CN111060923A - 一种多激光雷达的汽车驾驶障碍物检测方法及系统 - Google Patents

Abstract

本发明公开了一种多激光雷达的汽车驾驶障碍物检测方法及系统，本发明专利属于自动驾驶领域的传感器数据感知范畴。自动驾驶功能的核心包括传感器数据的感知，融合，决策，规划，控制等部分，其中，传感器数据的感知是自动驾驶功能实现的第一步。本发明主要是采用多激光雷达来进行障碍物检测，在自车的左右两边和车顶上分别安装velodyne‑16线激光雷达，用于对车辆周围环境进行感知，获取障碍物，为决策模块的路径规划提供数据支撑。本发明采用高精度地图和激光雷达相结合，利用激光点云的位深图像来进行障碍物检测，大大提高了检测效率，本发明采用16线激光雷达进行障碍物检测，大大降低了使用成本。

Description

一种多激光雷达的汽车驾驶障碍物检测方法及系统

技术领域

本发明涉及汽车驾驶障碍物检测领域，更具体地说，涉及一种多激光雷达的汽车驾驶障碍物检测方法及系统。

背景技术

自动驾驶功能的核心包括传感器数据的感知，融合，决策，规划，控制等部分。其中，传感器数据的感知是自动驾驶功能实现的第一步。现在国内外主要自动驾驶感知都是使用。激光雷达来进行障碍物检测，有很多采用32线，或者64线激光雷达来进行障碍物检测，但是这种激光雷达价钱昂贵，不符合批量使用。

激光雷达检测障碍物有很多种方式，1)对激光雷达进行2D投影变换到图像坐标系中用连通域的方式来进行障碍物检测。2)采用K-D树，欧几里得聚类的方式来进行障碍物检测。3)将激光点云转换到极坐标系下进行聚类，进行障碍物检测。4)利用深度学习进行激光点云聚类等等。这些运算时间比较长，对于实时性要求比较严格的场景，无法提供支撑。

发明内容

本发明要解决的技术问题在于，针对现有技术中激光雷达检测障碍物的方法运算时间比较长，对于实时性要求比较严格的场景，无法提供支撑的技术缺陷，提供一种多激光雷达的汽车驾驶障碍物检测方法及系统。

根据本发明的其中一方面，本发明解决其技术问题所采用的多激光雷达的汽车驾驶障碍物检测方法包含如下步骤：

S1、采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间；

S2、将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据；

S3、基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据；

S4、将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值，则表示是同一个物体，否则表示是另外一个物体；

S5、利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测方法中，步骤S1中，所述多个16先激光器雷达安装在汽车上是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测方法中，降采样后的激光雷达点云数据的行数为16，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测方法中，进行体数栅格滤波时的栅格的大小为0.1m*0.1m*0.1m。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测方法中，步骤S4中所述阈值为10度。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测方法中，任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角。

根据本发明的另一方面，本发明解决其技术问题所采用的多激光雷达的汽车驾驶障碍物检测系统包含如下模块：

数据获取模块，用于采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间；

坐标系转换模块，用于将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据；

降采样分割模块，用于基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据；

障碍物聚类模块，用于将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值，则表示是同一个物体，否则表示是另外一个物体；

障碍物跟踪输出模块，用于利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测系统中，数据获取模块中，所述多个16先激光器雷达安装在汽车是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测系统中，降采样后的激光雷达点云数据的行数为16，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度。

进一步地，在本发明的多激光雷达的汽车驾驶障碍物检测系统中，任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角。

实施本发明的多激光雷达的汽车驾驶障碍物检测方法及系统，具有以下有益效果：本发明采用高精度地图和激光雷达相结合，利用激光点云的位深图像来进行障碍物检测，大大提高了检测效率，本发明采用16线激光雷达进行障碍物检测，大大降低了使用成本。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的多激光雷达的汽车驾驶障碍物检测方法一实施例的流程图；

图2是任意相邻两个点A与B的角度的示意图。

具体实施方式

为了对本发明的技术特征、目的和效果有更加清楚的理解，现对照附图详细说明本发明的具体实施方式。

参考图1，图1是本发明的多激光雷达的汽车驾驶障碍物检测方法一实施例的流程图。本实施例的多激光雷达的汽车驾驶障碍物检测方法包含如下步骤：

S1、采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel、Factory以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号(线数从0开始)，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间，Factory为雷达型号参数。在本实施例中，多个16先激光器雷达安装在汽车上是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达。

S2、将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据。

S3、基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据。降采样后的激光雷达点云数据的行数为16(激光雷达的channel数)，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度，在其他实施例中，列数也可以是其他的值。进行体数栅格滤波时的栅格的大小为0.1m*0.1m*0.1m。

S4、将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值10度，则表示是同一个物体，否则表示是另外一个物体。参考图2，任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角，角β表示A、B这2个点之间的夹角，通过求角β来进行判断点A和点B是否是同一障碍物。

