CN109635672B - 一种无人驾驶的道路特征参数估计方法 - Google Patents

Abstract

本发明涉及一种无人驾驶的道路特征参数估计方法，包括：六自由度惯导信息获取；三维激光点云数据获取；激光点云运动补偿；6sigma高程的路面候选点提取；3sigma高差的坡面候选点提取；主成分分析法路面拟合；主成分分析法坡面拟合；1sigma路面点提取；1sigma坡面点提取；对路面点和坡面点反射强度进行特征分解；路沿边界点提取；对路面附着系数进行估计；估计模型对道路曲率进行估计；对路沿进行拟合估计；对坡度进行估计，最终输出一幅富含道路特征参数的栅格地图，以供无人驾驶感知、决策和规划模块使用。与现有技术相比，本发明具有实现鲁棒的路面附着系数估计、路沿曲率连续、道路曲率道路坡度快速估计等优点。

Description

一种无人驾驶的道路特征参数估计方法

技术领域

本发明涉及无人驾驶特种车辆的参数估计方法，尤其是涉及一种无人驾驶的道路特征参数估计方法。

背景技术

作为有望消除日益增长的交通压力、增强道路交通安全以及节约能源的先进车辆技术，无人驾驶车辆的发展正如火如荼，这也得益于人工智能技术、计算机技术、图像技术、传感器技术等的多方面的发展与交叉融合。无人驾驶核心模块包括环境感知、决策规划、运动控制与线控执行器。借助于多传感器的融合，无人驾驶相比人类驾驶，突出特点在于其“先知先觉先执行”的能力。然而，受限于路面的附着极限，无人驾驶决策规划的路径曲率与加速度和运动控制的方向盘转矩、车轮转矩与制动力都应符合附着约束。附着系数、道路曲率、道路坡度等参数。

因此，如何提供一种道路特征参数(附着系数、道路曲率、道路坡度等参数)等参数方法是本领域技术人员亟待解决的问题。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种无人驾驶的道路特征参数估计方法。

本发明的目的可以通过以下技术方案来实现：

一种无人驾驶的道路特征参数估计方法，包括以下步骤：

1)获取六自由度惯导信息，包括纵向加速度、侧向加速度、垂向加速度、横摆角速度、俯仰角速度和侧倾角速度；

2)获取三维激光点云数据，包括x、y、z轴向位置和反射强度四个维度的信息；

3)通过六自由度惯导信息对x、y、z轴向位置信息进行运动补偿；

4)采用6sigma准则，按照高程提取高程路面候选点；

5)采用3sigma准则，按照高差提取高差坡面候选点；

6)基于高程路面候选点，采用主成分分析法对路面进行平面拟合；

7)根据拟合获得的路面，对路面候选点采用1sigma准则进行路面点提取；

8)基于高差坡面候选点，采用主成分分析法对坡面进行平面拟合；

9)根据拟合获得的坡面，对坡面候选点采用1sigma准则进行坡面点提取；

10)采用期望最大法对路面点和坡面点的激光雷达点云的反射强度进行特征分解；

11)基于高程路面候选点、高差坡面候选点、路面点和坡面点，采用主成分分析法提取路沿边界点；

12)基于概率估计模型对路面附着系数进行估计；

13)基于样条曲线模型对路沿进行拟合估计，采用三次B样条曲线对路沿边界点进行分段拟合，得到曲率连续的路沿曲线；

14)基于支持向量机估计模型对道路曲率进行估计：对路沿曲线进行离散后采用支持向量机进行中心点分类提取，采用三次B样条曲线对中心点进行曲线拟合，利用曲率公式获取道路曲率；

15)基于法向量夹角估计模型对坡度进行估计：获取路面平面和坡面平面的法向量的反正切值，即为坡度值；

16)将道路特征信息，包括路面附着系数、道路曲率、道路坡度和路沿曲线统一到栅格地图中并显示。

所述的步骤4)中，将满足高程条件z_ego-6sigma≤z≤z_ego-6sigma的点云作为高程路面候选点，其中，z_ego为激光雷达固定在无人车的离地高度，即地面点高程的期望值，sigma为均方差，即传感器车辆误差，z为点云高程。

所述的步骤5)中，将满足高差条件-3sigma≤Δz≤3sigma的点云作为高差坡面候选点，其中，Δz为点云高差，sigma为均方差，即传感器车辆误差。

所述的步骤6)具体为：

将当前车辆所在路面作为三维空间的平面，则有平面方程A₁x+B₁x+C₁z+D₁＝0，其平面法向量n_plane＝[A₁,B₁,C₁,D₁]，将地面候选激光点代入平面方程，得到平面方程组，采用主成分分析法求出方程的特征向量与特征值，则最小特征值所对应的特征向量为平面的法向量。

