CN105866790A - 一种考虑激光发射强度的激光雷达障碍物识别方法及系统 - Google Patents

Abstract

本发明公开了一种考虑激光发射强度的激光雷达障碍物识别方法，首先获取环境数据并以数组形式存储于计算机中，对获取的环境数据进行预处理，对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，然后将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；本发明提供的考虑激光发射强度的激光雷达障碍物识别方法，利用激光雷达输出的环境反射强度信息，将常用的环境距离信息上升到非平面的三维空间，并提出基于非平面数据分割的障碍物识别方法，从而保证障碍物识别的实时性及准确性。

Description

一种考虑激光发射强度的激光雷达障碍物识别方法及系统

技术领域

本发明涉及机器人及智能车辆的局部导航领域，特别涉及一种考虑激光发射强度的激光雷达障碍物识别方法。

背景技术

障碍物检测是移动机器人自主导航系统的必要组成部分，鲁棒的障碍检测是实现有效和安全导航的基础。现代移动机器人往往依赖多种传感器的搭配，选取合适的多传感器信息处理算法感知所处场景，进而做出相应的决策。对于机器人的环境识别，从传感器角度上看，主要有三种类型：利用立体视觉的障碍物的检测、利用激光雷达的障碍物的检测和利用多传感器融合的障碍物的检测。

立体视觉和人利用双目成像估计景物距离的原理类似，在计算机视觉中也有利用两个相互位置关系已知的摄像机组成立体视觉系统,根据同一景物在两个摄像机上成像的视差恢复出景物深度。与该方法相比，利用激光雷达的对障碍物进行检测可以实时的获取精度比较高的周围环境相关信息，使得机器人在周围未知的环境中对障碍物的检测更加有效和可靠，因此激光雷达具有环境适应能力强、精确度高等优势，目前在未知环境中的障碍物进行检测大多采用激光雷达检测技术。

近几年来，很多人已经对使用激光雷达对障碍物进行检测相关方面做了很多的相关研究，大多是用测量环境中的位置信息的方法来获得障碍物分布信息。比如：南京理工大学的Yuan等人利用64线激光雷达提出了适用于结构化和半结构化道路环境的路面提取算法，该算法是利用模糊聚类来对路面进行提取，对比连续几帧的雷达数据，确定正常路面的参考平面，进一步提取出路面上的障碍物；Moosmann等人采用基于图的方法对三维激光雷达数据进行了障碍物和地面分割，这种方法证明了在具有弯道的复杂环境中也能获得很好的效果；万忠涛利用激光雷达的平面模型和扩展的Kalman滤波算法对障碍物检测算法进行了改进，完成了对单帧雷达数据的分类；Himmelsbach针对64线雷达的特点，先用极坐标栅格地图来表示雷达数据，然后使用分块进行直线拟合的办法对障碍物进行分割，最后再对障碍物进行聚类处理，该方法的检测效果比较好；B.Douillard等联合使用均值高度图和最小最大高度图，先利用均值高度图对地面进行分割，然后用最大最小值栅格地图进一步分割障碍物，这 种混合高度图能够很好的提取地面并获得比较准确的障碍物信息。

然而多线激光雷达虽然提高环境描述的精度，却也因为增加了计算量而对数据处理单元提出了很高的挑战。而性价比较高的二维激光雷达却更适合实时性高的场合。在障碍物识别方面，多采用二维激光雷达输出的环境距离信息进行障碍物或其他物体的聚类分析，而在要求实时性较高的场合，激光雷达输出的距离信息将不足以满足环境识别系统的精确性要求，因此，将激光雷达输出的环境反射强度信息作为聚类样本之一，这样可以增加更多的信息量。而且目前对于一些实时性高、运算量小的聚类算法多为平面聚类算法，无法很好地融合位置和反射强度信息。

因此需要一种高效的障碍物识别方法来识别机器人和智能车辆前方的障碍物。

发明内容

本发明的目的就是提供一种考虑激光发射强度的激光雷达障碍物识别方法；该方法应用于局部导航中，采用单线激光雷达来识别障碍物。

本发明的目的是通过这样的技术方案实现的：

本发明提供的考虑激光发射强度的激光雷达障碍物识别方法，包括以下步骤：

步骤1：获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

步骤2：对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

步骤3：对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)；

步骤4：将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

进一步，所述步骤2中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1,2,3,...,N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

