【技术实现步骤摘要】
一种基于高精度地图的障碍物检测方法
[0001]本专利技术涉及自动驾驶的障碍物检测
，具体而言，涉及一种基于高精度地图的障碍物检测方法。
技术介绍
[0002]自动驾驶是一种通过计算机设备控制车辆在道路上实现自动行驶的技术，自动驾驶的实现依赖于人工智能、视觉计算、雷达以及定位组件的协同合作。由于露天矿场景中的道路情况复杂，存在大量不规则的挡墙、车辆、人等障碍物，因此如何实现障碍物识别，进而规划出规避障碍物的行驶路线成为自动驾驶的关键。相关技术中，支持自动驾驶的车辆上通常设置有激光雷达、毫米波雷达和摄像机。其中，激光雷达实现障碍物检测时，激光雷达通过发射激光光束，并根据激光光束在物体表面形成的反射光束构建激光点云，从而根据激光点云识别环境中的障碍物；毫米波雷达实现障碍物检测时，利用多普勒效应获取障碍物的位置和速度等信息；摄像机实现障碍物检测时，摄像机通过采集环境图像，并通过图像识别技术识别环境图像中的障碍物。
[0003]CN201911145461.7根据融合概率和高度信息建立的栅格地图进行障碍物检测。CN202011073283.4通过采集和融合摄像机的图像信息和激光雷达的点云信息，通过三维重建伪点云，通过对比目标点云和/或环境图像中障碍物的障碍物位置，进行城市道路的障碍物检测。
[0004]受限于矿区特征单一的退化环境，使用贝叶斯后验概率没有显著特征，并且环境图像无法提取有效特征进行三维重建，并且路面不平整导致的颠簸会严重影响对图像深度估计的效果，最终影响到障碍物检测的准确度和精度。>[0005]为此提出一种基于高精度地图的障碍物检测方法，以解决上述提出的问题，并提高障碍物检测的准确度和精度。
技术实现思路
[0006]本专利技术旨在提供一种基于高精度地图的障碍物检测方法，以解决或改善上述技术问题中的至少之一。
[0007]有鉴于此，本专利技术的第一方面在于提供一种基于高精度地图的障碍物检测方法。
[0008]本专利技术的第一方面提供了一种基于高精度地图的障碍物检测方法，包括如下步骤：S1，构建地图的原始点云：采集激光雷达的激光点云和组合导航的定位数据，采用SLAM技术构建原始地图点云；S2，点云预处理：根据定位计算车辆附近的地图点云，根据边界信息计算道路区域内的实时点云；S3，点云配准：对所述地图点云与所述实时点云进行降采样，以获得包括地图稀疏点云和实时稀疏点云的局部特征点云，将局部特征点云作为参考点进行局部重叠点云匹配；S4，背景差分：利用背景差分算法，参考地图点云为地面点云，根据地图点云与实时点云的差异，提取实时点云中的地面点云与非地面点云；S5，障碍物聚类：根据最近三帧的非地面点云在栅格地图中的分布自适应调整邻域参数，再结合密度聚
类算法输出各个障碍物的边界框。
[0009]进一步的，所述S2的步骤，具体为：S201，对地图点云和边界点地理信息的坐标转换：将WGS84坐标系进行UTM投影到以车辆初始位置为原点的世界坐标系下，再将地图点云转换到以车辆实时位置为原点的局部坐标系下；S202，使用最近邻搜索算法搜索车辆附近50米的地图点云和边界点；S203，创建栅格图像的画布，使用改进漫水填充算法和轮廓检测算法获取带有多边形顺序的边界点的位置信息；S204，根据有序多边形边界点获取在道路区域内部的实时点云。
[0010]进一步的，3.所述S3的步骤，具体包括：S301，对搜索的地图点云和检测的实时点云进行降采样，以获得对应的地图稀疏点云和实时稀疏点云；S302，在地图稀疏点云和实时稀疏点云中挑选参考点，并选择其在所述原始点云中对应的最近点和最远点，以最近点、参考点和最远点构成的夹角作为特征；S303，以所述参考点在其对应的原始点云的L个邻域中，根据参考点与邻域内点的数据相关性得到局部法向量的夹角约束；S304，对地图稀疏点云中每个参考点的夹角特征建立kd
‑
tree，在kd
‑
tree中搜索实时稀疏点云中每个夹角特征对应的最近邻的特征，记为种子点；S305，计算地图稀疏点云中除种子点外的其他参考点与种子点的法向量之间的夹角，在种子点的邻域中以所述夹角约束找到其他匹配点，并根据匹配点完成粗配准；S306，对粗配准的结果使用部分重叠算法进行优化。
[0011]进一步的，所述S302的步骤，具体为：S3021，将稀疏点云中前10％高的点和前10％低的点作为参考点，在参考点对应的原始点云的邻域中找到最近和最远的k个点；S3022，将k个点按照距参考点的远近进行排序，按照距离从小到大进行排列；S3023，在排列后的k个点中，选择出最近点和最远点；S3023，分别以最近点、参考点和最远点构成的夹角作为特征。
[0012]进一步的，所述局部法向量描述为：N＝(n1，...，nL)；其中n1至nL分别对应各个尺度的局部法向量的夹角约束。
