CN110969102B - 一种基于生长的栅格地图障碍物检测方法 - Google Patents

一种基于生长的栅格地图障碍物检测方法 Download PDF

Info

Publication number
CN110969102B
CN110969102B CN201911145497.5A CN201911145497A CN110969102B CN 110969102 B CN110969102 B CN 110969102B CN 201911145497 A CN201911145497 A CN 201911145497A CN 110969102 B CN110969102 B CN 110969102B
Authority
CN
China
Prior art keywords
grid
obstacle
growth
minimum
steps
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
CN201911145497.5A
Other languages
English (en)
Other versions
CN110969102A (zh
Inventor
仲维
陈圣伦
李豪杰
王智慧
刘日升
樊鑫
罗钟铉
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN201911145497.5A priority Critical patent/CN110969102B/zh
Publication of CN110969102A publication Critical patent/CN110969102A/zh
Application granted granted Critical
Publication of CN110969102B publication Critical patent/CN110969102B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明公开了一种基于生长的栅格地图障碍物检测方法，属于图像处理和计算机视觉领域。利用GPU构建高性能运算平台，并构建高性能求解算法以获得地图中障碍物信息。系统容易构建，程序简单，易于实现；利用聚合‑生长‑提取的方法在其中获取障碍物的信息，鲁棒性强精度高。

Description

一种基于生长的栅格地图障碍物检测方法
技术领域
本发明属于图像处理和计算机视觉领域。在使用测距传感器生成场景的栅格地图后，聚合-生长-提取的方法在其中获取障碍物的信息。是一种利用栅格地图的障碍物检测方法。
背景技术
近年伴随着人工智能的发展移动机器人和汽车自动驾驶越来越受到人们的关注，而其中一个需要解决主要的问题就是障碍物检测。栅格地图是在无人导航中最为常见的一种地图，因而如何利用栅格地图完成障碍物检测也就成为一个十分重要的问题。利用栅格地图的障碍物检测方法主要利用贝叶斯推断算法和聚类划分，这样的方法很容易将较为狭小的可通行区域分为障碍物，并且在处理空白区域的噪声时表现明显不足。为了解决上述问题，本发明摆脱聚类划分的束缚，提出使用聚合-生长-提取的方法结合贝叶斯推断在栅格地图中完成障碍物检测。
发明内容
本发明提供了一种利用栅格地图的障碍物检测方法。本发明的具体技术方案的步骤如下：
一种基于生长的栅格地图障碍物检测方法，其特征在于，包括以下步骤：
1)贝叶斯推断
在已知栅格已有的状态和本次测量的栅格状态，用贝叶斯推断的方式得出本次测量后的栅格状态，即被占据的概率P；
2)聚合采样
设滑动窗口为W，滑动窗口的大小为a×b；有效栅格满足Pi>Pmin 1，如窗口Wk中有效栅格加权数量
Figure BDA0002282061700000011
超过阈值N，则此处存在障碍物，记为Ok是有效栅格的集合，然后执行步骤3)；
3)区域生长
在Ok周围d1范围内检测栅格，如果栅格的概率Pi>Pmin 2，将栅格加入到栈S中和Ok中，直到检测结束；然后遍历栈S中的栅格，检测其d1范围内栅格，并加入栈S和Ok中，直到栈S为空；然后在栅格地图中Ok外的区域继续执行步骤2)，如果没有新的障碍物则聚合-生长阶段结束；
4)检查空隙
根据移动机器人或无人车的体积得到v作为最小可通行区域的宽度，取v为体积的对角线；由步骤2)和3)得到障碍物为O1，O2…，On；分别计算矩形包围框bi，包围框由4个值进行描述分别为X方向的最大、最小栅格序号Xmax、Xmin，Z方向最大、最小栅格序号Zmax、Zmin；如果bi和bj边界之间最小距离小于v+d2，则将最小距离线段上的栅格作为障碍物，并计算包围框。
算法中N、Pmin 1、Pmin 2、d1、d2和v是设定的参数。
本发明的有益效果是：
本发明设计了一种基于生长的栅格地图障碍物检测方法。利用贝叶斯推断和聚合-生长-提取的方法从栅格地图中检测障碍物，最后结合严谨合并过程完成细节的修正。具有以下特点：
1、程序简单，易于实现；
2、算法效率高，实时性强。
附图说明
图1是算法总体路程。
图2是算法的详细流程。
图3是输入的栅格地图。
图4是检测结果。
具体实施方式
本发明提出了一种基于生长的栅格地图障碍物检测方法，结合附图及实施例详细说明如下：
总体流程如图1。算法以栅格地图为输入，如图3，首先使用贝叶斯推断更新栅格的状态，其次使用聚合生长的方法检测障碍物，然后检测障碍物间的细节是否可以通行，最后输出结果。
为了说明具体算法在本发明中有如下设定，设存在空间直角坐标系XYZ，X轴水平向右，Y轴竖直向上，Z轴向前，设栅格地图建立在XOZ平面上，并且XOZ反应当前的水平面。在此基础上描述栅格地图检测障碍物的方法，所述的方法如图2包括下列步骤：
1)贝叶斯推断
如图2首先使用贝叶斯推断更新栅格状态。贝叶斯推断使用t-1时刻栅格状态和当前测量的t时刻栅格状态推断出，测量后的栅格状态。在贝叶斯推断中需要得到每个栅格的后验概率p(m|z1：t)，其中p(m)表示地图初始化的概率，p(z1∶t)是从1到t时刻的概率，利用log-odds比的形式应用到贝叶斯推断中，可以形成一种时间递推形式，最终计算出t时刻的局部地图概率值为
Figure BDA0002282061700000031
其中/>
Figure BDA0002282061700000032
2)聚合采样
如图2更新状态后的栅格地图进入聚合采样阶段。设滑动窗口为W，滑动窗口的大小为a×b。有效栅格需满足Pi>Pmin 1，如窗口Wk中有效栅格加权数量
Figure BDA0002282061700000033
超过阈值N认为此处存在障碍物记为Ok，Ok是这些栅格的集合，然后执行步骤3)；
3)区域生长
在Ok周围d1范围内检测栅格，如果栅格的概率Pi>Pmin 2，将栅格加入到栈S中和Ok中，直到检测结束。然后遍历栈S中的栅格，检测其d1范围内栅格，并加入栈S和Ok中，直到栈S为空。然后在栅格地图中Ok外的区域继续执行步骤2)，如果没有新的障碍物则聚合-生长阶段结束；
4)检查空隙
如图2算法的最后阶段为检查空隙，旨在确定障碍物间的空区域是否为可通行区域。根据移动机器人或无人车的体积得到v作为最小可通行区域的宽度，一般来说可以取v为体积的对角线。由步骤2)和3)得到障碍物为O1，O2…，On。分别计算矩形包围框bi，包围框由4个值进行描述分别为X方向的最大最小栅格序号Xmax，Xmin，Z方向最大最小栅格序号Zmax，Zmin。如果bi和bj边界之间最小距离小于v+d2，则将最小距离线段上的栅格作为障碍物，并计算包围框。将包围框在XOZ平面上可视化如图4。
算法中N、Pmin 1、Pmin 2、d1、d2和v是设定的参数。

