CN110515089A - 基于光学雷达的行车辅助方法 - Google Patents

Abstract

一种基于光学雷达的行车辅助方法，包括以光学雷达发出多条激光束持续扫描车辆的周遭环境，以取得过去点云信息与当前点云信息，过去点云信息包括多个第一点云位置，当前点云信息包括多个第二点云位置、由这些第一点云位置中筛选出多个第一可靠点云位置而形成第一可靠点云信息、由这些第二点云位置中筛选出多个第二可靠点云位置而形成第二可靠点云信息、将第一可靠点云信息与第二可靠点云信息进行迭代运算，以取得第一可靠点云信息与第二可靠点云信息之间的相对变化信息、以及根据车辆的过去位置与相对变化信息计算车辆的当前位置。

Description

基于光学雷达的行车辅助方法

技术领域

本发明关于一种行车辅助方法，特别是指一种基于光学雷达的行车辅助方法。

背景技术

随着科技的进步，许多车辆上都会搭载定位系统，以取得车辆的实时位置而能进行各种车辆的应用，例如导航路线规划、车联网或图资建立等等。

目前车辆的实时位置主要是通过全球卫星定位系统(Global PositioningSystem,GPS)来达成。然而，全球卫星定位系统容易受到气候、空气或电磁波等因素影响而存在偏差。此外，若车辆周遭的障碍物较多，例如车辆附近都是高楼大厦，讯号也容易受到阻挡或干扰而使车辆的实时位置产生误差甚至错误。

发明内容

有鉴于此，于一实施例中，提供一种基于光学雷达的行车辅助方法包括：以光学雷达发出多条激光束持续扫描车辆的周遭环境，以取得过去点云信息与当前点云信息，过去点云信息包括多个第一点云位置，当前点云信息包括多个第二点云位置、由这些第一点云位置中筛选出多个第一可靠点云位置而形成第一可靠点云信息，各第一可靠点云位置的第一法向量与对应照射于各第一可靠点云位置的各激光束之间的夹角的绝对值小于特定角度，第一法向量为各第一可靠点云位置与邻近的多个第一点云位置所形成的平面的法向量、由这些第二点云位置中筛选出多个第二可靠点云位置而形成第二可靠点云信息，各第二可靠点云位置的第二法向量与对应照射于各第二可靠点云位置的各激光束之间的夹角的绝对值小于特定角度，第二法向量为各第二可靠点云位置与邻近的多个第二点云位置所形成的平面的法向量、将第一可靠点云信息与第二可靠点云信息进行迭代运算，以取得第一可靠点云信息与第二可靠点云信息之间的相对变化信息，相对变化信息包括相对旋转量、相对位移量或其组合、以及根据车辆的过去位置与相对变化信息计算车辆的当前位置。

于一实施例中，提供一种基于光学雷达的行车辅助方法，包括：以光学雷达发出多条激光束持续扫描车辆的周遭环境，以取得过去点云信息与当前点云信息，过去点云信息包括多个第一点云位置，当前点云信息包括多个第二点云位置、由这些第一点云位置中筛选出多个第一可靠点云位置而形成第一可靠点云信息，各第一可靠点云位置的第一法向量与地面法向量正交，第一法向量为各第一可靠点云位置与邻近的多个第一点云位置所形成的平面的法向量、由这些第二点云位置中筛选出多个第二可靠点云位置而形成第二可靠点云信息，各第二可靠点云位置的第二法向量与该地面法向量正交，第二法向量为各第二可靠点云位置与邻近的多个第二点云位置所形成的平面的法向量、将第一可靠点云信息与第二可靠点云信息进行迭代运算，以取得第一可靠点云信息与第二可靠点云信息之间的相对变化信息，相对变化信息包括相对旋转量、相对位移量或其组合、以及根据车辆的过去位置与相对变化信息计算车辆的当前位置。

综上所述，根据本发明实施例的行车辅助方法，通过光学雷达持续扫描车辆周遭以取得过去点云信息与当前点云信息，并进一步从过去点云信息与当前点云信息中筛选出可靠点云位置，以进行后续迭代运算与车辆位置计算，可达到大幅减少运算量与误差。此外，通过点云计算车辆位置的方式不易受到气候、空气、电磁波或周遭障碍物影响，从而提高车辆位置的准确性。