当β小于阈值10°时表示A点和B点不是同一个障碍物，否则表示A点和B点是同一个障碍物。

S5、利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

由于经典卡尔曼滤波(KF)不适用于非线性系统，非线性估计领域的经典算法是扩展卡尔曼滤波(EKF)。它采用了Taylor展开的线性变换来近似非线性模型，再结合卡尔曼滤波进行滤波估计，其算法简单、计算量小，但只适用于弱非线性高斯环境下。UKF以UT变换为基础，采用卡尔曼线性滤波框架，通过设计少量的sigma点，经过非线性函数映射，计算出随机向量统计特性(均值和方差)的传播。因此，它比EKF滤波能更好地接近状态方程的非线性特性，具有更高的估计精度，所以我们的障碍物跟踪采用UKF。

UKF主要解决一个高斯分布经过非线性变换后，用另一个高斯分布近似它。按照EKF，需要对非线性函数做线性化。但在UKF里，不必做这个线性化。UKF的做法是找一些叫做Sigma Point的点，把这些点用非线性函数投影过去。然后，用投影之后的点做出一个高斯分布。

根据本发明的另一方面，本发明解决其技术问题所采用的多激光雷达的汽车驾驶障碍物检测系统包含如下模块：

数据获取模块，用于采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间；

坐标系转换模块，用于将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据；在本实施例中，所述多个16先激光器雷达安装在汽车是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达；

降采样分割模块，用于基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据；降采样后的激光雷达点云数据的行数为16，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度；进行体数栅格滤波时的栅格的大小为0.1m*0.1m*0.1m；

障碍物聚类模块，用于将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值10度，则表示是同一个物体，否则表示是另外一个物体；任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角；

障碍物跟踪输出模块，用于利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种多激光雷达的汽车驾驶障碍物检测方法，其特征在于，包含如下步骤：

S1、采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间；

S2、将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据；

S3、基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据；

S4、将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值，则表示是同一个物体，否则表示是另外一个物体；

S5、利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

2.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测方法，其特征在于，步骤S1中，所述多个16先激光器雷达安装在汽车上是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达。

3.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测方法，其特征在于，降采样后的激光雷达点云数据的行数为16，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度。

4.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测方法，其特征在于，进行体数栅格滤波时的栅格的大小为0.1m*0.1m*0.1m。

5.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测方法，其特征在于，步骤S4中所述阈值为10度。

6.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测方法，其特征在于，任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角。

7.一种多激光雷达的汽车驾驶障碍物检测系统，其特征在于，包含如下模块：

数据获取模块，用于采用UDP方式将多个16先激光器雷达采集的激光雷达数据传送至处理单元，从而获取激光雷达点云数据，所述多个16先激光器雷达安装在汽车上安对汽车周围环境进行采集；在进行UDP方式向处理单元传送数据时，在一帧点云数据包中包含多个UDP数据包，每个UDP包中数据有Azimuth、Channel以及Timestamp，Azimuth代表了激光器雷达进行数据采集时的角度值，Channel特指激光的线编号，所以激光有多少线就有多少个channel数据值，Timestamp为数据采集时间；

坐标系转换模块，用于将所述激光雷达点云数据进行坐标系转换，把所述多个16先激光器雷对应的数据从激光雷达坐标系转换到同一车身坐标系中，得到坐标转换后的激光雷达点云数据；

降采样分割模块，用于基于汽车上安装的惯性导航系统获取车身的运动轨迹，基于车身的运动轨迹利用地图获取ROI区域，并利用体数栅格滤波对坐标转换后的激光雷达点云数据进行降采样和分割，获取ROI区域对应的经过降采样后的激光雷达点云数据；

障碍物聚类模块，用于将降采样后的激光雷达点云数据进行2D投影，获取激光点云位深图像并对激光点云位深图像进行聚类，然后通过最小外包围盒算法，得出激光点云位深图像中的障碍物；聚类时的聚类方法为：在获取到激光点云位深图像后，算出图像中任意相邻两个点的角度，如果角度大于阈值，则表示是同一个物体，否则表示是另外一个物体；

障碍物跟踪输出模块，用于利用UKF对激光点云位深图像中的障碍物进行跟踪输出。

8.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测系统，其特征在于，数据获取模块中，所述多个16先激光器雷达安装在汽车是指在汽车的左右两侧以及车顶上分别安装一个velodyne-16线激光器雷达，一共3个激光器雷达。

9.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测系统，其特征在于，降采样后的激光雷达点云数据的行数为16，列数为ROI_W除以进行体数栅格滤波时的体数栅格宽度的值，每一行对应一个channel的数据；ROI_W为ROI区域的宽度。

10.根据权利要求1所述的多激光雷达的汽车驾驶障碍物检测系统，其特征在于，任意相邻两个点A与B的角度通过下述公式计算得出：

其中，在激光雷达坐标系中，d1表示激光雷达坐标系原点到A点的距离，d2表示激光雷达坐标系原点到B点的距离，在激光点云位深图像中d1和d2表示对应的像素值，角α表示2个激光雷达线束的夹角。

Images