进一步，所述步骤3中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

进一步，所述步骤4中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成三角形，并计算该三角形的面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算该闭合图形的面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点分别得到两条直线，记为L1、L2；判断簇群所有点能否在阈值内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第S1与S2之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

进一步，所述步骤4中障碍物具体按照以下过程进行匹配：

S41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

S42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不 收敛于两条直线，则数据集合为凸圆弧形障碍物；

S43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。

本发明还提供了一种考虑激光发射强度的激光雷达障碍物识别系统，包括环境数据生成模块、环境数据预处理模块、非平面ABD处理模块和障碍物匹配模块；

所述环境数据生成模块，用于获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

所述环境数据预处理模块，用于对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

所述非平面ABD处理模块，用于对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)；

所述障碍物匹配模块，用于将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

进一步，所述环境数据预处理模块中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1，2，3，......N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

进一步，所述非平面ABD处理模块中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

进一步，所述障碍物匹配模块中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成闭合图形，计算第一面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算第二面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点；判断簇群所有点能否在直线阈值δ内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第一面积与第二面积之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

进一步，所述障碍物匹配模块中障碍物具体按照以下过程进行匹配：

S41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

S42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛于两条直线，则数据集合为凸圆弧形障碍物；

S43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。

由于采用了上述技术方案，本发明具有如下的优点：

本发明提供的考虑激光发射强度的激光雷达障碍物识别方法，利用激光雷达输出的环境 反射强度信息，将常用的环境距离信息上升到非平面的三维空间，并提出基于非平面数据分割的障碍物识别方法，从而保证障碍物识别的实时性及准确性。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书和权利要求书来实现和获得。

附图说明

本发明的附图说明如下。

图1a为本发明的ABD算法示意图。

图1b为本发明的非平面ABD算法示意图。

图2a为第一个点是障碍物的起点且最后一个点是障碍物的终点示意图。

图2b为凸形障碍物中离机器人最近的点是尖峰型障碍物的顶点示意图。

图2c为凸形障碍物中离机器人最近的点是圆弧形障碍物的顶点示意图。

图2d为凹形障碍物中离机器人最远的点是凹形障碍物的顶点或终点示意图。

图3a为尖峰型障碍物的起点到顶点、终点到顶点的所有数据示意图。

图3b为凸圆弧形障碍物的各个点与原点形成的微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛示意图。

图3c为凹形障碍物的各个点与原点形成的微分区域面积大于起点、终点及原点形成的三角形面积示意图。

图4为本发明的激光雷达数据预处理流程图。

图5为本发明的通道及障碍物特征匹配方法流程图。

具体实施方式

下面结合附图和实施例对本发明作进一步说明。

实施例1

如图所示，本实施例提供的考虑激光发射强度的激光雷达障碍物识别方法，包括以下步骤：

步骤1：获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

步骤2：对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

步骤3：对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)；

步骤4：将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

所述步骤2中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1,2,3,...,N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返 回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

所述步骤3中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

所述步骤4中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成三角形，并计算该三角形的面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算该闭合图形 的面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点分别得到两条直线，记为L1、L2；判断簇群所有点能否在阈值δ＝5cm内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第S1与S2之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

所述步骤4中障碍物具体按照以下过程进行匹配：

S41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

S42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛于两条直线，则数据集合为凸圆弧形障碍物；

S43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。

本实施例还提供了一种考虑激光发射强度的激光雷达障碍物识别系统，包括环境数据生成模块、环境数据预处理模块、非平面ABD处理模块和障碍物匹配模块；

所述环境数据生成模块，用于获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

所述环境数据预处理模块，用于对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

所述非平面ABD处理模块，用于对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射 强度，即P_jk＝(x_i,y_j,s)；

所述障碍物匹配模块，用于将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

所述环境数据预处理模块中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1，2，3，......N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

所述非平面ABD处理模块中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即 为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

所述障碍物匹配模块中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成闭合图形，计算第一面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算第二面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点；判断簇群所有点能否在直线阈值δ内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第一面积与第二面积之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

所述障碍物匹配模块中障碍物具体按照以下过程进行匹配：

S41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

S42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛于两条直线，则数据集合为凸圆弧形障碍物；

S43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。

实施例2

对障碍物进行识别的首先要将该点集里的数据进行聚类分析。考虑到传统的激光雷达障碍物识别方法的局限性，本实施例将利用激光雷达输出的环境反射强度信息，将常用的环境距离信息上升到非平面的三维空间，并提出基于非平面数据分割的障碍物识别方法，从而保证障碍物识别的实时性及准确性。

