CN110781827B - 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 - Google Patents

Abstract

本发明涉及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。方法包括：1.激光雷达扫描车辆周围环境，获取反射点云信息并转换到本地构建的三维坐标系中；2.对点云数据进行预处理，把每一帧点云中的地面数据分离并提取出来；3.根据激光雷达与点云的数据特征，将坐标系中的空间分割为扇状的结构体，根据地面信息和扇状结构体，识别道路延伸方向；4.使用并行的路沿检索算法，提取点云中的路沿候选点；5.对路沿候选点进行聚类，根据扇状空间特征，排除干扰点集合；6.对最后确定的路沿点做B样条曲线拟合，得到路沿检测结果。本发明适应性强，能适应各种形状的道路，能减少障碍物的影响，精度和还原度高，可靠性强，误差率低。

Description

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

技术领域

本发明属于自动驾驶技术领域，更具体地，涉及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。

背景技术

随着无人驾驶行业技术的发展，激光雷达的感知算法成为了研究的热点。激光雷达作为无人驾驶车辆的传感器，具有数据维度高、深度信息准确、响应频率快和检测精度高的优点。

现有技术曾提出利用梯度滤波获取路沿候选点的方法，但该方法在应对有障碍物遮挡路沿、路沿形状变化和坡度变化的情况下效果不佳，因为多线雷达发射线的扫描半径并不相同，而离车不同距离的路沿反射点特征也不相同，因此对路沿进行再次扫描、结合障碍物识别结果进行分析、聚类是更为稳定的选择；另有基于欧式聚类分割点云，按离车距离提取路沿点集的方法，但该方法只是将离车最近的坡度变化点找出来，聚类特征单一，难以处理雷达线数较多、点云信息丰富的大型数据，鲁棒性较差；另有根据路沿的线性特征采用一种基于距离的算法来提取候选路沿特征点的方法，但提取结果容易被道路上的障碍物所影响，即难以分辨出识别的路沿点到底属于障碍物还是路沿，因为障碍物也能被认作是一种短距离的“路沿”，而道路上的障碍物往往会遮挡激光雷达对路沿的探测，只能在比较理想化的情况下完成检测；而近两年比较的路沿检测研究有基于栅格网的方法，将点云降维至二维的栅格网上，获取栅格网单元像素的信息，但这种方法降低了点云的维度丰富性，且正方形栅格网破坏了激光雷达的数据特性，容易造成人为的特征。

提取出路沿的信息对无人驾驶系统非常重要，路沿规定了道路的边界，限制了车辆的可行范围，能给路径规划或其他感知系统提供大量信息。但是路沿的稳定性是非常重要的，能在连续时间内稳定存在又能检测到微小变化的路沿是非常可取的，因此需要有效地降低道路上的障碍物、路边的树木、植被、行人和路标等噪声的干扰。

发明内容

本发明为克服上述现有技术中的缺陷，提供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，能克服障碍物的干扰，可以更好地还原不同形态的路沿信息，可以适用在多种自动驾驶场景下。

为解决上述技术问题，本发明采用的技术方案是：一种基于激光雷达与扇状空间分割的路沿检测系统，包括：

点云采集模块，用于通过32/64线激光雷达扫描车辆周围环境，采集周围环境的点云数据并进行处理，将带有空间坐标、反射亮度和雷达环数的点云数据转换给本地坐标系中，将每一帧数据输出给地面分离模块；

地面分离模块：用于从一帧点云数据中提取出当前点云集的道路路面，所述道路路面指的是点云空间中所有物体最贴近地面的点所组成的曲面，地面点云集合输出给路沿检测模块；

扇状空间分割模块：用于根据激光雷达反射点云的特性，将三维坐标内的空间分成不同的扇状区域，扇状区域的特性由点云的数据特性所决定，能匹配点云的分布特征，根据地面检测结果，将扇状结构输出给道路延伸识别模块和路沿检测模块；

道路延伸识别模块：用于接收地面点云集合和扇状空间结构，结合两者特征，检测出车辆的可行驶区域，以此判断自动驾驶场景中道路的延伸方向，并将结果输出给路沿检测模块；

路沿检测模块：用于接收地面点云集合和扇状空间结构，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合，输出给路沿点筛选模块；

路沿点筛选模块：用于接收聚类点集合，根据扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果，输出给路沿拟合模块；

