一种用于港口自动驾驶车辆的动态目标追踪方法技术

本发明专利技术公开了一种用于港口自动驾驶车辆的动态目标追踪方法，首先通过安装在卡车头部的激光雷达和GPS定位信息对连续帧点云进行融合合并，得到相对稠密的点云感知数据；然后对融合后的点云数据进行体素化形成栅格3D图，降低点云的随机性；接着利用体素3D信息的高度数据对地面进行消除，同时，利用前一帧的融合数据做差，消除大部分静态障碍物，仅保留动态目标信息；然后，通过基于密度的聚类算对剩余点云进行聚类，得到本帧的移动目标信息；最后，利用相邻帧的移动目标进行启发式追踪算法计算当前帧的移动目标中心、大小、速度、运动方向、生命周期和历史轨迹，并将本帧的追踪障碍物列表输出。该方法数据处理量较小、感知区域广、成本较低。

A dynamic target tracking method for port autonomous vehicles

【技术实现步骤摘要】
一种用于港口自动驾驶车辆的动态目标追踪方法
本专利技术涉及一种用于港口自动驾驶车辆的动态目标追踪方法，属于人工智能

技术介绍
随着车载传感器和汽车自动化技术的发展，特定场景下的自动驾驶任务得以实现。通过单目或多目相机进行光学成像的感知、基于多普勒效应的毫米波雷达感知和基于主动激光的多线激光雷达是目前主流的无人驾驶感知方案。但相机受环境光和成像视野等问题，虽然可以获得高清道路语义信息，但数据处理量较大，且基于单目或双目的测距精度随距离增加不断衰减。毫米波雷达虽然在高速状态下能够利用多普勒效应进行动态目标检测和追踪，但在低速状态的误检率较高；同时，毫米波传感器容易受到周边非障碍物(如金属井盖、路标)的干扰，产生进一步干扰。而超声雷达产生的超声波在空气衰减严重，有效检测精度和距离十分有限。在港口场景下，有大量的集装箱卡车且一般行驶速度较低，另外，场景中还有大量金属箱体和其他金属障碍物。以激光雷达为主的传感器感知方案既能覆盖较为广泛的感知区域，又可以保障全面的感知覆盖率，能够有效弥补相机视野不足和毫米波误检的情况。早期的研究中，基于光学相机的目标检测和追踪算法相对主流，但受限于光学相机，无法提供障碍物的有效距离；同时，基于双目测距的方法仅在室内场景的近距离范围内相对有效，不能满足中长距离的目标追踪需求。另外，早期的激光雷达目标检测算法多以开放道路场景的小型车辆为主，通过顶部的单个全向激光雷达感知周边环境。而集装箱卡车由于体积较大，高度超过3米，难以通过在车辆顶部安装单个雷达实现车身及周边，特别是近距离地面的全面覆盖。同时，高线束的激光雷达成本更高，通常是单个16线雷达的数十倍。而基于深度学习的目标检测算法也严重依赖密集激光束所获取的稠密点云的障碍物特征，激光线数较少的点云特征较难获得稳定目标；同时，高功耗的GPU设备无法在车载环境进行部署，使得深度学习方案在目前来说实用性不高。
技术实现思路
本专利技术的目的是提供一种数据量较小、感知区域广、成本较低的用于港口自动驾驶车辆的动态目标追踪方法。为此，本专利技术的技术方案如下：一种用于港口自动驾驶车辆的动态目标追踪方法，包括以下步骤：S1，在车辆行驶过程中，通过安装在车头两侧的激光雷达获取环境点云数据，通过车载惯性导航系统得到车体的经纬度坐标，将激光雷达的坐标系标定到以惯性导航系统的位置为原点的车体坐标系上，将获取的环境点云坐标从车体坐标系转换至大地坐标系；将大地坐标系下当前帧的环境点云与前一帧的环境点云进行叠加，作为当前帧的环境点云；S2，设置一个直通滤波器，对步骤1得到当前帧的环境点云的长、宽、高进行过滤，保留固定距离范围内的环境点云；再对过滤后的环境点云进行体素化处理，得到3D体素栅格；之后设定地面高度阈值，遍历所有体素栅格，删除高度在所述地面高度阈值以下的体素栅格；S3，将步骤2得到的当前帧的体素栅格与上一帧的体素栅格做差运算，消除静止状态的障碍物的体素栅格，得到动态障碍物的体素栅格；S4，按高度信息对体素栅格进行放缩，之后对放缩后的体素栅格进行聚类，得到当前帧的聚类结果列表，再按照启发条件剔除不符合要求的障碍物信息；S5，根据步骤4得到的当前帧的障碍物列表，结合上一帧的障碍物列表信息进行目标匹配和追踪，计算出当前帧的移动目标中心、大小、速度、运动方向、生命周期和历史轨迹，并将本帧的追踪障碍物列表输出；S6，重复步骤1-5，直到自动驾驶结束。