CN110764108B - 一种用于港口自动驾驶场景的障碍物检测方法及装置 - Google Patents

一种用于港口自动驾驶场景的障碍物检测方法及装置 Download PDF

Info

Publication number
CN110764108B
CN110764108B CN201911073097.8A CN201911073097A CN110764108B CN 110764108 B CN110764108 B CN 110764108B CN 201911073097 A CN201911073097 A CN 201911073097A CN 110764108 B CN110764108 B CN 110764108B
Authority
CN
China
Prior art keywords
laser
obstacle
point cloud
points
radar
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911073097.8A
Other languages
English (en)
Other versions
CN110764108A (zh
Inventor
张祖锋
殷嘉伦
刘凯
闵文芳
杨迪海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changjia Fengxing Suzhou Intelligent Technology Co ltd
Original Assignee
Changjia Fengxing Suzhou Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Changjia Fengxing Suzhou Intelligent Technology Co ltd filed Critical Changjia Fengxing Suzhou Intelligent Technology Co ltd
Priority to CN201911073097.8A priority Critical patent/CN110764108B/zh
Publication of CN110764108A publication Critical patent/CN110764108A/zh
Application granted granted Critical
Publication of CN110764108B publication Critical patent/CN110764108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/93—Radar or analogous systems specially adapted for specific applications for anti-collision purposes
    • G01S13/931—Radar or analogous systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)
  • Optical Radar Systems And Details Thereof (AREA)

Abstract

本发明公开了用于港口自动驾驶场景的障碍物检测方法，包括以下步骤：激光雷达获取三维点云数据，计算出激光点的三维坐标和反射率，分类得到上方点云集和下方点云集；对下方点云集进行地面消除，得到不含地面的三维激光点云集；Mobileye获取车道线信息，过滤掉车道线外激光点云，得到已过滤的线内激光点云集；将已过滤的线内激光点云集进行体素化处理，得到障碍物的列表信息；毫米波雷达获取感测范围内的障碍物信息，并根据障碍物列表信息进行滤除，输出港口内的障碍物的位置、尺寸和速度。在解析激光雷达获取的三维激光点云数据同时转换极坐标系，在进行扇形栅格法地面消除前，通过激光点的坐标数据过滤掉部分无效的点云数据，节省了大量的计算时间。

