CN110502004A - 一种面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法 - Google Patents

Abstract

本发明公开了一种面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，首先构建以智能车辆为中心的俯视化栅格地图，计算每一栅格相对于车辆的距离和方向；然后建立基于行驶速度和前轮转角的驾驶员关注区域模型，获得不同行驶状态下的驾驶员主要关注区域与次要关注区域，根据优秀驾驶员先验信息建立基于区域重要性权值分布模型；最后依据已经建立的俯视化栅格地图、驾驶员关注区域模型和重要性权值分布模型，算得到每一栅格的重要性权值，从而对雷达点云数据进行差异化处理，对重要性权值高的区域数据给予优先处理，重要性权值低的区域数据给予较简单处理，提高了雷达数据处理效率，从而提高智能车辆感知外部环境信息的实时性。

Description

一种面向智能车辆激光雷达数据处理的行驶区域重要性权值 分布建模方法

技术领域

本发明涉及无人驾驶车辆环境感知领域，特别涉及引入基于优秀驾驶员行为数据及汽车行驶速度与行驶方向，建立一种面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法。

背景技术

环境感知技术是无人驾驶车辆获取外界环境信息的主要手段，是智能车辆实现自主导航和轨迹规划的先决条件及基础依据。目前，智能车辆主要依靠环境感知技术获取实时可靠的外部信息，激光雷达作为一种主动传感器，因其数据信息的可靠性、精确性、抗干扰性而被广泛应用于障碍检测、动态障碍物跟踪和环境建图等方面。由于对无人驾驶车辆在短时间内高效地做出正确决策的要求日益提高，需从环境感知技术中获取信息并高效处理信息的要求更高。

目前，激光雷达点云数据预处理主要包括数据降噪、区域分割、特征提取等步骤。降噪滤波因受外界环境，仪器自身误差以及测量误差等因素的影响，导致激光雷达在测量过程中存在各种错误数据和噪声数据等。因而在点云数据提取之前，需对点云数据进行降噪滤波处理，以保证特征提取和模型的精度，目前最普遍的滤波方法有最小二乘滤波法、均值滤波法与中值滤波法等。而对数据进行区域分割，应用自适应变阈值分割方法，如果连续两个扫描点的距离小于一个阈值，这两个扫描点属于同一个区块；如果连续两个扫描点的距离大于一个阈值，数据帧就从这个地方分割开，最后把一帧距离数据分割成几个区块。判断分割后每个区域内的数据点的个数，如果某个区域包含数据点的个数小于等于三个，那么该区域被视为噪声区域，舍弃这些噪声点。然后依据预处理后的激光雷达数据建立智能车辆的道路环境模型，现有环境感知技术在道路环境建模过程中处理点云数据时，主要是在不同阶段去除坏数据点以保证特征提取精度和环境建模精度，但是未能考虑三维激光雷达原始数据因区域位置不同而带来的数据重要性差异。

发明内容

为了解决现有技术中存在的问题，本发明引入优秀驾驶员行为数据、汽车行驶速度与行驶方向等影响道路环境建模的因素，提供一种面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，建立基于区域重要性权值分布模型，可面向激光雷达数据的处理并提高智能车辆行驶环境的建模效率。

本发明是通过以下技术方案实现上述技术目的。

一种面向智能车辆激光雷达数据处理的区域重要性权值分布建模方法，构建以智能车辆为中心的俯视化栅格地图，建立基于行驶速度和前轮转角的驾驶员关注区域，依据驾驶员先验信息建立基于区域重要性权值分布模型，计算每一栅格的区域重要性权值，指导激光雷达的数据处理。

进一步，所述驾驶员关注区域由视距S和视角θ确定，当车辆沿直线行驶时，视距S＝k·V，视角θ＝μ₁·V³+μ₂·V²+μ₃·V+μ₀，其中V是车辆行驶速度，k为增益参数；μ₀、μ₁、μ₂、μ₃为系数，其取值范围是根据实验数据拟合视距与视角关系时的误差，具体为当车辆转向行驶时，视距视角θ为左右两侧视角θ_l(t)、θ_r(t)之和，其中为车辆转弯状态下视距减小的增益参数，θ_r(t)＝θ_r(t-1)+k’_r·δ(t-1)+k”_r·w(t-1)，θ_l(t)＝θ_l(t-1)+k’_l·δ(t-1)+k”_l·w(t-1)，k’_l、k”_l、k’_r、k”_r为增益参数，δ为前轮转角，w为车身转弯的角速度。

