CN117237913A - 一种多激光雷达障碍物识别方法 - Google Patents
一种多激光雷达障碍物识别方法 Download PDFInfo
- Publication number
- CN117237913A CN117237913A CN202311162196.XA CN202311162196A CN117237913A CN 117237913 A CN117237913 A CN 117237913A CN 202311162196 A CN202311162196 A CN 202311162196A CN 117237913 A CN117237913 A CN 117237913A
- Authority
- CN
- China
- Prior art keywords
- point
- point cloud
- grid
- threshold
- obstacle
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000001914 filtration Methods 0.000 claims abstract description 56
- 230000011218 segmentation Effects 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 22
- 238000005070 sampling Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000004888 barrier function Effects 0.000 description 23
- 238000000605 extraction Methods 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 230000033001 locomotion Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012216 screening Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007670 refining Methods 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Optical Radar Systems And Details Thereof (AREA)
Abstract
本申请公开了一种多激光雷达障碍物识别方法,用于识别巷道障碍物,涉及无人驾驶技术领域,包括:获取多个激光雷达采集的原始三维点云;提取感兴趣区域;利用体素分割法对不同功能区域点云进行降采样预处理;对预处理后的点云进行二维栅格化,计算每个栅格单元内最低点,利用横向和纵向坡度约束进行地面点判断;利用横向和纵向坡度约束进行顶部点判断,并结合直通滤波进行顶部滤波,得到滤波后的非地面非顶部点云;计算非地面非顶部点云的二维栅格,根据点云密度将墙体点云直接作为障碍物,对非墙体点云进行欧式距离聚类,生成障碍物包围盒。针对现有技术中存在的巷道障碍物识别的精度低的问题,本申请提高了障碍物的检测与定位精度。
Description
技术领域
本发明涉及无人驾驶技术领域,特别涉及一种多激光雷达障碍物识别方法,用于识别巷道障碍物。
背景技术
随着激光雷达技术的不断发展,基于激光雷达的环境感知与障碍物检测已经成为自动驾驶领域的重要手段之一。传统的单线激光雷达由于测量范围和角度的限制,其获得的点云数据不够丰富,导致提取的环境信息不精确。为获得更精细和完整的点云信息,多线激光雷达系统应运而生。但多线激光雷达系统获取的大量点云数据也带来了处理难度。
在相关技术中,比如中国专利文献CN116524219A中提供了一种基于激光雷达点云聚类的障碍物检测方法,首先是进行点云预处理,主要是通过离群值去除及降采样对点云进行过滤,然后采用了线性拟合算法分离地面点云与障碍物点云,之后采用欧式聚类实现了对障碍物的分离,提高障碍物检测的准确性,最后对聚类后的点云进行3D包围盒拟合。但是该方案至少存在如下技术问题:地面点云提取不精确,直接影响后续基于地面分割的障碍物点云提取的质量。障碍物点云无法完整表达真实物体,降低了基于点云的障碍物识别与定位的准确性。
基于此,有必要研究一种多激光雷达障碍物识别方法,来提高巷道障碍物识别的精度。
发明内容
1.要解决的技术问题
针对现有技术中存在的巷道障碍物识别的精度低的问题,本发明提供了一种多激光雷达障碍物识别方法,其通过点云预处理、基于横纵向约束的地面顶部快速滤波和墙体分类的障碍物识别步骤,实现了准确提取地面点云,有效应对严重遮挡的巷道环境,大幅提高了障碍物的检测与定位精度。
2.技术方案
本发明的目的通过以下技术方案实现。
本说明书实施例提供一种多激光雷达障碍物识别方法,用于识别巷道障碍物,包括:点云预处理步骤,获取多个激光雷达采集的原始三维点云;对点云进行坐标系限制裁剪,提取感兴趣区域;利用体素分割法对不同功能区域点云进行降采样预处理;地面顶部快速滤波步骤,对预处理后的点云进行二维栅格化,计算每个栅格单元内最低点,利用横向和纵向坡度约束进行地面点判断;计算每个栅格单元内最高点,利用横向和纵向坡度约束进行顶部点判断,并结合直通滤波进行顶部滤波,得到滤波后的非地面非顶部点云;障碍物识别步骤,计算非地面非顶部点云的二维栅格,根据点云密度将墙体点云直接作为障碍物,对非墙体点云进行欧式距离聚类,生成障碍物包围盒,输出障碍物集。
进一步地,地面顶部快速滤波步骤包括:将预处理后的三维点云数据进行二维栅格化;计算每个栅格单元内的最低点,最低点包含横向栅格最低点和纵向栅格最低点;利用横向栅格最低点阈值M1和纵向栅格最低点阈值M2约束关系判断地面最低点;以判断得到的地面最低点为基准,计算每个点到地面最低点的坡度,当坡度小于地面坡度阈值时,点被认定为地面点;计算每个栅格单元内的最高点,最高点包含横向栅格最高点和纵向栅格最高点;利用横向栅格最高点阈值M3和纵向栅格最高点阈值M4约束关系判断顶部最高点;以判断得到的顶部最高点为基准,计算每个点到顶部最高点的坡度,当坡度小于顶部坡度阈值时,点被认定为顶部点;对被认定的顶部点进行Z轴限高滤波,得到滤波后的非地面非顶部点云;其中,横向栅格最低点阈值M1和纵向栅格最低点阈值M2约束关系为:M1的数值大小为M2的M倍,M为正整数。
进一步地,利用横向栅格最高点阈值M3和纵向栅格最高点阈值M4的约束关系判断顶部最高点包括:横向栅格最高点阈值约束关系为:相邻栅格最高点高差小于预设的横向栅格最高点阈值,则接受最高点作为顶部点候选;纵向栅格最高点阈值约束关系为:同一栅格列中,相邻栅格最高点高差小于预设的纵向栅格最高点阈值,则接受最高点作为顶部点候选;结合横向约束和纵向约束,确定每个栅格单元的顶部最高点。