Description

一种用于港口自动驾驶场景的障碍物检测方法及装置
技术领域
本发明属于人工智能技术领域，尤其是涉及一种用于港口自动驾驶场景的障碍物检测方法及装置。
背景技术
近年来，随着各种辅助驾驶系统的普及，以及社会各界对交通安全的重视，自动驾驶技术得到了迅速发展。摄像头、激光雷达和毫米波雷达是现在智能汽车环境感知系统中最常用的传感器。
在自动驾驶控制过程中，需要实时检测周围的障碍物。实时性是衡量智能汽车环境感知系统的重要指标之一。传感器的种类、存储数据的类型、聚类算法和检测算法的选择以及适当的感兴趣区域(ROI)的划分都对环境感知的实时性有着不小的影响。实时性较高的环境感知系统可以实时感知道路环境，使车辆按正确的路径行驶，及时避障、制动；而实时性较差的环境感知系统则不能及时获取道路信息，从而不能实时地给车辆发出指令，影响辅助驾驶或自动驾驶的安全性。
港口的道路场景相较于城市道路较为单一，在港口场景下，集装箱卡车通常以较低的速度行驶，且在场景中有大量金属箱体和其他金属障碍物。现有技术中，自动驾驶系统的激光雷达点云检测障碍物的方法，由于原始点云数据量庞大，处理起来比较复杂，并且由于在港口场景下环境感知系统的实时性较差，障碍物检测的速度慢、检测精度低。
发明内容
本发明的目的是提供一种结构简单、检测速度快、检测精度高的用于港口自动驾驶场景的障碍物检测方法。
本发明的技术方案如下：
一种用于港口自动驾驶场景的障碍物检测方法，包括以下步骤：
(1)通过设置在车上的激光雷达获取三维点云数据，根据获取的三维点云数据计算出激光点p的三维坐标和反射率，并根据激光雷达中心的垂直度判断得到上方点云集和下方点云集；
(2)对所述步骤(1)中得到的下方点云集进行地面消除，得到不含地面的三维激光点云集；
(3)通过设置在车上的Mobileye获取车道线信息，并根据车道线信息过滤掉车道线外的激光点云，保留得到已过滤的线内激光点云集；
(4)将步骤(3)得到的已过滤的线内激光点云集进行体素化处理，得到体素化点云集后，对体素化点云集进行聚类，得到障碍物的列表信息；
(5)通过设置在车上的毫米波雷达获取感测范围内的障碍物信息，并根据步骤(4)中的障碍物列表信息进行滤除，输出滤除后的障碍物信息，从而检测出港口内的障碍物的位置、尺寸和速度。
在上述技术方案中，所述步骤(1)中处理得到上方三维点云数据和下方三维点云数据包括以下步骤：
(1-1)设置在车上的激光雷达获取三维点云数据，激光雷达通过UDP协议的形式向设置在车上的工控机发送三维点云数据包，所述工控机的线程1接收udp数据包，所述udp数据包包括激光点的水平角度，垂直角度，回波距离，反射率，所述工控机的线程2解析激光雷达的三维点云数据集，计算出激光点p的x、y、z的坐标，由如下公式计算：
Figure BDA0002261575390000021
其中，hor_angle为水平角度，ver_angle为垂直角度，range为回波距离，intensity为反射率；
(1-2)根据激光雷达中心的角度判断所述步骤(1-1)中得到的激光点p的坐标是否添加至上方点云数据或下方点云数据中；若垂直角度大于0，则将激光点p的x、y、z坐标和反射率添加至上方三维点云集中；若垂直角度小于0，则将激光点的xyz坐标和反射率添加至下方三维点云集中。
在上述技术方案中，所述步骤(2)中地面消除包括以下步骤：
(2-1)将所述下方点云集投影到x-y平面上，以激光雷达中心为圆点，形成圆并将该圆划分成M个扇形栅格，计算出每个扇形栅格的张角Δα，由如下公式计算：
Figure BDA0002261575390000022
(2-2)遍历每个扇形栅格，由坐落在每个扇形栅格上的待排序扇形栅格激光点集的激光点的x、y坐标计算出距离r，并根据计算出的距离r进行排序，得到排序后的扇形栅格激光点集，由如下公式计算：
Figure BDA0002261575390000031
(2-3)遍历所述步骤(2-2)的排序后的扇形栅格点集内的激光点，计算出激光点与其相邻点之间的坡度α和激光点所处地面的坡度β，由如下公式计算：
Figure BDA0002261575390000032
Figure BDA0002261575390000033
其中，pi(j)为激光点；pi(j+1)为相邻点；rpi(j)为pi(j)点到原点的距离，zpi(j)为激光点的z坐标值；Hlidar为激光雷达的安装高度；
(2-4)判断所述步骤(2-3)中得到的坡度α和坡度β是否大于第一预设阈值和第二预设阈值；若坡度α和坡度β均小于第一预设阈值和第二预设阈值时，则激光点及其相邻点均为地面点；若坡度α和坡度β均大于第一预设阈值和第二预设阈值时，则激光点及其相邻点均为非地面点，从而得到非地面点组成的非地面点云集；
(2-5)对上方点云集和非地面点云集进行加运算，得到了地面消除后的不含地面的三维激光点云集。
在上述技术方案中，所述步骤(3)得到过滤的激光点云集包括以下步骤：
(3-1)通过安装在车上的Mobileye获取车道线信息，所述Mobileye将获取的车道线信息模拟为车体坐标系下的一元三次方程，计算得到车道线在车体坐标系下的位置：由如下公式计算：
x＝c3*Y3+c2*Y2+c1*Y+c0
其中，c0,c1,c2,c3系数由Mobileye提供，x是车道线在车体左右方向上的位置，Y是车体前后纵向距离，Y的有效区间为[0,viewRange]，且该viewRange值为Mobileye提供；
