CN111766608A - 一种基于激光雷达的环境感知系统 - Google Patents

Abstract

本发明公开了一种基于激光雷达的环境感知系统，包括激光雷达、自动驾驶汽车标定模块、地面点云提取模块、点云数据下采样模块和激光雷达数据点云聚类模块；本发明基于激光雷达的环境感知系统，可完成激光雷达数据与自动驾驶汽车之间的标定，能够使用稳定的旋转平移矩阵，其算法难度低，开发维护成本低，可实现激光雷达数据下采样，通过使用稳定的算法，本身算法具有很长的历史，充分的被各种实验证明其算法可靠性，并且其开发维护成本低。

Description

一种基于激光雷达的环境感知系统

技术领域

本发明涉及汽车工程技术领域，具体为一种基于激光雷达的环境感知系统。

背景技术

美国是对自动驾驶汽车研究最深入的国家，其对自动驾驶汽车的研究开始于二十世纪七八十年代，并从八十年代起就一直处于高速发展阶段，其中美国国防部的DAPAR计划极大的推动了自动驾驶汽车的发展，并获取一系列重大研究成果，国内自动驾驶汽车的研究起步于上世纪八十年代，其中包括国防科技大学、南京理工大学、清华大学等相继研究，直到2003年国防科技大学和第一汽车集团公司联合研制红旗车自动驾驶系统，标志着我国汽车自动驾驶技术已经达到了国际领先水平，现在自动驾驶行业的领先企业有百度的Apollo，Google的waymo，其自动驾驶方案是利用车载传感器来感知车辆周围环境，并根据感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安全、可靠地在道路上行驶，环境感知作为自动驾驶系统的“眼睛”，有着至关重要的作用。

目前自动驾驶技术环境感知的难题是在光照强烈的情况下，摄像头会产生镜头光斑，大阴影和其他不利的照明条件也会对感知产生不同的影响，例如，视觉系统可能会将大阴影混淆成其他物体的一部分，此外，可能需要在当前感知系统中添加不同的视觉提示(例如尾灯，反射道路标记等)或热成像(远红外)相机，以提高低光照条件或夜间的性能，即便如此，依然不能保证没有系统未检测和跟踪到的障碍，与此同时，大量远红外线摄像机检测和跟踪算法的计算效率不足以实时使用，其他感知系统试图通过依赖关于环境的先验信息来解决光条件问题，然而先验信息并非一成不变，如果一个新建的交通指示灯并没有录入先验信息，就会在自动驾驶车辆遇到它时造成麻烦，而利用激光雷达，以克服糟糕照明条件，这种传感器不需要外部光线，因此可以在光线不足和夜间探测障碍物，故其可以在不良照明条件下提供不同的优势以获得更好的结果，但在这方面，仍然需要进行广泛的研究来解决剩余的挑战。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于激光雷达的环境感知系统，通过将激光雷达收到的无序环境点云数据进行提取、识别和分割，将形成适用自动驾驶汽车的环境感知数据，便于自动驾驶汽车提取可行驶区域和周围物体的位置、姿态和运动情况。

(二)技术方案

本发明公开了一种基于激光雷达的环境感知系统，包括激光雷达、自动驾驶汽车标定模块、地面点云提取模块、点云数据下采样模块和激光雷达数据点云聚类模块；

所述地面点云提取模块采用最小二乘法进行处理；

所述点云数据下采样模块的体素网格下采样算法是根据点云数据创建一个小三维体素栅格,然后计算出需要划分的小立方栅格的边长L,根据L的大小将三维体素栅格分解成m×n×l个小栅格,栅格划分完毕后将点云数据放到相应的小栅格中,在每个小栅格中,将离小栅格重心最近的数据点保留下来,删除其余的数据点；

所述激光雷达数据点云聚类模块采用欧几里得聚类算法进行聚类。

更进一步，所述地面点云提取模块采用的最小二乘法，具体包括：

S1、对无序点云进行排序，选取距离车体最近的m个数据点，称为采样数据点；

S2、将采样点带入公式(1-1)，求出拟合平面方程的参数a、b、c。

aX+bY+c＝Z (1-1)

