CN108226895A - 基于激光雷达的静态障碍物识别系统及识别方法 - Google Patents

基于激光雷达的静态障碍物识别系统及识别方法 Download PDF

Info

Publication number
CN108226895A
CN108226895A CN201711441355.4A CN201711441355A CN108226895A CN 108226895 A CN108226895 A CN 108226895A CN 201711441355 A CN201711441355 A CN 201711441355A CN 108226895 A CN108226895 A CN 108226895A
Authority
CN
China
Prior art keywords
point
cluster
cloud
data
cloud cluster
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.)
Pending
Application number
CN201711441355.4A
Other languages
English (en)
Inventor
马芳武
代凯
安靖雅
吴量
史津竹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN201711441355.4A priority Critical patent/CN108226895A/zh
Publication of CN108226895A publication Critical patent/CN108226895A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明涉及一种基于激光雷达的静态障碍物识别系统及识别方法，该识别系统包括激光雷达、点云接收模块、数据订阅模块、数据处理模块；其中，所述激光雷达用于获取环境信息，并将获取的环境信息以点云数据的形式传输给点云接收模块；所述点云接收模块，用于将接收到的点云数据信息以PointCloud2的数据形式进行发布；所述数据订阅模块，用于订阅已发布的PointCloud2数据信息，并将订阅的PointCloud2数据信息发送给数据处理模块；所述数据处理模块，用于获取车辆行驶兴趣区域，同时对兴趣区域内的数据进行聚类，得出聚类物体的点云团，并将点云团进行过滤处理。该识别系统在复杂环境中也能够准确对静态障碍物进行识别。

