CN117036374A - 一种用于自动驾驶的激光雷达点云分割与运动规划方法 - Google Patents

一种用于自动驾驶的激光雷达点云分割与运动规划方法 Download PDF

Info

Publication number
CN117036374A
CN117036374A CN202311039885.1A CN202311039885A CN117036374A CN 117036374 A CN117036374 A CN 117036374A CN 202311039885 A CN202311039885 A CN 202311039885A CN 117036374 A CN117036374 A CN 117036374A
Authority
CN
China
Prior art keywords
point cloud
map
laser radar
motion planning
automatic driving
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.)
Withdrawn
Application number
CN202311039885.1A
Other languages
English (en)
Inventor
徐伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Moxing New Energy Vehicle Consulting Group Chengmai Co ltd
Original Assignee
Moxing New Energy Vehicle Consulting Group Chengmai Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Moxing New Energy Vehicle Consulting Group Chengmai Co ltd filed Critical Moxing New Energy Vehicle Consulting Group Chengmai Co ltd
Priority to CN202311039885.1A priority Critical patent/CN117036374A/zh
Publication of CN117036374A publication Critical patent/CN117036374A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30248—Vehicle exterior or interior
    • G06T2207/30252—Vehicle exterior; Vicinity of vehicle
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Development Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及自动驾驶技术领域，提供了一种用于自动驾驶的激光雷达点云分割与运动规划方法。该方法通过激光雷达点云的分割和环境地图的建立，实现对自动驾驶汽车的运动规划，提高行驶安全性和效率。在激光雷达点云分割模块中，采用卷积神经网络对激光雷达点云进行分割，并结合点云残差图实现对运动对象的准确分割。建立环境地图模块接收激光雷达点云分割数据，并根据点云数据建立环境地图，同时利用激光里程计提高定位精度。运动规划模块根据建立的环境地图和自动驾驶汽车当前运动轨迹，采用HDM‑RRT*算法进行深度优化的运动规划。本发明的技术方案具有创新性和前沿性，可以提高自动驾驶汽车的安全性和行驶效率。

Description

一种用于自动驾驶的激光雷达点云分割与运动规划方法
技术领域
本发明属于人工智能领域，具体为一种用于自动驾驶的激光雷达点云分割与运动规划方法。
背景技术
目前，自动驾驶或自动驾驶汽车是学术界和汽车界研究的核心，因为它具有多方面的优势，包括提高安全性、减少拥堵、降低排放和提高机动性等。自动驾驶可以细分为四大关键技术，分别是感知技术、决策技术、路径规划、运动控制；当然这四大关键技术也可以总结为两大核心技术，也就是环境感知与运动规划技术。环境感知就是环境信息和车内信息的采集与处理，它是智能车辆自主行驶的基础和前提；获取周围环境信息，涉及道路边界检测、车辆检测、行人检测等技术，在这个过程中所用到的传感器一般有激光测距仪、视频摄像头、车载雷达、速度和加速度传感器等。运动规划就是在进行环境信息感知并确定车辆在环境中的位置基础上，按照一定的搜索算法，找出一条可通行的路径，并计算出具体运动指令，将车辆从当前位置导航到目的地。运动规划是一个消耗内存和计算密集的例行程序，与车辆的其他常规操作(例如障碍物跟踪、数据融合和控制模块)并行运行。运动规划的输入和输出通常依赖于这些其他模块，因此如何在城市混合交通情况下实现可靠、稳健和适应性强的运动规划至关重要。
发明内容
现有自动驾驶应用技术有一定的缺点。通常，运动规划模块计算从自动驾驶汽车的初始状态到目标状态的可行轨迹，同时满足给定的运动动力学和环境约束。目前研究人员开发了许多运动规划算法，并将其成功应用于特定的自动驾驶场景。根据环境建模和搜索策略，运动规划方法可大致分为两大类：图搜索方法和基于采样的方法。
图搜索方法是一种经典的运动规划方法，广泛应用于机器人、无人机和飞行器等各种应用中。图搜索方法将车辆周围的环境离散为图，并在图中搜索最短路径。图搜索方法包括Dijkstra、A*和人工势场(APF)方法。Dijkstra方法是1959年提出的一种最短路径算法，它构建一个树以执行搜索过程，该树表示从给定根顶点到图中所有其他顶点的最短路径。然而，在稠密图网络中，Dijkstra的搜索效率非常低。A*是一种基于加权图的启发式搜索算法，是Dijkstra的扩展。为了提高A*算法的效率，目前已经进行了大量研究。虽然A*算法在光栅地图上可以有效地执行，但它会受到地图分辨率的限制。APF算法将物理场的概念引入运动规划，其中目标位置产生吸引场，而障碍物产生排斥场，以这种方式，通过搜索势函数从初始点到目标点的下降方向来计算无碰撞轨迹。该算法结构简单，计算效率高，适用范围广，但容易陷入局部极小点，往往无法获得最优解。随着技术的发展，提出了一种基于安全模型的改进型APF算法。这种方法考虑了多种交通因素，并可以分析人类驾驶员的路径规划机制，使其适用于自动驾驶汽车，但它仅在理想条件下在等速结构化道路上得到验证。随后研究人员又提出基于dynEFWA和APF相结合的优化方法，为自动驾驶汽车规划一条安全、平滑和动态可行的路径。然而，这种方法仍然受到环境复杂性的限制。
图搜索算法的缺点是它们在固定的图离散化上进行搜索；因此，轨迹只能由基元构建，在这个过程中，图的分辨率影响运动规划效果，从而给图搜索算法带来了一个不可避免的问题；同时，图搜索算法无法处理城市场景中复杂的障碍物模型，因为这些场景会造成建模困难并降低计算效率。有效的替代方案是基于采样的方法，这样可以克服图搜索算法的局限性。基于采样的方法对配置空间中的点进行采样，并逐步构建可达性树；当树足够大，可以扩展到目标区域时，通过跟踪边缘到起始状态来找到可行的解决方案。基于采样的方法由于其强大的探索性，在解决复杂问题时非常有效。经典的基于采样的算法包括快速探索随机树(RRT)和RRT*。RRT算法是针对复杂系统提出的一种有效方法，通过在配置空间中随机采样并在采样方向上扩展树，具有快速探索的特点；RRT算法在概率上是完整的，这意味着如果存在目标点，最终一定可以找到解决方案。RRT算法因其在许多困难场景中的成功而受到广泛关注，与许多其他完整的运动规划算法不同，RRT框架不需要在状态空间中对障碍物进行显式建模，这节省了大量的计算时间。
除了障碍物的明确表示之外，RRT算法只需要使用碰撞检测器，这使得RRT算法对于实时自动驾驶系统具有很高的效率，并且特别适用于具有一般微分约束、复杂障碍物约束和高自由度的问题。然而，RRT算法在不考虑解最优性的情况下可以快速获得可行的解，但是这个解并不是最优解。RRT*算法通过求解最优问题改进了RRT算法，不仅提供了可行的解，而且提供了渐近最优的解；渐近最优是指所获得的轨迹通过增加采样不断优化，直到收敛到全局最优解；RRT*算法在无限样本的情况下收敛，但不能保证其收敛速度，导致算法计算效率低，在处理复杂场景时，当考虑动力学约束时，原始RRT*算法无法在实时系统中执行，因为其到最优的收敛速度很慢。
许多研究人员针对这个问题提出了大量改进RRT*的方案。一些人致力于提高收敛速度，另一些人则致力于实现非完整系统。如一种改进的基于高斯分布采样的RRT*算法，该算法使用高斯分布优化其采样效率，以避免无目标的全平面采样。然而，其高斯采样方法并没有优化RRT*算法的收敛速度。其他学者提出了一种新的DT-RRT*算法，该算法利用了具有高计算效率的双树结构，双树结构包括RRT树和RRT*树，生成RRT曲线作为RRT*算法的参考路径，实现了快速收敛速度和高质量轨迹。然而，这种方法只能提高参考路径附近的收敛速度，当通过RRT算法生成的参考路径落入次优解时，该方法很难实现最优。也有学者提出了另一种双树RRT算法Bi-RRT，并将其应用于各种自动驾驶场景。这些方法使用吸引力和排斥力来偏移采样点和节点，并提供更好的收敛速度。然而，在复杂的场景中，障碍物的排斥力过于复杂，无法建模，导致算法效率低下。
RRT和RRT*算法对自动驾驶系统中的复杂障碍物和狭窄的半结构化道路等约束是有效的，但它们仍然存在许多问题，包括RRT仅得到次优解和RRT*的收敛速度慢。在自动驾驶场景中，RRT*算法的低效率往往无法满足实时性要求。在入口狭窄等恶劣环境中，RRT*也很难快速获得可行的解决方案。因此，研究如何在保持轨迹质量的同时提高算法效率是当务之急。
本发明针对现有技术的局限性，提出了一种用于自动驾驶的激光雷达点云分割与运动规划方法。
方法包括激光雷达点云分割模块、建立环境地图模块和运动规划模块。所述激光雷达点云分割模块通过激光测距雷达、IMU和GNSS等传感器采集环境信息，并进行激光雷达点云分割，将分割后的激光雷达点云发送给建立环境地图模块。所述建立环境地图模块接收激光雷达点云数据，根据点云数据建立环境地图，并计算自动驾驶汽车的当前运动轨迹。所述运动规划模块根据建立的环境地图和当前运动轨迹，采用HDM-RRT*算法结合CR-Map的先验信息进行运动轨迹的深度优化，以确定自动驾驶汽车的下一时刻位置和姿态。
其中，所述激光雷达点云分割模块在对输入的激光雷达点云进行分割时采用卷积神经网络，同时使用点云残差图作为附加输入，实现对激光雷达点云运动对象的分割。所述激光雷达点云的球面投影利用神经网络卷积从激光雷达的距离视图中提取特征，并将点云投影到球体上，最终转换为图像坐标。制作点云残差图通过先前扫描的变换矩阵补偿自我运动，然后将变换后的点云重新投影到当前图像视图中，计算每个点的残差并与距离视图进行融合。
建立环境地图模块的数据融合与深度插值包括将语义图像与低分辨率3D激光雷达点云融合，生成密集的语义深度图。通过激光里程计选择具有深度信息的点云特征点，提高定位精度。激光里程计基于连续点云的信息估计粗略的激光雷达运动，并提供初始值。利用李代数的束平差和摄动模型优化激光雷达姿态和地图点位置，实现激光雷达姿态和地图的深度优化。
其中，运动规划模块包括使用CR-Map作为描述道路碰撞风险的环境模型。采用CR-Map与高斯分布相结合进行采样，并根据采样算法的节点优化策略通过CR-Map的先验信息进行深度优化。根据代价函数选择最优父节点和最优轨迹，其中代价函数综合考虑轨迹长度、轨迹曲率和CR-Map系数等因素。最终确定最优轨迹路径，以获得自动驾驶汽车的下一时刻位置和姿态。
建立碰撞风险图CR-Map的步骤包括基于人工势场方法构建CR-Map，通过多源数据包括环境地图的矢量层和传感器的感知层生成CR-Map。实施采样策略的步骤包括获取高斯分布的参考点，生成随机数并计算随机点的投影到CR-Map中的碰撞风险系数。根据风险值判断是否满足要求，对不满足要求的随机点进行丢弃。通过选择最优父节点和最优轨迹确定最优轨迹路径，考虑代价函数综合考虑轨迹的长度、曲率和CR-Map系数，以选择最优的父节点和轨迹路径。
运动规划模块的节点优化和轨迹优化步骤包括在搜索树中选择最接近采样点的一系列点作为候选父节点，并通过轨迹的转向过程将候选父节点投影到点云坐标系。候选父节点的轨迹经过碰撞检测、车辆运动约束检测和环境约束检测，以排除不合适的点。根据全局代价选择最优父节点和最优轨迹，代价函数综合考虑轨迹的长度、曲率和CR-Map的先验信息。最终选择最优轨迹路径，确定自动驾驶汽车的下一时刻的位置和姿态。
其中，激光雷达点云分割模块的球面投影步骤包括将激光雷达点云投影到球体上，并将其转换为图像坐标。通过神经网络卷积从激光雷达的距离视图中提取特征，计算每个点的范围索引、3D点坐标和点云强度值，并将它们作为特征输入到卷积神经网络中。激光雷达点云的残差图制作步骤通过补偿自我运动中定义的变换估计，将先前扫描的点云变换到当前给定的局部坐标系，并计算每个激光雷达点云像素的残差。
建立环境地图模块的数据融合与深度插值步骤包括将语义图像与低分辨率3D激光雷达点云进行融合，生成密集的语义深度图。通过深度插值算法对数据进行上采样，将语义图像中的标签存储在上采样点云的通道中，同时获得额外的空间深度信息。利用激光里程计选择具有深度信息的点云特征点，并将它们作为环境地图的一部分，以提高自动驾驶汽车的定位精度和环境感知能力。
其中，运动规划模块的碰撞风险图CR-Map的建立步骤包括基于人工势场(APF)方法构建CR-Map，将环境地图的矢量层和传感器的感知层融合生成CR-Map。每个网格点的值表示碰撞风险系数，障碍物区域具有较高的值，远离障碍物区域的网格点具有较低的值。CR-Map中的梯度下降区域位于障碍物的周围，用于规划避障路径。采用高斯分布与CR-Map相结合进行采样，利用CR-Map系数判断采样点的碰撞风险，并根据先验信息对采样点进行优化。
运动规划模块的最优轨迹路径确定步骤包括根据代价函数选择最优父节点和最优轨迹路径。代价函数综合考虑轨迹的长度、曲率和CR-Map系数，以加权方式融合CR成本和轨迹长度成本。通过选择具有最小代价的父节点和轨迹路径，确定自动驾驶汽车的下一时刻的位置和姿态，实现运动规划。
本发明采用的技术方案如下：
一种用于自动驾驶的激光雷达点云分割与运动规划方法，包括三种模块：激光雷达点云分割模块、建立环境地图模块和运动规划模块。
激光雷达点云分割模块：主要包括激光测距雷达、IMU和GNSS等传感器，主要用于采集环境信息并进行激光雷达点云分割，然后将点云分割后的激光雷达点云发送给建立环境地图模块，从而使得建立环境地图模块根据激光雷达点云建立环境地图，并同时计算出自动驾驶汽车的当前运动轨迹。
在对输入的激光雷达点云进行分割时，采用卷积神经网络，同时点云残差图被用作所设计的语义分割网络的附加输入，这样就可以更好地实现对激光雷达点云运动对象的分割。
激光雷达点云的球面投影。首先使用神经网络卷积从激光雷达的距离视图中提取特征。具体而言，将激光雷达点(x,y,z)投影到球体上，并最终将其转换为图像坐标(u,v)，具体的计算公式定义如下：
其中，(u,v)为图像坐标，(h,w)是期望图像的高度和宽度，是激光雷达每个点的距离，f＝|fup|+|fdown|是激光雷达的垂直视场。使用上式来提取投影到(u,v)的每个点的范围索引r、3D点坐标(x,y,z)和点云强度值，并将它们作为沿通道维度叠加的特征，然后直接将这些特征输入到卷积神经网络中，就可以将点云运动分割转换为图像运动分割。
制作点云残差图。首先假设激光雷达扫描过程中存在N个时间序列M个齐次坐标点，这些齐次坐标点可以定义为pi＝(x,y,z,1)，同时定义TN N-1,...,T1 0为N+1次雷达扫描姿态间的变换矩阵，然后第k次激光雷达扫描点云转化到第l次激光雷达扫描点云的计算公式定义为：
为了生成残差图像并将其融合到当前距离图像中，需要进行变换和重新投影。首先，根据上述公式，通过将先前扫描变换到当前给定的局部坐标系来补偿自我运动中定义的变换估计，然后将Sk→l次扫描点云使用中的公式重新投影到当前图像视图中。为了计算每个激光雷达点云像素的残差dk,i l，采用当前帧和变换帧的范围之间的归一化绝对差来计算，具体公式定义如下：
其中，ri是在图像坐标系(ui,vi)中从pi到当前帧的距离值；ri k→l是经过变换后的相同点云在图像视图中的距离值。在运动物体的场景中，运动汽车的位移与静态背景相比相对较大，残差图像明显，而缓慢运动物体的残差图像模糊，残差图案不明显。因此，直接使用残差图像进行运动目标分割并不能获得良好的性能。所以，将残差图像和距离视图连接起来，每个像素融合空间和时间信息，将这些像素作为分割神经网络的输入。
将图像输入神经网络。神经网络采用两层分支网络，分别提取特征信息，然后融合这些特征信息。第一层网络分支中使用的主干模块是ResNet-18，用于八次快速下采样。随后，将提取的特征输入到Atrous Spatial Pyramid Pooling模块，以连接来自不同感知域的特征。Atrous Spatial Pyramid Pooling模块通过不同的扩张率构建具有不同感受野的卷积核，以增加网络的感受野，增强网络获得多尺度上下文的能力，从而获得良好的性能。
建立环境地图模块：接收激光雷达点云分割模块的激光雷达点云数据，并根据这些点云数据建立环境地图，从而可以根据环境地图得到自动驾驶汽车的当前运动轨迹，最后将得到的环境地图和运动轨迹发送到运动规划模块。
在采用雷达点云分割数据建立环境地图时，将建立的语义图像与低分辨率3D激光雷达点云融合，生成密集的语义深度图。通过激光里程计，选择具有深度信息的点云特征点，提高定位精度。
将激光雷达点云投影到图像坐标系，通过深度插值算法对数据进行上采样。将语义图像中的标签存储在上采样点云的通道中，同时使2D图像获得额外的空间深度信息，然后使用得到的语义图像进行数据融合。
激光里程计是激光SLAM算法的前端，主要通过分割出来的激光点云计算机器人的姿态。它基于来自连续点云的信息来估计粗略的激光雷达运动，并为后端提供良好的初始值。定义向量(x,y,z,q0,q1,q2,q3)T来描述激光雷达从初始帧到当前帧的运动，t0→k＝(x,y,z)T表示平移矩阵，R0→k＝(q0,q1,q2,q3)T表示旋转向量，然后自动驾驶汽车在k时刻的位姿可以表示为如下公式，这样，就可以得到自动驾驶汽车的位置了，也就是定位：
由于激光里程计只计算相邻帧的姿态，误差会不断累积，最终导致自动驾驶汽车的轨迹漂移。此外，旋转矩阵本身是受约束的，如果将其用作优化变量，则这使得优化变得困难。因此，在后端轨迹优化部分，利用李代数的束平差和摄动模型，通过一个无约束的最小二乘问题来优化自动驾驶汽车的姿态。首先构造最小二乘问题，公式如下所示，使用束调整来优化激光雷达姿态和地图点位置：
其中，Ei是激光雷达位姿，Dj是地图点位置，包含所有3D点到2D点的投影，Pk表示所有观测点的坐标，h是重投影函数，ρ是用于使优化结果更具鲁棒性的Huber函数。使用高斯-牛顿方法解决构建的最小二乘问题需要提供E和D的代价函数的偏导数。使用李代数扰动模型，T和D的雅可比矩阵Ej和Dj计算如下，经过计算，可以实现对激光雷达姿态和地图点位置的优化：
其中[X′Y′Z′]T是坐标系中的地图点坐标。Cx和Cy是激光雷达的内部参数。优化问题变成了一个梯度下降的过程，直到标测点位置的自变量ΔE和自变量ΔD的增量非常小，并且目标函数收敛到最小值。
运动规划模块：根据建立环境地图模块传过来的环境地图和自动驾驶汽车当前运动轨迹，采用HDM优化RRT*算法，结合CR-Map的先验信息进行运动轨迹的深度优化，最终得到自动驾驶汽车的下一时刻的位置和姿态，从而完成自动驾驶汽车的运动规划。
HDM-RRT*算法包括CR映射、采样、节点优化和轨迹优化策略。首先，采用CR-Map作为描述道路碰撞风险的环境模型；然后将CR映射与高斯分布相结合进行采样；接着基于采样算法的节点优化策略通过CR-Map的先验信息进行深度优化，最终实现自动驾驶汽车的运动规划。
首先建立碰撞风险图CR-Map。CR-Map是一个描述道路碰撞风险的环境模型，以网格地图的形式表示。基于人工势场(APF)方法，通过多源数据构建CR-Map，包括建立的环境地图的矢量层和传感器的感知层。
其次实施采样策略。先获得高斯分布的参考点，可以通过选择控制参考点来控制采样范围，在CR-Map中，每个网格点的值表示碰撞风险系数，障碍物区域中的网格点具有最高值，而远离障碍物区域的网格点则具有最低值。因此，CR地图中的梯度下降区域是障碍物的周围区域。接下来，采用Box-Muller算法获得两个高斯分布随机数Radiusrandom和θrandom。通过两个高斯分布随机数，可以计算得到Radius和θ，这两个数表示采样的范围半径和角度。之后，可以使用三角函数计算随机点，计算出的随机点必须投影到CR-Map中，以计算其碰撞风险系数。考虑到CR映射系数，如果随机点的风险值高于生成的随机风险值，则丢弃该随机点。
最后实施节点优化和轨迹优化。在选择节点时，搜索树中最接近采样点的一系列点作为候选父节点。候选父节点的轨迹通过转向过程投影到点xrand。对轨迹进行碰撞检测、车辆运动约束检测和环境约束检测，以消除不合适的点。在获得潜在父节点后，通过不同父节点对根节点的全局代价来选择最优父节点。在计算最优父节点和最优轨迹时，必须考虑代价函数。代价函数是通过结合轨迹长度、轨迹曲率和CR映射系数等多个因素来设计的。在CR映射中，每个网格都有一个CR映射系数，因此可以获得任何轨迹的CR映射成本，然后以加权的方式融合CR成本和轨迹长度成本来最终选择最优轨迹路径，具体的计算公式如下：
new cos t_n(x1，x2)＝δcr*CR_cos t(x1，x2)+δl*length(x1，x2)
其中，CR_cost(x1,x2)是从x1到x2的轨迹的CR映射系数，length(x1,x2)从x1到x2的轨迹距离，δcr和δl是轨迹的CR映射系数和轨迹距离之间的权重。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
本发明提出的一种用于自动驾驶的激光雷达点云分割与运动规划方法，通过优化激光雷达点云分割，并据此建立环境地图，在保证轨迹质量的前提下，采用HDM优化RRT*算法，提高算法效率，最终提出了一种用于自动驾驶的激光雷达点云分割与运动规划方法。在优化激光雷达点云分割方面，采用一种轻量级的多分支网络结构来解决三维激光雷达点云运动对象分割问题来大大降低计算的复杂性；在建立环境地图方面，采用投影和插值方法，将低密度激光雷达点云与运动对象分割的图像融合，并根据语义图像对点云进行语义化从而建立环境地图，保证运动轨迹的质量；在运动规划方面，采用HDM优化RRT*算法的CR-Map层来量化道路上的碰撞风险系数，极大地扩展了建立的环境地图的先验信息，以指导运动规划；将CR映射与高斯分布相结合进行采样，显著提高了自动驾驶场景中运动规划算法的效率；同时基于采样的算法的节点优化策略通过CR-Map的先验信息进行深度优化，大大提高了收敛速度，减少了迭代次数，为自动驾驶运动规划提供可靠的参照。
附图说明
图1为本发明的系统流程图；
图2为本发明的激光雷达点云分割模块流程图；
图3为本发明的建立环境地图模块流程图；
图4为本发明的运动规划模块流程图；
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
实施例一：
自动驾驶汽车城市行驶
在本实施例中，本发明的激光雷达点云分割与运动规划方法应用于一辆自动驾驶汽车在城市道路上的行驶。该自动驾驶汽车配备了激光雷达、IMU、GNSS等传感器，并搭载了高性能计算平台。
首先，激光雷达点云分割模块通过激光雷达和其他传感器采集环境信息，对激光雷达点云进行分割。使用卷积神经网络对点云进行特征提取和语义分割，获得运动对象的准确分割结果。
然后，建立环境地图模块接收激光雷达点云分割模块的输出，根据点云数据建立环境地图。通过深度插值和数据融合算法，生成密集的语义深度图，提供环境的深度和语义信息。
接下来，运动规划模块根据建立的环境地图和自动驾驶汽车的当前运动轨迹进行运动规划。采用HDM-RRT*算法结合CR-Map的先验信息，选择最优父节点和轨迹路径。通过节点优化和轨迹优化，得到自动驾驶汽车的下一时刻的位置和姿态，完成运动规划。
最后，自动驾驶汽车根据运动规划结果进行相应的控制操作，如加速、制动和转向，实现自动驾驶行驶。准确的环境感知和智能化的运动规划确保车辆在城市道路上行驶的安全性和可靠性。
通过该实施例的应用，本发明的激光雷达点云分割与运动规划方法能够实现自动驾驶汽车在城市环境中的高效、安全的行驶，提升驾驶体验和乘坐舒适度，为用户带来便利和舒适的出行体验。
实施例二：
自动驾驶货运车辆的路径规划
在本实施例中，本发明的激光雷达点云分割与运动规划方法应用于一辆自动驾驶货运车辆的路径规划。该车辆用于在物流仓库和配送中心之间自动运输货物。
首先，激光雷达点云分割模块通过激光雷达、IMU和GNSS等传感器采集环境信息，对激光雷达点云进行分割。采用卷积神经网络进行特征提取和语义分割，准确识别出运动对象和障碍物。
然后，建立环境地图模块接收激光雷达点云分割模块的输出，根据点云数据建立环境地图。通过深度插值和数据融合算法，生成具有丰富深度和语义信息的地图，包括道路、建筑物和障碍物等。
接下来，运动规划模块根据建立的环境地图和车辆的当前位置与目标位置进行路径规划。采用HDM-RRT*算法结合CR-Map的先验信息，选择最优父节点和轨迹路径。通过节点优化和轨迹优化，得到车辆的最佳行驶路径。
最后，自动驾驶货运车辆按照规划的路径进行自主驾驶。它能够避开障碍物，根据交通规则安全行驶，实现货物的快速、准确的运输。该自动驾驶货运车辆在仓库和配送中心之间的运输过程中，提高了物流效率，降低了运输成本，提供了高品质的服务。
通过该实施例的应用，本发明的激光雷达点云分割与运动规划方法为自动驾驶货运车辆的路径规划提供了有效的解决方案。它能够确保货物的安全运输，提高物流效率，减少人力成本，为货运行业带来可持续的发展和创新。
需要说明的是，虽然本发明已以其更好的实施例被实施并且已经被描述出来，但是它并不是用来限制本发明的范围。任何熟悉此领域技术的人都可以在不脱离本发明设计的精神和范围的情况下，做出各种可能的变化和修改。
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、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种用于自动驾驶的激光雷达点云分割与运动规划方法，其特征在于，包括激光雷达点云分割模块、建立环境地图模块和运动规划模块。所述激光雷达点云分割模块通过激光测距雷达、IMU和GNSS等传感器采集环境信息，并进行激光雷达点云分割，将分割后的激光雷达点云发送给建立环境地图模块。所述建立环境地图模块接收激光雷达点云数据，根据点云数据建立环境地图，并计算自动驾驶汽车的当前运动轨迹。所述运动规划模块根据建立的环境地图和当前运动轨迹，采用HDM-RRT*算法结合CR-Map的先验信息进行运动轨迹的深度优化，以确定自动驾驶汽车的下一时刻位置和姿态。
2.根据权利要求1所述的激光雷达点云分割与运动规划方法，其特征在于，所述激光雷达点云分割模块在对输入的激光雷达点云进行分割时采用卷积神经网络，同时使用点云残差图作为附加输入，实现对激光雷达点云运动对象的分割。所述激光雷达点云的球面投影利用神经网络卷积从激光雷达的距离视图中提取特征，并将点云投影到球体上，最终转换为图像坐标。制作点云残差图通过先前扫描的变换矩阵补偿自我运动，然后将变换后的点云重新投影到当前图像视图中，计算每个点的残差并与距离视图进行融合。
3.根据权利要求1所述的激光雷达点云分割与运动规划方法，其特征在于，建立环境地图模块的数据融合与深度插值包括将语义图像与低分辨率3D激光雷达点云融合，生成密集的语义深度图。通过激光里程计选择具有深度信息的点云特征点，提高定位精度。激光里程计基于连续点云的信息估计粗略的激光雷达运动，并提供初始值。利用李代数的束平差和摄动模型优化激光雷达姿态和地图点位置，实现激光雷达姿态和地图的深度优化。
4.根据权利要求1所述的激光雷达点云分割与运动规划方法，其特征在于，运动规划模块包括使用CR-Map作为描述道路碰撞风险的环境模型。采用CR-Map与高斯分布相结合进行采样，并根据采样算法的节点优化策略通过CR-Map的先验信息进行深度优化。根据代价函数选择最优父节点和最优轨迹，其中代价函数综合考虑轨迹长度、轨迹曲率和CR-Map系数等因素。最终确定最优轨迹路径，以获得自动驾驶汽车的下一时刻位置和姿态。
5.根据权利要求4所述的激光雷达点云分割与运动规划方法，其特征在于，建立碰撞风险图CR-Map的步骤包括基于人工势场方法构建CR-Map，通过多源数据包括环境地图的矢量层和传感器的感知层生成CR-Map。实施采样策略的步骤包括获取高斯分布的参考点，生成随机数并计算随机点的投影到CR-Map中的碰撞风险系数。根据风险值判断是否满足要求，对不满足要求的随机点进行丢弃。通过选择最优父节点和最优轨迹确定最优轨迹路径，考虑代价函数综合考虑轨迹的长度、曲率和CR-Map系数，以选择最优的父节点和轨迹路径。
6.根据权利要求1所述的激光雷达点云分割与运动规划方法，其中，运动规划模块的节点优化和轨迹优化步骤包括在搜索树中选择最接近采样点的一系列点作为候选父节点，并通过轨迹的转向过程将候选父节点投影到点云坐标系。候选父节点的轨迹经过碰撞检测、车辆运动约束检测和环境约束检测，以排除不合适的点。根据全局代价选择最优父节点和最优轨迹，代价函数综合考虑轨迹的长度、曲率和CR-Map的先验信息。最终选择最优轨迹路径，确定自动驾驶汽车的下一时刻的位置和姿态。
7.根据权利要求1所述的激光雷达点云分割与运动规划方法，其中，激光雷达点云分割模块的球面投影步骤包括将激光雷达点云投影到球体上，并将其转换为图像坐标。通过神经网络卷积从激光雷达的距离视图中提取特征，计算每个点的范围索引、3D点坐标和点云强度值，并将它们作为特征输入到卷积神经网络中。激光雷达点云的残差图制作步骤通过补偿自我运动中定义的变换估计，将先前扫描的点云变换到当前给定的局部坐标系，并计算每个激光雷达点云像素的残差。
8.根据权利要求1所述的激光雷达点云分割与运动规划方法，其中，建立环境地图模块的数据融合与深度插值步骤包括将语义图像与低分辨率3D激光雷达点云进行融合，生成密集的语义深度图。通过深度插值算法对数据进行上采样，将语义图像中的标签存储在上采样点云的通道中，同时获得额外的空间深度信息。利用激光里程计选择具有深度信息的点云特征点，并将它们作为环境地图的一部分，以提高自动驾驶汽车的定位精度和环境感知能力。
9.根据权利要求1所述的激光雷达点云分割与运动规划方法，其中，运动规划模块的碰撞风险图CR-Map的建立步骤包括基于人工势场(APF)方法构建CR-Map，将环境地图的矢量层和传感器的感知层融合生成CR-Map。每个网格点的值表示碰撞风险系数，障碍物区域具有较高的值，远离障碍物区域的网格点具有较低的值。CR-Map中的梯度下降区域位于障碍物的周围，用于规划避障路径。采用高斯分布与CR-Map相结合进行采样，利用CR-Map系数判断采样点的碰撞风险，并根据先验信息对采样点进行优化。
10.根据权利要求1所述的激光雷达点云分割与运动规划方法，其中，运动规划模块的最优轨迹路径确定步骤包括根据代价函数选择最优父节点和最优轨迹路径。代价函数综合考虑轨迹的长度、曲率和CR-Map系数，以加权方式融合CR成本和轨迹长度成本。通过选择具有最小代价的父节点和轨迹路径，确定自动驾驶汽车的下一时刻的位置和姿态，实现运动规划。
CN202311039885.1A 2023-08-17 2023-08-17 一种用于自动驾驶的激光雷达点云分割与运动规划方法 Withdrawn CN117036374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311039885.1A CN117036374A (zh) 2023-08-17 2023-08-17 一种用于自动驾驶的激光雷达点云分割与运动规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311039885.1A CN117036374A (zh) 2023-08-17 2023-08-17 一种用于自动驾驶的激光雷达点云分割与运动规划方法

Publications (1)

Publication Number Publication Date
CN117036374A true CN117036374A (zh) 2023-11-10

Family

ID=88624224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311039885.1A Withdrawn CN117036374A (zh) 2023-08-17 2023-08-17 一种用于自动驾驶的激光雷达点云分割与运动规划方法

Country Status (1)

Country Link
CN (1) CN117036374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117382593A (zh) * 2023-12-08 2024-01-12 之江实验室 一种基于激光点云过滤的车辆紧急制动方法和系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117382593A (zh) * 2023-12-08 2024-01-12 之江实验室 一种基于激光点云过滤的车辆紧急制动方法和系统
CN117382593B (zh) * 2023-12-08 2024-04-05 之江实验室 一种基于激光点云过滤的车辆紧急制动方法和系统

Similar Documents

Publication Publication Date Title
Badue et al. Self-driving cars: A survey
CN110588653B (zh) 自主车辆的控制系统、控制方法以及控制器
CN110531753B (zh) 自主车辆的控制系统、控制方法和控制器
US11561551B2 (en) Prioritized constraints for a navigational system
CN110531770B (zh) 一种基于改进的rrt路径规划方法和系统
US11738741B2 (en) Navigation based on detected occlusion overlapping a road entrance
US11465633B2 (en) Method and system for generating predicted occupancy grid maps
US20190145765A1 (en) Three Dimensional Object Detection
CN104764457B (zh) 一种用于无人车的城市环境构图方法
CN112212872B (zh) 基于激光雷达和导航地图的端到端自动驾驶方法及系统
US20220221866A1 (en) System and method for predictive path planning in autonomous vehicles
Ziegler et al. Making bertha drive—an autonomous journey on a historic route
US20190361454A1 (en) Control systems, control methods and controllers for an autonomous vehicle
Furgale et al. Toward automated driving in cities using close-to-market sensors: An overview of the v-charge project
Kim et al. Cooperative autonomous driving: A mirror neuron inspired intention awareness and cooperative perception approach
Reda et al. Path planning algorithms in the autonomous driving system: A comprehensive review
Fassbender et al. Trajectory planning for car-like robots in unknown, unstructured environments
CN117036374A (zh) 一种用于自动驾驶的激光雷达点云分割与运动规划方法
CN113012191B (zh) 一种基于点云多视角投影图的激光里程计算法
Nagasaka et al. Towards safe, smooth, and stable path planning for on-road autonomous driving under uncertainty
WO2023039707A1 (en) Motion planning using spatio-temporal convex corridors
US20210295531A1 (en) System and method for trajectory prediction using a predicted endpoint conditioned network
Rosero et al. CNN-Planner: A neural path planner based on sensor fusion in the bird's eye view representation space for mapless autonomous driving
YU et al. Vehicle Intelligent Driving Technology
Huang et al. Automatic Construction Method of Topological Map of Obstacles in Mining Area

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20231110

WW01 Invention patent application withdrawn after publication