CN110781891A - 一种基于激光雷达传感器的识别车辆可行驶区域的方法 - Google Patents

Abstract

本发明属于智能汽车环境感知领域，具体的说是一种基于激光雷达传感器的识别车辆可行驶区域的方法。具体包括采集点云数据及有序化、分割地面点云、拟合左右道路边界、寻找最危险点形成初期安全行驶区域、修补初期安全行驶区域，形成最后的安全行驶区域等六个部分。本发明采用栅格化的思想处理道路边界数据，有效降低异常点所占的权重，有利于拟合出更符合实际的道路边界。采用随机抽样一致性算法拟合道路边界，相比常用的最小二乘法，该方法最大限度的去除噪声点与异常点的影响，有利于拟合出真实的道路边界。运用最危险点的思想，只关注会造成危险的点云，成功将数量数十万的点云数据化简为数百个点云，极大的减轻了计算量，显著的提升了实时性。

Description

一种基于激光雷达传感器的识别车辆可行驶区域的方法

技术领域

本发明属于智能汽车环境感知领域，具体的说是一种基于激光雷达传感器的识别车辆可行驶区域的方法。

背景技术

随着社会科技的快速发展与中国城市化进程的不断加快，导致城市中可利用的物理空间不断减少，各种不同形式的交通方式面临着日益严峻的考验；由于居民出行频率与距离的增加，在安全性、灵活性与可靠性等方面都对我国的交通运输能力提出了新的要求。在这种背景下，智能汽车逐渐成为全球的热门技术之一，它目前正处于飞速发展之中。智能汽车技术发展至今，其基本框架包括环境感知、车辆底层控制、决策与路径规划。但安全问题仍然制约着智能汽车的大范围推广。为了解决安全问题，识别汽车安全行驶区域显得尤为重要。

识别车辆安全行驶区域可以为智能汽车的决策与路径规划模块提供支持，从而保证汽车安全行驶。其原理是通过传感器获取周围环境信息，随后对环境信息进行预处理，分割，识别，从而得出安全行驶区域，最后将安全行驶区域信息发送给决策与路径规划模块。目前常用的传感器有激光雷达传感器和摄像头传感器。摄像头传感器价格低廉，包含信息丰富但精度和适用范围较差。激光雷达传感器精度高、范围大、量程大但数据量较大。然而由于车载计算平台的性能和传感器性能的限制，在实际中并没有取得预期效果。

现有识别车辆前方安全行驶区域的方法存在的主要问题有：

1)基于摄像头传感器，导致所识别的车辆前方安全行驶区域的精度较差，存在较大的安全隐患。

2)基于高性能激光雷达传感器，车载计算平台需要处理的点云数据过多，从而导致实时性较差，无法满足智能汽车的需求。

3)所识别的车辆前方安全行驶区域并未考虑车辆的自身因素，导致一些车辆无法通过的区域被识别为安全行驶区域，造成了极大的安全隐患。

发明内容

本发明提供了一种方法简单的基于激光雷达传感器的识别车辆可行驶区域的方法，该方法能在多种场合，多种环境下稳定工作，方法鲁棒性强，实时性高。解决了现有识别车辆前方安全行驶区域的方法存在的上述问题。

本发明技术方案结合附图说明如下：

一种基于激光雷达传感器的识别车辆可行驶区域的方法，该方法包括以下步骤：

步骤一、采集点云数据并有序化；

步骤二、分割地面点云；

步骤三、拟合左右道路边界；

步骤四：寻找最危险点形成初期安全行驶区域；

步骤五：最危险点聚类；

步骤六：修补初期安全行驶区域，形成最后的安全行驶区域。

所述步骤一的具体方法如下：

采集的数据来源于安装于车头处的固态激光雷达，激光雷达所产生的点云数据包含以激光雷达为坐标原点的x，y，z三维坐标以及点云的反射强度，点云数据通过以太网udp通信技术接收；接收的点云数据为无序状态，遍历点云数据，通过点云数据所对应的横向以及纵向角度将点云数据排列为有序的二维数组。

