CN114235679A - 一种基于激光雷达的路面附着系数估计方法及系统 - Google Patents
一种基于激光雷达的路面附着系数估计方法及系统 Download PDFInfo
- Publication number
- CN114235679A CN114235679A CN202111345929.4A CN202111345929A CN114235679A CN 114235679 A CN114235679 A CN 114235679A CN 202111345929 A CN202111345929 A CN 202111345929A CN 114235679 A CN114235679 A CN 114235679A
- Authority
- CN
- China
- Prior art keywords
- road surface
- point cloud
- reflection intensity
- model
- phi
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N19/00—Investigating materials by mechanical methods
- G01N19/04—Measuring adhesive force between materials, e.g. of sealing tape, of coating
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Chemical & Material Sciences (AREA)
- Electromagnetism (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Optical Radar Systems And Details Thereof (AREA)
- Traffic Control Systems (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明涉及一种基于激光雷达的路面附着系数估计方法及系统,所述方法包括:S1:获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;S2:提取点云信息中的路面区域点云;S3:基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;S4:获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。与现有技术相比,本发明具有估计精度高、鲁棒性强等优点。
Description
技术领域
本发明涉及智能汽车环境感知及运动控制领域,尤其是涉及一种基于激光雷达的路面附着系数估计方法及系统。
背景技术
路面附着系数是车辆主动安全控制过程中的重要参数,其估计的准确性将极大地影响控制效果,如果能够准确地获得当前的路面附着系数,则可以有效提升车辆的主动安全性。
目前主要的研究方法大致可分为两类:一类是基于轮胎动力学响应估计路面附着系数。这种方法的优点是所需的硬件条件相对容易满足。然而,该方法获得准确估计结果的前提是存在足够大的路面激励,但此时车轮滑动率较高,车辆可能已经处于不稳定状态;此外,该方法只能估计轮胎已行驶过路面的附着系数,不能预测前方路面的情况,对控制系统的参考价值不够大。另一种方法是利用车载摄像头获取路面图像,进行分类后映射出对应的路面附着系数估计值。这种方法的优点是估计结果具有预测性。但是,摄像头获取的图像质量极易受到环境光照条件的影响。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于激光雷达的路面附着系数估计方法及系统。
本发明的目的可以通过以下技术方案来实现:
一种基于激光雷达的路面附着系数估计方法,包括以下步骤:
S1:获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;
S2:提取点云信息中的路面区域点云;
S3:基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;
S4:获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
优选地,所述的步骤S2包括:
S21:结合激光雷达的安装高度设置高程阈值zp,min和zp,max,并在车辆行驶方向上纵向设置一个矩形感兴趣区域,遍历原始点云中各点P0,i的三维坐标(x0,i,y0,i,z0,i),考察其是否满足几何约束条件:
式中,Ld表示感兴趣区域与激光雷达的最近距离,La表示感兴趣区域的纵向长度,Lb表示感兴趣区域的侧向长度;