路沿拟合模块：用于接收最终的路沿点，根据路沿点连接关系，用基于B样条曲线拟合的算法求出相应的路沿，结合道路延伸方向，得到每一帧的路沿检测结果。

可选的，所述点云采集模块所得数据来自32线或64线的激光雷达。

可选的，所述地面分离模块根据雷达线数，设定模型算法的迭代次数k、数据是否适应于模型的阈值t、判定模型是否适用于数据集的数据数目d。

可选的，所述路沿检测模块的检测点云范围，可根据精度需求做出改变。

可选的，所述道路延伸识别模块，可根据算法需求，以不同的标准赋值给区域S_i,j的标记值

可选的，所述道路延伸识别模块，可根据精度需求调整道路延伸扇形的夹角角度和延伸长度。

本发明还提供一种基于激光雷达与扇状空间分割的路沿检测方法，利用以上所述的路沿检测系统，具体包括以下步骤：

S1.利用点云采集模块，使激光雷达扫描车辆周围环境，获取反射点云数据，转换到本地坐标系中进行一定程度的矫正，并根据雷达线数对测量精度范围有相应的预估；

S2.利用地面分离模块，并利用采样一致性分割算法，从处理后的点云数据中提取地面点云集合；

S3.利用扇状空间分割模块，根据激光雷达反射点云的特性，计算分割参数，将三维坐标内的空间分成不同的扇状空间区域；

S4.利用道路延伸识别模块，根据点云集合和扇状空间结构，检测出车辆的可行驶区域，以此判断场景中道路的延伸方向；

S5.利用路沿检测模块，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合；

S6.利用路沿点筛选模块，根据聚类点集合和扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果；

S7.利用路沿拟合模块，使用B样条曲线拟合的算法，对最终的路沿点集合进行拟合，构建出最终的道路路沿。

进一步的，所述的点云数据所得数据来自32/64线Velodyne激光雷达，数据转换后的新坐标系以激光雷达的安放位置为原点，车辆前行方向为y轴方向，车辆正右方向为x轴方向，车辆正上方向为z轴方向，反射点同时带有反射强度和所属雷达扫描线的编号信息，信息接收频率为10Hz。

进一步的，车辆行驶过程中，激光雷达旋转时会产生车辆抖动带来的波动误差和旋转一周带来的时间延迟误差，因此对每帧点云数据进行一定程度的校正；校正方法为使用基于RANSAC的平面检测方法得到平面Ax+By+Cz+D＝0及其法向量P(A，B，C)，由坐标系的竖直向量Q(0，0，1)，推出P、Q之间的夹角θ＝arccos((P·Q)/|P||Q|)和P、Q向量的旋转轴单位向量

将夹角和旋转轴代入罗德里格旋转公式：

式中，E为单位矩阵，计算从法向量旋转到竖直向量(0，0，1)的旋转矩阵R；并将此旋转矩阵R应用到点云，点云即可得到旋转。

进一步的，所述的S2步骤具体包括：收集转换后的原始点云数据，根据雷达线数，提取稳定线数范围内的点云数据，使用基于采样一致性分割的算法，设置x-y轴水平面为提取目标模型，设置RANSAC为采样方法，根据雷达线数设定模型算法的迭代次数k、数据是否适应于模型的阈值t、判定模型是否适用于数据集的数据数目d，最后求出代表点云中每个位置最低点的所组成的曲面。所组成的曲面具有以下的特征：包含地面，包含连接地面的路沿，包含道路地面的延伸。由于障碍物会像路沿一样产生具有坡度的点云，因此障碍物和地面的连接处也会像路沿一样留在曲面上。

进一步的，所述的S3步骤具体包括：

S31.由地面分离模块我们可以得到所有地面点的集合P_ground，在点云坐标系中，激光雷达位置处在原点，可以求得集合P_ground中所有点z值的平均值H_s，则点云坐标系中z值为-H_s的平面为理想地面；在点云数据预处理步骤中，对点云做了时间校正处理，激光雷达任意雷达线L_i都有对应的垂直夹角β_i，垂直夹角β_i为雷达射线和点云坐标系中z坐标轴反方向的夹角；

