CN105404844B - 一种基于多线激光雷达的道路边界检测方法 - Google Patents

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

一种基于多线激光雷达的道路边界检测方法

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p_i＝(x_i,y_i,z_i)，并同时获得两侧具有固定间隔的横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±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p_i＝(x_i,y_i,z_i)、两个横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±10)到激光雷达中心点的距离dist_i、dist_i+10、dist_i-10；

并计算距离比值prop₁＝dist_i/dist_i-10和prop₂＝dist_i/dist_i+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p_i＝(x_i,y_i,z_i)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p_i＝(x_i,y_i,z_i)，并获得相同角度的相邻激光射线点云圈的相邻点p_j＝(x_j,y_j,z_j)，其中，i为点云数据中各点的序号；

计算所述当前点数据p_i＝(x_i,y_i,z_i)、相邻点数据p_j＝(x_j,y_j,z_j)到激光雷达中心的距离dist_i、dist_j，并计算两者的距离差值|dist_i-dist_j|，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p_i＝(x_i,y_i,z_i)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p_i＝(x_i,y_i,z_i)，并同时获得两侧具有固定间隔的横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±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p_i，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p_i±10＝(x_i±10,y_i±10,z_i±10)；

计算当前点数据p_i＝(x_i,y_i,z_i)、两个横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±10)到激光雷达中心点的距离dist_i、dist_i+10、dist_i-10；

并计算距离比值prop₁＝dist_i/dist_i-10和prop₂＝dist_i/dist_i+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p_i＝(x_i,y_i,z_i)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p_i+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p_i＝(x_i,y_i,z_i)，并获得相同角度的相邻激光射线点云圈的相邻点p_j＝(x_j,y_j,z_j)，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p_i＝(x_i,y_i,z_i)和p_j＝(x_j,y_j,z_j)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p_i＝(x_i,y_i,z_i)、相邻点数据p_j＝(x_j,y_j,z_j)到激光雷达中心的距离dist_i、dist_j，并计算两者的距离差值|dist_i-dist_j|，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p_i＝(x_i,y_i,z_i)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p_i+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p_i＝(x_i,y_i,z_i)，并同时获得两侧具有固定间隔的横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±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p_i＝(x_i,y_i,z_i)、两个横向相邻点p_i±10＝(x_i±10,y_i±10,z_i±10)到激光雷达中心点的距离dist_i、dist_i+10、dist_i-10；

并计算距离比值prop₁＝dist_i/dist_i-10和prop₂＝dist_i/dist_i+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p_i＝(x_i,y_i,z_i)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p_i＝(x_i,y_i,z_i)，并获得相同角度的相邻激光射线点云圈的相邻点p_j＝(x_j,y_j,z_j)，其中，i为点云数据中各点的序号；

计算所述当前点数据p_i＝(x_i,y_i,z_i)、相邻点数据p_j＝(x_j,y_j,z_j)到激光雷达中心的距离dist_i、dist_j，并计算两者的距离差值|dist_i-dist_j|，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p_i＝(x_i,y_i,z_i)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。