保留满足几何约束条件的点,形成第一路面区域点云;
S22:计算第一路面区域点云中各点P1,i的俯仰角α1,i和航向角θ1,i,将俯仰角α1,i相同的点归类为同一束激光的扫描点;对于每一束激光点,按照航向角θ1,i升序排序,然后计算各点的几何特征G1,i,具体为:
式中,下标i表示当前计算的点,下标i+1表示序列中的下一个点,x1,i、y1,i、z1,i为第一路面区域点云中各点P1,i的三维坐标;
S23:对于每一束激光点的序列,在航向角θ1,i=0处设置一个数据长度为Nw的数据观测窗口W,并将其分别向θ1,i>0和θ1,i<0两个方向滑动,并在每次滑动后根据窗口中各点的几何特征G1,i计算该窗口的统计特征T1,i,具体为:
式中,G表示在当前数据观测窗口中各点几何特征G1,i的集合;若该统计特征T1,i超过了设定的阈值Tthreshold或窗口滑动至序列末尾,则将该窗口所在位置作为几何特征G1,i的突变位置,即路面和路沿的分界位置,保留每一束激光两个滑动方向上分界位置之间的点云,形成第二路面区域点云;
S24:计算第二路面区域点云三维坐标(x2,i,y2,i,z2,i)的协方差矩阵C及其特征值和特征向量,并将最小特征值对应的特征向量归一化作为拟合道路平面的单位法向量n=[n1,n2,n3]T,n1,n2,n3为对应三维坐标轴的分量,然后计算各点到拟合平面的距离d2,i:
式中,N2表示第二路面区域点云中点的数量;设置距离阈值dthreshold,保留距离不超过阈值的点形成第三路面区域点云。
优选地,所述的步骤S3包括:
S31:建立路面反射强度分布与噪声分布共同形成的混合高斯分布模型:
其中,I表示反射强度,Θ表示混合高斯模型分布参数,φ表示高斯分布概率密度函数,ak表示第k个高斯分模型在混合时的权值,μk和σk分别表示第k个高斯分模型的均值和标准差。
S32:结合观测到的反射强度数据I=(I1,I2,...,Ij)T定义隐变量:
并将Ij与βjk合并为完全数据X=(Ij,βjk);
式中,N3表示第三路面区域点云中点的数量,分别对ak,μk和σk求偏导数并令之为0,得到其极大值点,作为模型参数的更新值;
S34:重复S33直至其中一个混合权值超过阈值或次数达到最大迭代次数,将最终得到的模型参数中混合权值ak较大的一组参数(ak,μk,σk)作为路面点云反射强度分布模型的参数;
S35:对求解出的路面区域点云的反射强度概率分布模型参数标注采集场景和路面类型,形成第一路面反射强度数据库;
S36:分别求取第一路面反射强度数据库中各类模型两两之间的KLD,以表征模型之间的差异性:
式中,DKL(φa,φb)表示高斯分布模型φa到φb的KLD,μa和μb分别表示高斯分布模型φa和φb的均值,σa和σb分别表示高斯分布模型φa和φb的标准差;
S37:设定KLD阈值DKL,threshold,考察第一路面反射强度数据库中同种路面类型不同采集场景的模型之间的KLD,将小于阈值的各类模型合并为一类,对其再次进行S31-S34更新反射强度分布模型参数,并与第一路面反射强度数据库中未进行合并更新的模型共同形成第二路面反射强度数据库。
优选地,所述的步骤S4具体包括:
S41:获取待估计路面的实测路面点云数据,利用S31-S34计算实测路面反射强度高斯分布模型φtest(I)的模型参数;
S42:计算实测路面反射强度分布模型φtest(I)和第二路面反射强度数据库中各类模型φl(I)之间的相似度S(φtest,φl):
式中,μl和σl分别表示第l个高斯模型φl(I)的均值和方差;
S43:计算实测模型φtest(I)属于第二路面反射强度数据库中各类模型φl(I)的概率P(cl):
式中,λ表示平滑算子,Nm表示第二路面反射强度数据库中的模型类别总数;
S44:取最大概率值P(cl)对应的第二路面反射强度数据库中的模型类别作为当前实测路面的反射强度分布类别;
S45:获取第二路面反射强度数据库中的模型类别与附着系数先验值的映射关系,根据前实测路面的反射强度分布类别得到实测路面的附着系数估计值。
优选地,所述步骤S1中的点云信息包括不同光照强度下不同驾驶环境的点云信息。
优选地,所述的光照强度的范围为1×10-4~1×105Lx。
优选地,所述的驾驶环境包括晴朗的白天、黄昏、有路灯照明的夜晚、无路灯照明的夜晚。
优选地,所述的车载激光雷达采集的点云信息包括三维坐标(x,y,z)以及激光反射强度I。
一种基于激光雷达的路面附着系数估计系统,包括信息获取模块、点云提取模块、数据库构建模块、系数估计模块,
所述的信息获取模块用于获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;
所述的点云提取模块用于提取点云信息中的路面区域点云;
