TWI650570B

TWI650570B - 基於光學雷達之行車輔助方法

Info

Publication number: TWI650570B
Application number: TW107117296A
Authority: TW
Inventors: 林立宗; 陳元駿; 許志明; 許裕鴻; 林嘉育
Original assignee: 華創車電技術中心股份有限公司
Priority date: 2018-05-21
Filing date: 2018-05-21
Publication date: 2019-02-11
Also published as: TW202004216A

Abstract

一種基於光學雷達之行車輔助方法，包括以光學雷達發出複數條雷射光束持續掃描車輛之周遭環境，以取得過去點雲資訊與當前點雲資訊，過去點雲資訊包括複數個第一點雲位置，當前點雲資訊包括複數個第二點雲位置、由這些第一點雲位置中篩選出複數個第一可靠點雲位置而形成第一可靠點雲資訊、由這些第二點雲位置中篩選出複數個第二可靠點雲位置而形成第二可靠點雲資訊、將第一可靠點雲資訊與第二可靠點雲資訊進行疊代運算，以取得第一可靠點雲資訊與第二可靠點雲資訊之間的相對變化資訊、以及根據車輛的過去位置與相對變化資訊計算車輛之當前位置。

Description

基於光學雷達之行車輔助方法

本發明係關於一種行車輔助方法，特別是指一種基於光學雷達之行車輔助方法。

隨著科技的進步，許多車輛上都會搭載定位系統，以取得車輛的即時位置而能進行各種車輛的應用，例如導航路線規劃、車聯網或圖資建立等等。

目前車輛的即時位置主要是透過全球衛星定位系統（Global Positioning System, GPS）來達成。然而，全球衛星定位系統容易受到氣候、空氣或電磁波等因素影響而存在偏差。此外，若車輛周遭的障礙物較多，例如車輛附近都是高樓大廈，訊號也容易受到阻擋或干擾而使車輛的即時位置產生誤差甚至錯誤。

有鑑於此，於一實施例中，提供一種基於光學雷達之行車輔助方法包括：以光學雷達發出複數條雷射光束持續掃描車輛之周遭環境，以取得過去點雲資訊與當前點雲資訊，過去點雲資訊包括複數個第一點雲位置，當前點雲資訊包括複數個第二點雲位置、由這些第一點雲位置中篩選出複數個第一可靠點雲位置而形成第一可靠點雲資訊，各第一可靠點雲位置的第一法向量與對應照射於各第一可靠點雲位置之各雷射光束之間的夾角的絕對值小於特定角度，第一法向量為各第一可靠點雲位置與鄰近之多個第一點雲位置所形成之平面的法向量、由這些第二點雲位置中篩選出複數個第二可靠點雲位置而形成第二可靠點雲資訊，各第二可靠點雲位置的第二法向量與對應照射於各第二可靠點雲位置之各雷射光束之間的夾角的絕對值小於特定角度，第二法向量為各第二可靠點雲位置與鄰近之多個第二點雲位置所形成之平面的法向量、將第一可靠點雲資訊與第二可靠點雲資訊進行疊代運算，以取得第一可靠點雲資訊與第二可靠點雲資訊之間的相對變化資訊，相對變化資訊包括相對旋轉量、相對位移量或其組合、以及根據車輛的過去位置與相對變化資訊計算車輛之當前位置。