Description

基于激光雷达的静态障碍物识别系统及识别方法
技术领域
本发明属于无人驾驶汽车领域，具体涉及一种基于激光雷达的静态障碍物识别系统及识别方法。
背景技术
交通事故每年造成约125万人死亡以及数千亿美元的经济损失，如果不采取行动，预计到2030年会成为世界第七大死亡原因(世界卫生组织，2015)。现有交通事故发生的最主要原因是驾驶员的操作失误。由于人类感知和控制能力的局限，使得驾驶员在面对突发状况时无法及时做出合理的决策。此外，驾驶疲劳也是造成交通事故的重要原因。
随着人工智能、计算机技术以及芯片技术的发展，无人驾驶汽车的使用成为了减少交通事故的最重要手段之一。无人驾驶智能车辆利用相机、激光雷达、微波雷达、超声传感器、GPS、里程计、磁罗盘等车载传感器感知车辆周围环境，根据感知系统得到的道路车道信息、车辆位置和状态信息、障碍物信息构建局部地图，规划局部路径，实时控制车辆的转向和速度，从而使得车辆能够安全、可靠地在道路上行驶。
在汽车行驶过程中会存在很多障碍物，障碍物检测的准确性决定了车辆控制的准确性。目前主要通过测距设备或摄像头来检测障碍物，测距设备主要有激光雷达、毫米波雷达、超声波雷达等，摄像头有单目摄像头、双目摄像头等。但现有的障碍物检测方案中，摄像头检测由于受光线影响较大，在强光或黑暗条件下检测效果不好；毫米波雷达雷达虽然环境适应性强，成本较低，但图形识别受限，且无法检测静态障碍物；激光雷达虽然成本较高，但具有探测精度高，扫描范围广等优点，其已成为无人驾驶车辆的主要传感器之一。利用激光雷达进行静态障碍物识别可为车辆提供周边障碍物的位置信息，提高无人驾驶车辆的环境感知能力，提高车辆行驶安全性。但是，现有的激光雷达对静态障碍物识别时，对兴趣区域内的环境干扰滤除并不理想，导致激光雷达在复杂环境中对静态障碍物识别的准确率降低，从而降低了自动驾驶控制的准确性。
发明内容
本发明的第一个目的在于提供一种基于激光雷达的静态障碍物识别系统，以解决现有激光雷达在复杂环境中无法准确对静态障碍物进行识别的技术难题。
为实现上述目的，本发明提供的基于激光雷达的静态障碍物识别系统包括：激光雷达、点云接收模块、数据订阅模块、数据处理模块；其中，所述激光雷达用于获取环境信息，并通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块；
所述点云接收模块，用于接收激光雷达发送的点云数据信息，将接收到的点云数据信息以PointCloud2的数据形式进行发布；
所述数据订阅模块，用于订阅已发布的PointCloud2数据信息，并将订阅的PointCloud2数据信息发送给数据处理模块；
所述数据处理模块，用于获取车辆行驶兴趣区域，同时对兴趣区域内的数据进行聚类，得出聚类物体的点云团，并将点云团进行过滤处理；具体包括：数据转换模块、直通滤波模块、欧式聚类模块、离散度滤波模块、点云团处理模块；
所述数据转换模块，用于接收数据订阅模块发送的数据信息，将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块需求的数据形式，并将转换后的数据发送给直通滤波模块；
所述直通滤波模块，用于调用数据转换模块传来的数据信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；
所述欧式聚类模块，用于在获取车辆行驶兴趣区域后，对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；
所述离散度滤波模块，用于在得到聚类物体的点云团后，滤除离散度较大的点云团；利用离散度滤波模块滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；所述点云团在X、Y、Z维度的方差按照下述方式获取：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
点云团在x维度的方差
其中，yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
点云团在y维度的方差
其中，zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点；
点云团在z维度的方差
将xs、ys、zs与对应的经验阈值进行比较，若均满足经验值比较需求，则保留该聚类后的点云团；若有一个值不能满足经验值比较需求，则将该聚类物体的点云团滤除，通过离散度滤波模块获取需要的点云团；
所述点云团处理模块，用于接收离散度滤波模块发送的点云团，对离散度滤波模块滤除后的点云团进行处理，以获取聚类障碍物中心点坐标，所述取聚类障碍物中心点坐标获取方式如下：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点。
本发明的第二个目的在于提供一种基于激光雷达的静态障碍物识别方法，以解决现有激光雷达识别静态障碍物时在复杂环境下识别效果不好的技术难题。
为解决上述技术问题，本发明采用如下技术方案实现：
一种基于激光雷达的静态障碍物识别方法，具体包括以下步骤：
步骤S1，通过激光雷达获取环境信息，然后通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块；
步骤S2，通过点云接收模块将接收到的点云数据信息以PointCloud2的数据形式进行发布；
步骤S3，利用数据订阅模块订阅已发布的PointCloud2数据信息；
步骤S4，通过数据转换模块将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块需求的数据形式；
步骤S5，利用直通滤波模块调用数据转换模块的信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；
步骤S6，通过欧式聚类模块对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；
步骤S7，通过离散度滤波模块滤除离散度较大的点云团；利用离散度滤波模块滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差有一个大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；
步骤S8，通过点云团处理模块对离散度滤波模块滤波后的点云团进行处理，以获取聚类障碍物中心点坐标，以便准确识别静态障碍物。
本发明的优点和积极效果：
(1)本发明提供的基于激光雷达的静态障碍物识别系统在识别静态障碍物后，通过离散度滤波模块滤除离散度较大的点云团，通过此种方式滤除非兴趣区域环境干扰，以便高效、准确的提取复杂环境中静态障碍物的形态及坐标点，提高车辆对周围环境的识别能力，提升车辆自动驾驶控制的准确性，减少因驾驶员误判而造成的交通事故，保障车辆自动驾驶安全性。
(2)本发明离散度滤波模块滤除离散度较大的点云团时，主要采用点云团在X、Y、Z维度的方差作为评判标准，通过将X、Y、Z维度的方差与经验阈值对比，来判定该聚类物体是否符合要求，当不符合要求时将其滤除；通过此种滤除方式可以简单、快速的过滤掉存在干扰的聚类障碍物，以便更准确的识别静态障碍物的位置信息。