所述的步骤7)具体为：

将地面候选点代入平面方程A₁x+B₁x+C₁z+D₁＝0，将距离满足z_ego-sigma≤D₁≤z_ego+sigma的地面候选点作为地面点。

所述的步骤8)具体为：

将获得的地面点从高差坡面候选点中剔除，构造平面方程A₂x+B₂x+C₂z+D₂＝0，其平面法向量n_slope＝[A₂,B₂,C₂,D₂]，对剩余点进行平面拟合，并用主成分分析法获取平面法向量。

所述的步骤9)具体为：

将地面候选点代入平面方程A₂x+B₂x+C₂z+D₂＝0，将距离满足mean(D₂)-sigma≤D₂≤mean(D₂)+sigma的地面候选点作为地面点，其中，mean(D₂)为坡面候选点方程参数D₂的均值。

所述的步骤11)具体为：

根据路沿平面与路面平面以及坡面平面的法向量相互垂直，将路面点和坡面点从高程路面候选点与高差坡面候选点中剔除，将剩余的点云作为路沿候选点，并拟合得到多个路沿平面A_jx+B_jx+C_jz+D_j＝0，每一个平面的法向量n_curbj＝[A_j,B_j,C_j,D_j]，将每一个拟合路沿平面的点云从路沿候选点中剔除，直到剩余点云不能拟合成平面为止，则路沿平面与路面平面以及坡面平面相交的点云为路沿边界点。

所述的步骤12)具体为：

121)计算实时测量的路面A的反射强度与典型路面数据库中任意一种路面i的反射强度两者的联合概率P_iB：

其中，X_C为实时测量的路面A的反射强度的正态分布概率密度函数N(μ_A,σ_A)和典型路面数据库中任意一种路面i的反射强度的正态分布概率密度函数N(μ_i,σ_i)的交点，Φ(·)为正态分布函数，u_B为路面B的强度期望，σ_B为路面B的强度方差；

122)根据联合概率通过以下两种方法预测路面附着系数μ_B，则有：

A、对于每一个典型路面数据库，通过比对最大概率值确定路面所对应的最相近的先验路面，进而预测路面附着系数：

B、通过判断交集不为空的先验路面的最低附着系数预测的路面附着系数：

其中，M为典型路面数据库中包含的典型路面数据种类数，μ(·)为路面的附着系数，P_B为路面B的最大联合概率。

与现有技术相比，本发明具有以下优点：

1.本发明中基于概率估计模型的路面附着系数进行估计，可以实现鲁棒的路面附着系数估计；

2.本发明中的基于样条曲线模型的路沿拟合，可以实现路沿的曲率连续。

3.本发明的基于支持向量机估计模型的道路曲率估计，借助于曲率连续的路沿点，可以实现鲁棒的道路曲率估计。

4.本发明的基于法向量夹角估计，可以实现道路坡度的快速估计。

附图说明

图1为本发明的无人驾驶的道路特征参数估计方法过程的流程图。

图2为本发明的期望最大法对路面点和坡面点的激光雷达点云的反射强度进行特征分解示意图。

图3为本发明的构造的5种典型的路面反射强度特征分布库示意图。

图4为本发明的基于概率估计模型对路面附着系数进行估计示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例：

如图1所示，图1为本发明的一种无人驾驶的道路特征参数估计方法过程的流程图，该策略具体步骤包括：

步骤1：六自由度惯导信息获取，包括纵向加速度、侧向加速度、垂向加速度、横摆角速度、俯仰角速度和侧倾角速度；

步骤2：三维激光点云数据获取。激光雷达通过以太网连采用UDP协议将点云数据传输到智能驾驶控制器，智能驾驶控制器按照UDP包协议将点云数据解析为x、y、z(轴向位置)和R(反射强度)四个维度信息；

步骤3：利用六自由度惯导信息对激光点云的x、y、z进行运动补偿；

步骤4：采用6sigma准则，按照高程(z值)进行路面候选点提取。激光雷达固定在无人车上，其离地高度z_ego作为地面点高程的期望值，考虑到车辆运动、路面非均质以及雷达的测量噪声，以传感器车辆误差sigma为均方差，满足高程条件z_ego-6sigma≤z≤z_ego-6sigma的点云作为路面候选点；

步骤5：采用3sigma准则，按照高差(Δz值)进行坡面候选点提取。考虑到路面坡度、车辆运动、路面非均质以及雷达的测量噪声，以传感器车辆误差sigma为均方差，满足高差条件-3sigma≤Δz≤3sigma的点云作为坡面候选点；

