CN113569915B - 一种基于激光雷达的多策略轨道交通障碍物识别方法 - Google Patents

一种基于激光雷达的多策略轨道交通障碍物识别方法 Download PDF

Info

Publication number
CN113569915B
CN113569915B CN202110740833.1A CN202110740833A CN113569915B CN 113569915 B CN113569915 B CN 113569915B CN 202110740833 A CN202110740833 A CN 202110740833A CN 113569915 B CN113569915 B CN 113569915B
Authority
CN
China
Prior art keywords
point
point cloud
track
ground
obstacle
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
CN202110740833.1A
Other languages
English (en)
Other versions
CN113569915A (zh
Inventor
贺德强
邹智恒
陈彦君
李凯
马瑞
王一博
李先旺
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.)
Guangxi University
Original Assignee
Guangxi 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 Guangxi University filed Critical Guangxi University
Priority to CN202110740833.1A priority Critical patent/CN113569915B/zh
Publication of CN113569915A publication Critical patent/CN113569915A/zh
Application granted granted Critical
Publication of CN113569915B publication Critical patent/CN113569915B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Electromagnetism (AREA)
  • Optical Radar Systems And Details Thereof (AREA)
  • Train Traffic Observation, Control, And Security (AREA)

Abstract

本发明公开了一种基于激光雷达的多策略轨道交通障碍物识别方法，包括，在实际列车运行环境中激光雷达实时扫描列车运行环境数据采集，将获取的点云样本用于建立列车前方障碍物点云数据集；使用VoxelGrid体素滤波方法对点云进行采样滤波；创建新点云容器，遍历过滤后的点云，按照距离远近保存点云；针对室内及室外轨道交通列车运行场景使用不同策略进行地面分割，在分割过程中对轨道区域进行初步提取，最后对提取的轨道区域进行精确限界并用空间曲线拟合；根据不同距离进行多策略障碍物检测，基于距离的多策略进行分区域识别筛选，获取筛选结果。本发明可以实现列车前方障碍物实时检测，整个实验均在真实场景进行高精度检测，且易于调试。

Description

一种基于激光雷达的多策略轨道交通障碍物识别方法
技术领域
本发明属于轨道交通自动驾驾技术领域，具体涉及一种基于激光雷达的多策略轨道交通障碍物识别方法。
背景技术
随着列车与铁路技术的多元化发展，轨道交通逐渐呈现出各种各样的类型，不仅遍布于长距离的陆地运输，也广泛运用于中短距离的城市公共交通中，轨道交通是客流与货物运送的大动脉，是国家的生命线工程。尤其在中国，至2020年底全国铁路运营里程达14.6万公里，本年度旅客发送量为175.9亿人，货运发送量为35.8亿吨。所以，铁路行车安全显得尤为重要，铁路安全保障系统面临新的挑战，影响列车安全运行的因素主要包括机车司机技术水平、列车设施的可靠性以及自然环境等。轨道交通障碍物种类不仅包括非法上道的行人、牲畜，还包括自然灾害产生的落石、树木等，因此，针对列车前方障碍物检测展开研究对确保铁路安全运输具有重要意义，传统检测轨道交通障碍物的方法主要有关键位置监控、轨道巡检和列车实时检测。上述方法耗时长、劳动强度大且检测效率低下，在列车高速度和长时间的运行情况下无法满足实时检测的要求。
因此，为确保列车在不同的道路环境及天气条件下均能安全行驶，是复杂环境下列车安全运行的现实需求，随着智能驾驶技术的日益成熟，毫米波雷达、激光雷达、红外和光学相机等多种传感器技术已广泛用于轨道交通障碍物检测系统，其中，激光雷达以分辨率高、低空探测能力强、抗有源干扰能力强与容易部署等优点，在实际轨道交通障碍物检测系统中受到重点关注。
发明内容
本发明的目的在于提供一种基于激光雷达的多策略轨道交通障碍物识别方法，本发明能实现轨道交通室内与室外障碍物检测目的，且能满足实时检测要求，整个实验均在真实场景进行，满足实时性要求，部署容易，可大幅减轻工作人员的劳动强度，减少列车碰撞事故的发生。为了实现上述目的，本发明采用的技术方案如下：
根据本发明的一个方面，提供了一种基于激光雷达的多策略轨道交通障碍物识别方法，所述障碍物识别方法包括以下步骤：
步骤11：将激光雷达安装在轨道交通列车车头的司机室位置，在实际列车运行环境中激光雷达实时扫描列车运行环境数据采集，采集过滤并录列车运行前方路况点云数据，从录制的点云文件中截取包含障碍物的关键部分，然后将其按帧保存，筛选相似点云，将筛选后的点云样本用于建立列车前方障碍物点云数据集；
步骤12：使用VoxelGrid体素滤波方法对点云进行采样滤波，在不损失点云特征的前提下对点云数量进行过滤；
步骤13：创建新点云容器，遍历过滤后的点云，按照距离远近保存点云；
步骤14：针对室内及室外轨道交通列车运行场景的点云使用不同策略进行地面分割，在分割过程中对轨道区域进行初步提取，最后对提取的轨道区域进行精确限界并用空间曲线拟合；
步骤15：轨道交通点云障碍物检测，将轨道作为轨道交通障碍物检测的限界依据，根据列车前方的不同距离进行多策略障碍物检测，基于距离的多策略进行分区域识别筛选，获取障碍物聚类和筛选结果。
上述方案进一步优选的，使用VoxelGrid体素滤波方法对点云进行采样滤波，其满足如下步骤：
步骤21：以激光雷达为原点，列车右方、前方和上方分别建立Y、X、Z轴。依据点云数据坐标集合，求取X、Y、Z三个坐标轴上的最大值xmax、ymax、zmax和最小值xmin、ymin、zmin；
步骤22：根据X、Y、Z三个坐标轴上的最大、最小值求得点云最小包围盒的边长lx,ly,lz分别满足：
步骤23：设置体素栅格边长cell，将X、Y、Z三坐标轴均等划分为M、N、L份，则最小包围盒划分成M*N*L个体素栅格分别满足：
Num＝M*N*L；
其中，Num为栅格总数，表示向下取整；
步骤24：对每个体素栅格进行编号(i,j,k)，确定点云中每个点所属栅格，且满足：
步骤25：点云下采样，遍历体素栅格，计算栅格内点云重心，以重心替代栅格内其他点，若重心不存在，采用栅格内距离所求重心最近数据点代替栅格内点云，遍历结束后完成点云下采样，栅格内点云重心满足：
其中，cijk、pi、k分别代表体素栅格重心、三维坐标点、栅格内点云总数。
上述方案进一步优选的，针对室内及室外轨道交通列车运行场景使用采用两种策略不同方法进行点云地面分割，其中，针对室内轨道交通列车运行场景使用随机一致采样分割离群非地面点策略，室外轨道交通列车运行场景使用栅格地图分割地面策略。
上述方案进一步优选的，针对室内轨道交通列车运行场景采用随机一致采样分割离群非地面点，实现室内点云地面分割，其室内点云地面分割的步骤如下：
步骤41：随机假设某局内点云簇P为初始值，然后基于P拟合一个初始模型M；该初始模型M适用于假设的局内点云簇P，P中所有的未知参数都能从M中计算得出；
步骤42：用初始模型M测试所有不属于点云簇P的其它点数据，若某个点适用于该初始模型，则认为该点为P的局内点，并将其扩充进点云簇P中；
步骤43：通过判断局内点云数量来评估初始模型M是否合理，若有足够多的点被归类为假设的局内点云，则估计的始模型M足够合理；
步骤44：用所有假设的局内点云重新估计初始模型；因为该初始模型M是基于步骤41假设的局内点云簇P估计的，随着遍历的点越多，局内点数量也随之增加，此时需要更新模型；
步骤45：通过局内点云数量与初始模型M的正确率高低来评估模型；
步骤46：重复执行41至步骤45所设定的迭代次数，执行步骤41至步骤45过程为1次完整迭代，迭代结束后找到拟合平面点云的最优模型，至此完成轨道交通列车室内点云地面分割。
上述方案进一步优选的，针对室外轨道交通列车运行场景采用栅格地图分割离群非地面点策略，实现室外点云地面分割，其实现室外点云地面分割的步骤如下：
步骤51：建立栅格地图，将点云投影至XOY平面处理，针对点云容器中的点云在XOY平面建立栅格地图，先获取最大与最小点的三维坐标，利用Xmax、Xmin、Ymax与Ymin得到X与Y方向最大距离，确定XOY面积，设定栅格分辨率为0.2，则栅格数量满足：
步骤52：栅格化点云，遍历点云，根据当前点的X、Y值投影到XOY平面后分别存入对应栅格中，遍历结束后则点云容器范围内的点云全部存放在各自栅格中；
步骤53：分离非地面点云与地面点云，首先找寻各栅格中最小点，得到其Z坐标值，判定栅格中大于Zmin+0.15为非地面点，创建空点云对象存储非地面点，用于后续障碍物检测，判定栅格中属于(Zmin+0.15,Zmin+0.22)为轨道点，创建空点云对象存储轨道点；
步骤54：对非地面点的轨道区域进行初步提取，再对提取的轨道区域进行精确限界并用空间曲线拟合。
上述方案进一步优选的，对非地面点的轨道区域进行初步提取并进行空间曲线拟合的步骤如下：
步骤61：对非地面点的轨道区域设定滤除阈值，利用高程对轨道区域信息进行提取；
步骤62：对划分轨道点云中的左轨限定范围和右轨限定范围，继续创建两个空点云对象，将属于左轨道与右轨道范围内的点分别存入对应点云中；
步骤63：根据左轨道与右轨道点云分别进行空间曲线拟合，首先，创建三个空容器分别存放点云的x、y、z值，再在XOY平面利用如下曲线函数进行拟合：
y＝kx+l；
整个运算都基于矩阵进行，得到k、l、a、b、c参数。
步骤64：选定左轨最小值或右轨道最小值与最大值点，最大值与最小值相减得到总长度，设定迭代步长s＝0.2，即总步长为(Xmax-Xmin)/s，利用步骤63得到的参数进行曲线拟合，完成轨道拟合。
上述方案进一步优选的，基于距离的多策略进行分区域识别筛选的步骤为：
步骤71：使用近邻搜索法创建点云搜索二叉树，从而完成点云数据的点云树创建；
步骤72：对点云树使用欧式聚类方法对构成点云簇的物体进行聚类；首先定义点云树为P，创建空的簇列表C以及待检查点的队列Q，然后针对每个点pi∈P执行以下步骤：
步骤a)，添加pi到队列Q；
步骤b)，为每个点云pi∈Q做如下步骤：在半径r＜dth的球面中搜索pi的点邻居集Pi k；对于每个检查该点是否已经被处理，如果没有，则将其添加到Q中；
步骤c)，当队列Q中的点都处理完后，将其添加到C中，并将Q置空；
步骤d)，pi∈P中的点处理完毕后算法终止，得到聚类C；
步骤73：根据距离设置不同筛选障碍物聚类结果及阈值，获取障碍物聚类和筛选结果。
综上所述，由于本发明采用了上述技术方案，本发明具有如下显著效果：
本发明采用了基于激光雷达的多策略轨道交通障碍物检测识别方法，使用体素栅格对点云进行采样滤波，建立点云栅格地图分离地面与非地面点云并提取轨道，利用空间曲线拟合轨道和三维空间近邻点云搜索，结合欧式聚类实现初步障碍物聚类，最后利用轨道曲线和多策略在有轨与无轨点云区域进行障碍物过滤。数据采集于真实列车运行环境，实验在嵌入式设备上进行。结果表明可以实现轨道交通列车前方障碍物的智能检测，检测准确率比传统检测方式高，满足实时性要求，部署容易，可大幅减轻工作人员的劳动强度，减少列车碰撞事故的发生。本发明可以实现列车前方障碍物实时检测，整个实验均在真实场景进行高精度检测识别，实验结果验证了方法的可行性，易于调试。
附图说明
图1是本发明的一种基于激光雷达的多策略轨道交通障碍物识别方法的流程图；
图2是本发明的激光雷达在真实列车运行环境采集的雷达点云图；
图3是本发明的地面点云分割结果；
图4是本发明的轨道点云提取结果图；
图5是本发明的轨道区域空间曲线拟合结果图；
图6是本发明的空间曲线映射在原始点云结果图；
图7是本发明中针对(0，70)范围内障碍物聚类和筛选结果图；
图8是本发明中针对(0，70)范围内障碍物聚类和筛选结果的放大图；
图9是本发明中针对(70，100)范围内障碍物聚类和筛选结果图；
图10是本发明中针对(70，100)范围内障碍物聚类和筛选结果的放大图；
图11是本发明中针对(100，140)范围内障碍物聚类和筛选结果；
图12是本发明中针对(100，140)范围内障碍物聚类和筛选结果的放大图；
图13是本发明中针对(140，200)范围内障碍物聚类和筛选结果图；
图14是本发明中针对(140，200)范围内障碍物聚类和筛选结果的放大图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下参照附图并举出优选实施例，对本发明进一步详细说明。然而，需要说明的是，说明书中列出的许多细节仅仅是为了使读者对本发明的一个或多个方面有一个透彻的理解，即便没有这些特定的细节也可以实现本发明的这些方面。
结合图1，根据本发明的一种基于激光雷达的多策略轨道交通障碍物识别方法，所述障碍物识别方法包括以下步骤：
步骤11：将激光雷达安装在轨道交通列车车头的司机室位置，在实际列车运行环境中激光雷达实时扫描列车运行环境数据采集，采集过滤并录列车运行前方路况点云数据，从录制的点云文件中截取包含障碍物的关键部分，然后将其按帧保存，首先将包含障碍物的关键片段截取出来，然后将该片段按帧保存，得到的是连续时刻的数据，而1秒内至少有25帧数据，为此筛选相似点云，筛选后的点云样本用于建立列车前方障碍物点云数据集；；在本发明中，在真实列车运行环境采集数据。安装在列车司机室的激光雷达实时扫描并录制前方路况点云数据，首先从录制的点云文件中截取包含障碍物的关键部分，然后将其按帧保存并筛选，未经处理的轨道交通场景原始点云如图2所示，雷达点云图即未经处理的原始点云图，将获取的点云样本用于建立列车前方障碍物点云数据集；
步骤12：使用VoxelGrid体素滤波方法对点云进行采样滤波，在不损失点云特征的前提下对点云数量进行过滤，用于提高数据处理速度；保存点云特征的同时降低点云数量；在本发明中，使用VoxelGrid体素滤波方法对点云进行采样滤波，其满足如下步骤：
步骤21：以激光雷达为原点，列车右方、前方、上方分别建立Y、X、Z轴。依据点云数据坐标集合，求取X、Y、Z三个坐标轴上的最大值xmax、ymax、zmax和最小值xmin、ymin、zmin；
步骤22：根据X、Y、Z三个坐标轴上的最大、最小值求得点云最小包围盒的边长lx,ly,lz(立方体的长宽高)分别满足：
步骤23：设置体素栅格边长cell，将X、Y、Z三坐标轴均等划分为M、N、L份，则最小包围盒划分成M*N*L个体素栅格分别满足：
Num＝M*N*L；
其中，Num为栅格总数，表示向下取整；
步骤24：对每个体素栅格进行编号(i,j,k)，确定点云中每个点所属栅格，且满足：
步骤25：点云下采样，遍历体素栅格，计算栅格内点云重心，以重心替代栅格内其他点，若重心不存在，采用栅格内距离所求重心最近数据点代替栅格内点云，遍历结束后完成点云下采样，整个过遍历过程可以理解为：假设一个体素栅格中有100个点，即k＝100，从第一个点开始遍历即i＝1，栅格内点云重心满足：
其中，cijk、pi、k分别代表体素栅格重心、三维坐标点、栅格内点云总数。
步骤13：创建新点云容器，遍历过滤后的点云，按照距离远近保存点云；由于不同距离下的点云特征不同，采用多策略对障碍物进行检测，根据点云特征得知，设定雷达探测有效距离为200米，即前方200m内的环境均以点云形式保存。分析点云可得，70米内点云密集，轨道与障碍物信息完整，70米外缺少轨道信息，障碍物信息较为完整。按(0，70)，(70，100)，(100，140)，(140，200)创建点云容器；
步骤14：针对室内及室外轨道交通列车运行场景使用不同策略进行地面分割；针对室外有轨区域的点云，首先建立栅格地图，将点云投影至XOY平面处理，其次进行地面点云与非地面点云的分割，而室内有轨区域的点云采用随机一致采样进行地面分割，在分割过程中对轨道区域进行初步提取，最后对提取的轨道区域进行精确限界并用空间曲线拟合；
步骤15：轨道交通点云障碍物检测，将轨道作为轨道交通障碍物检测的限界依据，根据列车前方不同距离进行多策略障碍物检测，以列车头安装的激光雷达为原点，前方各点距该雷达的距离。所有数据均是基于激光雷达所采回的点云进行处理；基于距离的多策略进行分区域对障碍物识别筛选，获取障碍物聚类和筛选结果；从而确保筛选的聚类物体为限界区域内构成威胁的障碍物；点云障碍物检测首先创建三维空间点云近邻搜索树，然后借助搜索树的搜索策略，利用欧式聚类将构成聚类条件的点云放在相同的点云簇中，完成物体聚类后，基于距离的多策略进行分区域筛选，确保筛选的聚类物体为限界区域内构成威胁的障碍物。
在本发明中，在步骤14中，针对室内及室外轨道交通列车运行场景使用采用两种策略不同方法进行点云地面分割，其中，针对室内轨道交通列车运行场景使用随机一致采样分割离群非地面点策略，室外轨道交通列车运行场景使用栅格地图分割地面策略。其中，针对室内轨道交通列车运行场景采用随机一致采样分割离群非地面点，实现室内点云地面分割，其室内点云地面分割的步骤如下：
步骤41：随机假设某局内点云簇P为初始值，然后基于P拟合一个初始模型M；该初始模型M适用于假设的局内点云簇P，P中所有的未知参数都能从M中计算得出；
步骤42：用初始模型M测试所有不属于点云簇P的其它点数据，若某个点适用于该初始模型，则认为该点为P的局内点，并将其扩充进点云簇P中；
步骤43：通过判断局内点云数量来评估初始模型M是否合理，若有足够多的点被归类为假设的局内点云，则估计的始模型M足够合理；
步骤44：用所有假设的局内点云重新估计初始模型；因为该初始模型M是基于步骤41假设的局内点云簇P估计的，随着遍历的越多，局内点数量也随之增加，此时需要更新模型；
步骤45：通过局内点云数量与初始模型M的正确率高低来评估模型；
步骤46：重复执行41至步骤45所设定的迭代次数，执行步骤41至步骤45过程为1次完整迭代，迭代结束后找到拟合平面点云的最优模型，至此完成轨道交通列车室内点云地面分割。
在本发明中，针对室外轨道交通列车运行场景采用栅格地图分割离群非地面点策略，实现室外点云地面分割，其实现室外点云地面分割的步骤如下：
步骤51：建立栅格地图，将点云投影至XOY平面处理，针对点云容器中的点云在XOY平面建立栅格地图，针对(0，70)容器中的点云在XOY平面建立栅格地图，先获取最大与最小点的三维坐标，利用Xmax、Xmin、Ymax与Ymin得到X与Y方向最大距离(X为前后方向，Y为左右方向)，确定XOY面积，设定栅格分辨率为0.2，则栅格数量满足：
步骤52：栅格化点云，遍历点云，根据当前点的X、Y值投影到XOY平面后分别存入对应栅格中，遍历结束后则(0，70)点云容器范围内的点云全部存放在各自栅格中；
步骤53：分离非地面点云与地面点云，首先找寻各栅格中最小点，得到其Z坐标值，判定栅格中大于Zmin+0.15为非地面点，创建空点云对象存储非地面点，用于后续障碍物检测，判定栅格中属于(Zmin+0.15,Zmin+0.22)为轨道点，由于列车行驶在特定的轨道上，按轨道依托于地面安装，大量的地面点云给障碍物检测带来干扰，而地面在点云数据中处于最低点，所以利用Z阈值分离可以很好的将其过滤。针对室内运行场景，遍历步骤52中建立的栅格点云，首先找寻各栅格中最小点，得到其Z坐标值。判定栅格中大于Zmin+0.15为非地面点，创建空点云对象，存储非地面点，用于后续障碍物检测。针对室外运行场景，采用随机一致采样方法对地面点云进行过滤。地面分割结果如图3所示，为下一步提取轨道做准备，轨道高于地面，所以滤除地面点云可以有效排除干扰。判定栅格中属于(Zmin+0.15,Zmin+0.22)为轨道点，创建空点云对象存储轨道点；
步骤54：对非地面点的轨道区域进行初步提取，再对提取的轨道区域进行精确限界并用空间曲线拟合，在分割过程中对非地面点轨道区域进行初步提取，再对该轨道区域进行精确限界并用空间曲线拟合，对非地面点的轨道区域进行初步提取并进行空间曲线拟合的步骤如下：
步骤61：对非地面点的轨道区域设定滤除阈值，利用高程对轨道区域信息进行提取；由于轨道比地面点要高，利用高程将轨道提取出来，对于非地面点滤除时所设定的阈值提取了轨道信息，但不够精确，在此，需要继续对Y方向(左右)进行滤除。由于在前期激光雷达实际部署时，其安装在列车上，位于轨道间，为限界计算带来参考，在实施例中将轨道区域限定在(-1.0，2.2)，提取结果如图4所示，单独提取轨道的轨道不包含其他干扰点，方便下一步轨道拟合，具体数值可根据不同安装位置调整，创建空点云对象，用于保存限定区域内的点云数据；
步骤62：对划分轨道点云中的左轨限定范围和右轨限定范围，继续创建两个空点云对象，将属于左轨道与右轨道范围内的点分别存入对应点云中；需要对左轨道与右轨道分别拟合，轨道点云数据提取完毕后准备进行曲线拟合，由于左轨道与右轨道需要分别拟合，而提取的轨道信息并未进行区分，所以继续划分轨道点云，左轨限定范围为(1.2，2.1)，右轨限定范围为(-0.2，-0.9)，继续创建两个空点云对象，创建空点云对象存储的轨道点，将属于左轨道与右轨道范围内的点分别存入对应点云中
步骤63：根据左轨道与右轨道点云分别进行空间曲线拟合，首先，创建三个空容器分别存放点云的x、y、z值，再在XOY平面利用如下曲线函数进行拟合：
y＝kx+l；
整个运算都基于矩阵进行，得到k、l、a、b、c参数。
步骤64：选定左轨最小值或右轨道最小值与最大值点，最大值与最小值相减得到总长度，设定迭代步长s＝0.2，即总步长为(Xmax-Xmin)/s，利用步骤63得到的参数进行曲线拟合，完成轨道拟合；拟合结果如图5所示，图6为拟合的曲线映射至原始点云的结果，映射的目的是看曲线拟合是否准确。
在本发明中，完成点云下采样、地面分割与轨道提取后进行障碍物聚类与筛选。利用近邻点云搜索、欧式聚类、基于距离的多策略障碍物筛选，基于距离的多策略进行分区域对障碍物识别筛选的步骤为：
步骤71：三维空间近邻点云搜索，使用近邻搜索法创建点云搜索二叉树，从而完成点云数据的点云树创建；树的每个级别都使用垂直于相应轴的超平面，沿特定维度拆分所有子级，在树的根部，所有子项都将根据第一维进行拆分，树中向下的每个级别都在下一个维度上划分，其他所有元素都用尽后，将返回到第一个维度，使用策略进行分区方法，是将中点放置在根上，所有具有较小一维值的事物放置在根部，而左侧放置较大的，然后，在左右两个子树上都重复此过程，直到要分区的最后一棵树仅由一个元素组成，完成点云数据的点云树创建；
步骤72：对点云树使用欧式聚类方法对构成点云簇的物体进行聚类；首先定义点云树为P，创建空的簇列表C以及待检查点的队列Q，然后针对每个点pi∈P执行以下步骤：
步骤a)，添加pi到队列Q；
步骤b)，为每个点云pi∈Q做如下步骤：在半径r＜dth的球面中搜索pi的点邻居集Pi k；对于每个检查该点是否已经被处理，如果没有，则将其添加到Q中；
步骤c)，当队列Q中的点都处理完后，将其添加到C中，并将Q置空；
步骤d)，pi∈P中的点处理完毕后算法终止，得到聚类C；
步骤73：根据距离设置不同筛选障碍物聚类结果及阈值，遍历步骤72得到的聚类结果求得其质心坐标(x，y，z)，在限定区域内将质心坐标代入空间曲线拟合，判断质心坐标是否在限界区域内，从而进行障碍物筛选，获取障碍物聚类和筛选结果；在本发明中，将步骤13中已按距离存储点云数据，根据距离设置不同筛选障碍物聚类的方法及阈值。具体说来，遍历步骤72中得到的聚类结果，求得其质心坐标(x，y，z)。在(0，70)内的点云根据轨道进行筛选，将限界区域外扩0.75m，利用步骤63曲线函数进行拟合：根据曲线拟合得到的参数k、l、a、b、c可以确定具体的曲线，将质心坐标代入该曲线可以求得是否在限界区域内，从而进行障碍物筛选，针对70m以外的点云区域，由于激光雷达安装位置固定，即随着距离的增加，点云相对激光雷达的位置偏离也增大，所以限界范围也应根据距离而扩大。另一方面，远距离点云密度比近距离的稀疏，点与点间距变大，因此聚类最小点云数量应下调，且搜索半径应上调。(70，100)范围内的点云最小聚类点云数量为30，搜索半径为0.15m。(100，140)范围内的点云最小聚类点云数量为25，搜索半径为0.2m。(140，200)范围内的点云最小聚类点云数量为15，搜索半径为0.25m，障碍物聚类和筛选结果如图7-图14所示；按照上述障碍物筛选后，基本可以框选正确的障碍物且未被过滤，在限界区域内的障碍物被保留，未在限界区域内的障碍物不被框选，为验证所提方法的有效性，针对单轨的室内与室外运行场景，挑选1000帧点云文件进行分析，有轨区域(≤70m)的障碍物检测率达98％，无轨区域(＞70m)的障碍物检测率达95％。由实验结果可知所提方法能实现障碍物的检测，检测准确率高且满足实时要求。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (4)

1.一种基于激光雷达的多策略轨道交通障碍物识别方法，其特征在于：所述障碍物识别方法包括以下步骤：
步骤11：将激光雷达安装在轨道交通列车车头的司机室位置，在实际列车运行环境中激光雷达实时扫描列车运行环境数据采集，采集过滤并记录列车运行前方路况点云数据，从录制的点云文件中截取包含障碍物的关键部分，然后将其按帧保存，筛选相似点云，将筛选后的点云样本用于建立列车前方障碍物点云数据集；
步骤12：使用VoxelGrid体素滤波方法对点云进行采样滤波，在不损失点云特征的前提下对点云数量进行过滤；
步骤13：创建新点云容器，遍历过滤后的点云，按照距离远近保存点云；
步骤14：针对室内及室外轨道交通列车运行场景的点云使用不同策略进行地面分割，在分割过程中对轨道区域进行初步提取，最后对提取的轨道区域进行精确限界并用空间曲线拟合；其中，针对室内轨道交通列车运行场景使用随机一致采样分割离群非地面点策略；
针对室外轨道交通列车运行场景采用栅格地图分割离群非地面点策略，实现室外点云地面分割，其实现室外点云地面分割的步骤如下：
步骤51：建立栅格地图，将点云投影至XOY平面处理，针对点云容器中的点云在XOY平面建立栅格地图，先获取最大与最小点的三维坐标，利用Xmax、Xmin、Ymax与Ymin得到X与Y方向最大距离，确定XOY面积，设定栅格分辨率为0.2，则栅格数量满足：
步骤52：栅格化点云，遍历点云，根据当前点的X、Y值投影到XOY平面后分别存入对应栅格中，遍历结束后则点云容器范围内的点云全部存放在各自栅格中；
步骤53：分离非地面点云与地面点云，首先找寻各栅格中最小点，得到其Z坐标值，判定栅格中大于Zmin+0.15为非地面点，创建空点云对象存储非地面点，用于后续障碍物检测，判定栅格中属于(Zmin+0.15,Zmin+0.22)为轨道点，创建空点云对象存储轨道点；
步骤54：对非地面点的轨道区域进行初步提取，再对提取的轨道区域进行精确限界并用空间曲线拟合
步骤15：轨道交通点云障碍物检测，将轨道作为轨道交通障碍物检测的限界依据，根据列车前方的不同距离进行多策略障碍物检测，基于距离的多策略进行分区域识别筛选，获取障碍物聚类和筛选结果；
对非地面点的轨道区域进行初步提取并进行空间曲线拟合的步骤如下：
步骤61：对非地面点的轨道区域设定滤除阈值，利用高程对轨道区域信息进行提取；
步骤62：对划分轨道点云中的左轨限定范围和右轨限定范围，继续创建两个空点云对象，将属于左轨道与右轨道范围内的点分别存入对应点云中；
步骤63：根据左轨道与右轨道点云分别进行空间曲线拟合，首先，创建三个空容器分别存放点云的x、y、z值，再在XOY平面利用如下曲线函数进行拟合：
y＝kx+l；
整个运算都基于矩阵进行，得到k、l、a、b、c参数；
步骤64：选定左轨最小值或右轨道最小值与最大值点，最大值与最小值相减得到总长度，设定迭代步长s＝0.2，即总步长为(Xmax-Xmin)/s，利用步骤63得到的参数进行曲线拟合，完成轨道拟合。
2.根据权利要求1所述的一种基于激光雷达的多策略轨道交通障碍物识别方法，其特征在于：使用VoxelGrid体素滤波方法对点云进行采样滤波，其满足如下步骤：
步骤21：以激光雷达为原点，列车右方、前方和上方分别建立Y、X、Z轴；依据点云数据坐标集合，求取X、Y、Z三个坐标轴上的最大值xmax、ymax、zmax和最小值xmin、ymin、zmin；
步骤22：根据X、Y、Z三个坐标轴上的最大、最小值求得点云最小包围盒的边长lx,ly,lz分别满足：
步骤23：设置体素栅格边长cell，将X、Y、Z三坐标轴均等划分为M、N、L份，则最小包围盒划分成M*N*L个体素栅格分别满足：
Num＝M*N*L；
其中，Num为栅格总数，表示向下取整；
步骤24：对每个体素栅格进行编号(i,j,k)，确定点云中每个点所属栅格，且满足：
步骤25：点云下采样，遍历体素栅格，计算栅格内点云重心，以重心替代栅格内其他点，若重心不存在，采用栅格内距离所求重心最近数据点代替栅格内点云，遍历结束后完成点云下采样，栅格内点云重心满足：
其中，cijk、pi、k分别代表体素栅格重心、三维坐标点、栅格内点云总数。
3.根据权利要求1所述的一种基于激光雷达的多策略轨道交通障碍物识别方法，其特征在于：针对室内轨道交通列车运行场景采用随机一致采样分割离群非地面点，实现室内点云地面分割，其室内点云地面分割的步骤如下：
步骤41：随机假设某局内点云簇P为初始值，然后基于P拟合一个初始模型M；该初始模型M适用于假设的局内点云簇P，P中所有的未知参数都能从M中计算得出；
步骤42：用初始模型M测试所有不属于点云簇P的其它点数据，若某个点适用于该初始模型，则认为该点为P的局内点，并将其扩充进点云簇P中；
步骤43：通过判断局内点云数量来评估初始模型M是否合理，若有足够多的点被归类为假设的局内点云，则估计的始模型M足够合理；
步骤44：用所有假设的局内点云重新估计初始模型；因为该初始模型M是基于步骤41假设的局内点云簇P估计的，随着遍历的点越多，局内点数量也随之增加，此时需要更新模型；
步骤45：通过局内点云数量与初始模型M的正确率高低来评估模型；
步骤46：重复执行41至步骤45所设定的迭代次数，执行步骤41至步骤45过程为1次完整迭代，迭代结束后找到拟合平面点云的最优模型，至此完成轨道交通列车室内点云地面分割。
4.根据权利要求1所述的一种基于激光雷达的多策略轨道交通障碍物识别方法，其特征在于：基于距离的多策略进行分区域识别筛选的步骤为：
步骤71：使用近邻搜索法创建点云搜索二叉树，从而完成点云数据的点云树创建；
步骤72：对点云树使用欧式聚类方法对构成点云簇的物体进行聚类；首先定义点云树为P，创建空的簇列表C以及待检查点的队列Q，然后针对每个点pi∈P执行以下步骤：
步骤a)，添加pi到队列Q；
步骤b)，为每个点云pi∈Q做如下步骤：在半径r＜dth的球面中搜索pi的点邻居集Pi k；对于每个检查该点是否已经被处理，如果没有，则将其添加到Q中；
步骤c)，当队列Q中的点都处理完后，将其添加到C中，并将Q置空；
步骤d)，pi∈P中的点处理完毕后算法终止，得到聚类C；
步骤73：根据距离设置不同筛选障碍物聚类结果及阈值，获取障碍物聚类和筛选结果。
CN202110740833.1A 2021-06-30 2021-06-30 一种基于激光雷达的多策略轨道交通障碍物识别方法 Active CN113569915B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110740833.1A CN113569915B (zh) 2021-06-30 2021-06-30 一种基于激光雷达的多策略轨道交通障碍物识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110740833.1A CN113569915B (zh) 2021-06-30 2021-06-30 一种基于激光雷达的多策略轨道交通障碍物识别方法

Publications (2)

Publication Number Publication Date
CN113569915A CN113569915A (zh) 2021-10-29
CN113569915B true CN113569915B (zh) 2024-04-02

Family

ID=78163252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110740833.1A Active CN113569915B (zh) 2021-06-30 2021-06-30 一种基于激光雷达的多策略轨道交通障碍物识别方法

Country Status (1)

Country Link
CN (1) CN113569915B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114396892B (zh) * 2021-12-02 2023-08-25 重庆交通大学 轨道交通曲线轨道曲率测量方法
CN114299240A (zh) * 2021-12-20 2022-04-08 重庆市勘测院 一种基于距离阈值的并行点云抽稀方法
CN114648571B (zh) * 2022-03-26 2024-09-13 常熟理工学院 机器人高精度地图建图中行驶区域内障碍物过滤方法
CN114815821B (zh) * 2022-04-19 2022-12-09 山东亚历山大智能科技有限公司 基于多线激光雷达的室内自适应全景避障方法及系统
CN115598656B (zh) * 2022-12-14 2023-06-09 成都运达科技股份有限公司 基于悬挂轨道的障碍物检测方法、装置及系统
CN116934832B (zh) * 2023-07-19 2024-08-02 齐鲁工业大学(山东省科学院) 基于现场参照物的三维点云的实时标定方法
CN117649495B (zh) * 2024-01-30 2024-05-28 山东大学 基于点云描述符匹配的室内三维点云地图生成方法及系统
CN118619120A (zh) * 2024-08-14 2024-09-10 华芯(嘉兴)智能装备有限公司 天车的防碰撞控制方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517270A (zh) * 2019-07-16 2019-11-29 北京工业大学 一种基于超像素深度网络的室内场景语义分割方法
CN111291708A (zh) * 2020-02-25 2020-06-16 华南理工大学 融合深度相机的变电站巡检机器人障碍物检测识别方法
CN111798398A (zh) * 2020-07-10 2020-10-20 三一重工股份有限公司 点云降噪方法、装置、电子设备和计算机可读存储介质
CN112633176A (zh) * 2020-12-24 2021-04-09 广西大学 一种基于深度学习的轨道交通障碍物检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517270A (zh) * 2019-07-16 2019-11-29 北京工业大学 一种基于超像素深度网络的室内场景语义分割方法
CN111291708A (zh) * 2020-02-25 2020-06-16 华南理工大学 融合深度相机的变电站巡检机器人障碍物检测识别方法
CN111798398A (zh) * 2020-07-10 2020-10-20 三一重工股份有限公司 点云降噪方法、装置、电子设备和计算机可读存储介质
CN112633176A (zh) * 2020-12-24 2021-04-09 广西大学 一种基于深度学习的轨道交通障碍物检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于车载激光雷达的目标识别方法研究;王旭;《硕士电子期刊》;论文正文 *
面向无人驾驶的激光雷达目标检测与追踪算法的研究与应用;吴瑶;《硕士电子期刊》;论文正文 *

Also Published As

Publication number Publication date
CN113569915A (zh) 2021-10-29

Similar Documents

Publication Publication Date Title
CN113569915B (zh) 一种基于激光雷达的多策略轨道交通障碍物识别方法
WO2022206974A1 (zh) 一种基于路侧感知单元的静态和非静态物体点云识别方法
CN106530380B (zh) 一种基于三维激光雷达的地面点云分割方法
CN103500338B (zh) 基于车载激光扫描点云的道路斑马线自动提取方法
CN110210389B (zh) 一种面向道路交通场景的多目标识别跟踪方法
CN109633674A (zh) 基于激光点云数据的输电巡视三维航迹自动规划方法
CN111079611B (zh) 一种道路面及其标志线的自动提取方法
CN110532889B (zh) 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法
CN103390169B (zh) 一种车载激光扫描点云数据的城市地物分类方法
CN106199558A (zh) 障碍物快速检测方法
CN106780524A (zh) 一种三维点云道路边界自动提取方法
CN106842231A (zh) 一种道路边界检测及跟踪方法
CN115605777A (zh) 一种基于路侧感知单元的动态目标点云快速识别及点云分割方法
CN112801022A (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
CN112184736B (zh) 一种基于欧式聚类的多平面提取方法
CN112414309B (zh) 基于机载激光雷达的高铁接触线导高及拉出值巡检方法
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
CN105787921A (zh) 利用机载LiDAR数据重建大型复杂立交桥三维模型的方法
EP4120123A1 (en) Scan line-based road point cloud extraction method
Silver et al. Experimental analysis of overhead data processing to support long range navigation
CN114114314A (zh) 基于激光点云的输电线路巡检检测系统及检测方法
CN114170149A (zh) 一种基于激光点云的道路几何信息提取方法
CN115063555A (zh) 高斯分布区域生长的车载LiDAR点云行道树提取方法
Truong-Hong et al. Automatic detection of road edges from aerial laser scanning data
CN116299315A (zh) 一种使用激光雷达实时检测路面障碍物的方法和装置

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