(3)采用本发明的基于激光雷达的静态障碍物识别方法可以简单、快速的过滤掉复杂环境中存在干扰的聚类障碍物，使激光雷达即便在复杂环境中也可以准确的识别静态障碍物，提高自动驾驶控制的准确性。
附图说明
图1为本发明静态障碍物识别系统的结构框图。
图2为本发明静态障碍物识别方法的流程图。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明，但并不用于限制本发明的保护范围。
如图1所示，本发明提供的基于激光雷达的静态障碍物识别系统包括：激光雷达1、点云接收模块2、数据订阅模块3、数据处理模块4；其中，所述激光雷达1用于获取环境信息，并通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块2；
所述点云接收模块2，用于接收激光雷达1发送的点云数据信息，将接收到的点云数据信息以PointCloud2的数据形式进行发布；
所述数据订阅模块3，用于订阅已发布的PointCloud2数据信息，并将订阅的PointCloud2数据信息发送给数据处理模块4；
所述数据处理模块4，用于获取车辆行驶兴趣区域，同时对兴趣区域内的数据进行聚类，得出聚类物体的点云团，并将点云团进行过滤处理；具体包括：数据转换模块41、直通滤波模块42、欧式聚类模块43、离散度滤波模块44、点云团处理模块45；
所述数据转换模块41，用于接收数据订阅模块3发送的数据信息，将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块42需求的数据形式，并将转换后的数据发送给直通滤波模块42；
所述直通滤波模块42，用于调用数据转换模块41传来的数据信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；具体为，采用直通滤波模块(PassThrough)中的setInputCloud函数调用数据转换模块41传来的数据；采用直通滤波模块(PassThrough)中的setFilterFieldName函数设置滤波维度，例如：setFilterField Name(“x”)，则代表选择对x方向的范围进行过滤；采用直通滤波模块(PassThrough)中的setFilterLimits函数设置滤波范围，例如：在选择对x方向进行滤波的前提下，设置setFilterLimits(-6.0，+6.0)，则代表只保留x维度±6米范围内的数据。同理，根据需求对y、z维度进行滤波范围设置。
在具体使用过程中，如将本发明提供的识别系统应用于无人驾驶方程式赛车中，可以设置x维度为±6米的范围，y维度为±1.5米的范围，z维度为-0.7米至-0.15米的范围，以此来获取无人驾驶方程式赛车的行驶兴趣区域。
所述欧式聚类模块43，用于在获取车辆行驶兴趣区域后，对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；具体为：可以通过欧式聚类模块43的setClusterTolerance函数设置聚类距离，例如：setClusterTolerance(0.02)，则代表两个点之间的距离小于0.02米时，认为这两个点属于同一类；采用欧式聚类模块中的setMinClusterSize函数设置形成一类物体的最少需求点，例如：setMinClusterSize(2)，则代表聚类的物体包含的点不少于2个；采用欧式聚类模块中的setMaxClusterSize函数设置形成一类物体的最多需求点，例如：setMaxClusterSize(100)，则代表聚类的物体包含的点不超过100个。
在具体使用过程中，如将本发明提供的识别系统应用于无人驾驶方程式赛车中，可以设置每两个点的距离小于0.02米，且该物体上点的个数在2-100之间，满足以上条件则可判断为一类物体，通过此种形式形成聚类物体的点云团，达到障碍物识别的效果，以此来识别赛道中的交通锥。
所述离散度滤波模块44，用于在得到聚类物体的点云团后，滤除离散度较大的点云团；通过滤除离散度较大的点云团，将在车辆行驶过程中旁边经过的行人、树木以及环境中产生的噪声等进行滤除，以便增强对静态障碍物的识别效果和准确性；
本发明利用离散度滤波模块44滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；所述点云团在X、Y、Z维度的方差按照下述方式获取：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
点云团在x维度的方差
其中，yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
点云团在y维度的方差
其中，zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点；
点云团在z维度的方差
将xs、ys、zs与对应的经验阈值进行比较，无人驾驶车辆控制对于x、y坐标要求较高，对z坐标要求较低，在满足xs、ys阈值要求的前提下，可适当放宽对zs的要求，若均满足经验值比较需求，则保留该聚类后的点云团；若有一个值不能满足经验值比较需求，则将该聚类物体的点云团滤除，通过离散度滤波模块获取需要的点云团；
如将本发明提供的识别系统应用于无人驾驶方程式赛车中，可以设置xs≤0.003、ys≤0.003、zs≤0.03，满足以上三个条件说明该点云团离散度较小，予以保留。
所述点云团处理模块45，用于接收离散度滤波模块44发送的点云团，对离散度滤波模块滤除后的点云团进行处理，以获取聚类障碍物中心点坐标，所述取聚类障碍物中心点坐标获取方式如下：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点。
如图2所示，本发明提供的一种基于激光雷达的静态障碍物识别方法，具体包括以下步骤：
步骤S1，通过激光雷达获取环境信息，然后通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块；
步骤S2，通过点云接收模块将接收到的点云数据信息以PointCloud2的数据形式进行发布；
步骤S3，利用数据订阅模块订阅已发布的PointCloud2数据信息；
步骤S4，通过数据转换模块将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块需求的数据形式；
步骤S5，利用直通滤波模块调用数据转换模块的信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；
步骤S6，通过欧式聚类模块对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；
步骤S7，通过离散度滤波模块滤除离散度较大的点云团；利用离散度滤波模块滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差有一个大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；
步骤S8，通过点云团处理模块对离散度滤波模块滤除后的点云团进行处理，以获取聚类障碍物中心点坐标，以便准确识别静态障碍物。