其中X表示每个点的x坐标矩阵，Y表示每个点y坐标矩阵，Z表示每个点z坐标矩阵；

S3、将点云中所有点的x、y、z坐标带入e＝aX+bY+c-Z中求出误差e，当e小于设置的阈值T时认为该点在平面上。

更进一步，所述点云数据下采样模块的体素网格下采样算法，具体包括以下步骤：

T1、确定小立方栅格的边长L的，在体素栅格中边长L的选取决定体素栅格的体积大小，从而决定了数据的采样率；

T2、将点云数据划分到小立方体栅格中。根据小立方体栅格的边长L，将点云数据划分为m×n×l个小立方体栅格，其中，m＝ceil(L_x/L)，n＝ceil(L_y/L)，l＝ceil(L_z/L)，ceil(x)为取整函数，表示不小于x的最小整数，对于任一点P，其所属的小立方体栅格号公式为(1-2)：

在整个栅格编码中，点P_i的栅格编码为

如果转换为一维编码的话，点P_i的栅格编码为公式(1-3)：

T3、根据公式(1-2)和(1-3)求出点云数据模型的每个数据点的栅格编码,且将编码放进哈希链表,建立点云数据间的空间拓扑关系；

T4、代表点的选取及下采样实现根据建立的点云空间拓扑关系对每个小三维栅格重心进行计算，其计算公式为(1-4)：

其中:g为小立方体栅格中点云数据个数，选取最靠近重心的数据点保留下来删除其他点，选取的点代表这个小立方体栅格所有数据点，实现点云下采样。

更进一步，所述激光雷达数据点云聚类模块采用的欧几里得聚类算法，具体包括以下步骤：

E1、为输入点云数据集P创建多维索引树；

E2、建立空聚类列表C,和一个点云队列Q，此队列是用于检查；

E3、之后对每一次点p_i∈P，执行以下步骤：

a1、把p_i添加到现有队列Q；

a2、对所有p_i∈Q的点做：

a3、搜寻p_i的相邻点

且

到p_i的距离＜阈值R_th

a4、对每个相邻

属于

如果此点未被处理且不在Q里，则添加到Q中，当Q中所有的点都被处理过且没有新点添加，将Q添加到C聚类中，并清空Q

E4、当所有p_i属于P都被处理过，则返回C聚类列表。

更进一步，所述激光雷达和电脑之间的数据是通过车内使用udp协议网络进行传输。

更进一步，所述激光雷达与自动驾驶汽车标定模块用于激光雷达坐标系与自动驾驶汽车坐标系之间保持平移变换，平移变换经过手工测量量出得到确定的变换矩阵。

(三)有益效果

本发明提供了一种基于激光雷达的环境感知系统。与现有技术相比具备以下有益效果：

(1)、该基于激光雷达的环境感知系统，可完成激光雷达数据与自动驾驶汽车之间的标定，能够使用稳定的旋转平移矩阵，其算法难度低，开发维护成本低。

(2)、该基于激光雷达的环境感知系统，可实现激光雷达数据下采样，通过使用稳定的算法，本身算法具有很长的历史，充分的被各种实验证明其算法可靠性，并且其开发维护成本低。

(3)、该基于激光雷达的环境感知系统，可实现激光雷达数据地面点云提取，其算法本身是对数据进行降噪和去冗余，大大的节约了本系统的计算资源。

(4)、该基于激光雷达的环境感知系统，可实现激光雷达数据点云聚类处理，应用优秀的数据处理技术，对无序大量点云数据建立特殊的索引结构，很大程度降低了算法的计算开销，并且创新性的使用了点云采样技术和地面提取技术作为聚类算法的预处理，进一步降低计算成本开销。

