CN113936215A - 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 - Google Patents
一种矿区路面凹坑的识别方法、系统及无人驾驶货车 Download PDFInfo
- Publication number
- CN113936215A CN113936215A CN202111218278.2A CN202111218278A CN113936215A CN 113936215 A CN113936215 A CN 113936215A CN 202111218278 A CN202111218278 A CN 202111218278A CN 113936215 A CN113936215 A CN 113936215A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- clustering
- data
- clustered
- fitting
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了路面凹坑识别技术领域的一种矿区路面凹坑的识别方法、系统及无人驾驶货车,矿区路面凹坑的识别方法包括:获取道路的点云数据;对获取的点云数据进行下采样,得到第一数据集;对第一数据集进行聚类,得到聚类点云;从聚类点云中分割出地面点云;对地面点云进行平面拟合,得到拟合平面;计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。路面凹坑的识别方法能准确检测出道路上的凹坑,为合理规划行驶路径提供依据。
Description
技术领域
本发明属于路面凹坑识别技术领域,具体涉及一种矿区路面凹坑的识别方法、系统及无人驾驶货车。
背景技术
随着无人驾驶技术不断的发展,采矿机械领域越来越多的开始采用无人驾驶技术的矿石运输车辆,既可以有效地减少人力成本,也可以提高矿区作业生产效率。在结构化道路中,障碍物检测算法比较多而且相对成熟,而对于矿区这种非结构化道路,由于重型矿车巨大的载荷,导致道路容易出现凹坑和鼓包等复杂路面,而且地势起伏不平,对于整个无人驾驶系统中,路况的好坏直接影响运输矿石车辆的平稳运行,因此需要依靠无人驾驶的感知系统去准确检测出矿区道路凹坑状况,运输矿石的车辆进入凹坑后,不准确的检测结果可能会造成矿车剧烈颠簸从而导致矿石或者岩土洒落到可行驶道路上,不仅影响其他车辆的正常行驶,埋下巨大的安全隐患,也会给运输矿石的车辆本身机械元件造成不可逆的损害,及时准确检测出道路上凹坑,使得决策系统给运输矿石的车辆设计出合理的行驶路径,从而提高无人驾驶系统整体的性能。
发明内容
为解决现有技术中的不足,本发明提供一种矿区路面凹坑的识别方法、系统及无人驾驶货车,能准确检测出道路上的凹坑,为合理规划行驶路径提供依据。
为达到上述目的,本发明所采用的技术方案是:
第一方面,提供一种矿区路面凹坑的识别方法,包括:获取道路的点云数据;对获取的点云数据进行下采样,得到第一数据集;对第一数据集进行聚类,得到聚类点云;从聚类点云中分割出地面点云;对地面点云进行平面拟合,得到拟合平面;计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
进一步地,所述下采样的方法为:采用基于VoxelGrid体素滤波器的体素栅格法进行下采样,将输入的点云数据建立一个三维立体栅格,在每个体素栅格里,用重心表示栅格中其他点云。
进一步地,所述聚类,具体包括:采用欧式聚类法对第一数据集中的点云数据进行粗聚类;计算出粗聚类点云的轮廓、质心、质心与激光雷达的欧式距离;根据粗聚类的精度、调节比例、质心与激光雷达的欧式距离计算出精聚类所需的精度运算因数;根据所求的精度运算因数进行欧式精聚类,得到精聚类点云;遍历精聚类点云,更新精聚类点云的质心坐标和轮廓。
进一步地,所述精度运算因数,通过以下公式获得:
其中,W表示精度运算因数,D表示粗聚类精度,R表示聚类精度调节比例,L表示粗聚类距离。
进一步地,所述从聚类点云中分割出地面点云,具体为:采用cropBox滤波器对所有聚类点云进行直通滤波,将cropBox滤波器的包围盒内的聚类点云视为地面点云,包围盒外的聚类点云视为非地面点云。
进一步地,遍历所有聚类点云数据,筛除无效空点云数据,再通过建立KD-tree搜索k个最近邻域聚类点云数据,筛选出地面点云。
进一步地,采用最小二乘法对地面点云进行平面拟合,得到拟合平面。
第二方面,提供一种矿区路面凹坑的识别系统,包括:数据采集模块,用于获取道路的点云数据;第一数据处理模块,用于对获取的点云数据进行下采样,得到第一数据集;第二数据处理模块,用于对第一数据集进行聚类,得到聚类点云;第三数据处理模块,用于从聚类点云中分割出地面点云;第四数据处理模块,用于对地面点云进行平面拟合,得到拟合平面;判断模块,用于计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
第三方面,提供一种矿区路面凹坑的识别系统,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行第一方面所述方法的步骤。
第四方面,提供一种运输矿石的无人驾驶货车,所述货车配置有第二方面所述的矿区路面凹坑的识别系统。
与现有技术相比,本发明所达到的有益效果:
(1)本发明通过在复杂路况的矿区场景中获取道路的点云数据,对获取的点云数据进行聚类,分割出地面点云,对地面点云进行平面拟合,得到拟合平面,计算各地面点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑;能准确检测出道路上的凹坑,为合理规划行驶路径提供依据;
(2)本发明采用粗聚类和精聚类相结合的方法,解决仅依靠粗聚类单一分割方法精度不高的问题,有效提高针对矿区复杂环境的点云聚类效果,有利于下一步点云分割;
(3)本发明使用cropBox滤波方法,与常用的体素栅格法不同的,针对多边形的点云聚类,在X轴、Y轴、Z轴方向上进行直通滤波,可以有效的根据实际地形进行点云的筛选滤除,适应于复杂的地形场景;
(4)本发明使用最小二乘法平面拟合和聚类质心来进行道路凹坑的检测,相对于绝对高度差来进行判别,具有更好的鲁棒性;
(5)基于本发明中对路面凹坑的识别,对无人驾驶货车的行驶路径进行合理的规划,无人驾驶货车行驶过程更平稳,对无人驾驶货车损害更小,对环境影响更小。
附图说明
图1是本发明实施例提供的一种矿区路面凹坑的识别方法的主要流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
实施例一:
一种矿区路面凹坑的识别方法,包括:获取道路的点云数据;对获取的点云数据进行下采样,得到第一数据集;对第一数据集进行聚类,得到聚类点云;从聚类点云中分割出地面点云;对地面点云进行平面拟合,得到拟合平面;计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
如图1所示,路面凹坑的识别方法具体包括以下步骤:
获取道路的点云数据;对获取的点云数据进行下采样,得到第一数据集。
S1:基于VoxelGrid体素滤波器对使用车载雷达获取到的矿区道路的点云数据进行下采样;下采样的方法为:采用基于VoxelGrid体素滤波器的体素栅格法进行下采样,将输入的点云数据建立一个三维立体栅格,在每个体素栅格里,用重心表示栅格中其他点云,这样处理的点云,能够减少点云数据,从而提高运算速度。
对第一数据集进行聚类,得到聚类点云;聚类的方法包括:
S2:采用欧式聚类法对第一数据集中的点云数据进行粗聚类;对于空间某点P,通过KD-Tree近邻搜索算法找到k个离P点最近的点,这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加,整个聚类过程便结束;否则须在集合Q中选取P点以外的点,重复上述过程,直到Q中元素数目不在增加为止。本实施例中,通过KD-Tree近邻搜索算法遍历第一数据集中的点云数据,统计一定范围内点云距离小于阈值则认为是一个点云聚类,直到该点云聚类的点云数目不再增加为止。
S3:计算出粗聚类点云的轮廓、质心、质心与激光雷达的欧式距离;遍历所有的点云数据,把三个坐标轴上粗聚类点云的最大值和最小值的取平均值,就是粗聚类点云质心的坐标;统计出每一个粗聚类点云质心与车体坐标系下激光雷达之间的相对距离。质心与激光雷达的欧式距离,通过以下公式获得:
其中,d表示质心与激光雷达的欧式距离,xi表示第i个聚类质心的横坐标,yj表示第i个聚类质心的纵坐标,x表示激光雷达的横坐标,y表示激光雷达的纵坐标。
S4:根据粗聚类的精度、调节比例、质心与激光雷达的欧式距离计算出精聚类所需的精度运算因数;精聚类所需的精度运算因数是由粗聚类精度参数、聚类精度调节比例以及粗聚类距离来共同决定的。精度运算因数,通过以下公式获得:
其中,W表示精度运算因数,D表示粗聚类精度,R表示聚类精度调节比例,L表示粗聚类距离。
S5:根据所求的精度运算因数进行欧式精聚类,得到精聚类点云。
S6:遍历精聚类点云,更新精聚类点云的质心坐标和轮廓,最终得到聚类点云。
从聚类点云中分割出地面点云。
S7:从聚类点云中分割出地面点云,具体为:采用cropBox滤波器对所有聚类点云进行直通滤波,将cropBox滤波器的包围盒内的聚类点云视为地面点云,包围盒外的聚类点云视为非地面点云。
S8:采用KD-Tree点云搜索算法加速点云搜索速度,遍历所有聚类点云数据,筛除无效空点云数据,再通过建立KD-tree搜索k个最近邻域聚类点云数据,筛选出地面点云,可以提高计算点云运算速度。
对地面点云进行平面拟合,得到拟合平面。
S9:利用平面拟合方式对点云数据的表面法矢向量进行提取,同时通过对平面误差的最小值优化,简化了平面拟合计算的复杂度,然后在拓扑结构上拟合出最小二乘法下的切平面。本实施例采用最小二乘法对地面点云进行平面拟合,得到拟合平面;遍历所有聚类点云数据,根据平面拟合方程计算出点云数据的表面法向量,进而求出相对于xoy平面(地面点云所拟合出来的平面)的坡度值。
计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
S10:计算聚类点云的质心投影到拟合平面的高度Z;以车的后轴中心为平面,计算附近地面聚类点云质点的平均值。
S11:将聚类点云质心的高度平均值与设定的阈值进行比较,若小于阈值则输出为凹坑点云数据。