所述的数据库构建模块用于基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;
所述的系数估计模块用于获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
优选地,所述的点云信息包括不同光照强度下不同驾驶环境的点云信息。
与现有技术相比,本发明具有如下优点:
1)本发明通过分析激光雷达收集到的路面点云反射强度分布来进行路面类别辨识和附着系数估计,相比现有的动力学估计方法而言,具有预测性且不需要车辆处于大滑动率状态,其估计结果对车辆运动控制系统的参考意义更大,适用工况更广泛;
2)本发明的路面附着系数估计方法基于激光雷达采集的点云数据,由于激光雷达本身对光照变化不敏感的特性,以及采集了不同光照条件下的数据形成数据集,相比现有的基于车载摄像头的路面辨识方法而言,对环境光照条件变化的鲁棒性更强;
3)本发明中对采集激光雷达点云中的路面区域进行逐级提取的方式,能够精确提取车辆前方路面区域,使后续对路面区域反射强度的分析可靠性更高,提高路面附着系数估计的准确性。
4)本发明采用考察实测路面和数据库中的反射强度分布模型相似度的方式来进行路面类别辨识,计算过程简便,更容易实施,且适用范围更广。
附图说明
图1为本发明的流程图;
图2为本发明的具体流程示意图;
图3为本发明的一种基于激光雷达的路面附着系数估计系统的结构示意图。
其中,1、信息获取模块,2、点云提取模块,3、数据库构建模块,4、系数估计模块。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。注意,以下的实施方式的说明只是实质上的例示,本发明并不意在对其适用物或其用途进行限定,且本发明并不限定于以下的实施方式。
实施例
一种基于激光雷达的路面附着系数估计方法,如图1、2所示,包括以下步骤:
S1:获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息。
本实施例中,S1获取点云信息的车载激光雷达安装在车辆顶部支架,其技术参数要求为:线数不低于32,测距精度不低于3cm,水平分辨率不低于0.2°,帧率不低于10Hz。采集场景包括但不限于:晴朗的白天、黄昏、有/无路灯照明的夜晚等,光照强度的范围为1×10-4~1×105Lx;采集的路面类型包括但不限于:干燥沥青、干燥混凝土、潮湿沥青和潮湿混凝土路面;采集的样本数量要求为:各采集场景中各类路面的点云帧数分别不低于500帧。车载激光雷达采集的点云信息包括三维坐标(x,y,z)以及激光反射强度I。
S2:提取点云信息中的路面区域点云。
步骤S2具体包括:
(1)结合激光雷达的安装高度,设置高程阈值zp,min和zp,max,并在车辆行驶方向上纵向设置一个矩形感兴趣区域。遍历原始点云中各点P0,i的三维坐标(x0,i,y0,i,z0,i),考察其是否满足几何约束条件:
式中,Ld表示感兴趣区域与激光雷达的最近距离,La表示感兴趣区域的纵向长度,Lb表示感兴趣区域的侧向长度,保留满足几何约束条件的点,形成第一路面区域点云;
(2)计算第一路面区域点云中各点P1,i的俯仰角α1,i和航向角θ1,i,将俯仰角α1,i相同的点归类为同一束激光的扫描点;对于每一束激光点,按照航向角θ1,i升序排序,然后计算各点的几何特征G1,i,具体为:
式中,下标i表示当前计算的点,下标i+1表示序列中的下一个点,x1,i、y1,i、z1,i为第一路面区域点云中各点P1,i的三维坐标。
对于每一束激光点的序列,在航向角θ1,i=0处设置一个数据长度为Nw的数据观测窗口W,并将其分别向θ1,i>0和θ1,i<0两个方向滑动,并在每次滑动后根据窗口中各点的几何特征G1,i计算该窗口的统计特征T1,i,具体为:
式中,G表示在当前数据观测窗口中各点几何特征G1,i的集合;若该统计特征T1,i超过了设定的阈值Tthreshold或窗口滑动至序列末尾,则将该窗口所在位置作为几何特征G1,i的突变位置,即路面和路沿的分界位置,保留每一束激光两个滑动方向上分界位置之间的点云,形成第二路面区域点云;
(4)计算第二路面区域点云三维坐标(x2,i,y2,i,z2,i)的协方差矩阵C及其特征值和特征向量,并将最小特征值对应的特征向量归一化作为拟合道路平面的单位法向量n=[n1,n2,n3]T,n1,n2,n3为对应三维坐标轴的分量,然后计算各点到拟合平面的距离d2,i:
式中,N2表示第二路面区域点云中点的数量;设置距离阈值dthreshold,保留距离不超过阈值的点形成第三路面区域点云,即最终提取的路面区域点云。
S3:基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库。
具体包括,
