CN111551958B - 一种面向矿区无人驾驶的高精地图制作方法 - Google Patents

Abstract

本发明公开了一种面向矿区无人驾驶的高精地图制作方法，包括原始数据采集、车辆可行驶区域检测、行车轨迹反向推导车道模型、优化车道模型数据、自动生成车道模型。通过本发明的技术方案，解决了矿区道路没有车道线的瓶颈；自动规划生成路口过渡车道线数据以及装卸载特殊区域临时车道线数据，降低车道数据采集的难度和避免重复采集的工作量，制作出面向矿区无人驾驶的高精度地图。

Description

一种面向矿区无人驾驶的高精地图制作方法

技术领域

本发明属于高精地图制作技术领域，尤其涉及一种面向矿区无人驾驶的高精地图制作方法。

背景技术

由于矿山地处偏远、劳动强度大、运输战线长、采掘环境艰苦，企业招工难、留人难的现象突出，智慧矿山、无人矿山是矿区未来发展趋势。高精度地图是实现无人驾驶车辆车道级别导航与监控的地理信息数据基础和必要条件。现阶段应用广泛的实现路径是通过高精度、高分辨率的道路航空影像，结合具有三维激光扫描和全景数据采集功能的移动测量车采集的相关道路数据，从这些数据中提取满足车辆行驶导航与监控要求的数据进而进行地图的绘制。涉及到数据融合、基于DGPS与高动态载体测姿IMU传感器的组合定位以及激光点云数据的降噪、聚类与目标匹配等数据清洗技术。

与传统电子地图不同，高精度地图的主要服务对象是无人驾驶车，或者说是机器驾驶员。高精度地图中包含大量的行车辅助信息，其中最重要的是对路网精确的三维表征(厘米级精度)。对于矿区而言，路面的几何结构，矿车运输道路的位置，周边道路环境的点云模型等，有了这些高精度的三维表征，无人驾驶车辆就可以通过比对车载GPS、IMU、LiDAR或摄像头数据来精确确认自己的当前位置。此外，高精度地图还能帮助无人车识别矿区内的石块、行人及未知障碍物，并且由于矿区作业区域会随着采挖工作的不断进行而改变，这些作用要求高精度地图要比传统地图有着更高的实时性。

和传统地图相似，高精地图也具有分层的数据结构。最底层是基于红外线雷达传感器所建立的精密二维网格。一般这个二维网格的精度保证在5×5厘米左右。可以行驶的路面、路面障碍物，以及路面在激光雷达下的反光强度都被存储于相应的网格当中。无人车在行驶的过程中，通过比对其红外线雷达搜集到的数据及其内存中的高精二维网格，就能确定车辆在路面的具体位置。除了底层的二维网格表征外，高精地图还包含很多有关路面的语义信息。城市道路中，在二维网格参照系的基础上，高精地图一般还包含道路标识线的位置及特征信息，以及相应的车道特征。由于车载传感器可能会因为恶劣天气、障碍物，以及其他车辆的遮挡不能可靠分析车道信息，高精地图中的车道信息特征能帮助无人车更准确可靠地识别道路标识线，并理解相邻车道之间是否可以安全并道。而在矿区道路中，车道线并不实际存在，基于激光点云和图像进行车道线检测的方法并不能满足矿区高精地图制作的需要。

高精度地图是无人驾驶的核心技术之一，由于矿区环境特殊，如何准确获取高精度地图，是推广和普及矿区无人驾驶的一大难题。此外，在矿区装卸载等特殊区域，道路环境随采掘和卸载工作进度经常发生变化，如果每次变化都需要重新派遣车辆采集和生成车道数据，这无疑将增大车道数据采集的难度和工作量。

现有高精地图制作技术多针对于城市道路，使用GPS、lidar等在二维网格参照系的基础上，包含道路标识线的位置及特征信息，以及相应的车道特征。由于车载传感器可能会因为恶劣天气、障碍物，以及其他车辆的遮挡不能可靠分析车道信息，所包含的车道信息特征能帮助无人车更准确可靠地识别道路标识线，并理解相邻车道之间是否可以安全并道。但是对于矿区应用场景，没有像公路或城市道路一样丰富的语义分割信息，大部分的道路label一致，但是地形却千差万别而且会随着采挖工作的不断进行而时刻改变。城市道路中可以通过速度进行车辆、行人的识别，但是在矿区行驶环境下不能简单的用动静目标识别来分离车辆、行人与地形障碍物。

现有技术中车道线提取方法在矿区应用不足，在矿区道路中，车道线并不实际存在，基于激光点云和图像进行车道线检测的方法并不能满足矿区高精地图制作的需要。同时由于矿区地处偏远、劳动强度大、运输战线长、采掘环境艰苦，提供一种面向矿区无人驾驶的高精地图制作方法十分重要。同时由于矿区占地面积大，需要处理的数据量十分庞大，使用传统的全连接层滤波聚类耗时较长，因此需要降低车道数据采集的难度和避免重复采集的工作量，制作出面向矿区无人驾驶的高精度地图。

发明内容

为了解决上述已有技术存在的不足，本发明提出一种面向矿区无人驾驶的高精地图制作方法，本发明的具体技术方案如下：

一种面向矿区无人驾驶的高精地图制作方法，其特征在于，在矿区道路采集车上安装多线激光雷达、DGPS定位装置和IMU定位装置，所述方法包括以下步骤：

S1：对多线激光雷达、DGPS定位装置和IMU定位装置进行参数标定以及坐标系统一，矿区道路采集车按照矿区车辆正常作业路径行驶，多线激光雷达沿路采集激光点云数据，DGPS定位装置和IMU定位装置沿路采集定位位置信息；

S2：生成车辆可行驶区域：

S2-1：点云拼接：利用DGPS定位装置和IMU定位装置获取的采集车的位置信息和姿态信息，以及多线激光雷达的内参和外参数进行点云拼接，具体地，通过DGPS定位装置获取采集车的位置参数，通过IMU定位装置测定采集车的姿态参数，再由多线激光雷达的外参、采集车位置参数和采集车姿态参数决定每一帧点云的变换矩阵，再将每一帧点云从各自的局部坐标转换到统一的通用横轴墨卡托投影坐标系即UTM坐标系下，获得多线激光雷达采集激光点云数据在三维空间的分布(X,Y,Z)，UTM坐标系横轴为X轴正方向，UTM坐标系纵轴为Y轴正方向，正常重力线向上为Z轴正方向；

S2-2：道路边界探测；

S2-2-1：基于K-近邻点云去噪算法，将点云数据中的异常值和噪声剔除，再用自适应标准差滤波器平滑和平均数据；

S2-2-2：计算每一扫描点周围临近点的高度标准差，选择标准差超过设定阈值的点作为道路边沿的候选点；

S2-2-3：对道路边沿的候选点采用DBSCAN算法进行聚类，将候选点聚为n个集合即{C₁，C₂，C₃，…，C_n}，n个集合中的任何两个集合C_i和C_j间的最近距离不小于设定阈值，其中，C_i和C_j之间的最近距离是指C_i中的任何一个点与C_j中的任何一个点的欧氏距离的最小值，再依据道路边沿呈现狭长形状的特点，计算每簇候选点中最远两点的欧氏距离，选择距离最大的那簇数据内的点进行道路边沿拟合；

S2-2-4：通过最小二乘法，从道路边沿候选点拟合得到道路边沿线，生成道路可行驶区域边界；

S3：利用DGPS定位装置和IMU定位装置获取采集车的行驶轨迹数据，包括经度信息、纬度信息及高程信息，对行驶轨迹数据进行异常点剔除和均值平滑处理后，得到车道中心参考线；

由于承载矿区无人驾驶运输的设备主要为不同类型的矿卡，选择载重和外形最大的矿卡作为目标矿卡，利用阿克曼原理计算目标矿卡沿车道中心参考线行驶时前后轮的运动轨迹，最后以目标矿卡前后轮运动轨迹的外沿加上车辆间安全行驶距离作为车道线边界，其中，车辆间安全行驶距离至少为车辆行驶横向控制精度的两倍；

S4：结合步骤S2得到的车辆可行驶区域对步骤S3得到的车道模型进行验证和优化，包括：验证车道线边界不超过道路可行驶区域边界；在道路可行驶区域边界约束下优化车道中心参考线；在道路可行驶区域边界约束下优化车道位置，使车道与道路边沿、车道与车道之间的安全距离更为合理。

本发明的有益效果在于：

1.针对矿区没有车道线标识、部分区域道路频繁变化的特殊场景，本发明实时采集处理多线激光雷达丰富的点云信息进行可行驶区域探测，并应用差分技术获得精度更高的GPS信息结合IMU传感信息计算得到车辆轨迹进而反向推导车道线，解决了矿区道路没有车道线的瓶颈。

2.针对矿区行驶路况多变进行自适应动态车道线数据优化，本发明通过不断迭代车道线数据参考点与采样点的坐标信息进行鲁棒性高、实时性强的车道线自动生成方法来制作面向矿区无人驾驶的高精度地图。

3.本发明依据车辆运动学特性自动优化车道线数据，自动规划生成路口过渡车道线数据以及装卸载特殊区域临时车道线数据，降低车道数据采集的难度和避免重复采集的工作量，制作出面向矿区无人驾驶的高精度地图。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：

图1是本发明的方法流程图；

图2是本发明的DBSCAN聚类算法筛选道路边沿候选点示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本发明将一台GPS接收机放在位置已精确测定的点上，组成基准台，接收GPS卫星信号，测得并计算出到卫星的伪距，将伪距和已知的精确距离相比较，求得该点在GPS系统中的伪距测量误差，再将这些误差作为修正值以标准数据格式通过播发台向周围空间播发。附近的DGPS用户接收到来自基准台的误差修正信息，以此来修正自身的GPS测量值，从而大大提高其定位精度。同时应用高动态载体测姿IMU定位装置综合获得车辆的行驶轨迹进而发推车道线，自动生成可行驶区域。

面向矿区，在高精度地图数据采集及绘制的基础上还需要考虑到矿区灰尘对视觉数据的影响以及维持昼夜连续作业鲁棒性等的技术因素，一方面使用DGPS定位装置和IMU定位装置获取高精地图采集车的行车轨迹，利用车辆行驶轨迹反向推导车道中心线和车道线，另一方面使用多线激光雷达得到激光点云，激光点云识别道路边界从而生成车辆可行驶区域，基于车辆可行驶区域和车辆运动学参数对反向推导的车道中心线和车道线进行数据优化，并进一步可以支持路口过渡车道线、装卸载特殊区域临时车道线的自动规划和生成。

具体地，一种面向矿区无人驾驶的高精地图制作方法，其特征在于，在矿区道路采集车上安装多线激光雷达、DGPS定位装置和IMU定位装置，所述方法包括以下步骤：

S1：对多线激光雷达、DGPS定位装置和IMU定位装置进行参数标定以及坐标系统一，矿区道路采集车按照矿区车辆正常作业路径行驶，多线激光雷达沿路采集激光点云数据，DGPS定位装置和IMU定位装置沿路采集定位位置信息；

S2：生成车辆可行驶区域：

S2-1：点云拼接：利用DGPS定位装置和IMU定位装置获取的采集车的位置信息和姿态信息，以及多线激光雷达的内参和外参数进行点云拼接，具体地，通过DGPS定位装置获取采集车的位置参数，通过IMU定位装置测定采集车的姿态参数，再由多线激光雷达的外参、采集车位置参数和采集车姿态参数决定每一帧点云的变换矩阵，再将每一帧点云从各自的局部坐标转换到统一的通用横轴墨卡托投影坐标系即UTM坐标系下，获得多线激光雷达采集激光点云数据在三维空间的分布(X,Y,Z)，UTM坐标系横轴为X轴正方向，UTM坐标系纵轴为Y轴正方向，正常重力线向上为Z轴正方向；

S2-2：道路边界探测；

S2-2-1：基于K-近邻点云去噪算法，将点云数据中的异常值和噪声剔除，再用自适应标准差滤波器平滑和平均数据；

S2-2-2：计算每一扫描点周围临近点的高度标准差，选择标准差超过设定阈值的点作为道路边沿的候选点；对于设定阈值，若设定太大，则导致探测不到道路边界，若设定太小，则导致路面上凹凸处的误探；

S2-2-3：对道路边沿的候选点采用DBSCAN算法进行聚类，将候选点聚为n个集合即{C₁，C₂，C₃，…，C_n}，n个集合中的任何两个集合C_i和C_j间的最近距离不小于设定阈值，其中，C_i和C_j之间的最近距离是指C_i中的任何一个点与C_j中的任何一个点的欧氏距离的最小值，再依据道路边沿呈现狭长形状的特点，计算每簇候选点中最远两点的欧氏距离，选择距离最大的那簇数据内的点进行道路边沿拟合；

S2-2-4：通过最小二乘法，从道路边沿候选点拟合得到道路边沿线，生成道路可行驶区域边界；

S3：利用DGPS定位装置和IMU定位装置获取采集车的行驶轨迹数据，包括经度信息、纬度信息及高程信息，对行驶轨迹数据进行异常点剔除和均值平滑处理后，得到车道中心参考线；