附图说明

图1为本发明实物安装方式示意图；

图2为本发明系统流程图；

图3为本发明自动驾驶汽车与激光雷达标定参数配置示意图；

图4为本发明激光雷达与车辆位置示意图；

图5为本发明激光雷达与汽车映射关系程序示意图；

图6为本发明地面点云提取参数配置示意图；

图7为本发明地面提取示意图；

图8为本发明激光雷达数据下采样参数配置示意图；

图9为本发明采样效果示意图；

图10为本发明物体检测参数配置示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-2所示，本发明实施例提供一种技术方案：一种基于激光雷达的环境感知系统，包括激光雷达、自动驾驶汽车和电脑，激光雷达与自动驾驶汽车进行刚性连接，为了获得更多前方道路信息，本文一般将激光雷达安装在车前方，激光雷达和电脑之间的数据是通过车内局域网进行传输，电脑是车载工控机安装在车后车箱中作为车载设备，并使用自动驾驶汽车电池充电，激光雷达和电脑之间的数据是通过车内使用udp协议网络进行传输，其保证了激光雷达数据传输的实时性，基于激光雷达的环境感知系统还包括激光雷达与自动驾驶汽车标定模块、地面点云提取模块、点云数据下采样模块和激光雷达数据点云聚类模块。

激光雷达与自动驾驶汽车标定模块用于激光雷达坐标系与自动驾驶汽车坐标系之间保持平移变换(特殊视角需要旋转)，平移变换经过手工测量量出得到确定的变换矩阵。

如图3所示，激光雷达通常安装在自动驾驶汽车的车顶部或者车前方来探测车辆周围的道路信息，所以由于机械安装的缘故激光雷达坐标系与自动驾驶汽车坐标系存在一定的俯仰、侧倾和偏转关系。但是由于在自动驾驶汽车的路径规划算法中是以车辆坐标系进行计算的，故需要将激光雷达数据转换到车体坐标系下，从而实现激光雷达与自动驾驶汽车之间坐标系的统一。

如图4-5所示，激光雷达与自动驾驶汽车车体连接，他们之间的相对位姿是固定不变的，所以激光雷达坐标系与自动驾驶汽车车体的坐标系可以通过旋转与平移关系得到，如公式(1-5)：

其中，[x_v y_v z_v]^T表示自动驾驶汽车坐标系下点的位置，[x_l y_l z_l]^T表示激光雷达坐标系下点的位置，R为3×3的旋转矩阵，t为平移量。R和t均可以通过人工测量获得，由于激光雷达的机械结构会在俯仰、侧倾、偏转三个方向存在一定的偏差，假设激光雷达设备俯仰角度为α、侧倾角度为β和偏转角度γ为作为旋转矩阵R的输入量，而对于平移向量t，使用[t_x t_y t_z]^T作为x轴、y轴和z轴上的偏移量。

如图6-7所示，地面点云提取模块是采用最小二乘法进行处理，地面点云提取模块采用的最小二乘法，具体包括以下步骤：

S1、对无序点云进行排序，选取距离车体最近的一百个数据点，称为采样数据点，采样数据点通常都是路面上的点(特殊情况下文提及)；

S2、将采样点带入公式(1-1)，求出拟合平面方程的参数a、b、c。

aX+bY+c＝Z (1-1)

其中X表示每个点的x坐标矩阵，Y表示每个点y坐标矩阵，Z表示每个点z坐标矩阵；

S3、将点云中所有点的x、y、z坐标带入e＝aX+bY+c-Z中求出误差e，当e小于设置的阈值T时认为该点在平面上。

如图8所示，点云数据下采样模块的体素网格下采样算法是根据点云数据创建一个小三维体素栅格，然后计算出需要划分的小立方栅格的边长L，根据L的大小将三维体素栅格分解成m×n×l个小栅格，栅格划分完毕后将点云数据放到相应的小栅格中，在每个小栅格中，将离小栅格重心最近的数据点保留下来，删除其余的数据点，该方法简单高效，容易实现，不需要建立复杂的拓扑结构，从整体上对点云数量进行简化，实现了简化点云，从而达到快速三维点云采样的目的，点云数据下采样模块的体素网格下采样算法，具体包括以下步骤：

T1、确定小立方栅格的边长L的，在体素栅格中边长L的选取决定体素栅格的体积大小，从而决定了数据的采样率；

T2、将点云数据划分到小立方体栅格中。根据小立方体栅格的边长L，将点云数据划分为m×n×l个小立方体栅格，其中，m＝ceil(L_x/L)，n＝ceil(L_y/L)，l＝ceil(L_z/L)，ceil(x)为取整函数，表示不小于x的最小整数，对于任一点P，其所属的小立方体栅格号公式为(1-2)：

在整个栅格编码中，点P_i的栅格编码为

如果转换为一维编码的话，点P_i的栅格编码为公式(1-3)：

T3、根据公式(1-2)和(1-3)求出点云数据模型的每个数据点的栅格编码,且将编码放进哈希链表,建立点云数据间的空间拓扑关系；

T4、代表点的选取及下采样实现根据建立的点云空间拓扑关系对每个小三维栅格重心进行计算，其计算公式为(1-4)：

其中:g为小立方体栅格中点云数据个数，选取最靠近重心的数据点保留下来删除其他点，选取的点代表这个小立方体栅格所有数据点，实现点云下采样。

激光雷达数据点云聚类模块是采用欧几里得聚类算法进行处理，激光雷达数据点云聚类模块采用的欧几里得聚类算法，具体包括以下步骤：

E1、为输入点云数据集P创建多维索引树；

E2、建立空聚类列表C,和一个点云队列Q，此队列是用于检查；

E3、之后对每一次点p_i∈P，执行以下步骤：

a1、把p_i添加到现有队列Q；

a2、对所有p_i∈Q的点做：

a3、搜寻p_i的相邻点

且

到p_i的距离＜阈值R_th

a4、对每个相邻

属于

如果此点未被处理且不在Q里，则添加到Q中，当Q中所有的点都被处理过且没有新点添加，将Q添加到C聚类中，并清空Q

E4、当所有p_i属于P都被处理过，则返回C聚类列表。

具体实施步骤：

P1、自动驾驶汽车与激光雷达标定：首先安装并测量激光雷达与自动驾驶汽车的相对位置与姿态。经过测量的出，激光雷达距离车重心y轴偏移0cm，x轴偏移2.8m，z轴偏移0.5m，并且激光雷达与自动驾驶汽车无姿态偏移，故设置参数，如图3所示，经过标定后得到激光雷达和自动驾驶汽车的位置关系，使用模型显示如图4所示，激光雷达与自动驾驶汽车的具体关系如图5；

P2、地面点云提取：将激光雷达数据作为话题输入，程序会通过上文提到的算法进行地面点云的提取，配置参数如图6，具体效果如图7所示；

P3、激光雷达数据下采样：启将非地面点云作为话题输入，进行下采样，参数如图8，采样效果如图9所示；

P4、物体检测：物体检测算法将采样过滤地面后进行采样的点云作为输入，其中参数配置如图10，将聚类后的物体计算其重心，并得到与车的距离。

综上，本发明可完成激光雷达数据与自动驾驶汽车之间的标定，能够使用稳定的旋转平移矩阵，其算法难度低，开发维护成本低，可实现激光雷达数据下采样，通过使用稳定的算法，本身算法具有很长的历史，充分的被各种实验证明其算法可靠性，并且其开发维护成本低，可实现激光雷达数据地面点云提取，其算法本身是对数据进行降噪和去冗余，大大的节约了本系统的计算资源，可实现激光雷达数据点云聚类处理，应用优秀的数据处理技术，对无序大量点云数据建立特殊的索引结构，很大程度降低了算法的计算开销，并且创新性的使用了点云采样技术和地面提取技术作为聚类算法的预处理，进一步降低计算成本开销。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (6)

1.一种基于激光雷达的环境感知系统，其特征在于：包括激光雷达、自动驾驶汽车标定模块、地面点云提取模块、点云数据下采样模块和激光雷达数据点云聚类模块；

所述地面点云提取模块采用最小二乘法进行处理；

所述点云数据下采样模块的体素网格下采样算法是根据点云数据创建一个小三维体素栅格,然后计算出需要划分的小立方栅格的边长L,根据L的大小将三维体素栅格分解成m×n×l个小栅格,栅格划分完毕后将点云数据放到相应的小栅格中,在每个小栅格中,将离小栅格重心最近的数据点保留下来,删除其余的数据点；

所述激光雷达数据点云聚类模块采用欧几里得聚类算法进行聚类。

2.根据权利要求1所述的基于激光雷达的环境感知系统，其特征在于：所述地面点云提取模块采用的最小二乘法，具体包括：

S1、对无序点云进行排序，选取距离车体最近的m个数据点，称为采样数据点；

S2、将采样点带入公式(1-1)，求出拟合平面方程的参数a、b、c；

aX+bY+c＝Z (1-1)

其中X表示每个点的x坐标矩阵，Y表示每个点y坐标矩阵，Z表示每个点z坐标矩阵；

S3、将点云中所有点的x、y、z坐标带入e＝aX+bY+c-Z中求出误差e，当e小于设置的阈值T时认为该点在平面上。

3.根据权利要求1所述的一种基于激光雷达的环境感知系统，其特征在于：所述点云数据下采样模块的体素网格下采样算法，具体包括以下步骤：

T1、确定小立方栅格的边长L的，在体素栅格中边长L的选取决定体素栅格的体积大小，从而决定了数据的采样率；

T2、将点云数据划分到小立方体栅格中；根据小立方体栅格的边长L,将点云数据划分为m×n×l个小立方体栅格,其中,m＝ceil(L_x/L),n＝ceil(L_y/L),l＝ceil(L_z/L)，ceil(x)为取整函数,表示不小于x的最小整数，对于任一点P,其所属的小立方体栅格号公式为(1-2)：

在整个栅格编码中,点P_i的栅格编码为

如果转换为一维编码的话,点P_i的栅格编码为公式(1-3):

T3、根据公式(1-2)和(1-3)求出点云数据模型的每个数据点的栅格编码,且将编码放进哈希链表,建立点云数据间的空间拓扑关系；

T4、代表点的选取及下采样实现根据建立的点云空间拓扑关系对每个小三维栅格重心进行计算，其计算公式为(1-4)：

其中:g为小立方体栅格中点云数据个数，选取最靠近重心的数据点保留下来删除其他点，选取的点代表这个小立方体栅格所有数据点，实现点云下采样。

4.根据权利要求1所述的一种基于激光雷达的环境感知系统，其特征在于：所述激光雷达数据点云聚类模块采用的欧几里得聚类算法，具体包括以下步骤：

E1、为输入点云数据集P创建多维索引树；

E2、建立空聚类列表C,和一个点云队列Q，此队列是用于检查；

E3、之后对每一次点p_i∈P，执行以下步骤：

a1、把p_i添加到现有队列Q；

a2、对所有p_i∈Q的点做：

a3、搜寻p_i的相邻点

且

到p_i的距离＜阈值R_th

a4、对每个相邻

属于

如果此点未被处理且不在Q里，则添加到Q中，当Q中所有的点都被处理过且没有新点添加，将Q添加到C聚类中，并清空Q

E4、当所有p_i属于P都被处理过，则返回C聚类列表。

5.根据权利要求1所述的基于激光雷达的环境感知系统，其特征在于：所述激光雷达和电脑之间的数据是通过车内使用udp协议网络进行传输。

6.根据权利要求1所述的基于激光雷达的环境感知系统，其特征在于：所述激光雷达与自动驾驶汽车标定模块用于激光雷达坐标系与自动驾驶汽车坐标系之间保持平移变换，平移变换经过手工测量量出得到确定的变换矩阵。

Images