CN112801022B - 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 - Google Patents

一种无人驾驶矿卡作业区道路边界快速检测更新的方法 Download PDF

Info

Publication number
CN112801022B
CN112801022B CN202110175951.2A CN202110175951A CN112801022B CN 112801022 B CN112801022 B CN 112801022B CN 202110175951 A CN202110175951 A CN 202110175951A CN 112801022 B CN112801022 B CN 112801022B
Authority
CN
China
Prior art keywords
point
points
cluster
boundary
surrounding
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
CN202110175951.2A
Other languages
English (en)
Other versions
CN112801022A (zh
Inventor
游昌斌
艾云峰
丁国徐
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.)
Qingdao Vehicle Intelligence Pioneers Inc
Original Assignee
Qingdao Vehicle Intelligence Pioneers Inc
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 Qingdao Vehicle Intelligence Pioneers Inc filed Critical Qingdao Vehicle Intelligence Pioneers Inc
Priority to CN202110175951.2A priority Critical patent/CN112801022B/zh
Publication of CN112801022A publication Critical patent/CN112801022A/zh
Application granted granted Critical
Publication of CN112801022B publication Critical patent/CN112801022B/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
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种无人驾驶矿卡作业区道路边界快速检测更新的方法，车辆沿着需要采集的道路边界行驶，实时获取前向64线点云，进行单帧边界检测，然后确定该帧边界候选点，最后按照车辆行车时间顺序保存候选边界点，得到作业区完整道路边界；单帧边界检测包括如下步骤：基于梯度滤波的地面与非地面点云区分；将非地面点云进行基于连通域的聚类及过滤，得到聚类集合；对聚类集合中的各个聚类进行凸包围点提取；利用凸包围点进行凹包围点的提取及连接，得到各个聚类的边缘包围点云；利用各个聚类的边缘包围点云构建极图栅格，并对栅格进行阈值过滤，得到道路边界点云。本发明所公开的方法能够精确快速检测道路边界点，提高检测准确率。

Description

一种无人驾驶矿卡作业区道路边界快速检测更新的方法
技术领域
本发明涉及一种道路边界检测方法，特别涉及一种无人驾驶矿卡作业区道路边界快速检测更新的方法。
背景技术
在自动驾驶领域，作为起基础性作用的环境感知技术，不管是在工业界还是学术界都越来越被重视。而道路边界作为道路最简洁的拓扑结构，其检测技术是环境感知中最重要的部分之一。利用道路边界可以区分出道路和非道路区域，不仅能为自动驾驶车辆提供安全可靠的可行驶道路，还可以大大缩小车辆判断障碍物的有效范围，提高行车避障准确率。
道路边界检测主要应用在两类场景：结构化道路和非结构化道路。结构化道路通常指城市道路这类以垂直马路牙子为显著边界位置，而非结构化道路则通常没有明显边界，例如乡村的泥泞道路以及矿上作业区里两侧以土墙为主的道路。不同于结构化道路，它的边界信息很明显，可以根据先验信息设计有效特征进行提取，非结构化道路的环境复杂，道路凹凸不平，道路边界变化多样，难以采用类似处理结构化道路的方法进行检测，其特殊性也为其边界的检测增加了很大的难点与挑战。
专利CN102270301A公开了一种SVM与激光雷达结合检测非结构化道路边界的方法，将64线激光点云转化为二维栅格数据，采用腐蚀膨胀操作来保证障碍物数据整体轮廓不变，接着求取各障碍物的轮廓并得到质心，根据质心使用k均值分类左右两侧障碍物，最后基于训练好的SVM分类器得到道路边界直线段。该方法将点云转为二维栅格处理，得到的边界不够平滑，且不能排除一些非边界障碍物从而导致误检。
专利CN108062517A公开了一种基于车载激光点云的非结构化道路边界线自动提取方法，首先将各扫描线分割开并分别构建近邻拓扑网，然后基于高程差和粗糙度的衡量方式，采用移动窗口法获取地面点，接着根据k近邻聚类方法对地面点进行聚类并进行伪地面点去除，并以外轮廓点作为道路边界所在位置，再通过聚类分为左右两侧轮廓点集，最后将轮廓点连接成线得到最终边界线。该方法以地面点的外轮廓点作为道路边界，但对于空阔平坦道路实际就不存在边界，因此，其不能完全正确描述各类场景的实际边界。
同时这两类方法都只能应对含左右两侧边界车道，无法应对矿区这种更为复杂多变环境所以，针对矿区作业区这种场景，如何在保证准确的前提下，实现其道路边界的快速检测更新是具有价值和挑战的研究议题。
发明内容
为解决上述技术问题，本发明提供了一种无人驾驶矿卡作业区道路边界快速检测更新的方法，以达到精确快速检测道路边界点，提高检测准确率的目的。
为达到上述目的，本发明的技术方案如下：
一种无人驾驶矿卡作业区道路边界快速检测更新的方法，车辆沿着需要采集的道路边界行驶，实时获取前向64线点云，进行单帧边界检测，然后确定该帧边界候选点，最后按照车辆行车时间顺序保存候选边界点，得到作业区完整道路边界；
其中，单帧边界检测包括如下步骤：
步骤一，基于梯度滤波的地面与非地面点云区分；
步骤二：将非地面点云进行基于连通域的聚类，然后进行聚类过滤，得到聚类集合；
步骤三：对聚类集合中的各个聚类进行凸包围点提取；
步骤四：利用凸包围点进行凹包围点的提取及连接，得到各个聚类的边缘包围点云；
步骤五：利用各个聚类的边缘包围点云构建极图栅格，并对栅格进行阈值过滤，得到道路边界点云。
上述方案中，边界候选点的确定包括如下步骤：
步骤1：行驶轨迹边界区域段确定：
(1)将实时帧的车辆坐标系xy平面下的原始点(0，0)作为当前车辆轨迹点，根据当前车辆坐标系与世界坐标系的转换关系，将实时轨迹点坐标转换到世界坐标系下，并保存；
(2)完成当前的单帧边界检测后，将保存的上一帧轨迹点D与当前帧轨迹点A坐标从世界坐标系转换到当前的车辆坐标系下，在车辆右侧一定距离处找到与AD轨迹点对应的两点BC，构成矩形框，即为轨迹边界区域段；
步骤2：候选点选取：
遍历当前帧边界点，找到位于矩形框ABCD内的点，根据找到的内点集合，计算这些点的质心点作为当前帧的边界候选点，最后将该候选点坐标再转回世界坐标系。
上述方案中，所述步骤一具体包括如下过程：
(1)点云过滤：输入实时点云oriCloud，根据xyz各个方向设置的感兴趣区域范围进行过滤，同时根据车长宽参数对点云中扫到的自身点进行过滤去除，得到cleanCloud；
(2)点云下采样：使用体素滤波器，通过输入的点云cleanCloud创建一个三维体素栅格，然后用每个体素的重心来近似表达体素中的其它点，得到filterCloud；
(3)梯度计算：对filterCloud进行八叉树的构建，对点P，进行基于半径的近邻搜索，得到邻域点集Pi(i＝1，...，k)，并计算点P的梯度值
Figure BDA0002939818170000031
Figure BDA0002939818170000032
其中，f(Fi)表示Fi的高度值zi；
(4)梯度扩散：将步骤(3)中计算的filterCloud各个点的梯度值赋值给步骤(2)中该点所对应的体素内的所有点，最终cleanCloud每个点都有对应梯度值；
(5)阈值区分：遍历cleanCloud的所有点，若梯度值大于设定的阈值gradThod，则为非地面点，否则为地面点，得到地面点云gdCloud和非地面点云ngdCloud。
上述方案中，所述步骤二具体包括如下过程：
(1)将非地面点云投影到xy平面进行栅格化；
(2)将不含点的栅格单元初始化为Tag＝0，含点的栅格单元初始化Tag＝1；
(3)针对Tag＝1的栅格，采用八连通邻域回溯算法进行聚类，同一聚类栅格打上Tag，Tag从2开始，并依次增加，直到所有栅格访问结束；
(4)计算各聚类的x和y方向上的长度，根据设置的聚类点数阈值numThod以及x和y的长度阈值xSizeThod及ySizeThod进行小聚类的去除，得到聚类集合Clusters；
(5)选择长度和宽度都小于20m的聚类，进行特征提取，然后利用训练好的随机森林模型进行二分类，区分该聚类为挡墙或其他物体，将非挡墙的聚类去除，得到最终的聚类集合filterClusters。
上述方案中，所述步骤三具体包括如下过程：
(1)对聚类集合进行主成成分分析，同时计算该聚类点云的质心坐标(xc，yc，zc)；将该聚类点云旋转到以质心(xc，yc，zc)为坐标原点，三个互相垂直的特征向量为坐标轴的坐标下，得到旋转后的点云transCloud；
(2)将旋转后的点云transCloud投影到yz平面下，进行凸包围点查找，步骤如下：
a、找到离散点中，保证z坐标最大的情况下，y坐标最小的点，记做A点；
b、以A点为原点，y轴正方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做B点；
c、以B点为原点，AB方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做C点；
d、以C点为原点，BC方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做D点；
e、以此类推，直到找到起始点A，得到凸包围点的索引convexIndice。
上述方案中，所述步骤四具体包括如下过程：
(1)凹包围点的提取：
a、选择一组凸包围点对，同时人为给定挖掘水平N以及距离阈值lenThod；
b、计算选择的凸包围点对间的距离len，若len＜lenThod，则跳过，选取下一组点对，否则进行下一步；
c、确定距离凸包边最近的内点，计算最近内点与边缘点之间的最短距离，该距离称为决策距离desDis；
d、如果len/desDis＞N，则执行挖掘过程，否则跳过；
e、重复步骤a-d，直到没有可挖掘的内点，得到凹包围点集
Figure BDA0002939818170000042
；
(2)凹包围点的高度平滑：
根据步骤三中的质心高度，在凹包围点集
Figure BDA0002939818170000041
中选择高度小于该质心高度的凹点进行平滑，若某凹点pi高度值均大于前后相邻两点pi-1，pi+1的高度值，且差值大于0.2m以上，则对该凹点pi高度进行平滑，新的高度值为pi-1，pi+1两点高度平均值；
(3)包围点对间的连接：
按点顺序对每个凹点对间进行空间线性插值，最终得到各个聚类的边缘包围点云edgeCloud。
上述方案中，所述步骤五具体包括如下过程：
(1)初步过滤：计算各聚类的边缘包围点云的质心，以该质心高度对边缘点进行上下区分，得到低处边缘lowEdgeCloud；
(2)对各聚类构建极图栅格：
a、确定极图原点，对各聚类的边缘包围点云进行PCA分析，以特征值第二大的特征向量为移动方向，确定在xy平面上与质心点的欧式距离在100m处的点，得到位于质心两端的两点，选择更靠近原始点(0，0)的作为极图原点；
b、点云极图栅格化，以L为极图原点，将lowEdgeCloud点划分到360个segments中，每个segment为1°；
(3)高度阈值选取：对每个含点的segment，选取高度最低的点作为该segment的临界高度，对这些segment的临界高度进行中值平滑，得到最终的高度阈值；
(4)阈值过滤：遍历各个segment的点，根据对应的高度阈值进行过滤，最终得到的点集就是需要的道路边界点云curbCloud。
通过上述技术方案，本发明提供的一种无人驾驶矿卡作业区道路边界快速检测更新的方法具有如下有益效果：
(1)本发明针对矿区作业区这种以挡土墙为道路路段边界的非结构化场景，先采用梯度滤波的方法进行区分出非地面点，再结合连通域聚类完成分割，快速且有效地将提取分割出边界需要的挡土墙，最后基于训练好的随机森林二分类模型将可能存在的障碍物聚类(矿车等)进行识别并过滤，避免了由于这类障碍物导致的边界误检的情况发生。
(2)本发明针对矿区道路挡土墙形态多样性，使用对不同挡土墙聚类块进行凸点及凹点的提取并连接作为可能的边界点集，有效解决了基于特征方式的边界提取困难性。
(3)本发明巧妙地利用PCA方法选取极图的原点，保证了构建的极图栅格能够合理地覆盖凹点集，采用各极图栅格选取高度阈值的方式对挡土墙的凹点集合进行过滤，避免了选择固定单一阈值进行过滤导致的最终边界不准确的问题。
(4)本发明采用沿着需要采集的道路边界行驶的方式，实时提取每一帧的边界并确定该帧边界候选点，最后按照矿车行车时间顺序保存候选边界点得到作业区完整道路边界，实现了矿上作业区超长段道路边界的快速采集更新，且满足了边界点按空间顺序排序的要求。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的一种无人驾驶矿卡作业区道路边界快速检测更新的方法流程示意图；
图2为本发明的单帧边界检测流程图；
图3a为将非地面点云ngdCloud投影到xy平面进行栅格化后的图；
图3b为初始化后的栅格图；
图3c为连通域聚类的后栅格图；
图3d为过滤后的聚类集合；
图4为使用随机森林对聚类进行二分类流程图；
图5a为凸包围点提取时B点的查找图；
图5b为凸包围点提取时C点的查找图；
图5c为凸包围点提取时D点的查找图；
图5d为凸包围点提取D索引图；
图6为凸包围点示意图；
图7a为凹包围点的提取时，内点与边缘点的位置图；
图7b为挖掘的内点图；
图8a为计算各聚类edgeCloud的质心图；
图8b为得到的低处边缘lowEdgeCloud图；
图9a为对聚类edgeCloud进行PCA分析的图；
图9b为确定的极图原点示意图；
图10为点云极图栅格化图；
图11为得到的道路边界点云curbCloud图；
图12为确定当前帧候选点示意图。
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。
本发明提供了一种无人驾驶矿卡作业区道路边界快速检测更新的方法，如图1所示，车辆沿着需要采集的道路边界行驶，实时获取前向64线点云，进行单帧边界检测，然后确定该帧边界候选点，最后按照车辆行车时间顺序保存候选边界点，得到作业区完整道路边界。
其中，如图2所示，单帧边界检测包括如下步骤：
步骤一，基于梯度滤波的地面与非地面点云区分；
(1)点云过滤：输入实时点云oriCloud，根据xyz各个方向设置的感兴趣区域范围进行过滤，同时根据车长宽参数对点云中扫到的自身点进行过滤去除，得到cleanCloud；
(2)点云下采样：使用体素滤波器，通过输入的点云cleanCloud创建一个三维体素栅格，然后用每个体素的重心来近似表达体素中的其它点，得到filterCloud；
(3)梯度计算：对filterCloud进行八叉树的构建，对点P，进行基于半径的近邻搜索，得到邻域点集Pi(i＝1，...，k)，并计算点P的梯度值
Figure BDA0002939818170000071
Figure BDA0002939818170000072
其中，f(Pi)表示Pi的高度值zi；
(4)梯度扩散：将步骤(3)中计算的filterCloud各个点的梯度值赋值给步骤(2)中该点所对应的体素内的所有点，最终cleanCloud每个点都有对应梯度值；
(5)阈值区分：遍历cleanCloud的所有点，若梯度值大于设定的阈值gradThod，则为非地面点，否则为地面点，得到地面点云gdCloud和非地面点云ngdCloud。
步骤二：将非地面点云进行基于连通域的聚类，然后进行聚类过滤，得到聚类集合；
(1)将非地面点云ngdCloud投影到xy平面进行栅格化，如图3a所示；
(2)将不含点的栅格单元初始化为Tag＝0，含点的栅格单元初始化Tag＝1，如图3b所示；
(3)针对Tag＝1的栅格，采用八连通邻域回溯算法进行聚类，同一聚类栅格打上Tag，Tag从2开始，并依次增加，直到所有栅格访问结束，如图3c所示；
(4)计算各聚类的x和y方向上的长度，根据设置的聚类点数阈值numThod以及x和y的长度阈值xSizeThod及ySizeThod进行小聚类的去除，得到聚类集合Clusters，如图3d所示；
(5)选择长度和宽度都小于20m的聚类，进行特征提取，特征包括了：几何尺寸、强度、不变炬、线性面性离散性以及ESF描述子等共655维。然后利用训练好的随机森林模型进行二分类，如图4所示。区分该聚类为挡墙或其他物体，将非挡墙的聚类去除，得到最终的聚类集合filterClusters。
步骤三：对聚类集合中的各个聚类进行凸包围点提取；
(1)对聚类集合filterClusters进行主成成分分析，同时计算该聚类点云的质心坐标(xc，yc，zc)；将该聚类点云旋转到以质心(xc，yc，zc)为坐标原点，三个互相垂直的特征向量为坐标轴的坐标下，得到旋转后的点云transCloud；
(2)将旋转后的点云transCloud投影到yz平面下，进行凸包围点查找，步骤如下：
a、找到离散点中，保证z坐标最大的情况下，y坐标最小的点，记做A点；
b、以A点为原点，y轴正方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做B点，如图5a所示；
c、以B点为原点，AB方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做C点，如图5b所示；
d、以C点为原点，BC方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做D点，如图5c所示；
e、以此类推，直到找到起始点A，得到凸包围点的索引convexIndice，如图5d所示。
步骤四：利用凸包围点进行凹包围点的提取及连接，得到各个聚类的边缘包围点云；
(1)凹包围点的提取：
a、从图6的凸包围点对AB、BC、CD、DE、EF、FG、GA中选择一组凸包围点对AB，同时人为给定挖掘水平N以及距离阈值lenThod；
b、计算选择的凸包围点对间的距离len，若len＜lenThod，则跳过，选取下一组点对，否则进行下一步；
c、确定距离凸包边最近的内点，计算最近内点与边缘点之间的最短距离(S到A的距离)，如图7a所示，该距离称为决策距离desDis；
d、如果len/desDis＞N，则执行挖掘过程，如图7b所示，否则跳过；
e、重复步骤a-d，直到没有可挖掘的内点，得到凹包围点集
Figure BDA0002939818170000081
(2)凹包围点的高度平滑：
根据步骤三中的质心高度，在凹包围点集
Figure BDA0002939818170000082
中选择高度小于该质心高度的凹点进行平滑，若某凹点pi高度值均大于前后相邻两点pi-1，pi+1的高度值，且差值大于0.2m以上，则对该凹点pi高度进行平滑，新的高度值为pi-1，pi+1两点高度平均值；
(3)包围点对间的连接：
按点顺序对每个凹点对间进行空间线性插值，最终得到各个聚类的边缘包围点云edgeCloud。
步骤五：利用各个聚类的边缘包围点云构建极图栅格，并对栅格进行阈值过滤，得到道路边界点云。
(1)初步过滤：计算各聚类的边缘包围点云edgeCloud的质心，如图8a所示，(图示为投影到yz平面的结果)以该质心高度对边缘点进行上下区分，得到低处边缘lowEdgeCloud，如图8b所示(图示为投影到yz平面的结果)；
(2)对各聚类构建极图栅格：
a、确定极图原点，对各聚类的边缘包围点云edgeCloud进行PCA分析，如图9a所示，以特征值第二大的特征向量为移动方向，确定在xy平面上与质心点的欧式距离在100m处的点，得到位于质心两端的两点，选择更靠近原始点(0，0)的作为极图原点，如图9b中的L；
b、点云极图栅格化，以L为极图原点，将lowEdgeCloud点划分到360个segments中，每个segment为1°，如图10所示；
(3)高度阈值选取：对每个含点的segment，选取高度最低的点作为该segment的临界高度，对这些segment的临界高度进行中值平滑，得到最终的高度阈值；
(4)阈值过滤：遍历各个segment的点，根据对应的高度阈值进行过滤，最终得到的点集就是需要的道路边界点云curbCloud，如图11所示。
其中，边界候选点的确定包括如下步骤：
步骤1：行驶轨迹边界区域段确定：
(1)将实时帧的车辆坐标系xy平面下的原始点(0，0)作为当前车辆轨迹点，根据当前车辆坐标系与世界坐标系的转换关系，将实时轨迹点坐标转换到世界坐标系下，并保存；
(2)完成当前的单帧边界检测后，将保存的上一帧轨迹点D与当前帧轨迹点A坐标从世界坐标系转换到当前的车辆坐标系下，在车辆右侧40m远处找到与AD轨迹点对应的两点BC，构成矩形框，即为轨迹边界区域段；
步骤2：候选点选取：
(1)遍历当前帧边界点，找到位于矩形框ABCD内的点，如图12所示，例如，判断一个点，如图12中的E点是否在线段AB的一边上，可以利用叉乘的方向性，来判断夹角是否超过了180°。即只要判断
Figure BDA0002939818170000091
就说明E在AB，CD中间夹着，同理，计算另两边DA和BC就可以了。因此判断点E是否位于矩形ABCD内，只要满足下述公式即可：
Figure BDA0002939818170000092
最后确定了所有的内点EFG。
(2)根据找到的内点集合，计算这些点的质心点作为当前帧的边界候选点，最后将该候选点坐标再转回世界坐标系。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (7)

1.一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，车辆沿着需要采集的道路边界行驶，实时获取前向64线点云，进行单帧边界检测，然后确定该帧边界候选点，最后按照车辆行车时间顺序保存候选边界点，得到作业区完整道路边界；
其中，单帧边界检测包括如下步骤：
步骤一，基于梯度滤波的地面与非地面点云区分；
步骤二：将非地面点云进行基于连通域的聚类，然后进行聚类过滤，得到聚类集合；
步骤三：对聚类集合中的各个聚类进行凸包围点提取；
步骤四：利用凸包围点进行凹包围点的提取及连接，得到各个聚类的边缘包围点云；
步骤五：利用各个聚类的边缘包围点云构建极图栅格，并对栅格进行阈值过滤，得到道路边界点云，其中，构建极图栅格包括：
a、确定极图原点，对各聚类的边缘包围点云进行PCA分析，以特征值第二大的特征向量为移动方向，确定在xy平面上与质心点的欧式距离在100m处的点，得到位于质心两端的两点，选择更靠近原始点(0,0)的作为极图原点；
b、点云极图栅格化，以L为极图原点，将lowEdgeCloud点划分到360个segments中，每个segment为1°；
所述步骤一具体包括如下过程：
(1)点云过滤：输入实时点云oriCloud，根据xyz各个方向设置的感兴趣区域范围进行过滤，同时根据车长宽参数对点云中扫到的自身点进行过滤去除，得到cleanCloud；
(2)点云下采样：使用体素滤波器，通过输入的点云cleanCloud创建一个三维体素栅格，然后用每个体素的重心来近似表达体素中的其它点，得到filterCloud；
(3)梯度计算：对filterCloud进行八叉树的构建，对点P，进行基于半径的近邻搜索，得到邻域点集Pi，i＝1,...,k，并计算点P的梯度值
Figure FDA0004025255330000011
(4)梯度扩散：将步骤(3)中计算的filterCloud各个点的梯度值赋值给步骤(2)中该点所对应的体素内的所有点,最终cleanCloud每个点都有对应梯度值；
(5)阈值区分：遍历cleanCloud的所有点，若梯度值大于设定的阈值gradThod，则为非地面点，否则为地面点，得到地面点云gdCloud和非地面点云ngdCloud。
2.根据权利要求1所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，边界候选点的确定包括如下步骤：
步骤1：行驶轨迹边界区域段确定：
(1)将实时帧的车辆坐标系xy平面下的原始点(0,0)作为当前车辆轨迹点，根据当前车辆坐标系与世界坐标系的转换关系，将实时轨迹点坐标转换到世界坐标系下，并保存；
(2)完成当前的单帧边界检测后，将保存的上一帧轨迹点D与当前帧轨迹点A坐标从世界坐标系转换到当前的车辆坐标系下，在车辆右侧一定距离处找到与AD轨迹点对应的两点BC，构成矩形框，即为轨迹边界区域段；
步骤2：候选点选取：
遍历当前帧边界点，找到位于矩形框ABCD内的点，根据找到的内点集合，计算这些点的质心点作为当前帧的边界候选点，最后将该候选点坐标再转回世界坐标系。
3.根据权利要求1所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，所述点P的梯度值
Figure FDA0004025255330000021
计算如下：
Figure FDA0004025255330000022
其中，f(Pi)表示Pi的高度值zi。
4.根据权利要求1所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，所述步骤二具体包括如下过程：
(1)将非地面点云投影到xy平面进行栅格化；
(2)将不含点的栅格单元初始化为Tag＝0，含点的栅格单元初始化Tag＝1；
(3)针对Tag＝1的栅格，采用八连通邻域回溯算法进行聚类，同一聚类栅格打上Tag，Tag从2开始，并依次增加，直到所有栅格访问结束；
(4)计算各聚类的x和y方向上的长度，根据设置的聚类点数阈值numThod以及x和y的长度阈值xSizeThod及ySizeThod进行小聚类的去除，得到聚类集合Clusters；
(5)选择长度和宽度都小于20m的聚类，进行特征提取，然后利用训练好的随机森林模型进行二分类，区分该聚类为挡墙或其他物体，将非挡墙的聚类去除，得到最终的聚类集合filterClusters。
5.根据权利要求1所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，所述步骤三具体包括如下过程：
(1)对聚类集合进行主成成分分析，同时计算该聚类点云的质心坐标(xc,yc,zc)；将该聚类点云旋转到以质心(xc,yc,zc)为坐标原点，三个互相垂直的特征向量为坐标轴的坐标下，得到旋转后的点云transCloud；
(2)将旋转后的点云transCloud投影到yz平面下，进行凸包围点查找，步骤如下：
a、找到离散点中，保证z坐标最大的情况下，y坐标最小的点，记做A点；
b、以A点为原点，y轴正方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做B点；
c、以B点为原点，AB方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做C点；
d、以C点为原点，BC方向射线顺时针扫描，找到旋转角最小时扫描到的点，记做D点；
e、以此类推，直到找到起始点A，得到凸包围点的索引convexIndice。
6.根据权利要求5所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，所述步骤四具体包括如下过程：
(1)凹包围点的提取：
a、选择一组凸包围点对，同时人为给定挖掘水平N以及距离阈值lenThod；
b、计算选择的凸包围点对间的距离len，若len<lenThod，则跳过，选取下一组点对，否则进行下一步；
c、确定距离凸包边最近的内点，计算最近内点与边缘点之间的最短距离，该距离称为决策距离desDis；
d、如果len/desDis>N，则执行挖掘过程，否则跳过；
e、重复步骤a-d，直到没有可挖掘的内点，得到凹包围点集
Figure FDA0004025255330000031
(2)凹包围点的高度平滑：
根据步骤三中的质心高度，在凹包围点集
Figure FDA0004025255330000032
中选择高度小于该质心高度的凹点进行平滑，若某凹点pi高度值均大于前后相邻两点pi-1，pi+1的高度值，且差值大于0.2m以上，则对该凹点pi高度进行平滑，新的高度值为pi-1，pi+1两点高度平均值；
(3)包围点对间的连接：
按点顺序对每个凹点对间进行空间线性插值，最终得到各个聚类的边缘包围点云edgeCloud。
7.根据权利要求1所述的一种无人驾驶矿卡作业区道路边界快速检测更新的方法，其特征在于，所述步骤五具体包括如下过程：
(1)初步过滤：计算各聚类的边缘包围点云的质心，以该质心高度对边缘点进行上下区分，得到低处边缘lowEdgeCloud；
(2)对各聚类构建极图栅格；
(3)高度阈值选取：对每个含点的segment，选取高度最低的点作为该segment的临界高度，对这些segment的临界高度进行中值平滑，得到最终的高度阈值；
(4)阈值过滤：遍历各个segment的点，根据对应的高度阈值进行过滤，最终得到的点集就是需要的道路边界点云curbCloud。
CN202110175951.2A 2021-02-09 2021-02-09 一种无人驾驶矿卡作业区道路边界快速检测更新的方法 Active CN112801022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110175951.2A CN112801022B (zh) 2021-02-09 2021-02-09 一种无人驾驶矿卡作业区道路边界快速检测更新的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110175951.2A CN112801022B (zh) 2021-02-09 2021-02-09 一种无人驾驶矿卡作业区道路边界快速检测更新的方法

Publications (2)

Publication Number Publication Date
CN112801022A CN112801022A (zh) 2021-05-14
CN112801022B true CN112801022B (zh) 2023-05-02

Family

ID=75814846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110175951.2A Active CN112801022B (zh) 2021-02-09 2021-02-09 一种无人驾驶矿卡作业区道路边界快速检测更新的方法

Country Status (1)

Country Link
CN (1) CN112801022B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113393423A (zh) * 2021-05-18 2021-09-14 深圳拓邦股份有限公司 一种基于点云的悬崖检测方法、装置及移动机器人
CN114363405B (zh) * 2021-05-26 2023-09-22 科大国创云网科技有限公司 基于上网话单与mr用户轨迹的司机群体识别方法及系统
CN113487479A (zh) * 2021-06-30 2021-10-08 北京易控智驾科技有限公司 车端实时检测识别高精度地图边界方法和系统
CN113591640B (zh) * 2021-07-20 2023-11-17 湖南三一华源机械有限公司 一种道路护栏的检测方法、装置及车辆
CN113902864B (zh) * 2021-10-18 2022-11-01 奥特酷智能科技(南京)有限公司 用于矿场的矢量地图生成方法、系统及计算机系统
CN114325755B (zh) * 2021-11-26 2023-08-01 江苏徐工工程机械研究院有限公司 一种适用于自动驾驶车辆的挡土墙检测方法及系统
CN114322856B (zh) * 2021-12-16 2023-09-15 青岛慧拓智能机器有限公司 矿区路面平整度的检测方法、装置、存储介质及设备
CN114419188B (zh) * 2021-12-31 2022-09-02 广东电网有限责任公司 现场作业区电子围栏的自动构建方法、装置及存储介质
CN114255252B (zh) * 2022-02-28 2022-05-17 新石器慧通（北京）科技有限公司 障碍物轮廓获取方法、装置、设备及计算机可读存储介质
CN114359876B (zh) * 2022-03-21 2022-05-31 成都奥伦达科技有限公司 一种车辆目标识别方法及存储介质
CN115457496B (zh) * 2022-09-09 2023-12-08 北京百度网讯科技有限公司 自动驾驶的挡墙检测方法、装置及车辆
CN116523938A (zh) * 2023-05-16 2023-08-01 北京长木谷医疗科技股份有限公司 骨骼分割后的数据处理方法、装置、设备及可读存储介质
CN116703018B (zh) * 2023-06-25 2024-04-19 昆明理工大学 一种精准挖掘三七主根的路径控制方法
CN117372988B (zh) * 2023-12-08 2024-02-13 吉咖智能机器人有限公司 道路边界检测方法、装置、电子设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272019A (zh) * 2017-05-09 2017-10-20 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN110569749A (zh) * 2019-08-22 2019-12-13 江苏徐工工程机械研究院有限公司 一种矿山道路的边界线及可行驶区域检测方法及系统
CN111811530A (zh) * 2020-06-16 2020-10-23 当家移动绿色互联网技术集团有限公司 车道线生成方法、装置、存储介质及电子设备
CN111999741A (zh) * 2020-01-17 2020-11-27 青岛慧拓智能机器有限公司 路侧激光雷达目标检测方法及装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220987A (zh) * 2016-03-22 2017-09-29 嘉兴博海信息科技有限公司 一种基于主成分分析的建筑物屋顶边缘快速检测方法
CN108062517B (zh) * 2017-12-04 2020-06-23 武汉大学 基于车载激光点云的非结构化道路边界线自动提取方法
CN109635672B (zh) * 2018-11-22 2020-07-28 同济大学 一种无人驾驶的道路特征参数估计方法
CN111443360B (zh) * 2020-04-20 2022-06-24 北京易控智驾科技有限公司 矿区无人驾驶系统道路边界自动采集装置和识别方法
CN111524127B (zh) * 2020-04-29 2022-05-27 中国电子科技集团公司第五十四研究所 面向低空机载激光雷达数据的城市道路面提取方法
CN111985322B (zh) * 2020-07-14 2024-02-06 西安理工大学 一种基于激光雷达的道路环境要素感知方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107272019A (zh) * 2017-05-09 2017-10-20 深圳市速腾聚创科技有限公司 基于激光雷达扫描的路沿检测方法
CN110569749A (zh) * 2019-08-22 2019-12-13 江苏徐工工程机械研究院有限公司 一种矿山道路的边界线及可行驶区域检测方法及系统
CN111999741A (zh) * 2020-01-17 2020-11-27 青岛慧拓智能机器有限公司 路侧激光雷达目标检测方法及装置
CN111811530A (zh) * 2020-06-16 2020-10-23 当家移动绿色互联网技术集团有限公司 车道线生成方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN112801022A (zh) 2021-05-14

Similar Documents

Publication Publication Date Title
CN112801022B (zh) 一种无人驾驶矿卡作业区道路边界快速检测更新的方法
CN109684921B (zh) 一种基于三维激光雷达的道路边界检测与跟踪方法
CN111985322B (zh) 一种基于激光雷达的道路环境要素感知方法
CN111598916A (zh) 一种基于rgb-d信息的室内占据栅格地图的制备方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
AU2020202249A1 (en) Feature extraction from mobile lidar and imagery data
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN111325138B (zh) 一种基于点云局部凹凸特征的道路边界实时检测方法
CN112200171B (zh) 一种基于扫描线的道路点云的提取方法
CN112666573B (zh) 一种矿区卸载区车后方挡土墙及障碍物的检测方法
CN114359876B (zh) 一种车辆目标识别方法及存储介质
CN114782729A (zh) 一种基于激光雷达与视觉融合的实时目标检测方法
CN113408324A (zh) 目标检测方法、装置及系统、高级驾驶辅助系统
CN113409252A (zh) 一种架空输电线路巡检机器人障碍物检测方法
Burger et al. Fast dual decomposition based mesh-graph clustering for point clouds
Ai et al. A real-time road boundary detection approach in surface mine based on meta random forest
CN112435336B (zh) 一种弯道类型识别方法、装置、电子设备及存储介质
CN111404075B (zh) 一种无人机巡检的输电线路自动测量方法
Mi et al. Automatic road structure detection and vectorization Using Mls point clouds
Sha et al. A boundary-enhanced supervoxel method for extraction of road edges in MLS point clouds
Kunyuan et al. Automated object extraction from MLS data: A survey
Musleh et al. Real-time pedestrian recognition in urban environments
Dong et al. Semantic lidar odometry and mapping for mobile robots using rangeNet++
Mattson et al. Reducing ego vehicle energy-use by LiDAR-based lane-level positioning
Dashkevich Semantic Segmentation of a Point Clouds of an Urban Scene.

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