CN113592891B - 无人车可通行域分析方法及导航栅格地图制作方法 - Google Patents

无人车可通行域分析方法及导航栅格地图制作方法 Download PDF

Info

Publication number
CN113592891B
CN113592891B CN202110874294.0A CN202110874294A CN113592891B CN 113592891 B CN113592891 B CN 113592891B CN 202110874294 A CN202110874294 A CN 202110874294A CN 113592891 B CN113592891 B CN 113592891B
Authority
CN
China
Prior art keywords
neighborhood
map
terrain
grid
point cloud
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
CN202110874294.0A
Other languages
English (en)
Other versions
CN113592891A (zh
Inventor
易建军
周波
张新科
王敏
苏林
阮俊杰
范体军
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.)
East China University of Science and Technology
Shanghai Academy of Environmental Sciences
Original Assignee
East China University of Science and Technology
Shanghai Academy of Environmental Sciences
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 East China University of Science and Technology, Shanghai Academy of Environmental Sciences filed Critical East China University of Science and Technology
Priority to CN202110874294.0A priority Critical patent/CN113592891B/zh
Publication of CN113592891A publication Critical patent/CN113592891A/zh
Application granted granted Critical
Publication of CN113592891B publication Critical patent/CN113592891B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/005—Tree description, e.g. octree, quadtree
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • 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

Abstract

本申请公开了一种无人车可通行域分析方法及导航栅格地图制作方法。该无人车可通行域分析方法包括步骤：获取待分析采样点数据步骤，采样区域选择步骤，地形可靠度分析步骤，第一可通行域判断步骤，地形平整度分析步骤，地形坡度分析步骤以及第二可通行域判断步骤。导航栅格地图制作方法包括以下步骤：构建点云地图步骤，构建局部八叉树地图步骤，无人车可通行域分析步骤，以及栅格地图融合步骤。本申请着重解决流程中激光点云预处理、地形可通行域分析、栅格地图融合三个方面的问题。同时结合双目相机获取的点云信息，实现基于高程信息的野外无人车可通行域分析方法。

