CN113176585B - 一种基于三维激光雷达的路面异常检测方法 - Google Patents

一种基于三维激光雷达的路面异常检测方法 Download PDF

Info

Publication number
CN113176585B
CN113176585B CN202110401035.6A CN202110401035A CN113176585B CN 113176585 B CN113176585 B CN 113176585B CN 202110401035 A CN202110401035 A CN 202110401035A CN 113176585 B CN113176585 B CN 113176585B
Authority
CN
China
Prior art keywords
point
points
laser radar
point cloud
dimensional laser
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
CN202110401035.6A
Other languages
English (en)
Other versions
CN113176585A (zh
Inventor
朱威
龙德
滕帆
何德峰
郑雅羽
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN202110401035.6A priority Critical patent/CN113176585B/zh
Publication of CN113176585A publication Critical patent/CN113176585A/zh
Application granted granted Critical
Publication of CN113176585B publication Critical patent/CN113176585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/93—Lidar systems specially adapted for specific applications for anti-collision purposes
    • G01S17/931—Lidar systems specially adapted for specific applications for anti-collision purposes of land vehicles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
    • G01S17/06—Systems determining position data of a target
    • G01S17/42—Simultaneous measurement of distance and other co-ordinates

Abstract

本发明涉及一种基于三维激光雷达的路面异常检测方法，包括以下步骤：(1)选定用于异常区域检测的三维激光雷达扫描线；(2)提取选定的三维激光雷达扫描线的连续帧数据；(3)对三维激光雷达数据滤波；(4)检测并剔除地面区域点云数据；(5)基于邻域点高度特征和距离比特征提取路面异常区域的点云；(6)获取路面异常区域的外接三维方框。本发明利用三维激光雷达单线连续帧，能有效检测体积较小的低矮障碍物和坑洼等异常区域，为自主移动平台导航避障提供参考。