(3-2)根据激光点x-y坐标，判断y坐标是否处于Y的有效区间内，若y不处于Y的有效区间[0,viewRange]范围内时，则过滤掉激光点p，若y处于Y的有效区间[0,viewRange]范围内时，则保留激光点p；
(3-3)根据经过激光点p的水平线，判断该水平线与当前车道的两侧车道线的2个交点是否在车道线范围内，若2个交点在车道线范围内时，则保留激光点p；若2个交点不在车道线范围内时，则过滤掉激光点p，并将保留的激光点组成已过滤的线内激光点云集。
在上述技术方案中，所述步骤(4)中的已过滤激光点云集进行体素化处理，利用聚类方法得到障碍物列表，且该障碍物列表包括障碍物的位置和尺寸。
在上述技术方案中，所述步骤(5)中滤除障碍物信息输出过滤后的障碍物信息包括以下步骤：
(5-1)遍历所述步骤(4)中的障碍物列表；
(5-2)遍历所述毫米波雷达获取的与激光雷达在同一时刻获取的障碍物的位置和速度，逐一对比在同一时刻下的获取的障碍物的位置是否重叠，若毫米波雷达获取的障碍物的位置与激光雷达获取的障碍物列表的位置重叠，则将该障碍物的位置和速度添加至所述障碍物列表中，若毫米波雷达获取的障碍物的位置与激光雷达获取的障碍物的位置不重叠，则直接过滤掉该障碍物；
(5-3)在所述步骤(5-2)得到的障碍物列表中，计算出x轴方向上速度的最大值max_vx与最小值min_vx的差值d_vx、y轴方向上速度的最大值max_vy与最小值min_vy的差值d_vy，并计算障碍物列表中x轴方向上速度的平均值mean_vx及y轴方向上速度的平均值mean_vy，若x轴及y轴的差值d_vx和d_vy均小于1时，则平均值mean_vx和mean_vy作为障碍物列表的速度，若x轴及y轴的差值均大于1时，则x轴方向上速度的最大值max_vx与y轴方向上速度的最大值max_vy作为障碍物列表的速度输出，以最终输出障碍物的位置、尺寸和速度。
在上述技术方案中，所述障碍物信息包括障碍物的位置、尺寸和速度。
本发明的另一个目的是提供一种用于港口自动驾驶场景的障碍物检测装置，包括激光雷达、Mobileye、毫米波雷达和工控机，所述激光雷达设置在车头顶中间位置，所述Mobileye设置在车窗上以用于感知道路环境，所述毫米波雷达设置在车体前方保险杠上，所述工控机设置在车体内，所述工控机与激光雷达、Mobileye和毫米波雷达电连接；
所述工控机包括障碍物检测模块，所述障碍物检测模块用于在港口场景下执行如所述的障碍物检测方法。
本发明的另一个目的是提供一种用于港口自动驾驶场景的障碍物检测设备，包括存储器和至少一个处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得至少一个处理器执行如所述的障碍物检测方法。
本发明的另一个目的是提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行命令，当处理器执行所述计算机执行指令时，实现如所述的障碍物检测方法
本发明具有的优点和积极效果是：
1.采用解析激光雷达获取的三维激光点云数据的同时转换极坐标系的方法，在进行扇形栅格法地面消除前，通过激光点的坐标数据过滤掉部分无效的点云数据，节省了大量的计算时间。
2.结合激光雷达与毫米波雷达获取的障碍物的位置、尺寸和速度的信息的过滤，降低毫米波雷达获取数据的错检及漏检，降低运算成本，有效提高了获取障碍物速度和朝向等信息的速度。
3.结合车道线的信息通过设置滤波器来辅助聚类算法检测障碍物，提高运算速度，其检测障碍物的实时性好。
4.车体上设置的激光雷达、Mobileye和毫米波雷达对港口场景内的障碍物进行感知，检测精度高，检测范围广。
附图说明
图1是实施例1中以激光雷达为原点的三维坐标系；
图2是实施例1中以激光雷达为原点的三维坐标系；
图3是实施例1中扇形栅格划分示意图；
图4是实施例1中Mobileye的车道线检测效果图；
图5是实施例1中车道线检测示意图；
图6是实施例1中地面消除前示意图；
图7是实施例1中地面消除后示意图；
图8是实施例1中障碍物检测效果图；
图9是实施例1中滤除毫米波雷达的效果图。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明，决不限制本发明的保护范围。
实施例1
障碍物是指自动驾车车辆在道路上行驶时可能会对行驶产生影响和阻碍的物体，障碍物在道路有多种不同的类型，同时障碍物在道路上的位置也各不相同。在港口道路场景下，常见的障碍物包括金属的集装箱箱体、卡车和货车等等，这些障碍物的类型各不相同。
如图所示，本发明提供了一种用于港口自动驾驶场景的障碍物检测方法，具体包括以下步骤：
(1)通过设置在车上的激光雷达获取三维点云数据，根据获取的三维点云数据计算出激光点p的三维坐标和反射率，并根据激光雷达中心的垂直度判断得到上方点云集和下方点云集pc_bottom(pc_top是指在激光雷达所在水平面上方的点云集，pc_bottom是指在激光雷达所在水平面下方的点云集)；
进一步地说，计算激光点p的三维坐标及反射率和得到pc_top和pc_bottom，具体包括以下步骤：
(1-1)激光雷达获取三维点云数据，激光雷达通过UDP协议的形式向安装在车上的工控机发送三维点云数据包；