於一實施例中，提供一種基於光學雷達之行車輔助方法，包括：以光學雷達發出複數條雷射光束持續掃描車輛之周遭環境，以取得過去點雲資訊與當前點雲資訊，過去點雲資訊包括複數個第一點雲位置，當前點雲資訊包括複數個第二點雲位置、由這些第一點雲位置中篩選出複數個第一可靠點雲位置而形成第一可靠點雲資訊，各第一可靠點雲位置的第一法向量與地面法向量正交，第一法向量為各第一可靠點雲位置與鄰近之多個第一點雲位置所形成之平面的法向量、由這些第二點雲位置中篩選出複數個第二可靠點雲位置而形成第二可靠點雲資訊，各第二可靠點雲位置的第二法向量與該地面法向量正交，第二法向量為各第二可靠點雲位置與鄰近之多個第二點雲位置所形成之平面的法向量、將第一可靠點雲資訊與第二可靠點雲資訊進行疊代運算，以取得第一可靠點雲資訊與第二可靠點雲資訊之間的相對變化資訊，相對變化資訊包括相對旋轉量、相對位移量或其組合、以及根據車輛的過去位置與相對變化資訊計算車輛之當前位置。

綜上所述，根據本發明實施例之行車輔助方法，透過光學雷達持續掃描車輛周遭以取得過去點雲資訊與當前點雲資訊，並進一步從過去點雲資訊與當前點雲資訊中篩選出可靠點雲位置，以進行後續疊代運算與車輛位置計算，可達到大幅減少運算量與誤差。此外，透過點雲計算車輛位置的方式不易受到氣候、空氣、電磁波或周遭障礙物影響，從而提高車輛位置的準確性。

圖1為本發明行車輔助方法一實施例之步驟流程圖。如圖1所示，本實施例之行車輔助方法是透過光學雷達L持續掃描車輛V周遭以取得點雲（point cloud）資訊，並將點雲資訊經過處理、運算而得到精確的環境地圖以及車輛於該環境地圖中的位置，以供進行各種車輛之應用，例如導航路線規劃、車聯網、圖資建立或自動駕駛等等。如圖1所示，本實施例之行車輔助方法包括步驟S01～步驟S05。

首先可進行步驟S01：以光學雷達L（light detection and ranging, Lidar）發出複數條雷射光束B持續掃描車輛V之周遭環境，以取得過去點雲資訊D與當前點雲資訊C。

如圖2與圖3所示，光學雷達L可安裝於車輛V上，例如在本例中，光學雷達L安裝於車輛V的頂部，但此並不侷限。在一實施例中，光學雷達L可為機械式光學雷達，主要的結構可包括有一排雷射發射器、光感測器及旋轉機構（圖面省略繪示），多個雷射發射器可朝水平分向發射一排雷射光束B而形成一垂直掃描範圍S，其中垂直掃描範圍S的垂直掃描視角可視雷射發射器的數量、雷射發射器的擺放角度或光學雷達L安裝於車輛V的位置而定，例如雷射發射器的數量越多，垂直掃描範圍S的垂直掃描視角則越大。此外，光學雷達L可透過其旋轉機構的作動而相對於車輛V持續旋轉（如圖2之箭號W所示），使光學雷達L的水平掃描角度可達360°，以掃描車輛V周遭的環境。在其他實施例中，光學雷達L也可為一固態光學雷達，本實施例並不限制。

再對照圖2、圖3及圖4所示，於車輛V行進的過程中，光學雷達L會持續運作以持續掃描車輛V之周遭環境，以取得多個過去時刻的過去點雲資訊D以及當前時刻的當前點雲資訊C，其中過去點雲資訊D包括複數個第一點雲位置P1，當前點雲資訊C包括複數個第二點雲位置P2。舉例來說，在當前時刻的掃描過程中，當各雷射光束B傳遞至車輛V周遭環境的物體（如地面、路樹或建築）時會對應產生反射光線，光學雷達L的光感測器可根據反射光線得知每個反射點與光學雷達L之間的距離、俯仰角及擺角，進而計算出每個反射點的座標位置（即第二點雲位置P2），於當前時刻掃描取得的所有第二點雲位置P2的集合即為當前點雲資訊C。同理，在各個過去時刻的掃描過程中，光學雷達L也可計算出當時每個反射點的座標位置（即第一點雲位置P1），而各個過去時刻掃描取得的所有第一點雲位置P1的集合即為過去點雲資訊D。