所述步骤二的具体方法如下：

首先采用分块直线拟合算法识别地面点云，设置分块直线拟合算法的参数阈值，循环遍历激光雷达每一条纵向射线产生的点云数据，对每一条纵向射线的点云数据应用增量式最小二乘拟合算法，当拟合出的直线的参数超过所设置的阈值参数时将上一次参与拟合的点云数据记录为地面点云，随后对下一条纵向射线的点云数据进行拟合，直到所有纵向射线的点云数据均被拟合完成。

所述步骤三的具体方法如下：

首先依据点云数据x值将点云数据分为一定数量的分组，分组数量为60至90组，随后认为点云数据的y极值的均值为道路点云的中心点的y值，通过将地面点云的y值与道路中心点的y值相比较，将道路点云划分为左右两部分，分别存储左右两部分的道路点云为左边界点云和右边界点云；设置随机抽样一致算法的拟合次数，采用随机抽样一致算法以左边界点云和右边界点云为数据，拟合道路左边界的二次函数表达式与道路右边界的二次函数表达式。

所述步骤四的具体方法如下：

循环遍历激光雷达每一条纵向射线产生的点云数据，当点云不属于道路点云并且该点到原点的距离最小时，认为该点云为当前纵向方向上的最危险点云；随后求出当前纵向方向与道路边界二次函数的交点，当该交点距坐标原点的距离小于当前纵向方向的最危险时，认为该交点为当前纵向方向的最危险点；至此，所有最危险点所围成的区域便是初期安全行驶区域。

所述步骤五的具体方法如下：

循环遍历所有最危险点，当最危险点与左右两侧道路边界的距离大于0.3米时，认为该危险点为障碍物点，其余距离道路边界距离小于0.3米的危险点为道路边界点；循环遍历所有障碍物点，当两障碍物点的距离超过聚类的自适应距离阈值D_n时，认为两障碍物点属于两个不同的聚类，以次为依据将所有的障碍物点划分不同的聚类。

所述步骤六的具体方法如下：

循环遍历所有的聚类，检测聚类n与聚类n+1和聚类n-1距原点距离的大小关系，当聚类n距原点距离Ln大于聚类n+1距原点距离Ln+1与聚类n-1距原点距离Ln-1时，则认为可能出现车辆无法通过的缝隙；检测聚类n+1的起始点云与聚类n-1的终止点云的距离，若该距离小于车宽的一定阈值，则认为车辆穿越缝隙时可能存在危险；选取构成聚类n的点云对应的激光雷达线束，求出线束与聚类n+1起始点云和聚类n-1终止点云的拟合直线的交点，用这些交点代替原有的聚类n；至此，所有最危险点所围成的区域便是最终的安全行驶区域。

本发明的有益效果为：

本发明采用栅格化的思想处理道路边界数据，可以有效降低异常点所占的权重，有利于拟合出更符合实际的道路边界。采用随机抽样一致性算法拟合道路边界，相比常用的最小二乘法，该方法可以最大限度的去除噪声点与异常点的影响，有利于拟合出真实的道路边界。运用最危险点的思想，只关注会造成危险的点云，成功将数量数十万的点云数据化简为数百个点云，极大的减轻了计算量，显著的提升了实时性。将车辆的实景情况与识别的安全行驶区域相结合，剔除了在实际情况中车辆无法通过的区域，从而保证了智能汽车的行驶安全。

附图说明

图1为本发明的算法流程图。

图2为结构化道路模型示意图。

图3为仿真环境下交通场景图。

图4为所识别的安全行驶区域图。

具体实施方式

参阅图1，本发明给出了一种基于激光雷达传感器的识别车辆安全行驶区域的方法，具体包括采集点云数据及有序化、分割地面点云、拟合左右道路边界、寻找最危险点形成初期安全行驶区域、修补初期安全行驶区域，形成最后的安全行驶区域等六个部分。

参阅图2，本方法主要适用于结构化道路，在结构化道路中道路区域CD相对平坦，非道路区域AB与EF区域相对道路区域上存在0.1-0.2m的高度差，边界区域BC与DE存在明显的高度跳变。具体如下：