由于机器人在实时性要求较高的场景下避障行进时，往往不需要识别出障碍物的具体种类，只需要对障碍物形状进行大致的描述，考虑到二维扫描型激光雷达在环境检测时只能检测到障碍物的外部轮廓，因此，本发明将障碍物类型划分为凸形和凹形。而对于凸形障碍物，又可以分为尖峰型和圆弧形。

本实施例提供的考虑激光发射强度的激光雷达障碍物识别方法，具体包括以下步骤：

步骤1：连接二维扫描型激光雷达传感器，获取环境数据并以数组形式存储于计算机中，环境数据包括：

距离信息D＝{d₁,d₂,d₃,...,d_i,...,d_N}和反射强度信息S＝{s₁,s₂,s₃,...,s_i,...,s_N}；

步骤2：对步骤1获取的环境数据进行预处理，包括去除有效范围外的数据点、滤除孤立的噪声点及对激光雷达测量机制的缺陷补偿。另外将环境数据从激光雷达的极坐标系下的数据转化为机器人或智能车辆的局部直角坐标系坐标，即将数据集合表示为：bg＝{P₁,P₂,P₃,......,P_i,......P_N}，其中P_i表示为激光雷达第i线激光束反映的信息，即P_i＝(x_i,y_i,s_i)，(x_i,y_i)为第i线激光束检测到的环境在局部坐标系下的坐标，s_i为第i线激光束检测到的环境的反射强度。

步骤3：对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类分析，具体方法如下：

建立空间坐标系

将某激光束的点集bg＝{P₁,P₂,P₃,......,P_i,.....P_N}中任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i，从而得到非平面下的点集分布情形。

非平面ABD算法环境分割

循环比较空间坐标系下数据点集中每两个相邻点之间的差值，当大于分割阈值时，则认为找到了分割点，公式如下：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

σ为反射强度的缩放系数；

此处D_max为：

其中：r_n+1为d_n和d_n-1取得最小值，δ为余量。λ和Δφ如下图所示，图中φ_n和φ_n-1为点P_n和点P_n-1相当于激光雷达极坐标的角度值。

图1a、b为ABD算法示意图：图1a平面ABD算法，图1b非平面ABD算法。

如果点P_n和点P_n-1根据上述算法检测得出的结果都是分割点时，则暂时标记点P_n和点P_n-1为分割点，然后利用一个阈值ξ(d_n)进行二次检测，ξ(d_n)＝k*d_n，其中k为常系数。为了使分割点间的距离不至于太远，对阈值需要进行限定，规定ξ(d_n)≤μ。若|d_n-d_n-1|＞ξ(d_n)，则认为点P_n和点P_n-1为分割点，反之，则不是分割点，取消之前分割的标记。

对N个距离-反射强度数据通过基于非平面ABD算法的障碍物识别方法得出的n个簇群集合表示为Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}；

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)。

步骤4：不同簇群的数据集与障碍物类别进行匹配。

图2a-d激光雷达距离数据分布与障碍类型的关系示意图，考虑到激光雷达是循环扫描机 制，因此每一簇的第一个点是障碍物的起点，每一簇的最后一个点是障碍物的终点，如图2a所示；对于凸形障碍物，每一簇数据中离机器人最近的点常常是尖峰型障碍物或圆弧形障碍物的顶点，如图2a、2b所示；对于凹形障碍物，每一簇数据中离机器人最远的点是该凹形障碍物的顶点或终点，如图2d所示。

通过上述分析以及对通道和障碍物的特征分析可以得出以下几点结论：

①如果某一簇群是尖峰型障碍物，那么该簇群的起点到顶点、终点到顶点的所有数据都收敛于不同的两条直线，且两条直线的交点在平面坐标系中，属于顶点的阈值范围内。如图3a所示；

②如果某一簇群是凸圆弧形障碍物，那么该簇群的各个点与原点形成的微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不能很好地收敛于两条直线。如图3b所示；