(1)建立路面反射强度分布与噪声分布共同形成的混合高斯分布模型其中,I表示反射强度,Θ表示混合高斯模型分布参数,φ表示高斯分布概率密度函数,ak表示第k个高斯分模型在混合时的权值,μk和σk分别表示第k个高斯分模型的均值和标准差。
(2)结合观测到的反射强度数据I=(I1,I2,...,Ij)T定义隐变量:
并将Ij与βjk合并为完全数据X=(Ij,βjk);
式中,N3表示第三路面区域点云中点的数量,分别对ak,μk和σk求偏导数并令之为0,得到其极大值点,作为模型参数的更新值;
(4)重复(3)直至其中一个混合权值超过阈值或次数达到最大迭代次数,将最终得到的模型参数中混合权值ak较大的一组参数(ak,μk,σk)作为路面点云反射强度分布模型的参数;
(5)对求解出的路面区域点云的反射强度概率分布模型参数标注采集场景和路面类型,形成第一路面反射强度数据库;
(6)分别求取第一路面反射强度数据库中各类模型两两之间的KLD,以表征模型之间的差异性,具体为:
式中,DKL(φa,φb)表示高斯分布模型φa到φb的KLD,μa和μb分别表示高斯分布模型φa和φb的均值,σa和σb分别表示高斯分布模型φa和φb的标准差;
(7)设定KLD阈值DKL,threshold,考察第一路面反射强度数据库中同种路面类型不同采集场景的模型之间的KLD,将小于阈值的各类模型合并为一类,对其再次进行(1)到(4)更新反射强度分布模型参数,并与第一路面反射强度数据库中未进行合并更新的模型共同形成第二路面反射强度数据库,作为最终的反射强度数据库。
S4:获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
具体包括,(1)计算实测路面反射强度高斯分布模型φtest(I)的模型参数(均值μtest和方差σtest);
(2)计算实测路面反射强度分布模型φtest(I)和第二路面反射强度数据库中各类模型φl(I)之间的相似度S(φtest,φl):
式中,μl和σl分别表示第l个高斯模型φl(I)的均值和方差;
(3)计算实测模型φtest(I)属于第二路面反射强度数据库中各类模型φl(I)的概率P(cl):
式中,λ表示平滑算子,Nm表示第二路面反射强度数据库中的模型类别总数;
(4)取最大概率值P(cl)对应的第二路面反射强度数据库中的模型类别作为当前实测路面的反射强度分布类别;
(5)获取第二路面反射强度数据库中的模型类别与附着系数先验值的映射关系,根据前实测路面的反射强度分布类别得到实测路面的附着系数估计值。本实施例中具体映射关系为:
干燥沥青路面的路面附着系数为1.0;
干燥混凝土路面的路面附着系数为0.9;
潮湿沥青路面的路面附着系数为0.7;
潮湿混凝土路面的路面附着系数为0.6。
本实施例中,系统的硬件设置包括车载激光雷达和工控机。激光雷达通过以太网线与工控机实现点云数据的传输,工控机用于处理点云数据。
一种基于激光雷达的路面附着系数估计系统,采用上述估计方法获取路面附着系数,如图3所示,包括信息获取模块1、点云提取模块2、数据库构建模块3、系数估计模块4,信息获取模块1用于获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;点云提取模块2用于提取点云信息中的路面区域点云;数据库构建模块3用于基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;系数估计模块4用于获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
上述实施方式仅为例举,不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施,且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。
Claims (10)
1.一种基于激光雷达的路面附着系数估计方法,其特征在于,包括以下步骤:
S1:获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;
S2:提取点云信息中的路面区域点云;
S3:基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;
S4:获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
2.根据权利要求1所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的步骤S2包括:
S21:结合激光雷达的安装高度设置高程阈值zp,min和zp,max,并在车辆行驶方向上纵向设置一个矩形感兴趣区域,遍历原始点云中各点P0,i的三维坐标(x0,i,y0,i,z0,i),考察其是否满足几何约束条件:
式中,Ld表示感兴趣区域与激光雷达的最近距离,La表示感兴趣区域的纵向长度,Lb表示感兴趣区域的侧向长度;
保留满足几何约束条件的点,形成第一路面区域点云;
S22:计算第一路面区域点云中各点P1,i的俯仰角α1,i和航向角θ1,i,将俯仰角α1,i相同的点归类为同一束激光的扫描点;对于每一束激光点,按照航向角θ1,i升序排序,然后计算各点的几何特征G1,i,具体为:
式中,下标i表示当前计算的点,下标i+1表示序列中的下一个点,x1,i、y1,i、z1,i为第一路面区域点云中各点P1,i的三维坐标;
S23:对于每一束激光点的序列,在航向角θ1,i=0处设置一个数据长度为Nw的数据观测窗口W,并将其分别向θ1,i>0和θ1,i<0两个方向滑动,并在每次滑动后根据窗口中各点的几何特征G1,i计算该窗口的统计特征T1,i,具体为:
式中,G表示在当前数据观测窗口中各点几何特征G1,i的集合;若该统计特征T1,i超过了设定的阈值Tthreshold或窗口滑动至序列末尾,则将该窗口所在位置作为几何特征G1,i的突变位置,即路面和路沿的分界位置,保留每一束激光两个滑动方向上分界位置之间的点云,形成第二路面区域点云;
S24:计算第二路面区域点云三维坐标(x2,i,y2,i,z2,i)的协方差矩阵C及其特征值和特征向量,并将最小特征值对应的特征向量归一化作为拟合道路平面的单位法向量n=[n1,n2,n3]T,n1,n2,n3为对应三维坐标轴的分量,然后计算各点到拟合平面的距离d2,i:
式中,N2表示第二路面区域点云中点的数量;设置距离阈值dthreshold,保留距离不超过阈值的点形成第三路面区域点云。
3.根据权利要求1所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的步骤S3包括:
S31:建立路面反射强度分布与噪声分布共同形成的混合高斯分布模型:
其中,I表示反射强度,Θ表示混合高斯模型分布参数,φ表示高斯分布概率密度函数,ak表示第k个高斯分模型在混合时的权值,μk和σk分别表示第k个高斯分模型的均值和标准差。
S32:结合观测到的反射强度数据I=(I1,I2,...,Ij)T定义隐变量:
并将Ij与βjk合并为完全数据X=(Ij,βjk);
式中,N3表示第三路面区域点云中点的数量,分别对ak,μk和σk求偏导数并令之为0,得到其极大值点,作为模型参数的更新值;
S34:重复S33直至其中一个混合权值超过阈值或次数达到最大迭代次数,将最终得到的模型参数中混合权值ak较大的一组参数(ak,μk,σk)作为路面点云反射强度分布模型的参数;
S35:对求解出的路面区域点云的反射强度概率分布模型参数标注采集场景和路面类型,形成第一路面反射强度数据库;
S36:分别求取第一路面反射强度数据库中各类模型两两之间的KLD,以表征模型之间的差异性:
式中,DKL(φa,φb)表示高斯分布模型φa到φb的KLD,μa和μb分别表示高斯分布模型φa和φb的均值,σa和σb分别表示高斯分布模型φa和φb的标准差;
S37:设定KLD阈值DKL,threshold,考察第一路面反射强度数据库中同种路面类型不同采集场景的模型之间的KLD,将小于阈值的各类模型合并为一类,对其再次进行S31-S34更新反射强度分布模型参数,并与第一路面反射强度数据库中未进行合并更新的模型共同形成第二路面反射强度数据库。
4.根据权利要求3所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的步骤S4具体包括:
S41:获取待估计路面的实测路面点云数据,利用S31-S34计算实测路面反射强度高斯分布模型φtest(I)的模型参数;
S42:计算实测路面反射强度分布模型φtest(I)和第二路面反射强度数据库中各类模型φl(I)之间的相似度S(φtest,φl):
式中,μl和σl分别表示第l个高斯模型φl(I)的均值和方差;
S43:计算实测模型φtest(I)属于第二路面反射强度数据库中各类模型φl(I)的概率P(cl):
式中,λ表示平滑算子,Nm表示第二路面反射强度数据库中的模型类别总数;
S44:取最大概率值P(cl)对应的第二路面反射强度数据库中的模型类别作为当前实测路面的反射强度分布类别;
S45:获取第二路面反射强度数据库中的模型类别与附着系数先验值的映射关系,根据前实测路面的反射强度分布类别得到实测路面的附着系数估计值。
5.根据权利要求1所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述步骤S1中的点云信息包括不同光照强度下不同驾驶环境的点云信息。
6.根据权利要求2所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的光照强度的范围为1×10-4~1×105Lx。