Description

无人车可通行域分析方法及导航栅格地图制作方法
技术领域
本发明属于野外无人车导航与探索领域，具体涉及到野外无人车环境感知、导航地图构建技术，尤其涉及一种无人车可通行域分析方法及导航栅格地图制作方法。
背景技术
目前无人车的探索与导航已经取得了显著的成就，但是大多数研究都在室内场景、或则结构化室外场景下进行(例如工厂AGV、无人驾驶等)。他们假设无人车运行在一个相对平坦的地面。而如何在地形崎岖的野外(室外)场景下进行无人车的自主三维探索与导航仍是一个研究难题，然而这类研究正是野外搜救、山地环境探索所需要的。
针对具有缓坡与洼地等环境的特定野外场景，目前无法构建实现避障导航与路径规划的栅格地图。而且现有雷达采集的点云数据存在缺失，导致无法准确判断一些区域是否可通行，对可通行域的判断不准确。
发明内容
针对具有缓坡与洼地等环境的特定野外场景，本方法在使用激光s l am获取稀疏点云的基础上，提出一种基于地形高程信息处理的无人车可通行域分析方法，用以解决野外场景下的特定“障碍”，例如树木、凹坑与陡坡等在雷达采集的点云数据存在缺失，导致无法准确判断一些区域是否可通行，对可通行域的判断不准确，无法制作有效的导航栅格地图的技术问题。
为了实现上述目的，本发明其中一实施例中提供一种无人车可通行域分析方法，包括以下步骤：
获取待分析采样点数据步骤，在点云地图上获取一预行进区域的待分析采样点的数据，该数据为点云数据；
采样区域选择步骤，在某一待分析采样点同一水平面上在一阈值范围内形成采样区域，将所述采样区域划分为围绕所述待分析采样点的多个邻域；
地形可靠度分析步骤，对于每个邻域进行地形可靠度分析，标记有效邻域与无效邻域；
第一可通行域判断步骤，如果所述待分析采样点周围的无效邻域数量小于2，则判定该采样点为可通行，并对每个有效邻域进行邻域高程处理；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点；
地形平整度分析步骤，以可通行域内的有效邻域的中心高程对采样区域进行地形平整度分析；
地形坡度分析步骤，利用所述待分析采样点周围的有效邻域的中心高程计算所述待分析采样点的高程法向量，获取该采样点在某个方向的坡度以进行地形坡度分析；以及
第二可通行域判断步骤，如果所述待分析采样点所在的采样区域的地形平整度与地形坡度满足阈值，则标记该采样点为可通行；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点。
进一步地，在所述获取待分析采样点数据步骤中，所述点云地图通过激光雷达获取；所述激光雷达包括多个激光传感器，所述激光传感器通过获取周围地形场景的多个特征，选取地势特征形成点云数据。
进一步地，基于无人车启动时的质心的位置来构造坐标系，所述坐标系的坐标轴包括x轴、y轴和z轴，x轴、y轴位于水平面上，x轴为无人车车头朝向方向，z轴垂直于水平面，所述高程为z轴方向的海拔高度；所述邻域为四个，其中两个邻域位于x轴方向上，其中两个邻域位于y轴方向上。
进一步地，在所述地形可靠度分析步骤中，针对采样到的待分析点，计算周围邻域中高程值有效的栅格数与总栅格数比值，以此获得有效栅格百分比λ；当该百分比λ大于第一阈值时，判定该邻域高程数值可靠，标记该邻域为有效邻域；否则标记该邻域为无效邻域。
进一步地，在所述第一可通行域判断步骤中，对每个有效邻域进行邻域高程处理的方式为使用该邻域内平均高程表示该邻域的中心高程。
进一步地，在所述地形平整度分析步骤中，对于有效邻域计算邻域中心高程均方差作为该待分析采样点所在采样区域的地形平整度表征，其值越大，该采样区域地形越崎岖，可通行性越差。
进一步地，在所述地形坡度分析步骤中，高程法向量V的计算方向如下：
则，地形坡度计算如下：θ＝arccos(||V||z)；
其中A1,A2,A3,A4分别表示邻域1，邻域2，邻域3，邻域4；