③如果某一簇群是凹形障碍物，那么的各个点与原点形成的微分区域面积大于起点、终点及原点形成的三角形面积。如图3c所示；图3a-c通道与障碍物散点分布规律示意图。

因此，根据上述结论，可以得出障碍物特征匹配方法，流程图如图4所示，图4为通道及障碍物特征匹配方法流程图；

经过上述步骤，可以得出障碍物的信息：

障碍物集合：Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}；

其中，obs_j＝obs(type,P_start,P_end,d_min)，其中，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

实施例3

本实施例将详细介绍各步骤的具体内容。

步骤1：连接二维扫描型激光雷达传感器，获取环境数据并以数组形式存储于计算机中，环境数据包括距离信息，采用以下形式记录：

D＝{d₁,d₂,d₃,...,d_i,...,d_N}；

反射强度信息S＝{s₁,s₂,s₃,...,s_i,...,s_N}，常用的N取值为1024线。

步骤2：对获取的环境数据进行预处理。

去除有效范围外的数据点

激光雷达具有一定的测量范围，在干扰因素下会测量到范围之外的数据点，这些数据点是不可靠的点，应该予以及时的去除。一般只需要考虑激光雷达的实际测量范围内的数据点，超出这个范围的数据点称作为无效数据点。去除有效范围外的无效数据点，保留有用信息点，这样就可以在后续处理中减少数据处理量，有利于提高系统实时性。参见下面公式：

一般range的取值为激光雷达的最远有效测量距离，常见的为4000mm。

滤除孤立的噪声点：激光雷达采集数据点的离散数据序列为{X(i)|i＝1，2，3，......N}，以序列中的第K个位置为中心，前后共取m个数据，m一般为奇数。对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值。K的取值依次从小到大，实现对整个激光雷达数据的滤波。一般m取10即可。

激光雷达测量机制的缺陷补偿：激光雷达缺陷补偿主要针对其零点现象，补偿公式如下：

流程图如图4所示，图4为激光雷达数据预处理流程图；

步骤3：对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类分析，具体方法如下：

建立空间坐标系：将某激光束的点集，如下所示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}中任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i，从而得到非平面下的点集分布情形。

非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，当大于分割阈值时，则认为找到了分割点，公式如下：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

为了使s_n和(x_n,y_n)在同一数量级，一般反射强度的缩放系数σ取值为0.3。

此处D_max描述如下：

如果点P_n和点P_n-1根据上述算法检测得出的结果都是分割点时，则暂时标记点P_n和点P_n-1为分割点，然后利用一个阈值ξ(d_n)进行二次检测，ξ(d_n)＝k*d_n，其中k为常系数。为了使分割点间的距离不至于太远，本发明需要对阈值进行限定，规定ξ(d_n)≤μ。若|d_n-d_n-₁|＞ξ(d_n)，则认为点P_n和点P_n-1为分割点，反之，则不是分割点，取消之前分割的标记。此处，μ常取值为10cm，k为0.15，δ为0.03m，λ＝10°。

对N个距离-反射强度数据通过基于非平面ABD算法的障碍物识别方法得出的n个簇群集合表示为Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}；

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)。

步骤4：不同簇群的数据集与障碍物类别进行匹配。匹配规则如下：

①如果某一簇群是尖峰型障碍物，那么该簇群的起点到顶点、终点到顶点的所有数据都收敛于不同的两条直线，且两条直线的交点在平面坐标系中，属于顶点的阈值范围内。

②如果某一簇群是凸圆弧形障碍物，那么该簇群的各个点与原点形成的微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不能很好地收敛于两条直线。

③如果某一簇群是凹形障碍物，那么的各个点与原点形成的微分区域面积大于起点、终点及原点形成的三角形面积。

因此，根据上述结论，可以得出障碍物特征匹配方法，流程图如图5所示，图5为通道及障碍物特征匹配方法流程图；

经过上述步骤，可以得出障碍物的信息：

障碍物集合：Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}；

其中obs_j＝obs(type,P_start,P_end,d_min)，其中，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要 求范围当中。

Claims (10)

1.一种考虑激光发射强度的激光雷达障碍物识别方法，其特征在于：包括以下步骤：

步骤1：获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

步骤2：对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

步骤3：对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)；

步骤4：将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

2.如权利要求1所述的考虑激光发射强度的激光雷达障碍物识别方法，其特征在于：所述步骤2中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

$scanpo\mathrm{int}.value=\left\{\begin{array}{c}True\left(inrange\right)\\ False\left(outofrange\right)\end{array}\right.;$