7.根据权利要求2所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的驾驶环境包括晴朗的白天、黄昏、有路灯照明的夜晚、无路灯照明的夜晚。
8.根据权利要求2所述的一种基于激光雷达的路面附着系数估计方法,其特征在于,所述的车载激光雷达采集的点云信息包括三维坐标(x,y,z)以及激光反射强度I。
9.一种基于激光雷达的路面附着系数估计系统,其特征在于,包括信息获取模块(1)、点云提取模块(2)、数据库构建模块(3)、系数估计模块(4),
所述的信息获取模块(1)用于获取不同光照条件、不同路面类型上车辆行驶中车载激光雷达采集的点云信息;
所述的点云提取模块(2)用于提取点云信息中的路面区域点云;
所述的数据库构建模块(3)用于基于路面区域点云的反射强度概率分布模型参数,建立路面反射强度分布模型参数数据库;
所述的系数估计模块(4)用于获取实测路面点云数据,利用分布相似度进行路面类型辨识和附着系数估计。
10.根据权利要求9所述的一种基于激光雷达的路面附着系数估计系统,其特征在于,所述的点云信息包括不同光照强度下不同驾驶环境的点云信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345929.4A CN114235679B (zh) | 2021-11-15 | 2021-11-15 | 一种基于激光雷达的路面附着系数估计方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111345929.4A CN114235679B (zh) | 2021-11-15 | 2021-11-15 | 一种基于激光雷达的路面附着系数估计方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114235679A true CN114235679A (zh) | 2022-03-25 |
CN114235679B CN114235679B (zh) | 2023-02-10 |
Family
ID=80749529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111345929.4A Active CN114235679B (zh) | 2021-11-15 | 2021-11-15 | 一种基于激光雷达的路面附着系数估计方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114235679B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327553A (zh) * | 2022-10-12 | 2022-11-11 | 湖南仕博测试技术有限公司 | 一种诱导变异的快速激光雷达样本生成方法 |
CN115546743A (zh) * | 2022-11-24 | 2022-12-30 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 基于附着系数的车路协同控制方法、装置、设备及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109635672A (zh) * | 2018-11-22 | 2019-04-16 | 同济大学 | 一种无人驾驶的道路特征参数估计方法 |
CN110441269A (zh) * | 2019-08-13 | 2019-11-12 | 江苏东交工程检测股份有限公司 | 标线反光检测方法、装置、设备及存储介质 |
JP2020066246A (ja) * | 2018-10-22 | 2020-04-30 | トヨタ自動車株式会社 | 路面状態推定装置 |
CN111782828A (zh) * | 2020-07-02 | 2020-10-16 | 燕山大学 | 一种车前地形复合地图的高效构建方法 |
CN111845709A (zh) * | 2020-07-17 | 2020-10-30 | 燕山大学 | 一种基于多信息融合的路面附着系数估计方法及系统 |
-
2021
- 2021-11-15 CN CN202111345929.4A patent/CN114235679B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020066246A (ja) * | 2018-10-22 | 2020-04-30 | トヨタ自動車株式会社 | 路面状態推定装置 |
CN109635672A (zh) * | 2018-11-22 | 2019-04-16 | 同济大学 | 一种无人驾驶的道路特征参数估计方法 |