步骤6：基于高程路面候选点，采用主成分分析法对路面进行平面拟合。当前车辆所在路面视为三维空间的平面，平面方程A₁x+B₁x+C₁z+D₁＝0，平面法向量为n_plane＝[A₁,B₁,C₁,D₁]，地面候选激光点代入平面方程，便可以得到一个平面方程组，采用主成分分析法求出方程的特征向量与特征值，最小特征值所对应的特征向量就是平面的法向量；

步骤7：利用拟合的路面，对高程路面候选点，采用1sigma准则进行路面点提取。将地面候选点代入基于步骤6构造的平面方程，考虑到激光雷达的测量误差，距离满足z_ego-sigma≤D₁≤z_ego+sigma的候选地面点作为地面点；

步骤8：基于高差坡面候选点，采用主成分分析法对坡面进行平面拟合。首先将步骤7取得的地面点从候选坡面点中剔除，然后构造平面方程A₂x+B₂x+C₂z+D₂＝0，平面法向量为n_slope＝[A₂,B₂,C₂,D₂]，对剩余点进行平面拟合，并用主成分分析法求解平面法向量；

步骤9：利用拟合的坡面，对高差坡面候选点，采用1sigma准则进行坡面点提取。将地面候选点代入基于步骤6构造的平面方程，考虑到激光雷达的测量误差，距离满足mean(D₂)-sigma≤D₂≤mean(D₂)+sigma的候选地面点作为地面点，其中，mean(D₂)表示坡面候选点方程参数D₂的均值；

步骤10：采用期望最大法对路面点和坡面点的激光雷达点云的反射强度进行特征分解。由于存在环境噪声，反射强度是两个正态分布的叠加，一个正态分布是主地面反射强度分布，另一个是噪声的反射强度分布，采用期望最大法分解出两个正态分布，最终得到地面的反射强度分布(如图2所示)；

步骤11：基于高程路面候选点，高差坡面候选点，路面点和坡面点，采用主成分分析法进行路沿边界点提取。由于路沿平面与路面平面以及坡面平面的法向量接近垂直，将路面点和坡面点从路面候选点与坡面候选点中剔除，在剩余的点云作为路沿候选点，并进行系列路沿平面拟合A_ix+B_ix+C_iz+D_i＝0，每一个平面都有法向量n_curbi＝[A_i,B_i,C_i,D_i]，将每一个拟合路沿平面的点云从路沿候选点中剔除，直到剩余点云不能拟合成平面为止。路沿平面与路面平面以及坡面平面相交的点云便是路沿边界点；

步骤12：基于概率估计模型对路面附着系数进行估计。通过离线数据采集的方式构造典型路面的反射强度分布与路面附着系数数据库(如图3所示)，对于实时测量的路面A的反射强度服从N(μ_A,σ_A)分布，典型路面数据库存有M种典型路面数据，任意一种路面i的反射强度服从N(μ_i,σ_i)，那么二者的联合概率为(如图4所示)：

其中，X_C为两个正态分布概率密度函数的交点。

对于每一个库模型，都可以得到相应的联合概率，可以直接通过比对最大概率值来确定路面所对应的最相近的先验路面，进而预测路面附着系数：

或者更为保守的策略，通过判断交集不为空的先验路面的最低附着系数来对应预测的路面附着系数：

步骤13：基于样条曲线模型对路沿进行拟合估计。利用三次B样条曲线延展性好以及曲率连续的特性，对步骤11提取的路沿边界点进行分段拟合，得到曲率连续的路沿；

步骤14：基于支持向量机估计模型对道路曲率进行估计。，对步骤13拟合的路沿曲线进行离散，然后利用支持向量机进行中心点分类提取，类似的，采用三次B样条曲线对中心点进行曲线拟合，然后利用曲率公式进行道路曲率求解；

步骤15：基于法向量夹角估计模型对坡度进行估计。根据路面平面和坡面平面的法向量，求取二者的反正切值，便得到坡度值；

步骤16：将以上道路特征信息标准到一幅栅格地图中，并输出给感知、决策和规划模块。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种无人驾驶的道路特征参数估计方法，其特征在于，包括以下步骤：