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1,2,3,...,N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

$d_i=\left\{\begin{array}{cc}\frac{d_{i-2}+d_{i-1}+d_{i+1}+d_{i+2}}{4},& d_{i-2}\≠0,d_{i-1}\≠0,d_{i+1}\≠0,d_{i+2}\≠0\\ 0,& d_{i-2}=d_{i-1}=d_{i+1}=d_{i+2}=0\end{array}\right.;$

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

3.如权利要求1所述的考虑激光发射强度的激光雷达障碍物识别方法，其特征在于：所述步骤3中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

$d_n=\sqrt{x_n^2+y_n^2+{(\mathrm{\σ}*s_n)}^2};$

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

$D_{max}={\mathrm{\γ}}_{n-1}*\frac{sin\left(\mathrm{\Δ}\mathrm{\φ}\right)}{sin(\mathrm{\λ}-\mathrm{\Δ}\mathrm{\φ})}+3\mathrm{\δ};$

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

4.如权利要求1所述的考虑激光发射强度的激光雷达障碍物识别方法，其特征在于：所述步骤4中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成三角形，并计算该三角形的面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算该闭合图形的面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点分别得到两条直线，记为L1、L2；判断簇群所有点能否在阈值内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第S1与S2之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

5.如权利要求4所述的考虑激光发射强度的激光雷达障碍物识别方法，其特征在于：所述步骤4中障碍物具体按照以下过程进行匹配：

41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛于两条直线，则数据集合为凸圆弧形障碍物；

43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。

6.一种考虑激光发射强度的激光雷达障碍物识别系统，其特征在于：包括环境数据生成模块、环境数据预处理模块、非平面ABD处理模块和障碍物匹配模块；

所述环境数据生成模块，用于获取环境数据并以数组形式存储于计算机中，所述环境数据包括距离信息和反射强度信息；

所述环境数据预处理模块，用于对获取的环境数据进行预处理，所述预处理包括去除有效范围外的数据点、滤除孤立噪声点和激光雷达测量机制的缺陷补偿；

所述非平面ABD处理模块，用于对激光雷达的距离信息、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，得出的n个簇群集合，所述簇群集合采用以下公式来表达：

Ω＝{Ω₁,Ω₂,......,Ω_j,......,Ω_n}，

其中，Ω_j表示为第j个簇群类别，Ω_j＝{P_j1,P_j2,......,P_jk,......,P_jM}，M为第j个簇群类别所包含的数据点个数，每个数据点内的信息包括上文中的时间坐标系下的坐标和对应的环境反射强度，即P_jk＝(x_i,y_j,s)；

所述障碍物匹配模块，用于将不同簇群的数据集合与障碍物类别进行匹配，得到障碍物集合信息，所述障碍物集合信息包括尖峰型障碍物、凸圆弧形障碍物和凹形障碍物；所述障碍物集合信息采用以下公式来表示：

Obs＝{obs₁,obs₂,......obs_j,......obs_obscnt}，

其中，obs_j＝obs(type,P_start,P_end,d_min)，type表示障碍物类型，P_start表示障碍物在世界坐标系下的起点坐标，P_end表示障碍物在世界坐标系下的终点坐标，d_min表示障碍物与机器人之间的最小距离，obscnt为一帧激光雷达数据中，识别出来障碍物类型数据段个数。

7.如权利要求6所述的考虑激光发射强度的激光雷达障碍物识别系统，其特征在于：所述环境数据预处理模块中对获取的环境数据进行预处理，具体包括以下步骤：

21)通过以下公式来去除有效范围外的数据点：

$scanpo\mathrm{int}.value=\left\{\begin{array}{c}True\left(inrange\right)\\ False\left(outofrange\right)\end{array}\right.;$

其中，range的取值为激光雷达的最远有效测量距离；

21)通过以下方式来滤除孤立的噪声点：将激光雷达采集数据点进行离散得到离散数据序列{X(i)|i＝1，2，3，......N}，以离散序列中的第K个位置为中心，前后共取m个数据；对这m个数据采用升序或者降序的方式进行排列，将排序后的中间值作为原序列中第K个位置的值；K的取值依次从小到大，循环重复直到所有激光雷达数据处理完毕结束。