本实施例通过在复杂路况的矿区场景中获取道路的点云数据,对获取的点云数据进行聚类,分割出地面点云,对地面点云进行平面拟合,得到拟合平面,计算各地面点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑;能准确检测出道路上的凹坑,为合理规划行驶路径提供依据;本实施例采用粗聚类和精聚类相结合的方法,解决仅依靠粗聚类单一分割方法精度不高的问题,有效提高针对矿区复杂环境的点云聚类效果,有利于下一步点云分割;本实施例使用cropBox滤波方法,与常用的体素栅格法不同的,针对多边形的点云聚类,在X轴、Y轴、Z轴方向上进行直通滤波,可以有效的根据实际地形进行点云的筛选滤除,适应于复杂的地形场景;本实施例使用最小二乘法平面拟合和聚类质心来进行道路凹坑的检测,相对于绝对高度差来进行判别,具有更好的鲁棒性。
实施例二:
基于实施例一所述的一种矿区路面凹坑的识别方法,本实施例提供一种矿区路面凹坑的识别系统,包括:数据采集模块,用于获取道路的点云数据;第一数据处理模块,用于对获取的点云数据进行下采样,得到第一数据集;第二数据处理模块,用于对第一数据集进行聚类,得到聚类点云;第三数据处理模块,用于从聚类点云中分割出地面点云;第四数据处理模块,用于对地面点云进行平面拟合,得到拟合平面;判断模块,用于计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
实施例三:
基于基于实施例一所述的一种矿区路面凹坑的识别方法,本实施例提供一种矿区路面凹坑的识别系统包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行实施例一所述方法的步骤。
实施例四:
基于基于实施例二、三所述的一种矿区路面凹坑的识别系统,本实施例提供一种运输矿石的无人驾驶货车,所述货车配置有实施例二、三所述的矿区路面凹坑的识别系统。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (10)
1.一种矿区路面凹坑的识别方法,其特征是,包括:
获取道路的点云数据;
对获取的点云数据进行下采样,得到第一数据集;
对第一数据集进行聚类,得到聚类点云;
从聚类点云中分割出地面点云;
对地面点云进行平面拟合,得到拟合平面;
计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
2.根据权利要求1所述的矿区路面凹坑的识别方法,其特征是,所述下采样的方法为:采用基于VoxelGrid体素滤波器的体素栅格法进行下采样,将输入的点云数据建立一个三维立体栅格,在每个体素栅格里,用重心表示栅格中其他点云。
3.根据权利要求1所述的矿区路面凹坑的识别方法,其特征是,所述聚类,具体包括:
采用欧式聚类法对第一数据集中的点云数据进行粗聚类;
计算出粗聚类点云的轮廓、质心、质心与激光雷达的欧式距离;
根据粗聚类的精度、调节比例、质心与激光雷达的欧式距离计算出精聚类所需的精度运算因数;
根据所求的精度运算因数进行欧式精聚类,得到精聚类点云;
遍历精聚类点云,更新精聚类点云的质心坐标和轮廓。
5.根据权利要求1所述的矿区路面凹坑的识别方法,其特征是,所述从聚类点云中分割出地面点云,具体为:采用cropBox滤波器对所有聚类点云进行直通滤波,将cropBox滤波器的包围盒内的聚类点云视为地面点云,包围盒外的聚类点云视为非地面点云。
6.根据权利要求1所述的矿区路面凹坑的识别方法,其特征是,遍历所有聚类点云数据,筛除无效空点云数据,再通过建立KD-tree搜索k个最近邻域聚类点云数据,筛选出地面点云。
7.根据权利要求1所述的矿区路面凹坑的识别方法,其特征是,采用最小二乘法对地面点云进行平面拟合,得到拟合平面。
8.一种矿区路面凹坑的识别系统,其特征是,包括:
数据采集模块,用于获取道路的点云数据;
第一数据处理模块,用于对获取的点云数据进行下采样,得到第一数据集;
第二数据处理模块,用于对第一数据集进行聚类,得到聚类点云;
第三数据处理模块,用于从聚类点云中分割出地面点云;
第四数据处理模块,用于对地面点云进行平面拟合,得到拟合平面;
判断模块,用于计算各聚类点云的质心投影到拟合平面的高度值,并将高度值小于设定值的地面点云输出为凹坑。
9.一种矿区路面凹坑的识别系统,其特征是,包括处理器和存储设备,所述存储设备中存储有多条指令,用于所述处理器加载并执行权利要求1~7任一项所述方法的步骤。
10.一种运输矿石的无人驾驶货车,其特征是,所述货车配置有权利要求8所述的矿区路面凹坑的识别系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111218278.2A CN113936215A (zh) | 2021-10-20 | 2021-10-20 | 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111218278.2A CN113936215A (zh) | 2021-10-20 | 2021-10-20 | 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113936215A true CN113936215A (zh) | 2022-01-14 |
Family
ID=79280485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111218278.2A Pending CN113936215A (zh) | 2021-10-20 | 2021-10-20 | 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113936215A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463507A (zh) * | 2022-04-11 | 2022-05-10 | 国家电投集团科学技术研究院有限公司 | 道路识别方法及装置 |
