CN115166720A - 一种基于轨迹拼接的城市道路全域轨迹采集方法和系统 - Google Patents

Abstract

本发明公开了一种基于激光雷达与毫米波雷达的轨迹拼接的城市道路全域轨迹采集方法，其包括：通过激光雷达获取道路进口道的车辆轨迹数据；通过毫米波雷达获取道路进口道上游路段的车辆轨迹数据；将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，并记录两类车辆轨迹坐标范围；根据两类车辆轨迹坐标范围确定重叠区域；并根据两类车辆轨迹数据特征对重叠区域的车辆轨迹数据进行融合；最终获得城市道路全域车辆轨迹数据。本发明充分利用不同雷达自身的优良特性，提供了城市交叉口进口道上游复杂交通环境和简单交通环境的融合提取的解决方案，具有良好的拓展性，高精度，高稳定度的优良特性。

Description

一种基于轨迹拼接的城市道路全域轨迹采集方法和系统

技术领域

本发明涉及智能交通感知技术领域，特别涉及一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法和系统。

背景技术

城市道路通常包含交叉口和路段，对不同的区域以往通常通过影响区将两者进行分开，影响区指的是交叉口对相接路段的影响范围的区域。在城市道路的车辆运行中，除了不同车辆在运行过程中彼此之间相互影响之外，车辆在交叉口的运行往往受信号灯控制以及交叉口进口道标志标线影响；而在路段上则主要受标志标线以及自身转向意愿影响。在交叉口进口道之前的运行往往是离散的，也即可能需要车辆的制动与启动；在路段上的运行往往是连续的，一般不会出现反复启停的现象。不同的车辆运行状态之间的过度过程往往建立在过渡区内，例如车辆需要驶入左转拓宽车道，在进口道前一定距离内进行变道等，正是这些因素，一些对交叉口的研究和项目也开始关注交叉口范围附近的路段的车辆运行信息，也即车辆轨迹信息。

在现有的城市道路轨迹采集解决方案里，主要使用的传感器还是摄像头，类似的也还有无人机等。这类依赖于摄像头的解决方案伴随着人工智能算法的成熟逐渐被广泛应用，但摄像头自身还是存在受环境影响干扰以及相机本省存在的镜头畸变的问题，给后期的处理带来一些困难，此外对远处的物体的识别较差。无人机虽然能够解决拍摄范围的问题，但抖动转动以及飞行器的续航问题一直制肘着其大规模的运用。

近年来，激光雷达和毫米波雷达在交通领域内的应用逐渐广泛，在路测交通信息关注等，其中激光雷达由于检测精度较高，覆盖范围一般为圆形(受安装角度影响)往往被用车辆运动状态较为复杂的区域，如出入口匝道以及交叉口。而毫米波雷达覆盖范围较长，且受环境干扰能力较强，因而广泛用于路段检测中。但是，为了更好的关注城市道路包含交叉口-影响区-路段的车辆运行情况，城市道路车辆轨迹信息的采集方法，通常存在检测范围不足或者足够检测范围时轨迹感知稳定度不足的问题。

发明内容

基于此，有必要针对城市道路车辆轨迹信息检测范围不足或者足够检测范围时面临的不稳定的技术问题，提供一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法和系统。

本发明实施例提供一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法，包括：

通过激光雷达，获取道路进口道的车辆轨迹数据；

通过毫米波雷达，获取道路进口道上游路段的车辆轨迹数据；

将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，并记录两种雷达对应的车辆轨迹坐标范围；

根据两种雷达对应的车辆轨迹坐标范围，确定重叠区域；并根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合；

将重叠区域的车辆轨迹数据、除重叠区域外激光雷达获取的车辆轨迹数据、除重叠区域外毫米波雷达获取的车辆轨迹数据进行拼接，获得城市道路全域车辆轨迹数据。

进一步地，所述激光雷达安装在道路进口道边缘、且向交叉口中心倾斜，所述毫米波雷达安装在进口道上游；其中，所述激光雷达感知范围和所述毫米波雷达感知范围有重叠区域。

进一步地，所述道路进口道的车辆轨迹数据，为从激光点云数据中提取的车辆几何形心所在位置点。

进一步地，所述道路进口道上游路段的车辆轨迹数据包括：车辆的实时雷达定位位置坐标数据、速度数据、加速度数据。

进一步地，所述将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，具体包括：

通过激光雷达，获取道路进口道的车辆几何信息和道路进口道边缘信息；

根据道路进口道边缘信息和进口道车道停止线构建坐标系，并结合车辆几何信息将道路进口道上车辆轨迹数据转换到坐标系中；

将毫米波雷达获取的车道线按照差异数据进行对齐构成完整的道路属性，并通过毫米波雷达预先标定位置数据、基于完整的道路属性将道路进口道上游路段的车辆轨迹数据转换到坐标系中。