如圖1所示，在步驟S01後可進行步驟S02：由過去點雲資訊D的多個第一點雲位置P1中篩選出複數個第一可靠點雲位置R1而形成一第一可靠點雲資訊，由當前點雲資訊C的第二點雲位置P2中篩選出複數個第二可靠點雲位置R2而形成一第二可靠點雲資訊。在一些實施例中，光學雷達L可連接一處理器（圖面省略繪示），例如處理器可為中央處理器（Cent ral Processing Unit, CPU）、微控制器（Micro Control Unit, MCU）或微處理器（Micro Processing Unit, MPU），以經由處理器進行可靠點雲的篩選作業。其中處理器可整合於光學雷達L的內部，或者處理器亦可設置於車輛V內的車機（On-Board Unit）中，此並不侷限。在一些實施例中，可靠點雲的篩選作業可包括以下多種實施例。

請對照圖4與圖5所示，在一實施例中，當處理器取得過去點雲資訊D後，可先計算各第一點雲位置P1的第一法向量N1，例如將每個第一點雲位置P1與最鄰近的至少其他兩個第一點雲位置P1形成一平面，而平面之法向量即第一法向量N1，藉此即可取得每個第一點雲位置P1的第一法向量N1。接著，處理器再計算照射於各第一點雲位置P1的雷射光束B與第一法向量N1之間夾角的絕對值，其中夾角的絕對值小於預設的一特定角度（特定角度可介於10°～80°之間）的第一點雲位置P1即選作第一可靠點雲位置R1，並汰除其他夾角的絕對值大於特定角度的第一點雲位置P1，這些第一可靠點雲位置R1的集合即為第一可靠點雲資訊。

以圖5來說，假設特定角度為40°，若以水平線（即圖中的X軸線）為0°基準線，則夾角θ1、θ2、θ3、θ4及θ5分別可為30°、15°、0°、-15°及-30°，藉此圖5中的五個第一點雲位置P1之第一法向量N1與對應之雷射光束B之夾角θ1～θ5的絕對值皆小於40°，因此，五個第一點雲位置P1皆為第一可靠點雲位置R1。

同理，請對照圖4與圖5所示，當處理器取得當前點雲資訊C的多個第二點雲位置P2後，可先計算各第二點雲位置P2的第二法向量N2，例如將每個第二點雲位置P2與最鄰近的至少其他兩個第二點雲位置P2形成一平面，而平面之法向量即第二法向量N2，藉此即可取得每個第二點雲位置P2的第二法向量N2。接著處理器再計算照射於各第二點雲位置P2的雷射光束B與第二法向量N2之間夾角的絕對值，其中夾角的絕對值小於上述特定角度（特定角度可介於10°～80°之間）的第二點雲位置P2即選作第二可靠點雲位置R2，並汰除其他夾角的絕對值大於特定角度的第二點雲位置P2，這些第二可靠點雲位置R2的集合即為第二可靠點雲資訊。藉此，透過此種方式篩選，可排除偏差較大（例如高度較高、距離較遠或產生漫射）的點雲位置而保留較可靠的點雲位置。

承上，上述實施例之特定角度可根據多個第一點雲位置P1的數量與多個第二點雲位置P2的數量而定。舉例來說，當多個第一點雲位置P1的數量與多個第二點雲位置P2的數量皆大於一數量閥值（例如1000個、3000個或5000個）時，特定角度為第一角度（例如30°），當多個第一點雲位置P1的數量與多個第二點雲位置P2的數量皆小於上述數量閥值時，特定角度則為大於上述第一角度之第二角度（例如50°）。也就是說，當車輛V之環境點雲位置（即多個第一點雲位置P1與多個第二點雲位置P2）的數量越少時，特定角度可越大，以避免取得之可靠點雲（即多個第一可靠點雲位置R1與多個第二可靠點雲位置R2）的數量不足。反之，當車輛V之環境點雲位置的數量足夠多時，特定角度可越小，以取得更精確可靠的可靠點雲。

