory,RAM)等。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (9)
1.一种基于多线激光雷达的道路边界检测方法,其特征在于,包括如下步骤:
通过车载多线激光雷达对环境进行扫描,采集获得点云数据;
将所述点云数据进行坐标转换,形成以激光雷达为中心点的三维坐标信息的点云数据;
遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,对于近距离的扫描点,选取同一条射线扫射一圈后固定间隔的横向相邻点,计算所述扫描点、横向相邻点与激光雷达原始坐标的距离,通过距离比例阈值的约束判断所述扫描点的属性;对于远距离的扫描点,选取纵向相邻激光射线扫射后的点云圈,在同一角度方向计算各点云线圈到激光雷达原始坐标的距离,通过距离差阈值的约束判断所述扫描点的属性,获得疑似道路边界点;
将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图,并获得二维栅格地图中的各疑似道路边界点;
在所述二维栅格地图中,以所述激光雷达为中心进行自适应圆搜索,从所述二维栅格地图中的各疑似道路边界点中获得道路边界离散点;
将所述道路边界离散点进行拟合,形成道路边界。
2.如权利要求1所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,所述通过车载多线激光雷达对环境进行扫描,采集获得点云数据的步骤进一步包括:
对所述点云数据进行自动校正。
3.如权利要求1所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,所述遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据所述每个点数据到激光雷达原始坐标的距离与其相邻点到激光雷达原始坐标的距离之间的关系来确定所述每个点数据的属性,获得疑似道路边界点的步骤具体为:
对于通过近距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并同时获得两侧具有固定间隔的横向相邻点pi±10=(xi±10,yi±10,zi±10),其中,i为点云数据中各点的序号,x、y、z分别为各点对应的x轴数值、y轴数值和z轴数值;
计算当前点数据pi=(xi,yi,zi)、两个横向相邻点pi±10=(xi±10,yi±10,zi±10)到激光雷达中心点的距离disti、disti+10、disti-10;
并计算距离比值prop1=disti/disti-10和prop2=disti/disti+10;
并判断是否满足下述两个条件:prop1<threshold1和prop2<threshold2,所述threshold1为预设的第一阈值,所述threshold2为预设的第二阈值;
如果判断结果为满足,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点。
4.如权利要求1所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,所述遍历所述三维坐标信息的点云数据中的每个点数据,获得其到激光雷达原始坐标的距离,以及获得与其具有固定间隔的相邻点到激光雷达原始坐标的距离,并根据所述每个点数据到激光雷达原始坐标的距离与其相邻点到激光雷达原始坐标的距离之间的关系来确定所述每个点数据的属性,获得疑似道路边界点的步骤具体为:
对于通过远距离激光射线进行扫描所获得的点云数据,遍历其中每个点数据pi=(xi,yi,zi),并获得相同角度的相邻激光射线点云圈的相邻点pj=(xj,yj,zj),其中,i为点云数据中各点的序号;
计算所述当前点数据pi=(xi,yi,zi)、相邻点数据pj=(xj,yj,zj)到激光雷达中心的距离disti、distj,并计算两者的距离差值|disti-distj|,判断所述距离差值是否小于预设的第三阈值;
如果判断结果为小于,则确定所述当前点pi=(xi,yi,zi)为疑似道路边界点。
5.如权利要求1至4任一项所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图,并获得二维栅格地图中的各疑似道路边界点的步骤包括:
通过下述公式,将所述具有疑似道路边界点的三维坐标信息的点云数据转换成二维栅格地图:
I(u,v)=MP(x,y,z)
其中,M为旋转-平移矩阵,I为二维栅格地图的点。
6.如权利要求5所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,在所述二维栅格地图中,以所述激光雷达为中心进行自适应圆搜索,从所述二维栅格地图中的各疑似道路边界点中获得道路边界离散点的步骤包括:
在所述二维栅格地图中,以所述激光雷达为中心,以预定的半径进行自适应圆搜索,分别向左右方向和车辆前方向进行搜索,当所述圆的边界碰到疑似道路边界点时,将所述疑似道路边界点记录为道路边界离散点。
7.如权利要求6所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,将所述道路边界离散点进行拟合,形成道路边界的步骤包括:
从所述二维栅格地图最下方往上找到第一个道路边界离散点,往上一个像素左右以预定距离寻找是否存在道路边界离散点,若有,则继续寻找进行下一个像素;若没有,也继续寻找,但如果间隔超过预定固定个数仍未有道路边界离散点,且已找到的道路边界离散点的个数未达到预设个数要求,则舍弃已经找到的道路边界离散点;并重新开始寻找后面的第一个道路边界离散点;
使用最小二乘算法对所寻找到的道路边界离散点进行曲线拟合,拟合的数学公式为二次抛物线模型y=a1x2+a2x+a3,拟合完之后存储所有曲线段的系数。
8.如权利要求6所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,将所述道路边界离散点进行拟合,形成道路边界的步骤包括:
从所述二维栅格地图最下方往上找到第一个道路边界离散点,往上一个像素左右以预定距离寻找是否存在道路边界离散点,若有,则继续寻找进行下一个像素;若没有,也继续寻找,但如果间隔超过预定固定个数仍未有道路边界离散点,且已找到的道路边界离散点的个数未达到预设个数要求,则舍弃已经找到的道路边界离散点;并重新开始寻找后面的第一个道路边界离散点;
采用贝塞尔曲线或B样条曲线法对所寻找到的道路边界离散点进行曲线拟合,并存储所有曲线段的系数。
9.如权利要求6所述的一种基于多线激光雷达的道路边界检测方法,其特征在于,所述多线激光雷达为64线激光雷达。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410466431.7A CN105404844B (zh) | 2014-09-12 | 2014-09-12 | 一种基于多线激光雷达的道路边界检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410466431.7A CN105404844B (zh) | 2014-09-12 | 2014-09-12 | 一种基于多线激光雷达的道路边界检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105404844A CN105404844A (zh) | 2016-03-16 |
CN105404844B true CN105404844B (zh) | 2019-05-31 |
Family
ID=55470323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410466431.7A Active CN105404844B (zh) | 2014-09-12 | 2014-09-12 | 一种基于多线激光雷达的道路边界检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105404844B (zh) |
Families Citing this family (80)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170115778A (ko) * | 2016-04-08 | 2017-10-18 | 팅크웨어(주) | 도로면 생성 방법, 도로면 생성 장치, 포인트 클라우드 데이터 처리 방법, 포인트 클라우드 데이터 처리 장치, 컴퓨터 프로그램 및 컴퓨터 판독 가능한 기록 매체 |
CN105911553B (zh) * | 2016-04-15 | 2019-01-01 | 北京信息科技大学 | 一种道路可行域确定方法及系统 |
CN106291506A (zh) * | 2016-08-16 | 2017-01-04 | 长春理工大学 | 基于单线点云数据机器学习的车辆目标识别方法及装置 |
CN106054208B (zh) * | 2016-08-16 | 2019-02-19 | 长春理工大学 | 多线激光雷达车辆目标识别方法和汽车的防撞装置 |
CN106339669A (zh) * | 2016-08-16 | 2017-01-18 | 长春理工大学 | 多线点云数据机器学习的人形目标识别方法和防撞装置 |
CN106371104A (zh) * | 2016-08-16 | 2017-02-01 | 长春理工大学 | 多线点云数据机器学习的车辆目标识别方法及防撞装置 |
CN106353769A (zh) * | 2016-08-16 | 2017-01-25 | 长春理工大学 | 多线激光雷达人形目标识别方法和汽车的防撞装置 |
CN106355194A (zh) * | 2016-08-22 | 2017-01-25 | 广东华中科技大学工业技术研究院 | 一种基于激光成像雷达的无人艇水面目标处理方法 |
US10394237B2 (en) * | 2016-09-08 | 2019-08-27 | Ford Global Technologies, Llc | Perceiving roadway conditions from fused sensor data |
CN108020825B (zh) * | 2016-11-03 | 2021-02-19 | 岭纬公司 | 激光雷达、激光摄像头、视频摄像头的融合标定系统及方法 |
