CN116299313A - 一种基于激光雷达的智能车辆可通行区域检测方法 - Google Patents

Abstract

本发明公开了智能驾驶领域内的一种基于激光雷达的智能车辆可通行区域检测方法，包括以下：1）在智能车辆上安装激光雷达，取道路区域内环境信息的原始点云数据；2）利用栅格高度差滤波法对原始点云数据进行处理，得到地面种子点的候选点；3）通过GPF算法将全部候选点进行高度排序、提取初始种子点；4）采用自适应区域增长平面拟合的方法；5）从提取的地面点云中分离出道路边界，确定可通行区域；6）使用正态分布变换算法对多帧激光雷达数据进行配准，确定当前所在位置；7）采用随机采样一致性算法对道路边界拟合，完成道路边界曲线的建立，本发明为智能驾驶提供更加精确的道路信息，提高驾驶的安全。

Description

一种基于激光雷达的智能车辆可通行区域检测方法

技术领域

本发明涉及智能驾驶技术领域，特别涉及一种车辆可通行区域检测方法。

背景技术

道路环境感知是智能车辆的关键技术，通过各种传感器收集道路环境信息，为智能车辆的安全行驶，为智能车辆安全行驶提供及时准确的决策依据。

目前，智能驾驶车辆多数选用摄像头作为环境感知技术的主要传感器，其经济实用、成本低以及功能齐全，然而摄像头也存在着一些不足，例如图像质量受光线和天气等因素的影响比较大，并且处理的数据量较大而导致实时性交叉。而激光雷达可以在在恶劣天气、低光照等情况下工作，具有较强的鲁棒性。

激光雷达探测精度高、抗干扰能力强，具有极高的距离分辨率、角分辨率，能够获取三维信息，通过获得被检测目标的三维点坐标以及对应的反射强度信息，生成三维点云图，不仅能够检测车辆的可行驶区域边界，而且能够快速复现出障碍物的形状、位置以及大小，使智能车辆能在可通行区域内行驶。

发明内容

针对现有技术中存在的不足，本发明提供了一种基于激光雷达的智能车辆可通行区域检测方法，为智能驾驶提供更加精确的道路信息，提高驾驶的安全形。

本发明的目的是这样实现的：一种基于激光雷达的智能车辆可通行区域检测方法，包括以下步骤：

步骤1)在智能车辆上安装多线激光雷达，通过激光雷获取道路区域内环境信息的原始点云数据，并建立三维坐标系，坐标系与车体固连；

步骤2)利用栅格高度差滤波法对原始点云数据进行粗略处理，优化点云的数量以及排除非地面点云的干扰，建立2.5维栅格地图，使每个二维栅格中都包含高度信息，设定栅格高度差的阈值，当栅格高度差小于阈值时，保留该栅格点作为初始点，这些点作为地面种子点的候选点；

步骤3)通过GPF算法将全部候选点进行高度排序、提取初始种子点，将栅格内的候选点按高度进行升序排列，得到这些点的平均值，小于设定的高度阈值的点作为平面模型估计的初始种子点；

步骤4)采用自适应区域增长平面拟合的方法对地面初始种子点进行处理；

步骤5)从提取的地面点云中分离出道路边界，确定可通行区域，对地面点云进行高度差特征、法向量差特征和切向领域半径比值特征分析，根据这些关键特征提取道路边界点，只有当地面点同时满足高度差特征、法向量差特征和切向邻域半径比值特征时，该点才会被认为是道路边界点；

步骤6)使用正态分布变换算法对多帧激光雷达数据进行配准，通过当前帧的点云与地图之间的匹配关系确定当前所在位置；

步骤7)采用随机采样一致性算法对道路边界拟合，完成道路边界曲线的建立。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤2)具体包括：

将车辆设定范围内的雷达数据垂直投影到X-Y平面上，再计算出所有投影到同一栅格中点云的最大Z值和最小Z值，栅格地图坐标系以激光雷达的中心为坐标原点，经过标定，使其Y轴指向车身正前方，垂直Y轴向右为X轴，构建M×N的极坐标栅格地图，超过此栅格地图范围的点云数据将被滤除，点云数据分布在极坐标栅格地图上，在相同栅格内的点云具有不同的Z值，表示地面和不同高度的障碍物；对于栅格单元C，落入其中的点所构成的集和可表示为ξ_c＝{P_i＝(x_i,y_i,z_i)}，x_i,y_i,z_i为三维点云坐标，则此栅格的栅格高度差HD_c＝max(z_i)-min(z_J)P_i,P_J∈ξ_c，设定栅格高度差的阈值为T_HD，当HD_c<T_HD时，保留栅格中的点作为初始点，所有栅格中的初始点均作为地面初始种子点的候选点。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤3)GPF算法通过将全部候选点进行高度排序提取初始种子点具体包括：

