CN111323026A - 一种基于高精度点云地图的地面过滤方法 - Google Patents

一种基于高精度点云地图的地面过滤方法 Download PDF

Info

Publication number
CN111323026A
CN111323026A CN201811545515.4A CN201811545515A CN111323026A CN 111323026 A CN111323026 A CN 111323026A CN 201811545515 A CN201811545515 A CN 201811545515A CN 111323026 A CN111323026 A CN 111323026A
Authority
CN
China
Prior art keywords
point cloud
road
map
point
ground
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.)
Granted
Application number
CN201811545515.4A
Other languages
English (en)
Other versions
CN111323026B (zh
Inventor
周庆国
黄航
王金强
郅朋
周睿
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.)
Lanzhou University
Original Assignee
Lanzhou University
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 Lanzhou University filed Critical Lanzhou University
Priority to CN201811545515.4A priority Critical patent/CN111323026B/zh
Publication of CN111323026A publication Critical patent/CN111323026A/zh
Application granted granted Critical
Publication of CN111323026B publication Critical patent/CN111323026B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
    • G01C21/30—Map- or contour-matching
    • G01C21/32—Structuring or formatting of map data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Automation & Control Theory (AREA)
  • Computer Graphics (AREA)
  • Theoretical Computer Science (AREA)
  • Processing Or Creating Images (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开一种基于高精度点云地图的地面过滤方法。该方法包括：(1)采集道路的三维点云信息，并制作高精度点云地图；(2)在高精度点云地图中进行可行驶区域的标注与记录；(3)将可行驶区域划分成若干小块，对每一个小块进行平面模型提取，用该平面模型来代表该小块所覆盖的地面；(4)根据步骤(3)得到的地面模型过滤实时点云中的路面点。本方案实现了平面、坡道等各种路况下的可行驶区域中的路面点精准过滤。