上述工控机的线程1接收udp数据包，udp数据包包括激光点的水平角度，垂直角度，回波距离，反射率，工控机的线程2解析激光雷达的三维点云数据集，计算出激光点p的x、y、z的坐标，由如下公式计算：
Figure BDA0002261575390000061
其中，hor_angle为水平角度，ver_angle为垂直角度，range为回波距离，intensity为反射率；
(1-2)步骤(1-1)中得到的激光点p的x、y、z坐标依据激光雷达中心的垂直角度判断是否添加至上方点云数据或下方点云数据中(垂直角度是指激光雷达中心所在水平面位置)；若垂直角度大于0，则将激光点p的x、y、z坐标和反射率添加至pc_top中；若垂直角度小于0，则将激光点的xyz坐标和反射率添加至中。
(2)对步骤(1)中得到的下方点云集进行地面消除，得到不含地面的三维激光点云集；
进一步地说，进行地面消除具体包括以下步骤：
(2-1)将pc_bottom投影到x-y平面上，以激光雷达中心为圆点，形成半径为200米的圆形(一般激光雷达的最大扫描范围在200米)，将该圆形划分成M个扇形栅格，计算出每个扇形栅格的张角Δα，由如下公式计算：
Figure BDA0002261575390000062
(2-2)遍历每个扇形栅格，由坐落在每个扇形栅格上的待排序扇形栅格激光点集的激光点的x、y坐标计算出距离r，并根据计算出的距离r进行排序，得到排序后的扇形栅格激光点集pc_i，由如下公式计算：
Figure BDA0002261575390000071
(2-3)遍历步骤(2-2)pc_i内的激光点，计算得到激光点pi(j)与其相邻点pi(j+1)之间的坡度α和激光点所处地面的坡度β，由如下公式计算：
Figure BDA0002261575390000072
Figure BDA0002261575390000073
其中，pi(j)为激光点；为相邻点；rpi(j)为pi(j)点到原点的距离，zpi(j)为激光点的z坐标值；Hlidar为激光雷达的安装高度；
(2-4)判断步骤(2-3)中得到的坡度α和坡度β是否大于第一预设阈值thr1和第二预设阈值thr2；若坡度α和坡度β均小于第一预设阈值thr1和第二预设阈值thr2时，则激光点及其相邻点均为地面点；若坡度α和坡度β均大于第一预设阈值thr1和第二预设阈值thr2时，则激光点及其相邻点均为非地面点，从而得到非地面点组成的非地面点云集pc_bottom_noground；
进一步地说，第一预设阈值thr1和第二预设阈值thr2根据路平面的实际情况对预设阈值进行设置，其设置的范围为范围在1-10，在本实施例中，thr1＝5、thr2＝6，这样通过计算可以准确的剔除地面的点云数据。
(2-5)对pc-top和pc_bottom_noground进行加运算，得到了地面消除后的不含地面的三维激光点云集pc_noground，如图4所示得到地面消除后的非地面点云集呈现效果。
(3)通过设置在车上的Mobileye获取车道线信息，根据车道线信息(设置滤波器根据车道线信息对激光点进行过滤)，过滤掉车道线外的激光点云，保留得到已过滤的线内激光点云集；
进一步地说，如图6、图7所示，过滤车道线前后的效果图，过滤车道线后得到的已过滤的线内激光点云集，具体包括以下步骤：
(3-1)Mobileye获取车道线信息，Mobileye将获取的车道线信息模拟为车体坐标系下的一元三次方程，计算得到车道线在车体坐标系下的位置：由如下公式计算：
x＝c3*Y3+c2*Y2+c1*Y+c0
其中，c0,c1,c2,c3系数由Mobileye提供，x是车道线在车体左右方向上的位置，Y是车体前后纵向距离，Y的有效区间为[0,viewRange]，且该viewRange值为Mobileye提供；
(3-2)根据激光点p的x-y坐标为p(x0，y0)，判断y0坐标是否处于Y的有效区间[0,viewRange]内，若y0不处于Y的有效区间[0,viewRange]范围内时，则过滤掉激光点p，若y0处于Y的有效区间[0,viewRange]范围内时，则保留激光点p，预先对无效的激光点进行过滤，有效节省运算量；
(3-3)根据经过激光点p的水平线，判断该水平线与当前车道的两侧车道线的2个交点是否在车道线范围内，2个交点的坐标分别为(left_x,y0),(right_x,y0)；
右侧交点：x＝c3左*y3+c2左*y2+c1左*y+c0左
左侧交点：x＝c3右*y3+c2右*y2+c1右*y+c0右
若2个交点在车道线范围内时(即x0小于right_x且x0大于left_x)，则保留激光点p；若2个交点不在车道线范围内时(即x0小于right_x且x0大于left_x)，则过滤掉激光点p，并将保留的激光点组成已过滤的线内激光点云集pc_line。
(4)将步骤(3)得到的已过滤的线内激光点云集进行体素化处理，得到体素化点云集pc_voxel，利用pcl中欧式聚类方法对pc_voxel进行聚类，得到障碍物列表信息，其中障碍物列表信息包括障碍物的位置和尺寸，如图8所示，障碍物检测的效果图；
(5)通过设置在车上的毫米波雷达获取感测范围内的障碍物信息，并根据步骤(4)中的障碍物列表信息进行滤除，输出滤除后的障碍物信息，从而检测出港口内的障碍物的位置、尺寸和速度；
进一步地说，对毫米波雷达输出的障碍物信息过滤的具体步骤如下：