进一步，所述基于区域重要性权值分布模型包括驾驶员主要关注区域、次要关注区域的重要性权值模型，所述次要关注区域包括驾驶员侧面区域以及后方区域，所述侧面区域的重要性权值模型包括偏前区域、偏中区域和偏后区域重要性权值模型；

所述主要关注区域的重要性权值模型为：ρ₀＜ρ＜ρ_max，α∈[0,θ_r)，式中k₂为增益参数，ρ和α为每一栅格相对于智能车辆中心点的距离和方向，ρ₀＝ρ(α)_edge，ρ(α)_edge为椭圆边界处距中心点的距离；

所述偏前区域重要性权值模型为：其中λ₁为常数，ρ₀＜ρ＜ρ_max，α∈[θ_r,90°-η)；偏中区域的重要性权值模型为：其中w₁和w₂作为视距与视角影响权值引入的不同权重，ρ₀＜ρ＜ρ_max，α∈[90°-η，90°+η)；偏后区域的重要性权值模型为：ρ₀＜ρ＜ρ_max，α∈[90°+η，180°-γ)。

所述后方区域的重要性权值模型为：

式中λ₂为常数。

本发明的有益效果为：

本发明引入智能车辆行驶速度与方向以及优秀驾驶员行为等参考数据，建立驾驶员关注区域和面向智能车辆激光雷达数据处理的区域重要性权值分布模型，将以智能车辆为中心周围区域重要性权值化(即俯视化栅格地图的栅格重要性权值化)，基于重要性权值对雷达点云数据进行差异化处理，对重要性权值高的区域数据给予优先处理，重要性权值低的区域数据给予较简单处理，提高了雷达数据处理效率，从而可提高智能车辆感知外部环境信息的实时性。

附图说明

图1为本发明流程示意图；

图2为实施例中的俯视化栅格地图；

图3为实施例中直线行驶状态下视距与视角示意图；

图4为实施例中驾驶员视角随车速变化示意图；

图5为实施例中右转弯行驶状态下视距与视角示意图；

图6为实施例中车辆周围区域分布图。

具体实施方式

下面将结合附图对本发明的技术方案作进一步的说明，但是本发明的保护范围并不限于此。

如图1所示，一种面向智能车辆激光雷达数据处理的区域重要性权值分布建模方法，包括以下步骤：

步骤(1)，构建以智能车辆平面几何中心(图2中点O)为中心的俯视化栅格地图，即构建俯视化栅格地图，计算每一栅格中心相对于智能车辆中心点O的距离ρ和方向α，取值范围为：

其中距离最大值ρ_max一般取值为120m～160m(假设条件：最大行驶速度为50～60km/h)。

所构建的俯视化栅格地图如图2所示，构建栅格地图的具体方法如下：

首先构造一个椭圆区域(椭圆区域的中心点与智能车辆的平面几何中心重合，如图2中点O)，长轴(与X轴重合)和短轴(与Y轴重合)分别为2a(m)和2b(m)；其中a和b根据车辆的行驶状态取不同的经验值，a∈[a_min，a_max]，b∈[b_min,b_max]，4＜a_min＜5，7＜a_max＜8；1＜b_min＜1.5，2＜b_max＜3(单位：米)。

然后以点O为中心将栅格地图等分为m个扇形区，以车辆正前方(图2中虚线X轴)为第一个扇形的起点，扇形角度φ∈[5°，10°]；在栅格地图的径向方向上，围绕点O以初始值r₀＝0(米)并按差值d∈[0.01,0.02](米)递增以获得n个不同半径的同心圆，即n个环形区；根据上述划分便可得到分辨率为m*n的俯视化栅格地图。

最后依据建立好的俯视化栅格地图定义相关参数：利用角标i、j来区分俯视化栅格地图上各栅格所处位置、与某一具体栅格相关的距离和方向参数，利用A(i,j)表征该栅格在俯视化栅格地图中的位置，A(i,j)表示该栅格属于第i个扇形的第j个栅格；通过ρ_ij和α_ij表示第i个扇形中第j个栅格中心相对于车辆的距离和方向(在计算每一栅格相对于车辆的距离和方向时，以栅格的中心为基准计算每个栅格相对于车辆的距离和方向)。

本步骤所定义(ρ,α)泛指任意栅格相对于中心O的距离和方向，(ρ_ij,α_ij)特指第i个扇形中的第j个栅格相对于中心O的距离和方向。

步骤(2)，建立基于行驶速度和前轮转角的驾驶员关注区域模型

驾驶员在驾驶过程中会对即将驶入的道路环境因素进行提取，参考即将驶入道路的距离信息、道路曲率等信息，操纵车辆以微小误差驶入目标道路；而驾驶员关注的距离信息及道路曲率将直接影响车辆的驾驶状态(速度和方向)。这里做如下定义：驾驶员的注视点与中心点O之间的距离为视距S(m)，驾驶员所关注的角度范围称为视角θ(°)；由视距和视角确定的区域，即为驾驶员关注区域(包含栅格地图中的许多栅格)。下面分别讨论以不同前轮转角δ(°)行驶状态下，驾驶员视距S与视角θ的计算过程：