Description

一种基于高精度点云地图的地面过滤方法
技术领域
本发明涉及无人驾驶高精度地图处理技术，尤其涉及一种基于点云地图的地面过滤方法。
背景技术
以深度学习为突破的“人工智能时代”大风口下，无人驾驶被给予了前所未有的关注。无人驾驶技术已经成为整个汽车产业的最新发展方向。科研院校、汽车制造厂商、科技公司、无人驾驶汽车创业公司以及汽车零部件供应商在无人驾驶技术领域进行不断地探索。与美、欧等发达国家相比，我国在无人驾驶汽车方面的研究起步稍晚，从20世纪80年代底才开始。
激光雷达作为一种稳定可靠的传感器，可以得到汽车周围环境的3D模型以及目标的位置，同时还可用于车辆的定位，在智能驾驶中扮演着重要的角色。
激光雷达得到的数据是点云数据，扫描范围是360°。原始的点云数据中的大部分点位于可行驶区域外，这些高密度点通常分布复杂，又不会对智能驾驶产生具有足够高的帮助作用。如果在自动驾驶的过程中，只考虑可行驶区域内的点，那么驾驶的环境将会得到很大的简化。
可行驶区域中的点包含有大量的地面点，如果能够将可行驶区域中的地面点过滤掉，将对后续的可行驶区域中的障碍物点云聚类、分类和追踪带来极大的便利：“一方面可以提高聚类、分类和追踪的精度，另一方面可以缩减点的数量，降低计算时间”。
传统的路面过滤算法大都假设整个路面是一个平面，这些算法无法应对有坡道的场景。如果有一种可以应对坡道等复杂场景的地面过滤算法，智能驾驶的可靠性和鲁棒性将得到有效保证。
发明内容
本发明提供了一种基于高精度点云地图的地面过滤方法，可用于水平路面、坡道等场景的地面点精准过滤，有效的保证了智能驾驶的可靠性和鲁棒性。包括：
采集道路的三维点云信息，并制作高精度点云地图；
采用计算机程序脚本或者人工手工的方式标注出道路边界线，道路边界线之间的区域即为可行驶区域；
道路边界线由一系列的关键三维坐标点组成，将道路边界线保存在文件中，一次制作多次使用。
将可行驶区域划分成若干小块，对每一个小块使用RANSAC算法提取出其中的平面模型，用该平面模型来代表该小块所覆盖的地面；
根据上一步得到的地面模型过滤实时点云中的可行驶区域中的路面点，包括：
Step1：在激光雷达坐标系中画一个M*N的栅格地图，栅格地图中每个格子的边长为a米。
Step2：根据车辆在地图中的位姿以及存放在文件中的道路边界线，在栅格地图中画出可行驶区域。
Step3：将每一帧中位于可行驶区域中的点抽取出来，构成点集P1。
Step4：遍历step1得到的点集P1,对于其中任意一个点p，获得p的三维坐标(x,y,z),根据x和y找到点 p对应的平面模型，并根据模型计算出z0，即竖直方向上的坐标。
Step5：将z0和z的差的绝对值|z0–z|与阈值th_z比较，若|z0–z|小于阈值th_z，则认为点p是路面上的点，应当被过滤。反之，则认为p不是路面上的点，不应当被过滤。
附图说明
图1为本发明提供的高精度点云地图示意图。
图2为本发明提供的可行驶区域示意图。
图3为本发明提供的可行驶区域划分结果示意图。
图4为本发明提供的过滤地面点示意图
具体实施方式
下面结合附图对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅仅用于解释本发明，而非对本发明的限定。另外还需说明的是，为了便于描述，附图中仅展示出了与本发明相关的部分而非全部结构。
图1为本发明提供的高精度点云地图示意图。高精度点云地图的制作包括如下步骤：
人工驾驶搭载着激光雷达的车辆沿着道路行驶一遍，收集逐帧的点云。每一帧点云由若干个点的三维坐标组成。
将点云通过逐帧的累加形成点云地图。
将得到的点云地图存放在PCD文件中。
图2为本发明提供的可行驶区域示意图。图中的矩形区域ABCD为一张M*N的栅格地图，该栅格地图以10hz的频率实时刷新。栅格地图中被标记为100的格子表示道路边界线，例如图2正中的两条黑色线条。栅格地图中被标记为0的格子表示可行驶区域，例如两条黑色道路边界线之间的白色区域。栅格地图中被标记为30的格子表示未知区域，例如图2中颜色介于黑色和白色之间的区域。
图2中的道路边界线可在图1所示的高精度点云地图中用手工标注的方式获得，也可通过脚本自动获得。获得的道路边界线由地图坐标系中的一系列的三维坐标点组成，以下简称道路边界点。道路边界点被存放在文件中，一次生成，多次使用。
为了将上述道路边界线在栅格地图中画出来，需要先计算出车辆的位姿，然后通过坐标转换将其存放在文件中的道路边界点映射到栅格地图中，最后将属于同一条道路边界线的道路边界点按顺序连接起来，即可得到图2中的道路边界线。
画出道路边界线之后，下一步是在栅格地图中画可行驶区域。很容易理解的是，任意时刻，车辆一定在可行驶区域中，所以可以先计算出车辆在栅格地图中的格子x，然后以格子x为起点进行广度优先搜索，将道路边界线之间的格子都标记为0，表示可行驶区域。
将可行驶区域均等的分为若干个小块，对于起伏特别大的区域，可手工调整小块的边界，以达到最优的拟合效果。图3为本发明提供的可行驶区域划分结果示意图。图中的可行驶区域被划分成5个小块，分别命名为区域1-区域5。以区域1为例：
将高精度点云地图中所有位于区域1中的点抽取出来构成点集P，对点集P使用RANSAC算法提取出其中的平面模型。
平面模型用公式Ax+By+Cz+D＝0来描述。得到的平面模型存放在文件plane.csv中，一次计算多次使用。文件plane.csv中存放的数据包括每个区域的四个顶点坐标，以及对应的平面模型的四个参数A、 B、C、D。
图4为本发明提供的过滤地面点示意图。当新的一帧点云数据data_new到达时，执行如下操作：
在激光雷达坐标系中以原点为中心画一个M*N的栅格地图，栅格地图中每个格子的边长为a米，栅格地图的边与激光雷达坐标系的x坐标轴平行或垂直。
根据定位算法得到地图坐标系到激光雷达坐标系的坐标转换，根据得到的坐标转换将存放在CSV文件中的道路边界点在栅格地图中标注出来，即将道路边界点对应的格子标记为100。将位于同一条道路边界线的相邻两个道路边界点连成的线段所经过的格子也标记为100，即可在栅格地图中画出道路边界线。
以车辆当前位置在栅格地图中对应的格子为起点进行广度优先搜索，将位于两条道路边界线之间的格子标记为0，即在栅格地图中画出可行驶区域。
根据可行驶区域对data_new进行切割，位于可行驶区域外的点被抛弃，位于可行驶区域内的点被存放在集合P1中。
遍历集合P1,对于其中任意一个点p，获得p的三维坐标(x0,y0,z0),根据x0和y0计算出点p在图4中所在的区域，假设点p位于区域1中，则从文件plane.csv中加载区域1对应的平面模型的四个参数A、B、C、D，将x0和y0代入公式Ax+By+Cz+D＝0，计算出z的值。
将z0和z的差的绝对值|z0–z|与阈值th_z比较，若|z0–z|小于阈值th_z，则认为点p是路面上的点，应当被过滤。反之，则认为p不是路面上的点，不应当被过滤。
本发明提出的一种基于高精度点云地图的地面过滤方法，解决了传统地面过滤方法不能处理坡道路面的缺陷。