Description

一种基于三维激光雷达的路面异常检测方法
技术领域
本发明属于智能驾驶领域，具体涉及一种基于三维激光雷达的路面异常检测方法。
背景技术
路面异常可使车辆损坏，甚至可能威胁乘客的安全，尽早发现路面异常情况可以避免机动车事故。
无人驾驶车辆是利用车载传感系统来感知车辆周围环境、自行规划路线控制车辆成功抵达目的地的自主移动平台，其一般装有激光雷达和摄像头等车载传感器，用于检测可通行区域和不可通行区域。
尽管摄像头能提供丰富的信息内容，具有高分辨率、价格低等优点，但容易受到天气和强光的影响，并且普通的单目相机无法获取图像深度信息，需要双目相机通过深度学习或者基于特征点检测和匹配的方法获取深度信息，该功能的算法实现复杂，实时性较差，并且无法提供准确的深度信息。RGB-D相机通过结构光或者ToF(Time of Fly)的物理方法测量物体深度信息，但是由于其测量范围窄、视野小、易受日光干扰的缺点，较难应用到室外场景。单线激光雷达获取的是二维的环境信息，无法适应于智能驾驶领域。三维激光雷达能够实时提供丰富准确的环境三维数据，已在智能驾驶领域中得到了广泛的应用，目前三维激光雷达处理算法主要是基于栅格地图的分割算法和基于图的地面检测两大类，相比栅格类的算法，基于图的分割算法精度更高，但容易受到噪点的干扰、算法鲁棒性差。
申请号为201910284464.2的专利公开了一种基于群智感知传感数据的路面异常检测方法，通过获取异常路面的传感数据序列，根据传感数据序列的尺度不变特征检测路面异常；车载和随身携带的智能终端以群智感知的方法产生大量的传感数据用于检测路面异常，其依据的基本原理是车辆经过路面异常区域的加速度数据序列隐含着路面异常的信息，该方法根据垂直加速度数据的波动距离与平均波动距离的差值识别道路异常点。这种方法会由于乘客的坐姿调整、握手和刹车导致加速度数据的波动，对路面异常检测造成干扰，并且在没有车辆通行过的区域，就无法获取路面异常的信息，需要在收集到传感器数据之后，在地图中更新路面异常区域信息。
申请号为202011021879.X的专利公开了一种基于Yolo-V4与ToF算法相结合的避障方法；该方法采用Yolo-V4进行障碍物目标的检测，通过先验框中心坐标计算障碍物在水平方向相对于摄像头中心的相对角度，采用激光雷达采集的点云数据获取各点相对于激光雷达的距离和角度，通过匹配激光雷达获取的角度和障碍物相对于摄像头中心的相对角度，确定障碍物目标的距离和角度信息。该方法虽然能够获取障碍物的位置、类别和颜色等多维信息，但是Yolo-V4在检测路面异常时，无法针对各种各样的路面散落物、坑洼进行检测，仅能检测出经过训练的路面异常场景，并且激光雷达数据与相机数据的融合算法复杂，且容易受到遮挡、光照等因素影响；此外，三维激光雷达线数少，随着距离增加，线层之间的距离越远，不利于小障碍物的检测。
发明内容
针对以上技术存在的局限性，为了使自主移动平台能够快速、准确的感知路面异常区域，本发明提出了一种基于三维激光雷达的路面异常检测方法，通过获取三维激光雷达扫描单线连续帧实现异常区域的检测，有利于检测较小体积的低矮障碍物和位于路平面之下的坑洼区域。
本发明所采用的技术方案是，一种基于三维激光雷达的路面异常检测方法，所述方法配合自主移动平台实现，三维激光雷达和自主移动平台按照刚体连接方式安装，包括如下步骤：
步骤1：根据自主移动平台的有效避障距离和三维激光雷达的每条扫描线的俯仰角，选定用于异常区域检测的三维激光雷达扫描线LS，LS的俯仰角度为
步骤2：提取选定的三维激光雷达扫描线LS的连续帧数据，筛选得到点云PA；
步骤3：对三维激光雷达数据进行滤波，得到点云PF；三维激光雷达数据存在一些测量噪声，采用中值法进行滤波降噪，对步骤2得到的点云PA进行Z轴上的滤波，提高下一步地面拟合的准确度；
步骤4：检测并剔除地面区域点云数据，得到点云PE；采用经典的随机抽样一致方法(RANSAC)检测并剔除步骤3得到的点云PF中无用的地面点云；
步骤5：基于邻域点高度特征和距离比特征提取路面异常区域的候选点云PU；步骤4中剔除地面点过程中，在采用RANSAC提取地面时，由于设定了迭代次数的上限，得到的结果不一定是最优的，故根据高度特征和邻域点距离比进一步筛选路面异常区域的数据；
步骤6：获取路面异常区域的外接三维方框；根据步骤5三维激光扫描线获取的异常区域数据构成的点云PU，基于经典的欧几里得的聚类算法检测出路面异常区域的点云簇，并计算点云簇的外接矩形框。
优选地，所述步骤1包括以下步骤：
步骤1.1：根据三维激光雷达每条扫描线的俯仰角度按式(1)计算出三维激光雷达每条扫描线扫描到地面时，扫描点距离三维激光雷达的水平距离Dh：
其中，H为激光雷达的安装高度，为三维激光雷达扫描线俯仰角度；
步骤1.2：根据自主移动平台的有效避障距离Da和步骤1.1计算得出的每条扫描线的Dh，找出所有扫描线中满足Dh≥Da的最小Dh，记为Dmin，选定Dmin对应的扫描线为用于路面异常区域检测的三维激光雷达扫描线LS，记LS的俯仰角度为
优选地，所述步骤2包括以下步骤：
步骤2.1：以三维激光雷达安装位置为坐标原点，三维激光雷达坐标系采用右手坐标系，X和Y轴在水平面上成90度，X轴朝向正前方向，Z轴与水平面垂直；其中，正前方向与自主移动平台行进方向始终一致；
步骤2.2：设定感兴趣区域为三维激光雷达正前方LX×LY的区域，LX为沿X轴方向的长度，LY为沿Y轴方向的长度；LX∈[10,30]，LY∈[10,20]，单位为m；