S32.按夹角β_i的大小顺序排列雷达线L₁-L₆₄，其中L₁的夹角最小，L₆₄的夹角最大；在扇区分割中，只考虑夹角小于90度的雷达线；对于第i条符合条件的雷达线L_i来说，L_i上任意点P_i，k(x_i，k，y_i，k，z_i，k)的垂直夹角为：

式中，x_i，k，y_i，k，z_i，k为点P_i，k在点云坐标系中的x轴、y轴、z轴坐标值，k为点P_i，k在雷达线L_i中的第k个点；设定雷达线L_i的垂直夹角为：

式中Pt_i为雷达线L_i中点的数量，对于第i条雷达线L_i，若所有点的垂直夹角都设定为β_i，则雷达线投在理想地面上会形成一个圆，此圆的半径r_i由已知的传感器高度H_s和夹角β_i可以求得r_i＝H_stanβ_i；雷达线L_i的地面圆半径为r_i，构造一系列同心圆R₀、R₁...R_max，圆心O_s为传感器在地面上的投影，max表示激光雷达的线数，圆R_i的半径为：

从圆心O_s出发，设定分割角度α，将理想地面分为多个扇形，此处将α设定为1度；在x-y坐标系中，从x轴方向逆时针开始，以射线分割，设定第j个分割射线B_j在x-y坐标系中的角度为j*α；

S33.设定区域S_i，j为圆R_i、圆R_i+1、射线B_j和射线B_j+1所围成的扇状区域，点云中的任意点在理想地面上的垂直投影都会落在某个扇状区域内或者在整个扇状结构之外；

S34.为了方便区分每一个区域S_i，j的特性，设定区域S_i，j的标记值为

进一步的，所述的S4步骤具体包括：

S41.对于每个区域S_i，j，如果该区域上的点云有地面点，则将其标记值

标记为0，代表这个扇状区域为地面区域；

S42.根据扇状分割模型，从车辆周围的扇状区域出发，以搜索临近区域的方法，搜索所有连通的地面扇状区域；如果一个α夹角的扇形内地面扇状区域的延伸长度达到20m，则认为是一个道路延伸扇形；

S43.将一组夹角和超过10度的连续的道路延伸扇形看作是一条延伸的道路。

进一步的，所述的S5步骤具体包括：

S51.将点云数据按照道路延伸识别结果和雷达线进行分类；将点云数据分为多个区域，对于每个区域，需要做单独的路沿检测，因为每一个被分割的空间都有一段单独的路沿；

S52.在路沿上设置点坐标，会基于雷达线数、距离、路沿斜率等进行相应变化；对区域内单线雷达数据点集合V_i进行方位角大小排序，沿方位角大小检索聚类得到的路沿；

S53.由于雷达线L_i上的点已排序，对于第k个点P_i，k(x_i，k，y_i，k，z_i，k)，设定从P_i，k出发的两个向量V_a和V_b，其计算公式为：

式中，N_v为激光雷达的单道雷达线能打在路沿上的激光点数量的经验值，

设定点P_i，k的特征角为θ_i，k，θ_i，k为向量V_a和向量V_b的夹角；当点P_i，k的特征角θ_i，k小于150°，则标记为路沿候选点，雷达线Li能打在路沿上的最少激光点个数为Nv，由路沿高度和Li决定；

S54.使用欧几里得聚类将路沿候选点聚类为多个路沿特征点集合。

进一步的，所述的S7步骤中B样条曲线拟合算法具体包括：根据雷达线数的不同，选取不同的曲线控制点和多项式的次数；B样条曲线的k阶参数曲线为：

式中，折线P₁，P₂...P_n为P(t)的控制多边形，对给定参数t轴上的一个分割T，B_i，k(t)为T的k阶B样条基函数：

式中，

与现有技术相比，有益效果是：

1.本发明利用点云空间分割的技术，有效地降低了单次算法中目标点云数据的规模，又能并行地进行路沿点检测操作，提高了路沿检测算法的效率，克服了多线激光雷达原始数据庞大的问题；

2.本发明根据激光雷达的特性，将空间分割成能较好地装载点云的扇状空间，根据扇状空间的标记值，可以分辨出当前区域的大致属性，对多种后续算法提供可靠的判断依据，又能实时反映当前帧的点云场景信息；

3.本发明通过道路延伸识别模块，能识别出车辆当前所处道路的延伸信息，能处理多个场景下的道路，如Y型道路，T型道路，十字路口等。

4.本发明通过路沿检测算法，检测点云中打在路沿上的候选点，能有效快速地将带有路沿特征的点云归类出来，并聚类成多个点集合；

5.本发明通过路沿点筛选模块，能将非路沿点的干扰点集合排除，使得预留下来的路沿点可靠性高；

6.本发明通过路沿拟合模块，使用B样条曲线模型，能直观反映多种形状的道路路沿，能给建图、决策等其他自动驾驶模块提供有力支持。

附图说明

图1为本发明中系统的结构简图。

图2为本发明中方法的流程图。

图3为本发明中扇状分割模型的立体示意图。

图4为本发明中扇状分割模型的平面示意图。

图5为本发明中扇状分割模型中一个扇状区域的示意图。

图6为本发明中道路延伸识别模型的立体示意图。

图7位本发明中数据实例的检测结果。

具体实施方式

附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。

实施例1：

如图1所示，一种基于激光雷达与扇状空间分割的路沿检测系统，包括：

点云采集模块，用于通过32/64线激光雷达扫描车辆周围环境，采集周围环境的点云数据并进行处理，将带有空间坐标、反射亮度和雷达环数的点云数据转换给本地坐标系中，将每一帧数据输出给地面分离模块；

地面分离模块：用于从一帧点云数据中提取出当前点云集的道路路面，所述道路路面指的是点云空间中所有物体最贴近地面的点所组成的曲面，地面点云集合输出给路沿检测模块；

扇状空间分割模块：用于根据激光雷达反射点云的特性，将三维坐标内的空间分成不同的扇状区域，扇状区域的特性由点云的数据特性所决定，能匹配点云的分布特征，根据地面检测结果，将扇状结构输出给道路延伸识别模块和路沿检测模块；

道路延伸识别模块：用于接收地面点云集合和扇状空间结构，结合两者特征，检测出车辆的可行驶区域，以此判断自动驾驶场景中道路的延伸方向，并将结果输出给路沿检测模块；

路沿检测模块：用于接收地面点云集合和扇状空间结构，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合，输出给路沿点筛选模块；

路沿点筛选模块：用于接收聚类点集合，根据扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果，输出给路沿拟合模块；

路沿拟合模块：用于接收最终的路沿点，根据路沿点连接关系，用基于B样条曲线拟合的算法求出相应的路沿，结合道路延伸方向，得到每一帧的路沿检测结果。

本系统的应用场景为搭载32/64线激光雷达的车辆，行驶在道路上。需要激光雷达平稳、水平地放在车顶，能够收集稳定的数据。为了能应对10Hz频率的数据，需要无人驾驶系统搭载先进的处理器，用于执行地面分离算法、扇状空间分割算法、道路延伸识别算法、路沿检测算法和路沿拟合算法。

实施例2

如图2至7所示，一种基于激光雷达与扇状空间分割的路沿检测方法，利用实施例1所述的路沿检测系统，具体包括以下步骤：

S1.利用点云采集模块，使激光雷达扫描车辆周围环境，获取反射点云数据，转换到本地坐标系中进行一定程度的矫正，并根据雷达线数对测量精度范围有相应的预估；

S2.利用地面分离模块，并利用采样一致性分割算法，从处理后的点云数据中提取地面点云集合；

S3.利用扇状空间分割模块，根据激光雷达反射点云的特性，计算分割参数，将三维坐标内的空间分成不同的扇状空间区域；

S4.利用道路延伸识别模块，根据点云集合和扇状空间结构，检测出车辆的可行驶区域，以此判断场景中道路的延伸方向；

S5.利用路沿检测模块，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合；

S6.利用路沿点筛选模块，根据聚类点集合和扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果；具体包括：如果聚类点集合在所处的分割空间中，其左侧和右侧的扇状区域同时存在被标记为地面的扇状区域，则认为此聚类点为干扰点；

S7.利用路沿拟合模块，使用B样条曲线拟合的算法，对最终的路沿点集合进行拟合，构建出最终的道路路沿。

其中，所述的点云数据所得数据来自32/64线Velodyne激光雷达，数据转换后的新坐标系以激光雷达的安放位置为原点，车辆前行方向为y轴方向，车辆正右方向为x轴方向，车辆正上方向为z轴方向，反射点同时带有反射强度和所属雷达扫描线的编号信息，信息接收频率为10Hz。

具体的，车辆行驶过程中，激光雷达旋转时会产生车辆抖动带来的波动误差和旋转一周带来的时间延迟误差，因此对每帧点云数据进行一定程度的校正；校正方法为使用基于RANSAC的平面检测方法得到平面Ax+By+Cz+D＝0及其法向量P(A，B，C)，由坐标系的竖直向量Q(0，0，1)，推出P、Q之间的夹角θ＝arccos((P·Q)/|P||Q|)和P、Q向量的旋转轴单位向量

将夹角和旋转轴代入罗德里格旋转公式：

式中，E为单位矩阵，计算从法向量旋转到竖直向量(0，0，1)的旋转矩阵R；并将此旋转矩阵R应用到点云，点云即可得到旋转。

其中，所述的S2步骤具体包括：收集转换后的原始点云数据，根据雷达线数，提取稳定线数范围内的点云数据，使用基于采样一致性分割的算法，设置x-y轴水平面为提取目标模型，设置RANSAC为采样方法，根据雷达线数设定模型算法的迭代次数k、数据是否适应于模型的阈值t、判定模型是否适用于数据集的数据数目d，最后求出代表点云中每个位置最低点的所组成的曲面。所组成的曲面具有以下的特征：包含地面，包含连接地面的路沿，包含道路地面的延伸。由于障碍物会像路沿一样产生具有坡度的点云，因此障碍物和地面的连接处也会像路沿一样留在曲面上。

另外，所述的S3步骤具体包括：

S31.由地面分离模块可以得到所有地面点的集合P_ground，在点云坐标系中，激光雷达位置处在原点，可以求得集合P_ground中所有点z值的平均值H_s，则点云坐标系中z值为-H_s的平面为理想地面。在点云数据预处理步骤中，对点云做了时间校正处理，激光雷达任意雷达线L_i都有对应的垂直夹角β_i，如图3所示，底部两个圆形为理想地面，垂直夹角β_i为雷达射线和点云坐标系中z坐标轴反方向的夹角；

S32.按夹角β_i的大小顺序排列雷达线L₁-L₆₄，其中L₁的夹角最小，L₆₄的夹角最大；在扇区分割中，只考虑夹角小于90度的雷达线；对于第i条符合条件的雷达线L_i来说，L_i上任意点P_i，k(x_i，k，y_i，k，z_i，k)的垂直夹角为：

式中，x_i，k，y_i，k，z_i，k为点P_i，k在点云坐标系中的x轴、y轴、z轴坐标值，k为点P_i，k在雷达线L_i中的第k个点；设定雷达线L_i的垂直夹角为：

式中Pt_i为雷达线L_i中点的数量，对于第i条雷达线L_i，若所有点的垂直夹角都设定为β_i，则雷达线投在理想地面上会形成一个圆，此圆的半径r_i由已知的传感器高度H_s和夹角β_i可以求得r_i＝H_stanβ_i。如图3所示，雷达线L_i的地面圆半径为r_i，构造一系列同心圆R₀、R₁...R_max，圆心O_s为传感器在地面上的投影，max表示激光雷达的线数，圆R_i的半径为：

从圆心O_s出发，设定分割角度α，将理想地面分为多个扇形，此处将α设定为1度。在x-y坐标系中，从x轴方向逆时针开始，以射线分割，设定第j个分割射线B_j在x-y坐标系中的角度为j*α，如图4所示；

S33.设定区域S_i，j为圆R_i、圆R_i+1、射线B_j和射线B_j+1所围成的扇状区域，如图5所示。点云中的任意点在理想地面上的垂直投影都会落在某个扇状区域内或者在整个扇状结构之外；

S34.为了方便区分每一个区域S_i，j的特性，设定区域S_i，j的标记值为

其中，所述的S4步骤具体包括：

S41.对于每个区域S_i，j，如果该区域上的点云有地面点，则将其标记值

际记为0，代表这个扇状区域为地面区域；

S42.根据扇状分割模型，从车辆周围的扇状区域出发，以搜索临近区域的方法，搜索所有连通的地面扇状区域；如果一个α夹角的扇形内地面扇状区域的延伸长度达到20m，则认为是一个道路延伸扇形；

S43.将一组夹角和超过10度的连续的道路延伸扇形看作是一条延伸的道路，如图6所示，为一个识别出前后延伸道路的模型，箭头为延伸方向。

另外，所述的S5步骤具体包括：

S51.将点云数据按照道路延伸识别结果和雷达线进行分类。如图6所示，相邻的延伸箭头之间有一个虚线的角平分线，每一个延伸箭头和临近的角平分线组成一个被分割的扇形，此分割算法将点云数据分为多个区域，对于每个区域，需要做单独的路沿检测，因为每一个被分割的空间都有一段单独的路沿；

S52.在路沿上设置点坐标，打在路沿上的点坐标属性是稳定、有规律的，会基于雷达线数、距离、路沿斜率等进行相应变化。对区域内单线雷达数据点集合V_i进行方位角大小排序，沿方位角大小检索聚类得到的路沿，具有以下特性：满足一定数量，相邻点法线差、点坐标性质相似，路沿点紧密、连续，路沿高度、斜率变化稳定；

S53.由于雷达线L_i上的点已排序，对于第k个点P_i，k(x_i，k，y_i，k，z_i，k)，设定从P_i，k出发的两个向量V_a和V_b，其计算公式为：

式中，N_v为激光雷达的单道雷达线能打在路沿上的激光点数量的经验值，

设定点P_i，k的特征角为θ_i，k，θ_i，k为向量V_a和向量V_b的夹角；当点P_i，k的特征角θ_i，k小于150°，则标记为路沿候选点，雷达线Li能打在路沿上的最少激光点个数为Nv，由路沿高度和Li决定；

S54.使用欧几里得聚类将路沿候选点聚类为多个路沿特征点集合。根据扇状空间结构，排除干扰点集合，余下的为可靠性高的路沿点集合。

其中，Nv可由以下步骤进行推导计算：

1)设当前雷达线L_i的垂直夹角为β_i，则雷达线和x-y水平面的夹角θ_i为：

θ_i＝90°-β_i

2)设定雷达的角分辨率为ρ，ρ的计算公式为：

式中：N_p为一道雷达线在一帧内产生的点数量，此处设N_p＝2000。

3)在当前雷达线L_i中，设定一个值δ_xy，i，表示雷达线打到理想地面上，相邻激光点之间的距离期望值。δ_xy，i的计算公式为

式中：H_s为传感器离理想地面的垂直距离。

4)得到理想地面上相邻激光点之间的距离期望值δ_xy，i后，我们设定一个垂直距离期望值δ_z，i，表示理想地面上相邻激光点之间垂直距离最大差值。δ_z，i的计算公式为

δ_z，i＝δ_xy，i*sinθ_i

4)路沿点和相邻点之间的垂直距离差值都会大于δ_z，i，而平整面上的相邻点垂直距离差值会小于δ_z，i。设路沿高度的判断值为H_c，因此可以计算出当前雷达线L_i理论上能打在路沿上的激光点个数。设定理想情况下，雷达线L_i能打在路沿上的最少激光点个数为N_v，N_v的计算公式为：

在本实施例中，路沿检测模块中的欧几里得聚类算法的聚类点阈值下限设为20个点，最小距离设为0.2m。对于每个区域S_i，j，如果该区域上的点云有地面点，则将其标记值

标记为0，代表这个扇状区域为地面区域。

在本实施例中，将聚类点集合中的非地面区域大于地面区域的点集合标记为干扰集合，将其从路沿候选点中删除。

其中，所述的S7步骤中B样条曲线拟合算法具体包括：根据雷达线数的不同，选取不同的曲线控制点和多项式的次数；B样条曲线的k阶参数曲线为：

式中，折线P₁，P₂...P_n为P(t)的控制多边形，对给定参数t轴上的一个分割T，B_i，k(t)为T的k阶B样条基函数：

式中，

在本实施例中，地面分离模块仅处理50m内的点云数据。扇状分割模块，分割角度设定为1度。地面延伸识别模块，夹角角度设为10度，延伸长度设为20m。路沿检测模块的检测点云范围，根据精度需求设置为30m之内。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种基于激光雷达与扇状空间分割的路沿检测系统，其特征在于，包括：

点云采集模块，用于通过32/64线激光雷达扫描车辆周围环境，采集周围环境的点云数据并进行处理，将带有空间坐标、反射亮度和雷达环数的点云数据转换给本地坐标系中，将每一帧数据输出给地面分离模块；

