CN116796210B - 基于激光雷达的障碍物检测方法 - Google Patents
基于激光雷达的障碍物检测方法 Download PDFInfo
- Publication number
- CN116796210B CN116796210B CN202311074918.6A CN202311074918A CN116796210B CN 116796210 B CN116796210 B CN 116796210B CN 202311074918 A CN202311074918 A CN 202311074918A CN 116796210 B CN116796210 B CN 116796210B
- Authority
- CN
- China
- Prior art keywords
- grid
- unit
- unit grid
- acquiring
- saliency
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 23
- 230000004888 barrier function Effects 0.000 title description 8
- 238000005192 partition Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims description 41
- 238000002310 reflectometry Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及无线电波检测领域,提出了基于激光雷达的障碍物检测方法,包括:获取二维栅格地图;获取每个单元网格对应的多物体性质显著度和多物体距离显著度,进而取每个单元网格对应的多物体显著度;获取每个单元网格对应的点数据密度权重,进而获取每个单元网格对应的点分布规则性权重和分布位置显著性;获取单元网格对应的划分粒度显著值;根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,根据自适应划分层数进行聚类,根据聚类结果获取障碍物检测结果,提升障碍物检测结果的精确度。
Description
技术领域
本发明涉及无线电波检测领域,具体涉及基于激光雷达的障碍物检测方法。
背景技术
车辆可行驶路面区域的确定以及影响行驶的相关范围内的障碍物检测是保证智能汽车在无人驾驶过程中的安全性与鲁棒性的关键技术,它不仅可以为智能汽车换道避障以及超车等提供准确合理的路径规划约束,还可以为智能汽车的主动制动提供安全的距离信息。为实现对影响行驶的相关范围内的障碍物进行检测的目的,一般以激光雷达获取车辆行驶区域的点云进行障碍物检测,目前主流方法主要为两种,第一种是将雷达点云投影到二维平面上进行处理,第二种则是直接在三维空间中直接到对点云进行处理。为了提升障碍物检测的速度,一般采用第一种方法,将三维点云保留高度信息的同时映射到栅格地图中,以每个栅格为数据处理单元,进行障碍物识别,最后通过网格邻域聚类将障碍物进行归类划分,当只有一根射线扫描在障碍物上时也可应完成障碍物的准确识别,但是却容易造成障碍物欠分割问题,欠分割问题即为将距离较近的多个障碍物识别为一个占据路面位置大于实际障碍物位置的障碍物。所以需要提出一种可对多个不同障碍物位置进行准确识别的障碍物检测方法,提升障碍物识别的精度。
发明内容
本发明提供基于激光雷达的障碍物检测方法,以解决现有的激光雷达的障碍物检测过程中的欠分割问题,所采用的技术方案具体如下:
本发明一个实施例提供了基于激光雷达的障碍物检测方法,该方法包括以下步骤:
根据原始点云数据获取二维栅格地图,根据预设定义获取划分层;
根据二维栅格地图获取每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度,根据每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度获取每个单元网格对应的多物体显著度;
根据二维栅格地图获取每个划分层中每个单元网格对应的点数据密度权重,根据每个划分层中每个单元网格对应的点数据密度权重获取每个划分层中每个单元网格对应的点分布规则性权重;
根据二维栅格地图获取每个划分层中每个单元网格对应的分布位置显著性;
根据每个划分层中每个单元网格对应的点数据密度权重、多物体显著度、点分布规则性权重和分布位置显著性,获取单元网格对应的划分粒度显著值;
根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,将自适应划分层数作为聚类参数进行聚类,基于聚类结果获取障碍物检测结果。
进一步,所述根据二维栅格地图获取每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度,包括的具体方法为:
统计每个单元网格内包含的所有数据点对应的不同反射率的个数;
获取所述每个数据点对应的最大最小高度差,以每个数据点作为球心数据点,获取每个数据点对应的球区域,计算球心数据点的最大最小高度差与其球区域内每个数据点的最大最小高度差的差值的绝对值,将所有数据点得到的差值的绝对值的中值作为球心数据点对应的高度差异;
对同一单元网格中所有数据点对应的所述高度差异使用聚类算法进行聚类,统计获得的聚类簇的个数;
根据每个单元网格包含的各个数据点对应的所述不同反射率的个数、所述高度差异和对单元网格中所有数据点对应的高度差异进行聚类后获得的聚类簇的个数,获取所述单元网格对应的多物体性质显著度和多物体距离显著度。
进一步,所述多物体性质显著度获取的具体方法为:
将每个单元网格内包含的不同反射率的个数与单元网格所在的划分层中所有单元网格中包含最多个不同反射率的个数的比值记为第一比值;
将单元网格内包含的所有数据点对应的不同反射率的个数记为第一数量;
获取数字1与第一比值的差值,将所述数字1与第一比值的差值与第一数量的乘积记为单元网格对应的多物体性质显著度。
进一步,所述多物体距离显著度获取的具体方法为:
式中为第/>层单元网格中第/>个单元网格对应的多物体距离显著度;/>为该单元网格中各数据点对应的高度差异进行聚类之后聚类到第/>个簇中的坐标为/>的数据点对应的高度差异值;/>为第/>个簇中包含的各个数据点对应的高度差异值的均值;为/>为第/>个簇中包含坐标为/>的数据点,/>为对第/>个簇中包含的所有数据点对应的高度差异值求和;/>为第/>个簇中包含的数据点对应的高度差异值的个数;/>为单元网格中各数据点对应的高度差异进行聚类之后各个簇的中心数据点之间的欧氏距离的均值;/>为单元网格中各数据点对应的高度差异进行聚类之后获取的簇的个数。
进一步,所述多物体显著度获取的具体方法为:
获取单元网格对应的多物体性质显著度和多物体距离显著度的乘积;
获取单元网格对应的多物体性质显著度和多物体距离显著度的乘积的归一化值,将所述归一化值作为单元网格对应的多物体显著度。
进一步,所述根据二维栅格地图获取每个划分层中每个单元网格对应的点数据密度权重,包括的具体方法为:
获取每个单元网格对应的划分层内各单元网格中包含的数据点的个数和个数的均值;
获取单元网格对应的划分层内各单元网格中包含的数据点的个数和所述个数的均值之比,取所述单元网格中包含的数据点的个数和所述个数的均值之比的归一化值作为每个所述单元网格对应的点数据密度权重。
进一步,所述分布规则性权重获取的具体方法为:
获取数字1与单元网格对应的点数据密度权重的差值;
将数字1与单元网格对应的点数据密度权重的差值作为单元网格对应的点分布规则性权重。
进一步,所述根据二维栅格地图获取每个划分层中每个单元网格对应的分布位置显著性,包括的具体方法为:
获取每个划分层中每个单元网格周围八邻域位置的单元网格;
获取所述每个单元网格周围八邻域位置的单元网格对应的分布位置显著性;
取所述每个单元网格周围八邻域位置的单元网格对应的点数据密度权重中的最大值作为中心的单元网格对应的分布位置显著性。
进一步,所述划分粒度显著值获取的具体方法为:
式中为第/>层单元网格中第/>个单元网格对应的划分粒度显著值;/>为第/>层单元网格中第/>个单元网格对应的多物体显著度;/>为第/>层单元网格中第/>个单元网格对应的点数据密度权重;/>为第/>层单元网格中第/>个单元网格对应的分布位置显著性;/>为第/>层单元网格中第/>个单元网格对应的点分布规则性权重;/>为归一化函数。
进一步,所述根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,包括的具体方法为:
获取每个划分层单元网格中每个单元网格与其下层单元网格对应的所述划分粒度显著值的差值的绝对值,当这四个所述绝对值均小于等于预设阈值时,则认为该单元网格在该划分层中的划分粒度满足精确度要求;
当某个划分层中的每个单元网格在划分层中的划分粒度均满足所述精确度要求时,则停止继续对单元网格的分层,将该划分层作为自适应划分层数;否则,继续向下进行分层,循环上述步骤,直至获取自适应划分层数。
本发明的有益效果是:本发明通过对点云数据进行分析,获取对应的栅格地图,根据每个单元网格继续分层时分层前后的划分粒度显著值差异确定栅格地图最为合适的自适应划分的层数,根据该层数进行网格聚类,确定车辆周围的障碍物情况,解决了障碍物识别过程中网格划分精度设置为常数使车辆行驶过程中的障碍物识别出现欠分割问题,同时也可避免划分层数过多导致的增加较多不必要的计算的问题,提升障碍物的检测精度。其中,在获取每个单元网格继续分层时分层前后的划分粒度显著值时,首先,考虑每个单元网格包含的对应不同物体的数据点的密度情况和数据点分布密集度情况,根据单元网格包含的对应不同物体的数据点的密度获取每个单元网格对应的多物体显著度;其次,考虑数据点的分布密集度情况,根据每个单元网格所在的划分层内每个单元网格中包含的数据点的数目获取每个单元网格对应的点数据密度权重;然后,考虑相邻的单元网格对应的数据点密集程度,根据单元网格周围相邻的单元网格对应的点数据密度权重获取每个单元网格对应的分布位置显著性和点分布规则性权重;最后,以点数据密度权重作为多物体显著度的权重,以点分布规则性权重作为分布位置显著性的权重,获取每个单元网格对应的划分粒度显著值;在获取划分粒度显著值时,综合考虑了每个单元网格包含的对应不同物体的数据点的密度情况、数据点分布密集度情况和相邻的单元网格对应的数据点密集程度,增强网格划分精度设置与数据点具体分布特征之间的联系,使每个单元网格对应的划分粒度显著程度的评价更为准确,为后续确定自适应划分层数提供了精确依据。
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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的基于激光雷达的障碍物检测方法流程示意图。
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。
请参阅图1,其示出了本发明一个实施例所提供的基于激光雷达的障碍物检测方法流程图,该方法包括以下步骤:
步骤S001、根据原始点云数据获取二维栅格地图。
在汽车行驶过程中使用多线激光雷达获取原始数据,并对原始数据进行解析以获取笛卡尔坐标系下的原始点云。为保证点云的实时性和准确性,多线激光雷达可选取Velodyne LiDAR Puck 16线激光雷达,实施者也可根据需要选取其他合适的多线激光雷达。
对原始点云使用多范围地面平面拟合MR-GPF算法进行处理,提取原始点云中的地面点和非地面点,分别记为地面点云和非地面点云。对非地面点云使用条件滤波将汽车左右15米,前方30米以及后方20米之外的范围的数据点进行过滤,过滤掉的这些数据点对应道路左右两侧可能存在的建筑物、花草树木等信息,为非必要数据点,目的为减少后续点云数据的处理时间。其中,对非地面点云过滤掉的数据点范围可根据实际需要进行选取。根据滤波结果对非地面点云进行更新,利用栅格法通过坐标转换将非地面点云投影到二维栅格地图中,获取二维栅格地图,减小后续数据处理的复杂度。
根据二维栅格地图,可使用STING算法对各个单元网格进行聚类,通过计算单元网格的密度和设定的密度阈值来判断单元网格是高密度单元网格还是低密度单元网格,将邻近的高密度单元网格合并形成“类”,进而判断汽车周围的障碍物情况。但是在聚类的过程中,STING算法将空间划分为多层方形单元,划分的层数为人为设定的常数,当划分的层数不足时,容易出现欠分割问题,使障碍物识别精度不足;当划分层数过多时,则会增加较多不必要的计算,所以本文根据非地面点云和其二维栅格地图的实际情况实现对划分层数进行自适应确定。其中,使用STING算法对各个单元网格进行聚类为公知技术,不再赘述。
STING算法将空间划分为多层方形单元,为了避免在描述不同层方形单元中的单元网格时语义产生混淆,将每层方形单元记为一个划分层,将该层方形单元内包含的方形网格记为该划分层包含的方形网格。
步骤S002、根据二维栅格地图获取每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度,根据每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度获取每个单元网格对应的多物体显著度。
单元网格的划分为逐层划分,从第一层划分到第二层时开始,对从每个第u层划分到第u+1层后两个分层对应的划分粒度的精确度进行判断,其中。划分粒度的精确度判断以第u层和第u+1层中的每个单元网格的评价进行判断。
当单元网格中包含的各个数据点的特征的一致性越强时,则该单元网格对应的位置越可能对应同一个障碍物,所以对每个单元网格中包含的数据点的特征进行提取,同时评价这些数据点的特征一致性。单元网格内各个数据点均对应非地面点云中一数据点,根据点云中的信息获取单元网格内所有数据点对应的反射率。反射率由制造物体的材料本身性质决定,材料不同反射率也不同。
统计获取的各个反射率中出现的不同反射率的个数以及每个反射率包含的数据点的个数。分别选取每个单元网格中各个数据点,分别以每个数据点为球心,为半径作球,取球内每个数据点对应的最大最小高度差,取每个数据值与球心处数据点对应的最大最小高度差的差值的绝对值,取这些绝对值的中值作为球心处数据点对应的高度差异。其中,/>的经验值为3,实施者可根据实际需要自行设定,最大最小高度差即为横纵坐标相同的该位置的点云数据中,最大高度值与最小高度值的差值。同一障碍物一般较为规则,每个数据点相邻的位置的高度差异应较小。
当同一栅格中出现了不同障碍物时,则对应的高度差异较小的数据点在同一网格中应分不同区域分布。对同一单元网格中每个数据点对应的高度差异使用DBSCAN算法进行聚类,获得多个簇,其中,ɛ=4,minPts=15,实施者可根据实际需要自行设定,使用DBSCAN算法对同一单元网格中每个数据点对应的高度差异进行聚类为公知技术,不再赘述。获取每个簇对应的中心数据点,取各个中心数据点之间的欧氏距离。当聚类获取的簇的个数越多、这些簇的距离越远时,则同一栅格中越可能对应多个障碍物。
根据上述分析获取每个单元网格对应的多物体显著度。
式中为第/>层单元网格中第/>个单元网格对应的多物体性质显著度;/>为第/>层单元网格中第/>个单元网格对应的多物体距离显著度;/>为第/>层单元网格中第/>个单元网格对应的多物体显著度。式中/>为单元网格内包含的所有数据点对应的不同反射率的个数;/>为单元网格内包含的不同反射率的个数与单元网格中包含最多个不同反射率的个数的比值。
式中为该单元网格中各数据点对应的高度差异进行聚类之后聚类到第/>个簇中的坐标为/>的数据点对应的高度差异值;/>为第/>个簇中包含的各个数据点对应的高度差异值的均值;/>为/>为第/>个簇中包含坐标为/>的数据点,为对第/>个簇中包含的所有数据点对应的高度差异值求和;/>为第/>个簇中包含的数据点对应的高度差异值的个数;/>为单元网格中各数据点对应的高度差异进行聚类之后各个簇的中心数据点之间的欧氏距离的均值;/>为单元网格中各数据点对应的高度差异进行聚类之后获取的簇的个数;/>为归一化函数,作用为取括号内的归一化值。
从单元网格内不同物体的材质不同导致的物理性质差异入手,评价同一个单元网格内出现不同障碍物的显著程度,当同一单元网格内数据点对应的不同反射率越多、出现的不同反射率对应的数据点的个数越多时,则该单元网格内出现不同障碍物的可能性越大,即其对应的多物体性质显著度越大。
从单元网格内同一物体在较小范围内高度变化较小入手,根据该特征对各个数据点进行聚类,聚类得到的每个簇即对应在较小范围内边缘较小的范围,当获得的这样的范围越多且不同范围的距离越远时,则该单元网格内出现不同障碍物的可能性越大,即其对应的多物体距离显著度越大。
当单元网格对应的多物体性质显著度和多物体距离显著度越大时,则该单元网格内出现不同障碍物的可能性越大,则其对应的多物体显著度越大,在确定该单元网格包含的数据点对应的障碍物的划分精度时,对该单元网格对障碍物的划分精度应越大。
步骤S003、根据二维栅格地图获取每个划分层中每个单元网格对应的点数据密度权重,根据每个划分层中每个单元网格对应的点数据密度权重获取每个划分层中每个单元网格对应的点分布规则性权重。
获取第u层中每个单元网格中包含的数据点的个数和单元网格对应的划分层内各单元网格中包含的数据点的个数的均值。当单元网格内包含的数据点的个数越多时,在确定该单元网格包含的数据点对应的障碍物的划分精度时,该单元网格对障碍物的划分精度评价就越为重要。根据上述分析获取点数据密度权重。
式中为第/>层单元网格中第/>个单元网格对应的点数据密度权重;/>为第层单元网格中第/>个单元网格中包含的数据点的个数;/>为第/>层单元网格中包含的各个单元网格中包含的数据点的个数的均值;/>为归一化函数,作用为取括号内的归一化值。
当单元网格中包含的数据点的个数占该层单元网格中每个单元网格包含的数据点的个数的均值之比越大时,则在确定该单元网格包含的数据点对应的障碍物的划分精度时,该单元网格对障碍物的划分精度评价就越为重要,即该单元网格对应的点数据密度权重越大。
根据每个单元网格对应的点数据密度权重获取点分布规则性权重。
式中为第/>层单元网格中第/>个单元网格对应的点分布规则性权重。
单元网格对应的点分布规则性权重与点数据密度权重呈负相关,当单元网格对应的点数据密度权重越大时,则其对应的点分布规则性权重越小。
步骤S004、根据二维栅格地图获取每个划分层中每个单元网格对应的分布位置显著性。
每个单元网格的周围八邻域含有八个同样大小的单元网格,当其八邻域内各单元网格对应的点数据密度权重较大时,则认为该单元网格位置附近存在干扰物的可能性较大,该单元网格位置含有障碍物的可能性较大,则对该单元网格进行分析判断时,划分粒度应越为精细。
根据上述分析获取每个单元网格对应的分布位置显著性。
式中为第/>层单元网格中第/>个单元网格对应的分布位置显著性;为第/>层单元网格中第/>个单元网格的八邻域内各个单元网格对应的点数据密度权重;/>为取值函数,作用为取括号内的最大值。
当单元网格八邻域内各个单元网格对应的点数据密度权重的最大值越大时,则该单元网格对应的分布位置显著性越大,即对该单元网格进行划分粒度的精细程度进行确定时,划分粒度应越为精细。
步骤S005、根据每个划分层中每个单元网格对应的点数据密度权重、多物体显著度、点分布规则性权重和分布位置显著性,获取单元网格对应的划分粒度显著值。
根据上述分析获取每个单元网格对应的划分粒度显著值。
式中为第/>层单元网格中第/>个单元网格对应的划分粒度显著值;/>为第/>层单元网格中第/>个单元网格对应的多物体显著度;/>为第/>层单元网格中第/>个单元网格对应的点数据密度权重;/>为第/>层单元网格中第/>个单元网格对应的分布位置显著性;/>为第/>层单元网格中第/>个单元网格对应的点分布规则性权重;/>为归一化函数。
式中,点数据密度权重为多物体显著度对划分粒度显著值的影响权重,点分布规则性权重为分布位置显著性对划分粒度显著值的影响权重,当单元网格呈现出的多物体显著度和分布位置显著性越大时,则该单元网格对应的划分粒度显著值越大,在对单元网格进行划分粒度的精细程度进行确定时,划分粒度应越为精细。
至此,获取第层单元网格中每个单元网格对应的划分粒度显著值。
同理,获取第层单元网格中每个单元网格对应的划分粒度显著值。
步骤S006、根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,根据自适应划分层数进行聚类,根据聚类结果获取障碍物检测结果。
在单元网格进行分层时,第层中每个单元网格都对应第u+1层中四个单元网格,将这四个单元网格记为第/>层中的单元网格的下层单元网格。计算第/>层中每个单元网格与其下层单元网格对应的划分粒度显著值的差值的绝对值,当这四个绝对值均小于等于阈值/>时,则认为该单元网格在第/>层中的划分粒度满足精确度要求。其中,/>的经验值为0.2,实施者可根据需要自行选取。
当第层中的每个单元网格在第/>层中的划分粒度均满足精确度要求时,则停止继续对单元网格的分层,将/>作为自适应划分层数;否则,继续向下进行分层,循环上述步骤,直至获取自适应划分层数。
以作为STING算法中单元网格的自适应划分的层数根据各个数据点的信息进行聚类,获取各聚类子块,在二维栅格地图中仅标出获取的各个聚类字块,得到障碍物检测图。输出障碍物检测图,完成障碍物检测。
重复上述步骤,根据每个时刻获取的点云对应的障碍物检测图完成实时障碍物检测。
需要说明的是,上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在一些情况下,在本申请中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.基于激光雷达的障碍物检测方法,其特征在于,该方法包括以下步骤:
根据原始点云数据获取二维栅格地图,根据预设定义获取划分层;
根据二维栅格地图获取每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度,根据每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度获取每个单元网格对应的多物体显著度;
根据二维栅格地图获取每个划分层中每个单元网格对应的点数据密度权重,根据每个划分层中每个单元网格对应的点数据密度权重获取每个划分层中每个单元网格对应的点分布规则性权重;
根据二维栅格地图获取每个划分层中每个单元网格对应的分布位置显著性;
根据每个划分层中每个单元网格对应的点数据密度权重、多物体显著度、点分布规则性权重和分布位置显著性,获取单元网格对应的划分粒度显著值;
根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,将自适应划分层数作为聚类参数进行聚类,基于聚类结果获取障碍物检测结果;
所述根据二维栅格地图获取每个划分层中每个单元网格对应的多物体性质显著度和多物体距离显著度,包括的具体方法为:
统计每个单元网格内包含的所有数据点对应的不同反射率的个数;
获取每个数据点对应的最大最小高度差,以每个数据点作为球心数据点,获取每个数据点对应的球区域,计算球心数据点的最大最小高度差与其球区域内每个数据点的最大最小高度差的差值的绝对值,将所有数据点得到的差值的绝对值的中值作为球心数据点对应的高度差异;
对同一单元网格中所有数据点对应的所述高度差异使用聚类算法进行聚类,统计获得的聚类簇的个数;
根据每个单元网格包含的各个数据点对应的所述不同反射率的个数、所述高度差异和对单元网格中所有数据点对应的高度差异进行聚类后获得的聚类簇的个数,获取所述单元网格对应的多物体性质显著度和多物体距离显著度;
所述多物体性质显著度获取的具体方法为:
将每个单元网格内包含的不同反射率的个数与单元网格所在的划分层中所有单元网格中包含最多个不同反射率的个数的比值记为第一比值;
将单元网格内包含的所有数据点对应的不同反射率的个数记为第一数量;
获取数字1与第一比值的差值,将所述数字1与第一比值的差值与第一数量的乘积记为单元网格对应的多物体性质显著度;
所述多物体距离显著度获取的具体方法为:
式中为第u层单元网格中第v个单元网格对应的多物体距离显著度;/>为该单元网格中各数据点对应的高度差异进行聚类之后聚类到第i个簇中的坐标为(x,y)的数据点对应的高度差异值;hi为第i个簇中包含的各个数据点对应的高度差异值的均值;(x,y)∈Ωi为(x,y)为第i个簇中包含坐标为(x,y)的数据点,/>为对第i个簇中包含的所有数据点对应的高度差异值求和;m3为第i个簇中包含的数据点对应的高度差异值的个数;为单元网格中各数据点对应的高度差异进行聚类之后各个簇的中心数据点之间的欧氏距离的均值;m2为单元网格中各数据点对应的高度差异进行聚类之后获取的簇的个数;
所述划分粒度显著值获取的具体方法为:
式中为第u层单元网格中第v个单元网格对应的划分粒度显著值;/>为第u层单元网格中第v个单元网格对应的多物体显著度;/>为第u层单元网格中第v个单元网格对应的点数据密度权重;/>为第u层单元网格中第v个单元网格对应的分布位置显著性;/>为第u层单元网格中第v个单元网格对应的点分布规则性权重;norm()为归一化函数。
2.根据权利要求1所述的基于激光雷达的障碍物检测方法,其特征在于,所述多物体显著度获取的具体方法为:
获取单元网格对应的多物体性质显著度和多物体距离显著度的乘积;
获取单元网格对应的多物体性质显著度和多物体距离显著度的乘积的归一化值,将所述归一化值作为单元网格对应的多物体显著度。
3.根据权利要求1所述的基于激光雷达的障碍物检测方法,其特征在于,所述根据二维栅格地图获取每个划分层中每个单元网格对应的点数据密度权重,包括的具体方法为:
获取每个单元网格对应的划分层内各单元网格中包含的数据点的个数和个数的均值;
获取单元网格对应的划分层内各单元网格中包含的数据点的个数和所述个数的均值之比,取所述单元网格中包含的数据点的个数和所述个数的均值之比的归一化值作为每个所述单元网格对应的点数据密度权重。
4.根据权利要求1所述的基于激光雷达的障碍物检测方法,其特征在于,所述分布规则性权重获取的具体方法为:
获取数字1与单元网格对应的点数据密度权重的差值;
将数字1与单元网格对应的点数据密度权重的差值作为单元网格对应的点分布规则性权重。
5.根据权利要求1所述的基于激光雷达的障碍物检测方法,其特征在于,所述根据二维栅格地图获取每个划分层中每个单元网格对应的分布位置显著性,包括的具体方法为:
获取每个划分层中每个单元网格周围八邻域位置的单元网格;
获取所述每个单元网格周围八邻域位置的单元网格对应的分布位置显著性;
取所述每个单元网格周围八邻域位置的单元网格对应的点数据密度权重中的最大值作为中心的单元网格对应的分布位置显著性。
6.根据权利要求1所述的基于激光雷达的障碍物检测方法,其特征在于,所述根据相邻两层单元网格中每个单元网格对应的划分粒度显著值确定单元网格的自适应划分层数,包括的具体方法为:
获取每个划分层单元网格中每个单元网格与其下层单元网格对应的所述划分粒度显著值的差值的绝对值,当这四个所述绝对值均小于等于预设阈值时,则认为该单元网格在该划分层中的划分粒度满足精确度要求;
当某个划分层中的每个单元网格在划分层中的划分粒度均满足所述精确度要求时,则停止继续对单元网格的分层,将该划分层作为自适应划分层数;否则,继续向下进行分层,循环上述步骤,直至获取自适应划分层数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074918.6A CN116796210B (zh) | 2023-08-25 | 2023-08-25 | 基于激光雷达的障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311074918.6A CN116796210B (zh) | 2023-08-25 | 2023-08-25 | 基于激光雷达的障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116796210A CN116796210A (zh) | 2023-09-22 |
CN116796210B true CN116796210B (zh) | 2023-11-28 |
Family
ID=88050035
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311074918.6A Active CN116796210B (zh) | 2023-08-25 | 2023-08-25 | 基于激光雷达的障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116796210B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117851528A (zh) * | 2023-12-21 | 2024-04-09 | 北京英视睿达科技股份有限公司 | 基于大气环境数据时空网格划分方法、装置、设备及介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
CN109606354A (zh) * | 2018-10-18 | 2019-04-12 | 同济大学 | 一种基于分层规划的自动泊车方法及辅助系统 |
CN110208819A (zh) * | 2019-05-14 | 2019-09-06 | 江苏大学 | 一种多个障碍物三维激光雷达数据的处理方法 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
CN112257522A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 基于环境特征的多传感器融合环境感知方法 |
WO2021056499A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 数据处理方法、设备和可移动平台 |
CN113433937A (zh) * | 2021-06-08 | 2021-09-24 | 杭州未名信科科技有限公司 | 基于启发式探索的分层导航避障系统、分层导航避障方法 |
CN215642803U (zh) * | 2021-09-02 | 2022-01-25 | 保定市天河电子技术有限公司 | 一种用于铁路运行线路的障碍物检测系统 |
KR20220081741A (ko) * | 2020-12-09 | 2022-06-16 | 현대자동차주식회사 | 라이다 센서를 이용한 객체 추적 장치 및 방법 |
CN115187946A (zh) * | 2022-07-06 | 2022-10-14 | 中国矿业大学 | 井下障碍物点云与图像数据融合的多尺度智能感知方法 |
CN115980765A (zh) * | 2022-10-20 | 2023-04-18 | 东南大学 | 一种基于环境感知辅助粒子滤波的车辆定位方法 |
CN116148884A (zh) * | 2022-11-21 | 2023-05-23 | 未来机器人(深圳)有限公司 | 障碍物检测方法和智能叉车 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4233723B2 (ja) * | 2000-02-28 | 2009-03-04 | 本田技研工業株式会社 | 障害物検出装置、障害物検出方法、及び障害物検出プログラムを記録した記録媒体 |
US9269268B2 (en) * | 2013-07-31 | 2016-02-23 | Elwha Llc | Systems and methods for adaptive vehicle sensing systems |
US10445928B2 (en) * | 2017-02-11 | 2019-10-15 | Vayavision Ltd. | Method and system for generating multidimensional maps of a scene using a plurality of sensors of various types |
CN109101861A (zh) * | 2017-06-20 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
US20190113919A1 (en) * | 2017-10-18 | 2019-04-18 | Luminar Technologies, Inc. | Controlling an autonomous vehicle using smart control architecture selection |
US10809073B2 (en) * | 2018-12-05 | 2020-10-20 | Here Global B.V. | Local window-based 2D occupancy grids for localization of autonomous vehicles |
US11430224B2 (en) * | 2020-10-23 | 2022-08-30 | Argo AI, LLC | Systems and methods for camera-LiDAR fused object detection with segment filtering |
RU2767831C1 (ru) * | 2021-03-26 | 2022-03-22 | Общество с ограниченной ответственностью "Яндекс Беспилотные Технологии" | Способы и электронные устройства для обнаружения объектов в окружении беспилотного автомобиля |
US11624831B2 (en) * | 2021-06-09 | 2023-04-11 | Suteng Innovation Technology Co., Ltd. | Obstacle detection method and apparatus and storage medium |
-
2023
- 2023-08-25 CN CN202311074918.6A patent/CN116796210B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103576154A (zh) * | 2012-08-01 | 2014-02-12 | 通用汽车环球科技运作有限责任公司 | 使用雷达和摄像机的障碍物探测的融合 |
CN109606354A (zh) * | 2018-10-18 | 2019-04-12 | 同济大学 | 一种基于分层规划的自动泊车方法及辅助系统 |
CN110208819A (zh) * | 2019-05-14 | 2019-09-06 | 江苏大学 | 一种多个障碍物三维激光雷达数据的处理方法 |
WO2021056499A1 (zh) * | 2019-09-29 | 2021-04-01 | 深圳市大疆创新科技有限公司 | 数据处理方法、设备和可移动平台 |
CN111985322A (zh) * | 2020-07-14 | 2020-11-24 | 西安理工大学 | 一种基于激光雷达的道路环境要素感知方法 |
CN112257522A (zh) * | 2020-09-30 | 2021-01-22 | 南京航空航天大学 | 基于环境特征的多传感器融合环境感知方法 |
KR20220081741A (ko) * | 2020-12-09 | 2022-06-16 | 현대자동차주식회사 | 라이다 센서를 이용한 객체 추적 장치 및 방법 |
CN113433937A (zh) * | 2021-06-08 | 2021-09-24 | 杭州未名信科科技有限公司 | 基于启发式探索的分层导航避障系统、分层导航避障方法 |
CN215642803U (zh) * | 2021-09-02 | 2022-01-25 | 保定市天河电子技术有限公司 | 一种用于铁路运行线路的障碍物检测系统 |
CN115187946A (zh) * | 2022-07-06 | 2022-10-14 | 中国矿业大学 | 井下障碍物点云与图像数据融合的多尺度智能感知方法 |
CN115980765A (zh) * | 2022-10-20 | 2023-04-18 | 东南大学 | 一种基于环境感知辅助粒子滤波的车辆定位方法 |
CN116148884A (zh) * | 2022-11-21 | 2023-05-23 | 未来机器人(深圳)有限公司 | 障碍物检测方法和智能叉车 |
Non-Patent Citations (2)
Title |
---|
基于物联网视频感知技术的关键技术研究;陈彦霖;孟庆龙;林照阳;;无线互联科技(第06期);全文 * |
对偶Voronoi聚类与重网格化;韩英华;李桂清;彭莉;任灿江;;计算机辅助设计与图形学学报(第11期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116796210A (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021097618A1 (zh) | 点云分割方法、系统及计算机存储介质 | |
CN113412505B (zh) | 用于对通过探测和测距传感器获得的点云进行有序表示和特征提取的处理单元和方法 | |
CN116796210B (zh) | 基于激光雷达的障碍物检测方法 | |
CN111598915B (zh) | 点云单木分割方法、装置、设备及计算机可读介质 | |
US9829575B2 (en) | Method for representing a vehicle environment with position points | |
CN104574303A (zh) | 基于空间聚类的机载LiDAR点云地面滤波方法 | |
CN104504709B (zh) | 一种基于特征球的室外场景三维点云数据的分类方法 | |
CN112711034B (zh) | 物体检测方法、装置及设备 | |
CN111860359B (zh) | 一种基于改进随机森林算法的点云分类方法 | |
CN111738278B (zh) | 一种水下多源声学图像特征提取方法及系统 | |
CN115372995A (zh) | 一种基于欧式聚类的激光雷达目标检测方法及系统 | |
CN114549672A (zh) | 一种面向三维点云目标检测的数据编码方法 | |
US8483478B1 (en) | Grammar-based, cueing method of object recognition, and a system for performing same | |
CN108345007B (zh) | 一种障碍物识别方法和装置 | |
CN113435324A (zh) | 一种车辆目标检测方法、装置及计算机可读存储介质 | |
CN113077473B (zh) | 三维激光点云路面分割方法、系统、计算机设备及介质 | |
CN110824478B (zh) | 基于多样化3d雷达回波特征的降水云类型自动分类方法及装置 | |
CN116863325A (zh) | 一种用于多个目标检测的方法和相关产品 | |
CN116052099A (zh) | 一种面向非结构化道路的小目标检测方法 | |
CN116664854A (zh) | 目标检测方法、装置、电子设备及机器可读存储介质 | |
CN116503419A (zh) | 基于地面点去除与密度导向滤波的线路点云树木分割方法 | |
CN112906519B (zh) | 一种车辆类型识别方法及装置 | |
CN115908541A (zh) | 针对室内环境基于曲率信息的车载激光雷达点云聚类算法 | |
CN115272899A (zh) | 一种风险预警方法、装置、飞行器及存储介质 | |
CN116964472A (zh) | 用于借助于雷达传感器系统的反射信号来探测环境的至少一个对象的方法 |
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 |