CN110441269A (zh) * | 2019-08-13 | 2019-11-12 | 江苏东交工程检测股份有限公司 | 标线反光检测方法、装置、设备及存储介质 |
CN111782828A (zh) * | 2020-07-02 | 2020-10-16 | 燕山大学 | 一种车前地形复合地图的高效构建方法 |
CN111845709A (zh) * | 2020-07-17 | 2020-10-30 | 燕山大学 | 一种基于多信息融合的路面附着系数估计方法及系统 |
Non-Patent Citations (1)
Title |
---|
余卓平 等: "基于激光雷达的无人车路面附着系数估计", 《华中科技大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115327553A (zh) * | 2022-10-12 | 2022-11-11 | 湖南仕博测试技术有限公司 | 一种诱导变异的快速激光雷达样本生成方法 |
CN115546743A (zh) * | 2022-11-24 | 2022-12-30 | 北京理工大学深圳汽车研究院(电动车辆国家工程实验室深圳研究院) | 基于附着系数的车路协同控制方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114235679B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108983219B (zh) | 一种交通场景的图像信息和雷达信息的融合方法及系统 | |
CN114235679B (zh) | 一种基于激光雷达的路面附着系数估计方法及系统 | |
DE102011117585B4 (de) | Systeme und Verfahren zum Verfolgen von Objekten | |
CN108868268B (zh) | 基于点到面距离和互相关熵配准的无人车位姿估计方法 | |
CN111369541B (zh) | 一种智能汽车恶劣天气条件下车辆检测方法 | |
DE102014223363A1 (de) | Verfahren und Vorrichtung zur Lokalisation eines Kraftfahrzeugs in einer ortsfesten Referenzkarte | |
CN106679633B (zh) | 一种车载测距系统及方法 | |
CN104011737A (zh) | 用于探测雾的方法 | |
CN110427993B (zh) | 基于气象参数的高速列车导航盲区定位方法 | |
CN114999228B (zh) | 一种自动驾驶车在恶劣天气防碰撞方法 | |
CN115943439A (zh) | 一种基于雷视融合的多目标车辆检测及重识别方法 | |
CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
CN113361121A (zh) | 一种基于时空同步与信息融合的路面附着系数估计方法 | |
CN111027430A (zh) | 一种面向无人车智能评估的交通场景复杂度计算方法 | |
WO2019080380A1 (zh) | 轮迹横向分布测量系统及测量方法 | |
CN113822221A (zh) | 一种基于对抗神经网络和多传感器融合的目标检测方法 | |
CN116738211A (zh) | 一种基于多源异构数据融合的道路状况识别方法 | |
CN114782729A (zh) | 一种基于激光雷达与视觉融合的实时目标检测方法 | |
CN111506069B (zh) | 一种全天候全地面起重机障碍识别系统及方法 | |
CN114639085A (zh) | 交通信号灯识别方法、装置、计算机设备和存储介质 | |
CN114291011A (zh) | 车辆神经网络 | |
CN110703272B (zh) | 一种基于车车通信和gmphd滤波的周边目标车辆状态估计方法 | |
Vaibhav et al. | Real-time fog visibility range estimation for autonomous driving applications | |
CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
CN112629881B (zh) | 一种自动驾驶仿真测试要素的提取方法 |
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 |