步骤2.3：提取感兴趣区域内的扫描点构成点集P， (x,y,z)为点云点在三维激光雷达坐标系中的坐标，记录下该帧点云获取的时刻t；由于三维激光雷达360度水平扫描，为了减少计算量，只提取三维激光雷达前方区域的扫描点；
步骤2.4：对点集P中的每个点，进一步按式(2)求解三维激光雷达扫描点的角度
若扫描点满足则该点被选为LS的感兴趣区域数据，保留在点集P中，否则该点将从点集P中剔除；θth为角度阈值，θth∈[0.2,1]，单位为度，/>为LS的俯仰角度；
步骤2.5：重复步骤2.1至步骤2.4，完成获取包括当前帧在内的最近连续N帧的点云数据，N∈[10,100]；将点云从三维激光雷达坐标系转换到世界坐标系，对每帧点云点增加相同的时间维度值t，记ti为第i帧点云的获取时刻，再将它们组合成点云PA。
优选地，所述步骤3中，设定R为邻域半径，j为点云点的索引，集合Pj为以点云点pj(xj,yj,zj)为中心、R为半径的球体范围内的点构成的点集，Pj＝{(x,y,z)|(x-xj)2+(y-yj)2≤R2}，R的取值范围为[2,10]，单位为厘米；按式(3)求取点pj(xj,yj,zj)所有邻域点Z轴坐标值的中值zm，以zm替代pj(xj,yj,zj)的zj坐标值，
zm＝mid{z|(x-xj)2+(y-yj)2≤R2} (3)
其中，mid{}中值滤波函数，R为邻域半径；PA中所有点滤波之后得到点云PF。
优选地，所述步骤4包括以下步骤：
步骤4.1：在点云PF中随机选择三个点作为初始平面子集点，构建平面s；
步骤4.2：根据其余点与平面s之间的距离，确定其余点是否属于平面s；
步骤4.3：若平面s所包含的点数大于阈值Tnum时，则定义该平面为所需的地面点云平面，否则重新随机选择三个不同的点，构建新的平面s，执行步骤4.2；Tnum∈[800,1400]；
步骤4.4：重复执行步骤(4-1)至步骤(4-3)，迭代c次；c∈[10,80]；
步骤4.5：从点云PF中剔除拟合的地面点云平面所包含的点，得到点云PE。
优选地，所述步骤5包括以下步骤：
步骤5.1：根据相邻点之间的高度差和高度方差特征，提取路面异常区域候选点；
步骤5.2：根据三维激光雷达在平面上扫描一圈会形成一个圆环，而投影到坑洼区域和障碍物上时会偏离同心圆环的特征，获取路面异常区域数据，得到路面异常区域候选点；
步骤5.3：取步骤5.1和步骤5.2检测到的路面异常区域候选点的交集，记为点云PU。
优选地，所述步骤5.1包括以下步骤：
步骤5.1.1：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk,yk,zk)，取PEi中其余点的Y坐标值yr；
获得其余点中满足yr<yk的点，取其中yr最大的点，将其记为pk-1，pk-1的坐标记为(xk-1,yk-1,zk-1)；
获得其余点中满足yr>yk的点，取其中yr最小的点，将其记为pk+1，pk+1的坐标记为(xk+1,yk+1,zk+1)；
按式(4)计算相邻点pk-1(xk-1,yk-1,zk-1)、pk+1(xk+1,yk+1,zk+1)的高度差：
步骤5.1.2：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk,yk,zk)，取PEi中其余点的Y坐标值yr；
从其余点中找出满足yr<yk的点，取其中yr最大的n个值对应的点，记为pk-n,…pk-1，将这n个点的Y坐标值分别记为yk-n、…yk-1，将这n个点的X坐标值分别记为xk-n、…xk-1，将这n个点的Z坐标值分别记为zk-n、…zk-1；
从其余点中找出满足yr>yk的点，取其中yr最小的n个值对应的点，记为pk+1,…pk+n，将这n个点的Y坐标值分别记为yk+1、…yk+n，将这n个点的X坐标值分别记为xk+1、…xk+n，将这n个点的Z坐标值分别记为zk+1、…zk+n；
选定连续相邻点集合S＝{pk-n,…pk-i,…pk,…pk+i,…pk+n}，按式(5)计算高度均值Mz，按式(6)计算点pk高度方差Vz：
步骤5.1.3：若pk点的高度差ΔZ大于给定的阈值TΔz，且高度方差Vz大于给定的阈值则点pk被选为路面异常区域候选点；TΔz∈[0.5,1.0]，单位为厘米，/>单位为平方厘米；
步骤5.1.4：返回步骤5.1.1，直至对PE中所有时刻的点云点进行异常区域候选点检测。
优选地，所述步骤5.2包括以下步骤：
步骤5.2.1：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk,yk,zk)，取PEi中其余点的Y坐标值yr；
获得其余点中满足yr<yk的点，取其中yr最大的点，将其记为pk-1，pk-1的坐标记为(xk-1,yk-1,zk-1)；
获得其余点中满足yr>yk的点，取其中yr最小的点，将其记为pk+1，pk+1的坐标记为(xk+1,yk+1,zk+1)；
步骤5.2.2：选定相邻点pk-1(xk-1,yk-1,zk-1)、pk+1(xk+1,yk+1,zk+1)，按式(7)计算pk与相邻点的距离比值：
Δd＝max(|1-dk-1/dk|,|1-dk/dk+1|) (7)
其中，三个点的扫描距离分别为dk、dk-1、dk+1；扫描距离dk、dk-1、dk+1分别对应点pk、相邻点pk-1、相邻点pk+1与激光雷达之间的距离；
步骤5.2.3：若点pk与相邻点的距离比值大于给定的阈值TΔd，则判定该点为路面异常区域候选点，TΔd∈[0.3,0.6]，单位为厘米；
步骤5.2.4：返回步骤5.2.1，直至对PE中所有时刻的点云点按偏离同心圆环的特征进行异常区域候选点检测。