优选的是，上述的步骤S1中，所述激光雷达为16线激光雷达，激光雷达的数据获取频率为10Hz，以GPS时钟作为时钟基准。所述大地坐标系采用WGS-84下的大地坐标系。优选的是，在步骤S2中，进行过滤的方法为设定保留的点云范围为前后各50米、左右各50米以及高度-1.9～2.4米，然后，将保留的点云投射到边长为0.2米的体素栅格内，以KDTree数据结构存储。优选的是，在步骤S4中，对体素栅格进行放缩的具体方法为对z轴的数据进行尺度放缩，将高度信息压缩到原先的0.01倍，并保持体素栅格的长宽不变。进行聚类的方法为DBSCAN聚类法。优选的是，上述聚类参数的最小搜索半径为体素栅格的边长的1-1.5倍。更优选的是，聚类参数的最小搜索半径为体素栅格的边长1.3倍在步骤S4中，所述启发条件为：1)面积小于最小面积阈值的障碍物；2)长度大于最大车长阈值的障碍物。在上述的步骤S5中，进行目标匹配和追踪的步骤如下：(1)遍历上一帧的每个障碍物Pi，设Pi的位置中心坐标为(xi,yi)，遍历当前帧的每个障碍物的位置中心，找到与Pi(xi,yi)的几何距离最小的障碍物Oj，设Oj的位置中心坐标为(xj，yj)，设所述最小几何距离为min_dis；(2)设定极限运动距离阈值，所述极限运动距离阈值为极限速度乘以相邻帧的时间差δt，若min_dis大于极限运动距离阈值，则表示Pi追踪丢失；若min_dis小于极限运动距离阈值,则根据公式(1)计算得到Pi的速度，更新Pi的追踪生命周期和累计路程：Vx、Vy:分别为Pi的横向速度和纵向速度，单位：m/s；xi、yi：分别为Pi的横轴和纵轴坐标；xj、yj：分别为Oj的横轴和纵轴坐标；δt:相邻帧的时间差，单位：秒；；(3)对于连续两帧都追踪丢失的障碍物，将其删除；对于丢失一帧的追踪障碍物，按公式(2)进行中心位置估算，并更新累计路程，但不更新生命周期：(4)遍历当前帧的每一个障碍物Oj，遍历上一帧的每个障碍物的位置中心，找到与Oj(xj，yj)的几何距离最小的障碍物Pi，若min_dis大于极限运动距离阈值，则表示Oj为新追踪的障碍物，将其加入到本帧的障碍物序列中；(5)输出本帧的追踪障碍物的列表。本专利技术综合考虑现有激光雷达传感器的特性和港口场景下的驾驶任务，借助两个装载在集装箱卡车头部两侧的16线激光雷达实现了对车辆周边50米半径内的有效感知覆盖，实现了低速集装箱卡车在港口道路场景下的移动障碍物自动识别和追踪。本方法能感知的港口场景移动障碍物主要包括卡车、汽车和龙门吊。与现有技术相比，本专利技术具有以下有益效果：(1)针对低速港口场景下无人驾驶集装箱卡车的动态目标检测，仅需要借助两颗16线激光雷达，成本较低；(2)基于多种组合的启发条件进行动态目标检测，仅需通过CPU完成，且配置方便；(3)基于双16线激光雷达的点云感知数据叠加和体素化，能够有效降低点云的不稳定特性，并且数据量较小、感知区域广，远低于图像处理的运算量。附图说明图1是本专利技术的港口动态目标追踪方法的流程图；图2是本专利技术的实施例中激光雷达获取的原始点云数据；图3是本专利技术的实施例中点云叠加前后的对比图；图4是本专利技术的实施例中得到的3D体素格栅；图5是本专利技术的实施例中地面过滤前后的体素栅格对比图；图6是本专利技术的实施例中帧间差运算过滤前后的体素栅格对比图；...

【技术保护点】
1.一种用于港口自动驾驶车辆的动态目标追踪方法，包括以下步骤：/nS1，在车辆行驶过程中，通过安装在车头两侧的激光雷达获取环境点云数据，通过车载惯性导航系统得到车体的经纬度坐标，将激光雷达的坐标系标定到以惯性导航系统的位置为原点的车体坐标系上，将获取的环境点云坐标从车体坐标系转换至大地坐标系；将大地坐标系下当前帧的环境点云与前一帧的环境点云进行叠加，作为当前帧的环境点云；/nS2，设置一个直通滤波器，对步骤1得到当前帧的环境点云的长、宽、高进行过滤，保留固定距离范围内的环境点云；再对过滤后的环境点云进行体素化处理，得到3D体素栅格；之后设定地面高度阈值，遍历所有体素栅格，删除高度在所述地面高度阈值以下的体素栅格；/nS3，将步骤2得到的当前帧的体素栅格与上一帧的体素栅格做差运算，消除静止状态的障碍物的体素栅格，得到动态障碍物的体素栅格；/nS4，按高度信息对体素栅格进行放缩，之后对放缩后的体素栅格进行聚类，得到当前帧的聚类结果列表，再按照启发条件剔除不符合要求的障碍物信息；/nS5，根据步骤4得到的当前帧的障碍物列表，结合上一帧的障碍物列表信息进行目标匹配和追踪，计算出当前帧的移动目标中心、大小、速度、运动方向、生命周期和历史轨迹，并将本帧的追踪障碍物列表输出；/nS6，重复步骤1-5，直到自动驾驶结束。/n...

【技术特征摘要】
1.一种用于港口自动驾驶车辆的动态目标追踪方法，包括以下步骤：
S1，在车辆行驶过程中，通过安装在车头两侧的激光雷达获取环境点云数据，通过车载惯性导航系统得到车体的经纬度坐标，将激光雷达的坐标系标定到以惯性导航系统的位置为原点的车体坐标系上，将获取的环境点云坐标从车体坐标系转换至大地坐标系；将大地坐标系下当前帧的环境点云与前一帧的环境点云进行叠加，作为当前帧的环境点云；
S2，设置一个直通滤波器，对步骤1得到当前帧的环境点云的长、宽、高进行过滤，保留固定距离范围内的环境点云；再对过滤后的环境点云进行体素化处理，得到3D体素栅格；之后设定地面高度阈值，遍历所有体素栅格，删除高度在所述地面高度阈值以下的体素栅格；
S3，将步骤2得到的当前帧的体素栅格与上一帧的体素栅格做差运算，消除静止状态的障碍物的体素栅格，得到动态障碍物的体素栅格；
S4，按高度信息对体素栅格进行放缩，之后对放缩后的体素栅格进行聚类，得到当前帧的聚类结果列表，再按照启发条件剔除不符合要求的障碍物信息；
S5，根据步骤4得到的当前帧的障碍物列表，结合上一帧的障碍物列表信息进行目标匹配和追踪，计算出当前帧的移动目标中心、大小、速度、运动方向、生命周期和历史轨迹，并将本帧的追踪障碍物列表输出；
S6，重复步骤1-5，直到自动驾驶结束。


2.根据权利要求1所述的动态目标追踪方法，其特征在于：步骤S1中，所述激光雷达为16线激光雷达，激光雷达的数据获取频率为10Hz，以GPS时钟作为时钟基准。


3.根据权利要求1所述的动态目标追踪方法，其特征在于：步骤S1中，所述大地坐标系是WGS-84下的大地坐标系。


4.根据权利要求1所述的动态目标追踪方法，其特征在于：步骤S2中，进行过滤的方法为设定保留的点云范围为前后各50米、左右各50米以及高度-1.9～2.4米，然后，将保留的点云投射到边长为0.2米的体素栅格内，以KDTree数据结构存储。


5.根据权利要求1所述的动态目标追踪方法，其特征在于：步骤S4中，对体素栅格进行放缩的具体方法为对z轴的数据进行尺度放缩，将高度信息压缩到原先的...

【专利技术属性】
技术研发人员：张祖锋，殷嘉伦，刘凯，闵文芳，杨迪海，
申请(专利权)人：畅加风行苏州智能科技有限公司，
类型：发明
国别省市：江苏;32