Claims (2)

1.一种基于激光雷达的静态障碍物识别系统，其特征在于：包括激光雷达、点云接收模块、数据订阅模块、数据处理模块；其中，所述激光雷达用于获取环境信息，并通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块；
所述点云接收模块，用于接收激光雷达发送的点云数据信息，将接收到的点云数据信息以PointCloud2的数据形式进行发布；
所述数据订阅模块，用于订阅已发布的PointCloud2数据信息，并将订阅的PointCloud2数据信息发送给数据处理模块；
所述数据处理模块，用于获取车辆行驶兴趣区域，同时对兴趣区域内的数据进行聚类，得出聚类物体的点云团，并将点云团进行过滤处理；具体包括：数据转换模块、直通滤波模块、欧式聚类模块、离散度滤波模块、点云团处理模块；
所述数据转换模块，用于接收数据订阅模块发送的数据信息，将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块需求的数据形式，并将转换后的数据发送给直通滤波模块；
所述直通滤波模块，用于调用数据转换模块传来的数据信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；
所述欧式聚类模块，用于在获取车辆行驶兴趣区域后，对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；
所述离散度滤波模块，用于在得到聚类物体的点云团后，滤除离散度较大的点云团；利用离散度滤波模块滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；所述点云团在X、Y、Z维度的方差按照下述方式获取：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
点云团在x维度的方差
其中，yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
点云团在y维度的方差
其中，zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点；
点云团在z维度的方差
将xs、ys、zs与对应的经验阈值进行比较，若均满足经验值比较需求，则保留该聚类后的点云团；若有一个值不能满足经验值比较需求，则将该聚类物体的点云团滤除，通过离散度滤波模块获取需要的点云团；
所述点云团处理模块，用于接收离散度滤波模块发送的点云团，对离散度滤波模块滤除后的点云团进行处理，以获取聚类障碍物中心点坐标，所述取聚类障碍物中心点坐标获取方式如下：
其中，xavg表示该点云团内点x的平均值，x1表示该点云团内第1个点的x值，同理xn表示该点云团内第n个点的x值，n表示该点云团内有n个点；
yavg表示该点云团内点y的平均值，y1表示该点云团内第1个点的y值，同理yn表示该点云团内第n个点的y值，n表示该点云团内有n个点；
zavg表示该点云团内点z的平均值，z1表示该点云团内第1个点的z值，同理zn表示该点云团内第n个点的z值，n表示该点云团内有n个点。
2.权利要求1所述的一种基于激光雷达的静态障碍物识别系统的识别方法，其特征在于：具体包括以下步骤：
步骤S1，通过激光雷达获取环境信息，然后通过以太网将获取的环境信息以点云数据的形式传输给点云接收模块；
步骤S2，通过点云接收模块将接收到的点云数据信息以PointCloud2的数据形式进行发布；
步骤S3，利用数据订阅模块订阅已发布的PointCloud2数据信息；
步骤S4，通过数据转换模块将数据订阅模块已订阅的PointCloud2数据信息转换成直通滤波模块需求的数据形式；
步骤S5，利用直通滤波模块调用数据转换模块的信息，通过设置X、Y、Z维度的滤波范围，过滤掉X、Y、Z维度指定范围以外的点云，以此来获取车辆行驶兴趣区域；
步骤S6，通过欧式聚类模块对兴趣区域内的点云进行聚类，通过设置聚类距离以及形成一类物体的最少需求点和最多需求点，得到聚类物体的点云团，以此来识别静态障碍物；
步骤S7，通过离散度滤波模块滤除离散度较大的点云团；利用离散度滤波模块滤除时，采用点云团在X、Y、Z维度的方差作为评判标准，当点云团在X、Y、Z维度的方差有一个大于其对应的经验阈值时，说明该点云团离散度较大，判定该聚类物体不符合要求，将其滤除；
步骤S8，通过点云团处理模块对离散度滤波模块滤波后的点云团进行处理，以获取聚类障碍物中心点坐标，以便准确识别静态障碍物。
CN201711441355.4A 2017-12-27 2017-12-27 基于激光雷达的静态障碍物识别系统及识别方法 Pending CN108226895A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711441355.4A CN108226895A (zh) 2017-12-27 2017-12-27 基于激光雷达的静态障碍物识别系统及识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711441355.4A CN108226895A (zh) 2017-12-27 2017-12-27 基于激光雷达的静态障碍物识别系统及识别方法