如圖4所示，在另一實施例中，當處理器取得過去點雲資訊D的多個第一點雲位置P1後，可先計算各第一點雲位置P1的第一法向量N1。接著處理器再計算每個第一法向量N1與地面法向量G的夾角，並將第一法向量N1與地面法向量G接近正交（例如第一法向量N1與地面法向量G的夾角接近90°，較佳是介於85°～95°之間）的第一點雲位置P1選作第一可靠點雲位置R1，藉此，可保留對應環境中物體的第一點雲位置P1，而排除與地面法向量G非正交之第一點雲位置P1（例如對應於地面之第一點雲位置P1）。同理，當處理器取得當前點雲資訊C的多個第二點雲位置P2後，可先計算各第二點雲位置P2的第二法向量N2。接著處理器再計算每個第二法向量N2與地面法向量G的夾角，將第二法向量N2與地面法向量G接近正交（例如第二法向量N2與地面法向量G的夾角接近90°，較佳是介於85°～95°之間）的第二點雲位置P2選作第二可靠點雲位置R2，並汰除非正交的第二點雲位置P2。

在一實施例中，處理器亦可同時透過上述兩種實施例進行可靠點雲的篩選作業。舉例來說，請對照圖4與圖5所示，當處理器取得過去點雲資訊D的多個第一點雲位置P1後，可先計算各第一點雲位置P1的第一法向量N1，接著處理器再計算照射於各第一點雲位置P1的雷射光束B與每個第一法向量N1之間夾角的絕對值，其中夾角的絕對值小於預設的特定角度且第一法向量N1與地面法向量G接近正交的第一點雲位置P1即選作第一可靠點雲位置R1。同理，第二可靠點雲位置R2的篩選亦可採用上述方式，在此即不多加贅述。

需注意的是，雖然前述步驟S01與步驟S02依序描述，但此順序並非本發明之限制，熟習相關技藝者應可瞭解在合理情況下部分步驟的執行順序可同時進行或先後對調。例如圖6所示，以一時間軸(Time)來說，車輛V在行進的過程中，光學雷達L可持續運作以取得多個過去時刻的過去點雲資訊D1～D9，在取得各過去點雲資訊D1～D9的同時，處理器即進行可靠點雲位置的篩選而取得第一可靠點雲資訊RD1～RD9。同理，處理器在取得當前時刻的當前點雲資訊C的同時即可進行可靠點雲位置的篩選而取得第二可靠點雲資訊RC。

如圖1所示，在步驟S02後可進行步驟S03：將第一可靠點雲資訊與第二可靠點雲資訊進行疊代運算，以取得第一可靠點雲資訊與第二可靠點雲資訊之間的相對變化資訊。舉例來說，如圖6所示，以當前時刻來說，可將當前時刻對應之第二可靠點雲資訊RC可與多個過去時刻對應之第一可靠點雲資訊RD1～RD9中的至少一者進行疊代運算。其中，以第二可靠點雲資訊RC與前一時刻的第一可靠點雲資訊RD9進行疊代為例，其中第一可靠點雲資訊RD9與第二可靠點雲資訊RC可透過一疊代最鄰近點演算法（Iterative Closet Point）進行疊代運算，以取得第一可靠點雲資訊RD9中各點雲位置與第二可靠點雲資訊RC中對應的最近點雲位置之間的差異值，進而透過差異值計算出第一可靠點雲資訊RD9與第二可靠點雲資訊RC之間的相對旋轉量、相對位移量或其組合（即相對變化資訊），但此並不侷限。若第一可靠點雲資訊RD1~ RD9與第二可靠點雲資訊RC的數量夠多時（例如大於3000個或5000個時），亦可採用NDT演算法（Normal Distribution Transform）或其他演算法進行疊代運算。

