CN108647646A - 基于低线束雷达的低矮障碍物的优化检测方法及装置 - Google Patents

Abstract

本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置，其核心在于通过运动估计将历史点云数据转换到当前帧激光雷达坐标系中，并叠加至当前帧的点云数据中，从而将历史信息融合，能够提高激光雷达对于低矮障碍物的有效识别，加强识别效果，降低噪声点的影响。

Description

基于低线束雷达的低矮障碍物的优化检测方法及装置

技术领域

本发明属于光电信息与计算机的技术领域，具体涉及一种基于低线束雷达的低矮障碍物的优化检测方法及装置，可广泛用于无人驾驶汽车、机器人等的感知系统。

背景技术

当前，随着无人驾驶技术涉及的硬件及软件的发展和不断完善，无人驾驶产业将不断成熟和落地。为了降低成本，低线数激光雷达被广泛应用。对于绝大多数的识别物体如车辆、行人和路牌，低线数雷达可以准确识别。然而，低线数激光雷达在扫描路面上的低矮物体如路牙石、散落物等时，由于垂向角分辨率过低，远处障碍通常只有一条线可以扫描上，并且随着雷达相对的移动很容易陷入两相邻线之间的盲区，当10米处激光雷达的垂直两线之间距离可达一个30cm锥桶的高度，从而出现时有时无识别不稳定的情况。不仅如此，由于滤除地面噪点的操作使得点云图中的低矮物体失去一部分的接近地面高度的反射点，使得本来就不多的反射点进一步减少，难以和噪点区分开来；并且车辆在行驶过程中的垂向跳动和地面起伏使得我们被迫提高地面的阈值，减少噪声点对识别的影响。因此，单帧扫描过少的点云限制了激光雷达的稳定识别范围和识别效果。

发明内容

有鉴于此，本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置，能够提高激光雷达对于低矮障碍物的有效识别，加强识别效果，降低噪声点的影响。

实现本发明的技术方案如下：

一种基于低线束雷达的低矮障碍物的优化检测方法，包括以下步骤：

步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；

步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中，其中，a为正整数；

步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。

进一步地，对车辆的运动估计包括以下步骤：

S11：从点云数据中提取车辆运动估计所需的特征点；

S12：利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化；

S13：利用所述位置变化得到车辆在世界坐标系下的运动估计。

进一步地，所述运动估计包括车辆的位置和姿态。

一种基于低线束雷达的低矮障碍物的优化检测装置，包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块；

激光雷达传感器采集车辆周围环境的点云数据；

运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；

数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中，其中，a为正整数；

点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。

有益效果：

1、本发明基于运动估计信息的多帧叠加融合得到的叠加后的点云，其考虑了多时刻对同一障碍物不同相对位置的多次扫描结果，因此增强了对远处低矮障碍物识别的稳定性，减少了单帧扫描得到的点云因识别盲区与垂直分辨率低导致的漏检。

2、本发明运动估计信息由对激光雷达点云数据提取的特征点配准得到，运算速度快实时性好，并且使用单一传感器进行运动估计和障碍物检测，不存在多传感器时间戳对准问题。

附图说明

图1为低线束雷达盲区示意图。

图2为本发明算法流程图。

图3为车辆激光运动估计得到的在世界坐标系的车辆运动。

图4为点云聚类效果。

具体实施方式

下面结合附图并举实施例，对本发明进行详细描述。

本发明提供了一种基于低线束雷达的低矮障碍物的优化检测方法及装置，能够提高激光雷达对于低矮障碍物的有效识别，加强识别效果，降低噪声点的影响。本发明属于光电信息与计算机技术领域，对于无人驾驶车的技术有促进作用。如图1所示，当10米处激光雷达的垂直两线之间距离可达一个30cm锥桶的高度，从而出现时有时无识别不稳定的情况。本发明所提出的多帧点云叠加算法，其核心在于通过运动估计将历史点云数据转换到当前帧激光雷达坐标系中，并叠加至当前帧的点云数据中，从而将历史信息融合。由于激光雷达是机械固定在车辆上，坐标的变化主要是由汽车的三维运动和3自由度姿态变换导致，因此，雷达的坐标变换可由车辆的运动估计信息得出。

如算法流程图2所示，本发明提出的算法分为以下步骤：

步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；所述运动估计包括车辆的位置和姿态，用变换矩阵表示。为了计算运动估计坐标变换矩阵，需要首先计算得到汽车的运动估计信息，运动估计信息包括在每帧激光雷达扫描时刻初始坐标系的位置和车航向方向向量。多种传感器包括单目或双目立体视觉传感器、激光雷达、GPS、INS和轮速传感器都可以计算运动估计信息。本发明中在用激光雷达传感器实现运动估计的计算。本发明算法中描述激光雷达运动估计问题为：给定按时间顺序排列的激光雷达点云k∈Z+，计算点云配准，得到激光雷达在两次扫描中的车辆运动估计。车辆的运动估计包括以下步骤：

对车辆的运动估计包括以下步骤：

S11：从点云数据中提取车辆运动估计所需的特征点；

提取配准用的特征点以提高配准的速度与精度。本算法选择凸出的边缘和平坦的平面上的激光雷达反射点作为特征点。设定S是在同一扫描过程中，连续的点i的集合，定义局部表面平滑度评价计算公式为：