进一步地,将滤波后的非地面非顶部点云数据进行二维栅格化;统计每个栅格内的点云数量,当点云数量大于预设阈值时,则将栅格内全部点云作为墙体障碍物点云;将非墙体栅格点云保留为非墙体障碍物候选点云,非墙体栅格点云为将墙体栅格点云从二维栅格点云中排除后余下的点云;对非墙体障碍物候选点云,进行欧式距离聚类生成非墙体障碍物点云;利用聚类闭合获取墙体障碍物点云和非墙体障碍物点云的三维包围盒;输出障碍物信息,障碍物信息包含:障碍物类别、包围盒参数和点云数量。
进一步地,对墙体障碍物点云采用轴对齐包围盒。
进一步地,对非墙体障碍物点云采用定向包围盒。
进一步地,点云预处理步骤包括:获取多个激光雷达采集的原始三维点云;在车辆坐标系内对点云进行X轴、Y轴和Z轴方向的坐标裁剪,提取感兴趣区域;根据车辆尺寸范围,将感兴趣区域分为多个功能子区域,对不同功能子区域内的点云进行降采样处理。
进一步地,对不同功能子区域内的点云进行降采样预处理包括:对车体表面点云进行半径滤波处理,得到去除车体点的点云数据;对车体第一阈值区域内点云利用第一尺寸体素网络进行稀疏化降采样处理;对车体前方和后方第二阈值区域保留原始点云;对车体两侧第三阈值区域利用第二尺寸体素网格进行降采样处理。
进一步地,第一尺寸的数值大小为第二尺寸的数值大小的N1倍,N1为正整数。
进一步地,第三阈值的数值大小为第一阈值或第二阈值的数值大小的N2倍,N2为正整数。
3.有益效果
相比于现有技术,本发明的优点在于:
(1)通过点云坐标裁剪和多尺度降采样,该方法能够有效利用不同遮挡区域的点云数据,提高了障碍物的完整性。通过裁剪和降采样,可以过滤掉不必要的点云数据,并保留重要的特征点,从而提高了后续识别的准确性;
(2)基于横纵向双约束判断地面顶部,有效滤除非障碍物点云。该方法利用横向和纵向坡度约束来判断地面和顶部点云,通过设定阈值来识别地面和顶部点,并对顶部点进行滤波处理,去除非障碍物点云。这样可以减少对非障碍物的误判,提高识别的准确率;
(3)利用点云密度直接分类墙体,避免不必要的聚类计算,大幅减少识别时间,提高实时性。该方法直接利用点云的密度信息将墙体点云直接分类为障碍物,避免了大量的聚类计算,加快了识别的速度,提高了在巷道环境下的实时性能。
综上所述,该技术方案通过点云坐标裁剪和多尺度降采样提高了点云数据的利用效率,通过横纵向双约束滤除非障碍物点云提高了识别准确率,同时利用点云密度直接分类墙体减少计算时间,提高了识别的实时性。这些技术效果使得巷道环境下基于多激光雷达的障碍物识别具有更高的精度和效率。
附图说明
本说明书将以示例性实施例的方式进一步描述,这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的,在这些实施例中,相同的编号表示相同的结构,其中:
图1是根据本说明书一些实施例所示的一种多激光雷达障碍物识别方法的示例性流程图;
图2是根据本说明书一些实施例所示的分区域点云预处理算法的示例性流程图;
图3是根据本说明书一些实施例所示的分区域降采样的示例性流程图;
图4是根据本说明书一些实施例所示的基于横纵栅格坡度的地面和顶部过滤算法的示例性流程图;
图5是根据本说明书一些实施例所示的目标障碍物识别算法的示例性流程图。
名词解释
点云(Point Cloud)是一种用于表示目标物体表面点的三维空间坐标的数学表达形式。它由大量离散的三维空间采样点组成,每个点包含其xyz坐标值信息。在本申请中,点云主要指由激光雷达等设备采集得到的目标物体(如隧道壁面、矿物)三维表面点的坐标数据集。这些点云经过处理后,可以计算出物体的三维形状、大小、表面特征等信息,为隧道巡航机器人的环境感知提供数据支持。点云的主要特征包括:由大量离散三维坐标点组成,可表示物体表面形状;无连续性,点与点之间无连接关系;包含坐标信息,可定量计算特征;可通过采集设备获取目标物体的点云;可经处理用于环境感知、物体识别等任务。
坐标系限制裁剪是指基于设置的三维坐标范围,对点云数据进行截取的处理过程。在本申请中,坐标系限制裁剪主要具有以下特征:设置点云数据处理的三维坐标边界;根据坐标范围对原始点云进行裁剪;超出坐标范围限制的点云将被删除;保留在限定坐标范围内的点云数据;减小点云规模,提升处理效率;删除无关和冗余点云数据;保证处理的是感兴趣的有效点云通过坐标系限制裁剪,可以将复杂的原始点云缩小为精简的感兴趣区域,使运算量大幅减少,提高运算速度,还可以删除无关点云,降低运算难度。是提高点云处理效率的重要预处理步骤。总之,坐标系限制裁剪利用设置坐标范围对原始点云进行截取,获得重点关注的有效点云数据,以减小处理难度和提升效率。
感兴趣区域(RegionofInterest,ROI)是指在点云数据中,人们感兴趣的重点部分。在本申请中,感兴趣区域主要指通过点云处理算法筛选出的重点关注的三维空间物体区域,如含有关键目标的局部区域。感兴趣区域的主要特征包括:是点云中特定物体或场景的局部子集;包含关键目标或重点关注物体;经提取、划分算法从完整点云场景中分割;具有一定的三维形状、范围信息;是精简处理的重点关注目标。总之,感兴趣区域是从复杂点云场景中提炼出的关键部分点云数据,它聚焦包含目标信息的空间区域,使后续运算和解析更高效。
体素分割法是一种用于三维点云分割的算法。它的主要思想是:将三维点云空间均匀划分为小体素(voxel);每个体素对应点云空间的小立方体;统计每个体素内的点数量;根据设定的阈值,将点数量大于阈值的体素划分为一类;将接触的同类体素合并成一个区块,即一个分割物体;重复上述过程,直到所有体素都完成分类;最终获得点云的多个分割区域体素分割法通过统计体素内点数量特征,实现点云的无监督自动分割。在本申请中,体素分割可用于分割矿石床、坑道壁面等关键区域,实现对三维场景的分割和理解。是一种有效的三维点云分割方法。
二维栅格化是将三维点云投影并规划到二维平面上的一种预处理方法。其主要思路和步骤是:计算点云数据的三维范围,确定X轴和Y轴的最大最小值;根据点云密度和特征大小设置较小的栅格长度;将XZ或XY平面划分为行列相交的二维网格;计算每个点云坐标在二维平面上的映射位置;按映射位置将每个点云分配到所在栅格内;进行栅格统计分析,如统计每个栅格内的点云数目;根据统计结果,实现对点云场景的分割、分类等算法;最终完成点云从三维到二维结构化表示的转换二维栅格化利用坐标将点云映射到二维,便于进行统计分析和特征提取,可显著降低计算复杂度,在本申请中可用于提高障碍物识别效率。
欧式距离聚类是一种针对点云数据的无监督聚类方法。其主要思路是:计算点云数据中每个点之间的欧式距离,即两点之间的实际直线距离;根据设定的距离阈值,将距离小于阈值的点归为一类;按聚类准则递归合并类间相近的点云簇;最终形成多个聚类簇,每个簇内是距离相近的点;聚类结果可用于点云的段分类和分割。欧式距离度量不同点之间的几何距离,可有效反应点云的微小表面变化。在本申请中,欧式距离聚类可用于非墙体障碍物的识别,实现对点云场景的无监督分类和分割,是一种常用的点云聚类方法。
三维包围盒是用一个简单的三维形状括起三维点云或物体的最小外接体。常见的三维包围盒有:轴对齐包围盒(AABB),所有边对齐坐标轴的长方体包围盒;定向包围盒(OBB),考虑物体方向的最小矩形包围盒;球形包围盒(BoundingSphere),用球体表示包围盒;凸多面体包围盒(ConvexHull),用多面体表示包围盒。三维包围盒的主要功能是,简化表示点云或物体的三维形状和大小;快速判断点或物体间的关系,如碰撞检测;提供关键几何信息,如体积、边界等。在本申请中,计算不同类型三维包围盒可以高效表示各种障碍物的大小和方位,为路径规划提供关键几何空间信息。
障碍物集是指通过环境感知获得的多个障碍物的集合。在本申请中,障碍物集的主要特征包括:包含多个由点云处理识别出的障碍物;每个障碍物都有类别(墙体或非墙体);每个障碍物都用三维包围盒表示大小形状;多个障碍物的位置组成了障碍物集合;可根据包围盒快速判断障碍物间关系;整体表示一个复杂环境中的障碍物信息;为路径规划提供障碍物空间约束信息;随机器人移动实时更新综上,障碍物集合整体表示了复杂环境中各障碍物的位置和几何信息,是路径规划的基础空间约束输入。
横向栅格最低点,在进行二维栅格化处理点云数据时,对点云进行横向切分,即沿着某一固定方向(例如X轴方向),将点云切分成多行栅格。然后,在每个横向栅格内,找到Z轴坐标最小,即高度最低的点。这个最低点即为“横向栅格最低点”。横向栅格最低点的主要特征和作用包括:表示栅格内最低的点云数据;可用于快速提取地面点云;连接不同栅格的最低点可得到地面轮廓;为点云分割提供重要几何信息;可作为地面提取的关键技术手段总而言之,横向栅格最低点是二维栅格化过程中的重要几何特征,可用于高效提取点云地面,为后续识别提供支持。它利用栅格化结构化处理提高了办法提取效率。
纵向栅格最低点,在进行二维栅格化处理点云数据时,对点云进行纵向切分,即沿着某一固定方向(例如Y轴方向),将点云切分成多列栅格。然后,在每个纵向栅格内,找到Z轴坐标最小,即高度最低的点。这个最低点即为“纵向栅格最低点”。纵向栅格最低点的主要特征和作用包括:表示栅格内最低的点云数据;可用于快速提取地面点云 ;连接不同栅格的最低点可得到地面轮廓;为点云分割提供重要几何信息;可作为地面提取的关键技术手段总而言之,纵向栅格最低点是二维栅格化过程中的重要几何特征,可用于高效提取点云地面,为后续识别提供支持。它利用栅格化结构化处理提高了提取效率。
纵横向栅格约束关系,横向和纵向栅格最低点阈值进行约束的主要约束关系是:地面提取约束横向和纵向栅格最低点阈值将可提取作为地面点云的底部高度进行约束,即只有低于阈值的点才会被判定为地面点。这确保了地面点的提取范围;障碍物高度约束最低点阈值也间接约束了非地面障碍物的最小高度,只有高于阈值的障碍物区域才会被保留下来;运动空间约束基于地面和障碍物高度的约束,可以计算出机器人的可移动空间范围;安全间距约束机器人需要与障碍物保持一定安全距离,最低点阈值提供了距离判定依据;几何形状约束可根据阈值得到地面和障碍物的基本几何形状。综上,最低点阈值对环境中关键要素的高度范围进行约束,确保了路径规划的安全性和可行性。
横向栅格最高点,在对点云数据进行二维栅格化处理时,将点云沿某一方向(例如X轴)进行横向切分,得到多行栅格。然后,在每个横向栅格内,找到Z轴坐标最大,即高度最高的那个点。这个最大高度点即称为“横向栅格最高点”。横向栅格最高点的主要特征和作用:表示栅格内高度最高的点云数据;连接相邻栅格的最高点可提取场景轮廓;提供场景层次高度信息,用于点云分割;可用于识别突出的障碍物;是二维栅格化过程中的重要几何特征总之,横向栅格最高点帮助快速提取点云场景的高度特征,在层次分割与障碍物识别中提供重要支持,是栅格化处理的关键几何信息。
纵向栅格最高点,在对点云数据进行二维栅格化处理时,将点云沿某一方向(例如Y轴)进行纵向切分,得到多列栅格。然后,在每个纵向栅格内,找到Z轴坐标最大,即高度最高的那个点。这个最大高度点即称为“纵向栅格最高点”。纵向栅格最高点的主要特征和作用:表示栅格内高度最高的点云数据;连接相邻栅格的最高点可提取场景轮廓;提供场景层次高度信息,用于点云分割;可用于识别突出的障碍物;是二维栅格化过程中的重要几何特征总之,纵向栅格最高点帮助快速提取点云场景的高度特征,在层次分割与障碍物识别中提供重要支持,是栅格化处理的关键几何信息。
Z轴限高滤波,在对点云数据进行预处理时,根据点云数据在Z轴方向上的高度信息,进行限制高度范围的滤波处理。其主要思路和步骤是:分析点云数据的Z轴高度范围,确定合适的限高阈值;设置Z轴的最大高度和最小高度限值;比较每个点的Z轴高度是否在设定的限高范围内;将高度在范围内的点保留,高度超出范围的点过滤删除;最终获得Z轴高度受限的滤波后的点云数据。Z轴限高滤波的主要作用是:删除高度异常的离群点;减少点云数据量;提取对感兴趣的高度范围的点云;为后续识别与分割算法提供更好的输入数据。综上,Z轴限高滤波根据高度信息进行过滤,可有效删除噪声点,提升点云处理质量。
轴对齐包围盒(AABB)是一种三维包围盒,其特点是所有边都与xyz坐标轴对齐。其主要特征包括:形状为矩形长方体;边界平行于坐标轴方向;能紧密包住物体的三维形状;由两个对角顶点的坐标定义;简单高效,计算和判断交集快速在本申请中,轴对齐包围盒可以用于,表示障碍物的三维空间形状;快速判断障碍物之间的碰撞关系;为路径规划提供障碍物的位置和几何信息;高效计算机器人和环境的交集,判断碰撞综上,轴对齐包围盒是表示三维物体形状的简单有效包围盒,可为本申请中的路径规划提供支持。
定向包围盒(OBB)是考虑三维物体方向的最小包围矩形盒。其特点是:形状为矩形,并与物体方向对齐;能紧密符合物体的形状和方向;通过旋转变换使边界能最小化;由中心点、三个轴向向量和三对投影距离定义;比轴对齐包围盒适应度更好;计算转换关系更复杂在本申请中,定向包围盒可以用于:紧密表示障碍物的大小和方向;提供障碍物精确空间信息进行碰撞检测;为考虑方位的路径规划提供支持;计算机器人运动与障碍物间的精确交集综上,定向包围盒能高效表示物体的方向,为本申请的方位敏感型路径规划提供关键支持。
半径滤波是一种基于距离阈值的点云滤波方法。其核心思路是:选择点云数据中的一个点P作为参考点;计算所有其他点到点P的欧式距离,获得距离集合;设定距离阈值R作为滤波半径;保留距离点P小于R的邻近点,删除距离大于R的点;依次将每点作为参考点进行滤波。半径滤波的主要作用和特点:去除离群点和噪声点;通过调节半径控制保留的密度;保持点云边缘轮廓不变;简单高效,易于实现。在本申请中,半径滤波可用于去除隔离和异常的点,提高点云质量,为后续处理提供过滤后的输入数据。
体素的尺寸,体素(voxel)是三维点云中表示空间单元立方体的最小单位。体素的尺寸指用于分割三维点云的立方体体素单位的边长大小。设置体素尺寸的主要考虑因素有:原始点云的密度和分布状况;对三维形状表示的精细程度要求;后续算法的计算及存储需求;描述整体三维场景所需的细节级别一个较小的体素尺寸可以表示更多三维形状细节,但也会增加计算量。在本申请中,合理设置体素尺寸,既能保证形状特征,又能控制算法复杂度。综上,体素尺寸直接影响三维重构效果及算法效率,需要针对具体场景设定合适值。
具体实施方式
为了更清楚地说明本说明书实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见的,下面描述中的附图仅仅是本说明书的一些示例或实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图将本说明书应用于其他类似情景。除非从语言环境中显而易见或另作说明,图中相同标号代表相同结构或操作。
本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是,前面或后面操作不一定按照顺序来精确地执行。相反,可以按照倒序或同时处理各个步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面结合附图对本说明书实施例提供的方法和系统进行详细说明。
图1是根据本说明书一些实施例所示的一种多激光雷达障碍物识别方法的示例性流程图,如图1所示,一种多激光雷达障碍物识别方法包括如下技术步骤:S110点云预处理步骤:获取多个激光雷达采集的原始三维点云,对点云数据进行坐标系转换裁剪,提取感兴趣区域的点云;然后利用体素分割的方法对点云进行功能区域分割,对不同功能区域的点云进行降采样处理;S120地面顶部快速滤波步骤:将预处理后的点云数据二维栅格化,计算每个栅格单元内的最低点和最高点,分别基于横向和纵向两组阈值约束判断地面最低点和顶部最高点,进而确定地面点和顶部点;结合Z轴高度约束对顶部点进行滤波,得到滤波后的非地面非顶部点云;S130障碍物识别步骤:计算非地面非顶部点云的二维栅格,根据栅格内点云密度直接判断墙体障碍物点云;对非墙体点云进行欧式距离聚类识别障碍物;最终生成各障碍物的包围盒,输出障碍物集信息。
具体地,获取多组激光雷达采集的原始三维点云数据;在车辆坐标系下,根据预设的车辆尺寸参数,对点云数据进行X/Y/Z方向的坐标范围裁剪,提取感兴趣区域的点云;将感兴趣区域按照距离分为多个子区域:车体表面区域:包括车辆的外表面,用以提取车辆的形状和轮廓信息;第一阈值区域:车辆周围相对较近的区域,用以获取较高分辨率的点云数据;第二阈值区域:车辆周围的中等距离区域,用于获取中等分辨率的点云数据;第三阈值区域:车辆周围相对较远的区域,用以获取较低分辨率的点云数据;对不同子区域的点云采用不同策略进行降采样处理:车体表面点云:应用半径滤波算法,去除离群点,保留车体表面点云。第一阈值区域点云:采用较小的体素尺寸进行降采样,以保留较高分辨率的点云信息;第二阈值区域点云:保留原始点云数据,不进行降采样;第三阈值区域点云:采用较大的体素尺寸进行降采样,以降低点云数据量;通过以上实施例中的操作,对多组激光雷达采集的原始三维点云数据进行预处理。根据车辆尺寸参数,对点云数据进行裁剪,提取感兴趣区域的点云。然后根据距离将感兴趣区域划分为不同子区域,并对每个子区域采用不同的降采样策略,以获得不同分辨率的点云数据。具体实施中,应根据实际需求和数据特点进行参数调整,以获得最佳的点云预处理结果。
具体地,地面顶部快速滤波步骤:将预处理后的点云数据进行二维栅格化处理;计算每个栅格的最低点和最高点;基于横向和纵向最低点阈值约束判断地面最低点;以地面最低点为基准,计算点到地面最低点的坡度,小于地面坡度阈值的点确定为地面点;基于横向和纵向最高点阈值约束判断顶部最高点;以顶部最高点为基准,计算点到顶部最高点的坡度,小于顶部坡度阈值的点确定为顶部点;对顶部点进行Z轴方向的轴向限高滤波,得到滤波后的非地面非顶部点云。
在本实施例中,将预处理后的点云数据进行二维栅格化处理。将点云数据投影到平面上,划分为一系列栅格;计算每个栅格的最低点和最高点。遍历每个栅格,找到其中最低点和最高点的高度值;基于横向和纵向最低点阈值约束判断地面最低点。根据预设的横向和纵向最低点阈值,在每个栅格中筛选出高度低于阈值的点云,这些点云被确定为地面最低点;以地面最低点为基准,计算点到地面最低点的坡度。对于每个非地面最低点的点云,计算其与地面最低点之间的坡度,例如通过计算高度差与水平距离之比;小于地面坡度阈值的点被确定为地面点。根据预设的地面坡度阈值,筛选出坡度小于阈值的点云,这些点云被确定为地面点;基于横向和纵向最高点阈值约束判断顶部最高点。根据预设的横向和纵向最高点阈值,在每个栅格中筛选出高度高于阈值的点云,这些点云被确定为顶部最高点;以顶部最高点为基准,计算点到顶部最高点的坡度。对于每个非顶部最高点的点云,计算其与顶部最高点之间的坡度,例如通过计算高度差与水平距离之比;小于顶部坡度阈值的点被确定为顶部点。根据预设的顶部坡度阈值,筛选出坡度小于阈值的点云,这些点云被确定为顶部点;对顶部点进行Z轴方向的轴向限高滤波。根据预设的顶部限高值,在Z轴方向上过滤掉高度超过限高值的顶部点;得到滤波后的非地面非顶部点云。将经过上述处理步骤筛选出的非地面非顶部点云作为最终的结果;通过上述实施例中的地面顶部快速滤波步骤,可以有效地提取出点云中的地面和非地面非顶部点,为后续的障碍物识别和其他应用提供准确的数据输入。
具体地,障碍物识别步骤:计算非地面非顶部点云的二维栅格;根据栅格内点云密度直接判断墙体障碍物点云;对非墙体点云进行欧式距离聚类识别障碍物;对各障碍物生成包围盒;输出障碍物信息,包括类别、包围盒参数和点云数量。
在本实施例中,计算非地面非顶部点云的二维栅格。将滤波后的非地面非顶部点云进行二维栅格化处理,将点云数据投影到平面上,划分为一系列栅格;根据栅格内点云密度直接判断墙体障碍物点云。遍历每个栅格,计算栅格内点云的密度。如果栅格内的点云密度高于预设的墙体判定阈值,那么将该栅格内的点云判定为墙体障碍物点云;对非墙体点云进行欧式距离聚类识别障碍物。对于非墙体的栅格内点云,使用欧式距离聚类算法对点云进行分组。如果两个点之间的欧式距离小于预设的聚类距离阈值,那么将它们划分到同一个聚类中;对各障碍物生成包围盒。对每个聚类形成的障碍物,根据点云的最小包围盒生成算法,计算出一个最小包围盒,将该包围盒用于表示障碍物的空间范围;输出障碍物信息,包括类别、包围盒参数和点云数量。对于每个识别出的障碍物,将其类别、包围盒的参数(例如中心点、长宽高)和点云的数量等信息输出,以便后续的处理和应用;通过上述实施例中的障碍物识别步骤,可以对滤波后的非地面非顶部点云进行栅格化处理并进行障碍物的判定和聚类,最终输出障碍物的信息。
综上,本发明的多激光雷达障碍物识别方法由点云预处理、地面顶部快速滤波和障碍物识别三个步骤构成整体技术方案,它们共同解决现有技术在复杂巷道环境下障碍物识别精度不高的技术问题。其中,点云预处理步骤通过多尺度降采样,提高不同遮挡区域点云的利用效率,增强障碍物点云的完整性,是整体方案提高识别精度的基础。这一点与现有技术中简单滤波处理点云不同;快速滤波步骤准确提取地面点云,有效过滤非障碍物点云,避免对其进行后续无效识别,从而提高识别准确率。这一点与现有技术中的简单线性拟合提高了地面点云提取的适应性;识别步骤中利用点云密度直接分类墙体,跳过大量不必要的聚类运算,大幅减少识别时间,提高了巷道环境下的实时性。这一点与现有技术中的全面聚类识别方法有显著不同。通过上述三步骤的协同运作,形成了一个整体性的技术方案,在保证识别准确率的基础上,进一步提升了巷道场景下多激光雷达障碍物识别的效率。
图2是根据本说明书一些实施例所示的分区域点云预处理算法的示例性流程图,如图2所示,分区域点云预处理算法包括如下技术步骤:
获取多组激光雷达采集的原始三维点云数据;在车辆坐标系下,对原始点云数据进行X轴、Y轴和Z轴方向的坐标裁剪,提取与车辆运动相关的感兴趣区域点云;根据预设的车辆尺寸参数,在感兴趣区域内划分出多个功能子区域,包括车体表面区域、第一阈值区域、第二阈值区域和第三阈值区域;对不同功能子区域内的点云,采用不同的预处理策略进行降采样;输出预处理后的分区域点云数据集。通过上述技术步骤,实现了根据点云采集区域的不同功能,采用不同预处理策略的分区域点云降采样,为后续的地面提取提供了有效的点云数据。
具体地,多组激光雷达采集的原始点云数据包含大量冗余点,进行坐标轴方向的裁剪,提取与车辆运动相关的点云,有效减少点云量。不同区域的点云对环境理解作用不同,根据距离分区域,采用不同降采样策略,保留关键区域点云特征。车体表面点云对环境识别无用,采用半径滤波去除车体点,减少冗余。大量点云数据处理时间长,分区域分策略降采样,快速高效地减少点云量,减轻后续处理计算负担。过度降采样导致信息丢失,控制关键区域点云保真度,保证环境识别效果。
在本实施例中,获取多组激光雷达采集的原始三维点云数据,其中包含大量冗余点;在车辆坐标系下,对原始点云数据进行坐标轴方向的裁剪,提取与车辆运动相关的点云。裁剪过程可以通过设置每个轴向的最小和最大范围来实现;根据距离对点云进行分区。根据预设的距离阈值,将点云数据分为不同的区域,例如车体表面区域、第一阈值区域、第二阈值区域和第三阈值区域;对不同区域的点云采用不同的降采样策略,以保留关键区域的点云特征。例如:对车体表面区域点云,采用半径滤波方法去除车体点,减少冗余点云;对关键区域点云,根据距离设置合适的体素大小进行体素降采样,以保留关键区域的点云特征;通过组合不同区域经过降采样处理的点云,形成预处理后的点云数据集。可以针对每个区域保存为独立的点云数据集,或者将所有区域汇总到一个全局数据集中;通过上述实施例中的点云预处理步骤,利用坐标轴方向的裁剪和分区域分策略的降采样方法,能够有效减少点云量并保留关键区域的点云特征。这样可以快速高效地处理大量的点云数据,并减轻后续处理的计算负担。同时,需要注意控制关键区域点云的保真度,以确保环境识别的效果。
综上,本发明从点云预处理角度出发,充分考虑点云分布特点和处理目标,采用分区域分策略的预处理流程,技术原理上既减少点云数据量,又保证关键点云特征,从而解决多激光雷达冗余点云处理存在的问题。不同车体区域由于视角、遮挡等原因,点云分布和特征不同,因此需要进行分区域处理以适应不同区域的点云特点;根据车体尺寸参数划分区域,这能够按照点云实际分布情况进行划分,使每个区域包含相似特征的点云,为分区域处理提供依据;车体表面区域半径滤波,去除车体自身点云,减少处理负担;第一阈值区域稀疏化处理:该区域点云密度大但对地面提取意义不大,降采样以减小后续处理规模;保留第二阈值关键区域原始点云,保证包含关键地面信息的点云精度,以提高后续地面提取精度;第三阈值区域降采样处理,该区域与地面关系不大,降采样以减小处理规模;根据点云实际功能区分区域设计预处理策略,使每个区域的点云特点得到最合适的处理,既保证关键区域精度,也减小计算量,有利于提高地面提取的效果和效率;最终输出预处理后的分区域点云,为后续地面提取提供包含关键信息且规模合适的点云数据,以解决直接使用原始点云存在的效率低的问题。分区域预处理的设计充分考虑点云分布特点和处理需求,使整个方法更好地适应复杂的巷道场景,以提高处理精度和效率。
图3是根据本说明书一些实施例所示的分区域降采样的示例性流程图,如图3所示,分区域降采样包括如下技术步骤:对车体表面区域的点云进行半径滤波预处理;定义一个半径阈值,用于指定车体表面点云的邻域范围;对于车体表面区域的每个点,计算其周围邻域内的点云密度;如果密度低于预设的阈值,将该点云判定为车体表面点,并从点云数据中移除;对第一阈值区域的点云进行第一尺寸的体素下采样;定义一个体素大小,用于指定下采样的体素边长;对第一阈值区域的点云进行体素下采样,将距离较近的点云合并为一个体素,减少点云数据量;保留第二阈值区域的原始点云;第二阈值区域的点云不进行降采样,保留其原始数据;对第三阈值区域的点云进行第二尺寸的体素下采样;定义一个体素大小,该体素边长为第一尺寸的N1倍;对第三阈值区域的点云进行体素下采样,将距离较近的点云合并为一个体素;其中,第一尺寸的数值大小为第二尺寸的数值大小的N1倍,N1为正整数。第三阈值的数值大小为第一阈值或第二阈值的数值大小的N2倍,N2为正整数。
其中,从区域划分角度,本发明根据点云与车体距离的远近,划分出包括车体、近距离、中距离和远距离等多个子区域。这使得可以对不同区域点云实施不同的处理策略,提高处理的针对性;从尺寸比例限定角度,近距离区域点云采用更小尺寸的体素,中远距离区域采用较大的体素。这与各区域内点云分布密度相适应,避免了过度下采样导致的信息丢失。本方案保留车体前后关键区域点云避免了识别率下降,不同区域采用不同降采样策略既减少计算量又保证效果。本方案针对多激光雷达冗余点云数据量大的问题,实现了快速过滤降采样,减轻后续识别的计算负担,保证实时性。同时维持关键区域点云特征,保证识别效果。
具体地,第一阈值区域的限定:根据车体边缘到对应激光雷达的距离,在本实施例中,图3中区域1为车体轮廓边界,设置车体边缘1米范围作为第一阈值区域;第二阈值区域的限定: 根据车体尺寸参数,在本实施例中设置车体前方15米范围和后方10米范围为第二阈值区域;第三阈值区域的限定:根据车体侧向对障碍物识别需求,在本实施例中,设置车体左右两侧各5米范围为第三阈值区域;第一尺寸的限定: 根据第一阈值区域附近的环境细节和点云分布情况,在本实施例中,设置0.2米立方体素作为第一尺寸;第二尺寸的限定:根据第三阈值区域点云较疏的特点,在本实施例中,设置0.5米立方体素作为第二尺寸;尺寸关系限定:第一尺寸是第二尺寸的N1倍,N1取2,在本实施例中,第一尺寸是第二尺寸的2倍;阈值关系限定:第三阈值区域距离是第一阈值区域距离的N2倍,在本实施例中,N2取5,即第三阈值距离是第一阈值距离的5倍。
综上,对不同区域采用不同降采样策略,是考虑到不同区域点云特征和重要性不同,需要进行分类处理;车体表面区域进行半径滤波,是为了删除车体自身点云,减少后续处理负担;第一阈值区域进行第一尺寸体素下采样,是因为该区域点云密度大,对地面提取意义不大,进行稀疏化采样可以大幅减少数据规模,降低计算量;第二阈值区域保留原始点云,是因为该区域包含了关键的地面点云信息,为保证地面提取精度,需要保持原始点云分辨率;第三阈值区域进行第二尺寸体素下采样,是由于其与地面相关性不大,进行适当采样可以减少数据规模和计算量;设置第一尺寸大于第二尺寸,是考虑到第一阈值区域点云密集,需要高程度降采样;而第三阈值区域点云相对稀疏,采样粒度可以更细以保留更多特征;设置第三阈值大于第一、二阈值,是因为第三区域距离地面较远,需要扩大范围进行降采样;通过分区域、分级别、自定义采样粒度的设计,使每个区域的点云得到最优级别的降采样,既保证关键地面特征,又最小化冗余数据,从而在复杂场景下提高地面提取的性能和效率。总之,分区域降采样的技术设计是结合场景需求和点云分布特征制定的,针对性强,为提高地面提取精度提供了有效的预处理点云数据。
图4是根据本说明书一些实施例所示的基于横纵栅格坡度的地面和顶部过滤算法的示例性流程图,如图4所示,基于横纵栅格坡度的地面和顶部过滤算法包括如下技术步骤:将预处理后的三维点云数据进行二维栅格化,计算每个栅格单元的最低点和最高点;通过横向栅格最低点阈值约束,判断出车辆周边地面区域的最低点。遍历每个栅格的最低点,如果该最低点的高度低于预设的地面点阈值,将该栅格标记为地面区域;通过纵向栅格最低点阈值约束,确定各列栅格的最低点连贯性。从左向右遍历每列栅格,检查相邻列的最低点高度是否满足纵向相邻栅格最低点高度约束。如果最低点高度差小于预设的纵向最低点连贯性阈值,将这些栅格标记为地面区域;计算每个点到对应栅格最低点的坡度,小于预设的坡度阈值的认定为地面点;同理,根据纵向栅格最高点阈值约束,判断出顶部点。遍历每个栅格的最高点,如果该最高点的高度高于预设的顶部点阈值,将该栅格标记为顶部区域;计算每个点到对应栅格最高点的坡度,小于预设的坡度阈值的认定为顶部点;对顶部点采用Z轴限高滤波,去除异常值。根据预设的顶部最大高度阈值,过滤掉超过该高度的顶部点;最终输出滤波后的非地面非顶部点云,包括地面区域以及通过横纵约束确定的非地面非顶部区域点云;
通过上述实施例中的点云地面和顶部滤波步骤,利用横纵两个方向的栅格约束信息,可以避免长斜坡等复杂情况导致的误判,提高地面和顶部点的识别准确性。通过坡度过滤和轴向限高滤波相结合,进一步提升过滤效果,去除地面和顶部异常点,得到滤波后的非地面非顶部点云数据。
其中,横向栅格最低点阈值M1与纵向栅格最低点阈值M2满足以下大小关系:M1 =M * M2,其中M为正整数,例如可取值为2、3等;这表示横向栅格最低点阈值M1是纵向栅格最低点阈值M2的整数倍,并且M1大于M2;设置M的值可以根据实际情况来调整,以达到合适的横向和纵向的栅格阈值关系;横向栅格最高点阈值M3与纵向栅格最高点阈值M4的约束关系判断顶部最高点:横向栅格最高点阈值约束关系:要接受一个栅格内的点作为顶部候选点,需要满足以下条件:与相邻栅格最高点的高差小于M3值,表示局部横向的连贯性;如果一个栅格没有相邻栅格,则默认接受其最高点作为候选点;纵向栅格最高点阈值约束关系:要接受一个栅格内的点作为顶部候选点,需要满足以下条件:同一栅格列内的最高点与其邻近栅格列的最高点的高差小于M4值,表示纵向的连贯性;结合横向和纵向两个约束关系,确定每个栅格的顶部最高点:对于每个栅格,检查其最高点是否满足横向和纵向约束关系;如果同时满足横向和纵向约束关系,将该点标记为顶部区域,并作为顶部候选点;通过上述约束关系,使用横向和纵向栅格阈值的大小关系,实现了对地面和顶部点云连贯性的判别约束。这种约束控制可以避免个别异常值对地面和顶部识别结果的干扰,提高地面和顶部的识别可靠性。
具体地,点云栅格化处理,将采集的点云数据进行坐标变换,转换到车辆坐标系下。在本实施例中计算点云在X轴方向范围为0米至50米,Y轴方向范围为-5米到5米,设置栅格大小为0.5米×0.5米,则可以划分为100行100列的二维栅格。将点云数据投影到该栅格结构中,统计每个栅格单元的最高点Z高和最低点Z低;横向最低点约束,在本实施例中设定横向最低点高差阈值M1为0.05米。对每个栅格,与其相邻栅格的最低点Z低进行比较,高差小于M1的,则接受该最低点;纵向最低点约束,在本实施例中设定纵向最低点高差阈值M2为0.02米。M1与M2的关系为M1=2*M2。对每个栅格,与其同一列上下相邻栅格最低点Z低进行比较,高差小于M2的,则接受该最低点;坡度法提取地面,在本实施例中计算每个点到对应栅格最低点的坡度,坡度阈值设为10度。小于10度的点判定为地面点;横纵法提取顶部,重复上述步骤,设定横向阈值M3为0.1米,纵向阈值M4为0.05米,提取每个栅格的最高点;坡度法提取顶部,计算点到对应栅格最高点的坡度,坡度阈值设为20度,小于20度的点判定为顶部点;Z轴向限高滤波,进行Z轴向限制,在本实施例中高度范围为2.5米以内的点保留为顶部点;输出过滤得到的非地面非顶部点云。
综上,栅格化处理:将无序点云转换为结构化的栅格表示,便于按行列索引访问每个栅格的统计特征,为后续判断处理奠定基础;横向约束最低点,考虑地面连续性,相邻栅格最低点高差不会出现大的跳变,横向阈值约束可以有效抑制局部异常值对判断的影响;纵向约束最低点,同一列方向上,最低点高度变化也具有连续性,纵向阈值进一步约束,避免漏判地面点;坡度法提取地面,基于栅格最低点,考虑点到面距离,将连续缓变的地面与不规则障碍进行区分;横纵约束最高点,相同思路,考虑顶面连续性,抑制异常值对顶部判断的影响;坡度法提取顶部,区分开拱形顶面和不规则突起物体;轴向限高,进一步去除过高误判点,提炼顶部特征;输出非地非顶点云,提炼关注对象点云,为后续识别处理提供有效数据。综上,该算法充分考虑地面顶部的几何特性,通过栅格与阈值约束提高判断稳定性,多阶段滤波精炼点云,提高了过滤精度。
图5是根据本说明书一些实施例所示的目标障碍物识别算法的示例性流程图,如图5所示,目标障碍物识别算法包括如下技术步骤:将滤波后的非地面非顶部点云数据进行二维栅格化处理;统计每个栅格内的点云数量,若点云数量大于预设阈值,将该栅格认定为包含墙体障碍物,将该栅格内的全部点云作为墙体点云;从栅格中去除墙体栅格,剩余点云保留为非墙体障碍物候选点云;对非墙体候选点云进行欧式距离聚类,得到非墙体障碍物点云簇;利用聚类信息计算墙体和非墙体障碍物的三维包围盒;对墙体点云,可以采用轴对齐包围盒表示,即计算墙体点云的最小边界矩形(Minimum Bounding Rectangle,MBR);对非墙体点云簇,可以采用定向包围盒表示,即计算非墙体点云簇的最小定向边界矩形(Minimum Oriented Rectangle,MOR);输出障碍物类别、包围盒参数和点云数量等信息,将识别结果信息进行存储或可视化展示;通过栅格统计与聚类相结合的方式进行墙体和非墙体障碍物的识别,以及利用聚类信息计算不同类型障碍物的包围盒表示,可以提取出环境中的障碍物信息。墙体采用轴对齐包围盒表示,非墙体障碍物采用定向包围盒表示,可以更准确地描述障碍物的形状和定位。
具体地,
对非地面非顶部点云进行二维栅格化,栅格尺寸小于地面过滤的栅格尺寸,以适应距离远点云稀疏的特点;统计每个栅格内的点云数量,数量大于预设的阈值的栅格认定为墙体点云,直接标记为障碍物;从栅格中除去墙体栅格,将剩余点云保留为非墙体障碍物候选点云;对非墙体候选点云进行欧式距离聚类,考虑到距离远点云的稀疏性,设置较大的聚类半径和较小的聚类阈值;欧式距离聚类生成非墙体障碍物点云簇;计算所识别墙体和非墙体障碍物的包围盒;对墙体障碍物,采用轴对齐包围盒(Axis-Aligned Bounding Box,AABB)表示,计算墙体点云的最小边界矩形;对非墙体障碍物,采用定向包围盒(OrientedBounding Box,OBB)表示,计算非墙体障碍物点云簇的最小定向边界矩形;输出障碍物类别、包围盒参数等识别信息,可以将识别结果信息进行存储或可视化展示;通过以上实施例中的操作,对非地面非顶部点云进行栅格化、栅格点云数量统计、墙体点云识别、欧式距离聚类以及包围盒计算的过程,可以实现墙体和非墙体障碍物的识别,并得到其相应的包围盒表示。墙体障碍物采用轴对齐包围盒(AABB),而非墙体障碍物采用定向包围盒(OBB)。具体实施中应根据实际场景和数据特点进行参数调整和验证,以获得准确的障碍物识别结果和包围盒表示。
更具体地,确定点云场景范围为X:0米至50米,Y:-5米至5米;根据点云场景和要求,选取合理的栅格尺寸,例如设置栅格大小为0.2米;针对典型墙体区域进行采样统计,确定最小栅格样本数量N。假设经统计得知墙体区域平均每个栅格有100个点云样本,选择N=100作为最小栅格样本数量;根据系数k确定判定阈值K,其中k取1至3之间的整数。假设选取k=2,则判定阈值K=2*N=200;对栅格进行遍历,统计每个栅格内的点云数量;如果某个栅格内的点云数量大于等于判定阈值K(即大于等于200),则将该栅格内的所有点云认定为墙体点云;输出判定为墙体的栅格点云作为障碍物信息,其中墙体点云的数量可能远超过判定阈值K;通过以上实施例中的操作,根据点云场景确定栅格尺寸,并通过采样统计和阈值设置来判定墙体点云。在本例中,栅格大小为0.2米,栅格点云数量阈值设为200。若某栅格内的点云数量达到或超过200,即350个点云,该栅格的所有点云将被认定为墙体点云。该实施例可根据实际场景进行参数调整和验证,以实现精度和效率的平衡,并进一步用于整体的障碍物识别方案。
综上,本申请通过分割减少非墙体点云量,降低聚类运算量,并考虑距离因素优化聚类参数,可实现巷道环境中的快速准确障碍物识别。栅格化处理,将点云空间划分为规整网格,便于统计分析每个栅格内的点云分布情况;墙体识别,利用墙体点云密度大的特点,通过栅格统计快速定位并提取墙体区域;非墙体提取,去除高密度区域,减少后续聚类计算量;欧式聚类,考虑非墙体表面可能不平整,采用欧式距离度量近邻点云的相似度;包围盒计算,合理表示不同障碍物体积空间信息;轴对齐包围盒,减少存储参数,适用于墙面等规则平面;定向包围盒,更准确拟合不规则表面,适用于突出障碍物;信息输出:提供关键识别结果,供路径规划等后续过程使用。综上,该算法充分利用点云几何特征,通过栅格统计与聚类算法相结合实现快速识别,计算不同类型包围盒准确表示障碍物,输出关键信息,提高后续运动控制的效率和安全性。
以上示意性地对本发明创造及其实施方式进行了描述,该描述没有限制性,在不背离本发明的精神或者基本特征的情况下,能够以其他的具体形式实现本发明。附图中所示的也只是本发明创造的实施方式之一,实际的结构并不局限于此,权利要求中的任何附图标记不应限制所涉及的权利要求。所以,如果本领域的普通技术人员受其启示,在不脱离本创造宗旨的情况下,不经创造性地设计出与该技术方案相似的结构方式及实施例,均应属于本专利的保护范围。此外,“包括”一词不排除其他元件或步骤,在元件前的“一个”一词不排除包括“多个”该元件。产品权利要求中陈述的多个元件也可以由一个元件通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (10)
1.一种多激光雷达障碍物识别方法,用于识别巷道障碍物,包括:
点云预处理步骤,获取多个激光雷达采集的原始三维点云;对点云进行坐标系限制裁剪,提取感兴趣区域;利用体素分割法对不同功能区域点云进行降采样预处理;
地面顶部快速滤波步骤,对预处理后的点云进行二维栅格化,计算每个栅格单元内最低点,利用横向和纵向坡度约束进行地面点判断;计算每个栅格单元内最高点,利用横向和纵向坡度约束进行顶部点判断,并结合直通滤波进行顶部滤波,得到滤波后的非地面非顶部点云;
障碍物识别步骤,计算非地面非顶部点云的二维栅格,根据点云密度将墙体点云直接作为障碍物,对非墙体点云进行欧式距离聚类,生成障碍物包围盒,输出障碍物集。
2.根据权利要求1所述的多激光雷达障碍物识别方法,其特征在于:
地面顶部快速滤波步骤包括:
将预处理后的三维点云数据进行二维栅格化;
计算每个栅格单元内的最低点,所述最低点包含横向栅格最低点和纵向栅格最低点;
利用横向栅格最低点阈值M1和纵向栅格最低点阈值M2约束关系判断地面最低点;
以判断得到的地面最低点为基准,计算每个点到所述地面最低点的坡度,当所述坡度小于地面坡度阈值时,所述点被认定为地面点;
计算每个栅格单元内的最高点,所述最高点包含横向栅格最高点和纵向栅格最高点;
利用横向栅格最高点阈值M3和纵向栅格最高点阈值M4约束关系判断顶部最高点;
以判断得到的顶部最高点为基准,计算每个点到所述顶部最高点的坡度,当所述坡度小于顶部坡度阈值时,所述点被认定为顶部点;
对被认定的顶部点进行Z轴限高滤波,得到滤波后的非地面非顶部点云;
其中,横向栅格最低点阈值M1和纵向栅格最低点阈值M2约束关系为:M1的数值大小为M2的M倍,M为正整数。
3.根据权利要求2所述的多激光雷达障碍物识别方法,其特征在于:
利用横向栅格最高点阈值M3和纵向栅格最高点阈值M4的约束关系判断顶部最高点包括:
横向栅格最高点阈值约束关系为:相邻栅格最高点高差小于预设的横向栅格最高点阈值,则接受所述最高点作为顶部点候选;
纵向栅格最高点阈值约束关系为:同一栅格列中,相邻栅格最高点高差小于预设的纵向栅格最高点阈值,则接受所述最高点作为顶部点候选;
结合横向约束和纵向约束,确定每个栅格单元的顶部最高点。
4.根据权利要求1所述的多激光雷达障碍物识别方法,其特征在于:
将滤波后的非地面非顶部点云数据进行二维栅格化;
统计每个栅格内的点云数量,当点云数量大于预设阈值时,则将栅格内全部点云作为墙体障碍物点云;
将非墙体栅格点云保留为非墙体障碍物候选点云,所述非墙体栅格点云为将墙体栅格点云从二维栅格点云中排除后余下的点云;
对所述非墙体障碍物候选点云,进行欧式距离聚类生成非墙体障碍物点云;
利用聚类闭合获取墙体障碍物点云和非墙体障碍物点云的三维包围盒;
输出障碍物信息,所述障碍物信息包含:障碍物类别、包围盒参数和点云数量。
5.根据权利要求4所述的多激光雷达障碍物识别方法,其特征在于:
对墙体障碍物点云采用轴对齐包围盒。
6.根据权利要求4所述的多激光雷达障碍物识别方法,其特征在于:
对非墙体障碍物点云采用定向包围盒。
7.根据权利要求1所述的多激光雷达障碍物识别方法,其特征在于:
点云预处理步骤包括:
获取多个激光雷达采集的原始三维点云;
在车辆坐标系内对点云进行X轴、Y轴和Z轴方向的坐标裁剪,提取感兴趣区域;
根据车辆尺寸范围,将感兴趣区域分为多个功能子区域,对不同功能子区域内的点云进行降采样处理。
8.根据权利要求7所述的多激光雷达障碍物识别方法,其特征在于:
对不同功能子区域内的点云进行降采样预处理包括:
对车体表面点云进行半径滤波处理,得到去除车体点的点云数据;
对车体第一阈值区域内点云利用第一尺寸体素网络进行稀疏化降采样处理;
对车体前方和后方第二阈值区域保留原始点云;
对车体两侧第三阈值区域利用第二尺寸体素网格进行降采样处理。
9.根据权利要求8所述的多激光雷达障碍物识别方法,其特征在于:
第一尺寸的数值大小为第二尺寸的数值大小的N1倍,N1为正整数。
10.根据权利要求9所述的多激光雷达障碍物识别方法,其特征在于:
第三阈值的数值大小为第一阈值或第二阈值的数值大小的N2倍,N2为正整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162196.XA CN117237913A (zh) | 2023-09-11 | 2023-09-11 | 一种多激光雷达障碍物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311162196.XA CN117237913A (zh) | 2023-09-11 | 2023-09-11 | 一种多激光雷达障碍物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117237913A true CN117237913A (zh) | 2023-12-15 |
Family
ID=89087176
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311162196.XA Pending CN117237913A (zh) | 2023-09-11 | 2023-09-11 | 一种多激光雷达障碍物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117237913A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475398A (zh) * | 2023-12-26 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
-
2023
- 2023-09-11 CN CN202311162196.XA patent/CN117237913A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475398A (zh) * | 2023-12-26 | 2024-01-30 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
CN117475398B (zh) * | 2023-12-26 | 2024-02-23 | 苏州元脑智能科技有限公司 | 一种基于体素采样的地面分割优化方法、装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106022381B (zh) | 基于车载激光扫描点云的路灯杆自动提取方法 | |
CN111832655B (zh) | 一种基于特征金字塔网络的多尺度三维目标检测方法 | |
CN111192295B (zh) | 目标检测与跟踪方法、设备和计算机可读存储介质 | |
CN105513127A (zh) | 基于密度峰值聚类的杆状物规则化三维建模方法及系统 | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
CN108470174B (zh) | 障碍物分割方法及装置、计算机设备及可读介质 | |
KR102276044B1 (ko) | 3d 포인트 클라우드의 클러스터링 방법 및 이를 수행하는 장치 | |
CN113284163B (zh) | 基于车载激光雷达点云的三维目标自适应检测方法及系统 | |
CN117237913A (zh) | 一种多激光雷达障碍物识别方法 | |
CN113761999A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN111310663A (zh) | 道路栅栏检测方法、装置、设备及存储介质 | |
CN112711034A (zh) | 物体检测方法、装置及设备 | |
CN114648654A (zh) | 一种融合点云语义类别和距离的聚类方法 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及系统 | |
US20230419659A1 (en) | Method and system for processing point-cloud data | |
CN116524219A (zh) | 一种基于激光雷达点云聚类的障碍物检测方法 | |
CN114022760B (zh) | 铁路隧道障碍物监测预警方法、系统、设备及存储介质 | |
CN111861946B (zh) | 自适应多尺度车载激光雷达稠密点云数据滤波方法 | |
Sun et al. | Automated segmentation of LiDAR point clouds for building rooftop extraction | |
Santos et al. | Classification of LiDAR data over building roofs using k-means and principal component analysis | |
Liu et al. | Target detection from 3D point-cloud using Gaussian function and CNN | |
CN114063107A (zh) | 一种基于激光束的地面点云提取方法 | |
CN114186588A (zh) | 一种实时层次化滤波方法 | |
CN114399762B (zh) | 一种道路场景点云分类方法及存储介质 | |
CN111338336B (zh) | 一种自动驾驶方法及装置 |
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 |