步骤一、将固态激光雷达安装于车头处，离地高度为0.4-0.5m，以激光雷达的安装位置作为点云数据的坐标原点，需要保证激光雷达水平安装。此时坐标轴的x方向为汽车的行驶方向，y轴正向指向行驶方向的左侧，z轴正向竖直向上。随后对点云进行有序化操作，点云数据是由激光雷达发出激光，遇到障碍物返回后通过计算时间差与光速的乘积得出距离，再将距离按照激光的发射角度进行坐标变换后得到的。因此点云有序化可利用点云的x,y,z坐标，求得每个点云对应的横向及纵向角度，放入对应的二维数组中。横向角α＝arctan(y/x),纵向角若激光雷达的横向线数为n，纵向线数为m，则最后二维数组的应为n行m列。

步骤二、采用分块直线拟合算法分割地面点云确定道路点。首先设置算法的参数阈值，包括拟合直线的最大斜率，拟合直线的最小斜率，拟合直线的最大截距，拟合直线的最大均方根误差。假设地面的道路模型为y＝ax+b，遍历有序点云数组的n行，在每一行中首先选取两个点云拟合一次直线，当拟合直线满足上述的参数阈值时，则认为所选取的数据点为地面点云。增加下一个点云数据为原始数据，再次进行拟合，直到不满足参数阈值。之后拟合下一行点云数据。

步骤三、采用栅格化的思想，将地面点云数据按照x坐标分为若干个部分。找出每个部分最大和最小的y值，取平均值。该平均值即为该部分道路的中心点位置。通过与中心点相比较，即可确定地面点云是左侧还是右侧。分别选取每个部分最左侧和最右侧的电云，并分为左边界点云和右边界点云。当左右边界点云与道路边界距离小于0.3米时，认为左右边界点云即为道路边界点云。采用随机抽样一致性算法拟合道路边界，为保证实时性，人为设置拟合次数为退出条件，拟合次数一般取800至2000次。拟合次数过多会导致实时性变差，过少会导致拟合效果变差，故应谨慎选取。左右边界的拟合模型设置为y＝ax²+bx+c，分别以左边界点云和右边界点云作为输入，最后得到左右道路的拟合函数，以该函数作为左右边界。

步骤四、本方法认为，在点云数据的n行中，存在n个最危险点。最危险点即为每行点云数据中除地面点外距离原点最近的点云。点云距原点的距离

遍历n行点云，选出每一行的距原点最近的点云为最危险点。随后求出每个最危险点云的函数表达式，形如y＝kx。历所有最危险点云，求出每个最危险点云与左右边界的交点，若交点距原点的距离小于当前的最危险点云，则认为交点为当前情况下的最危险点云，实现最危险点云的替换。至此，所有最危险点云所围成的区域便是当前情况下的初期安全行驶区域。

步骤五、遍历最危险点，当最危险点距离左右道路边界的距离小于一定阈值时，即D＝ax²+bx+c-y的绝对值小于给定数值时，认为该危险点为道路边界点。依次判断所有最危险点，将最危险点划分为道路边界点和障碍物点。遍历所有障碍物点，当两障碍物点的距离超出自适应距离阈值时认为两障碍物点分属不同的点云聚类，自适应距离阈值D_n＝k·r_n·θ_n，k为人为选取系数，一般为2至5。r_n为危险点n到原点的距离。θ_n为危险点n与危险点n+1的角度差，以弧度表示。认为所有属同一类聚类的点云的x，y的均值为聚类的中心点，求出所有聚类的中心点距原点的距离

步骤六、遍历所有聚类，检测聚类n与聚类n+1和聚类n-1中心点距原点距离的大小关系，当Ln大于Ln+1与Ln-1时，则认为可能出现车辆无法通过的缝隙。检测聚类n+1的起始点云与聚类n-1的终止点云的距离，若该距离小于车宽的1.2倍，则认为车辆穿越缝隙时可能存在危险。选取构成聚类n的点云对应的激光雷达线束，求出线束与聚类n+1起始点云和聚类n-1终止点云的拟合直线的交点，用这些交点代替原有的聚类n。随后，从聚类1开始重新遍历所有聚类。至此，所有最危险点所围成的区域便是最终的安全行驶区域。