优选地，所述步骤6包括以下步骤：
步骤6.1：建立路面异常区域点云数据的K-D树，叶子结点包含的点数为Np；
步骤6.2：设定搜索距离ds、最小聚类点数Csmin和最大聚类点数Csmax，使用欧几里得聚类算法实现路面异常区域点云的聚类，ds∈[5,50]，单位为厘米，Csmin∈[10,50]，Csmax∈[2000,20000]；
步骤6.3：当聚类点数小于Csmin时，不输出该类点云簇，当聚类点数大于Csmax时，只输出包含Csmax个点的点云簇，不继续扩大该类点云簇；
步骤6.4：使用经典的OBB算法计算各个点云簇的外接三维方框。
本发明通过标记三维激光雷达同一条扫描线的数据，获取该三维激光雷达扫描线连续帧，根据高度和距离比特征，筛选路面异常区域激光雷达点云数据；基于欧几里得算法实现点云聚类，获取异常区域的外接三维方框，用于自主移动平台避障的参考；本发明方法的实时性和准确度较高，有利于检测较小体积的低矮障碍物和位于路平面之下的坑洼区域。
附图说明
图1为本发明实现流程框图；
图2为三维激光雷达线束扫描角度示意图，其中的黑色实心方块为激光雷达，H为激光雷达的安装高度，为三维激光雷达扫描线俯仰角度，D为扫描点距离三维激光雷达的水平距离。
具体实施方式
下面结合实例和附图来详细描述本发明，但本发明并不局限于此。
本发明路面异常区域检测方法的实现基于机器人操作系统ROS平台。自主移动平台使用四轮移动机器人，机器人的结构为后轮驱动、前轮为阿克曼转向机构。后轮驱动电机为24V的BLDC(直流无刷电机)，持续最大扭矩：3N·m最大转速：469rpm。前轮转向为磁编码380KG·cm总线舵机，能够读取到舵机位置，本发明所使用的自主移动平台在1m/s的行驶速度下，有效避障距离为4m。
激光雷达选择威力登公司产品VLP-16，该雷达是16线激光雷达，扫描频率为5～20Hz，能够在水平方向上进行360°环绕扫描，水平角度分辨率为0.1°～0.4°，垂直扫描角度为-15°～15°，垂直角度分辨率为2°，每秒可产生将近30万个点。机器人上的计算机使用Intel i7-6700HQ、16GB RAM、NVIDIA GTX970M(6GB GDDR5)；操作系统为Ubuntu18.04+ROSMelodic。
如图1所示，一种基于三维激光雷达的路面异常检测方法的流程框图，主要包括以下步骤：
(1)选定用于异常区域检测的三维激光雷达扫描线；
(2)提取选定的三维激光雷达扫描线的连续帧数据；
(3)对三维激光雷达数据滤波；
(4)检测并剔除地面区域点云数据；
(5)基于邻域点高度特征和距离比特征提取路面异常区域的候选点云；
(6)获取路面异常区域的外接三维方框。
步骤(1)具体包括：
(1-1)根据三维激光雷达每条扫描线的俯仰角度如图2所示，按式(1)计算出三维激光雷达每条扫描线扫描到地面时，扫描点距离三维激光雷达的水平距离Dh。
H为激光雷达的安装高度，为三维激光雷达扫描线俯仰角度。
(1-2)根据自主移动平台的有效避障距离Da和步骤(1-1)计算得出的每条扫描线的Dh，找出所有扫描线中满足Dh>＝Da的最小Dh，记为Dmin，选定Dmin对应的扫描线为用于路面异常区域检测的三维激光雷达扫描线LS，记LS的俯仰角度为
自主移动平台三维激光雷达安装高度为0.4m，采用VLP-16激光雷达时，垂直扫描角度分辨率为2°，则求取三维激光雷达安装平面以下的激光线束扫到地面时的距离Dh，数据如表1所示。设定三维激光雷达安装平面以下第一束扫描线编号为1，其余的扫描线编号依次增加。提取出编号为3的三维激光雷达数据。
表1 VLP-16激光线与距离Dh关系
编号 1 2 3 4 5 6 7 8
距离值(m) 22.9 7.6 4.6 3.3 2.5 2.1 1.7 1.5
步骤(2)具体包括：
(2-1)以三维激光雷达安装位置为坐标原点，三维激光雷达坐标系采用右手坐标系，X和Y轴在水平面上，X轴朝向正前方向，Y轴与X成90度，Z轴与水平面垂直，设定感兴趣区域为三维激光雷达前方LX×LY的区域，LX为X轴方向的长度，其取值范围为[10,30]，单位为m，LY为Y轴方向的长度，其取值范围为[10,20]，单位为m，此处LX取值为20m，LY取值为10m；提取感兴趣区域内的扫描点构成点集P，(x,y,z)为点云点在三维激光雷达坐标系中的坐标，记录下该帧点云获取的时刻t；对点集P中的每个点，进一步按式(2)求解三维激光雷达扫描点的角度/>若扫描点满足/>则该点被选为步骤(1)选定的三维激光雷达扫描线LS的感兴趣区域数据，被保留在点集P中，否则该点将从点集P中剔除；θth为角度阈值，其取值范围为[0.2,1]，单位为度，此处θth取值为0.5度，/>为LS的俯仰角度。
(2-2)重复步骤(2-1)，获取包括当前帧在内的最近连续N帧的点云数据P1，P2，…Pi,…PN，N的取值范围为[10,100]，此处N取值为40。三维激光雷达和自主移动平台按照刚体连接方式安装，将点云从三维激光雷达坐标系转换到世界坐标系，对每帧点云点增加相同的时间维度值t，记ti为第i帧点云的获取时刻，再将它们组合成点云PA。
步骤(3)具体包括：
三维激光雷达数据存在一些测量噪声，采用中值法进行滤波降噪，对步骤(2)得到的点云PA进行Z轴上的滤波，提高下一步地面拟合的准确度，具体方法如下：
设定R为邻域半径，j为点云点的索引，集合Pj为以点云点pj(xj,yj,zj)为中心，R为半径的球体范围内的点构成的点集，Pj＝{(x,y,z)|(x-xj)2+(y-yj)2<＝R2}，R的取值范围为[2,10]，单位为厘米，此处R取值范围为5cm。按式(3)求取点pj(xj,yj,zj)所有邻域点Z轴坐标值的中值zm，以zm来替代pj(xj,yj,zj)的zj坐标值，在滤波降噪和保持数据的原始性之间保持平衡。
