CN110426714A - 一种障碍物识别方法 - Google Patents

Abstract

本发明实施例涉及一种障碍物识别方法，所述方法包括：获取激光雷达数据；确定是车辆前方是否存在静态障碍物；当车辆前方存在静态障碍物时，获取当前静态障碍物的第一栅格数据；获取下一帧激光雷达数据，并根据下一帧激光雷达数据得到当前静态障碍物的第二栅格数据；对比第二栅格数据和第一栅格数据，根据对比结果得到当前静态障碍物所对应的栅格数据置信度；如果当前静态障碍物所对应的栅格数据置信度大于预设值，输出当前静态障碍物的栅格数据；如果当前静态障碍物所对应的栅格数据置信度不大于预设值，继续获取下一帧激光雷达数据，并确定当前静态障碍物所对应的栅格数据置信度是否大于预设值。

Description

一种障碍物识别方法

技术领域

本发明涉及自动驾驶领域，尤其涉及一种障碍物识别方法。

背景技术

激光雷达是自动驾驶汽车感知环境的重要传感器，具有精度高、抗干扰等特点。从激光雷达点云中识别出目标的主要步骤为：将点云投影到2D栅格中进行分割聚类得到障碍物，再利用算法求得障碍物的运动状态。

自动驾驶感知方案最重要的目标就是正确检测出环境中的障碍物并得到其运动状态，同时对其中的静态障碍物进行进一步的建模和记忆。传统激光处理方法一般只是将静态目标识别为普通目标进行检测和跟踪，当目标进入盲区或者因为激光雷达线束稀疏而出现闪烁时，难以实现较为稳定的跟踪和记忆。而基于深度学习的方法一般用来识别车辆、行人、交通标等目标，而对于路边出现的非特定目标无法提供准确的学习数据，所以难以处理复杂场景中的非特定障碍物；同时该方案需要消耗大量并行计算资源，对运行平台的性能要求比较高。

发明内容

本发明的目的是针对现有技术的缺陷，提供一种障碍物识别方法，实现了对激光雷达感知目标的细致化生命周期管理，提高车辆对障碍物的感知能力，尤其是静态目标进入盲区后的生命周期管理，从而提升了自动驾驶车辆的行驶安全性。并且，本申请中的障碍物识别方法可以实现对低成本稀疏线束的激光雷达下的闪烁障碍物的稳定感知，在保证行驶安全的同时降低了成本。

为了实现上述目的，本发明实施例提供了一种障碍物识别方法，包括：

获取激光雷达数据；

对所述激光雷达数据进行解析，确定是车辆前方是否存在静态障碍物；

当所述车辆前方存在静态障碍物时，获取当前静态障碍物的第一栅格数据；

获取下一帧激光雷达数据，并根据所述下一帧激光雷达数据得到所述当前静态障碍物的第二栅格数据；

对比所述第二栅格数据和所述第一栅格数据，根据对比结果得到所述当前静态障碍物所对应的栅格数据置信度；

确定所述当前静态障碍物所对应的栅格数据置信度是否大于预设值；

如果所述当前静态障碍物所对应的栅格数据置信度大于所述预设值，输出当前静态障碍物的栅格数据；

如果所述当前静态障碍物所对应的栅格数据置信度不大于所述预设值，继续获取下一帧激光雷达数据，并确定当前静态障碍物所对应的栅格数据置信度是否大于预设值。

优选的，所述对所述激光雷达数据进行解析，确定是否存在静态障碍物具体为：

根据所述激光雷达数据得到障碍物的速度数据；

根据所述障碍物的速度数据，确定是否存在静态障碍物。

进一步优选的，所述根据所述激光雷达数据得到障碍物的速度数据具体为：

对所述激光雷达数据进行卡尔曼滤波，计算得到所述障碍物的速度数据。

优选的，当所述车辆前方存在静态障碍物时，所述方法还包括：

确定所述静态障碍物的与车辆的相对坐标；

根据所述静态障碍物的与车辆的相对坐标得到所述静态障碍物与车辆的距离；

当所述静态障碍物与车辆的距离大于预设距离时，删除所述静态障碍物所对应的栅格数据。

进一步优选的，所述确定所述静态障碍物的与车辆的相对坐标具体为：

所述当前车辆定位数据；

根据所述当前车辆定位数据确定所述静态障碍物的第一绝对坐标；

并根据下一个车辆定位数据确定所述静态障碍物的第二绝对坐标；

根据所述静态障碍物的第一绝对坐标和所述静态障碍物的第二绝对坐标确定所述静态障碍物的与车辆的相对坐标。

进一步优选的，所述车辆定位数据携带有时间戳。

进一步优选的，在所述获取当前车辆定位数据后，所述方法还包括：

对比所述当前车辆定位数据所对应的时间戳与上一个车辆定位数据所对应的时间戳；

如果所述当前车辆定位数据所对应的时间戳早于上一个车辆定位数据所对应的时间戳，则删除当前车辆定位数据所对应静态障碍物栅格数据。

进一步优选的，所述方法还包括：

如果在预设时间内获取到的下一个车辆定位数据均为空；

则删除当前车辆定位数据所对应静态障碍物栅格数据。

优选的，在所述输出当前静态障碍物的栅格数据之后，所述方法还包括：

根据所述当前静态障碍物的栅格数据控制车辆避障。

本发明实施例提供的一种障碍物识别方法，实现了对激光雷达感知目标的细致化生命周期管理，提高车辆对障碍物的感知能力，尤其是静态目标进入盲区后的生命周期管理，从而提升了自动驾驶车辆的行驶安全性。并且，本申请中的障碍物识别方法可以实现对低成本稀疏线束的激光雷达下的闪烁障碍物的稳定感知，在保证行驶安全的同时降低了成本。

附图说明

图1为本发明实施例提供的障碍物识别方法的流程图；

图2为本发明实施例提供的静态障碍物的栅格数据更新方法的方法流程图。

具体实施方式

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

本发明实施例提供的一种障碍物识别方法，实现于自动驾驶车辆中，用于自动驾驶车辆利用激光雷达识别前方障碍物，并对障碍物进行管理的方法，其方法流程图如图1所示，包括如下步骤：

步骤101，获取激光雷达数据；

具体的，在自动驾驶车辆(以下简称为车辆)中，通常包括摄像设备、红外设备和激光雷达设备等用于对车辆周围行驶环境进行实时监控的监控设备，以确保车辆安全实行，同时自动驾驶车辆中还包括处理模块，用以对各种获取到的数据进行处理，使得车辆可按处理模块的计算结果行驶。本实施例中，车辆的处理模块包括栅格数据处理子模块和避障子模块。栅格数据处理子模块可以理解为用于处理栅格数据的模块，避障子模块可以理解为根据栅格数据控制车辆避障的模块。

其中，激光雷达设备对车辆车身的附近障碍物进行探测，生成激光雷达数据，车辆的栅格数据处理子模块获取激光雷达数据。

步骤102，对激光雷达数据进行解析，确定是车辆前方是否存在静态障碍物；

具体的，车辆中的栅格数据处理子模块在获取到激光雷达数据后，对激光雷达数据进行卡尔曼滤波，计算得到障碍物的速度数据，然后根据障碍物的速度数据，确定是否存在静态障碍物。

进一步具体的，卡尔曼滤波的是在一中利用线性系统状态方程，通过输入观测数据，例如物体的位置，对包含噪声的观察序列中预测物体的坐标位置及速度的算法。在雷达探测中，所能探测到障碍物的位置、速度、加速度的测量值往往携带有都有噪声，而卡尔曼滤波可以利用目标的动态信息,去掉噪声的影响，得到一个关于目标值的好的估计。因此，本申请中经卡尔曼滤波得到的障碍物的速度数据是更为精准的数据。如果计算的到的障碍物的速度数据大于预设速度数据，则可确定当前障碍物为动态障碍物；如果计算的到的障碍物的速度数据不大于预设速度数据，则可确定当前障碍物为静态障碍物，也就是可确定车辆前方存在静态障碍物，则执行下述步骤103。

步骤103，当车辆前方存在静态障碍物时，获取当前静态障碍物的第一栅格数据；

具体的，当车辆前方存在静态障碍物时，车辆中的栅格数据处理子模块获取与当前静态障碍物的栅格数据。可以理解的是，本申请中的激光雷达数据携带有时间戳，用于表示数据的生成时间。而本申请中相对于下一帧的激光雷达数据所对应的栅格数据，当前时间戳下的栅格数据均表示为第一栅格数据，相对于上一帧的激光雷达数据所对应的栅格数据，当前时间戳下的栅格数据均表示为第二栅格数据。

进一步具体的，本申请中的栅格数据可以理解为将激光雷达所探测到的空间分割成有规律的网格，每一个网格称为一个单元，并在各单元上赋予相应的属性值来表示实体的一种数据形式。如果激光雷达监测到有障碍物，则该障碍物一定会投影到网格中的某一格或多格。当车辆前方存在静态障碍物时，栅格数据处理子模块获取当前静态障碍物的当前所投影到网格中的栅格数据。

步骤104，获取下一帧激光雷达数据；

具体的，在得到了当前静态障碍物的第一栅格数据后，栅格数据处理子模块继续获取下一帧的激光雷达数据。

步骤105，根据下一帧激光雷达数据得到当前静态障碍物的第二栅格数据；

具体的，获取到下一帧激光雷达数据到达，栅格数据处理子模块根据下一帧激光雷达数据得到当前静态障碍物的第二栅格数据，这里，第二栅格数据可以理解为相对于上一帧激光雷达数据，当前静态障碍物的栅格数据。栅格数据处理子模块根据下一帧激光雷达数据得到当前静态障碍物的第二栅格数据的方法可参考步骤103中获取第一栅格数据中的方法，在此不再赘述。

步骤106，对比第二栅格数据和第一栅格数据，根据对比结果得到当前静态障碍物所对应的栅格数据置信度；

具体的，每当获取到下一帧的激光雷达数据后，栅格数据处理子模块都会将当前静态障碍物的栅格数据与上一帧激光雷达数据所对应的该静态障碍物的栅格数据进行对比，也就是对比第二栅格数据和第一栅格数据根据第二栅格数据与第一栅格数据的匹配度得到当前静态障碍物所对应的栅格数据置信度。第二栅格数据和第一栅格数据的匹配度越高，当前静态障碍物所对应的栅格数据置信度也越高，反之第二栅格数据和第一栅格数据的匹配度越抵，当前静态障碍物所对应的栅格数据置信度也越低。

步骤107，确定当前静态障碍物所对应的栅格数据置信度是否大于预设值；

具体的，如果激光雷达所监测到的障碍物为闪烁障碍物，第二栅格数据和第一栅格数据的往往是不相匹配或者匹配度较低的。例如，由于激光雷达的线束稀疏问题，对于体积较小的障碍物，即使目标不在盲区内，也很难得到稳定的观测结果，目标往往会间歇性出现和消失，形成闪烁障碍物。在这种情况下，栅格数据处理子模块无法确定当前闪烁障碍物是需要进行一步对应的静态障碍物，还是仅仅由于激光雷达精密度问题而导致的感应异常。因此，在本申请中，栅格数据处理子模块需要根据当前静态障碍物所对应的栅格数据置信度高低，进一步确定当前闪烁障碍物是否为静态障碍物，同时进一步排除激光雷达感应异常情况所带来的数据干扰。

栅格数据的置信度越高，则该栅格数据所表示的障碍物为静态障碍物的可能性越高，需要对该静态障碍物进行避障或其他处理。也就是说，确定当前静态障碍物所对应的栅格数据置信度是否大于预设值的过程，可以理解为确定栅格数据所表示的目标是否确实为静态障碍物的过程。

如果当前静态障碍物所对应的栅格数据置信度大于预设值，则代表了栅格数据处理子模块确定该栅格数据所表示的目标是确实为静态障碍物，则执行下述步骤108；如果当前静态障碍物所对应的栅格数据置信度不大于预设值，则代表了栅格数据处理子模块根据现有的激光雷达数据仍不足以确定该栅格数据所表示的目标为静态障碍物，需要进行进一步的观测，则返回执行步骤104，继续获取下一帧激光雷达数据，并确定当前静态障碍物所对应的栅格数据置信度是否大于预设值。

可以理解的是，每一次获取下一帧激光雷达数据，并确定当前静态障碍物所对应的栅格数据置信度是否大于预设值的循环，可以理解为进一步确定该栅格数据所对应的目标是否确实为静态障碍物的过程。如果当前静态障碍物所对应的栅格数据置信度一直不大于预设值，则栅格数据处理子模块也不会将该该栅格数据所对应的目标作为静态障碍物进行处理。

步骤108，输出当前静态障碍物的栅格数据；

具体的，当当前静态障碍物所对应的栅格数据置信度大于预设值，说明该栅格数据所表示的目标是确实为静态障碍物，则栅格数据处理子模块输出当前静态障碍物的栅格数据到车辆避障子模块，用以车辆避障子模块根据当前静态障碍物的栅格数据控制车辆避障。

在一些优选的实施例中，本申请中的障碍物识别方法还会对栅格数据进行栅格时间域和空间域更新，以进一步确保栅格数据的准确性，同时减少输入冗余。

具体的，当所述车辆前方存在静态障碍物时，也就是在执行了步骤103之后，还需对栅格数据进行栅格时间域和空间域更新，其方法流程图如图2所示，包括如下步骤：

步骤201，确定当前静态障碍物的与车辆的相对坐标；

具体的，当所述车辆前方存在静态障碍物时，栅格数据处理子模块通过设置在车辆中的定位装置获取当前车辆定位数据。并根据当前车辆定位数据确定静态障碍物的第一绝对坐标。可以理解的是，本申请中的车辆定位数据同样携带有时间戳。而本申请中相对于下一个车辆定位数据所对应的静态障碍物绝对坐标，当前车辆定位数据对应的静态障碍物的绝对坐标均表示为静态障碍物的第一绝对坐标，相对于下一个车辆定位数据所对应的静态障碍物绝对坐标，当前车辆定位数据所对应的静态障碍物绝对坐标均表示为静态障碍物的第二绝对坐标。静态障碍物的绝对坐标可以理解为静态障碍物在地图坐标体系下的坐标。

在得到了静态障碍物的第一绝对坐标后，栅格数据处理子模块获取下一个车辆定位数据，并根据下一个车辆定位数据确定静态障碍物的第二绝对坐标，然后根据静态障碍物的第一绝对坐标和静态障碍物的第二绝对坐标确定静态障碍物的与车辆的相对坐标。

步骤202，根据静态障碍物的与车辆的相对坐标得到静态障碍物与车辆的距离；

具体的，栅格数据处理子模块根据静态障碍物的与车辆的相对坐标，以及车辆定位数据所得到的车辆本身的绝对坐标，可以计算得到静态障碍物与车辆的距离。

步骤203，当静态障碍物与车辆的距离大于预设距离时，删除静态障碍物所对应的栅格数据；

具体的，在得到了静态障碍物与车辆的距离后，需要确定该静态障碍物是否移出了本车辆所需处理静态障碍物的范围。当静态障碍物与车辆的距离大于预设距离时，说明该静态障碍物已移出了本车辆所需处理静态障碍物的范围，也就是静态障碍物与车辆的距离足够大，以至于车辆可以不考虑对该静态障碍物进行避障等处理，则栅格数据处理子模块删除该静态障碍物所对应的栅格数据，释放存储空间，减轻系统运行压力。

在一些更优的实施例中，为避免因输出数据时间倒序或者定位异常带来或者定位丢失等情况的数据异常，每当栅格数据处理子模块获取到下一个车辆定位数据后，需要先对比当前车辆定位数据所对应的时间戳与上一个车辆定位数据所对应的时间戳。如果当前车辆定位数据所对应的时间戳早于上一个车辆定位数据所对应的时间戳，则说明数据异常，需要删除当前车辆定位数据所对应静态障碍物栅格数据。并且，如果在预设时间内获取到的下一个车辆定位数据均为空，说明栅格数据处理子模块长时间获取不到定位数据，车辆定位丢失，则同样删除当前车辆定位数据所对应静态障碍物栅格数据。

