一种激光雷达障碍物识别方法及系统
技术领域
本发明实施例涉及激光雷达技术领域,更具体地,涉及一种激光雷达障碍物识别方法及系统。
背景技术
障碍物检测技术是保障无人车和机器人等移动平台安全运行的关键技术。传统的障碍物检测方法主要基于毫米波雷达、超声波、红外、立体视觉等传感器,但其缺点比较明显。毫米波雷达的探测距离受到频段损耗的直接制约,且精度不高。超声波发散性强,无法准确测量小范围距离,且相互之间存在干扰。红外测温对环境温度变化很敏感。立体视觉基于双目彩色图像,受光照影响强烈。
激光雷达通过扫描测距获取周围环境的点云信息,具有精度高、距离远、速度快、不受光照影响等优点。其中,三维激光雷达能提供更丰富的环境信息,在无人车和机器人领域有广泛的应用前景。
目前基于点云数据的障碍物检测方法有基于高精度环境地图的检测方法和基于机器学习训练模型的检测方法。
基于高精度环境地图的方法是先通过对离线采集的点云数据进行拼接,获得高精度的环境地图,再以先验环境地图为背景,对比在线点云数据与环境地图差异,获得动静态障碍物信息。但是需要使用激光雷达离线数据建图,且不适用于大量物体运动的环境。
基于机器学习训练模型的方法是通过计算提取点云的关键点和特征,采用大量的训练样本,通过BP神经网络、SVM等机器学习方法获得各类障碍物的模型,通过模型预测识别障碍物类型。但是需要使用大量优质样本进行训练,对于训练集中未出现的障碍物类型无法检测。
发明内容
本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的激光雷达障碍物识别方法及系统。
一方面本发明实施例提供了一种激光雷达障碍物识别方法,所述方法包括:
S1,获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据;
S2,将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应;
S3,对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息;
S4,根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
进一步地,步骤S1具体包括:
对所述原始点云数据和所述姿态数据进行下采样,使得所述原始点云数据、所述位置数据和所述姿态数据三者的频率相同,且使得所述原始点云数据中的每一帧点云对应一个位置和一个姿态;其中,所述原始点云数据、所述位置数据和所述姿态数据三者构成多元点云数据集;
根据所述多元点云数据集中每一帧点云和所述每一帧点云的上一帧点云两者分别对应的位置和姿态,获取所述每一帧点云的上一帧点云变换至所述每一帧点云对应的第一平移矩阵和第一旋转矩阵;
利用所述第一平移矩阵和所述第一旋转矩阵,将所述每一帧点云转换至大地坐标系之下,得到所述融合点云数据。
进一步地,所述方法还包括:
在将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到第一融合点云数据后,分别滤除所述第一融合点云数据中超出预设半径以及低于预设高度的点云,以得到第二融合点云数据;
滤除所述第二融合数据中连线曲率超出预设阈值的任意三个相邻点云,得到所述融合点云数据。
进一步地,在步骤S2中,所述对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,具体包括:
S21,以所述每组融合点云数据片段中第一帧点云为第一源点云、以第二帧点云为第一目标点云,对所述第一源点云和所述第一目标点云进行ICP配准得到第一配准点云;
S22,以所述第一配准点云为第二源点云、第三帧点云为第二目标点云,对所述第二源点云和所述第二目标点云进行ICP配准得到第二配准点云,重复上述配准操作直至完成所述每组融合点云数据片段中所有点云配准后,得到叠加点云数据。
进一步地,步骤S21具体包括:
通过多次迭代获取所述第一源点云和所述第一目标点云之间的第二平移矩阵和第二旋转矩阵,且所述第二平移矩阵和第二旋转矩阵使得所述第一源点云与所述第一目标点云之间的误差最小;
