CN115792958A - 一种基于3d激光雷达的无人矿车障碍物检测方法 - Google Patents

Abstract

本发明涉及一种基于3D激光雷达的无人矿车障碍物检测方法，属于障碍物检测技术领域，解决了现有无人矿车障碍物检测过程中存在的过检测、漏检率高等问题。方法包括：在矿区作业的固定行车轨迹上预置多个路径采样点；无人矿车沿行车轨迹行驶过程中，周期性地采集激光点云数据及无人矿车的当前位置；每周期性地采集一组激光点云数据及无人矿车的当前位置，均采用以下方式进行障碍物检测：将无人矿车从当前位置沿行车轨迹行进预定距离后的第一个路径采样点作为预定位置，基于预定位置及预定位置行进方向上的路径采样点之间的偏北角偏差及距离，确定感兴趣区域；基于感兴趣区域的激光点云数据进行障碍物检测。

Description

一种基于3D激光雷达的无人矿车障碍物检测方法

技术领域

本发明涉及障碍物检测技术领域，尤其涉及一种基于3D激光雷达的无人矿车障碍物检测方法。

背景技术

露天矿山道路环境复杂，常伴随有土坡、深坑、挡墙、行人和其他辅助作业车辆等交通因素，这就对矿卡无人驾驶运输作业的安全性提出很高的要求。近年来，随着矿区信息化、智能化的建设，更加智能的无人矿车系统正在不断被应用到生产作业中。其中，环境智能感知系统作为无人驾驶矿卡的重要一环，主要确保无人矿车能够在矿区环境下的安全、可靠行驶，承担了对行人、车辆、以及其他地面障碍物有效检测，并及时向决策系统传递障碍物信息的任务。

对于矿山道路上的障碍物检测，提取感兴趣区域提取是较为关键的一步，它对原始点云进行剪裁，只保留行驶路径上的点云数据，可以有效提高运算效率并降低漏检率。传统方法采用路沿检测的方法对获得的点云进行剪裁，但是在矿区常会出现没有路沿的平坦路面，这种方法会造成可行驶路面过多，造成过检测，不利于提高运算效率。还有方法是基于激光点云Z轴坐标进行点云分割，需要对障碍物高度进行详细分类，容易造成误检。在障碍物检测算法上，先后有人提出了将三维数据压缩到二维平面并进行聚类的栅格地图法、将点云按帧截图并用视觉方法进行检测的特征图像法等，然而这些方法仅能获得某一二维平面上的目标信息，在实际应用过程中，往往不能对物体进行有效描述。另一类检测方法是依据某种事先确定的标准(例如密度、距离、层次)等所产生的差异来将散乱的数据点聚合为相互独立的分类。然而这类聚类算法的聚类半径不可调，并没有考虑障碍物距离无人矿车的远近距离对聚类过程造成的影响，从而使得障碍物检测结果漏检率高。

发明内容

鉴于上述的分析，本发明实施例旨在提供一种基于3D激光雷达的无人矿车障碍物检测方法，用以解决现有无人矿车障碍物检测过程中存在的过检测、漏检率高等问题。

本发明实施例公开了一种基于3D激光雷达的无人矿车障碍物检测方法，包括：

在矿区作业的固定行车轨迹上预置多个路径采样点；无人矿车沿行车轨迹行驶过程中，周期性地采集激光点云数据及无人矿车的当前位置；

每周期性地采集一组激光点云数据及无人矿车的当前位置，均采用以下方式进行障碍物检测：

将无人矿车从当前位置沿行车轨迹行进预定距离后的第一个路径采样点作为预定位置，基于所述预定位置及预定位置行进方向上的路径采样点之间的偏北角偏差及距离，确定感兴趣区域；

基于感兴趣区域的激光点云数据，进行障碍物检测；

其中，利用3D激光雷达采集所述激光点云数据。

在上述方案的基础上，本发明还做出了如下改进：

进一步，所述路径采样点的位置和无人矿车的当前位置均包括：在世界坐标系中x轴上的坐标X、y轴上的坐标Y，以及偏北角Theta。

进一步，通过执行以下操作确定感兴趣区域：

按照与预定位置行进方向由近及远的顺序对路径采样点进行排序，形成路径采样点序列；

将预定位置作为第j个感兴趣区域的起始点P_start(j)，此时，j＝1；

依次从路径采样点序列中提取路径采样点，当提取第i个路径采样点时，执行相对关系判断：

获取P_start(j)与第i个路径采样点的偏北角偏差θ(i,j)以及直线距离l(i,j)，

若

则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)，迭代结束；

若

且θ(i,j)≤θ_set，更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

若

且θ(i,j)＞θ_set，则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)；以第j个感兴趣区域的终止点P_stop(j)作为第j+1个感兴趣区域的起始点P_start(j+1)，建立第j+1个感兴趣区域，更新j为j+1；更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

迭代结束后，得到一个或多个感兴趣区域的起始点和终止点，基于所得到的起始点和终止点，确定感兴趣区域；

其中，θ_set表示偏北角偏差阈值，l_set表示累计距离阈值，L(0)＝0，当k≥1时，L(k)表示第k个感兴趣区域的起始点和终止点之间的直线距离；i＝1,2,......,N，N为路径采样点序列长度。

进一步，基于所得到的起始点和终止点，确定感兴趣区域，包括：

以道路宽度对每一感兴趣区域的起始点、终止点进行膨胀，得到起始点、终止点两侧的角点，顺次连接每一感兴趣区域的起始点和终止点同一侧的两个角点、起始点两侧的角点、起始点和终止点另一侧的两个角点、以及终止点两侧的角点，得到完整的感兴趣区域；

整合多个完整的感兴趣区域，确定为感兴趣区域。

进一步，根据所述预定距离、无人矿车的行车速度及3D激光雷达的探测距离，确定所述累计距离阈值。

进一步，所述累计距离阈值为30m；所述偏北角偏差阈值为5°。

进一步，在固定行车轨迹上均匀预置多个路径采样点，相邻两个路径采样点之间的距离为0.2m。

进一步，基于感兴趣区域的激光点云数据，进行障碍物检测，包括：

处理感兴趣区域的激光点云数据，得到感兴趣区域内的非地面点云数据；

对感兴趣区域内的非地面点云数据进行障碍物检测。

进一步，通过以下方式得到感兴趣区域内的非地面点云数据：

基于体素滤波方法对感兴趣区域的激光点云数据进行滤波处理；

基于线束的地面分割方法对滤波处理后的激光点云数据进行地面分割，得到感兴趣区域内的非地面点云数据。

进一步，通过执行以下操作对感兴趣区域内的非地面点云数据进行障碍物检测：

步骤S1：任取一个非地面点云数据，将其标注为一个类别，根据公式(1)获取该非地面点云数据对应的聚类半径，

式中，

为3D激光雷达的水平角分辨率，λ为可变阈值参数，r为该非地面点云数据到3D激光雷达中心点之间的距离；

将该非地面点云数据作为聚类中心、该非地面点云数据对应的聚类半径作为该聚类中心对应的聚类半径；

步骤S2：判断所有未分类的非地面点云数据中是否存在满足聚类要求的数据，若存在，则将满足聚类要求的非地面点云数据划分至该聚类中心所属的类别，并将新划分至该类别的每一非地面点云数据分别作为更新后的聚类中心、并获取更新后聚类中心对应的聚类半径，重复执行步骤S2，直至不存在满足聚类要求的非地面点云数据；将所有满足聚类要求的非地面点云数据分割为该类别的目标；

步骤S3：判断是否存在未分类的非地面点云数据，若不存在，则结束；若存在，则进入步骤S4；

步骤S4：任选一个未分类的非地面点云数据，为其标注新的类别，并将该未分类的非地面点云数据作为更新后的聚类中心，获取更新后聚类中心对应的聚类半径，然后，执行步骤S2；直至将所有非地面点云数据都分割为某类别的目标；

所述聚类要求是指：未分类的非地面点云数据与聚类中心之间的欧式距离小于与该聚类中心相对应的聚类半径；

步骤S5：判断各类别的目标所包含的非地面点云数据的个数，将满足个数阈值要求的类别的目标检测为障碍物。

与现有技术相比，本发明至少可实现如下有益效果之一：

本发明公开的基于3D激光雷达的无人矿车障碍物检测方法，能够根据矿区作业的固定行车轨迹上的路径采样点及无人矿车的当前位置动态确定感兴趣区域，并对动态确定的感兴趣区域内的激光点云数据进行障碍物检测。该方法有效解决了矿区不规则路面导致的路沿缺失、以及路面过宽导致障碍物过检测的问题；

同时，在障碍物检测过程中，能够根据非地面点云数据与3D激光雷达中心点之间的距离动态更新聚类半径，从而很好地满足距离无人矿车不同距离的障碍物的检测过程，有效降低了漏检率。

本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为本发明实施例中基于3D激光雷达的无人矿车障碍物检测方法流程图；

图2为本发明实施例中固定行车轨迹示例；

图3(a)、3(b)分别为本发明实施例中直行行车轨迹对应的感兴趣区域确定前、后的激光点云数据分布图；

图4(a)、4(b)分别为本发明实施例中弯道行车轨迹对应的感兴趣区域确定前、后的激光点云数据分布图；

图5为本发明实施例中的矿区原始场景示例；

图6(a)、6(b)分别为本发明实施例中地面分割前、后的点云效果图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

本发明的一个具体实施例，公开了一种基于3D激光雷达的无人矿车障碍物检测方法，流程图如图1所示，包括以下步骤：

步骤S1：在矿区作业的固定行车轨迹上预置多个路径采样点；无人矿车沿行车轨迹行驶过程中，周期性地采集激光点云数据及无人矿车的当前位置；其中，利用3D激光雷达采集所述激光点云数据；

在步骤S1中，利用3D激光雷达采集所述激光点云数据，激光雷达的水平视场角是360°，垂直视场角是45°(±22.5°)，在使用过程中会产生很多冗余的点云数据，这些冗余的点云数据会大大降低计算速度，影响整个方法使用的实时性。由于在矿区作业的过程中，只有以行车轨迹为中心的一定范围内出现的障碍物会对无人矿车的行驶过程造成影响。因此，仅需要根据该范围内的点云数据确定该范围内是否出现障碍物即可。本实施例提出了对采集的点云进行动态感兴趣区域提取、并动态保留可行驶区域以内的点云数据的方案；具体过程如步骤S2所示：

步骤S2：每周期性地采集一组激光点云数据及无人矿车的当前位置，均采用以下方式进行障碍物检测：

步骤S21：将无人矿车从当前位置沿行车轨迹行进预定距离后的第一个路径采样点作为预定位置，基于所述预定位置及预定位置行进方向上的路径采样点之间的偏北角偏差及距离，确定感兴趣区域；

需要说明的是，无人矿车的的障碍物检测须需要具备预见性，即，能够提前确定未来一段行驶路径上的障碍物，以便无人矿车根据障碍物检测结果提前做出反应。因此，本实施例选取无人矿车从当前位置沿行车轨迹行进预定距离后的第一个路径采样点作为预定位置，基于预定位置及预定位置行进方向上的路径采样点之间的偏北角偏差及距离来确定感兴趣区域。在实际应用过程中，预定距离优选4m。

优选地，在本实施例中，路径采样点的位置和无人矿车的当前位置均包括：在世界坐标系中x轴上的坐标X、y轴上的坐标Y，以及偏北角Theta。

为保证感兴趣区域的确定精度，在本实施例中，在固定行车轨迹上均匀预置多个路径采样点，相邻两个路径采样点之间的距离为0.2m。

在步骤S21中，通过以下方式确定感兴趣区域：

按照与预定位置行进方向由近及远的顺序对路径采样点进行排序，形成路径采样点序列；

将预定位置作为第j个感兴趣区域的起始点P_start(j)，此时，j＝1；

依次从路径采样点序列中提取路径采样点，当提取第i个路径采样点时，执行相对关系判断：

获取P_start(j)与第i个路径采样点的偏北角偏差θ(i,j)以及直线距离l(i,j)，

若

则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)，迭代结束；

若

且θ(i,j)≤θ_set，更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

若

且θ(i,j)＞θ_set，则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)；以第j个感兴趣区域的终止点P_stop(j)作为第j+1个感兴趣区域的起始点P_start(j+1)，建立第j+1个感兴趣区域，更新j为j+1；更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

迭代结束后，得到一个或多个感兴趣区域的起始点和终止点，基于所得到的起始点和终止点，确定感兴趣区域；

其中，θ_set表示偏北角偏差阈值，l_set表示累计距离阈值，L(0)＝0，当k≥1时，L(k)表示第k个感兴趣区域的起始点和终止点之间的直线距离；i＝1,2,......,N，N为路径采样点序列长度。

优选地，以道路宽度对每一感兴趣区域的起始点、终止点进行膨胀，得到起始点、终止点两侧的角点，顺次连接每一感兴趣区域的起始点和终止点同一侧的两个角点、起始点两侧的角点、起始点和终止点另一侧的两个角点、以及终止点两侧的角点，得到完整的感兴趣区域；整合多个完整的感兴趣区域，确定为感兴趣区域。在实际实施该方案的过程中，优选道路宽度为4m。

优选地，在本实施例中，根据所述预定距离、无人矿车的行车速度及3D激光雷达的探测距离，确定所述累计距离阈值。优选地，所述累计距离阈值为30m；所述偏北角偏差阈值为5°。

图3(a)、3(b)分别为直行行车轨迹对应的感兴趣区域确定前、后的激光点云数据分布图；图4(a)、4(b)分别为弯道行车轨迹对应的感兴趣区域确定前、后的激光点云数据分布图；分析可知，通过确定感兴趣区域，能够极大地较少激光点云数据的数据量，从而有效减少了后续工作所需处理的激光点云数据，提升了工作效率。

步骤S22：基于感兴趣区域的激光点云数据，进行障碍物检测。具体地，

步骤S221：处理感兴趣区域的激光点云数据，得到感兴趣区域内的非地面点云数据；

基于体素滤波方法对感兴趣区域的激光点云数据进行滤波处理；

基于线束的地面分割方法对滤波处理后的激光点云数据进行地面分割，得到感兴趣区域内的非地面点云数据。

具体地，体素滤波是针对三维点云数据常用的一种滤波方法，可以降低运算的点云数量，同时保持各部分点云的特征。假设点云空间在一个长方体内，以固定大小的长方体单元对点云空间进行切割，长方体单元沿X,Y,Z轴的尺寸分别是L,H,D。

感兴趣区域内的点云数据中不仅包含障碍物的点，还包含大量的地面点，然而较多的地面点会对障碍物检测造成干扰，因此需要去除地面点。本实施例使用基于线束的地面分割方法对地面进行分割，该算法把三维点云投影到二维平面，首先将点云根据角度分类，根据公式(1)计算同一角度上的点云数据水平方向上与激光雷达之间的距离，并按照距离从小到大的顺序进行排序；

x、y分别表示点云数据的x、y轴上的坐标值；

得到每个角度上的点云数据的排序后，对于每一点云数据，均判断该点云数据与其距离最近的点云之间的坡度是否是小于等于坡度阈值，若是，则该点云数据判断为地面点；若大于，再判断该点云数据与与激光雷达中心点之间的坡度是否超过道路面阈值，若超过，则将该点云数据判断为地面点，否则，判断为非地面点。

坡度阈值、道路面阈值可基于矿区道路路面的整体平整性适应性设置；

其中，两个点云数据之间的坡度的计算公式为：

式中，z_i+1-z_i表示相邻两点之间的高度差，R_i+1-R_i表示相邻两点之间的距离差。原始场景如图5所示，地面分割前、后的点云效果图分别如图6(a)、6(b)所示。

步骤S222：对感兴趣区域内的非地面点云数据进行障碍物检测。

障碍物检测是矿区无人驾驶的核心内容，障碍物检测的关键问题在于聚类半径的选取及障碍物标准的确定。为更加有效地识别障碍物，由于目标分布位置不同，激光点云数据分布在不同障碍物上的个数也不尽相同：对于距离较远的障碍物，分布的点云个数相对较少；对于距离较近的障碍物，分布的点云个数较多。因此，本问使用一种基于可变聚类半径的方法，对感兴趣区域内的障碍物进行检测。具体地：

步骤S2221：任取一个非地面点云数据，将其标注为一个类别，根据公式(1)获取该非地面点云数据对应的聚类半径，

式中，

为3D激光雷达的水平角分辨率，λ为可变阈值参数，r为该非地面点云数据到3D激光雷达中心点之间的距离；

将该非地面点云数据作为聚类中心、该非地面点云数据对应的聚类半径作为该聚类中心对应的聚类半径；

步骤S2222：判断所有未分类的非地面点云数据中是否存在满足聚类要求的数据，若存在，则将满足聚类要求的非地面点云数据划分至该聚类中心所属的类别，并将新划分至该类别的每一非地面点云数据分别作为更新后的聚类中心、并获取更新后聚类中心对应的聚类半径，重复执行步骤S2222，直至不存在满足聚类要求的非地面点云数据；将所有满足聚类要求的非地面点云数据分割为该类别的目标；

步骤S2223：判断是否存在未分类的非地面点云数据，若不存在，则结束；若存在，则进入步骤S2224；

步骤S2224：任选一个未分类的非地面点云数据，为其标注新的类别，并将该未分类的非地面点云数据作为更新后的聚类中心，获取更新后聚类中心对应的聚类半径，然后，执行步骤S2222；直至将所有非地面点云数据都分割为某类别的目标；

所述聚类要求是指：未分类的非地面点云数据与聚类中心之间的欧式距离小于与该聚类中心相对应的聚类半径；

步骤S2225：判断各类别的目标所包含的非地面点云数据的个数，将满足个数阈值要求的类别的目标检测为障碍物。

若某一类别的目标所包含的非地面点云数据较少，说明该类别的目标可能是噪声或者杂点；而当某一类别的目标所包含的非地面点云数据较多时，才能说明该类别的目标为障碍物。通过执行上述过程，能够确定出一个或多个障碍物。经反复试验，优选个数阈值为4，此时，能够很好地判断出各类别的目标是否是障碍物，从而完成障碍物检测过程。

在障碍物检测的过程中，针对每一聚类中心，根据公式(4)动态调整该聚类中心对应的聚类半径，可以有效改善障碍物远近所带来的聚类半径不统一的问题，从而更有效地识别障碍物，降低漏检率。

综上，本实施例提供的基于3D激光雷达的无人矿车障碍物检测方法，能够根据矿区作业的固定行车轨迹上的路径采样点及无人矿车的当前位置动态确定感兴趣区域，并对动态确定的感兴趣区域内的激光点云数据进行障碍物检测。该方法有效解决了矿区不规则路面导致的路沿缺失、以及路面过宽导致障碍物过检测的问题；同时，在障碍物检测过程中，能够根据非地面点云数据与3D激光雷达中心点之间的距离动态更新聚类半径，从而很好地满足距离无人矿车不同距离的障碍物的检测过程，有效降低了漏检率。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims (10)

1.一种基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，包括：

在矿区作业的固定行车轨迹上预置多个路径采样点；无人矿车沿行车轨迹行驶过程中，周期性地采集激光点云数据及无人矿车的当前位置；

每周期性地采集一组激光点云数据及无人矿车的当前位置，均采用以下方式进行障碍物检测：

将无人矿车从当前位置沿行车轨迹行进预定距离后的第一个路径采样点作为预定位置，基于所述预定位置及预定位置行进方向上的路径采样点之间的偏北角偏差及距离，确定感兴趣区域；

基于感兴趣区域的激光点云数据，进行障碍物检测；

其中，利用3D激光雷达采集所述激光点云数据。

2.根据权利要求1所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，所述路径采样点的位置和无人矿车的当前位置均包括：在世界坐标系中x轴上的坐标X、y轴上的坐标Y，以及偏北角Theta。

3.根据权利要求2所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，通过执行以下操作确定感兴趣区域：

按照与预定位置行进方向由近及远的顺序对路径采样点进行排序，形成路径采样点序列；

将预定位置作为第j个感兴趣区域的起始点P_start(j)，此时，j＝1；

依次从路径采样点序列中提取路径采样点，当提取第i个路径采样点时，执行相对关系判断：

获取P_start(j)与第i个路径采样点的偏北角偏差θ(i,j)以及直线距离l(i,j)，

若

则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)，迭代结束；

若

且θ(i,j)≤θ_set，更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

若

且θ(i,j)＞θ_set，则将第i个路径采样点作为第j个感兴趣区域的终止点P_stop(j)；以第j个感兴趣区域的终止点P_stop(j)作为第j+1个感兴趣区域的起始点P_start(j+1)，建立第j+1个感兴趣区域，更新j为j+1；更新i为i+1，并提取第i个路径采样点，并重复相对关系判断；

迭代结束后，得到一个或多个感兴趣区域的起始点和终止点，基于所得到的起始点和终止点，确定感兴趣区域；

其中，θ_set表示偏北角偏差阈值，l_set表示累计距离阈值，L(0)＝0，当k≥1时，L(k)表示第k个感兴趣区域的起始点和终止点之间的直线距离；i＝1,2,......,N，N为路径采样点序列长度。

4.根据权利要求3所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，基于所得到的起始点和终止点，确定感兴趣区域，包括：

以道路宽度对每一感兴趣区域的起始点、终止点进行膨胀，得到起始点、终止点两侧的角点，顺次连接每一感兴趣区域的起始点和终止点同一侧的两个角点、起始点两侧的角点、起始点和终止点另一侧的两个角点、以及终止点两侧的角点，得到完整的感兴趣区域；

整合多个完整的感兴趣区域，确定为感兴趣区域。

5.根据权利要求3所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，根据所述预定距离、无人矿车的行车速度及3D激光雷达的探测距离，确定所述累计距离阈值。

6.根据权利要求5所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，所述累计距离阈值为30m；所述偏北角偏差阈值为5°。

7.根据权利要求6所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，在固定行车轨迹上均匀预置多个路径采样点，相邻两个路径采样点之间的距离为0.2m。

8.根据权利要求3-6中任一项所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，基于感兴趣区域的激光点云数据，进行障碍物检测，包括：

处理感兴趣区域的激光点云数据，得到感兴趣区域内的非地面点云数据；

对感兴趣区域内的非地面点云数据进行障碍物检测。

9.根据权利要求8所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，通过以下方式得到感兴趣区域内的非地面点云数据：

基于体素滤波方法对感兴趣区域的激光点云数据进行滤波处理；

基于线束的地面分割方法对滤波处理后的激光点云数据进行地面分割，得到感兴趣区域内的非地面点云数据。

10.根据权利要求8或9所述的基于3D激光雷达的无人矿车障碍物检测方法，其特征在于，通过执行以下操作对感兴趣区域内的非地面点云数据进行障碍物检测：

步骤S1：任取一个非地面点云数据，将其标注为一个类别，根据公式(1)获取该非地面点云数据对应的聚类半径，

式中，

为3D激光雷达的水平角分辨率，λ为可变阈值参数，r为该非地面点云数据到3D激光雷达中心点之间的距离；

将该非地面点云数据作为聚类中心、该非地面点云数据对应的聚类半径作为该聚类中心对应的聚类半径；

步骤S2：判断所有未分类的非地面点云数据中是否存在满足聚类要求的数据，若存在，则将满足聚类要求的非地面点云数据划分至该聚类中心所属的类别，并将新划分至该类别的每一非地面点云数据分别作为更新后的聚类中心、并获取更新后聚类中心对应的聚类半径，重复执行步骤S2，直至不存在满足聚类要求的非地面点云数据；将所有满足聚类要求的非地面点云数据分割为该类别的目标；

步骤S3：判断是否存在未分类的非地面点云数据，若不存在，则结束；若存在，则进入步骤S4；

步骤S4：任选一个未分类的非地面点云数据，为其标注新的类别，并将该未分类的非地面点云数据作为更新后的聚类中心，获取更新后聚类中心对应的聚类半径，然后，执行步骤S2；直至将所有非地面点云数据都分割为某类别的目标；

所述聚类要求是指：未分类的非地面点云数据与聚类中心之间的欧式距离小于与该聚类中心相对应的聚类半径；

步骤S5：判断各类别的目标所包含的非地面点云数据的个数，将满足个数阈值要求的类别的目标检测为障碍物。

Images