1)获取六自由度惯导信息，包括纵向加速度、侧向加速度、垂向加速度、横摆角速度、俯仰角速度和侧倾角速度；

2)获取三维激光点云数据，包括x、y、z轴向位置和反射强度四个维度的信息；

3)通过六自由度惯导信息对x、y、z轴向位置信息进行运动补偿；

4)采用6sigma准则，按照高程提取高程路面候选点；

5)采用3sigma准则，按照高差提取高差坡面候选点；

6)基于高程路面候选点，采用主成分分析法对路面进行平面拟合；

7)根据拟合获得的路面，对路面候选点采用1sigma准则进行路面点提取；

8)基于高差坡面候选点，采用主成分分析法对坡面进行平面拟合；

9)根据拟合获得的坡面，对坡面候选点采用1sigma准则进行坡面点提取；

10)采用期望最大法对路面点和坡面点的激光雷达点云的反射强度进行特征分解；

11)基于高程路面候选点、高差坡面候选点、路面点和坡面点，采用主成分分析法提取路沿边界点；

12)基于概率估计模型对路面附着系数进行估计；

13)基于样条曲线模型对路沿进行拟合估计，采用三次B样条曲线对路沿边界点进行分段拟合，得到曲率连续的路沿曲线；

14)基于支持向量机估计模型对道路曲率进行估计：对路沿曲线进行离散后采用支持向量机进行中心点分类提取，采用三次B样条曲线对中心点进行曲线拟合，利用曲率公式获取道路曲率；

15)基于法向量夹角估计模型对坡度进行估计：获取路面平面和坡面平面的法向量的反正切值，即为坡度值；

16)将道路特征信息，包括路面附着系数、道路曲率、道路坡度和路沿曲线统一到栅格地图中并显示。

2.根据权利要求1所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤4)中，将满足高程条件z_ego-6sigma≤z≤z_ego-6sigma的点云作为高程路面候选点，其中，z_ego为激光雷达固定在无人车的离地高度，即地面点高程的期望值，sigma为均方差，即传感器车辆误差，z为点云高程。

3.根据权利要求1所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤5)中，将满足高差条件-3sigma≤Δz≤3sigma的点云作为高差坡面候选点，其中，Δz为点云高差，sigma为均方差，即传感器车辆误差。

4.根据权利要求1所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤6)具体为：

将当前车辆所在路面作为三维空间的平面，则有平面方程A₁x+B₁x+C₁z+D₁＝0，其平面法向量n_plane＝[A₁,B₁,C₁,D₁]，将地面候选激光点代入平面方程，得到平面方程组，采用主成分分析法求出方程的特征向量与特征值，则最小特征值所对应的特征向量为平面的法向量。

5.根据权利要求4所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤7)具体为：

将地面候选点代入平面方程A₁x+B₁x+C₁z+D₁＝0，将距离满足z_ego-sigma≤D₁≤z_ego+sigma的地面候选点作为地面点，其中，z_ego为激光雷达固定在无人车的离地高度，sigma为均方差。

6.根据权利要求5所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤8)具体为：

将获得的地面点从高差坡面候选点中剔除，构造平面方程A₂x+B₂x+C₂z+D₂＝0，其平面法向量n_slope＝[A₂,B₂,C₂,D₂]，对剩余点进行平面拟合，并用主成分分析法获取平面法向量。

7.根据权利要求6所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤9)具体为：

将地面候选点代入平面方程A₂x+B₂x+C₂z+D₂＝0，将距离满足mean(D₂)-sigma≤D₂≤mean(D₂)+sigma的地面候选点作为地面点，其中，mean(D₂)为坡面候选点方程参数D₂的均值。

8.根据权利要求7所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤11)具体为：

根据路沿平面与路面平面以及坡面平面的法向量相互垂直，将路面点和坡面点从高程路面候选点与高差坡面候选点中剔除，将剩余的点云作为路沿候选点，并拟合得到多个路沿平面A_jx+B_jx+C_jz+D_j＝0，每一个平面的法向量n_curbj＝[A_j,B_j,C_j,D_j]，将每一个拟合路沿平面的点云从路沿候选点中剔除，直到剩余点云不能拟合成平面为止，则路沿平面与路面平面以及坡面平面相交的点云为路沿边界点。

9.根据权利要求8所述的一种无人驾驶的道路特征参数估计方法，其特征在于，所述的步骤12)具体为：

121)计算实时测量的路面A的反射强度与典型路面数据库中任意一种路面i的反射强度两者的联合概率P_iB：

其中，X_C为实时测量的路面A的反射强度的正态分布概率密度函数N(μ_A,σ_A)和典型路面数据库中任意一种路面i的反射强度的正态分布概率密度函数N(μ_i,σ_i)的交点，Φ(·)为正态分布函数，u_B为路面B的强度期望，σ_B为路面B的强度方差；

122)根据联合概率通过以下两种方法预测路面附着系数μ_B，则有：

A、对于每一个典型路面数据库，通过比对最大概率值确定路面所对应的最相近的先验路面，进而预测路面附着系数：

B、通过判断交集不为空的先验路面的最低附着系数预测的路面附着系数：

其中，M为典型路面数据库中包含的典型路面数据种类数，μ(·)为路面的附着系数，P_B为路面B的最大联合概率。

Images