US10309778B2 (en) * | 2016-12-30 | 2019-06-04 | DeepMap Inc. | Visual odometry and pairwise alignment for determining a position of an autonomous vehicle |
CN108345008A (zh) * | 2017-01-23 | 2018-07-31 | 郑州宇通客车股份有限公司 | 一种目标物检测方法、点云数据提取方法及装置 |
CN107121980B (zh) * | 2017-03-17 | 2019-07-09 | 北京理工大学 | 一种基于虚拟约束的自动驾驶车辆路径规划方法 |
CN106918819B (zh) * | 2017-03-28 | 2019-12-03 | 奇瑞汽车股份有限公司 | 一种激光雷达点云数据障碍检测算法 |
CN106991389B (zh) * | 2017-03-29 | 2021-04-27 | 蔚来(安徽)控股有限公司 | 确定道路边沿的装置和方法 |
WO2018195742A1 (zh) * | 2017-04-24 | 2018-11-01 | 李卓希 | 一种车辆行驶控制方法和系统 |
CN107272019B (zh) * | 2017-05-09 | 2020-06-05 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法 |
CN107169464B (zh) * | 2017-05-25 | 2019-04-09 | 中国农业科学院农业资源与农业区划研究所 | 一种基于激光点云的道路边界检测方法 |
CN107121683B (zh) * | 2017-06-19 | 2023-09-08 | 上海禾赛科技有限公司 | 基于多个激光器的多线激光雷达 |
CN108573272B (zh) * | 2017-12-15 | 2021-10-29 | 蔚来(安徽)控股有限公司 | 车道拟合方法 |
CN108280840B (zh) * | 2018-01-11 | 2021-09-03 | 武汉理工大学 | 一种基于三维激光雷达的道路实时分割方法 |
CN110068834B (zh) * | 2018-01-24 | 2023-04-07 | 北京京东尚科信息技术有限公司 | 一种路沿检测方法和装置 |
CN108427124B (zh) * | 2018-02-02 | 2020-05-12 | 北京智行者科技有限公司 | 一种多线激光雷达地面点分离方法及装置、车辆 |
CN108416044B (zh) * | 2018-03-15 | 2021-11-09 | 斑马网络技术有限公司 | 场景缩略图的生成方法、装置、电子设备及存储介质 |
CN110457407B (zh) * | 2018-05-02 | 2022-08-12 | 北京京东尚科信息技术有限公司 | 用于处理点云数据的方法和装置 |
CN108647646B (zh) * | 2018-05-11 | 2019-12-13 | 北京理工大学 | 基于低线束雷达的低矮障碍物的优化检测方法及装置 |
CN108931786A (zh) * | 2018-05-17 | 2018-12-04 | 北京智行者科技有限公司 | 路沿检测装置和方法 |
US10935378B2 (en) * | 2018-05-21 | 2021-03-02 | Tusimple, Inc. | System and method for angle measurement |
CN108873013B (zh) * | 2018-06-27 | 2022-07-22 | 江苏大学 | 一种采用多线激光雷达的道路可通行区域获取方法 |
WO2020028116A1 (en) * | 2018-07-30 | 2020-02-06 | Optimum Semiconductor Technologies Inc. | Object detection using multiple neural networks trained for different image fields |
CN109143207B (zh) * | 2018-09-06 | 2020-11-10 | 百度在线网络技术(北京)有限公司 | 激光雷达内参精度验证方法、装置、设备及介质 |
TWI690439B (zh) | 2018-11-01 | 2020-04-11 | 財團法人車輛研究測試中心 | 道路標線之光達偵測方法及其系統 |
WO2020102987A1 (zh) * | 2018-11-20 | 2020-05-28 | 深圳大学 | 智能辅助驾驶方法及系统 |
CN109635672B (zh) * | 2018-11-22 | 2020-07-28 | 同济大学 | 一种无人驾驶的道路特征参数估计方法 |
CN111323026B (zh) * | 2018-12-17 | 2023-07-07 | 兰州大学 | 一种基于高精度点云地图的地面过滤方法 |