利用所述第二平移矩阵和所述第二旋转矩阵将所述第一源点云转换至所述第一目标点云的坐标系之下,并将转换至所述第一目标点云的坐标系之下的所述第一源点云与所述第一目标点云合并,得到所述第一配准点云。
进一步地,步骤S3具体包括:
利用超体聚类算法对每组叠加点云数据片段中的点云进行聚类获取每组叠加点云数据片段对应的候选障碍物,并提取每组叠加点云数据片段对应的候选障碍物的静态信息,所述静态信息至少包括质心、内外轮廓、体积、平均反射率和平均点云密度。
进一步地,步骤S4具体包括:
对于每组叠加点云数据片段对应的候选障碍物中的每个候选障碍物,以每个候选障碍物的质心、内外轮廓、体积、平均反射率和平均点云密度为特征分量构建每个候选障碍物的特征向量,并将每个候选障碍物与相邻的叠加点云数据片段对应的候选障碍物分别进行互相关分析,得到每个候选障碍物与所述相邻的叠加点云数据片段对应的候选障碍物中每个障碍物之间的互相关系数;
对于每组叠加点云数据片段对应的候选障碍物中的任一候选障碍物,将所述相邻的叠加点云数据片段对应的候选障碍物中,与所述任一障碍物之间的互相关系数大于预设阈值的候选障碍物作为所述任一候选障碍物的同一障碍物;
对比所述同一障碍物在两组相邻的叠加点云数据片段中质心位置,将质心位置发生改变的同一障碍物识别为动态障碍物,并提取所述动态障碍物的动态信息,所述动态信息至少包括速度和运动方向。
另一方面本发明实施例提供了一种激光雷达障碍物识别系统,所述系统包括:
数据融合模块,用于获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据;
点云配准模块,用于将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应;
聚类模块,用于对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息;
动静态障碍物识别模块,用于根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
第三方面发明实施例提供了一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,使所述计算机执行上述方法。
第四方面发明实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述方法。
本发明实施例提供的一种激光雷达障碍物识别方法及系统,通过利用位置数据和姿态数据对原始点云数据进行融合得到融合点运数据,再将融合点云数据按时间划分成多个片段,并对每个片段内的点云进行配准,从配准后得到的叠加点云数据中识别动静态障碍物。无需使用激光雷达离线数据建图,适用于各种复杂应用环境中的障碍物检测,且识别精度高,速度快。
附图说明
图1为本发明实施例提供的一种激光雷达障碍物识别方法的流程图;
图2为本发明实施例中对融合点云数据进行点云配准的流程图;
图3为本发明实施例提供的一种激光雷达障碍物识别系统的结构框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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地描述,显然,所描述的实施例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做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。
图1为本发明实施例提供的一种激光雷达障碍物识别方法的流程图,如图1所示,所述方法包括:S1,获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据;S2,将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应;S3,对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息;S4,根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