1、当前轮转角δ＝0时，即车辆沿直线行驶的状态

在智能车辆沿直线行驶时，影响驾驶员视距S与视角θ的主要因素与车辆行驶速度相关，此时引入车辆行驶速度V(m/s)作为主要因素来计算驾驶员的视距S与视角θ。

(1)视距S的计算

一般而言，驾驶员在驾驶过程中的关注点不是只集中于前方一点，而是着眼于前方的一段路，即驾驶员某一关注方向上所关注道路上的最远点到中心点O的距离为视距S。在行车过程中，随着车速的不断增大，驾驶员的视野逐渐变窄，驾驶员靠转动头部扩大视野的可能性也逐渐减小，注意力主要集中在前方车道上，注意力集中点也逐渐固定，即视距逐渐固定，视距S大小主要与车辆行驶速度V有关关系如下式：

S＝k·V (2)

其中，k为增益参数，不同范围内的速度所对应的增益有所不同，其对应关系如表1所示，其取值范围一般为8～12。

表1车速与增益的对应关系表

(2)视角θ的计算

在直线行驶状态下，驾驶员主要关注于前方道路的中间区域，其他区域以短时间注视为主。车辆直线行驶过程中，随着车辆行驶速度的提高，驾驶员的注视点会往前移，对道路两侧的观察范围会缩小，也就是视野变窄，如图5所示。拟合得到车辆行驶速度V与驾驶员视角θ之间的映射关系为：

θ＝μ₁·V³+μ₂·V²+μ₃·V+μ₀ (3)

式(3)中各系数取值范围如式(4)，各系数的取值范围是根据实验数据拟合视距与视角关系时的误差。

由此得到直行状态下，视距S视角θ确定的驾驶员关注区域如图3所示。

2、当前轮转角δ≠0时，即车辆转向行驶状态下

在智能车辆转弯状态下，驾驶员会依据道路、车辆行驶状态(速度V和前轮转角δ)等因素来调整自己的视距S及视角θ。驾驶员在转向过程中会倾向于关注弯道内侧的一点，即预瞄点。驾驶员在转向过程中会预瞄一个近点和一个远点(预瞄点)作为参考进行转向，利用近点保持车辆行驶在道路中心，利用远点来补偿道路曲率的变化率，最终可实现正确转向。驾驶员操纵智能车辆准备右转弯行驶的关注区域如图5。考虑到驾驶员驾驶车辆进行左右转弯时的关注模型类似，接下来以右转弯为例进行关注区域模型进行计算。

(1)视距S的计算

转弯状态下的视距S主要与车辆行驶车速V相关，此状态下的视距与直线行驶状态下的视距基本相等，但相对直线行驶状态下又有所减小；转弯状态下视距与行驶车速关系式为：

其中，为车辆转弯状态下视距减小的增益参数，该增益参数主要与智能车辆的行驶车速有关，与行驶车速对应关系如表1，取值范围为0.5～0.8。

(2)视角θ的计算

依据驾驶员驾驶车辆进行转向的先验预瞄机制信息，即随着智能车辆转向驾驶员将随着车辆的转向而着重关注于预转向的区域，此时的驾驶员相对于车辆的视角将发生改变，从而可得驾驶员视角与车辆行驶状态(即前轮转角、车辆速度)之间的关系。设驾驶员视角在正前方(虚线X轴)的部分左侧视角为θ_l，右侧视角为θ_r，左右两侧视角之和等于总视角θ，参考图6；左右两侧视角与视角θ关系为：

θ(t)＝θ_l(t)+θ_r(t) (6)

在转向的过程中，左右两侧的视角将随着车速与前轮转角变化而发生变化，故驾驶员的总视角θ也将发生变化，参考车身转弯的角速度w及前轮转角δ可得左侧视角和右侧视角计算公式为：