z_center1,z_center2,z_center3,z_center4分别表示邻域1，邻域2，邻域3，邻域4的平均高程值；z_p表示采样点(x，y)的高程值；disx,disy分别表示邻域中心在x方向和y方向的距离；A1orA3 is invalid表示邻域1或邻域3为无效邻域；A2orA4 is invalid表示邻域2或邻域4为无效邻域；otherwise表示所有邻域均有效。
本申请还提供一种导航栅格地图制作方法，包括以下步骤：
构建点云地图步骤，无人车运行激光雷达获取周围地形场景的稀疏点云图，将点云图匹配构建点云地图；
构建局部八叉树地图步骤，在获得稀疏点云地图之后，对点云数据进行降采样处理，以无人车为中心形成局部八叉树地图；
无人车可通行域分析步骤，采用本申请所述的无人车可通行域分析方法对无人车可通行域进行分析，对可通行域同步生成局部栅格占有地图；以及
栅格地图融合步骤，获取全局栅格占有地图和/或障碍物占有地图，将所述全局栅格占有地图和/或障碍物占有地图与所述局部栅格占有地图相融合获得融合栅格占有地图。
进一步地，所述构建局部八叉树地图步骤具体包括：
感兴趣区域(ROI)裁剪步骤，以无人车所在位置为中心，对所述点云地图实时裁剪为一长方体的局部点云地图；
体素降采样步骤，采用0.1m的体素块对点云地图进行体素滤波；
离群点去除步骤，对体素滤波后的点云地图的点云数据之间的最小间距计算，当一点云数据的最小间距大于一阈值时设为离群点，删除所述离群点；
地面点云分割步骤，采用Ray Ground Filter算法进行点云地面分割，对点云地图中位于无人车车头方向的地面空间分割成若干个子平面，每个子平面对应为一个局部地形点云；以及
形成局部八叉树地图步骤，对每个子平面使用地面平面拟合算法(GPF)形成局部八叉树地图。
进一步地，所述栅格地图融合步骤具体包括：
获取全局栅格地图步骤，将通过激光雷达获取的表征地形可通行域的全局栅格占有地图与通过相机获取的标识非地形障碍的障碍物占有地图投影到地形栅格地图坐标系中进行坐标转换，构建以无人车为中心的以同时表征地形和非地形障碍的全局栅格地图；
获取局部栅格占有地图步骤，将无人车通过的局部栅格占有地图，结合无人车的位姿信息，投射到全局栅格地图对应位置；以及
地图融合步骤，采用基于贝叶斯滤波融合的方法，对局部栅格占有地图与全局栅格地图进行数据融合；经数据融合后的栅格地图只有可通行与不可通行两种状态；设全局地图某一栅格未融合前被占据而不可通行的概率为pa，当局部栅格占有地图中的观测值为不可通行时，融合后的栅格地图被占据为不可通行的概率为pb；当局部栅格占有地图中的观测值为可通行时，融合后的栅格地图空闲为可通行的概率为pc；则融合后该栅格被占据为不可通行的概率计算如下：
本发明的有益效果在于，提供一种无人车可通行域分析方法及导航栅格地图制作方法，在基于八叉树图的地图照顾无人车的性能限制，在保证采样可行性的基础上减少数据大小，采样过程中加入了来自高程信息的地面约束条件，实现地面状态映射，将无人车的导航场景从平坦地形扩展到具有坑洼和斜坡的崎岖而复杂的三维地形，着重解决流程中激光点云预处理、地形可通行域分析、栅格地图融合三个方面的问题。同时结合双目相机获取的点云信息，实现基于高程信息的野外无人车可通行域分析方法。
附图说明
下面结合附图，通过对本申请的具体实施方式详细描述，呈现本申请的技术方案及其它有益效果。
图1为本申请实施例提供的一种无人车可通行域分析方法的流程图。
图2为本申请实施例提供的一种无人车可通行域分析方法的逻辑图。
图3为本申请实施例提供的采样点位置的邻域分割图。
图4为本申请实施例提供的一种导航栅格地图制作方法的流程图。
图5为本申请实施例提供的一种导航栅格地图制作方法的逻辑图。
图6为本申请实施例提供的构建局部八叉树地图步骤的流程图。
图7为本申请实施例提供的构建局部八叉树地图步骤的逻辑图。
图8为本申请实施例提供的栅格地图融合步骤的流程图。
图9为本申请实施例提供的栅格地图融合步骤的逻辑图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
具体的，请参阅图1、图2，本申请实施例提供一种无人车可通行域分析方法，包括以下步骤S11-S17。
