CN113655497B - 基于fmcw固态扫描激光雷达的感兴趣区域扫描方法 - Google Patents

Abstract

本发明公开了一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，主要解决根据常规的激光雷达无法做到自定义线数扫描、自定义时间扫描的问题，其实现步骤包括：根据FMCW固态扫描激光雷达获取历史信息，包括点云的位置信息和径向速度信息；获取ROI区域作为雷达下一帧扫描点阵；针对需要环境信息的场景，进行环境补充优化；将获取的点阵信息传输给雷达，雷达根据点阵调整扫描策略。本发明基于FMCW固态扫描激光雷达并利用该类激光雷达可控制其扫描区域的特点，实现由上层到底层的直接控制，达到自定义线数扫描与自定义时间扫描的功能，可用于智慧安防、智慧城市、无人驾驶和辅助驾驶等领域。

Description

基于FMCW固态扫描激光雷达的感兴趣区域扫描方法

技术领域

本发明属于激光雷达技术领域，涉及一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，可用于智慧安防、智慧城市、无人驾驶和辅助驾驶等领域。

背景技术

传统机械ToF激光雷达只能按照固定顺序点进行扫描，而且扫描的信息特征不包含速度信息，因此传统机械ToF激光雷达要获取速度信息需要两帧甚至多帧的数据估计速度信息。

FMCW激光雷达是一种发射功率恒定、光载波频率(或相位)持续周期性变化的雷达，通过相干检测的方式，测量回波信号与发射信号之间由距离延时引入的调制频率差和相对速度引入的多普勒频率差，从而解调出目标的距离与速度。基于调频连续波(FMCW)技术的激光雷达可以有效地克服ToF激光雷达的抗干扰性差的问题，且连续波工作模式比脉冲工作模式具有更小的平均发射功率和整体功耗以及相干检测方式带来的更高的灵敏度。因此，未来的无人驾驶技术在激光雷达的选择会逐渐从ToF激光雷达转移到FMCW激光雷达。

固态扫描激光雷达通常根据事先预设的扫描轨迹进行扫描，扫描轨迹固定，从而导致在感兴趣区域高帧率的扫描场景下并不适用。

发明内容

本发明公开了一种基于FMCW固态扫描激光雷达的感兴趣区域(ROI)扫描方法，主要解决根据常规的激光雷达无法做到自定义线数扫描、自定义时间扫描的问题，本发明基于FMCW固态扫描激光雷达并利用该类激光雷达可控制其扫描区域的特点，实现由上层到底层的直接控制，达到自定义线数扫描与自定义时间扫描的功能，可用于智慧安防、智慧城市、无人驾驶和辅助驾驶等领域。

本发明的目的是通过以下技术方案来实现的：一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，包括以下步骤：

(1)根据FMCW固态扫描激光雷达获取历史信息，包括点云的位置信息和径向速度信息；

(2)获取ROI区域作为雷达下一帧扫描点阵，获取方式包括：预设固定区域作为ROI区域、通过点云径向速度信息得到运动物体区域作为ROI区域、通过深度学习获取ROI区域；

(3)针对需要环境信息的场景，进行环境补充优化，包括两种方式：

a.对每一帧进行拆分，先持续输出ROI区域，剩余扫描点输出环境信息；

b.保持ROI区域的扫描分辨率，降低环境区域的扫描分辨率，提高固态扫描激光雷达的扫描频率；

(4)将获取的点阵信息传输给雷达，雷达根据点阵调整扫描策略。

进一步地，所述固态激光雷达扫描的底层实现方式基于光学相控阵、光开关或色散原理。

进一步地，将雷达的横向扫描列数从1,2,...,N进行编号，将纵向扫描列数从1,2,...,M进行编号，并提供API接口信息以便上层控制激光雷达扫描方式；上层通过API接口向底层传输如下所示数组信息：

col(t)＝[column₁,column₂,...,column_i],

row(t)＝[row₁,row₂,...,row_j],

其中t表示当前时刻；col(t),row(t)分别表示t时刻的列向量和行向量；column_i，i≤N且column_i∈[1,N]，表示底层需要扫描的方向为第column_i列；row_j，j≤M且row_j∈[1,M]，表示底层需要扫描的方向为第row_j行；根据扫描的行列数据，得到t时刻FMCW固态扫描激光雷达扫描一帧所需时间T为：

T＝i·j·t_scan,

其中t_scan为雷达扫描一个点所需时间；根据T得到当前扫描方式的扫描频率f为：

进一步地，将获取的ROI区域表示为：

ROI≡{roi₁∪roi₂∪...∪roi_k}

roi_k≡{(row_i1,column_j1),(row_i1+1,column_j1),...