其中：k_l'、k_l”、k_r'、k_r”为增益参数，随车辆的速度与转向(行驶状态)而发生变化。

获取智能车辆在不同转弯状态下视距S和视角θ，从而可获得主要关注区域，如图6所示。

步骤(3)，依据优秀驾驶员先验信息建立基于区域重要性权值分布模型

驾驶员在驾驶车辆时对车辆周围的不同区域会有着不同程度的关注，根据区域重要性可划分为主要关注区域(步骤(2)中根据视距与视角确定的区域)与次要关注区域。主要关注区域为驾驶员驾驶车辆过程中主要关注的前方区域，花费时间和精力较多；次要关注区域为智能车辆的左、右两侧区域和后方区域，花费时间和精力较少，根据需要所得的区域划分结果如图6所示。接下来以右转弯为例建立基于区域重要性权值分布模型，将区域重要性进行权值化，各栅格权值取值范围是：0≤Q_wv≤1，栅格权值的大小代表该区域的重要程度。

1、建立驾驶车辆小周围的绝对重要椭圆形区域

在离车辆四周较近的椭圆形区域(图2中点O周围的椭圆形区域)范围内为绝对重要区域，将该区域内的栅格权值均设为1。设椭圆边界处距中心点O的距离为ρ(α)_edge(随方向α的变化而变化)，令ρ₀＝ρ(α)_edge，绝对重要的椭圆形区域内的栅格权值及变量取值范围为：

Q_wv1＝f(ρ,α)＝1，0＜ρ＜ρ₀，α∈[0,180°) (8)

2、建立驾驶员主要关注区域的重要性权值模型

驾驶员主要关注区域可由步骤(2)确定，根据先验信息可知该区域内权值分布规律为：同一扇形区域内，越远离车辆的位置权值越小，同一圆环内的权值向X轴两侧的变化是逐渐减小的；根据上述规律建立重要性权值模型为：

式中k₂为增益参数，取值范围是0.95＜k₂＜1.0，考虑到车况和外界因素会对权值的连续性产生影响，取该增益参数在小范围内的浮动以减小对权值连续性的影响。

3、建立智能车辆左右两侧的重要性权值模型

以车辆右侧为例，行驶车辆右侧的区域为驾驶员短时间注视区域，可划分为三个小区域，即偏前区域、偏中区域和偏后区域。根据优秀驾驶员先验信息，偏前区域和偏后区域权值分布主要与距离方位相关，随距离增大权值减小，越靠近偏中区域权值减小；偏中区域主要是右侧10m以内的区域。根据上述规律建立如下右侧偏前、右侧偏中和右侧偏后区域重要性权值模型：

右侧偏中区域主要为车辆正右方区域，以Y轴为基准向前向后分别偏η°，如图6所示；权值分布主要与视距ρ_ij相关，w₁和w₂作为视距与视角影响权值所引入的不同权重，两种权重的和为1，建立右侧偏中区域的重要性权值模型为：

其中视距与视角取值范围为：

ρ₀＜ρ＜ρ_max，α∈[90°-η，90°+η) (11)

权重的大小范围是：0.90＜w₁＜0.95，0.05＜w₂＜0.10(视距和视角对重要性权值的影响大小决定了各自权重大小的选取)。

偏前部分和偏后部分规律基本服从驾驶员主要关注区域重要性权值模型，但相对于主要关注区域内的权值有所减小，相差λ₁，λ₁的取值范围为0.05～0.08(考虑到汽车行驶时，右侧偏前和偏后区域相对于主要关注区域的重要性会有所下降，根据优秀驾驶员先验信息可知这两个区域的重要性权值相对于主要关注区域有所下降)；建立两个区域的重要性权值模型：

偏前区域重要性权值模型为：

其中视距与视角范围为：

ρ₀＜ρ＜ρ_max，α∈[θ_r,90°-η) (13)

增益参数的大小范围是：0.95＜k₂＜1.0(考虑到车况和外界因素会对权值的连续性产生影响，该增益参数取值在小范围内的浮动以减小对权值连续性的影响)。

偏后区域重要性权值模型为：

其中视距与视角范围为：

ρ₀＜ρ＜ρ_max，α∈[90°+η，180°-γ) (15)

4、建立智能车辆后方的重要性权值模型

驾驶员关注后方区域时主要是跟超车、变道等行驶状态有关，为短时间注视区域，后方区域范围主要是正后方向两侧偏γ°，如图6所示。根据先验信息可知后方区域内栅格的重要性权值大小主要跟栅格相对于车辆中心的距离有关，该区域的重要性权值分布规律为：栅格权值随着栅格相对于车辆距离的增大而减小，其分布规律类似于车辆右侧偏中区域，但相比于右侧偏中区域的权值又有所减小，相差λ₂，其取值范围是0.05～0.08(考虑到汽车行驶时，后方区域相对于右侧偏中区域的重要性有所下降，根据先验信息该区域的重要性权值相对于右侧偏中区域的重要性权值会有所下降)；根据上述规律建立如下权值模型为：