附图说明

图1为本发明行车辅助方法一实施例的步骤流程图。

图2为本发明行车辅助方法一实施例的车辆示意图。

图3为本发明行车辅助方法一实施例的扫描示意图。

图4为本发明行车辅助方法一实施例的点云示意图。

图5为本发明行车辅助方法一实施例的可靠点筛选示意图。

图6为本发明行车辅助方法一实施例的点云变化示意图。

图7为本发明行车辅助方法另一实施例的步骤流程图。

图8为本发明行车辅助方法另一实施例的邻近可靠点选取示意图。

其中附图标记为：

L光学雷达

B激光束

V车辆

VN当前位置

VP1～VP9过去位置

VF未来车辆预估位置

D、D1～D9过去点云信息

P1第一点云位置

R1第一可靠点云位置

RD1～RD9第一可靠点云信息

UD1～UD9更新点云信息

N1第一法向量

C当前点云信息

P2第二点云位置

R2第二可靠点云位置

RC第二可靠点云信息

UC更新点云信息

N2第二法向量

F未来点云信息

RF第三可靠点云信息

UF更新点云信息

Rm半径范围

G地面法向量

S垂直扫描范围

TR行进路线

W箭号

θ1～θ5夹角

S01～S11步骤

具体实施方式

图1为本发明行车辅助方法一实施例的步骤流程图。如图1所示，本实施例的行车辅助方法是通过光学雷达L持续扫描车辆V周遭以取得点云(point cloud)信息，并将点云信息经过处理、运算而得到精确的环境地图以及车辆于该环境地图中的位置，以供进行各种车辆的应用，例如导航路线规划、车联网、图资建立或自动驾驶等等。如图1所示，本实施例的行车辅助方法包括步骤S01～步骤S05。

首先可进行步骤S01：以光学雷达L(light detection and ranging,Lidar)发出多条激光束B持续扫描车辆V的周遭环境，以取得过去点云信息D与当前点云信息C。

如图2与图3所示，光学雷达L可安装于车辆V上，例如在本例中，光学雷达L安装于车辆V的顶部，但此并不局限。在一实施例中，光学雷达L可为机械式光学雷达，主要的结构可包括有一排雷射发射器、光传感器及旋转机构(图面省略绘示)，多个雷射发射器可朝水平分向发射一排激光束B而形成一垂直扫描范围S，其中垂直扫描范围S的垂直扫描视角可视雷射发射器的数量、雷射发射器的摆放角度或光学雷达L安装于车辆V的位置而定，例如雷射发射器的数量越多，垂直扫描范围S的垂直扫描视角则越大。此外，光学雷达L可通过其旋转机构的作动而相对于车辆V持续旋转(如图2的箭号W所示)，使光学雷达L的水平扫描角度可达360°，以扫描车辆V周遭的环境。在其他实施例中，光学雷达L也可为一固态光学雷达，本实施例并不限制。

再对照图2、图3及图4所示，于车辆V行进的过程中，光学雷达L会持续运作以持续扫描车辆V的周遭环境，以取得多个过去时刻的过去点云信息D以及当前时刻的当前点云信息C，其中过去点云信息D包括多个第一点云位置P1，当前点云信息C包括多个第二点云位置P2。举例来说，在当前时刻的扫描过程中，当各激光束B传递至车辆V周遭环境的物体(如地面、路树或建筑)时会对应产生反射光线，光学雷达L的光传感器可根据反射光线得知每个反射点与光学雷达L之间的距离、俯仰角及摆角，进而计算出每个反射点的坐标位置(即第二点云位置P2)，于当前时刻扫描取得的所有第二点云位置P2的集合即为当前点云信息C。同理，在各个过去时刻的扫描过程中，光学雷达L也可计算出当时每个反射点的坐标位置(即第一点云位置P1)，而各个过去时刻扫描取得的所有第一点云位置P1的集合即为过去点云信息D。