具体地,在步骤S1中,所述激光雷达、全球导航卫星系统(Global NavigationSatellite System,GNSS)以及所述惯性测量单元(Inertial Measurement Unit,IMU)都固定安装在载具上,所述载具根据应用场景不同一般可以为机器人、无人车或者自动化农机等。
由于激光雷达采集到的原始点云数据中每个点云并非处于大地坐标系之下,通过GNSS采集的位置数据和IMU采集的姿态数据与原始点云数据进行融合,可以将原始点云数据中的点云转换至大地坐标系之下,得到融合点运数据。融合点运数据可以直接用于后续点云ICP中的精配准。
在步骤S2中,在对融合点云数据按时间进行片段划分时,由于应用场景的不同,环境中障碍物的移动速度会有所不同,应采用不同帧数的时间片段划分。
当场景中动态障碍物移动速度较慢时,采用较多帧数的时间片段叠加,提高单个时间片段内动态障碍点云的占据空间,降低慢速动态障碍物的漏识别概率。
当场景中动态障碍物移动速度较快时,采用较少帧数的时间片段叠加,减少单个时间片段内动态障碍点云的占据空间,降低快速动态障碍物的失配对概率。
例如,设置10帧、5帧、2帧三种帧数,分别对应2s、1s、0.4s的时间片段长度,用来处理慢速(<0.5m/s)、中速(0.5~1m/s)、快速(>1m/s)的动态障碍物。也可初始采用5帧时间片段,后面根据动态障碍物的速度最大值进行时间片帧数的动态调整。
在步骤S3中,所述静态信息可以认为是障碍物的固有属性,无论动态障碍物还是静态障碍物都包含有静态信息。
在步骤S4中,只要识别出所述候选障碍物中的静态障碍物或动态障碍物,就能区别出候选障碍物所有障碍物的动静态属性,使得对障碍物的识别更加准确。
本发明实施例提供的一种激光雷达障碍物识别方法,通过利用位置数据和姿态数据对原始点云数据进行融合得到融合点云数据,再将融合点云数据按时间划分成多个片段,并对每个片段内的点云进行配准,从配准后得到的叠加点云数据中识别动静态障碍物。无需使用激光雷达离线数据建图,适用于各种复杂应用环境中的障碍物检测,且识别精度高,速度快。
基于上述实施例,步骤S1具体包括:
对所述原始点云数据和所述姿态数据进行下采样,使得所述原始点云数据、所述位置数据和所述姿态数据三者的频率相同,且使得所述原始点云数据中的每一帧点云对应一个位置和一个姿态;其中,所述原始点云数据、所述位置数据和所述姿态数据三者构成多元点云数据集;
根据所述多元点云数据集中每一帧点云和所述每一帧点云的上一帧点云两者分别对应的位置和姿态,获取所述每一帧点云的上一帧点云变换至所述每一帧点云对应的第一平移矩阵和第一旋转矩阵;
利用所述第一平移矩阵和所述第一旋转矩阵,将所述每一帧点云转换至大地坐标系之下,得到所述融合点云数据。
具体地,将所述原始点云数据、所述位置数据和所述姿态数据进行融合,即对所述原始点云数据与位姿数据进行时间匹配和空间匹配。
例如,若通过三维激光雷达采集的原始点云数据的频率为10Hz,通过GNSS采集的位置数据的频率为5Hz,通过IMU采集的姿态数据的频率为100Hz。各传感器具有不同的采集周期,因此需要对数据进行时间匹配,具体步骤如下:
1)激光雷达点云数据:三维激光雷达的扫描频率10Hz,通过隔帧采样的方式,仅保留雷达的奇数帧点云数据,舍弃偶数帧,将点云数据频率降为5Hz。
2)GNSS数据:GNSS为载波相位差分定位,具有厘米级的定位精度,固定解的典型解算频率为5Hz。
3)IMU数据:IMU提供高频率(>100Hz)的姿态数据。对原始姿态数据等间隔抽取若干采样点值进行滤波(均值滤波、中值滤波等),将姿态数据降频为5Hz。
4)将经过时间匹配的信息对应关联,构建“点云-位置-姿态”多元点云数据流(5Hz),作为点云数据空间匹配的多元点云数据集。
检测障碍物信息需要对原始点云进行高精度的配准。点云配准根据精度分为粗配准和精配准。粗配准对原始数据初始位姿要求较低,但误差较大。精配准误差小,但要求原始数据有较好的位姿一致性。对于无人车和机器人等移动采集平台,其运动使以激光雷达为中心的点云数据的坐标系产生平移和旋转变化,直接使用原始点云难以满足精配准的要求。