(5-1)遍历步骤(4)中的障碍物列表，设第i个障碍物的位置和尺寸为lidar_OBi(x，y,w,h)；
(5-2)遍历毫米波雷达获取的同一时刻的障碍物信息，与激光雷达在同一时刻获取的障碍物的位置和速度，逐一对比在同一时刻下的获取的障碍物的位置是否重叠；
进一步地说，设第j个障碍物的位置和速度为radar_OBj(x,y,vx,vy)，其中，vx为x轴方向上的速度，vy为y轴方向上的速度；设置一个障碍物列表为list_OBi，判断毫米波雷达的第j个障碍物的位置radar_OBj(x,y)是否与lidar_OBi(x，y,w,h)的位置重叠，若上述二者的位置重叠，则将radar_OBj(x,y,vx,vy)添加至list_OBi中。如图6所示毫米波的滤除效果，其中，图中的圆圈所在位置为毫米波雷达检测到的障碍物位置；
由于毫米波雷达的误判率较高，需要通过上述步骤(5-2)来滤除毫米波雷达的误判数据；
(5-3)在步骤(5-2)得到的障碍物列表list_Obi中找出x轴方向上速度的最大值max_vx与最小值min_vx和轴方向上速度的最大值max_vy与最小值min_vy，计算出max_vx与min_vx的差值d_vx、max_vy与min_vy的差值d_vy，并计算障碍物列表list_Obi中x轴方向上速度的平均值mean_vx及y轴方向上速度的平均值mean_vy；若d_vx和d_vy均小于1时，则mean_vx和mean_vy作为Obi的速度，若d_vx和d_vy均大于1时，则max_vx与max_vy作为Obi的速度输出；
(5-4)根据步骤(5-3)中的速度，最终输出障碍物的位置、尺寸和速度。
采用解析激光雷达获取的三维激光点云数据的同时转换极坐标系的方法，在进行扇形栅格法地面消除前，过滤掉部分无效的点云数据，节省了大量的计算时间，并且结合激光雷达与毫米波雷达获取的障碍物的位置、尺寸和速度的信息的过滤，降低毫米波雷达获取数据的错检及漏检，降低运算成本，有效提高了获取障碍物速度和朝向等信息的速度。
实施例2
一种港口障碍物检测装置，包括激光雷达(velodyne VLP-16)、Mobileye(ME630ALL)、毫米波雷达(ARS408_21)和工控机(Jetson TX2)，激光雷达设置在车头顶中间位置，Mobileye设置在车窗上以用于感知道路环境，毫米波雷达设置在车体前方保险杠上，工控机安装在车体内；
上述工控机包括障碍物检测模块，用于在港口场景下执行实施例1中的障碍物检测方法；
上述障碍物检测模块用于根据实施例1中的算法输出数据，得到障碍物的检测结果。
上述港口障碍物检测装置设置在自动驾驶车辆上，自动驾驶车辆是一种通过电脑系统实现无人驾驶的智能汽车，集环境感知和规划决策等功能于一体。自动驾驶车辆上安装上述激光雷达、Mobileye、毫米波雷达和工控机，实现对周围环境和交通状况的获取。
实施例3
一种港口自动驾驶场景障碍物检测设备，检测设备可以包括存储器和至少一个处理器；处理器和存储器通过总线连接。
存储器存储计算机执行指令；
至少一个处理器执行存储器存储的计算机执行指令，使得至少一个处理器执行如权利要求1-7任一项的港口障碍物检测方法。
其中，存储器存储有程序代码，当程序代码被处理器执行时，使处理器执行本说明书上面熟的根据本申请的实施例的港口障碍物检测方法的步骤(1)-(5)。
检测设备可以包括上述至少一个处理器、至少一个存储器、连接不同系统组件(包括存储器和处理器)的总线。
总线表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器、外围总线、处理器或者使用多种总线结构中的任意总线结构的局域总线。
在一些可能的实施方式中，本申请提供的港口障碍物检测方法的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当程序产品在计算机设备上运行时，程序代码用于使用计算机设备执行本说明书上述描述的根据本申请的实施方式的港口障碍物检测方法中的步骤。
程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光线、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件或者上述的任意核实的组合。
计算机可读存储介质中存储有计算机执行命令，当处理器执行计算机执行指令时，实现如本申请的实施方式的港口障碍物检测方法。
为了易于说明，实施例中使用了诸如“上”、“下”、“左”、“右”等空间相对术语，用于说明图中示出的一个元件或特征相对于另一个元件或特征的关系。应该理解的是，除了图中示出的方位之外，空间术语意在于包括装置在使用或操作中的不同方位。例如，如果图中的装置被倒置，被叙述为位于其他元件或特征“下”的元件将定位在其他元件或特征“上”。因此，示例性术语“下”可以包含上和下方位两者。装置可以以其他方式定位(旋转90度或位于其他方位)，这里所用的空间相对说明可相应地解释。
而且，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个与另一个具有相同名称的部件区分开来，而不一定要求或者暗示这些部件之间存在任何这种实际的关系或者顺序。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本发明的保护范围。