如图1所示，在步骤S01后可进行步骤S02：由过去点云信息D的多个第一点云位置P1中筛选出多个第一可靠点云位置R1而形成一第一可靠点云信息，由当前点云信息C的第二点云位置P2中筛选出多个第二可靠点云位置R2而形成一第二可靠点云信息。在一些实施例中，光学雷达L可连接一处理器(图面省略绘示)，例如处理器可为中央处理器(Cent ralProcessing Unit,CPU)、微控制器(Micro Control Unit,MCU)或微处理器(MicroProcessing Unit,MPU)，以经由处理器进行可靠点云的筛选作业。其中处理器可整合于光学雷达L的内部，或者处理器亦可设置于车辆V内的车机(On-Board Unit)中，此并不局限。在一些实施例中，可靠点云的筛选作业可包括以下多种实施例。

请对照图4与图5所示，在一实施例中，当处理器取得过去点云信息D后，可先计算各第一点云位置P1的第一法向量N1，例如将每个第一点云位置P1与最邻近的至少其他两个第一点云位置P1形成一平面，而平面的法向量即第一法向量N1，藉此即可取得每个第一点云位置P1的第一法向量N1。接着，处理器再计算照射于各第一点云位置P1的激光束B与第一法向量N1之间夹角的绝对值，其中夹角的绝对值小于预设的一特定角度(特定角度可介于10°～80°之间)的第一点云位置P1即选作第一可靠点云位置R1，并汰除其他夹角的绝对值大于特定角度的第一点云位置P1，这些第一可靠点云位置R1的集合即为第一可靠点云信息。

以图5来说，假设特定角度为40°，若以水平线(即图中的X轴线)为0°基线，则夹角θ1、θ2、θ3、θ4及θ5分别可为30°、15°、0°、-15°及-30°，藉此图5中的五个第一点云位置P1的第一法向量N1与对应的激光束B的夹角θ1～θ5的绝对值皆小于40°，因此，五个第一点云位置P1皆为第一可靠点云位置R1。

同理，请对照图4与图5所示，当处理器取得当前点云信息C的多个第二点云位置P2后，可先计算各第二点云位置P2的第二法向量N2，例如将每个第二点云位置P2与最邻近的至少其他两个第二点云位置P2形成一平面，而平面的法向量即第二法向量N2，藉此即可取得每个第二点云位置P2的第二法向量N2。接着处理器再计算照射于各第二点云位置P2的激光束B与第二法向量N2之间夹角的绝对值，其中夹角的绝对值小于上述特定角度(特定角度可介于10°～80°之间)的第二点云位置P2即选作第二可靠点云位置R2，并汰除其他夹角的绝对值大于特定角度的第二点云位置P2，这些第二可靠点云位置R2的集合即为第二可靠点云信息。藉此，通过此种方式筛选，可排除偏差较大(例如高度较高、距离较远或产生漫射)的点云位置而保留较可靠的点云位置。

承上，上述实施例的特定角度可根据多个第一点云位置P1的数量与多个第二点云位置P2的数量而定。举例来说，当多个第一点云位置P1的数量与多个第二点云位置P2的数量皆大于一数量阈值(例如1000个、3000个或5000个)时，特定角度为第一角度(例如30°)，当多个第一点云位置P1的数量与多个第二点云位置P2的数量皆小于上述数量阈值时，特定角度则为大于上述第一角度的第二角度(例如50°)。也就是说，当车辆V的环境点云位置(即多个第一点云位置P1与多个第二点云位置P2)的数量越少时，特定角度可越大，以避免取得的可靠点云(即多个第一可靠点云位置R1与多个第二可靠点云位置R2)的数量不足。反之，当车辆V的环境点云位置的数量足够多时，特定角度可越小，以取得更精确可靠的可靠点云。

如图4所示，在另一实施例中，当处理器取得过去点云信息D的多个第一点云位置P1后，可先计算各第一点云位置P1的第一法向量N1。接着处理器再计算每个第一法向量N1与地面法向量G的夹角，并将第一法向量N1与地面法向量G接近正交(例如第一法向量N1与地面法向量G的夹角接近90°，较佳是介于85°～95°之间)的第一点云位置P1选作第一可靠点云位置R1，藉此，可保留对应环境中物体的第一点云位置P1，而排除与地面法向量G非正交的第一点云位置P1(例如对应于地面的第一点云位置P1)。同理，当处理器取得当前点云信息C的多个第二点云位置P2后，可先计算各第二点云位置P2的第二法向量N2。接着处理器再计算每个第二法向量N2与地面法向量G的夹角，将第二法向量N2与地面法向量G接近正交(例如第二法向量N2与地面法向量G的夹角接近90°，较佳是介于85°～95°之间)的第二点云位置P2选作第二可靠点云位置R2，并汰除非正交的第二点云位置P2。

在一实施例中，处理器亦可同时通过上述两种实施例进行可靠点云的筛选作业。举例来说，请对照图4与图5所示，当处理器取得过去点云信息D的多个第一点云位置P1后，可先计算各第一点云位置P1的第一法向量N1，接着处理器再计算照射于各第一点云位置P1的激光束B与每个第一法向量N1之间夹角的绝对值，其中夹角的绝对值小于预设的特定角度且第一法向量N1与地面法向量G接近正交的第一点云位置P1即选作第一可靠点云位置R1。同理，第二可靠点云位置R2的筛选亦可采用上述方式，在此即不多加赘述。

需注意的是，虽然前述步骤S01与步骤S02依序描述，但此顺序并非本发明的限制，熟习相关技艺者应可了解在合理情况下部分步骤的执行顺序可同时进行或先后对调。例如图6所示，以一时间轴(Time)来说，车辆V在行进的过程中，光学雷达L可持续运作以取得多个过去时刻的过去点云信息D1～D9，在取得各过去点云信息D1～D9的同时，处理器即进行可靠点云位置的筛选而取得第一可靠点云信息RD1～RD9。同理，处理器在取得当前时刻的当前点云信息C的同时即可进行可靠点云位置的筛选而取得第二可靠点云信息RC。

如图1所示，在步骤S02后可进行步骤S03：将第一可靠点云信息与第二可靠点云信息进行迭代运算，以取得第一可靠点云信息与第二可靠点云信息之间的相对变化信息。举例来说，如图6所示，以当前时刻来说，可将当前时刻对应的第二可靠点云信息RC可与多个过去时刻对应的第一可靠点云信息RD1～RD9中的至少一者进行迭代运算。其中，以第二可靠点云信息RC与前一时刻的第一可靠点云信息RD9进行迭代为例，其中第一可靠点云信息RD9与第二可靠点云信息RC可通过一迭代最邻近点算法(Iterative Closet Point)进行迭代运算，以取得第一可靠点云信息RD9中各点云位置与第二可靠点云信息RC中对应的最近点云位置之间的差异值，进而通过差异值计算出第一可靠点云信息RD9与第二可靠点云信息RC之间的相对旋转量、相对位移量或其组合(即相对变化信息)，但此并不局限。若第一可靠点云信息RD1～RD9与第二可靠点云信息RC的数量够多时(例如大于3000个或5000个时)，亦可采用NDT算法(Normal Distribution Transform)或其他算法进行迭代运算。

如图1所示，在步骤S03后可进行步骤S04：根据车辆V的过去位置与相对变化信息计算车辆V的当前位置。举例来说，如图6所示，以当前时刻来说，当处理器计算出前一时刻的第一可靠点云信息RD9与当前时刻的第二可靠点云信息RC之间的相对变化信息时，可将前一时刻的车辆V的位置(即过去位置)根据相对变化信息进行相对应的旋转、位移或其组合，进而计算出当前时刻的车辆V的位置(即当前位置)。

如图1所示，在步骤S03后可同时进行步骤S05：根据相对变化信息转移多个第二可靠点云位置以取得一更新点云信息，并根据更新点云信息建立车辆V的当前环境地图。举例来说，如图6所示，以当前时刻来说，当处理器取得前一时刻的第一可靠点云信息RD9与当前时刻的第二可靠点云信息RC之间的相对变化信息时，可将当前时刻的第二可靠点云信息RC根据相对变化信息进行相对应的旋转、位移或其组合，进而产生一更新点云信息UC，以根据更新点云信息UC建立当前时刻的车辆V的环境地图。在一实施例中，更新点云信息UC与前一时刻的第一可靠点云信息RD9的标准偏差(Standard Deviation,SD)小于一阈值，其中标准偏差代表更新点云信息UC的各点云位置与前一时刻的第一可靠点云信息RD9的各点云位置的离散程度。同理，如图6所示，在过去的每个时刻中，也可经过上述的可靠点筛选以及与前一时刻的可靠点信息进行迭代，计算出过去的每个时刻的更新点云信息UD1～UD9，以在车辆V行进过程中同步进行车辆定位以及环境地图的建立。

综上，本发明实施例通过光学雷达L持续扫描车辆V周遭以取得过去点云信息D与当前点云信息C，并进一步从过去点云信息D与当前点云信息C中进行筛选，以排除偏差较大(例如高度较高、距离较远或产生漫射)及非环境物体的点云位置而保留较可靠的点云位置，达到降低后续迭代运算、车辆位置计算及环境地图建立的运算量，并且提高车辆定位与环境地图的准确性。此外，通过点云计算车辆位置的方式也不易受到气候、空气、电磁波或周遭障碍物影响而产生误差。

如图7所示，为本发明行车辅助方法另一实施例的步骤流程图。在本实施例中，在步骤S04后可进行步骤S06～步骤S11。首先步骤S06：根据车辆V的行车信息计算一未来车辆预估位置。请对照图6与图8所示，其中图8显示车辆V的一行进路线TR，当处理器计算出车辆V的当前位置VN时，可通过算法(例如速度运动模型)进行下一时刻的车辆V位置预估。具体来说，处理器可根据车辆V的当前位置VN与过去时刻的过去位置VP1～VP9计算出车辆V行进的速度、角速度以及车辆朝向角等行车信息，以经由行车信息预估下一时刻的未来车辆预估位置VF。

如图7所示，在步骤S06后可进行步骤S07，以光学雷达L持续扫描以取得一未来点云信息F，未来点云信息F包括多个第三点云位置。请对照图6与图8所示，当车辆V由当前时刻行进至下一时刻时，可通过光学雷达L扫描而取得未来点云信息F。接着进行步骤S08：由未来点云信息F中筛选出多个第三可靠点云位置而形成第三可靠点云信息RF。如图6所示，当处理器取得未来点云信息F后同样可进行可靠点云的筛选作业而形成第三可靠点云信息RF，可靠点云的筛选作业可与第一可靠点云信息RD1～RD9与第二可靠点云信息RC的筛选方式相同，亦即处理器可计算出各第三点云位置的第三法向量，以通过第三法向量与激光束B之间的夹角、第三法向量与地面法向量G接近正交或其组合的方式进行可靠点云信息的筛选作业，在此则不多加赘述。

如图7所示，在步骤S08后可进行步骤S09：取得邻近未来车辆预估位置VF的邻近可靠点云信息。请对照图6与图8所示，处理器中可储存每个过去位置VP1～VP9所对应的第一可靠点云信息RD1～RD9以及当前位置VN所对应的第二可靠点云信息RC。当车辆V由当前位置VN行进至下一时刻的未来车辆预估位置VF时，处理器可取得在未来车辆预估位置VF的一半径范围Rm内的邻近可靠点云信息。例如在图8的实施例中，邻近可靠点云信息包括在半径范围Rm内的过去位置VP1～VP3、VP9所对应的第一可靠点云信息RD1～RD3、RD9以及当前位置VN所对应的第二可靠点云信息RC。

如图7所示，在步骤S09后可进行步骤S10：将邻近可靠点云信息与第三可靠点云信息进行迭代运算。例如邻近可靠点云信息与第三可靠点云信息可通过一迭代最邻近点算法(Iterative Closet Point)进行迭代运算，以取得邻近可靠点云信息与第三可靠点云信息之间的相对转移信息(包括相对转移量、相对平移量或其组合)，此与第一可靠点云信息与第二可靠点云信息的迭代方式相同，在此不多加赘述。