zm＝mid{z|(x-xj)2+(y-yj)2<＝R2} (3)
其中，zm为中值，mid{}中值滤波函数，R为邻域半径。PA中所有点滤波之后得到点云PF。
步骤(4)具体包括：
采用经典的随机抽样一致方法(RANSAC)检测并剔除步骤(3)得到的点云PF中无用的地面点云，具体步骤如下：
(4-1)在点云集合PF中随机选择三个点作为初始平面子集点，构建平面s；
(4-2)根据其余点与平面s之间的距离，确定其余点是否属于平面s；
(4-3)若平面s所包含的点数大于阈值Tnum时，则定义该平面为所需的地面点云平面，Tnum的取值范围为[800,1400]，否则重新执行步骤(4-1)，此处Tnum取值为1000；
(4-4)重复执行步骤(4-1)至步骤(4-3)，迭代c次，c的取值范围为[10,80]，此处c取值为50；
(4-5)从点云PF中剔除地面拟合平面所包含的点，得到点云PE。
步骤(5)具体包括：
步骤(4)中剔除地面点过程中，在采用RANSAC提取地面时，由于设定了迭代次数的上限，得到的结果不一定是最优的。本发明根据高度特征和邻域点距离比进一步筛选路面异常区域的数据，具体步骤如下：
(5-1)根据相邻点之间的高度差和高度方差提取路面异常区域候选点，具体方法如下：
(5-1-1)根据相同的ti，从点云PE中获取相同时刻的点云PEi，对于PEi其中一点pk(xk,yk,zk)，根据PEi中其余点的Y坐标值yr，从其中找出满足yr<yk的最大值，记为yk-1，对应点的X坐标值和Z坐标值分别为xk-1、zk-1，从其中找出满足yr>yk的最小值，记为yk+1，对应点的X坐标值和Z坐标值分别为xk+1、zk+1，选定相邻点pk-1(xk-1,yk-1,zk-1)、pk+1(xk+1,yk+1,zk+1)，按式(4)计算高度差：
(5-1-2)根据相同的ti，从点云PE中获取相同时刻的点云PEi，对于PEi其中一点pk(xk,yk,zk)，根据PEi中其余点的Y坐标值yr，从其中找出满足yr<yk的最大的n个值，分别记为yk-n、…yk-1，对应点集的X坐标值分别为xk-n、…xk-1，对应点集的Z坐标值分别为zk-n、…zk-1，找出满足yr>yk的最小的n个值，记为yk+1、…yk+n，对应点集的X坐标值分别为xk+1、…xk+n，对应点集的Z坐标值分别为zk+1、…zk+n，选定连续相邻点集合S＝{pk-n,…pk-i,…pk,…pk+i,…pk+n}。
按式(5)计算高度均值Mz，按式(6)计算点pk高度方差Vz：
若pk点的高度差ΔZ大于给定的阈值TΔz，且高度方差Vz大于给定的阈值则点pk被选为路面异常区域候选点，阈值TΔz的取值范围为[0.5,1.0]，单位为厘米，阈值/>的取值范围为[0.003,0.008]，单位为平方厘米，此处TΔz取值为0.5cm，/>取值为0.005cm2。
(5-1-3)重复步骤(5-1-1)和(5-1-2)，直至PE中所有时刻点云点按相邻点之间的高度差和高度方差进行异常区域候选点检测。
(5-2)根据三维激光雷达在平面上扫描一圈会形成一个圆环，而投影到坑洼区域和障碍物上时则会偏离同心圆环的特征，获取路面异常区域数据，具体方法如下：
根据相同的ti，从点云PE中获取相同时刻的点云PEi，对于PEi其中一点pk(xk,yk,zk)，根据PEi中其余点的Y坐标值yr，从其中找出满足yr<yk的最大值，记为yk-1，对应点的X坐标值和Z坐标值分别为xk-1、zk-1，找出满足yr>yk的最小值，记为yk+1，对应点的X坐标值和Z坐标值分别为xk+1、zk+1，选定相邻点pk-1(xk-1,yk-1,zk-1)、pk+1(xk+1,yk+1,zk+1)，三个点的扫描距离分别为dk，dk-1，dk+1，扫描距离dk、dk-1、dk+1分别对应点pk、相邻点pk-1、相邻点pk+1与激光雷达之间的距离；按式(7)计算pk与相邻点的距离比值：
Δd＝max(|1-dk-1/dk|,|1-dk/dk+1|) (7)
若点pk与相邻点的距离比值大于给定的阈值TΔd，则判定该点为路面异常区域候选点，阈值TΔd的取值范围为[0.3,0.6]，单位为厘米，此处TΔd取值为0.4cm。重复该方法完成PE中所有时刻点云点按偏离同心圆环的特征进行异常区域候选点检测。
(5-3)将步骤(5-1)和(5-2)检测到的路面异常区域候选点组合为点云PU。
步骤(6)具体包括：
根据步骤(5)三维激光扫描线获取的异常区域数据构成的点云PU，基于经典的欧几里得的聚类算法检测出路面异常区域的点云簇，并计算点云簇的外接矩形框，具体步骤如下：
(6-1)建立路面异常区域点云数据的K-D树，叶子结点包含的点数为3。
(6-2)设定搜索距离ds，最小聚类点数Csmin和最大聚类点数Csmax，使用欧几里得聚类算法实现路面异常区域点云的聚类，搜索距离ds的取值范围为[5,50]，单位为厘米，最小聚类点数，Csmin的取值范围为[10,50]，最大聚类点数Csmax的取值范围为[2000,20000]；当聚类点数小于Csmin时，不输出该类点云簇，当聚类点数大于Csmax时，只输出包含Csmax个点的点云簇，不继续扩大该类点云簇，此处ds取值为20cm，Csmin取值为20，Csmax取值为10000。
(6-3)使用经典的方向包围盒OBB算法计算各个点云簇的外接三维方框。