(row_i2,column_j1),(row_i2,column_j1+1)...(row_i2,column_j2)}

其中ROI表示希望激光雷达下一帧扫描的所有感兴趣区域，roi_k为单个感兴趣区域；(row_i1,column_j1)为roi_k的开始区域行列信息，(row_i2,column_j2)为roi_k的结束区域行列信息；假设roi_k的扫描区域为矩形，可得当前roi_k扫描的点数r_k：

r_k＝(row_i2-row_i1+1)·(column_j2-column_j1+1)

令R为ROI所有的点数，可得到当前扫描方式的扫描时间T为：

T＝R·t_scan

进一步地，所述预设固定区域作为ROI区域具体为：对某个时间间隔，ROI≡{roi₁∪roi₂∪...∪roi_k}中的每一个roi的区域是事先给定的，该方式适合雷达固定，对某些特殊区域在特定时间段有高帧率的扫描需求。

进一步地，所述通过点云径向速度信息得到运动物体区域作为ROI区域具体为：

由于物体的运动，扫描范围需要进行扩大，通过点集的坐标信息可以得到移动点集到雷达的平均距离记为dist，令向外延拓的横向距离为dx，纵向距离为dy，假设纵向角分辨率为α，横向角分辨率为β，运动物体的roi扫描点数为(row_i2-row_i1+1)·(column_j2-column_j1+1)，则在row上单方向需要增加num_row个点数：

column上单方向需要增加num_column个点数：

扩大扫描范围后真实需要的roi扫描点数r为：

r＝(row_i2+num_row-(row_i1-num_row)+1)·(column_j2+num_column-(column_j1-num_column)+1)。

进一步地，对运动物体进行运动估计，对点集作更精确的四个方向的点列预测，减少点的数量达到更高的帧率；假设物体为刚体，物体上任意一点的当前位置为P₁，物体的速度为v₁，则可以预估该点下一帧的位置P₂：

P₂＝P₁+v₁·(1/f)

估计物体上所有点的下一帧位置，在估计的点上加上一个小量的容错值dx，dy设定为将要扫描的范围，大大减少了扫描范围，提高扫描频率；该方式的目的在于高帧扫描物体，可以和其他雷达或图像结合使用，快速定位和追踪物体。

进一步地，所述通过深度学习获取ROI区域具体为：结合深度学习获取障碍物、红绿灯等任何感兴趣的物体，获得感兴趣区域，专注高帧率的扫描，得到更高频率的点云数据。

进一步地，所述步骤(3)中a的具体实现如下：

从历史点云中获得的感兴趣点集扫描点数为m，每一次感兴趣区域的扫描输出时间T′＝mt_scan，NUM为单帧扫描点数；假设已经在某个1/f秒内输出过n次感兴趣点集，且耗时为t₁，自定义的时间间隔容许度为Δt，若

(NUM-n·m)·t_scan＜1/f-t₁-Δt-m·t_scan

则将这一次扫描的点阵点数设为(NUM-n·m)，点列的分布可以采用如下方式：点阵上均匀分布、点阵上随机分布、根据场景特殊性分布、结合深度学习设定点集排列方式、融合其他传感器设定点集排列方式。

进一步地，所述步骤(3)中b的具体实现如下：

相对降低环境不敏感的区域部分的分辨率来减少扫描点数，先调整雷达的扫描分辨率达到最低满足环境感知需求，在此基础上，将所需要的roi点集追加到扫描点阵上；

当雷达分辨率调整到m^*·n^*能够最低满足环境感知需求时，将感兴趣区域的roi点集追加到扫描点阵中，得到提高后的扫描频率f_new：

其中M^*为追加的点集点数；固态扫描激光雷达的扫描频率提高后，可以在更短的时间内获得所需要的信息。

本发明与现有技术相比具有以下优点：

(1)本发明单帧扫描基于感兴趣区域，可以大幅度减少扫描的点数，缩短单帧扫描的时间，从而提高扫描帧率。

(2)本发明利用了FMCW固态扫描激光雷达能够精确扫描目标区域的特点，在精确追踪运动物体的同时，能够对运动物体所在的感兴趣区域进行更高帧率的扫描，进而更准确的追踪目标运动物体。