[0013]进一步的，所述S306的步骤，具体为：S3061，使用最近邻搜索在经过粗配准的点云中找到每个点对应的最近点，把最近邻误差最小的k3个点对的均方误差作为迭代初始误差并将这k3个点对作为迭代的初始的匹配对；S3062，根据匹配对求解两个点云之间的变换矩阵，并将其中一个视角进行变换；S3063，使用最近邻搜索在变换后的两个点云中找到最近邻匹配，计算最近邻误差最小的k3个点对的均方误差；S3064，当相邻两次迭代的误差小于阈值，当前均方误差值小于误差阈值或者达到最大迭代次数，迭代停止。
[0014]具体地，S3064中的阈值取值为0.5、误差阈值取值为1、最大迭代次数取值为100、相邻两次迭代的误差为地图稀疏点云上的点与离它最近的实时稀疏点云中的点之间的距离。
[0015]具体地，S303中的邻域按照8，15，24，35
…
,L递增方式进行领域搜索，判断递增后法向量的变化，根据实际需要停止递增。
[0016]进一步的，所述S4的步骤，具体为：S401，计算实时点云与地图点云的高度差，小于等于阈值为地面点云，大于阈值为中间点云；S402，计算中间点云与地图点云最近点的直线距离与横向距离，小于等于阈值为地面点云，大于阈值为非地面点云。
[0017]具体地，S401和S402中的阈值取值为0.5。
[0018]进一步的，所述S5的步骤，具体为：S501，滤去非地面点云中异常的点云数据，并将
过滤后的点云数据划分网格；S502，根据过滤和网格化之后的点云数据，把闵可夫斯基距离作为距离度量，基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数；基于障碍物分类尺度确定障碍物最少点数；S503，根据邻域距离参数，采用密度聚类算法DBSCAN聚类S502中确定的障碍物；S504，提取前两帧的非地面点云的数据，重复步骤S501～S503，计算判断障碍物的中心位置和大小的差异性，滤去差异性较大的噪声数据；S505，输出聚类后的稳定的障碍物点云数据，并输出障碍物中心位置和大小。
[0019]具体地，S501中的滤去异常点云数据为坐标值最大本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于高精度地图的障碍物检测方法，其特征在于，包括如下步骤：S1，构建地图的原始点云：采集激光雷达的激光点云和组合导航的定位数据，采用SLAM技术构建原始地图点云；S2，点云预处理：根据定位计算车辆附近的地图点云，根据边界信息计算道路区域内的实时点云；S3，点云配准：对所述地图点云与所述实时点云进行降采样，以获得包括地图稀疏点云和实时稀疏点云的局部特征点云，将局部特征点云作为参考点进行局部重叠点云匹配；S4，背景差分：利用背景差分算法，参考地图点云为地面点云，根据地图点云与实时点云的差异，提取实时点云中的地面点云与非地面点云；S5，障碍物聚类：根据最近三帧的非地面点云在栅格地图中的分布自适应调整邻域参数，再结合密度聚类算法输出各个障碍物的边界框。2.根据权利要求1所述的一种基于高精度地图的障碍物检测方法，其特征在于，所述S2的步骤，具体为：S201，对地图点云和边界点地理信息的坐标转换：将WGS84坐标系进行UTM投影到以车辆初始位置为原点的世界坐标系下，再将地图点云转换到以车辆实时位置为原点的局部坐标系下；S202，使用最近邻搜索算法搜索车辆附近50米的地图点云和边界点；S203，创建栅格图像的画布，使用改进漫水填充算法和轮廓检测算法获取带有多边形顺序的边界点的位置信息；S204，根据有序多边形边界点获取在道路区域内部的实时点云。3.根据权利要求1所述的一种基于高精度地图的障碍物检测方法，其特征在于，所述S3的步骤，具体包括：S301，对搜索的地图点云和检测的实时点云进行降采样，以获得对应的地图稀疏点云和实时稀疏点云；S302，在地图稀疏点云和实时稀疏点云中挑选参考点，并选择其在所述原始点云中对应的最近点和最远点，以最近点、参考点和最远点构成的夹角作为特征；S303，以所述参考点在其对应的原始点云的L个邻域中，根据参考点与邻域内点的数据相关性得到局部法向量的夹角约束；S304，对地图稀疏点云中每个参考点的夹角特征建立kd
‑
tree，在kd
‑
tree中搜索实时稀疏点云中每个夹角特征对应的最近邻的特征，记为种子点；S305，计算地图稀疏点云中除种子点外的其他参考点与种子点的法向量之间的夹角，在种子点的邻域中以所述夹角约束找到其他匹配点，并根据匹配点完成粗配准；S306，对粗配准的结果使用部分重叠算法进行优化。4.根据权利要求3所述的一种基于高...
【专利技术属性】
技术研发人员：邬海杰，栾小飞，席鹏，李德志，徐杨，
申请(专利权)人：北京踏歌智行科技有限公司，
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。