Claims (2)

1.一种基于生长的栅格地图障碍物检测方法，其特征在于，包括以下步骤：
1)贝叶斯推断
在已知栅格已有的状态和本次测量的栅格状态，用贝叶斯推断的方式得出本次测量后的栅格状态，即被占据的概率P；
2)聚合采样
设滑动窗口为W，滑动窗口的大小为a×b；有效栅格满足Pi>Pmin 1，如窗口Wk中有效栅格加权数量
Figure FDA0002282061690000011
超过阈值N，则此处存在障碍物，记为Ok是有效栅格的集合，然后执行步骤3)；
3)区域生长
在Ok周围d1范围内检测栅格，如果栅格的概率Pi>Pmin 2，将栅格加入到栈S中和Ok中，直到检测结束；然后遍历栈S中的栅格，检测其d1范围内栅格，并加入栈S和Ok中，直到栈S为空；然后在栅格地图中Ok外的区域继续执行步骤2)，如果没有新的障碍物则聚合-生长阶段结束；
4)检查空隙
根据移动机器人或无人车的体积得到v作为最小可通行区域的宽度，取v为体积的对角线；由步骤2)和3)得到障碍物为O1，O2…，On；分别计算矩形包围框bi，包围框由4个值进行描述分别为X方向的最大、最小栅格序号Xmax、Xmin，Z方向最大、最小栅格序号Zmax、Zmin；如果bi和bj边界之间最小距离小于v+d2，则将最小距离线段上的栅格作为障碍物，并计算包围框。
2.根据权利要求1所述的基于生长的栅格地图障碍物检测方法，其特征在于，方法中N、Pmin 1、Pmin 2、d1、d2和v是设定的参数。
CN201911145497.5A 2019-11-21 2019-11-21 一种基于生长的栅格地图障碍物检测方法 Active CN110969102B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911145497.5A CN110969102B (zh) 2019-11-21 2019-11-21 一种基于生长的栅格地图障碍物检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911145497.5A CN110969102B (zh) 2019-11-21 2019-11-21 一种基于生长的栅格地图障碍物检测方法