Claims (9)

1.一种用于港口自动驾驶场景的障碍物检测方法，其特征在于，包括以下步骤：
(1)通过设置在车上的激光雷达获取三维点云数据，根据获取的三维点云数据计算出激光点p的三维坐标和反射率，并根据激光雷达中心的垂直度判断得到上方点云集和下方点云集；
(2)对所述步骤(1)中得到的下方点云集进行地面消除，得到不含地面的三维激光点云集；
(3)通过设置在车上的Mobileye获取车道线信息，并根据车道线信息过滤掉车道线外的激光点云，保留得到已过滤的线内激光点云集；
(4)将步骤(3)得到的已过滤的线内激光点云集进行体素化处理，得到体素化点云集后，对体素化点云集进行聚类，得到障碍物的列表信息；
(5)通过设置在车上的毫米波雷达获取感测范围内的障碍物信息，并根据步骤(4)中的障碍物列表信息进行滤除，输出滤除后的障碍物信息，从而检测出港口内的障碍物的位置、尺寸和速度；
所述步骤(2)中地面消除包括以下步骤：
(2-1)将所述下方点云集投影到x-y平面上，以激光雷达中心为圆点，形成圆并将该圆划分成M个扇形栅格，计算出每个扇形栅格的张角Δα，由如下公式计算：
Figure QLYQS_1
(2-2)遍历每个扇形栅格，由坐落在每个扇形栅格上的待排序扇形栅格激光点集的激光点的x、y坐标计算出距离r，并根据计算出的距离r进行排序，得到排序后的扇形栅格激光点集，由如下公式计算：
Figure QLYQS_2
(2-3)遍历所述步骤(2-2)的排序后的扇形栅格点集内的激光点，计算出激光点与其相邻点之间的坡度α和激光点所处地面的坡度β，由如下公式计算：
Figure QLYQS_3
其中，pi(j)为激光点；pi(j+1)为相邻点；rpi(j)为pi(j)点到原点的距离，zpi(j)为激光点的z坐标值；Hlidar为激光雷达的安装高度；
(2-4)判断所述步骤(2-3)中得到的坡度α和坡度β是否大于第一预设阈值和第二预设阈值；若坡度α和坡度β均小于第一预设阈值和第二预设阈值时，则激光点及其相邻点均为地面点；若坡度α和坡度β均大于第一预设阈值和第二预设阈值时，则激光点及其相邻点均为非地面点，从而得到非地面点组成的非地面点云集；
(2-5)对上方点云集和非地面点云集进行加运算，得到了地面消除后的不含地面的三维激光点云集。
2.根据权利要求1所述的障碍物检测方法，其特征在于，所述步骤(1)中判断得到上方三维点云数据和下方三维点云数据包括以下步骤：
(1-1)设置在车上的激光雷达获取三维点云数据，激光雷达通过UDP协议的形式向设置在车上的工控机发送三维点云数据包，所述工控机的线程1接收udp数据包，所述udp数据包包括激光点的水平角度，垂直角度，回波距离，反射率，所述工控机的线程2解析激光雷达的三维点云数据集，计算出激光点p的x、y、z的坐标，由如下公式计算：
Figure QLYQS_4
其中，hor_angle为水平角度，ver_angle为垂直角度，distance为回波距离；
(1-2)根据激光雷达中心的角度判断所述步骤(1-1)中得到的激光点p的坐标是否添加至上方点云数据或下方点云数据中；若垂直角度大于0，则将激光点p的x、y、z坐标和反射率添加至上方三维点云集中；若垂直角度小于0，则将激光点的xyz坐标和反射率添加至下方三维点云集中。
3.根据权利要求1所述的障碍物检测方法，其特征在于，所述步骤(3)得到过滤的激光点云集包括以下步骤：
(3-1)通过安装在车上的Mobileye获取车道线信息，所述Mobileye将获取的车道线信息模拟为车体坐标系下的一元三次方程，计算得到车道线在车体坐标系下的位置：由如下公式计算：
x＝c3*Y3+c2*Y2+c1*Y+c0
其中,c0,c1,c2,c3系数由Mobileye提供，x是车道线在车体左右方向上的位置，Y是车体前后纵向距离，Y的有效区间为[0,viewRange]，且该viewRange值为Mobileye提供；
(3-2)根据激光点x-y坐标，判断y坐标是否处于Y的有效区间内，若y不处于Y的有效区间[0,viewRange]范围内时，则过滤掉激光点p，若y处于Y的有效区间[0,viewRange]范围内时，则保留激光点p；
(3-3)根据经过激光点p的水平线，判断该水平线与当前车道的两侧车道线的2个交点是否在车道线范围内，若2个交点在车道线范围内时，则保留激光点p；若2个交点不在车道线范围内时，则过滤掉激光点p，并将保留的激光点组成已过滤的线内激光点云集。
4.根据权利要求1所述的障碍物检测方法，其特征在于：所述步骤(4)中的已过滤激光点云集进行体素化处理，利用聚类方法得到障碍物列表，且该障碍物列表包括障碍物的位置和尺寸。
5.根据权利要求1所述的障碍物检测方法，其特征在于，所述步骤(5)中滤除障碍物信息输出过滤后的障碍物信息包括以下步骤：
(5-1)遍历所述步骤(4)中的障碍物列表；
(5-2)遍历所述毫米波雷达获取的与激光雷达在同一时刻获取的障碍物的位置和速度，逐一对比在同一时刻下的获取的障碍物的位置是否重叠，若毫米波雷达获取的障碍物的位置与激光雷达获取的障碍物列表的位置重叠，则将该障碍物的位置和速度添加至所述障碍物列表中，若毫米波雷达获取的障碍物的位置与激光雷达获取的障碍物的位置不重叠，则直接过滤掉该障碍物；
(5-3)在所述步骤(5-2)得到的障碍物列表中，计算出x轴方向上速度的最大值max_vx与最小值min_vx的差值d_vx、y轴方向上速度的最大值max_vy与最小值min_vy的差值d_vy，并计算障碍物列表中x轴方向上速度的平均值mean_vx及y轴方向上速度的平均值mean_vy，若x轴及y轴的差值d_vx和d_vy均小于1时，则平均值mean_vx和mean_vy作为障碍物列表的速度，若x轴及y轴的差值均大于1时，则x轴方向上速度的最大值max_vx与y轴方向上速度的最大值max_vy作为障碍物列表的速度输出，以最终输出障碍物的位置、尺寸和速度。
6.根据权利要求5所述的障碍物检测方法，其特征在于：所述障碍物信息包括障碍物的位置、尺寸和速度。
7.一种用于港口自动驾驶场景的障碍物检测装置，其特征在于：包括激光雷达、Mobileye、毫米波雷达和工控机，所述激光雷达设置在车头顶中间位置，所述Mobileye设置在车窗上以用于感知道路环境，所述毫米波雷达设置在车体前方保险杠上，所述工控机与激光雷达、Mobileye和毫米波雷达电连接；
所述工控机包括障碍物检测模块，所述障碍物检测模块用于在港口场景下执行如权利要求1-6任一项所述的障碍物检测方法。
8.一种用于港口自动驾驶场景的障碍物检测设备，其特征在于：包括存储器和至少一个处理器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得至少一个处理器执行如权利要求1-6任一项所述的障碍物检测方法。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机执行命令，当处理器执行所述计算机执行指令时，实现如权利要求1-6任一项所述的障碍物检测方法。
CN201911073097.8A 2019-11-05 2019-11-05 一种用于港口自动驾驶场景的障碍物检测方法及装置 Active CN110764108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911073097.8A CN110764108B (zh) 2019-11-05 2019-11-05 一种用于港口自动驾驶场景的障碍物检测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911073097.8A CN110764108B (zh) 2019-11-05 2019-11-05 一种用于港口自动驾驶场景的障碍物检测方法及装置