地面分离模块：用于从一帧点云数据中提取出当前点云集的道路路面，所述道路路面指的是点云空间中所有物体最贴近地面的点所组成的曲面，地面点云集合输出给路沿检测模块；

扇状空间分割模块：用于根据激光雷达反射点云的特性，将三维坐标内的空间分成不同的扇状区域，扇状区域的特性由点云的数据特性所决定，能匹配点云的分布特征，根据地面检测结果，将扇状结构输出给道路延伸识别模块和路沿检测模块；

道路延伸识别模块：用于接收地面点云集合和扇状空间结构，结合两者特征，检测出车辆的可行驶区域，以此判断自动驾驶场景中道路的延伸方向，并将结果输出给路沿检测模块；

路沿检测模块：用于接收地面点云集合和扇状空间结构，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合，输出给路沿点筛选模块；

路沿点筛选模块：用于接收聚类点集合，根据扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果，输出给路沿拟合模块；

路沿拟合模块：用于接收最终的路沿点，根据路沿点连接关系，用基于B样条曲线拟合的算法求出相应的路沿，结合道路延伸方向，得到每一帧的路沿检测结果。

2.一种基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，利用权利要求1所述的路沿检测系统，具体包括以下步骤：

S1.利用点云采集模块，使激光雷达扫描车辆周围环境，获取反射点云数据，转换到本地坐标系中进行一定程度的矫正，并根据雷达线数对测量精度范围有相应的预估；

S2.利用地面分离模块，并利用采样一致性分割算法，从处理后的点云数据中提取地面点云集合；

S3.利用扇状空间分割模块，根据激光雷达反射点云的特性，计算分割参数，将三维坐标内的空间分成不同的扇状空间区域；

S4.利用道路延伸识别模块，根据点云集合和扇状空间结构，检测出车辆的可行驶区域，以此判断场景中道路的延伸方向；

S5.利用路沿检测模块，根据道路的延伸方向将点云数据分类，通过方位角排序、点法线差聚类、点坐标数值滤波的方法，并行地从点云数据中提取各雷达扫描线检测得到的路沿，根据各扫描线检测得到的路沿特征点，进行基于欧几里得聚类方法的处理，得到多个路沿特征点集合；

S6.利用路沿点筛选模块，根据聚类点集合和扇状空间结构，排除候选路沿特征点中的干扰点，得到可靠性高的路沿点结果；

S7.利用路沿拟合模块，使用B样条曲线拟合的算法，对最终的路沿点集合进行拟合，构建出最终的道路路沿。

3.根据权利要求2所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的点云数据所得数据来自32/64线Velodyne激光雷达，数据转换后的新坐标系以激光雷达的安放位置为原点，车辆前行方向为y轴方向，车辆正右方向为x轴方向，车辆正上方向为z轴方向，反射点同时带有反射强度和所属雷达扫描线的编号信息，信息接收频率为10Hz。

4.根据权利要求2所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，车辆行驶过程中，激光雷达旋转时会产生车辆抖动带来的波动误差和旋转一周带来的时间延迟误差，因此对每帧点云数据进行一定程度的校正；校正方法为使用基于RANSAC的平面检测方法得到平面Ax+By+Cz+D＝0及其法向量P(A,B,C)，由坐标系的竖直向量Q(0,0,1)，推出P、Q之间的夹角θ＝arccos((P·Q)/|P||Q|)和P、Q向量的旋转轴单位向量

将夹角和旋转轴代入罗德里格旋转公式：

式中，E为单位矩阵，计算从法向量旋转到竖直向量(0，0，1)的旋转矩阵R；并将此旋转矩阵R应用到点云，点云即可得到旋转。

5.根据权利要求2所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的S2步骤具体包括：收集转换后的原始点云数据，根据雷达线数，提取稳定线数范围内的点云数据，使用基于采样一致性分割的算法，设置x-y轴水平面为提取目标模型，设置RANSAC为采样方法，根据雷达线数设定模型算法的迭代次数k、数据是否适应于模型的阈值t、判定模型是否适用于数据集的数据数目d，最后求出代表点云中每个位置最低点的所组成的曲面。

6.根据权利要求2所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的S3步骤具体包括：

S31.由地面分离模块可以得到所有地面点的集合P_ground，在点云坐标系中，激光雷达位置处在原点，可以求得集合P_ground中所有点z值的平均值H_s，则点云坐标系中z值为-H_s的平面为理想地面；在点云数据预处理步骤中，对点云做了时间校正处理，激光雷达任意雷达线L_i都有对应的垂直夹角β_i，垂直夹角β_i为雷达射线和点云坐标系中z坐标轴反方向的夹角；

S32.按夹角β_i的大小顺序排列雷达线L₁-L₆₄，其中L₁的夹角最小，L₆₄的夹角最大；在扇区分割中，只考虑夹角小于90度的雷达线；对于第i条符合条件的雷达线L_i来说，L_i上任意点P_i，k(x_i，k，y_i，k，z_i，k)的垂直夹角为：

式中，x_i，k，y_i，k，z_i，k为点P_i，k在点云坐标系中的x轴、y轴、z轴坐标值，k为点P_i，k在雷达线L_i中的第k个点；设定雷达线L_i的垂直夹角为：

式中Pt_i为雷达线L_i中点的数量，对于第i条雷达线L_i，若所有点的垂直夹角都设定为β_i，则雷达线投在理想地面上会形成一个圆，此圆的半径r_i由已知的传感器高度H_s和夹角β_i可以求得r_i＝H_stanβ_i；雷达线L_i的地面圆半径为r_i，构造一系列同心圆R₀、R₁...R_max，圆心O_s为传感器在地面上的投影，max表示激光雷达的线数，圆R_i的半径为：

从圆心O_s出发，设定分割角度α，将理想地面分为多个扇形，此处将α设定为1度；在x-y坐标系中，从x轴方向逆时针开始，以射线分割，设定第j个分割射线B_j在x-y坐标系中的角度为j*α；

S33.设定区域S_i，j为圆R_i、圆R_i+1、射线B_j和射线B_j+1所围成的扇状区域，点云中的任意点在理想地面上的垂直投影都会落在某个扇状区域内或者在整个扇状结构之外；

S34.为了方便区分每一个区域S_i，j的特性，设定区域S_i，j的标记值为

7.根据权利要求6所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的S4步骤具体包括：

S41.对于每个区域S_i，j，如果该区域上的点云有地面点，则将其标记值

标记为0，代表这个扇状区域为地面区域；

S42.根据扇状分割模型，从车辆周围的扇状区域出发，以搜索临近区域的方法，搜索所有连通的地面扇状区域；如果一个α夹角的扇形内地面扇状区域的延伸长度达到20m，则认为是一个道路延伸扇形；

S43.将一组夹角和超过10度的连续的道路延伸扇形看作是一条延伸的道路。

8.根据权利要求7所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的S5步骤具体包括：

S51.将点云数据按照道路延伸识别结果和雷达线进行分类；将点云数据分为多个区域，对于每个区域，需要做单独的路沿检测，因为每一个被分割的空间都有一段单独的路沿；

S52.在路沿上设置点坐标，会基于雷达线数、距离、路沿斜率进行相应变化；对区域内单线雷达数据点集合V_i进行方位角大小排序，沿方位角大小检索聚类得到的路沿；

S53.由于雷达线L_i上的点已排序，对于第k个点P_i，k(x_i，k，y_i，k，z_i，k)，设定从P_i，k出发的两个向量V_a和V_b，其计算公式为：

式中，：N_v为激光雷达的单道雷达线能打在路沿上的激光点数量的经验值，N_v＝max/8；

设定点P_i，k的特征角为θ_i，k，θ_i，k为向量V_a和向量V_b的夹角；当点P_i，k的特征角θ_i，k小于150°，则标记为路沿候选点，雷达线Li能打在路沿上的最少激光点个数为Nv，由路沿高度和Li决定；

S54.使用欧几里得聚类将路沿候选点聚类为多个路沿特征点集合。

9.根据权利要求8所述的基于激光雷达与扇状空间分割的路沿检测方法，其特征在于，所述的S7步骤中B样条曲线拟合算法具体包括：根据雷达线数的不同，选取不同的曲线控制点和多项式的次数；B样条曲线的k阶参数曲线为：

式中，折线P₁，P₂...P_n为P(t)的控制多边形，对给定参数t轴上的一个分割T，B_i，k(t)为T的k阶B样条基函数：

式中，

Images