进一步地，

所述车辆几何信息，为从激光点云数据中提取的车辆长宽高信息；

所述道路进口道边缘信息，为从激光点云数据中提取的道路进口道上游路段边缘位置信息。

进一步地，

实时采集道路进口道的车辆轨迹数据、车辆几何信息；

以1min一次的频率采集道路进口道边缘信息。

进一步地，所述根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合，具体包括：

当两种雷达对应的车辆轨迹数据的纵向距离始终小于判断阈值时，则车辆轨迹数据匹配成功；否则，对于匹配失败的车辆轨迹数据，

当只有单个雷达检测的车辆轨迹数据时，删除数据；

当有两个雷达检测的车辆轨迹数据、但重叠区域同样时间戳没有满足纵向距离始终小于判断阈值时，则以激光雷达检测的的车辆轨迹数据为准；

当有两个雷达检测的车辆轨迹数据、但两种雷达对应的车辆轨迹数据没有重叠段的轨迹时，则以毫米波雷达轨迹进行匀速直线运动直到轨迹对齐。

进一步地，

当车辆轨迹数据匹配成功时，将重叠区域的车辆id转换一致，同时将激光雷达检测的车辆几何信息对毫米波雷达检测的车辆数据进行覆盖；

当以毫米波雷达轨迹进行匀速直线运动直到轨迹对齐时，标注轨迹采集数据为预测数据。

一种基于轨迹拼接的城市道路全域轨迹采集系统，包括：

激光雷达，用于获取道路进口道的车辆轨迹数据；

毫米波雷达，用于获取道路进口道上游路段的车辆轨迹数据；

数据处理模块，其包括：

坐标转换单元，用于将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，并记录两种雷达对应的车辆轨迹坐标范围；

重叠区域数据融合单元，用于根据两种雷达对应的车辆轨迹坐标范围，确定重叠区域；并根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合；

全域轨迹拼接单元，用于将重叠区域的车辆轨迹数据、除重叠区域外激光雷达获取的车辆轨迹数据、除重叠区域外毫米波雷达获取的车辆轨迹数据进行拼接，获得城市道路全域车辆轨迹数据。

本发明实施例提供的上述基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法和系统，与现有技术相比，其有益效果如下：

(1)本发明因地制宜创新性的将毫米波雷达和激光雷达组合各自的优点：激光雷达检测范围较广(理解为二维范围)，且检测精度较高，更为适合用于交叉口进口道，特别是车辆在驶入影响区范围内存在决策过程，从而车辆行为存在变化，以及车辆在交叉口内也存在较多的行为模式；毫米波雷达检测范围较长(理解为一维的范围)，点云密度通常小于激光雷达，适用于驾驶行为相对于交叉口较为单一的路段部分，如将毫米波雷达更换为激光雷达，的确能提高精度，但会提高相当的成本，同时激光雷达的圆形区域，对于长直的车道而言是不必要的，同时，毫米波雷达在交通行为相对复杂的交叉口区域，由于点云密度不足，也难以胜任感知任务。即本发明充分利用了不同雷达之间各自的特性和优势，提高了对城市道路的全域轨迹采集的的稳定性。

(2)本发明采用毫米波雷达和激光雷达作为关键传感器，能够具备由于传感器带来的系统优势，其抗环境干扰能力强，稳定性高，同时相对于同样功能的摄像头系统而言，误差更小。此外，通过算法进行后续的校正和拼接，维护方便，数据采集系统的可靠度更高。

附图说明

图1为一个实施例中提供的一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集系统的技术简图；

图2为一个实施例中提供的一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法流程示意图；

图3为一个实施例中提供的毫米波雷达与激光雷达的布设以及感知范围的重叠图示。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

一个实施例中，提供的一种基于激光雷达与毫米波雷达的轨迹拼接的城市道路全域轨迹采集方法，该方法包括：

S1.激光雷达感知获取某一进口道车辆轨迹数据，车辆的几何信息，以及道路进口道边缘信息。

S2.毫米波雷达感知获取进口道相接路段上车辆运动轨迹数据。

S3.对两种雷达的数据都进行坐标转换，对齐车辆轨迹数据以及道路属性。

S4.判断重叠区域，依据各自轨迹特征进行合并。

S5.得到完整的轨迹数据进行输出。

即，本发明实施例提供的一种基于激光雷达与毫米波雷达的轨迹拼接的城市道路全域轨迹采集方法，用于解决对对城市道路的交通传感器存在的覆盖范围不全，难以实现长周期的检测的问题。该方法利用在交叉口进口道边缘布设激光雷达，感知交叉口区域内较为复杂车辆轨迹；在进口道上游布设毫米波雷达，用于感知路段上的车辆轨迹。以精度更高的激光雷达的感知为准，进行位置判断，以两者的车辆运动特征为准进行数据融合，并对其中各种可能的特殊情况进行处理。本发明充分利用不同雷达各自的特性和优势，提供了城市交叉口进口道上游复杂交通环境和简单交通环境的融合提取的解决方案，具有良好的拓展性，高精度，高稳定度的优良特性，提高了对城市道路的全域轨迹采集的的稳定性，形成了稳定的可靠的解决方案。

结合图1～2，对于上述步骤S1～S5的具体详细介绍如下：

本发明的目的就是为了克服现有的技术的缺陷，如检测范围不足或者足够检测范围时面临全天候不足，轨迹感知稳定度不足等问题。本实施例的布设和感知范围的重叠图示见图3。安装场景为一般化的道路进口道以及进口道道路上游的路段，进口道一般来说分为左转、直行和右转。此处没有考虑左转拓宽车道或右转拓宽车道，仅作为一般化的布设场景。其中，激光雷达安装在进口道边缘，通常为进口道附近通电杆件上。激光雷达适当向交叉口中心倾斜，保证对感知范围的合理运用。毫米波雷达安装在进口道上游大概200m处，通常为布设在道路上方的横杆上，同时保持一定的角度，实现一定范围的感知。重叠段在本实施例为30m。

本实施例的步骤S1，利用激光雷达获取进口道车辆轨迹数据，车辆几何信息，以及进口道道路边缘信息。具体包含从激光电云中提取的，车辆几何外形(仅包含长宽高，不包含具体的几何形状)以及车辆几何形心所在位置点。同时包含道路边缘信息，即进口道上游路段边缘位置数据，也即即道路进口道边缘线的空间位置的点云数据转换后的位置信息。由于本处激光雷达安装于路侧，车辆对车道线的遮挡较为严重，本实施例不对进口道的车道线进行感知。

具体的，不同数据的采集频率并不一致。其中，车辆的数据通常为实时采集，而进口道的道路边线则为1min一次的采集频率，这部分的数据主要用于校准以及后续的数据合并。

本实施例的步骤S2，毫米波雷达获取进口道上游路段的车辆轨迹数据。具体的，包含车辆的实时雷达定位位置坐标数据，同时还有速度，加速度等数据。具体的，由于激光雷达和毫米波雷达的工作原理不同，以及精度等水平不同，所以其探测的数据也存在一定的差异。本实施例中的毫米波雷达不具备识别车辆外形的功能，而激光雷达具备识别。此时不同传感器的数据无法直接融合，其都在不同的局部坐标系下。

还有，依据专利号CN 112433203中的方法提取路段的聚类车道线。具体的在一般的进口道上游道路中都如本实施例为直线车道线。聚类结果为平行的车道线。并通过道路本身几何属性与激光雷达感知范围交叉口的进口道拼接，得到完整的道路属性。

本实施例的步骤S3，需要对两者进行坐标转换后的数据合并。具体的，毫米波雷达的坐标通过事先标定的位置，以及与激光雷达相对位置进行坐标转换，将毫米波雷达所感知到的车辆的轨迹数据转换在激光雷达统一坐标系下的坐标。由于在本实施例中激光雷达的精度更高，所以以激光雷达的检测结果为准，将毫米波雷达的轨迹坐标转换到激光雷达所校准的轨迹中。具体地：

S31、激光雷达所检测到的车辆轨迹，应当依据所检测到的道路边缘，以进口道车道停止线构建坐标系；将车辆轨迹点转换到该坐标系下，同时记录稳定感知的车辆轨迹范围。由于激光雷达本身可能会由于其他的环境因素的干扰存在仪器的晃动，利用在S1采集的边缘线以及路面的信息，对数据进行坐标转换。

S32、道路边线与车道线本身并不完全重合，本实施例通过事先对道路属性的测量，或者这些道路属性之间的差别，也即，毫米波雷达的车道线按照差异数据进行对齐。并由毫米波雷达事先标定位置数据，将轨迹坐标转换到与激光雷达同一坐标系当中。同时也应当记录稳定测量的轨迹坐标范围，此处与S31中的轨迹坐标范围，均为统一坐标系中的范围。

本实施例的步骤S4，判断重叠区域，并依据各自的轨迹特征进行数据合并。

一般来说，毫米波雷达的感知范围L1＝250m，激光雷达的感知半径L＝50m，毫米波雷达和激光雷达的重叠范围在安装时候确定L’，这里初步认为取30m。在实际采集中，这个感知范围以毫米波雷达和激光雷达的稳定采集区域为准。对其中不同的轨迹情况进行分类分析。剔除掉干扰数据后，对转换后的数据位于这个范围内的轨迹，判断两个传感器获得的轨迹是否满足于同一时间戳，当其距离小于2m，相对速度小于0.5m/s认为其为两个轨迹片段属于一条轨迹。若不满足这个条件，则需要进行轨迹数据的预测进行对齐。

具体地：

S41、本实施例通过两者稳定检测范围的长度得到感知范围的重叠区域。首先，对齐时间戳后，将毫米波雷达所得到的轨迹片段与激光雷达所得到的轨迹片段进行比对。对于重叠区域内，当其纵向距离始终小于2.5m，认为其为匹配成功，将这些重叠区域的车辆id转换为一致，同时将激光雷达所感知到的车辆几何信息也对毫米波雷达感知的车辆数据进行覆盖。

需要说明的是，由于激光雷达能够感知到车辆的几何信息。但在本实施例中，毫米波雷达无法感知车辆的几何信息，尤其是在毫米波雷达的感知范围远端，车辆反射形心一定程度上无法反应车辆几何形心。所以此处的纵向距离阈值需要预留较大，同时为了防止横向的距离车辆较近带来的误差，这里暂时只考虑纵向距离，更具体的在本实施例中考虑为同一车道的距离。

S42、对于其中匹配失败的轨迹数据，具体的也分为三类情况，1，车辆只有单个雷达检测到了。2，两个雷达都检测到了，但是重叠段同样时间戳没有满足S4中的要求，也即距离过大。3，两个雷达检测到了，但是没有重叠段的轨迹。其中，第一种情况，剔除该数据。第二种情况，本实施例中可能是由于毫米波雷达追踪误差造成，这里依然以激光雷达为准，在后续的数据处理中对匹配数据进行卡尔曼滤波处理。第三种情况，以毫米波雷达轨迹进行匀速直线运动，直到轨迹对齐，并在轨迹采集中标注这部分数据为简单预测数据。离线部分的数据也需要进行卡尔曼滤波处理。

本实施例的S5，通过上述过程最终获得城市道路全域轨迹数据，同时还包含大量的其他有效信息，如车辆几何信息，道路属性，以及数据标签(是否为预测数据等)。

综上所述，本发明实施例提供了一种基于激光雷达与毫米波雷达轨迹拼接的城市道路全域轨迹采集方法，其尽可能充分的利用不同雷达各自的优良特性，同时也兼顾到各自薄弱的地方，取长补短。最终构建了一个完整的城市道路全域轨迹采集方法的技术框架。同时，本发明不仅创新性的提出了城市道路进口道上游路段的车辆轨迹采集与交叉口进口道数据融合的关键技术，且本发明具有良好的拓展性，以本发明中的实施例作为基本单元，甚至可以构建出一套完整的数据采集网络，用于采集城市交通网络的高精度，高稳定性的数据，为大量的交通从业者带来大量的实际数据的支持，以及为推动智能交通的发展打下扎实的基础。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，包括：