Publications (2)

Publication Number Publication Date
CN110764108A CN110764108A (zh) 2020-02-07
CN110764108B true CN110764108B (zh) 2023-05-02

Family

ID=69336741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911073097.8A Active CN110764108B (zh) 2019-11-05 2019-11-05 一种用于港口自动驾驶场景的障碍物检测方法及装置

Country Status (1)

Country Link
CN (1) CN110764108B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110781827B (zh) * 2019-10-25 2021-05-11 中山大学 一种基于激光雷达与扇状空间分割的路沿检测系统及其方法
CN111435163B (zh) * 2020-03-18 2023-06-30 深圳市镭神智能系统有限公司 地面点云数据过滤方法、装置、探测系统及存储介质
CN113739712B (zh) * 2020-05-29 2022-06-07 同方威视技术股份有限公司 车辆轴距测量方法、装置和车辆轴距测量仪
CN112285714B (zh) * 2020-09-08 2024-08-02 苏州挚途科技有限公司 一种基于多传感器的障碍物速度融合方法和装置
CN112068156B (zh) * 2020-09-14 2023-06-20 上海应用技术大学 推焦车的防撞方法和系统
CN112183381A (zh) * 2020-09-30 2021-01-05 深兰人工智能(深圳)有限公司 车辆的可行驶区域检测方法和装置
CN112666557A (zh) * 2020-11-20 2021-04-16 芜湖格陆博智能科技有限公司 基于激光雷达和毫米波雷达获取矿区信息的方法
CN112560258B (zh) * 2020-12-10 2023-02-21 中国第一汽车股份有限公司 一种测试方法、装置、设备及存储介质
CN112731355B (zh) * 2020-12-25 2024-04-05 深圳优地科技有限公司 计算激光雷达安装角度偏差的方法、装置、终端和介质
CN112750114A (zh) * 2021-01-14 2021-05-04 北京斯年智驾科技有限公司 港口障碍物的检测方法、装置、电子装置和存储介质
CN112987029A (zh) * 2021-02-09 2021-06-18 上海振华重工(集团)股份有限公司 一种适用于驾驶设备的定位方法、系统、设备及介质
CN113189608A (zh) * 2021-05-20 2021-07-30 国网河南省电力公司检修公司 一种电力机器人固态面阵激光雷达测距装置
CN113281717A (zh) * 2021-06-04 2021-08-20 上海西井信息科技有限公司 基于激光雷达的地面过滤方法、系统、设备及存储介质
CN113379910B (zh) * 2021-06-09 2023-06-02 山东大学 基于slam的移动机器人矿山场景重建方法及系统
CN113640826B (zh) * 2021-08-11 2023-10-20 山东大学 一种基于3d激光点云的障碍物识别方法及系统
CN113835103B (zh) * 2021-09-22 2024-07-12 深圳市镭神智能系统有限公司 轨道障碍物检测方法、系统和计算机设备
CN115482477B (zh) * 2022-09-14 2023-05-30 北京远度互联科技有限公司 道路识别方法、装置、无人机、设备及存储介质
CN115620263B (zh) * 2022-10-25 2023-08-15 四川吉利学院 基于摄像机和激光雷达图像融合的智能车障碍物检测方法
WO2024156093A1 (en) * 2023-01-28 2024-08-02 Huawei Technologies Co., Ltd. Systems, methods, and media for generating point cloud frame training data
CN118666159A (zh) * 2024-08-13 2024-09-20 青岛港国际股份有限公司 一种轨道吊自动化作业防撞方法及轨道吊