参阅图3，该图为仿真交通场景图。车1为主车，激光雷达位于车头处。车3正在变道，由于车3的车头与右侧道路的距离小于1.2倍的主车车宽，车3的车尾距左侧道路的距离也小于1.2倍的主车车宽，故两个缝隙均为不可行驶区域，采用新的危险点替代原最危险点，形成安全行驶区域。

参阅图4，该图为图3交通场景的安全行驶区域图，其中斜线区域为安全行驶区域，左右两条实线分别为所拟合的左右道路边界。

Claims (7)

1.一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，该方法包括以下步骤：

步骤一、采集点云数据并有序化；

步骤二、分割地面点云；

步骤三、拟合左右道路边界；

步骤四：寻找最危险点形成初期安全行驶区域；

步骤五：最危险点聚类；

步骤六：修补初期安全行驶区域，形成最后的安全行驶区域。

2.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤一的具体方法如下：

采集的数据来源于安装于车头处的固态激光雷达，激光雷达所产生的点云数据包含以激光雷达为坐标原点的x，y，z三维坐标以及点云的反射强度，点云数据通过以太网udp通信技术接收；接收的点云数据为无序状态，遍历点云数据，通过点云数据所对应的横向以及纵向角度将点云数据排列为有序的二维数组。

3.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤二的具体方法如下：

首先采用分块直线拟合算法识别地面点云，设置分块直线拟合算法的参数阈值，循环遍历激光雷达每一条纵向射线产生的点云数据，对每一条纵向射线的点云数据应用增量式最小二乘拟合算法，当拟合出的直线的参数超过所设置的阈值参数时将上一次参与拟合的点云数据记录为地面点云，随后对下一条纵向射线的点云数据进行拟合，直到所有纵向射线的点云数据均被拟合完成。

4.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤三的具体方法如下：

首先依据点云数据x值将点云数据分为一定数量的分组，分组数量为60至90组，随后认为点云数据的y极值的均值为道路点云的中心点的y值，通过将地面点云的y值与道路中心点的y值相比较，将道路点云划分为左右两部分，分别存储左右两部分的道路点云为左边界点云和右边界点云；设置随机抽样一致算法的拟合次数，采用随机抽样一致算法以左边界点云和右边界点云为数据，拟合道路左边界的二次函数表达式与道路右边界的二次函数表达式。

5.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤四的具体方法如下：

循环遍历激光雷达每一条纵向射线产生的点云数据，当点云不属于道路点云并且该点到原点的距离最小时，认为该点云为当前纵向方向上的最危险点云；随后求出当前纵向方向与道路边界二次函数的交点，当该交点距坐标原点的距离小于当前纵向方向的最危险时，认为该交点为当前纵向方向的最危险点；至此，所有最危险点所围成的区域便是初期安全行驶区域。

6.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤五的具体方法如下：

循环遍历所有最危险点，当最危险点与左右两侧道路边界的距离大于0.3米时，认为该危险点为障碍物点，其余距离道路边界距离小于0.3米的危险点为道路边界点；循环遍历所有障碍物点，当两障碍物点的距离超过聚类的自适应距离阈值D_n时，认为两障碍物点属于两个不同的聚类，以次为依据将所有的障碍物点划分不同的聚类。

7.根据权利要求1所述的一种基于激光雷达传感器的识别车辆可行驶区域的方法，其特征在于，所述步骤六的具体方法如下：

循环遍历所有的聚类，检测聚类n与聚类n+1和聚类n-1距原点距离的大小关系，当聚类n距原点距离Ln大于聚类n+1距原点距离Ln+1与聚类n-1距原点距离Ln-1时，则认为可能出现车辆无法通过的缝隙；检测聚类n+1的起始点云与聚类n-1的终止点云的距离，若该距离小于车宽的一定阈值，则认为车辆穿越缝隙时可能存在危险；选取构成聚类n的点云对应的激光雷达线束，求出线束与聚类n+1起始点云和聚类n-1终止点云的拟合直线的交点，用这些交点代替原有的聚类n；至此，所有最危险点所围成的区域便是最终的安全行驶区域。

Images