步骤3-1)将整个点云P中的点按高度从小到大排列；

步骤3-2)取出若干个最低高度值点，数量为N_LPR，求这些点的平均值LPR；

步骤3-3)计算出LPR后，将其作为点云P的最低高度值点，小于高度阈值Th_seeds的点将作为平面模型估计的初始种子点Pg，对于平面估计，已知三维点云坐标(x_i,y_i,z_i)，平面方程为：ax+by+cz+d＝0，a,b,c为拟合平面待求参数，d是要求的值，约束条件：a²+b²+c²＝1，求得a,b,c使得点到改平面的距离最小，通过构造

计算ΜΜ^T，对ΜΜ^T进行奇异值分解，取最小特征值所对应的特征向量作为平面方程的a,b,c值，即可求出d。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤4)具体包括：

把坡度路面看成有多个朝向不同的平面A、B、C组成，采用增量平面拟合的方法，通过计算两个栅格拟合平面的夹角判断地形的局部变化，设平面α和β为：α：A₁x+B₁y+C₁z+D＝0；β：A₂x+B₂y+C₂z+D＝0，α和β的法向量分别为n₁＝(A₁,B₁,C₁)、n₂＝(A₂,B₂,C₂)，记平面α和β之间的夹角θ，规定θ为锐角，则公式：

如果相邻两个平面的夹角小于角度阈值，则表示栅格内地形变化不大，认为是同一个平面，把该栅格内的种子点并入之前的种子点集合重新进行平面拟合；反之，则认为从该栅格开始地形局部信息发生变化，前后两个栅格不属于同一平面，并从该栅格开始进行新的平面估计，依次循环遍历整个栅格地图即可获取自适应地形变化的地面点。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤5)中高度差特征分析具体包括：将地面点云进行栅格化处理，根据栅格最大最小高度差算法，如果栅格内点云的最大最小高度差满足Th₁<Z_max-Z_min<Th₂，则认为该点为道路边界点。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤5)中法向量差特征分析具体包括：地面点p表示扫描线中的某一点，n(p,r₁)、n(p,r₂)表示不同半径r₁,r₂下点p经归一化处理后的法向量，Δn(p,r₁,r₂)表示在不同半径下的法向量差，法向量差公式：Δn(p,r₁,r₂)＝|n(p,r₁)-n(p,r₂)|，当Δn(p,r₁,r₂)>n_th时，则改点为道路边界点。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤5)中切向领域半径比值特征分析具体包括：A、B、C为同一激光扫描线上的三个点，与激光雷达中心的距离分别为r_A，r_B，r_C，则对于点B的特征如公式:R_B＝max(|r_B/r_A-1|,|r_B/r_C-1|),当该点到原点的距离明显小于切向邻域点，认为改点位于道路边界点。

作为本发明所述一种基于激光雷达的智能车辆可通行区域检测方法的优选技术方案，步骤7)具体包括：

步骤7-1)分别从左右道路边界特征点中随机选取三个点进行二次多项式拟合；

步骤7-2)计算点到拟合曲线的距离，当距离小于阈值T时认为是内点，加入内点集；

步骤7-3)重复步骤7-1、7-2，对内点集进行多项式拟合，直至满足迭代条件。

与现有技术相比，本发明的有益效果在于：

1.激光雷达作为一种先进的视觉传感器，可以直接输出三维信息，具有探测精度高、抗干扰性强的特点，可以在夜间等条件下稳定工作；

2.利用单帧激光雷达数据检测道路边界，需要精确的方向角和电子地图的道路宽度，处理过程复杂，受环境影响大；本发明采用多帧激光雷达数据融合，能够提供更加丰富的信息，提高检测的准确性；

3.根据智能车辆环境感知的要求，智能车辆不仅要在平坦的路面有效分割地面，还要能在坡度路面等复杂环境下分割地面；显然单一的平面模型不能符合要求，本文采用的自适应区域增长平面拟合算法，既能适应平坦路面，又能适应坡度路面，保证系统的鲁棒性；

4.道路边界作为智能车辆可行驶区域划分的重要依据，有效可靠的道路边界拟合对于智能车辆的决策控制系统至关重要；在智能车辆环境感知系统中，为保证感知系统准确性、实时性，通常只对道路边界以内的障碍物进行聚类跟踪，获取其状态信息，错误的道路边界检测可能会造成障碍物漏检，严重智能车辆的行车安全；因此，采用随机采样一致性算法进行道路边界拟合，无论在直线还是曲线道路，该方法都具有较好的拟合效果。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明流程图。

图2为本发明中地面分割流程图。

图3为道路模型示意图。

图4为本发明中切向领域半径比值特征示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1-4所示的一种基于激光雷达的智能车辆可通行区域检测方法，包括以下步骤：

步骤1)在智能车上安装32线激光雷达，利用激光雷达获取前方道路环境的反射点信息，构建三维坐标系，坐标系与车体固连，以激光雷达所在位置为原点，x轴正方向指向车体右侧，y轴正方向指向车体前方，z轴正方向垂直于xoy平面指向正上方。

步骤2)利用栅格高度差滤波法对地面进行粗略的分割，减少迭代优化时点的数量和排除非地面点对平面拟合时的干扰；具体方法是，将车辆一定范围内的雷达数据垂直投影到X-Y平面上，在计算出所有投影到同一栅格中的点云的最大Z值和最小Z值，本文中栅格地图坐标系以激光雷达的中心为坐标原点，经过标定，使其Y轴指向车身正前方，垂直Y轴向右为X轴，构建M×N的极坐标栅格地图，超过此栅格地图范围的点云数据将被滤除。点云数据分布在极坐标栅格地图上，在相同栅格内的点云具有不同的Z值，表示地面和不同高度的障碍物。例如对于栅格单元C，落入其中的点所构成的集和可表示为ξ_c＝{P_i＝(x_i,y_i,z_i)}，则此栅格的栅格高度差HD_c＝max(z_i)-min(z_J)P_i,P_J∈ξ_c，设定栅格高度差的阈值为T_HD，当HD_c<T_HD时，保留栅格中的点作为初始点，依次遍历每个栅格，提取初始点均作为地面种子点的候选点。

步骤3)利用GPF算法通过将全部候选点进行高度排序提取初始种子点：

(1)将整个点云P中的点按高度从小到大排列；

(2)取出若干个最低高度值点，数量为N_LPR，求这些点的平均值LPR，这样能够保证噪声数据不会影响到平面估计；

(3)计算出LPR后，将其作为点云P的最低高度值点，小于高度阈值Th_seeds的点将作为平面模型估计的初始种子点Pg；对于平面估计，已知三维点云坐标(x_i,y_i,z_i)，平面方程为：ax+by+cz+d＝0，约束条件：a²+b²+c²＝1，求得a,b,c使得点到改平面的距离最小；通过构造

计算ΜΜ^T，对ΜΜ^T进行奇异值分解，取最小特征值所对应的特征向量作为平面方程的a,b,c值，即可求出d，进而求出平面方程。

步骤4)采用自适应区域增长平面拟合的方法对地面初始种子点进行处理，这种平面拟合的方法既能适应平坦路面，又能适应坡度路面；结合基于线拟合地面分割算法中增量直线拟合的思路，与平面拟合地面分割结合在一起，利用相邻拟合平面之间的差异度自适应地形变化，最后通过计算每个三维点到拟合平面的相对距离判断是否为地面点，提高该算法对坡度地面的精确建模能力。具体方法是：把坡度路面看成有多个朝向不同的平面A、B、C组成，采用增量平面拟合的方法，通过计算两个栅格拟合平面的夹角判断地形的局部变化，设平面α和β为：α：A₁x+B₁y+C₁z+D＝0；β：A₂x+B₂y+C₂z+D＝0，他们的法向量分别为n₁＝(A₁,B₁,C₁)、n₂＝(A₂,B₂,C₂)，记平面α和β之间的夹角θ，规定θ为锐角，则公式：

如果相邻两个平面的夹角小于角度阈值，则表示栅格内地形变化不大，认为是同一个平面，所以把该栅格内的种子点并入之前的种子点集合重新进行平面拟合；反之，则认为从该栅格开始地形局部信息发生变化，前后两个栅格不属于同一平面，并从该栅格开始进行新的平面估计，依次循环遍历整个栅格地图即可获取自适应地形变化的地面点。

步骤5)从提取的地面点云中分离出道路边界，确定可通行区域，对地面点云进行高度差特征、法向量差特征和切向领域半径比值特征分析，根据这些关键特征提取道路边界点；在结构化道路中两侧为人行道，在路面与人行道之间有一定的高度差，所以道路边界的重要特征是高度差特征。将地面点云进行栅格化处理，根据栅格最大最小高度差算法，如果栅格内点云的最大最小高度差满足Th₁<Z_max-Z_min<Th₂，则认为该点为道路边界点。由于随着距离的增加，点云越来越稀疏，不能如实反应道路边界的高度变化，且远处的道路边界所在的平面容易发射激光雷达扫描线，导致测量无效，所以继续使用法向量差特征和切向领域半径比值特征实现提取道路边界点。

在同一扫描线上，路面上的点云近似共线分布，而在道路边界上的点呈现分段分布。当点云近似共线分布时，点云在不同尺度下的法向量近似相等，而分段分布的点云在不同尺度下的法向量相差很大，地面点p表示扫描线中的某一点，n(p,r1)、n(p,r2)表示不同半径r1,r2下点p经归一化处理后的法向量，Δn(p,r₁,r₂)表示在不同半径下的法向量差，法向量差公式：Δn(p,r₁,r₂)＝|n(p,r₁)-n(p,r₂)|，当Δn(p,r₁,r₂)>n_th时，则改点为道路边界点。

同一扫描线反射的点投影到标准平面会形成一个圆，而圆上的点到圆心的距离相等，但是当激光雷达扫描线投射到道路边界上时，由于道路边界与路面的高度差别，点受到阻碍导致距离会发生变化。A、B、C为同一激光扫描线上的三个点，与激光雷达中心的距离分别为r_A，r_B，r_C，则对于点B的特征如公式:R_B＝max(|r_B/r_A-1|,|r_B/r_C-1|),当该点到原点的距离明显小于切向邻域点，认为改点位于道路边界。

只有当地面点同时满足高度差特征、法向量差特征和切向邻域半径比值特征时，该点才会被认为是道路边界点。

为获取连续平滑的道路边界，需要对真实的道路边界进行拟合，从而将道路边界检测问题转化为二维离散点的拟合问题，采用随机采样一致性算法进行道路边界拟合，以二次多项式的形式表示道路边界：y＝ax+by+c。随机采样一致性算法拟合曲线的具体步骤如下：(1)分别从左右道路边界特征点中随机选取三个点进行二次多项式拟合；(2)计算点到拟合曲线的距离，当距离小于阈值T时认为是内点，加入内点集；(3)重复步骤1、2，对内点集进行多项式拟合，直至满足迭代条件。

通过上述方法实现了道路边界曲线的拟合，确定了可通行区域。

以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (8)

1.一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，包括以下步骤：

步骤1)在智能车辆上安装多线激光雷达，通过激光雷获取道路区域内环境信息的原始点云数据，并建立三维坐标系，坐标系与车体固连；

步骤2)利用栅格高度差滤波法对原始点云数据进行粗略处理，优化点云的数量以及排除非地面点云的干扰，建立2.5维栅格地图，使每个二维栅格中都包含高度信息，设定栅格高度差的阈值，当栅格高度差小于阈值时，保留该栅格点作为初始点，这些点作为地面种子点的候选点；

步骤3)通过GPF算法将全部候选点进行高度排序、提取初始种子点，将栅格内的候选点按高度进行升序排列，得到这些点的平均值，小于设定的高度阈值的点作为平面模型估计的初始种子点；

步骤4)采用自适应区域增长平面拟合的方法对地面初始种子点进行处理；

步骤5)从提取的地面点云中分离出道路边界，确定可通行区域，对地面点云进行高度差特征、法向量差特征和切向领域半径比值特征分析，根据这些关键特征提取道路边界点，只有当地面点同时满足高度差特征、法向量差特征和切向邻域半径比值特征时，该点才会被认为是道路边界点；

步骤6)使用正态分布变换算法对多帧激光雷达数据进行配准，通过当前帧的点云与地图之间的匹配关系确定当前所在位置；

步骤7)采用随机采样一致性算法对道路边界拟合，完成道路边界曲线的建立。

2.根据权利要求1所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤2)具体包括：

将车辆设定范围内的雷达数据垂直投影到X-Y平面上，再计算出所有投影到同一栅格中点云的最大Z值和最小Z值，栅格地图坐标系以激光雷达的中心为坐标原点，经过标定，使其Y轴指向车身正前方，垂直Y轴向右为X轴，构建M×N的极坐标栅格地图，超过此栅格地图范围的点云数据将被滤除，点云数据分布在极坐标栅格地图上，在相同栅格内的点云具有不同的Z值，表示地面和不同高度的障碍物；对于栅格单元C，落入其中的点所构成的集和可表示为ξ_c＝{P_i＝(x_i,y_i,z_i)}，x_i,y_i,z_i为三维点云坐标，则此栅格的栅格高度差HD_c＝max(z_i)-min(z_J)P_i,P_J∈ξ_c，设定栅格高度差的阈值为T_HD，当HD_c<T_HD时，保留栅格中的点作为初始点，所有栅格中的初始点均作为地面初始种子点的候选点。

3.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤3)GPF算法通过将全部候选点进行高度排序提取初始种子点具体包括：

步骤3-1)将整个点云P中的点按高度从小到大排列；

步骤3-2)取出若干个最低高度值点，数量为N_LPR，求这些点的平均值LPR；

步骤3-3)计算出LPR后，将其作为点云P的最低高度值点，小于高度阈值Th_seeds的点将作为平面模型估计的初始种子点Pg，对于平面估计，已知三维点云坐标(x_i,y_i,z_i)，平面方程为：ax+by+cz+d＝0，a,b,c为拟合平面待求参数，d是要求的值，约束条件：a²+b²+c²＝1，求得a,b,c使得点到改平面的距离最小，通过构造

计算ΜΜ^T，对ΜΜ^T进行奇异值分解，取最小特征值所对应的特征向量作为平面方程的a,b,c值，即可求出d。

4.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤4)具体包括：

把坡度路面看成有多个朝向不同的平面A、B、C组成，采用增量平面拟合的方法，通过计算两个栅格拟合平面的夹角判断地形的局部变化，设平面α和β为：α：A₁x+B₁y+C₁z+D＝0；β：A₂x+B₂y+C₂z+D＝0，α和β的法向量分别为n₁＝(A₁,B₁,C₁)、n₂＝(A₂,B₂,C₂)，记平面α和β之间的夹角θ，规定θ为锐角，则公式：

如果相邻两个平面的夹角小于角度阈值，则表示栅格内地形变化不大，认为是同一个平面，把该栅格内的种子点并入之前的种子点集合重新进行平面拟合；反之，则认为从该栅格开始地形局部信息发生变化，前后两个栅格不属于同一平面，并从该栅格开始进行新的平面估计，依次循环遍历整个栅格地图即可获取自适应地形变化的地面点。

5.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤5)中高度差特征分析具体包括：将地面点云进行栅格化处理，根据栅格最大最小高度差算法，如果栅格内点云的最大最小高度差满足Th₁<Z_max-Z_mim<Th₂，则认为该点为道路边界点。

6.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤5)中法向量差特征分析具体包括：地面点p表示扫描线中的某一点，n(p,r₁)、n(p,r₂)表示不同半径r₁,r₂下点p经归一化处理后的法向量，Δn(p,r₁,r₂)表示在不同半径下的法向量差，法向量差公式：Δn(p,r₁,r₂)＝|n(p,r₁)-n(p,r₂)|，当Δn(p,r₁,r₂)>n_th时，则改点为道路边界点。

7.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤5)中切向领域半径比值特征分析具体包括：A、B、C为同一激光扫描线上的三个点，与激光雷达中心的距离分别为r_A，r_B，r_C，则对于点B的特征如公式:R_B＝max(|r_B/r_A-1|,|r_B/r_C-1|),当该点到原点的距离明显小于切向邻域点，认为改点位于道路边界点。

8.根据权利要求1或2所述的一种基于激光雷达的智能车辆可通行区域检测方法，其特征在于，步骤7)具体包括：

步骤7-1)分别从左右道路边界特征点中随机选取三个点进行二次多项式拟合；

步骤7-2)计算点到拟合曲线的距离，当距离小于阈值T时认为是内点，加入内点集；

步骤7-3)重复步骤7-1、7-2，对内点集进行多项式拟合，直至满足迭代条件。

Images