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204705A (zh) * 2016-07-05 2016-12-07 长安大学 一种基于多线激光雷达的3d点云分割方法
CN106997049A (zh) * 2017-03-14 2017-08-01 奇瑞汽车股份有限公司 一种基于激光点云数据的检测障碍物的方法和装置
CN107161141A (zh) * 2017-03-08 2017-09-15 深圳市速腾聚创科技有限公司 无人驾驶汽车系统及汽车
JP2018092483A (ja) * 2016-12-06 2018-06-14 トヨタ自動車株式会社 物体認識装置
CN109212530A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 用于确定障碍物速度的方法和装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106204705A (zh) * 2016-07-05 2016-12-07 长安大学 一种基于多线激光雷达的3d点云分割方法
JP2018092483A (ja) * 2016-12-06 2018-06-14 トヨタ自動車株式会社 物体認識装置
CN107161141A (zh) * 2017-03-08 2017-09-15 深圳市速腾聚创科技有限公司 无人驾驶汽车系统及汽车
CN106997049A (zh) * 2017-03-14 2017-08-01 奇瑞汽车股份有限公司 一种基于激光点云数据的检测障碍物的方法和装置
CN109212530A (zh) * 2017-07-04 2019-01-15 百度在线网络技术（北京）有限公司 用于确定障碍物速度的方法和装置

Also Published As

Publication number Publication date
CN110764108A (zh) 2020-02-07

Similar Documents

Publication Publication Date Title
CN110764108B (zh) 一种用于港口自动驾驶场景的障碍物检测方法及装置
CN111712731B (zh) 目标检测方法、系统及可移动平台
CN111352110B (zh) 处理雷达数据的方法和装置
US9983306B2 (en) System and method for providing target threat assessment in a collision avoidance system on a vehicle
JP6773540B2 (ja) 車載用画像処理装置
CN108226951B (zh) 一种基于激光传感器的快速运动障碍物实时跟踪方法
CN107703505B (zh) 利用二维雷达和摄像头进行拖车尺寸估计
CN110794406B (zh) 多源传感器数据融合系统和方法
JP3349060B2 (ja) 車外監視装置
CN107103275B (zh) 使用雷达和视觉基于车轮进行的车辆检测和追踪
GB2541354A (en) Collision avoidance method, computer program product for said collision avoidance method and collision avoidance system
WO2021207954A1 (zh) 一种目标识别的方法和装置
CN113297881B (zh) 一种目标检测方法及相关装置
Wang et al. Vehicle detection and width estimation in rain by fusing radar and vision
CN112771591B (zh) 用于评价运输工具的环境中的对象对运输工具的行驶机动动作的影响的方法
CN111736153A (zh) 用于无人驾驶车辆的环境检测系统、方法、设备和介质
CN113432615B (zh) 基于多传感器融合可驾驶区域的检测方法、系统和车辆
CN113650607B (zh) 一种低速场景自动驾驶方法、系统及汽车
CN114384491B (zh) 用于激光雷达的点云处理方法及装置、存储介质
CN116872921A (zh) 一种车辆规避风险方法、系统、车辆及存储介质
CN111591288B (zh) 基于距离变换图的碰撞检测方法及装置
EP3882664A1 (en) Histogram based l-shape detection of target objects
CN104931024B (zh) 障碍物检测装置
CN113022593B (zh) 障碍物处理方法、装置和行驶设备
CN114973208A (zh) 车辆盲区监测预警方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant