基于多线激光雷达的室内走廊分叉口检测方法

1.本发明涉及点云识别技术领域，特别是一种基于多线激光雷达的室内走廊分叉口检测方法。


背景技术：

2.目前，遥感领域提出了许多道路交叉口检测算法，这些方法都是基于航拍图像，航拍图像范围较大，不能用于自动驾驶领域。在自动驾驶领域，过去几年提出了基于视频的检测方法。然而，这些方法使用了复杂的图像处理技术，对于车载计算单元的计算能力有较高要求，并且以牺牲处理速度为代价，恶劣的照明条件(如阴天、过度曝光以及来自移动车辆和行人的其他干扰)仍然使得自动驾驶领域的道路交叉路口检测仍是一项极其困难且几乎不可能完成的任务。
3.因此，有源传感器如今被广泛使用。kodagoda等人使用激光测量快速提取两个相应的道路边缘或路缘，使用激光深度测量和扩展卡尔曼滤波器来检测y形、t形和x形路口。wijesoma等人融合2d激光扫描仪与ccd相机进行道路路缘跟踪。aycard等人使用了包括激光雷达和立体视觉在内的多种传感器，但主要侧重于道路交叉口的安全，包括移动车辆和行人感知和风险评估的任务，而不是寻找交叉口，对于自动驾驶中车辆路径规划中无法提供全面的道路感知信息。而且对于路口特征的提取往往是在路口处获取，无法在到达路口前获取到相应的路口信息。而这些路口距离、分岔角度，对于自动驾驶有提前规划的重要意义。


技术实现要素：

4.本发明的目前在于提供一种基于多线激光雷达的室内走廊分叉口检测方法，在移动机器人导航任务时可以提前发现前方的路口信息，包括路口分岔角度与路口位置信息。
5.实现本发明目的的技术解决方案为：一种基于多线激光雷达的室内走廊分叉口检测方法，包括如下步骤：
6.第一步：定义表达路口信息的数据结构，作为基于多线激光雷达的室内走廊分叉口检测方法的输出；使用随机抽样一致性算法ransac来检测地面，去除原始点云中的路面上的点，得到包括路缘的地上点云；
7.第二步：使用得到的地上点云，建立极坐标的beam model数学模型，该模型可以检测到相对于该极坐标前方路口分岔的角度；通过建立beam model来得对路口检测的结果；
8.第三步：使用最佳路口匹配算法来对得到的检测结果进行特征提取并筛选，选择出最佳匹配的路口信息，作为最终的检测结果。
9.本发明与现有技术相比，其显著优点为：(1)使用激光雷达传感器，可以有效解决图像方法受限于光照条件的问题，对环境的改变更具鲁棒性；(2)可以在到达路口之前对路口进行探测，有效探测前方可通行区域内的路口信息，提前获取检测结果。
附图说明
10.图1是本方法的算法流程图。
11.图2是激光雷达输入的原始图像。
12.图3是对激光雷达选取感兴趣区域后的点云图像。
13.图4是去除地面点之后的感兴趣区域的点云图像。
14.图5是建立beam model之后的光束模型效果图。
15.图6是最终得到的路口检测结果。
具体实施方式
16.本方法用于在移动机器人自动导航时检测移动机器人所处位置的道路信息。本发明基于多线激光雷达的室内走廊分叉口检测方法，包括如下步骤：
17.第一步：设计路口信息的数据结构类roadcrossinfo，具体包括以下元素：
18.roadcrossinfo-road_direction：vector《int》+getroaddirection()：int
19.定义路口信息类型为roadcrossinfo，内含成员变量有路口角度信息road_direction，成员函数getroaddirection()作为提取路口信息的方法。
20.本方法最终目的是获取到每一帧输入点云内，在移动机器人行驶前方内的路口信息(如果确实存在路口)，用于后续的导航效果优化。
21.使用ransac检测地面点云。首先选择移动机器人的感兴趣区域。所谓感兴趣区域，对移动机器人的导航任务来说就是行驶道路前方的可通行区域。在半结构化的道路中，感兴趣区域应该聚焦于移动机器人行驶前方的某个x-y平面内上下所有场景。同时在道路检测任务中，路口信息需要提前检测得到，故选取感兴趣区域为前后左右各10m作为检测区域：
22.{(x，y)|-10m≤x≤10m，-10m≤y≤10m}
23.在使用ransac拟合平面时，需要确定两个参数：距离阈值d
threshoid
与迭代次数n。其中距离阈值用于判断点云属于ransac拟合平面模型内的样本点还是模型外的样本点。迭代次数n用于使用损失函数多次迭代来获取最佳的平面拟合参数。在实际点云检测中，以上两个参数还需要根据输入点云的密度与分辨率、线数来确定。
24.第二步：使用beam model来获取路口信息。beam model首先是基于极坐标系的数学模型。所以需要确认在一帧输入点云数据中建立的极坐标系的位置，即beam model的原点位置(x0,y0)。
25.首先根据感兴趣范围确定beam model的原点位置(x0,y0)。理论上(x0,y0)与感兴趣范围要满足以下关系：
26.x0≤x
max
，y0≤y
max
27.第三步：通过第三步获取的所有检测结果的候选角度集合，使用设计的筛选算法来计算出置信度最高的角度来作为最后的路口分岔角度。
28.通过对所有候选角升序排序，需要确定两个阈值：分隔角θ
similar
与合并角θ
merge
。当相邻两个角度差值δθ≤θ
merge
，便认为这两个角度指向同一个路口；当δθ》θ
similar
时，认为
这两个角度分别指向两个不同的路口。以此对候选角序列进行分组。每组最后分别代表指向一个相同路口的角度集合t。
29.接下来确定阈值θ
remove
。对每个路口角度集合t内部的角度进行比较，当：
[0030][0031]
认为该角度集合t样本数太少，不足以代表一个路口。对于满足以上不等式的角度集合t，根据其数目来确定路口形状，2个代表无路口，3个代表t型或y型路口，4个代表+路口，大于4个代表其他路口。
[0032]
下面结合说明书附图及实施例对本发明作进一步描述。
[0033]
实施例
[0034]
结合图1，本发明基于多线激光雷达的室内走廊分叉口检测方法，实施步骤如下：
[0035]
第一步：实现路口信息数据结构类roadcrossinfo作为算法的最后输出。
[0036]
第二步：对输入点云图像进行首先进行感兴趣区域裁剪。原始输入图像如附图2所示，裁剪过后的感兴趣区域所在的点云图像如附图3所示。接着对感兴趣区域内的点云图像进行ransac平面匹配，找到平面内的点云之后纪录其索引，在感兴趣区域点云图像中去除地面点，只留下地上点。地上点云图像如附图4所示。
[0037]
第三步：在地上点云图像中建立beam model用于检测路口信息，beam model的光束图如附图5所示。在以上得到的光束图中，得到路口分岔角度的候选角度集合。
[0038]
第四步：在第三步得到的候选角度集合中，使用筛选算法，得到最佳匹配的角度分割集合与路口位置信息，如图6所示。
[0039]
综上所述，本发明通过去除地面点来去除雷达地面线的干扰，以及统计滤波去除低密度点云来提高检测速度与准确性；使用beam model来提取路口特征，有效提升了路口特征的检测准确率。