对经过时间匹配的“点云-位置-姿态”多元点云数据流进一步进行空间匹配,即采用GNSS的差分位置信息确定平移矩阵、采用IMU的姿态信息确定旋转矩阵,对点云进行初始位姿估计,作为ICP精配准的初始位姿估计。
1)通过GNSS的载波相位差分定位信号,获取NMEA的GPGGA语句,提取当前的经度、纬度、海拔信息。通过投影与坐标变换,可以稳定、准确获知车体的位置,即激光雷达在大地坐标系下的位置,进而得到两帧点云坐标变换中的平移矩阵。
2)通过IMU搭载的加速度计、陀螺仪、磁偏计(仅AHRS搭载),应用内部的卡尔曼滤波、互补滤波等方式进行数据融合,可获得车体姿态信息(横滚角、俯仰角、航向角),进而得到两帧点云坐标变换中的旋转矩阵(欧拉角或四元数)。
3)对每一帧多元点云数据,使用位置与姿态信息提供的平移和旋转矩阵,进行点云坐标系的刚体变换,补偿位姿变化带来的点云相对全局大地坐标系的偏差。通过点云数据空间匹配,获得的融合点云数据流可为ICP配准提供准确、可靠的位姿信息,进而提高ICP配准的准确度,减少迭代次数,增强实时性。
基于上述实施例,所述方法还包括:
在将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到第一融合点云数据后,分别滤除所述第一融合点云数据中超出预设半径以及低于预设高度的点云,以得到第二融合点云数据;
滤除所述第二融合数据中连线曲率超出预设阈值的任意三个相邻点云,得到所述融合点云数据。
具体地,超过一定距离的点云与当前障碍物检测的相关度较低,大量弱相关点云会影响配准的精确度。地面点会对点云匹配与障碍物检测产生较大干扰:激光雷达扫描线在水平地面有较高的相似性,ICP算法可能陷入局部最小。斜坡路面点云由于高度较高可能被识别为障碍物。
1)点云范围剪裁:对激光雷达的采集范围进行限制,例如,可仅考虑50m(根据实际情况)内的点云,减少弱相关点云数据。
2)地面点云滤波:根据车体信息以及车体与雷达安装的相对位置(刚体变换),确定地面大致范围,通过对阈值内数据高度与曲率信息过滤,滤除地面点。具体方法如下:
激光雷达水平固定于移动平台顶部,根据三维激光雷达的旋转扫描参数(扫描线垂直角度),结合雷达在车体上的安装高度,以高度阈值和邻近点云曲率阈值作为特征,将低于高度阈值的点云(平地点云)与在相邻点曲率近似平滑圆周的点云(斜坡点云)视为地面点云,进行滤波去除。
除此之外,在具体实施时,还可以采用如下方式对地面点云进行滤波:对点云数据进行平面拟合,获得场景中的平面信息,预计包括平地点云、斜坡点云和墙体立面点云等。再计算这些拟合平面与水平参考面(由AHRS/IMU提供)之间的夹角,取夹角为预设角度范围内的点云为待滤除点云,进行滤除。其中,预设角度范围可由载具车体的实际爬坡能力确定。
点云剪裁和滤波能够减少干扰,同时也能够降低点云数据量,一定程度上能够提高点云匹配与特征提取的效率。
基于上述实施例,在步骤S2中,所述对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,具体包括:
S21,以所述每组融合点云数据片段中第一帧点云为第一源点云、以第二帧点云为第一目标点云,对所述第一源点云和所述第一目标点云进行ICP配准得到第一配准点云;
S22,以所述第一配准点云为第二源点云、第三帧点云为第二目标点云,对所述第二源点云和所述第二目标点云进行ICP配准得到第二配准点云,重复上述配准操作直至完成所述每组融合点云数据片段中所有点云配准后,得到叠加点云数据。
基于上述实施例,步骤S21具体包括:
通过多次迭代获取所述第一源点云和所述第一目标点云之间的第二平移矩阵和第二旋转矩阵,且所述第二平移矩阵和第二旋转矩阵使得所述第一源点云与所述第一目标点云之间的误差最小;
利用所述第二平移矩阵和所述第二旋转矩阵将所述第一源点云转换至所述第一目标点云的坐标系之下,并将转换至所述第一目标点云的坐标系之下的所述第一源点云与所述第一目标点云合并,得到所述第一配准点云。
具体地,如图2所示,对每个时间片中的N帧融合点云进行逐步ICP点云配准,具体说明方法如下:
1)将每个时间片中的N帧融合点云记为C1~CN
2)将C1作为源点云,C2作为目标点云,作为ICP的待配准点云3)提取目标点云与源点云的特征信息,进行加权后作为误差因子4)对目标点云与源点云进行最小二乘误差计算,如找到满足条件的旋转矩阵R和平移矩阵T,使误差小于阈值,则跳转5),否则重复4)。若迭代次数达到最大迭代次数阈值,跳转5)。
5)对源点云进行旋转矩阵与平移向量组成的刚体变换,将其点云坐标转换到目标点云坐标系下。合并源点云与目标点云,记为已匹配点云。
6)若全部N帧点云配准完毕,则跳转7),否则以下一帧待匹配点云为目标点云,已匹配的局部点云子集为源点云,跳转3)。
7)时间片内的N帧点云配准完毕,获得本时间片内的叠加点云。
对于时间片叠加配准方法的细节说明如下:
初始位姿估计对于ICP精配准方法十分关键,直接影响其配准精度和速度。由于采用GNSS提供准确位置,AHRS/IMU提供可靠姿态,待配准的点云在预处理阶段已完成空间配准,因此默认的初始位姿估计的变换矩阵为4阶单位矩阵,即不再需要进行变换。
点云配准中的误差因子,是根据空间坐标X、Y、Z、点云反射率、点云法线方向信息以一定权重(如1:1:1:1:1)进行加权。其中前3者为空间属性、反射率为材质属性、法线方向为区域属性,具有较好的融合性。
基于上述实施例,步骤S3具体包括:
利用超体聚类算法对每组叠加点云数据片段中的点云进行聚类获取每组叠加点云数据片段对应的候选障碍物,并提取每组叠加点云数据片段对应的候选障碍物的静态信息,所述静态信息至少包括质心、内外轮廓、体积、平均反射率和平均点云密度。
具体地,对配准后的各时间片的叠加融合点云进行聚类,划分障碍物区块,提取质心、内外轮廓、体积、平均反射率、平均点云密度等障碍物静态信息。其中内外轮廓可以为长方体、圆柱体或球体等。
1)根据超体聚类方法,对局部点云子集进行聚类,获得候选障碍物。
超体素的概念来自图像分割,在三维点云领域,超体素是对点云进行过分割后的区域生长聚类方法,是一种自下而上的归纳方法。超体聚类首先对点云数据进行八叉树分割,在八叉树中分布“体素种子”,并设置“体素距离”、“最小体素”等参数。在体素合并的过程中,小的体素逐渐被合并到附近的大体素中,进而实现点云的聚类。
在实际实现时,还可采用K-means方法、最大似然法或模糊聚类法等方法获取候选障碍物。
2)对候选障碍物进行特征提取,提取质心、内外轮廓、体积、平均反射率、平均点云密度等参数。具体方法如下:
质心:将点云区块视作均质体,因此质心即为点云的几何中心,通过对点云的XYZ三轴坐标进行平均获取。
外轮廓:对点云区块进行离散点滤波,去除离群点,进行外接长方体、圆柱体、球体的外轮廓提取。
内轮廓:以外轮廓为基础,包容90%(根据实际情况)总点云数的同类型轮廓,确定内轮廓。
体积:以内轮廓几何体的体积作为点云体积。
平均反射率:以点云区块中所有点云的反射率平均值表征。
平均点云密度:以点云区块的内轮廓中的点云数量与体积之比表征。
3)建立障碍物链表,存储障碍物的静态信息(质心、内外轮廓、体积、平均反射率、平均点云密度)。
基于上述实施例,步骤S4具体包括:
对于每组叠加点云数据片段对应的候选障碍物中的每个候选障碍物,以每个候选障碍物的质心、内外轮廓、体积、平均反射率和平均点云密度为特征分量构建每个候选障碍物的特征向量,并将每个候选障碍物与相邻的叠加点云数据片段对应的候选障碍物分别进行互相关分析,得到每个候选障碍物与所述相邻的叠加点云数据片段对应的候选障碍物中每个障碍物之间的互相关系数。
其中:
①质心分量为质心的空间坐标(X,Y,Z);
②内外轮廓分量为典型的轮廓形状(长方体、圆柱体、球体等);
③体积分量为点云的大小及其长宽比;
④平均发射率分量为256级量化反射率;
⑤平均点云密度分量为内轮廓内单位体积中点云数量。
对于每组叠加点云数据片段对应的候选障碍物中的任一候选障碍物,将所述相邻的叠加点云数据片段对应的候选障碍物中,与所述任一障碍物之间的互相关系数大于预设阈值的候选障碍物作为所述任一候选障碍物的同一障碍物。