如圖1所示，在步驟S03後可進行步驟S04：根據車輛V的過去位置與相對變化資訊計算車輛V之當前位置。舉例來說，如圖6所示，以當前時刻來說，當處理器計算出前一時刻之第一可靠點雲資訊RD9與當前時刻之第二可靠點雲資訊RC之間的相對變化資訊時，可將前一時刻之車輛V的位置（即過去位置）根據相對變化資訊進行相對應之旋轉、位移或其組合，進而計算出當前時刻之車輛V的位置（即當前位置）。

如圖1所示，在步驟S03後可同時進行步驟S05：根據相對變化資訊轉移多個第二可靠點雲位置以取得一更新點雲資訊，並根據更新點雲資訊建立車輛V之當前環境地圖。舉例來說，如圖6所示，以當前時刻來說，當處理器取得前一時刻之第一可靠點雲資訊RD9與當前時刻之第二可靠點雲資訊RC之間的相對變化資訊時，可將當前時刻之第二可靠點雲資訊RC根據相對變化資訊進行相對應之旋轉、位移或其組合，進而產生一更新點雲資訊UC，以根據更新點雲資訊UC建立當前時刻之車輛V的環境地圖。在一實施例中，更新點雲資訊UC與前一時刻之第一可靠點雲資訊RD9的標準差（Standard Deviation, SD）小於一閥值，其中標準差代表更新點雲資訊UC的各點雲位置與前一時刻之第一可靠點雲資訊RD9的各點雲位置的離散程度。同理，如圖6所示，在過去的每個時刻中，也可經過上述之可靠點篩選以及與前一時刻之可靠點資訊進行疊代，計算出過去的每個時刻的更新點雲資訊UD1～UD9，以在車輛V行進過程中同步進行車輛定位以及環境地圖的建立。

綜上，本發明實施例透過光學雷達L持續掃描車輛V周遭以取得過去點雲資訊D與當前點雲資訊C，並進一步從過去點雲資訊D與當前點雲資訊C中進行篩選，以排除偏差較大（例如高度較高、距離較遠或產生漫射）及非環境物體的點雲位置而保留較可靠的點雲位置，達到降低後續疊代運算、車輛位置計算及環境地圖建立的運算量，並且提高車輛定位與環境地圖的準確性。此外，透過點雲計算車輛位置的方式也不易受到氣候、空氣、電磁波或周遭障礙物影響而產生誤差。

如圖7所示，為本發明行車輔助方法另一實施例之步驟流程圖。在本實施例中，在步驟S04後可進行步驟S06～步驟S11。首先步驟S06：根據車輛V的行車資訊計算一未來車輛預估位置。請對照圖6與圖8所示，其中圖8顯示車輛V的一行進路線TR，當處理器計算出車輛V的當前位置VN時，可透過演算法（例如速度運動模型）進行下一時刻之車輛V位置預估。具體來說，處理器可根據車輛V之當前位置VN與過去時刻之過去位置VP1～VP9計算出車輛V行進的速度、角速度以及車輛朝向角等行車資訊，以經由行車資訊預估下一時刻之未來車輛預估位置VF。

如圖7所示，在步驟S06後可進行步驟S07，以光學雷達L持續掃描以取得一未來點雲資訊F，未來點雲資訊F包括複數個第三點雲位置。請對照圖6與圖8所示，當車輛V由當前時刻行進至下一時刻時，可透過光學雷達L掃描而取得未來點雲資訊F。接著進行步驟S08：由未來點雲資訊F中篩選出複數個第三可靠點雲位置而形成第三可靠點雲資訊RF。如圖6所示，當處理器取得未來點雲資訊F後同樣可進行可靠點雲的篩選作業而形成第三可靠點雲資訊RF，可靠點雲的篩選作業可與第一可靠點雲資訊RD1～RD9與第二可靠點雲資訊RC的篩選方式相同，亦即處理器可計算出各第三點雲位置的第三法向量，以透過第三法向量與雷射光束B之間的夾角、第三法向量與地面法向量G接近正交或其組合的方式進行可靠點雲資訊的篩選作業，在此則不多加贅述。