其中，c为局部表面平滑度，以c为评价指标选取特征点，大于设定最大阈值表示边缘特征点，小于设定最小阈值表示平面特征点。其最大和最小阈值均为实验得到。

S12：利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化；

考虑到t_k+1时刻与t_k时刻相邻两次扫描车辆移动造成的差距不会太大，设ε_k+1和为中边缘特征点和平面特征点的集合，我们需要在点云集合中寻找相对应边缘特征点或者平面特征点的最近邻点作为匹配点对。在得到特征点的匹配点对之后，需要计算相邻两帧匹配点对的欧式距离，通过最小化所有该距离来计算雷达的位姿运动。利用ICP算法求解此最小化问题。ICP算法的目的是要找到待配准点云数据与参考点云数据之间的旋转矩阵R和平移矩阵t，使得两点数据之间满足某种度量准则下的最优匹配。

S13：利用所述位置变化得到车辆在世界坐标系下的运动估计。

用S12中得到的用R、t矩阵表示的相邻两帧扫描中的位置变化关系，递推求解出当前点云扫描帧坐标系相对于起始世界坐标系的变换，进而求出当前车辆位置，估计车辆位姿。该步骤将车辆运动估计用四元数和三维平移向量表征，定义为位姿运动变换 t_x，t_y和t_z为在激光雷达坐标系{L}下相对于世界坐标系在x，y和z轴上的平移变化，x，y，z和ω为四元数中分别绕x轴，y轴，z轴和自身轴向的旋转角度。效果如图3所示，箭头表示一个时刻的车辆位姿，方向为车头航向。

步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中，其中，a为正整数，a的取值综合考虑计算精度和运算速度，a越大计算精度越大，当时运算速度就慢，a越小计算精度越小，但运算速度就快。

该坐标变换，即通过运动估计获得的位姿变换求解坐标变换阵，将历史帧的点云变换到当前扫描帧的车辆坐标系中。令融合帧数为m，m∈Z⁺，当前车辆坐标系下多帧融合之后的点云集合为历史第k次扫描得到的激光雷达坐标系点云集合为k＝1，2……m。点云集合的坐标系为激光雷达三维欧式坐标系{L}，第k次扫描中激光雷达反射点在L_k下的坐标为X_i,k。

根据前述步骤得到的运动估计信息，在第k次扫描之后，我们可以得到激光雷达相对于初始点的位姿运动变换对于任意点(坐标为X_i,k)，k＝1，2……m，可以得到融合后的点云集合中的点i的对应点的坐标为：

其中，R_k为第k次扫描时的激光雷达坐标系L_k到初始坐标系L₀的四元数旋转矩阵，为当前激光雷达坐标系到初始坐标系L₀的四元数旋转矩阵。当给定一个前述变换阵T，则有：

需要明确的是，基于运动估计得到匀线速度和匀角速度行驶，但根据实际情况，车辆具有较大的线加速度和角加速度，所以得到的点云集合存在不同程度的发散，发散程度和加速度大小正相关。另外，由于激光雷达的处理频率为10Hz，我们的额定车速在10km/h到20km/h，因此使用了7次激光雷达扫描得到的点云集合进行信息融合叠加。这个融合叠加的数目可自由根据计算平台能力和需求选择。

步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。

本算法障碍物识别应用欧氏距离聚类。欧氏距离定义为三维空间中两点之间的距离。设E(p,q)为p，q两点的欧氏距离：

具体的实现方法大致是：

1.找到空间中随机选取某点p。

2.用kdTree找到欧氏距离离他最近的n个点，判断这n个点到所选点的距离。将距离小于阈值r的点放在集合Q里。

3.在Q里找到不同与p一点p’，重复1。当Q再也不能有新点加入了，则完成搜索。这样就完成了点云一类的聚类分割。循环上述步骤就能对对障碍物点云进行分割完成聚类。聚类效果如图4，左图为一张平坦路面上含有锥桶的点云原始数据，右图白色方块为一个障碍物识别结果。

实现上述方法的一种基于低线束雷达的低矮障碍物的优化检测装置包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块；

激光雷达传感器采集车辆周围环境的点云数据；

运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；

数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中；

点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于低线束雷达的低矮障碍物的优化检测方法，其特征在于，包括以下步骤：

步骤一、利用激光雷达传感器采集的相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；

步骤二、利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中，其中，a为正整数；

步骤三、将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。

2.如权利要求1所述的一种基于低线束雷达的低矮障碍物的优化检测方法，其特征在于，所述运动估计包括车辆的位置和姿态。

3.如权利要求1所述的一种基于低线束雷达的低矮障碍物的优化检测方法，其特征在于，对车辆的运动估计包括以下步骤：

S11：从点云数据中提取车辆运动估计所需的特征点；

S12：利用所述特征点根据ICP迭代最近点算法求解车辆在相邻两帧扫描中的位置变化；

S13：利用所述位置变化得到车辆在世界坐标系下的运动估计。

4.一种基于低线束雷达的低矮障碍物的优化检测装置，其特征在于，包括激光雷达传感器、运动估计计算模块、数据转换叠加模块和点云聚类检测模块；

激光雷达传感器采集车辆周围环境的点云数据；

运动估计计算模块利用相邻两帧的点云数据得到所对应的两次扫描之间的车辆的运动变化，利用所述运动变化得到后一扫描时刻的车辆运动估计；

数据转换叠加模块利用所述车辆运动估计将当前帧以前的a帧点云数据转换至车辆当前坐标系中，并叠加至当前帧的点云数据中，其中，a为正整数；

点云聚类检测模块将叠加后的点云数据运用点云聚类算法得到低矮障碍物的检测结果。