S11、获取待分析采样点数据步骤，在点云地图上获取一预行进区域的待分析采样点的数据，该数据为点云数据。所述点云地图通过激光雷达获取；所述激光雷达包括多个激光传感器，所述激光传感器通过获取周围地形场景的多个特征，选取地势特征形成点云数据。
S12、采样区域选择步骤，在某一待分析采样点同一水平面上在一阈值范围内形成采样区域，将所述采样区域划分为围绕所述待分析采样点的多个邻域。请参阅图3，基于无人车启动时的质心的位置来构造坐标系，所述坐标系的坐标轴包括x轴、y轴和z轴，x轴、y轴位于水平面上，x轴为无人车车头朝向方向，z轴垂直于水平面，所述高程为z轴方向的海拔高度；所述邻域为四个，分别为邻域1、邻域2、邻域3、邻域4；其中邻域2和邻域4这两个邻域位于x轴方向上，其中邻域1和邻域3这两个邻域位于y轴方向上，邻域1、邻域2、邻域3、邻域4的中心处为采样点p(x，y)。
S13、地形可靠度分析步骤，对于每个邻域进行地形可靠度分析，标记有效邻域与无效邻域。请参阅图3，针对采样到的待分析点p，计算周围邻域中高程值有效的栅格数与总栅格数比值，以此获得有效栅格百分比λ；当该百分比λ大于第一阈值时，判定该邻域高程数值可靠，标记该邻域为有效邻域；否则标记该邻域为无效邻域。
S14、第一可通行域判断步骤，如果所述待分析采样点周围的无效邻域数量小于2，则判定该采样点为可通行，并对每个有效邻域进行邻域高程处理；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点。对每个有效邻域进行邻域高程处理的方式为使用该邻域内平均高程表示该邻域的中心高程。其中无效邻域数量选2为判断标准，这里要求无效邻域数量只能有一个，否则无法有效计算高程法向量。如果无效邻域有两个，可能会导致高程法向量在某个方向上无值，例如邻域1和邻域3无值则会导致x方向上无值，以此类推,如果无效邻域有3个，则必然导致某一方向上无值。
S15、地形平整度分析步骤，以可通行域内的有效邻域的中心高程对采样区域进行地形平整度分析。对于有效邻域计算邻域中心高程均方差作为该待分析采样点所在采样区域的地形平整度表征Astd，其值越大，该采样区域地形越崎岖，可通行性越差。
S16、地形坡度分析步骤，利用所述待分析采样点周围的有效邻域的中心高程计算所述待分析采样点p的高程法向量V，获取该采样点在某个方向的坡度以进行地形坡度分析。利用四个方向上邻域的中心高程，计算采样点p的高程法向量V，并通过向量归一化，获取该采样点在某个方向的坡度。如果某一方向上的邻域无效则采用采样点高程替代。
高程法向量V的计算方向如下：
则，地形坡度计算如下：θ＝arccos(||V||z)；其中A1,A2,A3,A4分别表示邻域1，邻域2，邻域3，邻域4；z_center1,z_center2,z_center3,z_center4分别表示邻域1，邻域2，邻域3，邻域4的平均高程值；z_p表示采样点(x，y)的高程值；disx,disy分别表示邻域中心在x方向和y方向的距离；A1orA3 is invalid表示邻域1或邻域3为无效邻域；A2orA4 is invalid表示邻域2或邻域4为无效邻域；otherwise表示所有邻域均有效。
S17、第二可通行域判断步骤，如果所述待分析采样点所在的采样区域的地形平整度与地形坡度满足阈值，则标记该采样点为可通行；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点。优选设置可通行为(p(x,y)＝0)，障碍为(p(x,y)＝100)，这里仅仅是采用数值0和100区别表示离地面的高度，也可设置障碍的数值为其他值，例如200，在后续计算是否可通行时，可采用对应比例系数换算方式，将200乘以比例系数0.5变为100来方便数值计算。
请参阅图4、图5，本申请还提供一种导航栅格地图制作方法，包括以下步骤S21-S24：
S21、构建点云地图步骤，无人车运行激光雷达获取周围地形场景的稀疏点云图，将点云图匹配构建点云地图；
S22、构建局部八叉树地图步骤，在获得稀疏点云地图之后，对点云数据进行降采样处理，以无人车为中心形成局部八叉树地图；
