CN116209920A - 借助激光雷达传感器的测量和计算设备来估计车辆自身运动的方法 - Google Patents

Abstract

本发明涉及一种用于估计车辆的自身运动的方法，包括以下步骤：借助利用所述车辆的激光雷达传感器在第一时间点提供的传感器数据，来确定具有多个第一点的第一点云；借助利用所述激光雷达传感器在所述第一时间点之后的第二时间点提供的传感器数据，来确定具有多个第二点的第二点云；将所述第一点分配给聚类，并且将所述第二点分配给聚类；从所述第一点云中选择所述第一点，并且从所述第二点云中选择所述第二点；确定相应的对应的所选择的第一点和所选择的第二点之间的位移；以及根据所述位移估计所述车辆的自身运动；其中，对所述第一点的选择和对所述第二点的选择根据相应的聚类的形状来执行。

Description

借助激光雷达传感器的测量和计算设备来估计车辆自身运动 的方法

技术领域

本发明涉及一种用于估计车辆的自身运动的方法。此外，本发明涉及一种用于车辆的计算设备。最后，本发明涉及一种计算机程序以及一种计算机可读存储器(介质)。

背景技术

确定车辆的自身运动对于驾驶员辅助系统或者自动的或自主的驾驶至关重要。为了确定自身运动，目前例如使用惯性测量单元(IMU)。然而，该技术容易出错并且可能无法提供足够的准确性。此外，从现有技术中已知，车辆自身的运动是使用卫星支持的定位系统来确定的。然而，这样的定位系统在城市地区、隧道等中通常可能不可用。

此外，从现有技术中已知，车辆自身的运动是使用来自激光雷达传感器的传感器数据来确定的。为此，DE 10 2008 026 397 A1描述了一种用于借助静止对象估计包括车辆位置和车辆速度的车辆动力性的系统。该系统包括对象传感器，例如激光雷达传感器，其提供静止对象的对象信号。该系统还包括在车辆侧的提供表示车辆运动的信号的传感器。该系统还包括一个映射处理器，它接收对象信号并通过多个数据帧规定了对象跟踪。该系统还包括纵向状态估计处理器，其接收对象信号和传感器信号并在前进方向上提供对车辆速度的校正。该系统还包括横向状态估计处理器，其接收对象信号和传感器信号并在横向上提供对车辆速度的校正。

从机器人领域还已知，使用迭代最近点方法基于激光雷达传感器的传感器数据来估计自身运动。在此可以使用激光雷达传感器检测对象，并且可以确定描述这些对象的点云。这些点云可以针对相继的测量或时间点来确定。此外，相应点云的点可以聚类或组合。在机器人技术中，自身运动通常是在室内进行确定的。具有已知几何形状和/或规定轮廓的对象在此通常可供使用。由此通常确保点云中的点数不会改变，因为对象的轮廓始终相同。

在这种情况下，也采用滤波方法，以便从点云中选择用于确定自身运动的点。在已知的滤波方法即所谓的“筛除”方法中，检查所形成的聚类的绝对的点数和点密度。如果绝对的点数和/或点密度太低，则聚类被视为异常者或被筛除者，并被过滤掉或不被考虑。

在道路交通中通常存在大量不适合确定车辆自身运动的动态的或移动的对象。此外，那里通常还会有干扰对象，例如防撞护栏，它们在激光雷达传感器的检测范围内没有明确的边界或轮廓。然而，这些干扰对象无法利用已知的滤波方法识别出来。其原因是，这些对象具有高的点密度，因此不属于已知的过滤标准。

发明内容

本发明的目的是，提出关于如何借助使用激光雷达传感器的测量更可靠地确定车辆自身运动的解决方案。

根据本发明，该目的通过具有独立权利要求的特征的方法、计算设备、计算机程序以及计算机可读存储器(介质)来实现。本发明的有利改进在从属权利要求中说明。

根据本发明的方法用于估计车辆的自身运动。该方法包括，借助在第一时间点利用车辆的激光雷达传感器提供的传感器数据来确定具有多个第一点的第一点云。此外，该方法包括，借助在第一时间点之后的第二时间点利用激光雷达传感器提供的传感器数据来确定具有多个第二点的第二点云。该方法还包括，将第一点分配给聚类，将第二点分配给聚类，以及从第一点云中选择第一点，并从第二点云中选择第二点。此外该方法包括，确定在相应的对应的所选第一点和所选第二点之间的位移，并借助该位移估计车辆的自身运动。在此规定，对第一点的选择和对第二点的选择根据相应聚类的形状来进行。

借助该方法要确定或估计车辆的自身运动。自身运动可以描述车辆的速度和/或方向。该方法可以使用车辆的计算设备，例如利用车辆的电子控制器来执行。该计算设备可以持续接收来自车辆激光雷达传感器的传感器信号。使用激光雷达传感器，可以进行在时间上相继的测量或测量周期。在相应的测量中，可以利用激光雷达传感器发出光信号，并且可以再次接收在车辆周围环境中特别是在对象上反射的光信号。借助在相应光信号的发出和被对象反射的光信号的接收之间的传播时间，然后可以在了解光信号的传播速度的情况下，确定激光雷达传感器和对象之间的距离。在利用激光雷达传感器的测量周期中，光信号可以发出到周围环境的不同的空间区域中，并再次接收。

在激光雷达传感器的测量周期中，然后可以基于所接收的或反射的光信号来确定点云。该点云可以是二维的或三维的。该点云描述了车辆的周围环境。在当前情况下，至少考察在第一时间点或在第一测量周期中确定的第一点云和在第二时间点或在第二测量周期中确定的第二点云。第二时间点在第一时间点之后，或者第二测量周期在第一测量周期之后。

此外，第一点云的第一点被集聚，点云的第二点被集聚。换句话说，第一点云的第一点可以分组，第二点云的第二点也可以分组。在集聚的情况下，特别是尝试将源自同一对象的点汇总。此外，第一点是从第一点云中选择的，第二点是从第二点云中选择的。换言之，第一点和第二点被过滤。此处假定所选择的第一点和所选择的第二点与静态对象相关联。然后可以确定在相应的对应的所选择的第一点和第二点之间的位移。这种位移可以例如参照车辆纵向方向和车辆横向方向来确定。位移可以描述平移和旋转。然后可以根据所选择的第一时间点和第二时间点之间的位移来确定车辆在第一时间点和第二时间点之间的自身运动。

根据本发明的一个基本方面规定，对第一点的选择和对第二点的选择根据相应聚类的形状或造型来进行。特别地，基于第一点和第二点的相应聚类的形状，可以估计该聚类是源自静态对象还是动态对象。不应选择例如来自动态对象的第一点和第二点。此外，借助聚类的形状可以估计对象是否适合于确定自身运动。例如，如果借助形状识别出它是延展的对象或不能清楚地确定其边界或轮廓的对象，则这不能被考虑用于确定车辆的自身运动。因此目的是，过滤掉动态对象和干扰对象。总的来说，因此可以基于利用激光雷达传感器的测量更可靠地执行对车辆自身运动的确定。

在一个实施方式中规定，对应的所选择的点之间的位移通过迭代最近点算法来确定。在运行迭代最近点算法之前，可以先对点云进行集聚，然后进行过滤。这里，可以首先选择来自第一点云的第一点和来自第二点云的第二点。之后，可以确定第一点云和第二点云中对应的点对。原则上，这可以通过为第一点找到最近的第二点来实现。此外，可以对点进行加权。这些点可以根据其周围环境进行加权，从而突出特征和感兴趣的区域。此外，可以排除或不考虑点。例如，可以排除是异常者的点或对迭代最近点算法的收敛没有贡献的点。最后，然后可以确定误差度量，并且可以执行优化。

在另一实施方式中，对第一点的选择和对第二点的选择附加地根据相应聚类的位置来执行。除了聚类的形状之外，还可以考虑聚类相对于车辆的空间位置。基于聚类的空间位置，还可以估计它可能是哪个对象。如果考虑到这一点，则可以基于利用激光雷达传感器的测量来确定自身运动。

在此特别地规定，对于分配给在车辆周围环境中的道路的第一点和第二点，不进行选择。如果要确定车辆的自身运动，车辆通常位于道路上。可以确定或估计道路相对于车辆位于哪里。由此也可以确定是否可以将聚类分配给道路。如果一个聚类被分配给道路，则可以以很大的概率认为它是另一个道路使用者，因此是一个动态的或移动的对象。借助描述动态对象的点云，无法充分确定车辆的自身运动。因此规定，不考虑或过滤掉布置在道路区域中的第一点聚类和第二点聚类。此外，借助空间位置，可以识别分配给道路边界例如防撞护栏等的聚类。这些边界与道路的行进方向平行。这样，也可以更可靠地识别和过滤掉这些边界。

在另一实施方式中，对于分配给具有细长形状的聚类的第一点和第二点，不进行选择。无法确定细长的或在空间上延展的对象的边界。这种细长的聚类例如出现在道路边界例如防撞护栏、隧道壁等的情况下。对于细长的聚类，这些点可以基本上沿一条线布置。在当前情况下，细长的形状尤其理解为长度明显大于宽度的形状。这些细长的聚类通常沿行驶方向或沿车辆的纵向轴线延伸。在相继的测量中，可以分别检测到这些细长对象的不同区域。因此，相应的点云也不描述对象的相同部分。细长对象可被视为关于确定车辆自身运动的干扰对象。因此，不考虑或过滤掉这种干扰对象或描述这种干扰对象的聚类。

此外，细长的聚类可以描述对其他道路使用者，特别是其他车辆的测量。如果在行驶方向上在自身车辆前方有其他车辆，则通常检测其他车辆的尾部区域。描述这些尾部区域的点也形成横向于行进方向或沿车辆的横向轴线延伸的细长的聚类。这些与动态对象相关联的聚类在估计车辆自身运动时不能被考虑或被过滤掉。

此外有利的是，为了确定聚类，使用带有噪声的基于密度的空间聚类分析。在聚类情况下，要识别出相应点云的描述同一对象的点。带有噪声的基于密度的空间聚类分析(DBSCAN)的优点是，不需要聚类的初始数量，并且可以识别不属于聚类的点。

根据另一实施方式，基于主成分分析对第一点云的聚类和第二点云的聚类进行分类。特别是，主成分分析可用于将聚类分类为异常者或被筛除者。如前已述，细长的聚类或对象不应被考虑，或者应归类为异常者。通过主成分分析，可以确定聚类的点的协方差矩阵。基于协方差矩阵，然后可以确定描述聚类的点的特征值。如果特征值的比率很小或低于预定的极限值，则可以认为，这是细长的对象，因此是异常者。以这种方式，可以可靠地识别和过滤出细长的对象。

此外有利的是，确定第一点的对应聚类和第二点的聚类，其中，如果对应聚类的大小和/或形状不同，则不对第一点和第二点进行选择。换言之，规定过滤掉在各次测量之间改变大小和/或形状的有噪声的对象或聚类。因此，应该检查第一次测量的聚类与第二次测量的聚类的偏差是否太大。为此，可以首先确定哪些聚类对应于第一点云，哪些聚类对应于第二点云。此外，可以考虑对应聚类的特征值。对于特征值比率在每个维度上例如大于5或小于1/5的聚类或对象，可以认为这是有噪声的聚类。这种有噪声的聚类可以被过滤掉。

在确定过滤后的点云之后，可以将第一点云的第一点分配给点云的第二点。为此可以采用最近邻搜索。实验表明，所谓的k-d树由于其准确性、计算时间和内存要求而特别适用于此。这里一方面可以确定点云的对应点，另一方面可以对点进行剔除或丢弃。如果例如相互关联的点之间的距离超过预定值，则可以将这些点剔除。然后可以在相互关联的点之间确定描述平移和旋转的变换，并且可以从中推导出车辆的自身运动。为了进一步提高计算量和准确性，可以指定初始变换。特别是，可以使用误差状态扩展卡尔曼滤波器来确定该初始转换。在这里，可以通过最小化点云之间的误差来确定最终的变换。为此，尤其可以采用奇异值分解。

根据本发明的用于车辆的计算设备被设计用于执行根据本发明的方法。计算设备可以由车辆的电子控制器形成。

根据本发明的传感器系统包括根据本发明的计算设备。此外，传感器系统包括至少一个激光雷达传感器。该激光雷达传感器尤其可以设计为所谓的低成本激光雷达传感器，其具有低分辨率和/或低频率。激光雷达传感器可以连接到计算设备进行数据传输。因此，可以将在相应测量中利用激光雷达传感器确定的传感器数据和/或点云传输到计算设备。然后可以用计算设备估计车辆的自身运动。此外，传感器系统可以具有卫星支持的定位系统和/或惯性测量单元，它们也可以用于确定车辆的自身运动。

根据本发明的车辆包括根据本发明的传感器系统或根据本发明的计算设备。该车辆特别设计为乘用车。车辆也可以设计为商用车。

本发明的另一方面涉及一种计算机程序，包括指令，当该程序由计算设备执行时，所述指令使计算设备执行根据本发明的方法及其有利设计。此外，本发明涉及一种计算机可读(存储)介质，包括指令，所述指令在由计算设备执行时使计算设备执行根据本发明的方法及其有利设计。

参考根据本发明的方法介绍的优选实施方式及其优点相应地适用于根据本发明的计算设备、根据本发明的传感器系统、根据本发明的车辆、根据本发明的计算机程序以及根据本发明的计算机可读(存储)介质。

本发明的其他特征由权利要求、附图和附图说明得到。上述描述中提到的特征和特征组合，以及下面附图描述中提到的和/或图中单独示出的特征和特征组合，不仅可以以分别指定的组合使用，而且可以以其他组合使用或单独使用，而不脱离本发明的范围。

附图说明

现在将借助优选的实施例并参考附图更详细地解释本发明。

图1是具有带激光雷达传感器的传感器系统的车辆的示意图；

图2是借助使用激光雷达传感器的测量确定的点云的示意图，其中，这些测量在不同的时间点进行；

图3是车辆位于道路上的交通状况的示意图；

图4是在根据图3的交通状况中检测到的点云的示意图；和

图5是用于确定车辆自身运动的方法的示意性流程图。

在这些附图中，相同的或相同功能的部件标有相同的参考标号。

具体实施方式

图1以示意性俯视图示出设计为乘用车的车辆1。车辆1具有车辆纵向方向x和车辆横向方向y。车辆1包括具有计算设备3的传感器系统2。该计算设备3例如可以由车辆1的电子控制器形成。此外，传感器系统2包括激光雷达传感器4，利用该激光雷达传感器可以检测在车辆1的周围环境5中的对象。此外，传感器系统2包括惯性测量单元6。

图2是包括第一点P1的第一点云W1和包括第二点P2的第二点云W2的高度简化图。在此借助使用激光雷达传感器4的第一次测量确定第一点云W1，并且借助使用激光雷达传感器4的第二次测量确定第二点云W2。两个点云W1、W2分别描述了在车辆1的周围环境5中的静态对象。借助对应的第一点P1和第二点P2的分配，然后可以确定车辆1的自身运动—如下面详述。此外，车辆1的自身运动可以附加地借助惯性测量单元6的数据来确定。

图3以示意图示出其中车辆1位于道路7上的交通状况。在这里，车辆1在前进方向上移动。在当前情况下，道路7具有两条车道8并且由防撞护栏9界定。另外两个车辆10作为对象在行驶方向上位于车辆1前方。道路7可以是高速公路或联邦公路的一部分。

图4以示意图示出第一点云W1和第二点云W2。在这里，点云W1、W2是参照车辆1的纵轴x和车辆1的横轴y绘制的。这些点云W1、W2描述了根据图3的交通状况。在此，基于使用车辆1的激光雷达传感器4的第一次测量确定第一点云W1，并且基于使用激光雷达传感器4的第二次测量确定第二点云W2。第一次测量在第一时间点进行，第二次测量在第一时间点之后的第二时间点进行。

点云W1、W2的区域11和12源自防撞护栏9。源自防撞护栏9的点P1、P2形成沿车辆纵向方向x延伸的细长的聚类。在源自细长对象或防撞护栏9的这些点P1、P2的情况下，点P1和P2通常不描述对象的相同区域。因此，区域11和12中的点P1、P2的这些细长的聚类不用于估计车辆1的自身运动。

区域13和14来自其他车辆10。其他车辆10是在车辆1的周围环境5中的动态对象，这些对象不适合于确定车辆1的自身运动。因为这些车辆10在行驶方向上位于车辆1的前方，所以在利用激光雷达传感器4进行测量时，检测其他车辆10的相应的尾部区域。描述其他车辆10的尾部区域的点P1、P2也布置在细长的聚类中，其中，聚类沿着车辆横向方向y延伸。位于区域13、14中的点P1、P2也被过滤掉，并且不用于估计车辆1的自身运动。

图5示出了用于确定车辆1的自身运动的方法的示意性流程图。在步骤S1a中，确定第一点云W1。之后，在步骤S2a中对第一点云W1的第一点P1进行集聚。然后在步骤S3a中过滤第一点P1。在这里，如前面结合图4所解释的那样，可以过滤掉描述动态对象和干扰对象例如防撞护栏9的聚类或点P1。与此类似，在步骤S1b中确定第二点云W2，在步骤S2b中对第二点云W2的第二点P2进行集聚，并且在步骤S3b中过滤第二点云。

过滤后，在步骤S4中确定对应的聚类。在步骤S5中，确定并过滤掉噪声聚类。噪声聚类可以是在测量之间改变大小和/或形状的聚类。在步骤S6中，然后确定在对应的第一点P1和第二点P2之间的相应的位移。为此使用迭代最近点方法。因此可以确定在对应点P1、P2之间的平移和旋转，并且可以从中导出车辆1的自身运动。

总的来说，采用该方法还可以基于低分辨率激光雷达传感器4和不精确的点云来估计车辆的自身运动。此外，可以在环境影响和激光雷达传感器的低频率情况下实现更高的鲁棒性。通过过滤，可以使用迭代最近点方法减小误差。

Claims (10)

1.一种用于估计车辆(1)的自身运动的方法，包括以下步骤：

-借助利用所述车辆(1)的激光雷达传感器(4)在第一时间点提供的传感器数据，来确定具有多个第一点(P1)的第一点云(W1)；

-借助利用所述激光雷达传感器(4)在所述第一时间点之后的第二时间点提供的传感器数据，来确定具有多个第二点(P2)的第二点云(W2)；

-将所述第一点(P1)分配给聚类，并且将所述第二点(P2)分配给聚类；

-从所述第一点云(W1)中选择第一点(P1)，并且从所述第二点云(W2)中选择第二点(P2)；

-确定相应的对应的所选择的第一点(P1)和所选择的第二点(P2)之间的位移；以及

-基于所述位移估计所述车辆(1)的自身运动；

其特征在于，

-对所述第一点(P1)的选择和对所述第二点(P2)的选择根据相应的聚类的形状来执行。

2.根据权利要求1所述的方法，

其特征在于，

对所述第一点(P1)的选择和对所述第二点(P2)的选择附加地根据相应的所述聚类的位置来执行。

3.根据权利要求2所述的方法，

其特征在于，

对于分配给在所述车辆(1)的周围环境(5)中的道路(8)的第一点(P1)和第二点(P2)，不进行所述选择。

4.根据前述权利要求中任一项所述的方法，

其特征在于，

对于被分配给具有细长形状的聚类的第一点(P1)和第二点(P2)，不进行所述选择。

5.根据前述权利要求中任一项所述的方法，

其特征在于，

为了确定所述聚类，采用具有噪声的基于密度的空间聚类分析。

6.根据前述权利要求中任一项所述的方法，

其特征在于，基于主成分分析将所述第一点云(W1)的聚类和所述第二点云(W2)的聚类分类。

7.根据前述权利要求中任一项所述的方法，

其特征在于，

确定所述第一点(P1)的对应聚类和所述第二点(P2)的对应聚类，其中，如果所述对应聚类的大小和/或形状不同，则对于第一点(P1)和第二点(P2)不进行所述选择。

8.一种用于车辆(1)的计算设备(3)，其中，所述计算设备(3)被设计用于执行根据前述权利要求中任一项所述的方法。

9.一种计算机程序，包括指令，当程序由计算设备(3)执行时，所述指令使所述计算设备执行根据权利要求1至7中任一项所述的方法。

10.一种计算机可读(存储)介质，包括指令，所述指令在由计算设备(3)执行时使所述计算设备执行根据权利要求1至7中任一项所述的方法。

Images