由于承载矿区无人驾驶运输的设备主要为不同类型的矿卡，选择载重和外形最大的矿卡作为目标矿卡，利用阿克曼原理计算目标矿卡沿车道中心参考线行驶时前后轮的运动轨迹，最后以目标矿卡前后轮运动轨迹的外沿加上车辆间安全行驶距离作为车道线边界，其中，车辆间安全行驶距离至少为车辆行驶横向控制精度的两倍；

S4：结合步骤S2得到的车辆可行驶区域对步骤S3得到的车道模型进行验证和优化，包括：验证车道线边界不超过道路可行驶区域边界；在道路可行驶区域边界约束下优化车道中心参考线；在道路可行驶区域边界约束下优化车道位置，使车道与道路边沿、车道与车道之间的安全距离更为合理。

综上，本发明采用多线激光雷达获取激光点云数据，进行畸变校正、地面分割后结合高精定位信息进行点云拼接，检测和识别矿区车辆可行驶区域边界范围；采集车辆运行轨迹，利用车辆运行轨迹计算车道中心线继而反向推导车道线；基于车辆运动学特性和可行驶区域边界检测结果，优化车道线数据、实现路口过渡车道线、装卸载特殊区域临时车道线的自动规划与生成。

本发明的方法能够降低矿区高精地图采集制作难度，提升矿区高精地图制作效率。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种面向矿区无人驾驶的高精地图制作方法，其特征在于，在矿区道路采集车上安装多线激光雷达、DGPS定位装置和IMU定位装置，所述方法包括以下步骤：

S1：对多线激光雷达、DGPS定位装置和IMU定位装置进行参数标定以及坐标系统一，矿区道路采集车按照矿区车辆正常作业路径行驶，多线激光雷达沿路采集激光点云数据，DGPS定位装置和IMU定位装置沿路分别采集位置参数和姿态参数；

S2：生成车辆可行驶区域：

S2-1：点云拼接：利用DGPS定位装置和IMU定位装置获取的采集车的位置信息和姿态信息，以及多线激光雷达的内参和外参数进行点云拼接，具体地，通过DGPS定位装置获取采集车的位置参数，通过IMU定位装置测定采集车的姿态参数，再由多线激光雷达的外参、采集车位置参数和采集车姿态参数决定每一帧点云的变换矩阵，再将每一帧点云从各自的局部坐标转换到统一的通用横轴墨卡托投影坐标系即UTM坐标系下，获得多线激光雷达采集激光点云数据在三维空间的分布(X,Y,Z)，UTM坐标系横轴为X轴正方向，UTM坐标系纵轴为Y轴正方向，正常重力线向上为Z轴正方向；

S2-2：道路边界探测；

S2-2-1：基于K-近邻点云去噪算法，将点云数据中的异常值和噪声剔除，再用自适应标准差滤波器平滑和平均数据；

S2-2-2：计算每一扫描点周围临近点的高度标准差，选择标准差超过设定阈值的点作为道路边沿的候选点；

S2-2-3：对道路边沿的候选点采用DBSCAN算法进行聚类，将候选点聚为n个集合即{C₁，C₂，C₃，…，C_n}，n个集合中的任何两个集合C_i和C_j间的最近距离不小于设定阈值，其中，C_i和C_j之间的最近距离是指C_i中的任何一个点与C_j中的任何一个点的欧氏距离的最小值，再依据道路边沿呈现狭长形状的特点，计算每簇候选点中最远两点的欧氏距离，选择距离最大的那簇数据内的点进行道路边沿拟合；

S2-2-4：通过最小二乘法，从道路边沿候选点拟合得到道路边沿线，生成道路可行驶区域边界；

S3：利用DGPS定位装置和IMU定位装置获取采集车的行驶轨迹数据，包括经度信息、纬度信息及高程信息，对行驶轨迹数据进行异常点剔除和均值平滑处理后，得到车道中心参考线；

由于承载矿区无人驾驶运输的设备主要为不同类型的矿卡，选择载重和外形最大的矿卡作为目标矿卡，利用阿克曼原理计算目标矿卡沿车道中心参考线行驶时前后轮的运动轨迹，最后以目标矿卡前后轮运动轨迹的外沿加上车辆间安全行驶距离作为车道线边界，其中，车辆间安全行驶距离至少为车辆行驶横向控制精度的两倍；

S4：结合步骤S2得到的车辆可行驶区域对步骤S3得到的车道模型进行验证和优化，包括：验证车道线边界不超过道路可行驶区域边界；在道路可行驶区域边界约束下优化车道中心参考线；在道路可行驶区域边界约束下优化车道位置，使车道与道路边沿、车道与车道之间的安全距离更为合理。

Images