S23、无人车可通行域分析步骤，采用权利要求1所述的无人车可通行域分析方法对无人车可通行域进行分析，对可通行域同步生成局部栅格占有地图；以及
S24、栅格地图融合步骤，获取全局栅格占有地图和/或障碍物占有地图，将所述全局栅格占有地图和/或障碍物占有地图与所述局部栅格占有地图相融合获得融合栅格占有地图。
请参阅图6、图7，本实施例中，所述构建局部八叉树地图步骤S22具体包括：
S221、感兴趣区域(ROI)裁剪步骤，以无人车所在位置为中心，对所述点云地图实时裁剪为一长方体的局部点云地图；
S222、体素降采样步骤，采用0.1m的体素块对点云地图进行体素滤波；
S223、离群点去除步骤，对体素滤波后的点云地图的点云数据之间的最小间距计算，当一点云数据的最小间距大于一阈值时设为离群点，删除所述离群点；
S224、地面点云分割步骤，采用Ray Ground Filter算法进行点云地面分割，对点云地图中位于无人车车头方向的地面空间分割成若干个子平面，每个子平面对应为一个局部地形点云；以及
S225、形成局部八叉树地图步骤，对每个子平面使用地面平面拟合算法(GPF)形成局部八叉树地图。
请参阅图9在实际越野场景中，无人车可能已经具备预先的全局地图，同时需要辅助相机以标识非地形障碍。对于先验全局地图，本方案采用前述的激光点云预处理与地形可通行域分析方法获取全局栅格地图。值得注意的是，由于全局先验地图的处理可以离线完成，不需要考虑处理实时性的限制。所以在激光点云预处理中，阶段省略了ROI(感兴趣区域)裁剪一步，以完成基于高程信息的全局栅格地图构建。对于相机标识的非地形障碍(行人、树木等)，本方法沿用前述的激光点云预处理获取相机点云中的地面点云与非地面点云，并将非地面点云标识为非地形障碍，构建障碍物栅格地图。完成上述工作后，需要将表征地形可通行域的栅格地图、相机标识的非地形障碍栅格地图与全局栅格地图进行融合。
请参阅图8、图9，本实施例中，所述栅格地图融合步骤S24具体包括：
S241、获取全局栅格地图步骤，将通过激光雷达获取的表征地形可通行域的全局栅格占有地图与通过相机(优选为双目相机)获取的标识非地形障碍的障碍物占有地图投影到地形栅格地图坐标系中进行坐标转换，构建以无人车为中心的以同时表征地形和非地形障碍的全局栅格地图；
S242、获取局部栅格占有地图步骤，将无人车通过的局部栅格占有地图，结合无人车的位姿信息，投射到全局栅格地图对应位置；以及
S243、地图融合步骤，采用基于贝叶斯滤波融合的方法，对局部栅格占有地图与全局栅格地图进行数据融合；经数据融合后的栅格地图只有可通行与不可通行两种状态；设全局地图某一栅格未融合前被占据而不可通行的概率为pa，当局部栅格占有地图中的观测值为不可通行时，融合后的栅格地图被占据为不可通行的概率为pb；当局部栅格占有地图中的观测值为可通行时，融合后的栅格地图空闲为可通行的概率为pc；则融合后该栅格被占据为不可通行的概率计算如下：
本申请还提供一种存储介质，所述存储介质存储有多条指令，所述指令适于处理器进行加载，以执行前文任一项所述的无人车可通行域分析方法中的步骤。
本发明的有益效果在于，提供一种无人车可通行域分析方法及导航栅格地图制作方法，在基于八叉树图的地图照顾无人车的性能限制，在保证采样可行性的基础上减少数据大小，采样过程中加入了来自高程信息的地面约束条件，实现地面状态映射，将无人车的导航场景从平坦地形扩展到具有坑洼和斜坡的崎岖而复杂的三维地形，着重解决流程中激光点云预处理、地形可通行域分析、栅格地图融合三个方面的问题。同时结合双目相机获取的点云信息，实现基于高程信息的野外无人车可通行域分析方法。
以上对本申请实施例所提供的一种无人车可通行域分析方法及导航栅格地图制作方法进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的技术方案及其核心思想；本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例的技术方案的范围。