Publications (2)

Publication Number Publication Date
CN110969102A CN110969102A (zh) 2020-04-07
CN110969102B true CN110969102B (zh) 2023-06-20

Family

ID=70031022

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911145497.5A Active CN110969102B (zh) 2019-11-21 2019-11-21 一种基于生长的栅格地图障碍物检测方法

Country Status (1)

Country Link
CN (1) CN110969102B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN108709562A (zh) * 2018-04-28 2018-10-26 北京机械设备研究所 一种移动机器人滚动栅格地图构建方法
CN109085838A (zh) * 2018-09-05 2018-12-25 南京理工大学 一种基于激光定位的动态障碍物剔除算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6559535B2 (ja) * 2015-10-22 2019-08-14 株式会社東芝 障害物マップ生成装置、その方法、及び、そのプログラム
CN107340768B (zh) * 2016-12-29 2020-08-28 珠海市一微半导体有限公司 一种智能机器人的路径规划方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104636763A (zh) * 2014-12-01 2015-05-20 北京工业大学 一种基于无人驾驶车的道路与障碍物检测方法
CN108709562A (zh) * 2018-04-28 2018-10-26 北京机械设备研究所 一种移动机器人滚动栅格地图构建方法
CN109085838A (zh) * 2018-09-05 2018-12-25 南京理工大学 一种基于激光定位的动态障碍物剔除算法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于栅格地图的智能车辆运动目标检测;周俊静;段建民;;系统工程与电子技术(第02期);全文 *
复杂环境下的激光雷达目标物实时检测方法;李茁;王田苗;胡坤磊;李晓飞;王肖;;激光杂志(第03期);全文 *
改进贝叶斯推理的栅格地图更新与障碍物检测;段建民;王昶人;任璐;刘丹;;激光杂志(第08期);全文 *

Also Published As

Publication number Publication date
CN110969102A (zh) 2020-04-07

Similar Documents

Publication Publication Date Title
CN111337941B (zh) 一种基于稀疏激光雷达数据的动态障碍物追踪方法
US11877716B2 (en) Determining region attribute
CN108519094B (zh) 局部路径规划方法及云处理端
Douillard et al. On the segmentation of 3D LIDAR point clouds
CN114270142A (zh) 非结构化的车辆路径规划器
US11302105B2 (en) Grid map obstacle detection method fusing probability and height information
US8644560B2 (en) Image processing apparatus and method, and program
CN111968229A (zh) 高精度地图制图方法及装置
US11506502B2 (en) Robust localization
WO2022088104A1 (zh) 一种确定目标对象点云集的方法及装置
US11373328B2 (en) Method, device and storage medium for positioning object
CN102800114B (zh) 一种基于Poisson-disk采样的数据点云精简方法
CN115187944A (zh) 一种车道线检测方法及装置
CN110969102B (zh) 一种基于生长的栅格地图障碍物检测方法
CN112417507B (zh) 一种基于隐私保护的大型图的节点三角形计数的发布方法
Li et al. Obstacle detection and tracking algorithm based on multi‐lidar fusion in urban environment
CN116523970B (zh) 基于二次隐式匹配的动态三维目标跟踪方法及装置
WO2023131203A1 (zh) 语义地图更新方法、路径规划方法以及相关装置
Wang et al. A robust submap-based road shape estimation via iterative Gaussian process regression
Lim et al. Integration of Vehicle Detection and Distance Estimation using Stereo Vision for Real-Time AEB System.
TW202306400A (zh) 用於車輛之自主控制的佔用映射
CN113657177A (zh) 数据处理方法、装置、电子设备和存储介质
CN115546781A (zh) 一种点云数据的聚类方法以及装置
CN111580508A (zh) 机器人的定位方法、装置、电子设备及存储介质
CN116147653B (zh) 一种面向无人驾驶车辆的三维参考路径规划方法

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