一种具有高密度点云的数据采集功能的激光雷达的制作方法

本实用新型涉及激光雷达技术领域，具体为一种具有高密度点云的数据采集功能的激光雷达。

背景技术：

市面上的激光雷达大都采用水平安装及固定安装的方式来实现对物体的雷达探测功能，一般探测距离不超过100米，而且受角分辨率的影响，点云密度随探测距离的增加而减少，无法根据探测结果构建真实有效的点云3d模型，尤其在探测距离要求150米到300米的应用场合，市场上的应用产品无法满足使用需求。因此我们提供一种具有高密度点云的数据采集功能的激光雷达。

技术实现要素：

为解决现有技术存在的缺陷，本实用新型提供一种具有高密度点云的数据采集功能的激光雷达。

为了解决上述技术问题，本实用新型提供了如下的技术方案：

本实用新型一种具有高密度点云的数据采集功能的激光雷达，包括激光雷达本体和竖直向设置的云台支撑杆，所述云台支撑杆的顶端安装有云台旋转部件，所述云台旋转部件上安装有位置传感器，用来对旋转的云台旋转部件的实时位置进行检测，进而对激光雷达本体的旋转角度进行检测，所述云台旋转部件上安装有横向设置的旋转臂，且旋转臂的外端部设有安装座，所述激光雷达本体呈竖直扫描状态固定在安装座上；

在工作时，利用云台旋转部件带动激光雷达本体以云台旋转部件为圆心进行旋转扫描，同时利用位置传感器对云台旋转部件的实时旋转位置信息数据进行采集；从而同步实现对激光雷达本体旋转扫描过程中探测的雷达数据信息和旋转角度数据信息的采集，进而完成高密度点云的数据采集，最后通过智能算法进行高密度点云建模。

作为本实用新型的一种优选技术方案，所述的高密度点云建模的智能算法是，

步骤1、在激光雷达本体不旋转的状态中，通过激光雷达本体采集源点云数据p0；

步骤2、对源点云数据p0进行平移旋转得到目标点云数据q0，从而得到含有若干个目标点云数据q0的目标点云数据集q；

步骤3、对相邻两帧的目标点云数据集q做icp计算，实现目标点云数据集q的空间匹配和新对应关系的确立；

步骤4、对步骤3得到的数据采用统计滤波器进行帧间位置滤波，去除明显离群点，实现对数据的下采样和平滑数据的作用；

步骤5、循环执行步骤3和步骤4，每执行一次运算数据量减少一半，通过多次算法迭代之后数据收敛到指定阈值th从而得到高密度点云数据m；

步骤6、对高密度点云数据m进行点云合并，实现对高密度点云的3d模型建立。

作为本实用新型的一种优选技术方案，所述的对源点云数据p0进行平移旋转得到目标点云数据q0的方法是，旋转雷达得到步骤2中的点云数据q0，其中q0＝r0*p0＝rx(α)*ry(β)*rz(γ)*p0，其中r0表示旋转矩阵；α、β、γ分别表示x、y、z方向的偏转角度；rx(α)、ry(β)、rz(γ)分别为x、y、z方向的偏转方向上的旋转矩阵；

其中和

r0＝rx(α)*ry(β)*rz(γ)

则

若云台转动角度为θ，此时对应的点云数据是，qθ＝rz(θ)*q0＝rz(θ)*r0*p0

其中

云台转动一周，生成n＝360/θ个点云数据，qn＝rz(nθ)*q0，n＝0,1，...，n-1；将这n个点云数据依次级联，就得到了目标点云数据集q＝{q0,q1,…，qn-1}，若采用16线雷达，则q＝{q1，q2，…，q16}。

作为本实用新型的一种优选技术方案，对相邻两帧的目标点云数据集q做icp计算方法为，对相邻帧平面q1和q2进行icp运算得到平面h1；对相邻帧平面q3和q4进行icp运算得到平面h2；依次地对所有相邻帧平面进行icp运算，16帧目标点云数据经过一次icp计算后得到8帧点云数据，分别用h1，...，h8表示。

作为本实用新型的一种优选技术方案，所述的采用统计滤波器进行帧间位置滤波的方法是，

第一步：计算每个点到所有k邻域点的平均距离d，

其中pi(xi，yi，zi)，pj(xj，yj，zj)；

第二步：计算整个点集距离容器的平均值和样本标准差；

第三步：依次将距离阈值与每个点的距离比较，超出阈值的点被标记为离群点，并将其移除；

第四步：计算每个点的平滑度并排序，进行特征的选取，

取平滑度为c，则其中ri表示在集合s中s领域中的点；

对点云数据h1，...，h8进行上述滤波并平滑之后得到对应的数据l1...，l8。

本实用新型的有益效果是：该种具有高密度点云的数据采集功能的激光雷达，其中激光雷达本体是呈竖直安装的解决竖向角分辨率差的问题，云台旋转部件是进行水平旋转，解决水平角分辨率差的问题，并通过结合位置传感器解决激光雷达本体采集的数据定位问题，最后通过智能算法，实现高密度点云3d建模。其中通过特点的智能算法来进行高密度点云3d建模，通过多次智能算法迭代之后数据收敛到指定阈值得到高密度点云数据m，相较于源点云数据p0，m含有的点云数据量是p0的n倍，同时在迭代过程中数据之间的关联性增强，可实现高密度点云的3d模型建立。此外本实用新型采用竖直安装结合云台旋转的方式，有效解决了激光雷达角分辨率对远距离物体识别的问题，激光雷达探测数据与位置传感器数据结合，大大提高了远距离物体的点云密度，并通过独有的智能算法，实现高点云密度的3d模型建设功能。

附图说明

附图用来提供对本实用新型的进一步理解，并且构成说明书的一部分，与本实用新型的实施例一起用于解释本实用新型，并不构成对本实用新型的限制。在附图中：

图1是本实用新型一种具有高密度点云的数据采集功能的激光雷达的结构示意图；

图2是本实用新型一种具有高密度点云的数据采集功能的激光雷达的智能算法原理框图。

图中：1、激光雷达本体；2、云台支撑杆；3、云台旋转部件；4、位置传感器；5、旋转臂；6、安装座。

具体实施方式

以下结合附图对本实用新型的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本实用新型，并不用于限定本实用新型。

实施例：如图1所示，本实用新型一种具有高密度点云的数据采集功能的激光雷达，包括激光雷达本体1和竖直向设置的云台支撑杆2，所述云台支撑杆2的顶端安装有云台旋转部件3，所述云台旋转部件3上安装有位置传感器4，用来对旋转的云台旋转部件3的实时位置进行检测，进而对激光雷达本体1的旋转角度进行检测，所述云台旋转部件3上安装有横向设置的旋转臂5，且旋转臂5的外端部设有安装座6，所述激光雷达本体1呈竖直扫描状态固定在安装座6上；

在工作时，利用云台旋转部件3带动激光雷达本体1以云台旋转部件3为圆心进行旋转扫描，同时利用位置传感器4对云台旋转部件3的实时旋转位置信息数据进行采集；从而同步实现对激光雷达本体1旋转扫描过程中探测的雷达数据信息和旋转角度数据信息的采集，进而完成高密度点云的数据采集，最后通过智能算法进行高密度点云建模。

如图2所示，所述的高密度点云建模的智能算法是，

步骤1、在激光雷达本体不旋转的状态中，通过激光雷达本体采集源点云数据p0；

步骤2、对源点云数据p0进行平移旋转得到目标点云数据q0，从而得到含有若干个目标点云数据q0的目标点云数据集q；所述的对源点云数据p0进行平移旋转得到目标点云数据q0的方法是，旋转雷达得到步骤2中的点云数据q0，其中q0＝r0*p0＝rx(α)*ry(β)*rz(γ)*p0，其中r0表示旋转矩阵；α、β、γ分别表示x、y、z方向的偏转角度；rx(α)、ry(β)、rz(γ)分别为x、y、z方向的偏转方向上的旋转矩阵；

其中和

r0＝rx(α)*ry(β)*rz(γ)

则

若云台转动角度为θ，此时对应的点云数据是，qθ＝rz(θ)*q0＝rz(θ)*r0*p0

其中

云台转动一周，生成n＝360/θ个点云数据，qn＝rz(nθ)*q0，n＝0,1，...，n-1；将这n个点云数据依次级联，就得到了目标点云数据集q＝{q0,q1,…，qn-1}，若采用16线雷达，则q＝{q1，q2，…，q16}。

步骤3、对相邻两帧的目标点云数据集q做icp计算，实现目标点云数据集q的空间匹配和新对应关系的确立；对相邻两帧的目标点云数据集q做icp计算方法为，对相邻帧平面q1和q2进行icp运算得到平面h1；对相邻帧平面q3和q4进行icp运算得到平面h2；依次地对所有相邻帧平面进行icp运算，16帧目标点云数据经过一次icp计算后得到8帧点云数据，分别用h1，...，h8表示。

步骤4、对步骤3得到的数据采用统计滤波器进行帧间位置滤波，去除明显离群点，实现对数据的下采样和平滑数据的作用；所述的采用统计滤波器进行帧间位置滤波的方法是，

第一步：计算每个点到所有k邻域点的平均距离d，

其中pi(xi，yi，zi)，pj(xj，yj，zj)；

第二步：计算整个点集距离容器的平均值和样本标准差；

第三步：依次将距离阈值与每个点的距离比较，超出阈值的点被标记为离群点，并将其移除；

第四步：计算每个点的平滑度并排序，进行特征的选取，

取平滑度为c，则其中ri表示在集合s中s领域中的点；

对点云数据h1，...，h8进行上述滤波并平滑之后得到对应的数据l1...，l8。

步骤5、循环执行步骤3和步骤4，每执行一次运算数据量减少一半，通过多次算法迭代之后数据收敛到指定阈值th从而得到高密度点云数据m；

步骤6、对高密度点云数据m进行点云合并，实现对高密度点云的3d模型建立。

其中激光雷达本体1是呈竖直安装的解决竖向角分辨率差的问题，云台旋转部件3是进行水平旋转，解决水平角分辨率差的问题，并通过结合位置传感器解决激光雷达本体1采集的数据定位问题，最后通过智能算法，实现高密度点云3d建模。其中通过特点的智能算法来进行高密度点云3d建模，通过多次智能算法迭代之后数据收敛到指定阈值得到高密度点云数据m，相较于源点云数据p0，m含有的点云数据量是p0的n倍，同时在迭代过程中数据之间的关联性增强，可实现高密度点云的3d模型建立。此外本实用新型采用竖直安装结合云台旋转的方式，有效解决了激光雷达角分辨率对远距离物体识别的问题，激光雷达探测数据与位置传感器数据结合，大大提高了远距离物体的点云密度，并通过独有的智能算法，实现高点云密度的3d模型建设功能。

最后应说明的是：以上所述仅为本实用新型的优选实施例而已，并不用于限制本实用新型，尽管参照前述实施例对本实用新型进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本实用新型的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。