Claims (8)

1.一种基于三维激光雷达的路面异常检测方法，其特征在于：所述方法配合自主移动平台实现，三维激光雷达和自主移动平台按照刚体连接方式安装，包括如下步骤：
步骤1：根据自主移动平台的有效避障距离和三维激光雷达的每条扫描线的俯仰角，计算三维激光雷达每条扫描线扫描到地面时，扫描点距离三维激光雷达的水平距离Dh，根据自主移动平台的有效避障距离Da和每条扫描线的Dh，满足Dh≥Da的最小Dh记为Dmin，选定Dmin对应的扫描线为用于路面异常区域检测的三维激光雷达扫描线LS，记LS的俯仰角度为
步骤2：提取选定的三维激光雷达扫描线LS的连续帧数据，筛选得到点云PA，包括以下步骤：
步骤2.1：以三维激光雷达安装位置为坐标原点，三维激光雷达坐标系采用右手坐标系，X和Y轴在水平面上成90度，X轴朝向正前方向，Z轴与水平面垂直；
步骤2.2：设定感兴趣区域为三维激光雷达正前方LX×LY的区域，LX为沿X轴方向的长度，LY为沿Y轴方向的长度；LX∈[10，30]，LY∈[10，20]，单位为m；
步骤2.3：提取感兴趣区域内的扫描点构成点集P， (x，y，z)为点云点在三维激光雷达坐标系中的坐标，记录下每帧点云获取的时刻t；
步骤2.4：对点集P中的每个点，进一步按式(2)求解三维激光雷达扫描点的角度
若扫描点满足则该点被选为LS的感兴趣区域数据，保留在点集P中，否则该点将从点集P中剔除；θth为角度阈值，θth∈[0.2，1]，单位为度，/>为LS的俯仰角度；
步骤2.5：重复步骤2.1至步骤2.4，完成获取包括当前帧在内的最近连续N帧的点云数据，N∈[10，100]；将点云从三维激光雷达坐标系转换到世界坐标系，对每帧点云点增加相同的时间维度值t，记ti为第i帧点云的获取时刻，再将它们组合成点云PA；
步骤3：对PA中所有点滤波之后得到点云PF；
步骤4：检测并剔除地面区域点云数据，得到点云PE；
步骤5：基于邻域点高度特征和距离比特征提取路面异常区域的候选点云PU；
步骤6：获取路面异常区域的外接三维方框。
2.根据权利要求1所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤1中，根据三维激光雷达每条扫描线的俯仰角度按式(1)计算出三维激光雷达每条扫描线扫描到地面时，扫描点距离三维激光雷达的水平距离Dh：
其中，H为激光雷达的安装高度，为三维激光雷达扫描线俯仰角度。
3.根据权利要求1所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤3中，设定R为邻域半径，j为点云点的索引，集合Pj为以点云点pj(xj，yj，zj)为中心、R为半径的球体范围内的点构成的点集，Pj＝{(x，y，z)|(x-xj)2+(y-yj)2≤R2}，R的取值范围为[2，10]，单位为厘米；按式(3)求取点pj(xj，yj，zj)所有邻域点Z轴坐标值的中值zm，以zm替代pj(xj，yj，zj)的zj坐标值，
zm＝mid{z|(x-xj)2+(y-yj)2≤R2} (3)
其中，mid{}中值滤波函数，R为邻域半径；PA中所有点滤波之后得到点云PF。
4.根据权利要求1所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤4包括以下步骤：
步骤4.1：在点云PF中随机选择三个点作为初始平面子集点，构建平面s；
步骤4.2：根据其余点与平面s之间的距离，确定其余点是否属于平面s；
步骤4.3：若平面s所包含的点数大于阈值Tnum时，则定义该平面为所需的地面点云平面，否则重新随机选择三个不同的点，构建新的平面s，执行步骤4.2；Tnum∈[800，1400]；
步骤4.4：重复执行步骤(4-1)至步骤(4-3)，迭代c次；c∈[10，80]；
步骤4.5：从点云PF中剔除拟合的地面点云平面所包含的点，得到点云PE。
5.根据权利要求1所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤5包括以下步骤：
步骤5.1：根据相邻点之间的高度差和高度方差特征，提取路面异常区域候选点；
步骤5.2：根据三维激光雷达在平面上扫描一圈会形成一个圆环，而投影到坑洼区域和障碍物上时会偏离同心圆环的特征，获取路面异常区域数据，得到路面异常区域候选点；
步骤5.3：取步骤5.1和步骤5.2检测到的路面异常区域候选点的交集，记为点云PU。
6.根据权利要求5所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤5.1包括以下步骤：