CN115546749A (zh) * | 2022-09-14 | 2022-12-30 | 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 |
CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 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 |
-
2021
- 2021-10-20 CN CN202111218278.2A patent/CN113936215A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114463507A (zh) * | 2022-04-11 | 2022-05-10 | 国家电投集团科学技术研究院有限公司 | 道路识别方法及装置 |
CN115546749A (zh) * | 2022-09-14 | 2022-12-30 | 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 |
CN115574803A (zh) * | 2022-11-16 | 2023-01-06 | 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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113936215A (zh) | 一种矿区路面凹坑的识别方法、系统及无人驾驶货车 | |
CN110320504B (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN111337941A (zh) | 一种基于稀疏激光雷达数据的动态障碍物追踪方法 | |
CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
CN102248947B (zh) | 使用3-d激光测距仪的目标和车辆检测及跟踪 | |
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 | |
CN113506318B (zh) | 一种车载边缘场景下的三维目标感知方法 | |
CN110781891A (zh) | 一种基于激光雷达传感器的识别车辆可行驶区域的方法 | |
CN113345008A (zh) | 一种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 | |
CN113421432A (zh) | 交通限行信息检测方法、装置、电子设备和存储介质 | |
Liu et al. | Point cloud segmentation based on Euclidean clustering and multi-plane extraction in rugged field | |
CN113252027B (zh) | 井下无人驾驶车辆局部路径规划方法、装置、设备及存储介质 | |
CN115451983A (zh) | 一种复杂场景下的动态环境建图与路径规划方法及装置 | |
CN114612795A (zh) | 基于激光雷达点云的路面场景目标识别方法 | |
CN111221334A (zh) | 一种用于自动驾驶汽车仿真的环境传感器模拟方法 | |
CN113933859A (zh) | 一种无人矿卡行驶场景的路面及两侧挡墙检测方法 | |
CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
Liu et al. | Lidar-based traversable region detection in off-road environment | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
Ai et al. | A real-time road boundary detection approach in surface mine based on meta random forest | |
Cheng et al. | Ground segmentation algorithm based on 3D LiDAR point cloud | |
Yang et al. | Vision-based intelligent vehicle road recognition and obstacle detection method | |
CN116340307B (zh) | 坡道图层生成方法和装置、高精度地图及电子设备 | |
CN113077473A (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN116934832A (zh) | 基于现场参照物的三维点云的实时标定方法 |
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 |