CN111352090B (zh) * | 2018-12-21 | 2023-06-27 | 保定市天河电子技术有限公司 | 集成姿态系统的激光雷达及控制方法 |
CN109507689A (zh) * | 2018-12-25 | 2019-03-22 | 肖湘江 | 带障碍物记忆功能的多激光雷达数据融合方法 |
CN109613544B (zh) * | 2018-12-26 | 2022-11-11 | 长安大学 | 一种基于激光雷达的高速公路视距检测方法 |
CN109870689B (zh) * | 2019-01-08 | 2021-06-04 | 武汉中海庭数据技术有限公司 | 毫米波雷达与高精矢量地图匹配的车道级定位方法与系统 |
CN109752701B (zh) * | 2019-01-18 | 2023-08-04 | 中南大学 | 一种基于激光点云的道路边沿检测方法 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
CN109916416B (zh) * | 2019-01-29 | 2022-04-01 | 腾讯科技(深圳)有限公司 | 车道线数据处理与更新方法、装置及设备 |
CN109946701B (zh) * | 2019-03-26 | 2021-02-02 | 新石器慧通(北京)科技有限公司 | 一种点云坐标转换方法及装置 |
WO2020206639A1 (zh) * | 2019-04-10 | 2020-10-15 | 深圳市大疆创新科技有限公司 | 目标物体的拟合方法、点云传感器和移动平台 |
CN110134120A (zh) * | 2019-04-11 | 2019-08-16 | 广东工业大学 | 一种非结构路面下基于多线激光雷达的路径规划方法 |
CN110031823B (zh) * | 2019-04-22 | 2020-03-24 | 上海禾赛光电科技有限公司 | 可用于激光雷达的噪点识别方法以及激光雷达系统 |
US11079546B2 (en) | 2019-04-22 | 2021-08-03 | Blackmore Sensors & Analytics, LLC. | Providing spatial displacement of transmit and receive modes in LIDAR system |
CN110243369A (zh) * | 2019-04-30 | 2019-09-17 | 北京云迹科技有限公司 | 适用于机器人定位的远程建图方法及装置 |
CN110119721B (zh) * | 2019-05-17 | 2021-04-20 | 百度在线网络技术(北京)有限公司 | 用于处理信息的方法和装置 |
CN112016355B (zh) * | 2019-05-30 | 2022-06-24 | 魔门塔(苏州)科技有限公司 | 一种提取道路边沿的方法及装置 |
CN112014856B (zh) * | 2019-05-30 | 2023-05-12 | 魔门塔(苏州)科技有限公司 | 一种适于交叉路段的道路边沿提取方法及装置 |
CN110379007B (zh) * | 2019-07-25 | 2022-01-18 | 厦门大学 | 基于车载移动激光扫描点云的三维公路曲线重建方法 |
CN112219206A (zh) * | 2019-07-25 | 2021-01-12 | 北京航迹科技有限公司 | 用于确定位姿的系统和方法 |
WO2021016751A1 (zh) * | 2019-07-26 | 2021-02-04 | 深圳市大疆创新科技有限公司 | 一种点云特征点提取方法、点云传感系统及可移动平台 |
CN110320504B (zh) * | 2019-07-29 | 2021-05-18 | 浙江大学 | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 |
CN110654381B (zh) * | 2019-10-09 | 2021-08-31 | 北京百度网讯科技有限公司 | 用于控制车辆的方法和装置 |
CN111048208A (zh) * | 2019-12-28 | 2020-04-21 | 哈尔滨工业大学(威海) | 一种基于激光雷达的室内独居老人行走健康检测方法 |
CN111149536A (zh) * | 2019-12-31 | 2020-05-15 | 广西大学 | 一种无人绿篱修剪机及其控制方法 |
CN113077473A (zh) * | 2020-01-03 | 2021-07-06 | 广州汽车集团股份有限公司 | 三维激光点云路面分割方法、系统、计算机设备及介质 |
CN111175741B (zh) * | 2020-01-10 | 2022-03-18 | 浙江大学 | 一种单频连续毫米波多普勒传感微波墙安全空间预警方法 |
CN111401176B (zh) * | 2020-03-09 | 2022-04-26 | 中振同辂(江苏)机器人有限公司 | 一种基于多线激光雷达的路沿检测方法 |
WO2021189350A1 (en) * | 2020-03-26 | 2021-09-30 | Baidu.Com Times Technology (Beijing) Co., Ltd. | A point cloud-based low-height obstacle detection system |
CN111443360B (zh) * | 2020-04-20 | 2022-06-24 | 北京易控智驾科技有限公司 | 矿区无人驾驶系统道路边界自动采集装置和识别方法 |
CN111551958B (zh) * | 2020-04-28 | 2022-04-01 | 北京踏歌智行科技有限公司 | 一种面向矿区无人驾驶的高精地图制作方法 |
CN111552756A (zh) * | 2020-04-28 | 2020-08-18 | 北京踏歌智行科技有限公司 | 一种铲窝及卸点自动动态更新的矿区高精地图制作方法 |
CN113740355B (zh) * | 2020-05-29 | 2023-06-20 | 清华大学 | 一种射线检测机器人的边界防护方法及系统 |
CN111754798A (zh) * | 2020-07-02 | 2020-10-09 | 上海电科智能系统股份有限公司 | 融合路侧激光雷达和视频实现车辆和周边障碍物探知方法 |
CN112034482A (zh) * | 2020-08-24 | 2020-12-04 | 北京航天发射技术研究所 | 一种道路边界实时提取及测量方法和装置 |
CN112211145A (zh) * | 2020-09-07 | 2021-01-12 | 徐州威卡电子控制技术有限公司 | 一种用于扫路机半自动化扫路方法及装置 |
CN112578368B (zh) * | 2020-12-07 | 2024-03-29 | 福建(泉州)哈工大工程技术研究院 | 自动驾驶设备多线激光雷达安装下线验收方法 |
CN112528829B (zh) * | 2020-12-07 | 2023-10-24 | 中国科学院深圳先进技术研究院 | 一种基于视觉的非结构化道路的居中行驶方法 |
CN112666535A (zh) * | 2021-01-12 | 2021-04-16 | 重庆长安汽车股份有限公司 | 一种基于多雷达数据融合的环境感知方法及系统 |
CN112560800A (zh) * | 2021-01-12 | 2021-03-26 | 知行汽车科技(苏州)有限公司 | 路沿检测方法、装置及存储介质 |
CN112965077B (zh) * | 2021-02-09 | 2022-02-11 | 上海同陆云交通科技有限公司 | 一种基于车载激光雷达的道路巡检系统与方法 |
CN113156451B (zh) * | 2021-03-23 | 2023-04-18 | 北京易控智驾科技有限公司 | 非结构化道路边界检测方法、装置、存储介质和电子设备 |
CN112802094B (zh) * | 2021-04-08 | 2021-06-25 | 顺为智能科技(常州)有限公司 | 一种无人驾驶车辆隧道内姿态检测方法 |
CN113252027B (zh) * | 2021-06-21 | 2021-10-01 | 中南大学 | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 |
CN113313629B (zh) * | 2021-07-30 | 2021-10-29 | 北京理工大学 | 交叉路口自动识别方法、系统及其模型保存方法、系统 |
CN113643387B (zh) * | 2021-10-14 | 2022-02-22 | 深圳市海谱纳米光学科技有限公司 | 寻找fpi响应中心点的往复式边界检索的方法及其验证方法 |
CN116188803B (zh) * | 2023-04-23 | 2023-09-15 | 武汉工程大学 | 一种基于极坐标的边界点云提取方法、系统、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN101950434A (zh) * | 2010-09-13 | 2011-01-19 | 天津市星际空间地理信息工程有限公司 | 一种车载激光雷达系统及城市部件自动化测量方法 |
US7995055B1 (en) * | 2007-05-25 | 2011-08-09 | Google Inc. | Classifying objects in a scene |
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
-
2014
- 2014-09-12 CN CN201410466431.7A patent/CN105404844B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7995055B1 (en) * | 2007-05-25 | 2011-08-09 | Google Inc. | Classifying objects in a scene |