步骤5.1.1：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk，yk，zk)，取PEi中其余点的Y坐标值yr；
获得其余点中满足yr＜yk的点，取其中yr最大的点，将其记为pk-1，pk-1的坐标记为(xk-1，yk-1，zk-1)；
获得其余点中满足yr＞yk的点，取其中yr最小的点，将其记为pk+1，pk+1的坐标记为(xk+1，yk+1，zk+1)；
按式(4)计算相邻点pk-1(xk-1，yk-1，zk-1)、pk+1(xk+1，yk+1，zk+1)的高度差：
步骤5.1.2：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk，yk，zk)，取PEi中其余点的Y坐标值yr；
从其余点中找出满足yr＜yk的点，取其中yr最大的n个值对应的点，记为pk-n，...pk-1，将这n个点的Y坐标值分别记为yk-n、...yk-1，将这n个点的X坐标值分别记为xk-n、...xk-1，将这n个点的Z坐标值分别记为zk-n、...zk-1；
从其余点中找出满足yr＞yk的点，取其中yr最小的n个值对应的点，记为pk+1，...pk+n，将这n个点的Y坐标值分别记为yk+1、...yk+n，将这n个点的X坐标值分别记为xk+1、...xk+n，将这n个点的Z坐标值分别记为zk+1、...zk+n；
选定连续相邻点集合S＝{pk-n，...pk-i，...pk，...pk+i，...pk+n)，按式(5)计算高度均值Mz，按式(6)计算点pk高度方差Vz：
步骤5.1.3：若pk点的高度差ΔZ大于给定的阈值TΔz，且高度方差Vz大于给定的阈值则点pk被选为路面异常区域候选点；TΔz∈[0.5，1.0]，单位为厘米，/>单位为平方厘米；
步骤5.1.4：返回步骤5.1.1，直至对PE中所有时刻的点云点进行异常区域候选点检测。
7.根据权利要求6所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤5.2包括以下步骤：
步骤5.2.1：根据相同的第i帧点云的获取时刻ti，从点云PE中获取相同时刻的点云PEi；取PEi中一点pk(xk，yk，zk)，取PEi中其余点的Y坐标值yr；
获得其余点中满足yr＜yk的点，取其中yr最大的点，将其记为pk-1，pk-1的坐标记为(xk-1，yk-1，zk-1)；
获得其余点中满足yr＞yk的点，取其中yr最小的点，将其记为pk+1，pk+1的坐标记为(xk+1，yk+1，zk+1)；
步骤5.2.2：选定相邻点pk-1(xk-1，yk-1，zk-1)、pk+1(xk+1，yk+1，zk+1)，按式(7)计算pk与相邻点的距离比值：
Δd＝max(|1-dk-1/dk|，|1-dk/dk+1|) (7)
其中，三个点的扫描距离分别为dk、dk-1、dk+1；
步骤5.2.3：若点pk与相邻点的距离比值大于给定的阈值TΔd，则判定该点为路面异常区域候选点，TΔd∈[0.3，0.6]，单位为厘米；
步骤5.2.4：返回步骤5.2.1，直至对PE中所有时刻的点云点按偏离同心圆环的特征进行异常区域候选点检测。
8.根据权利要求1所述的一种基于三维激光雷达的路面异常检测方法，其特征在于：所述步骤6包括以下步骤：
步骤6.1：建立路面异常区域点云数据的K-D树，叶子结点包含的点数为Np；
步骤6.2：设定搜索距离ds、最小聚类点数Csmin和最大聚类点数Csmax，使用欧几里得聚类算法实现路面异常区域点云的聚类，ds∈[5，50]，单位为厘米，Csmin∈[10，50]，Csmax∈[2000，20000]；
步骤6.3：当聚类点数小于Csmin时，不输出该类点云簇，当聚类点数大于Csmax时，只输出包含Csmax个点的点云簇，不继续扩大该类点云簇；
步骤6.4：使用经典的OBB算法计算各个点云簇的外接三维方框。
CN202110401035.6A 2021-04-14 2021-04-14 一种基于三维激光雷达的路面异常检测方法 Active CN113176585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110401035.6A CN113176585B (zh) 2021-04-14 2021-04-14 一种基于三维激光雷达的路面异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110401035.6A CN113176585B (zh) 2021-04-14 2021-04-14 一种基于三维激光雷达的路面异常检测方法