如圖7所示，在步驟S08後可進行步驟S09：取得鄰近未來車輛預估位置VF之鄰近可靠點雲資訊。請對照圖6與圖8所示，處理器中可儲存每個過去位置VP1～VP9所對應之第一可靠點雲資訊RD1～RD9以及當前位置VN所對應之第二可靠點雲資訊RC。當車輛V由當前位置VN行進至下一時刻的未來車輛預估位置VF時，處理器可取得在未來車輛預估位置VF之一半徑範圍R _m內的鄰近可靠點雲資訊。例如在圖8的實施例中，鄰近可靠點雲資訊包括在半徑範圍R _m內之過去位置VP1～VP3、VP9所對應的第一可靠點雲資訊RD1～RD3、RD9以及當前位置VN所對應之第二可靠點雲資訊RC。

如圖7所示，在步驟S09後可進行步驟S10：將鄰近可靠點雲資訊與第三可靠點雲資訊進行疊代運算。例如鄰近可靠點雲資訊與第三可靠點雲資訊可透過一疊代最鄰近點演算法（Iterative Closet Point）進行疊代運算，以取得鄰近可靠點雲資訊與第三可靠點雲資訊之間的相對轉移資訊（包括相對轉移量、相對平移量或其組合），此與第一可靠點雲資訊與第二可靠點雲資訊的疊代方式相同，在此不多加贅述。

如圖7所示，步驟S10後可進行步驟S11：根據車輛的當前位置與相對轉移資訊計算車輛之一未來位置。例如圖8所示，可將當前位置VN根據相對轉移資訊進行相對應之旋轉、位移或其組合，進而計算出下一時刻之車輛V的位置。藉此，本發明實施例透過取得在未來車輛預估位置VF之一半徑範圍R _m內的鄰近可靠點雲資訊進行疊代，可達到修正計算上的誤差之優點。以圖8為例，由於車輛V在行進過程中會持續進行點雲掃描、點雲疊代以及車輛位置計算，在每次點雲疊代的過程中多少會存在些許誤差，因此，車輛V行進的時間越久，所造成的累積誤差就越多。由此可見，越久以前的可靠點雲資訊之累積誤差越小，故透過取得在未來車輛預估位置VF之一半徑範圍R _m內的鄰近可靠點雲資訊，即可能選取到較久以前的可靠點雲資訊進行疊代，進而修正點雲疊代上的誤差，維持車輛位置與環境地圖的準確性。

如圖6與圖8所示，在一實施例中，處理器可將下一時刻之第三可靠點雲資訊RF根據相對轉移資訊進行相對應之旋轉、位移或其組合，進而產生一更新點雲資訊UF，以根據更新點雲資訊UF建立下一時刻之車輛V的環境地圖。

在一實施例中，上述實施例之半徑範圍R _m可根據多個第一點雲位置P1的數量與多個第二點雲位置P2的數量而定。舉例來說，當多個第一點雲位置P1的數量與多個第二點雲位置P2的數量皆大於一數量閥值（例如1000個、3000個或5000個）時，半徑範圍R _m可設定為第一範圍（例如半徑100公尺的範圍）。當多個第一點雲位置P1的數量與多個第二點雲位置P2的數量皆小於上述數量閥值時，半徑範圍R _m則設定為小於上述第一範圍之第二範圍（例如半徑50公尺的範圍）。也就是說，當車輛V之環境點雲位置（即多個第一點雲位置P1與多個第二點雲位置P2）的數量越多時，表示車輛V所處的空間較大（例如室外環境），半徑範圍R _m即可越大，以提高鄰近可靠點雲資訊取得的機率。反之，當車輛V之環境點雲位置的越少時，表示車輛V所處的空間較小（例如室內環境），則半徑範圍R _m即可相對較小。

雖然本發明的技術內容已經以較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神所作些許之更動與潤飾，皆應涵蓋於本發明的範疇內，因此本發明之保護範圍當視後附之申請專利範圍所界定者為準。

L‧‧‧光學雷達

B‧‧‧雷射光束

V‧‧‧車輛

VN‧‧‧當前位置

VP1～VP9‧‧‧過去位置

VF‧‧‧未來車輛預估位置

D、D1～D9‧‧‧過去點雲資訊

P1‧‧‧第一點雲位置

R1‧‧‧第一可靠點雲位置

RD1～RD9‧‧‧第一可靠點雲資訊

UD1～UD9‧‧‧更新點雲資訊

N1‧‧‧第一法向量

C‧‧‧當前點雲資訊

P2‧‧‧第二點雲位置

R2‧‧‧第二可靠點雲位置

RC‧‧‧第二可靠點雲資訊

UC‧‧‧更新點雲資訊

N2‧‧‧第二法向量

F‧‧‧未來點雲資訊

RF‧‧‧第三可靠點雲資訊

UF‧‧‧更新點雲資訊

R_m‧‧‧半徑範圍

G‧‧‧地面法向量

S‧‧‧垂直掃描範圍

TR‧‧‧行進路線

W‧‧‧箭號

θ1～θ5‧‧‧夾角

S01～S11‧‧‧步驟

[圖1] 係本發明行車輔助方法一實施例之步驟流程圖。 [圖2] 係本發明行車輔助方法一實施例之車輛示意圖。 [圖3] 係本發明行車輔助方法一實施例之掃描示意圖。 [圖4] 係本發明行車輔助方法一實施例之點雲示意圖。 [圖5] 係本發明行車輔助方法一實施例之可靠點篩選示意圖。 [圖6] 係本發明行車輔助方法一實施例之點雲變化示意圖。 [圖7] 係本發明行車輔助方法另一實施例之步驟流程圖。 [圖8] 係本發明行車輔助方法另一實施例之鄰近可靠點選取示意圖。

Claims

一種基於光學雷達之行車輔助方法，包括：以一光學雷達發出複數條雷射光束持續掃描一車輛之周遭環境，以取得至少一過去點雲資訊與一當前點雲資訊，該至少一過去點雲資訊包括複數個第一點雲位置，該當前點雲資訊包括複數個第二點雲位置；由該些第一點雲位置中篩選出複數個第一可靠點雲位置而形成一第一可靠點雲資訊，各該第一可靠點雲位置的一第一法向量與對應照射於各該第一可靠點雲位置之各該雷射光束之間的夾角的絕對值小於一特定角度，該第一法向量為各該第一可靠點雲位置與鄰近之多個該第一點雲位置所形成之平面的法向量；由該些第二點雲位置中篩選出複數個第二可靠點雲位置而形成一第二可靠點雲資訊，各該第二可靠點雲位置的一第二法向量與對應照射於各該第二可靠點雲位置之各該雷射光束之間的夾角的絕對值小於該特定角度，該第二法向量為各該第二可靠點雲位置與鄰近之多個該第二點雲位置所形成之平面的法向量；將該第一可靠點雲資訊與該第二可靠點雲資訊進行疊代運算，以取得該第一可靠點雲資訊與該第二可靠點雲資訊之間的一相對變化資訊，該相對變化資訊包括一相對旋轉量、一相對位移量或其組合；以及根據該車輛的一過去位置與該相對變化資訊計算該車輛之一當前位置。
如請求項1所述之基於光學雷達之行車輔助方法，其中各該第一可靠點雲位置的該第一法向量更與一地面法向量正交，各該第二可靠點雲位置的該第二法向量更與該地面法向量正交。
如請求項1所述之基於光學雷達之行車輔助方法，其中當該些第一點雲位置的數量與該些第二點雲位置的數量皆大於一數量閥值時，該特定角度為一第一角度，當該些第一點雲位置的數量與該些第二點雲位置的數量皆小於該數量閥值時，該特定角度為一第二角度，該第一角度小於該第二角度。
如請求項1所述之基於光學雷達之行車輔助方法，其中該特定角度介於10°～80°之間。
一種基於光學雷達之行車輔助方法，包括：以一光學雷達發出複數條雷射光束持續掃描一車輛之周遭環境，以取得至少一過去點雲資訊與一當前點雲資訊，該至少一過去點雲資訊包括複數個第一點雲位置，該當前點雲資訊包括複數個第二點雲位置；由該些第一點雲位置中篩選出複數個第一可靠點雲位置而形成一第一可靠點雲資訊，各該第一可靠點雲位置的一第一法向量與一地面法向量正交，該第一法向量為各該第一可靠點雲位置與鄰近之多個該第一點雲位置所形成之平面的法向量；由該些第二點雲位置中篩選出複數個第二可靠點雲位置而形成一第二可靠點雲資訊，各該第二可靠點雲位置的一第二法向量與該地面法向量正交，該第二法向量為各該第二可靠點雲位置與鄰近之多個該第二點雲位置所形成之平面的法向量；將該第一可靠點雲資訊與該第二可靠點雲資訊進行疊代運算，以取得該第一可靠點雲資訊與該第二可靠點雲資訊之間的一相對變化資訊，該相對變化資訊包括一相對旋轉量、一相對位移量或其組合；以及根據該車輛的一過去位置與該相對變化資訊計算該車輛之一當前位置。
如請求項1或5所述之基於光學雷達之行車輔助方法，更包括：根據該相對變化資訊轉移該些第二可靠點雲位置以取得一更新點雲資訊，並根據該更新點雲資訊建立該車輛之一當前環境地圖。
如請求項1或5所述之基於光學雷達之行車輔助方法，其中該第一可靠點雲資訊與該第二可靠點雲資訊係以一疊代最鄰近點演算法（Iterative Closet Point）進行疊代運算。
如請求項1或5所述之基於光學雷達之行車輔助方法，更包括：根據該車輛的一行車資訊計算一未來車輛預估位置，其中該行車資訊包括該車輛之一速度與一角速度；以該光學雷達持續掃描以取得一未來點雲資訊，該未來點雲資訊包括複數個第三點雲位置；由該些第三點雲位置中篩選出複數個第三可靠點雲位置而形成一第三可靠點雲資訊，各該第三可靠點雲位置的一第三法向量與對應照射於各該第三可靠點雲位置之各該雷射光束之間的夾角的絕對值小於該特定角度，該第三法向量為各該第三可靠點雲位置與鄰近之多個該第三點雲位置所形成之平面的法向量；取得鄰近該未來車輛預估位置之一鄰近可靠點雲資訊，該鄰近可靠點雲資訊包括位於該未來車輛預估位置之一半徑範圍內的至少一個該第一可靠點雲資訊、該第二可靠點雲資訊或其組合；將該鄰近可靠點雲資訊與該第三可靠點雲資訊進行疊代運算，以取得該鄰近可靠點雲資訊與該第三可靠點雲資訊之間的一相對轉移資訊，該轉移資訊包括一相對轉移量、一相對平移量或其組合；以及根據該車輛的該當前位置與該相對轉移資訊計算該車輛之一未來位置。
如請求項8所述之基於光學雷達之行車輔助方法，其中各該第三可靠點雲位置之該第三法向量更與一地面法向量正交。
如請求項8所述之基於光學雷達之行車輔助方法，其中當該些第一點雲位置的數量與該些第二點雲位置的數量皆大於一數量閥值時，該半徑範圍為一第一範圍，當該些第一點雲位置的數量與該些第二點雲位置的數量皆小於該數量閥值時，該半徑範圍為一第二範圍，該第一範圍大於該第二範圍。