CN101833666A (zh) * | 2009-03-11 | 2010-09-15 | 中国科学院自动化研究所 | 一种对离散点云数据微分几何量的估计方法 |
CN101950434A (zh) * | 2010-09-13 | 2011-01-19 | 天津市星际空间地理信息工程有限公司 | 一种车载激光雷达系统及城市部件自动化测量方法 |
CN103413133A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 无序激光点云数据中自动提取电力线方法 |
Non-Patent Citations (2)
Title |
---|
基于三维激光雷达的动态障碍实时检测与跟踪;杨飞等;《浙江大学学报》;20120930;第46卷(第9期);第1566-1567页 |
基于四线激光雷达的校园道路的检测与跟踪;杨象军等;《传感器与微系统》;20130930(第9期);第135页 |
Also Published As
Publication number | Publication date |
---|---|
CN105404844A (zh) | 2016-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105404844B (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN110320504B (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN106842231B (zh) | 一种道路边界检测及跟踪方法 | |
CN106997049B (zh) | 一种基于激光点云数据的检测障碍物的方法和装置 | |
CN106530380B (zh) | 一种基于三维激光雷达的地面点云分割方法 | |
CN110531376B (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
CN103499343B (zh) | 基于三维激光反射强度的道路标线点云自动分类识别方法 | |
Chen et al. | Gaussian-process-based real-time ground segmentation for autonomous land vehicles | |
CN103542868B (zh) | 基于角度和强度的车载激光点云噪点自动去除方法 | |
CN101576384B (zh) | 一种基于视觉信息校正的室内移动机器人实时导航方法 | |
CN106541945A (zh) | 一种基于icp算法的无人车自动泊车方法 | |
CN109738910A (zh) | 一种基于三维激光雷达的路沿检测方法 | |
CN109031346A (zh) | 一种基于3d激光雷达的周边泊车位辅助检测方法 | |
CN108037515A (zh) | 一种激光雷达和超声波雷达信息融合系统及方法 | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
CN104143194A (zh) | 一种点云分割方法及装置 | |
CN110674705A (zh) | 基于多线激光雷达的小型障碍物检测方法及装置 | |
CN111175788B (zh) | 自动驾驶车辆横向定位方法及其定位系统 | |
CN109597097A (zh) | 基于多线激光的扫描式障碍物检测方法 | |
CN112184736A (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN114821526A (zh) | 基于4d毫米波雷达点云的障碍物三维边框检测方法 | |
CN115127510A (zh) | 一种水陆空三栖立体无人化多平台联动滑坡智能巡防系统 | |
CN112674646A (zh) | 基于多算法融合的自适应贴边作业方法及机器人 | |
CN113030997B (zh) | 一种基于激光雷达的露天矿区可行驶区域检测方法 | |
CN113269889B (zh) | 一种基于椭圆域的自适应点云目标聚类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220104 Address after: 511434 No. 36, Longying Road, Shilou Town, Panyu District, Guangzhou City, Guangdong Province Patentee after: GAC AIAN New Energy Vehicle Co.,Ltd. Address before: 510000 23 building, Cheng Yue mansion 448-458, Dongfeng Middle Road, Yuexiu District, Guangzhou, Guangdong. Patentee before: GUANGZHOU AUTOMOBILE GROUP Co.,Ltd. |
|
TR01 | Transfer of patent right |