21)通过以下公司来对激光雷达测量机制进行缺陷补偿：

$d_i=\left\{\begin{array}{cc}\frac{d_{i-2}+d_{i-1}+d_{i+1}+d_{i+2}}{4},& d_{i-2}\≠0,d_{i-1}\≠0,d_{i+1}\≠0,d_{i+2}\≠0\\ 0,& d_{i-2}=d_{i-1}=d_{i+1}=d_{i+2}=0\end{array}\right.;$

其中，d_i表示当前第i线激光雷达返回的距离数据；d_i-2表示当前第i-2线激光雷达返回的距离数据；d_i-1表示当前第i-1线激光雷达返回的距离数据；d_i+1表示当前第i+1线激光雷达返回的距离数据；d_i+2表示当前第i+2线激光雷达返回的距离数据。

8.如权利要求6所述的考虑激光发射强度的激光雷达障碍物识别系统，其特征在于：所述非平面ABD处理模块中对激光雷达的距离、反射强度信息同时进行非平面ABD算法的环境数据分割聚类处理，具体方法如下：

31)建立空间坐标系，将某激光束的点集按照如下公式表示：

bg＝{P₁,P₂,P₃,......,P_i,......P_N}，

其中，任意一点P_i＝(x_i,y_i,s_i)投影到空间坐标系下，(x_i,y_i)为XOY的投影坐标，Z轴即为s_i；

32)非平面ABD算法环境分割：循环比较空间坐标系下数据点集中每两个相邻点之间的差值，按照以下公式获得分割点点P_n和点P_n-1：

|d_n-d_n-1|＞D_max

其中：d_n为当前扫描点的距离，d_n-1为前一扫描点的距离，D_max为分割阈值；

$d_n=\sqrt{x_n^2+y_n^2+{(\mathrm{\σ}*s_n)}^2};$

σ为反射强度的缩放系数；

D_max通过以下公式来计算：

$D_{max}={\mathrm{\γ}}_{n-1}*\frac{sin\left(\mathrm{\Δ}\mathrm{\φ}\right)}{sin(\mathrm{\λ}-\mathrm{\Δ}\mathrm{\φ})}+3\mathrm{\δ};$

33)将点P_n和点P_n-1标记为分割点；

34)按照以下公式进行二次检测：

ξ(d_n)＝k*d_n；

且ξ(d_n)≤μ；

其中，k为常系数，ξ(d_n)为阈值，μ为常值；

35)判断|d_n-d_n-1|＞ξ(d_n)是否成立，如果成立，则将点P_n和点P_n-1标记为分割点；

如果不成立，则取消分割点标记；

36)循环重复所有环境数据，得到簇群集合。

9.如权利要求6所述的考虑激光发射强度的激光雷达障碍物识别系统，其特征在于：所述障碍物匹配模块中不同簇群的数据集合与障碍物类别进行匹配，具体过程如下：

41)连接簇群的数据集合中的起点到顶点、终点到顶点及坐标原点形成闭合图形，计算第一面积S1；

42)逐个两两连接簇群数据集合中各个点并与坐标原点形成闭合图形，计算第二面积S2；

43)判断第一面积与第二面积之差是否小于零，如果是，则连接顶点和起点、顶点和终点；判断簇群所有点能否在直线阈值δ内收敛于L1和L2；如果能，则簇群的点为尖峰形障碍物，如果否，则簇群的点为凸圆弧形障碍物；

44)如果第一面积与第二面积之差不小于零，则进一步判断第一面积与第二面积之差是否小于直线阈值δ，如果是，则簇群的点为凹形障碍物。

10.如权利要求6所述的考虑激光发射强度的激光雷达障碍物识别系统，其特征在于：所述障碍物匹配模块中障碍物具体按照以下过程进行匹配：

S41)尖峰型障碍物是通过以下方式来获取的：计算簇群的数据集合中从起点到顶点、终点到顶点的所有数据的收敛直线，如果收敛直线为两条不同的直线且两条直线的交点在平面坐标系中，则数据集合为尖峰型障碍物；

S42)凸圆弧形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积小于起点、终点及原点形成的三角形面积且该簇群不收敛于两条直线，则数据集合为凸圆弧形障碍物；

S43)凹形障碍物是通过以下方式来获取的：计算簇群的数据集合中各个点与原点形成的微分区域面积，如果微分区域面积大于起点、终点及原点形成的三角形面积，则数据集合为凹形障碍物。