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方案

本申请公开了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，用于辅助港口无人驾驶集装箱卡车估计锁站精确位置，完成锁站对位和进出站任务，系统首先通过安装在车身的多个激光雷达依次获取融合的激光点云，基于点云反射率信息进行阈值过滤和聚类；然后，基于高斯过程对场景内的动静态目标进行估计和连续帧配准，识别场景中的动态目标，形成占位图；最后，基于占位图中的静态目标进行聚类，并基于快速点云特征直方图将锁站点云模板与候选区域进行匹配，最终确定锁站在全图中的具体位置。位置。位置。

【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，从为车辆决策提供稳定可靠的检测结果和规划依据。
[0006]本申请实施例第一方面提供了一种基于高斯过程占位图估计辅助的港口锁站检测方法，包括如下步骤：
[0007]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；
[0008]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；
[0009]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；
[0010]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；
[0011]针对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，基于Ransac迭代将步骤S2中的模板Tamplate匹配到每个点云簇上，然后基于Fitscore函数和点之间的均方根误差(RMSE)进行筛选，排除Fitscore过低或RMSE过高的点，剩余的点作为锁站所对应的点。
[0012]进一步地：所述步骤S1中锁站模板点云的获取包括：
[0013]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。
[0014]进一步地：所述步骤S1中进行增强FPFH特征抽取时：
[0015]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(相邻点在配对用于后续计算FPFH特征时使用)；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；
[0016]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P
i
＝[r,α,β,i]计算33维极坐标FPFH特征，合计构成66维特征Tamplate，r,α,β分别为投影到极坐标下的角度表示，i为对应点的序号；
[0017]针对每个不同密度体素化点云分别计算66维特征Tamplate；
[0018]对存在多个不同尺寸的锁站时，分别重复构成66维特征Tamplate。
[0019]进一步地：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。
[0020]进一步地：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：
[0021]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。
[0022]进一步地：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样点进行模型参数训练；
[0023]当车辆运动时，随着运动变化，属于车辆的点会被分类器识别为低置信度的稳定点，这些点将通过帧间信息和线性回归分类器所过滤；
[0024]剩余的点为场景中的静态目标，包括锁站和其它包含高反射率的静态目标。
[0025]本申请实施例第二方面提供了一种基于高斯过程占位图估计辅助的港口锁站系统，包括：
[0026]锁站模板点云特征抽取模块，基于锁站模块点云数据进行多个尺度的体素化降采集并采用快速点云直方图进行增强FPFH特征抽取，形成多个配准模板特征；所述锁站模板点云特征抽取模块中的数据对应一个锁站，当存在多个锁站时，形成多个锁站模板点云特征抽取模块；
[0027]点云预处理模块，基于雷达外参将每个雷达的点云投影到车体坐标系，获得统一的单帧车体点云，利用聚类算法对所有的点云进行聚类分析获取潜在含锁站位置的连续帧点云；
[0028]基于高斯过程估计的希尔伯特图构建和动态目标过滤模块，对截取区域内的连续帧点云通过渐进式的高斯过程来分析点云对当前场景的占据情况，分析保留静态特性的锁
站点云。
[0029]基于模板配准的锁站检测模块，基于优化的快速点云直方图特征匹配，分别计算标准锁站模板点云的特征，将标准锁站模板匹配到当前场景剩余点云中，获得对应的锁站位置。
[0030]进一步地：所述锁站模板点云特征抽取模块进行增强FPFH特征抽取时，获取对应点的三维信息和法向信息，并分别在笛卡尔坐标系和极坐标系下进行多维度的特征计算，将两个坐标系下的特征融合构成增强FPFH特征。
[0031]进一步地：所述点云预处理模块包括：
[0032]投影单元：基于雷达外参将每个雷达的点云投影到车体坐标系，获得统一的单帧车体点云；
[0033]点云高度过滤单元，基于投影单元获取的点云数据利用迭代Ransac对场景点云进行迭代平面拟合，并筛选平面法向Ni到[0,0,1]夹角小于10度，高度在阈值以下的所有地面点，进行过滤。仅保留地面以上点云。
[0034]点云反射率过滤单元，基于点云反射率信息进行过滤，保留反射率大本文档来自技高网...

【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：