Claims (5)

1.一种基于高精度点云地图的地面过滤方法，其特征在于，包括：
采集道路的三维点云信息，并制作高精度点云地图；
在高精度点云地图中进行可行驶区域的标注与记录；
将可行驶区域划分成若干小块，对每一个小块使用RANSAC算法提取出其中的平面模型，用该平面模型来代表该小块所覆盖的地面；
根据上一步得到的地面模型过滤实时点云中的可行驶区域中的路面点。
2.根据权利要求1所述的方法，其特征在于，采集道路的三维点云信息包括：
人工驾驶搭载着激光雷达的车辆沿着道路行驶一遍，收集逐帧的点云信息，将点云信息通过逐帧的累加形成点云地图。
3.根据权利要求1所述的方法，其特征在于，在高精度点云地图中进行可行驶区域的标注与记录，包括：
采用计算机程序脚本或者人工手工的方式标注出道路边界线，道路边界线之间的区域即为可行驶区域；
在记录时不直接记录可行驶区域，而是记录道路边界线；
道路边界线由一系列的关键三维坐标点组成，记录在若干个CSV文件中。
4.根据权利要求1所述的方法，其特征在于，用若干个平面模型拟合可行驶区域，包括：
将3得到的可行驶区域划分成若干个小块，在高精度点云地图中抽取出这些小块中的点集，对每一个点集使用RANSAC算法提取出其中的平面模型，用该平面模型来代表该小块所覆盖的地面。
5.根据权利要求1所述的方法，其特征在于，根据4得到的地面模型过滤实时点云可行驶区域中的路面点，包括：
Step1：在激光雷达坐标系中画一个M*N的栅格地图，栅格地图中每个格子的边长为a米。
Step2：根据车辆在地图中的位姿以及存放在文件中的道路边界线，在栅格地图中画出可行驶区域。
Step3：将每一帧中位于可行驶区域中的点抽取出来，构成点集P1。
Step4：遍历Step1得到的点集P1,对于其中任意一个点p，获得p的三维坐标(x,y,z),根据x和y找到4中对应的平面模型，并根据模型计算出z0，即竖直方向上的坐标。
Step5：将z0和z的差的绝对值|z0–z|与阈值th_z比较，若|z0–z|小于阈值th_z，则认为点p是路面上的点，应当被过滤。反之，则认为p不是路面上的点，不应当被过滤。
CN201811545515.4A 2018-12-17 2018-12-17 一种基于高精度点云地图的地面过滤方法 Active CN111323026B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811545515.4A CN111323026B (zh) 2018-12-17 2018-12-17 一种基于高精度点云地图的地面过滤方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811545515.4A CN111323026B (zh) 2018-12-17 2018-12-17 一种基于高精度点云地图的地面过滤方法

Publications (2)

Publication Number Publication Date
CN111323026A true CN111323026A (zh) 2020-06-23
CN111323026B CN111323026B (zh) 2023-07-07

Family

ID=71166801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811545515.4A Active CN111323026B (zh) 2018-12-17 2018-12-17 一种基于高精度点云地图的地面过滤方法

Country Status (1)

Country Link
CN (1) CN111323026B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232247A (zh) * 2020-10-22 2021-01-15 深兰人工智能(深圳)有限公司 可行驶区域路面提取方法和装置
CN112559539A (zh) * 2020-12-07 2021-03-26 北京嘀嘀无限科技发展有限公司 更新地图数据的方法与装置