Publications (1)

Publication Number Publication Date
CN108226895A true CN108226895A (zh) 2018-06-29

Family

ID=62649105

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711441355.4A Pending CN108226895A (zh) 2017-12-27 2017-12-27 基于激光雷达的静态障碍物识别系统及识别方法

Country Status (1)

Country Link
CN (1) CN108226895A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188459A (zh) * 2018-08-29 2019-01-11 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109298426A (zh) * 2018-09-28 2019-02-01 吉林大学 一种泛光激光雷达发射器
CN109444839A (zh) * 2018-11-29 2019-03-08 北京行易道科技有限公司 目标轮廓的获取方法及装置
CN109633685A (zh) * 2018-11-22 2019-04-16 浙江中车电车有限公司 一种基于激光雷达侦测障碍物状态的方法及系统
CN110501719A (zh) * 2019-08-27 2019-11-26 王玉娇 一种基于激光雷达的列车障碍物探测方法
CN110654380A (zh) * 2019-10-09 2020-01-07 北京百度网讯科技有限公司 用于控制车辆的方法和装置
JP2020160025A (ja) * 2019-03-28 2020-10-01 株式会社デンソーテン 推定装置および除去方法
CN112445215A (zh) * 2019-08-29 2021-03-05 阿里巴巴集团控股有限公司 自动导引车行驶控制方法、装置及计算机系统
CN113552593A (zh) * 2021-07-21 2021-10-26 北京理工大学 荧光激光雷达障碍物排除方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278810A (zh) * 2013-05-10 2013-09-04 南京航空航天大学 基于空间相似度的水下目标尺度特性提取方法
CN103278170A (zh) * 2013-05-16 2013-09-04 东南大学 基于显著场景点检测的移动机器人级联地图创建方法
CN103293523A (zh) * 2013-06-17 2013-09-11 河海大学常州校区 基于多孔径信息处理的高光谱遥感异常小目标检测方法
CN103500329A (zh) * 2013-10-16 2014-01-08 厦门大学 基于车载移动激光扫描点云的路灯自动提取方法
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN106375174A (zh) * 2016-11-17 2017-02-01 吉林大学 一种应用于保险定损的车辆安全性评判装置
CN106407947A (zh) * 2016-09-29 2017-02-15 百度在线网络技术（北京）有限公司 用于无人驾驶车辆的目标物体识别方法和装置
US20170115396A1 (en) * 2015-10-22 2017-04-27 Toyota Motor Engineering & Manufacturing North America, Inc. Object detection system
CN106845399A (zh) * 2017-01-18 2017-06-13 北京林业大学 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法
CN106997049A (zh) * 2017-03-14 2017-08-01 奇瑞汽车股份有限公司 一种基于激光点云数据的检测障碍物的方法和装置
CN107239746A (zh) * 2017-05-16 2017-10-10 东南大学 一种面向道路救援安全监控的障碍物识别跟踪方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103278810A (zh) * 2013-05-10 2013-09-04 南京航空航天大学 基于空间相似度的水下目标尺度特性提取方法
CN103278170A (zh) * 2013-05-16 2013-09-04 东南大学 基于显著场景点检测的移动机器人级联地图创建方法
CN103293523A (zh) * 2013-06-17 2013-09-11 河海大学常州校区 基于多孔径信息处理的高光谱遥感异常小目标检测方法
CN103500329A (zh) * 2013-10-16 2014-01-08 厦门大学 基于车载移动激光扫描点云的路灯自动提取方法
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
US20170115396A1 (en) * 2015-10-22 2017-04-27 Toyota Motor Engineering & Manufacturing North America, Inc. Object detection system
CN106407947A (zh) * 2016-09-29 2017-02-15 百度在线网络技术（北京）有限公司 用于无人驾驶车辆的目标物体识别方法和装置
CN106375174A (zh) * 2016-11-17 2017-02-01 吉林大学 一种应用于保险定损的车辆安全性评判装置
CN106845399A (zh) * 2017-01-18 2017-06-13 北京林业大学 一种使用分层聚类方式从LiDAR点云中提取单木信息的方法
CN106997049A (zh) * 2017-03-14 2017-08-01 奇瑞汽车股份有限公司 一种基于激光点云数据的检测障碍物的方法和装置
CN107239746A (zh) * 2017-05-16 2017-10-10 东南大学 一种面向道路救援安全监控的障碍物识别跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张楠: "铁路场景下三维点云识别与分类算法研究", 《中国优秀硕士学位论文数据库 信息科技辑》 *
汪增福: "《模式识别》", 31 January 2010, 中国科学技术大学出版社 *