(3)本发明可用于智慧安防、智慧城市、无人驾驶和辅助驾驶等领域。

附图说明

图1是本发明方法的总体流程图。

具体实施方式

为了更好的理解本申请的技术方案，下面结合附图对本申请实施例进行详细描述。

应当明确，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，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

在本申请实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

为了充分利用FMCW固态扫描激光雷达能够获取更为丰富的信息的特点，本发明提供一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法。参照图1，本发明的实现步骤如下：

1.固态激光雷达扫描的底层实现方式可以基于光学相控阵(OPA)、光开关、色散原理等。根据FMCW固态扫描激光雷达获取历史信息，包括点云的位置信息和径向速度信息。

2.将雷达的横向扫描列数从1,2,...,N进行编号，将纵向扫描列数从1,2,...,M进行编号，并提供API接口信息以便上层控制激光雷达扫描方式；上层通过API接口，向底层传输如下所示数组信息：

col(t)＝[column₁,column₂,...,column_i],

row(t)＝[row₁,row₂,...,row_j],

其中t表示当前时刻；col(t),row(t)分别表示t时刻的列向量和行向量；column_i，i≤N且column_i∈[1,N]，表示底层需要扫描的方向为第column_i列；row_j，j≤M且row_j∈[1,M]，表示底层需要扫描的方向为第row_j行；根据扫描的行列数据，得到t时刻FMCW固态扫描激光雷达扫描一帧所需时间T为：

T＝i·j·i_scan,

其中t_scan为雷达扫描一个点所需时间；根据T得到当前扫描方式的扫描频率f为：

本实施例中，FMCW激光雷达扫描频率为10Hz；纵向扫描角度为-20°到10°，扫描行数为1到64行，行分辨率为0.469°；横向扫描角度为-45°到45°，扫描列数为1到450列，列分辨率为0.2°。

3.获取ROI区域作为雷达下一帧扫描点阵，将获取的ROI区域表示为：

ROI≡{roi₁∪roi₂∪...∪roi_k}

roi_k≡{(row_i1,column_j1),(row_i1+1,column_j1),...

(row_i2,column_j1),(row_i2,column_j1+1)...(row_i2,column_j2)}

其中ROI表示希望激光雷达下一帧扫描的所有感兴趣区域，roi_k为单个感兴趣区域；(row_i1,column_j1)为roi_k的开始区域行列信息，(row_i2,column_j2)为roi_k的结束区域行列信息；假设roi_k的扫描区域为矩形，可得当前roi_k扫描的点数r_k：

r_k＝(row_i2-row_i1+1)·(column_j2-column_j1+1)

令R为ROI所有的点数，可得到当前扫描方式的扫描时间T为：

T＝R·t_scan

4.ROI区域的获取方式，包括单不限于下述几种方式。

方式1：预设固定区域作为ROI区域，具体为：

对某个时间间隔，ROI≡{roi₁∪roi₂∪...∪roi_k}中的每一个roi的区域是事先给定的，该方案适合雷达固定，对某些特殊区域在特定时间段有高帧率的扫描需求。

方式2：通过点云径向速度信息得到运动物体区域作为ROI区域，具体为：

针对运动物体的高频率扫描，基于FMCW雷达可以直接测得点云径向速度的特点，快速定位运动物体。由于物体的运动，所以扫描范围需要进行扩大。通过点集的坐标信息可以得到移动点集到雷达的平均距离记为dist，令向外延拓的横向距离为dx，纵向距离为dy。假设纵向角分辨率为α，横向角分辨率为β，该运动物体的roi扫描点数为(row_i2-row_i1+1)·(column_j2-column_j1+1)，则在row上单方向需要增加num_row个点数：

column上单方向需要增加num_column个点数：

因此扩大扫描范围后真实需要的roi扫描点数r为：

r＝(row_i2+num_row-(row_i1-num_row)+1)·(column_j2+num_column-(column_j1-num_column)+1)。

但是由于物体运动特性未知，所以对dx，dy的预设值一般较大，而且需要根据场景设置一个有容错率的值，比如在高速公路场景下，会考虑以150km/h来预设物体速度，那么dx，dy就可以设定为150/3.6·(1/f)。而且由于不考虑物体的运动特性，所以延拓会朝着四周统一扩张，而实际运动物体可能只是扩大后扫描范围的一小部分。因此可以对运动物体进行运动估计，对点集作更精确的四个方向的点列预测，减少点的数量达到更高的帧率。假设物体为刚体，物体上任意一点的当前位置为P₁，物体的速度为v₁，则可以预估该点下一帧的位置P₂，