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472909A (zh) * 2012-04-10 2013-12-25 微软公司 用于头戴式、增强现实显示器的逼真遮挡
CN103792524A (zh) * 2014-03-06 2014-05-14 兰州大学 基于云分类的雷达定量降水估计方法
US20150063683A1 (en) * 2013-08-28 2015-03-05 Autodesk, Inc. Building datum extraction from laser scanning data
CN105404844A (zh) * 2014-09-12 2016-03-16 广州汽车集团股份有限公司 一种基于多线激光雷达的道路边界检测方法
CN106133756A (zh) * 2014-03-27 2016-11-16 赫尔实验室有限公司 用于过滤、分割并且识别无约束环境中的对象的系统
CN106503653A (zh) * 2016-10-21 2017-03-15 深圳地平线机器人科技有限公司 区域标注方法、装置和电子设备
CN107169464A (zh) * 2017-05-25 2017-09-15 中国农业科学院农业资源与农业区划研究所 一种基于激光点云的道路边界检测方法
CN108052624A (zh) * 2017-12-15 2018-05-18 深圳市易成自动驾驶技术有限公司 点云数据处理方法、装置及计算机可读存储介质
US20180188059A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Lane Line Creation for High Definition Maps for Autonomous Vehicles
CN109003286A (zh) * 2018-07-26 2018-12-14 清华大学苏州汽车研究院（吴江） 基于深度学习和激光雷达的道路分割方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103472909A (zh) * 2012-04-10 2013-12-25 微软公司 用于头戴式、增强现实显示器的逼真遮挡
US20150063683A1 (en) * 2013-08-28 2015-03-05 Autodesk, Inc. Building datum extraction from laser scanning data
CN103792524A (zh) * 2014-03-06 2014-05-14 兰州大学 基于云分类的雷达定量降水估计方法
CN106133756A (zh) * 2014-03-27 2016-11-16 赫尔实验室有限公司 用于过滤、分割并且识别无约束环境中的对象的系统
CN105404844A (zh) * 2014-09-12 2016-03-16 广州汽车集团股份有限公司 一种基于多线激光雷达的道路边界检测方法
CN106503653A (zh) * 2016-10-21 2017-03-15 深圳地平线机器人科技有限公司 区域标注方法、装置和电子设备
US20180188059A1 (en) * 2016-12-30 2018-07-05 DeepMap Inc. Lane Line Creation for High Definition Maps for Autonomous Vehicles
CN107169464A (zh) * 2017-05-25 2017-09-15 中国农业科学院农业资源与农业区划研究所 一种基于激光点云的道路边界检测方法
CN108052624A (zh) * 2017-12-15 2018-05-18 深圳市易成自动驾驶技术有限公司 点云数据处理方法、装置及计算机可读存储介质
CN109003286A (zh) * 2018-07-26 2018-12-14 清华大学苏州汽车研究院（吴江） 基于深度学习和激光雷达的道路分割方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112232247A (zh) * 2020-10-22 2021-01-15 深兰人工智能(深圳)有限公司 可行驶区域路面提取方法和装置
CN112559539A (zh) * 2020-12-07 2021-03-26 北京嘀嘀无限科技发展有限公司 更新地图数据的方法与装置

Also Published As

Publication number Publication date
CN111323026B (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN111273305B (zh) 基于全局与局部栅格图多传感器融合道路提取与索引方法
CN108917761B (zh) 一种无人车在地下车库中的精确定位方法
Huang Review on LiDAR-based SLAM techniques
CN112767490B (zh) 一种基于激光雷达的室外三维同步定位与建图方法
CN109556617A (zh) 一种自动建图机器人的地图要素提取方法
EP3792901A1 (en) Ground mark extraction method, model training method, device and storage medium
CN111598916A (zh) 一种基于rgb-d信息的室内占据栅格地图的制备方法
CN110717983A (zh) 一种基于背包式三维激光点云数据的建筑物立面三维重建方法
CN105806344A (zh) 一种基于局部地图拼接的栅格地图创建方法
CN102426019A (zh) 一种无人机景象匹配辅助导航方法及系统
Ding et al. Laser map aided visual inertial localization in changing environment
CN113706710A (zh) 基于fpfh特征差异的虚拟点多源点云融合方法及系统
CN115371662B (zh) 一种基于概率栅格移除动态对象的静态地图构建方法
Xiong et al. Road-Model-Based road boundary extraction for high definition map via LIDAR
CN114821571A (zh) 一种用于电力线缆识别和重建的点云处理方法
CN111323026B (zh) 一种基于高精度点云地图的地面过滤方法
CN116127405A (zh) 一种融合点云地图、运动模型和局部特征的位置识别方法
Lu et al. A lightweight real-time 3D LiDAR SLAM for autonomous vehicles in large-scale urban environment
CN114092658A (zh) 一种高精度的地图构建方法
CN112435336B (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
Zhang et al. Accurate real-time SLAM based on two-step registration and multimodal loop detection
CN114648571B (zh) 机器人高精度地图建图中行驶区域内障碍物过滤方法
CN112348950B (zh) 一种基于激光点云分布特性的拓扑地图节点生成方法
CN116012737A (zh) 基于无人机激光和视觉融合的高速施工监测方法和系统
Li et al. RF-LOAM: Robust and Fast LiDAR Odometry and Mapping in Urban Dynamic Environment

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
CB03 Change of inventor or designer information

Inventor after: Zhou Qingguo

Inventor after: Wang Jinqiang

Inventor after: Ji Peng

Inventor after: Huang Hang

Inventor after: Zhou Rui

Inventor before: Zhou Qingguo

Inventor before: Huang Hang

Inventor before: Wang Jinqiang

Inventor before: Ji Peng

Inventor before: Zhou Rui

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant