【技术实现步骤摘要】
基于高斯过程占位图估计辅助的港口锁站方法及其系统
[0001]本申请涉及传感器、目标感知和自动驾驶感知
,尤其涉及一种基于高斯过程占位图估计辅助的港口锁站方法及其系统。
技术介绍
[0002]港口集装箱卡车在内场循环时需要将集装箱从货轮运送到堆场、或从堆场运送到货轮,期间需要对集装箱体进行拆卸锁任务。现有针对人工驾驶员设计的集装箱锁站标准体积小(仅容纳2
‑
3名操作员)、锁站之间相对较狭窄,仅容纳一辆集装箱卡车进出,对司机驾驶要求较高。同时,集装箱卡车属于拖挂式设计,车辆运动学模型比纯阿克曼转向模型复杂。在实现集装箱卡车无人化控制时,首选需要获得锁站的精确位置信息,并需要至少预留一定规划距离,才能满足集卡准确、安全、快速进出锁站。
[0003]另一方面,港口作业效率搞、工作强度大,从货轮卸箱流程中进出锁站成为整个作业瓶颈;因此,港口码头面一般通过部署多车道、多锁站进行排队作业,来提高总体作业效率。但由于繁忙作业过程中车辆集中于锁站区域,容易对锁站造成遮挡。特别是是采用激光雷达进行目标感知时,对点云遮挡影响严重,从而影响远距离对锁站的精确感知。
[0004]而基于深度学习的目标检测严重依赖计算硬件和大量不同天气、光照、时间下的标定数据支撑训练,从而限制了在车载环境的部署和实际任务快速落地。
技术实现思路
[0005]为了解决上述技术问题,本申请实施例提供一种基于高斯过程占位图估计辅助的港口锁站方法及其系统,,用于在远距离情况下实现对锁站的准确检测,从为车辆决策提供 ...
【技术保护点】
【技术特征摘要】
1.一种基于高斯过程占位图估计辅助的港口锁站检测方法,其特征在于:所述港口锁站检测方法包括如下步骤:S1:获取锁站模板点云后进行多个尺度的体素化降采样,并采用优化的快速点云直方图进行增强FPFH特征抽取,分别作为配准模板特征;S2:基于雷达标定外参和当前帧雷达点云进行车体坐标投影进行融合,获得融合车体雷达点云后进行迭代Ransac获取多个平面点;对所获得的平面点进行过滤并剔除贴近地面的平面点以及反射率过低的点之后,对整个车体点云进行聚类分析后截取潜在包含锁站的点云;S3:针对步骤S2所获得的点云,设定场景范围获取点云数据,对该范围区域设定固定间距的锚点,计算每个点云到车体中心原点的距离后,基于随机离散采样求取每个点云到原点之间直线上的随机点作为非占据点,点云本身为占据点,形成占据点集合和非占据点集合;S4:构建逻辑回归分类器使用采样点进行模型参数训练,使得模型基于锚点信息对场景中的点云属于静态和动态的置信度进行估计;将剩余的静态的点的当前帧点云簇基于步骤S1求取增强的FPFH特征后与配准模板特征进行匹配,基于拟合函数以及点之间的均方根误差进行筛选,排除Fitscore过低或RMSE过高的点后,剩余的点作为锁站所对应的点。2.根据权利要求1所述的基于高斯过程占位图估计辅助的港口锁站检测方法,其特征在于:所述步骤S1中锁站模板点云的获取包括:针对锁站基于预先在近距离使用雷达配准并进行点云采样,构建稠密锁站点云模板,获得锁站的几何特性。3.根据权利要求2所述的基于高斯过程占位图估计辅助的港口锁站检测方法,其特征在于:所述步骤S1中进行增强FPFH特征抽取时:基于对应点三维信息先获得点云的法向信息,设立搜索半径搜索该点的相邻点;对每个车体所安装的多个雷达所获得的点云的所有邻居节点进行配对;对所有点对进行遍历,进行法向和快速点云直方图特征计算,获得每个点的33维FPFH特征;将对应点投影到极坐标,使用极坐标计算33维极坐标FPFH特征,合计构成66维特征Tamplate;针对每个不同密度体素化点云分别计算66维特征Tamplate;对存在多个不同尺寸的锁站时,分别重复构成66维特征Tamplate。4.根据权利要求3所述的基于高斯过程占位图估计辅助的港口锁站检测方法,其特征在于:所述步骤S2中对所获得的平面点进行过滤基于点云到车体坐标预标注地面高度和法向的夹角阈值进行。5.根据权利要求4所述的基于高斯过程占位图估计辅助的港口锁站检测方法,其特征在于:所述步骤S2中对整个车体点云进行聚类分析截取潜在包含锁站的点云包括:将整个车体点云的x,y轴坐标投影到极坐标系下进行DBSCAN聚类,再反向投回笛卡尔坐标系,优化聚类采样距离的影响,得到所有剩余点云组成的多个簇和少量离群点,最终基于锁站几何信息和聚类中心坐标,从原始点云中截取潜在包含锁站的点云。6.根据权利要求5所述的基于高斯过程占位图估计辅助的港口锁站检测方法,其特征
在于:所述步骤S3中定义核函数K并使用sigmoid函数构建逻辑回归分类器使用采...
【专利技术属性】
技术研发人员:兰晓松,刘鹤云,
申请(专利权)人:北京斯年智驾科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。