P₂＝P₁+v₁·(1/f)

这样可以粗略估计物体上所有点的下一帧位置，而在估计的点上只需要加上一个小量的容错值dx，dy就可以设定为将要扫描的范围，大大减少了扫描范围，提高扫描频率。

该方案的目的在于高帧扫描物体，可以和其他雷达或图像结合使用，快速定位和追踪物体。

方式3：通过深度学习获取ROI区域，具体为：结合深度学习获取障碍物、红绿灯等任何感兴趣的物体，获得感兴趣区域，专注高帧率的扫描，得到更高频率的点云数据。

5.针对需要环境信息的场景，进行环境补充优化，包括两种方式：

方式1：对每一帧进行拆分，先持续输出ROI区域，剩余扫描点输出环境信息，具体实现如下：

仅针对感兴趣区域扫描可以达到极高的帧率，但是会丢失非感兴趣区域的信息，该方案弥补环境信息的丢失。

从历史点云中获得的感兴趣点集扫描点数为m，每一次感兴趣区域的扫描输出时间T′＝mt_scan，但是由于传输时间损失等，T′实际时间会略大。NUM为单帧扫描点数。假设已经在某个1/f秒内输出过n次感兴趣点集，且耗时为t₁，自定义的时间间隔容许度为Δt，若

(NUM-n·m)·t_scan＜1/f-t₁-Δt-m·t_scan

则将这一次扫描的点阵点数设为(NIM-n·m)，点列的分布可以采用如下方式：点阵上均匀分布、点阵上随机分布、根据场景特殊性分布、结合深度学习设定点集排列方式、融合其他传感器设定点集排列方式。

方式2：保持ROI区域的扫描分辨率，降低环境区域的扫描分辨率，提高固态扫描激光雷达的扫描频率，具体实现如下：

FMCW雷达的扫描频率是和扫描点数相关的，扫描点数减少就能提高扫描频率。因此可以相对降低环境不敏感的区域部分的分辨率来减少扫描点数。因此可以先调整雷达的扫描分辨率达到最低满足环境感知需求。比如原始扫描的分辨率如上述设定为450·64，可以对雷达设置隔点扫描到225·32，或其他适合的分辨率。在此基础上，将所需要的roi点集追加到扫描点阵上。尤其在有高精度地图的基础上，当雷达分辨率调整到m^*·n^*能够在地图上定位时，将感兴趣区域如运动物体、路口等roi点集追加到扫描点阵中，就可以得到提高后的扫描频率f_new：

其中M^*为追加的点集点数。

固态扫描激光雷达的扫描频率提高后，可以在更短的时间内获得所需要的信息，让搭载雷达的智能终端例如无人驾驶汽车上具有更快的反应能力。

6.将获取的点阵信息传输给雷达，雷达根据点阵调整扫描策略。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (10)

1.一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，包括以下步骤：

(1)根据FMCW固态扫描激光雷达获取历史信息，包括点云的位置信息和径向速度信息；

(2)获取ROI区域作为雷达下一帧扫描点阵，获取方式包括：预设固定区域作为ROI区域、通过点云径向速度信息得到运动物体区域作为ROI区域、通过深度学习获取ROI区域；

(3)针对需要环境信息的场景，进行环境补充优化，包括两种方式：

a.对每一帧进行拆分，先持续输出ROI区域，剩余扫描点输出环境信息；

b.保持ROI区域的扫描分辨率，降低环境区域的扫描分辨率，提高固态扫描激光雷达的扫描频率；

(4)将获取的点阵信息传输给雷达，雷达根据点阵调整扫描策略。

2.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，激光雷达扫描的底层实现方式基于光学相控阵、光开关或色散原理。

3.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，将雷达的横向扫描列数从1,2,...,N进行编号，将纵向扫描列数从1,2,...,M进行编号，并提供API接口信息以便上层控制激光雷达扫描方式；上层通过API接口向底层传输如下所示数组信息：

col(t)＝[column₁,column₂,...,column_i],

row(t)＝[row₁,row₂,...,row_j],

其中t表示当前时刻；col(t),row(t)分别表示t时刻的列向量和行向量；column_i，i≤N且column_i∈[1,N]，表示底层需要扫描的方向为第column_i列；row_j，j≤M且row_j∈[1,M]，表示底层需要扫描的方向为第row_j行；根据扫描的行列数据，得到t时刻FMCW固态扫描激光雷达扫描一帧所需时间T为：