本发明实施例提供的一种障碍物识别方法，实现了对激光雷达感知目标的细致化生命周期管理，提高车辆对障碍物的感知能力，尤其是静态目标进入盲区后的生命周期管理，从而提升了自动驾驶车辆的行驶安全性。并且，本申请中的障碍物识别方法可以实现对低成本稀疏线束的激光雷达下的闪烁障碍物的稳定感知，在保证行驶安全的同时降低了成本。

专业人员应该还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM动力系统控制方法、或技术领域内所公知的任意其它形式的存储介质中。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不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，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种障碍物识别方法，其特征在于，所述方法包括：

获取激光雷达数据；

对所述激光雷达数据进行解析，确定是车辆前方是否存在静态障碍物；

当所述车辆前方存在静态障碍物时，获取当前静态障碍物的第一栅格数据；

获取下一帧激光雷达数据，并根据所述下一帧激光雷达数据得到所述当前静态障碍物的第二栅格数据；

对比所述第二栅格数据和所述第一栅格数据，根据对比结果得到所述当前静态障碍物所对应的栅格数据置信度；

确定所述当前静态障碍物所对应的栅格数据置信度是否大于预设值；

如果所述当前静态障碍物所对应的栅格数据置信度大于所述预设值，输出当前静态障碍物的栅格数据；

如果所述当前静态障碍物所对应的栅格数据置信度不大于所述预设值，继续获取下一帧激光雷达数据，并确定当前静态障碍物所对应的栅格数据置信度是否大于预设值。

2.根据权利要求1所述的障碍物识别方法，其特征在于，所述对所述激光雷达数据进行解析，确定是否存在静态障碍物具体为：

根据所述激光雷达数据得到障碍物的速度数据；

根据所述障碍物的速度数据，确定是否存在静态障碍物。

3.根据权利要求2所述的障碍物识别方法，其特征在于，所述根据所述激光雷达数据得到障碍物的速度数据具体为：

对所述激光雷达数据进行卡尔曼滤波，计算得到所述障碍物的速度数据。

4.根据权利要求1所述的障碍物识别方法，其特征在于，当所述车辆前方存在静态障碍物时，所述方法还包括：

确定所述静态障碍物的与车辆的相对坐标；

根据所述静态障碍物的与车辆的相对坐标得到所述静态障碍物与车辆的距离；

当所述静态障碍物与车辆的距离大于预设距离时，删除所述静态障碍物所对应的栅格数据。

5.根据权利要求4所述的障碍物识别方法，其特征在于，所述确定所述静态障碍物的与车辆的相对坐标具体为：

所述当前车辆定位数据；

根据所述当前车辆定位数据确定所述静态障碍物的第一绝对坐标；

并根据下一个车辆定位数据确定所述静态障碍物的第二绝对坐标；

根据所述静态障碍物的第一绝对坐标和所述静态障碍物的第二绝对坐标确定所述静态障碍物的与车辆的相对坐标。

6.根据权利要求5所述的障碍物识别方法，其特征在于，所述车辆定位数据携带有时间戳。

7.根据权利要求6所述的障碍物识别方法，其特征在于，在所述获取当前车辆定位数据后，所述方法还包括：

对比所述当前车辆定位数据所对应的时间戳与上一个车辆定位数据所对应的时间戳；

如果所述当前车辆定位数据所对应的时间戳早于上一个车辆定位数据所对应的时间戳，则删除当前车辆定位数据所对应静态障碍物栅格数据。

8.根据权利要求5所述的障碍物识别方法，其特征在于，所述方法还包括：

如果在预设时间内获取到的下一个车辆定位数据均为空；

则删除当前车辆定位数据所对应静态障碍物栅格数据。

9.根据权利要求1所述的障碍物识别方法，其特征在于，在所述输出当前静态障碍物的栅格数据之后，所述方法还包括：

根据所述当前静态障碍物的栅格数据控制车辆避障。