Publications (2)

Publication Number Publication Date
CN113176585A CN113176585A (zh) 2021-07-27
CN113176585B true CN113176585B (zh) 2024-03-22

Family

ID=76923352

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110401035.6A Active CN113176585B (zh) 2021-04-14 2021-04-14 一种基于三维激光雷达的路面异常检测方法

Country Status (1)

Country Link
CN (1) CN113176585B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113625243A (zh) * 2021-07-28 2021-11-09 山东浪潮科学研究院有限公司 恶劣天气下提高激光雷达图像信噪比的方法及装置
CN113935946B (zh) * 2021-09-08 2023-04-18 广东工业大学 实时检测地下障碍物的方法及装置
US20230219578A1 (en) * 2022-01-07 2023-07-13 Ford Global Technologies, Llc Vehicle occupant classification using radar point cloud
CN114037703B (zh) * 2022-01-10 2022-04-15 西南交通大学 基于二维定位和三维姿态解算的地铁阀门状态检测方法
CN114372981B (zh) * 2022-03-21 2022-06-17 季华实验室 T型工件焊缝识别方法、装置、电子设备及存储介质
CN115546749B (zh) * 2022-09-14 2023-05-30 武汉理工大学 基于摄像机和激光雷达的路面坑洼检测及清扫和避让方法
CN116228603B (zh) * 2023-05-08 2023-08-01 山东杨嘉汽车制造有限公司 一种挂车周围障碍物的报警系统及装置
CN116449335B (zh) * 2023-06-14 2023-09-01 上海木蚁机器人科技有限公司 可行驶区域检测方法、装置、电子设备以及存储介质
CN116524472B (zh) * 2023-06-30 2023-09-22 广汽埃安新能源汽车股份有限公司 一种障碍物检测方法、装置、存储介质及设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766405A (zh) * 2016-08-23 2018-03-06 德尔福技术有限公司 自动车辆道路模型定义系统
CN108460416A (zh) * 2018-02-28 2018-08-28 武汉理工大学 一种基于三维激光雷达的结构化道路可行域提取方法
CN108828621A (zh) * 2018-04-20 2018-11-16 武汉理工大学 基于三维激光雷达的障碍检测和路面分割算法
CN109597097A (zh) * 2018-12-06 2019-04-09 北京主线科技有限公司 基于多线激光的扫描式障碍物检测方法
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN110244321A (zh) * 2019-04-22 2019-09-17 武汉理工大学 一种基于三维激光雷达的道路可通行区域检测方法
CN110531376A (zh) * 2019-08-23 2019-12-03 畅加风行(苏州)智能科技有限公司 用于港口无人驾驶车辆的障碍物检测和跟踪方法
KR102114558B1 (ko) * 2018-11-28 2020-05-22 연세대학교 산학협력단 라이다를 이용한 지면 및 비지면 검출 장치 및 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI652449B (zh) * 2017-12-11 2019-03-01 財團法人車輛研究測試中心 三維感測器之動態地面偵測方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766405A (zh) * 2016-08-23 2018-03-06 德尔福技术有限公司 自动车辆道路模型定义系统
CN108460416A (zh) * 2018-02-28 2018-08-28 武汉理工大学 一种基于三维激光雷达的结构化道路可行域提取方法
CN108828621A (zh) * 2018-04-20 2018-11-16 武汉理工大学 基于三维激光雷达的障碍检测和路面分割算法
KR102114558B1 (ko) * 2018-11-28 2020-05-22 연세대학교 산학협력단 라이다를 이용한 지면 및 비지면 검출 장치 및 방법
CN109597097A (zh) * 2018-12-06 2019-04-09 北京主线科技有限公司 基于多线激光的扫描式障碍物检测方法
CN109738910A (zh) * 2019-01-28 2019-05-10 重庆邮电大学 一种基于三维激光雷达的路沿检测方法
CN110244321A (zh) * 2019-04-22 2019-09-17 武汉理工大学 一种基于三维激光雷达的道路可通行区域检测方法
CN110531376A (zh) * 2019-08-23 2019-12-03 畅加风行(苏州)智能科技有限公司 用于港口无人驾驶车辆的障碍物检测和跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于激光点云数据的障碍物检测算法研究;张振华;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》(第10期);正文第34-81页 *
扫描线段特征用于三维点云地面分割;程子阳 等;《光电工程》;第46卷(第7期);第180268-1-180268-10页 *

Also Published As

Publication number Publication date
CN113176585A (zh) 2021-07-27

Similar Documents

Publication Publication Date Title
CN113176585B (zh) 一种基于三维激光雷达的路面异常检测方法
CN108647646B (zh) 基于低线束雷达的低矮障碍物的优化检测方法及装置
CN109684921B (zh) 一种基于三维激光雷达的道路边界检测与跟踪方法
CN110531376B (zh) 用于港口无人驾驶车辆的障碍物检测和跟踪方法
CN101975951B (zh) 一种融合距离和图像信息的野外环境障碍检测方法
CN111399505A (zh) 一种基于神经网络的移动机器人避障方法
CN108460416A (zh) 一种基于三维激光雷达的结构化道路可行域提取方法
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN110197173B (zh) 一种基于双目视觉的路沿检测方法
CN113345008B (zh) 考虑轮式机器人位姿估计的激光雷达动态障碍物检测方法
CN112674646B (zh) 基于多算法融合的自适应贴边作业方法及机器人
CN113865580A (zh) 构建地图的方法、装置、电子设备及计算机可读存储介质
CN112800938B (zh) 无人驾驶车辆检测侧面落石发生的方法及装置
Lin et al. Construction of fisheye lens inverse perspective mapping model and its applications of obstacle detection
Li et al. 3D autonomous navigation line extraction for field roads based on binocular vision
CN114325634A (zh) 一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法
Huang et al. Real-time road curb and lane detection for autonomous driving using LiDAR point clouds
Song et al. Real-time lane detection and forward collision warning system based on stereo vision
CN115861968A (zh) 一种基于实时点云数据的动态障碍物剔除方法
CN114325755A (zh) 一种适用于自动驾驶车辆的挡土墙检测方法及系统
Zhou et al. Asl-slam: A lidar slam with activity semantics-based loop closure
Song et al. A CPU-GPU hybrid system of environment perception and 3D terrain reconstruction for unmanned ground vehicle
CN116385997A (zh) 一种车载障碍物精确感知方法、系统及存储介质
Rasmussen et al. Trail following with omnidirectional vision
CN116508071A (zh) 用于注释汽车雷达数据的系统和方法

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