如图7所示，步骤S10后可进行步骤S11：根据车辆的当前位置与相对转移信息计算车辆的一未来位置。例如图8所示，可将当前位置VN根据相对转移信息进行相对应的旋转、位移或其组合，进而计算出下一时刻的车辆V的位置。藉此，本发明实施例通过取得在未来车辆预估位置VF的一半径范围Rm内的邻近可靠点云信息进行迭代，可达到修正计算上的误差的优点。以图8为例，由于车辆V在行进过程中会持续进行点云扫描、点云迭代以及车辆位置计算，在每次点云迭代的过程中多少会存在些许误差，因此，车辆V行进的时间越久，所造成的累积误差就越多。由此可见，越久以前的可靠点云信息的累积误差越小，故通过取得在未来车辆预估位置VF的一半径范围Rm内的邻近可靠点云信息，即可能选取到较久以前的可靠点云信息进行迭代，进而修正点云迭代上的误差，维持车辆位置与环境地图的准确性。

如图6与图8所示，在一实施例中，处理器可将下一时刻的第三可靠点云信息RF根据相对转移信息进行相对应的旋转、位移或其组合，进而产生一更新点云信息UF，以根据更新点云信息UF建立下一时刻的车辆V的环境地图。

在一实施例中，上述实施例的半径范围Rm可根据多个第一点云位置P1的数量与多个第二点云位置P2的数量而定。举例来说，当多个第一点云位置P1的数量与多个第二点云位置P2的数量皆大于一数量阈值(例如1000个、3000个或5000个)时，半径范围Rm可设定为第一范围(例如半径100公尺的范围)。当多个第一点云位置P1的数量与多个第二点云位置P2的数量皆小于上述数量阈值时，半径范围Rm则设定为小于上述第一范围的第二范围(例如半径50公尺的范围)。也就是说，当车辆V的环境点云位置(即多个第一点云位置P1与多个第二点云位置P2)的数量越多时，表示车辆V所处的空间较大(例如室外环境)，半径范围Rm即可越大，以提高邻近可靠点云信息取得的机率。反之，当车辆V的环境点云位置的越少时，表示车辆V所处的空间较小(例如室内环境)，则半径范围Rm即可相对较小。

虽然本发明的技术内容已经以较佳实施例揭露如上，然其并非用以限定本发明，任何熟习此技艺者，在不脱离本发明的精神所作些许的更动与润饰，皆应涵盖于本发明的范畴内，因此本发明的保护范围当视后附的申请专利范围所界定者为准。

Claims (10)

1.一种基于光学雷达的行车辅助方法，包括：

以一光学雷达发出多条激光束持续扫描一车辆的周遭环境，以取得至少一过去点云信息与一当前点云信息，该至少一过去点云信息包括多个第一点云位置，该当前点云信息包括多个第二点云位置；

由该些第一点云位置中筛选出多个第一可靠点云位置而形成一第一可靠点云信息，各该第一可靠点云位置的一第一法向量与对应照射于各该第一可靠点云位置的各该激光束之间的夹角的绝对值小于一特定角度，该第一法向量为各该第一可靠点云位置与邻近的多个该第一点云位置所形成的平面的法向量；

由该些第二点云位置中筛选出多个第二可靠点云位置而形成一第二可靠点云信息，各该第二可靠点云位置的一第二法向量与对应照射于各该第二可靠点云位置的各该激光束之间的夹角的绝对值小于该特定角度，该第二法向量为各该第二可靠点云位置与邻近的多个该第二点云位置所形成的平面的法向量；

将该第一可靠点云信息与该第二可靠点云信息进行迭代运算，以取得该第一可靠点云信息与该第二可靠点云信息之间的一相对变化信息，该相对变化信息包括一相对旋转量、一相对位移量或其组合；以及

根据该车辆的一过去位置与该相对变化信息计算该车辆的一当前位置。

2.如权利要求1所述的基于光学雷达的行车辅助方法，其特征在于，各该第一可靠点云位置的该第一法向量更与一地面法向量正交，各该第二可靠点云位置的该第二法向量更与该地面法向量正交。

3.如权利要求1所述的基于光学雷达的行车辅助方法，其特征在于，当该些第一点云位置的数量与该些第二点云位置的数量皆大于一数量阈值时，该特定角度为一第一角度，当该些第一点云位置的数量与该些第二点云位置的数量皆小于该数量阈值时，该特定角度为一第二角度，该第一角度小于该第二角度。

4.如权利要求1所述的基于光学雷达的行车辅助方法，其特征在于，该特定角度介于10°～80°之间。

5.一种基于光学雷达的行车辅助方法，其特征在于，包括：

以一光学雷达发出多条激光束持续扫描一车辆的周遭环境，以取得至少一过去点云信息与一当前点云信息，该至少一过去点云信息包括多个第一点云位置，该当前点云信息包括多个第二点云位置；

由该些第一点云位置中筛选出多个第一可靠点云位置而形成一第一可靠点云信息，各该第一可靠点云位置的一第一法向量与一地面法向量正交，该第一法向量为各该第一可靠点云位置与邻近的多个该第一点云位置所形成的平面的法向量；

由该些第二点云位置中筛选出多个第二可靠点云位置而形成一第二可靠点云信息，各该第二可靠点云位置的一第二法向量与该地面法向量正交，该第二法向量为各该第二可靠点云位置与邻近的多个该第二点云位置所形成的平面的法向量；

将该第一可靠点云信息与该第二可靠点云信息进行迭代运算，以取得该第一可靠点云信息与该第二可靠点云信息之间的一相对变化信息，该相对变化信息包括一相对旋转量、一相对位移量或其组合；以及

根据该车辆的一过去位置与该相对变化信息计算该车辆的一当前位置。

6.如权利要求1或5所述的基于光学雷达的行车辅助方法，其特征在于，更包括：根据该相对变化信息转移该些第二可靠点云位置以取得一更新点云信息，并根据该更新点云信息建立该车辆的一当前环境地图。

7.如权利要求1或5所述的基于光学雷达的行车辅助方法，其特征在于，该第一可靠点云信息与该第二可靠点云信息以一迭代最邻近点算法(Iterative Closet Point)进行迭代运算。

8.如权利要求1或5所述的基于光学雷达的行车辅助方法，其特征在于，更包括：

根据该车辆的一行车信息计算一未来车辆预估位置，其中该行车信息包括该车辆的一速度与一角速度；

以该光学雷达持续扫描以取得一未来点云信息，该未来点云信息包括多个第三点云位置；

由该些第三点云位置中筛选出多个第三可靠点云位置而形成一第三可靠点云信息，各该第三可靠点云位置的一第三法向量与对应照射于各该第三可靠点云位置的各该激光束之间的夹角的绝对值小于该特定角度，该第三法向量为各该第三可靠点云位置与邻近的多个该第三点云位置所形成的平面的法向量；

取得邻近该未来车辆预估位置的一邻近可靠点云信息，该邻近可靠点云信息包括位于该未来车辆预估位置的一半径范围内的至少一个该第一可靠点云信息、该第二可靠点云信息或其组合；

将该邻近可靠点云信息与该第三可靠点云信息进行迭代运算，以取得该邻近可靠点云信息与该第三可靠点云信息之间的一相对转移信息，该转移信息包括一相对转移量、一相对平移量或其组合；以及

根据该车辆的该当前位置与该相对转移信息计算该车辆的一未来位置。

9.如权利要求8所述的基于光学雷达的行车辅助方法，其特征在于，各该第三可靠点云位置的该第三法向量更与一地面法向量正交。

10.如权利要求8所述的基于光学雷达的行车辅助方法，其特征在于，当该些第一点云位置的数量与该些第二点云位置的数量皆大于一数量阈值时，该半径范围为一第一范围，当该些第一点云位置的数量与该些第二点云位置的数量皆小于该数量阈值时，该半径范围为一第二范围，该第一范围大于该第二范围。