特别地:
①若同一障碍物具有多个互相关系数大于阈值的配对障碍物,取值最大者为首选配对障碍物。若出现障碍物配对冲突,以互相关系数值为评判标准,保留目前互相关系数最高配对,并剔除互斥配对。重复上述过程,直到完成障碍物配对;
②若前一组叠加点云中的某障碍物与其他障碍物的互相关系数均小于阈值,则判定为消失障碍物;
③若后一组叠加点云中的某障碍物与其他障碍物的互相关系数均小于阈值,则判定为新出现障碍物。
对比所述同一障碍物在两组相邻的叠加点云数据片段中质心位置,将质心位置发生改变的同一障碍物识别为动态障碍物,并提取所述动态障碍物的动态信息,所述动态信息至少包括速度和运动方向。
具体地,质心的位置变化量未超过第一预设阈值的障碍物被识别为静态障碍物,仅具有静态特征。质心的位置变化量超过第一预设阈值的障碍物被识别为动态障碍物,具有静态特征与动态特征。动态特征的运动速度与方向为动态避障提供依据,同时本方法根据障碍物速度最大值动态调节每组叠加点云的帧数,适应不同环境。
具体地,对相邻的两时间片的叠加点云进行对比,将环境背景与静态障碍物、动态障碍物区分开。
1)每组点云匹配后的点云子集的坐标系与第N帧点云的坐标系一致。因此,每相邻两组点云子集的时间间隔为0.2*N秒。
2)通过对连续两时间片融合叠加点云中第N帧的位姿信息,能够得到刚体变换矩阵,使用刚体变换将两组地图转换到同一坐标系下。
3)根据相似匹配原则,对障碍物进行配对,形成障碍物对链表。
4)计算已关联障碍物对的中心移动速度,判别障碍物的动静态属性,对动态障碍物进行速度矢量估计。
5)根据障碍物对链表输出障碍物的动静态属性、位置、大小、速度(动态)等信息。
图3为本发明实施例提供的一种激光雷达障碍物识别系统的结构框图,如图3所示,所述系统包括数据融合模块1、点云配准模块2、聚类模块3以及动静态障碍物识别模块4。其中:
数据融合模块1用于获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据。点云配准模块2用于将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应。聚类模块3用于对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息。动静态障碍物识别模块4用于根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
本发明实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据;将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应;对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息;根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
本发明实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据,并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据;将所述融合点云数据按时间顺序划分成多组融合点云数据片段,并对每组融合点云数据片段中的点云进行迭代最近点ICP配准,得到叠加点云数据,所述叠加点云数据包括多组叠加点云数据片段,且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应;对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物,并提取所述候选障碍物的静态信息;根据所述候选障碍物的静态信息,识别所述候选障碍物中的静态障碍物和动态障碍物,并提取所述动态障碍物的动态信息。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。