T＝i·j·t_scan,

其中t_scan为雷达扫描一个点所需时间；根据T得到当前扫描方式的扫描频率f为：

4.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，将获取的ROI区域表示为：

ROI≡{roi₁∪roi₂∪...∪roi_k}

roi_k≡{(row_i1,column_j1),(row_i1+1,column_j1),...(row_i2,column_j1),(row_i2,column_j1+1)...(row_i2,column_j2)}

其中ROI表示希望激光雷达下一帧扫描的所有感兴趣区域，roi_k为单个感兴趣区域；(row_i1,column_j1)为roi_k的开始区域行列信息，(row_i2,column_j2)为roi_k的结束区域行列信息；假设roi_k的扫描区域为矩形，可得当前roi_k扫描的点数r_k：

r_k＝(row_i2-row_i1+1)·(column_j2-column_j1+1)

令R为ROI所有的点数，可得到当前扫描方式的扫描时间T为：

T＝R·t_scan。

5.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，所述预设固定区域作为ROI区域具体为：对某个时间间隔，ROI≡{roi₁∪roi₂∪...∪roi_k}中的每一个roi的区域是事先给定的。

6.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，所述通过点云径向速度信息得到运动物体区域作为ROI区域具体为：

由于物体的运动，扫描范围需要进行扩大，通过点集的坐标信息得到移动点集到雷达的平均距离记为dist，令向外延拓的横向距离为dx，纵向距离为dy，假设纵向角分辨率为α，横向角分辨率为β，运动物体的roi扫描点数为(row_i2-row_i1+1)·(column_j2-column_j1+1)，则在row上单方向需要增加num_row个点数：

column上单方向需要增加num_column个点数：

扩大扫描范围后真实需要的roi扫描点数r为：

r＝(row_i2+num_row-(row_i1-num_row)+1)·(column_j2+num_column-

(column_j1-num_column)+1)。

7.根据权利要求6所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，对运动物体进行运动估计，对点集作更精确的四个方向的点列预测，减少点的数量达到更高的帧率；假设物体为刚体，物体上任意一点的当前位置为P₁，物体的速度为v₁，则预估该点下一帧的位置P₂：

P₂＝P₁+v₁·(1/f)

估计物体上所有点的下一帧位置，在估计的点上加上一个小量的容错值dx，dy设定为将要扫描的范围，大大减少了扫描范围，提高扫描频率；该方式的目的在于高帧扫描物体，和其他雷达或图像结合使用，快速定位和追踪物体。

8.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，所述通过深度学习获取ROI区域具体为：结合深度学习获取感兴趣的物体，获得感兴趣区域，专注高帧率的扫描，得到更高频率的点云数据。

9.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，所述步骤(3)中a的具体实现如下：

从历史点云中获得的感兴趣点集扫描点数为m，每一次感兴趣区域的扫描输出时间T′＝mt_scan，NUM为单帧扫描点数；假设已经在某个1/f秒内输出过n次感兴趣点集，且耗时为t₁，自定义的时间间隔容许度为Δt，若

(NUM-n·m)·t_scan＜1/f-t₁-Δt-m·t_scan

则将这一次扫描的点阵点数设为(NUM-n·m)，点列的分布采用如下方式：点阵上均匀分布、点阵上随机分布、根据场景特殊性分布、结合深度学习设定点集排列方式、融合其他传感器设定点集排列方式。

10.根据权利要求1所述的一种基于FMCW固态扫描激光雷达的感兴趣区域扫描方法，其特征在于，所述步骤(3)中b的具体实现如下：

相对降低环境不敏感的区域部分的分辨率来减少扫描点数，先调整雷达的扫描分辨率达到最低满足环境感知需求，在此基础上，将所需要的roi点集追加到扫描点阵上；

当雷达分辨率调整到m^*·n^*能够最低满足环境感知需求时，将感兴趣区域的roi点集追加到扫描点阵中，得到提高后的扫描频率f_new：

其中M^*为追加的点集点数；固态扫描激光雷达的扫描频率提高后，可以在更短的时间内获得所需要的信息。