Claims (7)

1.一种无人车可通行域分析方法，其特征在于，包括步骤：
获取待分析采样点数据步骤，在点云地图上获取一预行进区域的待分析采样点的数据，该数据为点云数据；
采样区域选择步骤，在某一待分析采样点同一水平面上在一阈值范围内形成采样区域，将所述采样区域划分为围绕所述待分析采样点的多个邻域；
地形可靠度分析步骤，对于每个邻域进行地形可靠度分析，标记有效邻域与无效邻域；
第一可通行域判断步骤，如果所述待分析采样点周围的无效邻域数量小于2，则判定该采样点为可通行，并对每个有效邻域进行邻域高程处理；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点；
地形平整度分析步骤，以可通行域内的有效邻域的中心高程对采样区域进行地形平整度分析；
地形坡度分析步骤，利用所述待分析采样点周围的有效邻域的中心高程计算所述待分析采样点的高程法向量，获取该采样点在某个方向的坡度以进行地形坡度分析；以及
第二可通行域判断步骤，如果所述待分析采样点所在的采样区域的地形平整度与地形坡度满足阈值，则标记该采样点为可通行；否则，标记该采样点为障碍，并返回获取待分析采样点数据步骤，处理下一采样点；
其中在所述地形可靠度分析步骤中，针对采样到的待分析点，计算周围邻域中高程值有效的栅格数与总栅格数比值，以此获得有效栅格百分比λ；当该百分比λ大于第一阈值时，判定该邻域高程数值可靠，标记该邻域为有效邻域；否则标记该邻域为无效邻域；
在所述第一可通行域判断步骤中，对每个有效邻域进行邻域高程处理的方式为使用该邻域内平均高程表示该邻域的中心高程；
在所述地形平整度分析步骤中，对于有效邻域计算邻域中心高程均方差作为该待分析采样点所在采样区域的地形平整度表征，其值越大，该采样区域地形越崎岖，可通行性越差；
在所述地形坡度分析步骤中，高程法向量V的计算方向如下：
则，地形坡度计算如下：
θ＝arccos(||V||z)；
其中A1,A2,A3,A4分别表示邻域1，邻域2，邻域3，邻域4；z_center1,z_center2,z_center3,z_center4分别表示邻域1，邻域2，邻域3，邻域4的平均高程值；z_p表示采样点(x，y)的高程值；disx,disy分别表示邻域中心在x方向和y方向的距离；A1orA3 is invalid表示邻域1或邻域3为无效邻域；A2orA4 is invalid表示邻域2或邻域4为无效邻域；otherwise表示所有邻域均有效。
2.根据权利要求1所述的无人车可通行域分析方法，其特征在于，在所述获取待分析采样点数据步骤中，所述点云地图通过激光雷达获取；所述激光雷达包括多个激光传感器，所述激光传感器通过获取周围地形场景的多个特征，选取地势特征形成点云数据。
3.根据权利要求1所述的无人车可通行域分析方法，其特征在于，基于无人车启动时的质心的位置来构造坐标系，所述坐标系的坐标轴包括x轴、y轴和z轴，x轴、y轴位于水平面上，x轴为无人车车头朝向方向，z轴垂直于水平面，所述高程为z轴方向的海拔高度；所述邻域为四个，其中两个邻域位于x轴方向上，其中两个邻域位于y轴方向上。
4.根据权利要求1所述的无人车可通行域分析方法，其特征在于，在所述第一可通行域判断步骤中，对每个有效邻域进行邻域高程处理的方式为使用该邻域内平均高程表示该邻域的中心高程。
5.一种导航栅格地图制作方法，其特征在于，包括步骤：
构建点云地图步骤，无人车运行激光雷达获取周围地形场景的稀疏点云图，将点云图匹配构建点云地图；
构建局部八叉树地图步骤，在获得稀疏点云地图之后，对点云数据进行降采样处理，以无人车为中心形成局部八叉树地图；
无人车可通行域分析步骤，采用权利要求1所述的无人车可通行域分析方法对无人车可通行域进行分析，对可通行域同步生成局部栅格占有地图；以及
栅格地图融合步骤，获取全局栅格占有地图和/或障碍物占有地图，将所述全局栅格占有地图和/或障碍物占有地图与所述局部栅格占有地图相融合获得融合栅格占有地图。
6.根据权利要求5所述的导航栅格地图制作方法，其特征在于，所述构建局部八叉树地图步骤具体包括：
感兴趣区域裁剪步骤，以无人车所在位置为中心，对所述点云地图实时裁剪为一长方体的局部点云地图；
体素降采样步骤，采用0.1m的体素块对点云地图进行体素滤波；
离群点去除步骤，对体素滤波后的点云地图的点云数据之间的最小间距计算，当一点云数据的最小间距大于一阈值时设为离群点，删除所述离群点；
地面点云分割步骤，采用Ray Ground Filter算法进行点云地面分割，对点云地图中位于无人车车头方向的地面空间分割成若干个子平面，每个子平面对应为一个局部地形点云；以及
形成局部八叉树地图步骤，对每个子平面使用地面平面拟合算法(GPF)形成局部八叉树地图。
7.根据权利要求5所述的导航栅格地图制作方法，其特征在于，所述栅格地图融合步骤具体包括：
获取全局栅格地图步骤，将通过激光雷达获取的表征地形可通行域的全局栅格占有地图与通过相机获取的标识非地形障碍的障碍物占有地图投影到地形栅格地图坐标系中进行坐标转换，构建以无人车为中心的以同时表征地形和非地形障碍的全局栅格地图；
获取局部栅格占有地图步骤，将无人车通过的局部栅格占有地图，结合无人车的位姿信息，投射到全局栅格地图对应位置；以及
地图融合步骤，采用基于贝叶斯滤波融合的方法，对局部栅格占有地图与全局栅格地图进行数据融合；经数据融合后的栅格地图只有可通行与不可通行两种状态；设全局地图某一栅格未融合前被占据而不可通行的概率为pa，当局部栅格占有地图中的观测值为不可通行时，融合后的栅格地图被占据为不可通行的概率为pb；当局部栅格占有地图中的观测值为可通行时，融合后的栅格地图空闲为可通行的概率为pc；则融合后该栅格被占据为不可通行的概率计算如下：
CN202110874294.0A 2021-07-30 2021-07-30 无人车可通行域分析方法及导航栅格地图制作方法 Active CN113592891B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110874294.0A CN113592891B (zh) 2021-07-30 2021-07-30 无人车可通行域分析方法及导航栅格地图制作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110874294.0A CN113592891B (zh) 2021-07-30 2021-07-30 无人车可通行域分析方法及导航栅格地图制作方法

Publications (2)

Publication Number Publication Date
CN113592891A CN113592891A (zh) 2021-11-02
CN113592891B true CN113592891B (zh) 2024-03-22

Family

ID=78253026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110874294.0A Active CN113592891B (zh) 2021-07-30 2021-07-30 无人车可通行域分析方法及导航栅格地图制作方法

Country Status (1)

Country Link
CN (1) CN113592891B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230294671A1 (en) * 2022-03-21 2023-09-21 Volvo Car Corporation Fast sensor fusion for free space detection
CN115268504B (zh) * 2022-09-29 2022-12-27 四川腾盾科技有限公司 一种大型无人机仿地飞行路径规划方法
CN115574803B (zh) * 2022-11-16 2023-04-25 深圳市信润富联数字科技有限公司 移动路线确定方法、装置、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020154968A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds ghosting effects detection system for autonomous driving vehicles
CN111598916A (zh) * 2020-05-19 2020-08-28 金华航大北斗应用技术有限公司 一种基于rgb-d信息的室内占据栅格地图的制备方法
CN111985322A (zh) * 2020-07-14 2020-11-24 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264572B (zh) * 2019-06-21 2021-07-30 哈尔滨工业大学 一种融合几何特性与力学特性的地形建模方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020154968A1 (en) * 2019-01-30 2020-08-06 Baidu.Com Times Technology (Beijing) Co., Ltd. A point clouds ghosting effects detection system for autonomous driving vehicles
CN111598916A (zh) * 2020-05-19 2020-08-28 金华航大北斗应用技术有限公司 一种基于rgb-d信息的室内占据栅格地图的制备方法
CN111985322A (zh) * 2020-07-14 2020-11-24 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于三维激光雷达的道路边界提取和障碍物检测算法;王灿;孔斌;杨静;王智灵;祝辉;;模式识别与人工智能(04);全文 *
针对复杂环境的模块化栅格地图构建算法;秦玉鑫;张高峰;王裕清;;控制工程(10);全文 *

Also Published As

Publication number Publication date
CN113592891A (zh) 2021-11-02

Similar Documents

Publication Publication Date Title
US20220028163A1 (en) Computer Vision Systems and Methods for Detecting and Modeling Features of Structures in Images
CN113592891B (zh) 无人车可通行域分析方法及导航栅格地图制作方法
Pagad et al. Robust method for removing dynamic objects from point clouds
Danescu et al. Modeling and tracking the driving environment with a particle-based occupancy grid
Weng et al. Pole-based real-time localization for autonomous driving in congested urban scenarios
Han et al. Precise localization and mapping in indoor parking structures via parameterized SLAM
Hervieu et al. Road side detection and reconstruction using LIDAR sensor
CN115639823A (zh) 崎岖起伏地形下机器人地形感知与移动控制方法及系统
Huang et al. An online multi-lidar dynamic occupancy mapping method
Valente et al. Fusing laser scanner and stereo camera in evidential grid maps
Cai et al. A lightweight feature map creation method for intelligent vehicle localization in urban road environments
Pan et al. PIN-SLAM: LiDAR SLAM Using a Point-Based Implicit Neural Representation for Achieving Global Map Consistency
Soleimani et al. A disaster invariant feature for localization
Schwertfeger Robotic mapping in the real world: Performance evaluation and system integration
Wang et al. Simultaneous clustering classification and tracking on point clouds using Bayesian filter
Escourrou et al. Ndt localization with 2d vector maps and filtered lidar scans
Wei et al. 3D-LIDAR feature based localization for autonomous vehicles
Baig et al. Advances in the Bayesian Occupancy Filter framework using robust motion detection technique for dynamic environment monitoring
Alfonso et al. Automobile indexation from 3D point clouds of urban scenarios
Hroob et al. Learned Long-Term Stability Scan Filtering for Robust Robot Localisation in Continuously Changing Environments
Richter et al. A dual evidential top-view representation to model the semantic environment of automated vehicles
Gal et al. Motion Planning in 3D Environments Using Visibility Velocity Obstacles
Richter et al. Mapping lidar and camera measurements in a dual top-view grid representation tailored for automated vehicles
Strain et al. Augmented visual SLAM for the localisation of a transportation asset management survey vehicle
Arukgoda Vector Distance Transform Maps for Autonomous Mobile Robot Navigation

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