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109188459A (zh) * 2018-08-29 2019-01-11 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109188459B (zh) * 2018-08-29 2022-04-15 东南大学 一种基于多线激光雷达的坡道小障碍物识别方法
CN109298426A (zh) * 2018-09-28 2019-02-01 吉林大学 一种泛光激光雷达发射器
CN109633685A (zh) * 2018-11-22 2019-04-16 浙江中车电车有限公司 一种基于激光雷达侦测障碍物状态的方法及系统
CN109444839A (zh) * 2018-11-29 2019-03-08 北京行易道科技有限公司 目标轮廓的获取方法及装置
JP2020160025A (ja) * 2019-03-28 2020-10-01 株式会社デンソーテン 推定装置および除去方法
JP7260359B2 (ja) 2019-03-28 2023-04-18 株式会社デンソーテン 推定装置および除去方法
CN110501719A (zh) * 2019-08-27 2019-11-26 王玉娇 一种基于激光雷达的列车障碍物探测方法
CN110501719B (zh) * 2019-08-27 2024-02-09 湖南九域同创高分子新材料有限责任公司 一种基于激光雷达的列车障碍物探测方法
CN112445215A (zh) * 2019-08-29 2021-03-05 阿里巴巴集团控股有限公司 自动导引车行驶控制方法、装置及计算机系统
CN110654380A (zh) * 2019-10-09 2020-01-07 北京百度网讯科技有限公司 用于控制车辆的方法和装置
CN110654380B (zh) * 2019-10-09 2023-12-15 北京百度网讯科技有限公司 用于控制车辆的方法和装置
CN113552593A (zh) * 2021-07-21 2021-10-26 北京理工大学 荧光激光雷达障碍物排除方法
CN113552593B (zh) * 2021-07-21 2023-12-29 北京理工大学 荧光激光雷达障碍物排除方法

Similar Documents

Publication Publication Date Title
CN108226895A (zh) 基于激光雷达的静态障碍物识别系统及识别方法
US10885777B2 (en) Multiple exposure event determination
Wu et al. Applying a functional neurofuzzy network to real-time lane detection and front-vehicle distance measurement
US9767368B2 (en) Method and system for adaptive ray based scene analysis of semantic traffic spaces and vehicle equipped with such system
CN106103232B (zh) 行驶控制装置、车载用显示装置和行驶控制系统
US8976040B2 (en) Intelligent driver assist system based on multimodal sensor fusion
CN109733391A (zh) 车辆的控制方法、装置、设备、车辆及存储介质
CN107161141A (zh) 无人驾驶汽车系统及汽车
CN106908783A (zh) 基于多传感器信息融合的障碍物检测方法
CN107273816B (zh) 基于车载前视单目相机的交通限速标识检测识别方法
CN108108750A (zh) 基于深度学习和单目视觉的距离空间重建方法
CN101303735A (zh) 探测车辆盲点区域内运动物体的方法及盲点探测装置
CN111094095B (zh) 自动地感知行驶信号的方法、装置及运载工具
DE102016122489A1 (de) Sichtgestützte erfassung von nassen fahrbahnzuständen mittels reifenspuren
CN114333330B (zh) 一种基于路侧边缘全息感知的交叉口事件检测系统
CN106841195A (zh) 湿路面状况检测
CN104751600A (zh) 基于虹膜识别的防疲劳驾驶安全设备及其使用方法
Yang et al. Improved lane detection with multilevel features in branch convolutional neural networks
CN111222441B (zh) 基于车路协同的点云目标检测和盲区目标检测方法及系统
CN109781129A (zh) 一种基于车辆间通信的路面安全性检测系统及方法
CN109840454A (zh) 目标物定位方法、装置、存储介质以及设备
CN109903574A (zh) 路口交通信息的获取方法和装置
CN110083099A (zh) 一种符合汽车功能安全标准自动驾驶架构系统和工作方法
CN110458050A (zh) 基于车载视频的车辆切入检测方法及装置
CN112489383A (zh) 一种基于机器视觉的预防闯红灯事故预警系统、方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180629

RJ01 Rejection of invention patent application after publication