通过激光雷达，获取道路进口道的车辆轨迹数据；

通过毫米波雷达，获取道路进口道上游路段的车辆轨迹数据；

将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，并记录两种雷达对应的车辆轨迹坐标范围；

根据两种雷达对应的车辆轨迹坐标范围，确定重叠区域；并根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合；

将重叠区域的车辆轨迹数据、除重叠区域外激光雷达获取的车辆轨迹数据、除重叠区域外毫米波雷达获取的车辆轨迹数据进行拼接，获得城市道路全域车辆轨迹数据。

2.如权利要求1所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，所述激光雷达安装在道路进口道边缘、且向交叉口中心倾斜，所述毫米波雷达安装在进口道上游；其中，所述激光雷达感知范围和所述毫米波雷达感知范围有重叠区域。

3.如权利要求1所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，所述道路进口道的车辆轨迹数据，为从激光点云数据中提取的车辆几何形心所在位置点。

4.如权利要求1所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，所述道路进口道上游路段的车辆轨迹数据包括：车辆的实时雷达定位位置坐标数据、速度数据、加速度数据。

5.如权利要求1所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，所述将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，具体包括：

通过激光雷达，获取道路进口道的车辆几何信息和道路进口道边缘信息；

根据道路进口道边缘信息和进口道车道停止线构建坐标系，并结合车辆几何信息将道路进口道上车辆轨迹数据转换到坐标系中；

将毫米波雷达获取的车道线按照差异数据进行对齐构成完整的道路属性，并通过毫米波雷达预先标定位置数据、基于完整的道路属性将道路进口道上游路段的车辆轨迹数据转换到坐标系中。

6.如权利要求5所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，

所述车辆几何信息，为从激光点云数据中提取的车辆长宽高信息；

所述道路进口道边缘信息，为从激光点云数据中提取的道路进口道上游路段边缘位置信息。

7.如权利要求5所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，

实时采集道路进口道的车辆轨迹数据、车辆几何信息；

以1min一次的频率采集道路进口道边缘信息。

8.如权利要求1所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，所述根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合，具体包括：

当两种雷达对应的车辆轨迹数据的纵向距离始终小于判断阈值时，则车辆轨迹数据匹配成功；否则，对于匹配失败的车辆轨迹数据，

当只有单个雷达检测的车辆轨迹数据时，删除数据；

当有两个雷达检测的车辆轨迹数据、但重叠区域同样时间戳没有满足纵向距离始终小于判断阈值时，则以激光雷达检测的的车辆轨迹数据为准；

当有两个雷达检测的车辆轨迹数据、但两种雷达对应的车辆轨迹数据没有重叠段的轨迹时，则以毫米波雷达轨迹进行匀速直线运动直到轨迹对齐。

9.如权利要求8所述的基于轨迹拼接的城市道路全域轨迹采集方法，其特征在于，还包括：

当车辆轨迹数据匹配成功时，将重叠区域的车辆id转换一致，同时将激光雷达检测的车辆几何信息对毫米波雷达检测的车辆数据进行覆盖；

当以毫米波雷达轨迹进行匀速直线运动直到轨迹对齐时，标注轨迹采集数据为预测数据。

10.一种基于轨迹拼接的城市道路全域轨迹采集系统，其特征在于，包括：

激光雷达，用于获取道路进口道的车辆轨迹数据；

毫米波雷达，用于获取道路进口道上游路段的车辆轨迹数据；

数据处理模块，其包括：

坐标转换单元，用于将毫米波雷达获取的车辆轨迹数据转换到激光雷达获取的车辆轨迹数据所在的坐标系中，并记录两种雷达对应的车辆轨迹坐标范围；

重叠区域数据融合单元，用于根据两种雷达对应的车辆轨迹坐标范围，确定重叠区域；并根据两种雷达对应的车辆轨迹数据特征，对重叠区域的车辆轨迹数据进行融合；

全域轨迹拼接单元，用于将重叠区域的车辆轨迹数据、除重叠区域外激光雷达获取的车辆轨迹数据、除重叠区域外毫米波雷达获取的车辆轨迹数据进行拼接，获得城市道路全域车辆轨迹数据。

Images