其中视距与视角范围为：

ρ₀＜ρ＜ρ_max，α∈[180°-γ，180°) (17)

步骤(4)，建立扇形权值分布图

根据步骤(1)建立的俯视化栅格地图及计算得到的每一栅格的ρ_ij和α_ij和步骤(2)建立的基于行驶速度和前轮转角的驾驶员关注区域，确定不同栅格(ρ_ij,α_ij)所属区域来选择步骤(3)建立基于区域重要性权值分布模型，分别计算每个栅格的重要性权值(Q_wv)_ij((Q_wv)_ij表示俯视化栅格地图上第i个扇形中的第j个栅格的重要性权值，通过所属关注区域的重要性权值模型计算得到)。

步骤(4)依据步骤(1)、(2)、(3)计算得到的每一栅格重要性权值及重要性权值统计量(根据实际需要进行选择，见下面例子说明)，可对激光雷达的数据处理起到指导作用，以实现重要性权值高的区域雷达数据将优先进行处理，区域重要性权值低的区域雷达数据给予较简单处理等。

根据本发明计算得到每个栅格的重要性权值(Q_wv)_ij，可计算相关的统计量，比如：俯视化栅格地图某一扇形区域内栅格重要性权值之和(设W_i为第i个扇形总权值，其中i为整数，1≤i≤m)；某一扇形区域内栅格重要性权值的平均值(设N_i为第i个扇形内有效栅格的个数，为第i个扇形内栅格平均值，即)。利用本发明计算相关统计量可根据实际需要进行选择以适用于不同激光雷达数据处理的需要。

以上所述对本发明进行了简单说明，并不受上述工作范围限值，只要采取本发明思路和工作方法进行简单修改运用到其他设备，或在不改变本发明主要构思原理下做出改进和润饰的等行为，均在本发明的保护范围之内。

Claims (9)

1.一种面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，构建以智能车辆为中心的俯视化栅格地图，建立基于行驶速度和前轮转角的驾驶员关注区域，依据驾驶员先验信息建立基于区域重要性权值分布模型，计算每一栅格的区域重要性权值，指导激光雷达的数据处理。

2.根据权利要求1所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述驾驶员关注区域由视距S和视角θ确定。

3.根据权利要求2所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，当车辆沿直线行驶时，视距S＝k·V，视角θ＝μ₁·V³+μ₂·V²+μ₃·V+μ₀，其中V是车辆行驶速度，k为增益参数；μ₀、μ₁、μ₂、μ₃为系数，其取值范围是根据实验数据拟合视距与视角关系时的误差，具体为

4.根据权利要求3所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，当车辆转向行驶时，视距S＝(k-l₁)·V，视角θ为左右两侧视角θ_l(t)、θ_r(t)之和，其中l₁为车辆转弯状态下视距减小的增益参数，θ_r(t)＝θ_r(t-1)+k'_r·δ(t-1)+k”_r·w(t-1)，θ_l(t)＝θ_l(t-1)+k'_l·δ(t-1)+k”_l·w(t-1)，k'_l、k”_l、k'_r、k”_r为增益参数，δ为前轮转角，w为车身转弯的角速度。

5.根据权利要求1所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述基于区域重要性权值分布模型包括驾驶员主要关注区域、次要关注区域的重要性权值模型，所述次要关注区域包括驾驶员侧面区域以及后方区域。

6.根据权利要求5所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述主要关注区域的重要性权值模型为：α∈[0,θ_r)，式中k₂为增益参数，ρ和α为每一栅格相对于智能车辆中心点的距离和方向，ρ₀＝ρ(α)_edge，ρ(α)_edge为椭圆边界处距中心点的距离。

7.根据权利要求6所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述侧面区域的重要性权值模型包括偏前区域、偏中区域和偏后区域重要性权值模型。

8.根据权利要求7所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述偏前区域重要性权值模型为：其中λ₁为常数，ρ₀＜ρ＜ρ_max，α∈[θ_r,90°-η)；偏中区域的重要性权值模型为：其中w₁和w₂作为视距与视角影响权值引入的不同权重，ρ₀＜ρ＜ρ_max，α∈[90°-η，90°+η)；偏后区域的重要性权值模型为：ρ₀＜ρ＜ρ_max，α∈[90°+η，180°-γ)。

9.根据权利要求8所述的面向智能车辆激光雷达数据处理的行驶区域重要性权值分布建模方法，其特征在于，所述后方区域的重要性权值模型为：式中λ₂为常数。