障碍物聚类方法及装置与流程

本公开涉及智能交通技术领域，具体地，涉及一种障碍物聚类方法及装置。

背景技术：

自主车在室外环境中的环境感知技术是其实现自主导航的关键技术，而障碍物的检测对于正确、安全的导航是必不可少的。在自主车系统中，常用双目立体相机、激光雷达等传感器进行障碍物检测。相比于双目立体相机，激光雷达在准确性及检测范围上要更为出色。但由于三维激光雷达扫描范围有限、无法检测到某些材质的物体的局限性，导致在相对复杂的环境中激光雷达对障碍物的检测会出现偏差。因此，如何根据激光雷达所检测的数据来准确识别出周围环境中的障碍物信息对于智能车辆的避障、无人驾驶等应用具有广泛的现实价值和科学意义。

技术实现要素：

本公开的目的针对现有技术中的在相对复杂的环境中激光雷达对障碍物的检测会出现偏差的问题，提供一种障碍物聚类方法及装置。

为了实现上述目的，本公开提供一种障碍物聚类方法，所述方法包括：

获取三维激光雷达发送的三维点云数据，并确定所述三维点云数据在车体坐标系中的映射点坐标；

将所述映射点投影到预先构建的栅格地图中；

根据所述映射点坐标和所述栅格地图，识别障碍点；

采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心，其中，k为自然数；

计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中；

更新所述k个障碍物聚类簇的聚类中心；

判断每个障碍物聚类簇的聚类中心是否满足预设的收敛条件；

在所述k个障碍物聚类簇的聚类中心中存在不满足所述预设的收敛条件的聚类中心时，返回所述计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中的步骤，直至所述k个障碍物聚类簇的聚类中心均满足所述预设的收敛条件为止。

可选地，所述更新所述k个障碍物聚类簇的聚类中心，包括：

分别计算每个障碍物聚类簇的平均类中心，其中，所述平均类中心的坐标为相应障碍物聚类簇中各障碍点坐标的均值，所述障碍点坐标为所述障碍点在所述建栅格地图中的坐标；

将所述平均类中心确定为是相应障碍物聚类簇的聚类中心。

可选地，在所述根据所述映射点坐标和所述栅格地图，识别障碍点的步骤之前，所述方法还包括：

根据所述映射点坐标，确定所述栅格地图中的每个栅格的最低高度，其中，所述最低高度为所述栅格中所有数据点的高度的最小值；

当所述栅格的最低高度大于预设的高度阈值、且扫描到与所述栅格中的数据点相对应的实际位置点的雷达线数小于第一预设线条阈值时，确定所述数据点为悬空点；

从所述栅格地图中删除所述悬空点。

可选地，在所述根据所述映射点坐标和所述栅格地图，识别障碍点的步骤之后，所述方法还包括：

当以所述障碍点为中心的预设区域内没有其他障碍点、且扫描到与所述障碍点相对应的实际位置点的雷达线数小于第二预设线条阈值时，确定所述障碍点为单点噪声；

从所述栅格地图中删除所述单点噪声。

可选地，在所述采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心的步骤之前，所述方法还包括：

遍历所述栅格地图中的所述障碍点，将所述障碍点所在栅格的相邻栅格中的数据点确定为障碍点。

可选地，所述收敛条件为：所述障碍物聚类簇的更新后的聚类中心与更新前的聚类中心之间的距离小于预设的距离阈值。

可选地，所述方法还包括：

根据障碍物聚类结果，识别障碍物。

本公开还提供一种障碍物聚类装置，所述装置包括：

确定模块，用于获取三维激光雷达发送的三维点云数据，并确定所述三维点云数据在车体坐标系中的映射点坐标；

投影模块，用于将所述映射点投影到预先构建的栅格地图中；

障碍点识别模块，用于根据所述映射点坐标和所述栅格地图，识别障碍点；

近邻域算法聚类模块，用于采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心，其中，k为的自然数；

障碍点重新聚类模块，用于计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中；

聚类中心更新模块，用于更新所述k个障碍物聚类簇的聚类中心；

判断模块，用于判断每个障碍物聚类簇的聚类中心是否满足预设的收敛条件，并在所述k个障碍物聚类簇的聚类中心中存在不满足所述预设的收敛条件的聚类中心时，触发所述障碍点重新聚类模块计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中的步骤，直至所述k个障碍物聚类簇的聚类中心均满足所述预设的收敛条件为止。

可选地，所述聚类中心更新模块包括：

平均类中心确定子模块，用于分别计算每个障碍物聚类簇的平均类中心，其中，所述平均类中心的坐标为相应障碍物聚类簇中各障碍点坐标的均值，所述障碍点坐标为所述障碍点在所述栅格地图中的坐标；

聚类中心重新确定子模块，用于将所述平均类中心确定为是相应障碍物聚类簇的聚类中心。

可选地，所述装置还包括：

栅格最低高度确定模块，用于在所述障碍点识别模块根据所述映射点坐标和所述栅格地图，识别障碍点之前，根据所述映射点坐标，确定所述栅格地图中的每个栅格的最低高度，其中，所述最低高度为所述栅格中所有数据点的高度的最小值；

悬空点确定模块，用于当所述栅格的最低高度大于预设的高度阈值、且扫描到与所述栅格中的数据点相对应的实际位置点的雷达线数小于第一预设线条阈值时，确定所述数据点为悬空点；

悬空点滤除模块，用于从所述栅格地图中删除所述悬空点。

可选地，所述装置还包括：

单点噪声确定模块，用于在所述障碍点识别模块根据所述映射点坐标和所述栅格地图，识别障碍点之后，当以所述障碍点为中心的预设区域内没有其他障碍点、且扫描到与所述障碍点相对应的实际位置点的雷达线数小于第二预设线条阈值时，确定所述障碍点为单点噪声；

单点滤除模块，用于从所述栅格地图中删除所述单点噪声。

可选地，所述装置还包括：

膨胀处理模块，用于在所述近邻域算法聚类模块采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心之前，遍历所述栅格地图中的所述障碍点，将所述障碍点所在栅格的相邻栅格中的数据点确定为障碍点。

可选地，所述装收敛条件为：所述障碍物聚类簇的更新后的聚类中心与更新前的聚类中心之间的距离小于预设的距离阈值。

可选地，所述装置还包括：

障碍物识别模块，用于根据障碍物聚类结果，识别障碍物。

通过上述技术方案，根据三维激光雷达采集到的三维点云数据，识别障碍点，然后采用近邻域算法对该障碍点进行初始聚类以获得k个障碍物聚类簇，最后采用k-means算法对该k个障碍物聚类簇进行修正。这样，通过两次聚类过程能够准确、可靠地实现障碍物聚类，有助于提高障碍物的识别率，为无人自主车安全、正确的行驶奠定了良好的基础。

本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。

附图说明

附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图中：

图1是根据一示例性实施例示出的一种障碍物聚类方法的流程图。

图2a是根据一示例性实施例示出的一种激光雷达坐标系和车体坐标系的示意图。

图2b是根据一示例性实施例示出的一种俯仰角的示意图。

图2c是根据一示例性实施例示出的一种航向角的示意图。

图3是根据一示例性实施例示出的一种预先构建的栅格地图及其与三维激光雷达的可视范围的关系图。

图4是根据一示例性实施例示出的一种更新k个障碍物聚类簇的聚类中心的步骤的流程图。

图5是根据另一示例性实施例示出的一种障碍物聚类方法的流程图。

图6是根据另一示例性实施例示出的一种障碍物聚类方法的流程图。

图7是根据另一示例性实施例示出的一种障碍物聚类方法的流程图。

图8a和图8b是根据一示例性实施例示出的一种膨胀处理过程的示意图。

图9是根据另一示例性实施例示出的一种障碍物聚类方法的流程图。

图10是根据一示例性实施例示出的一种障碍物聚类装置的框图。

图11是根据一示例性实施例示出的一种聚类中心更新模块的结构框图。

图12是根据另一示例性实施例示出的一种障碍物聚类装置的框图。

图13是根据另一示例性实施例示出的一种障碍物聚类装置的框图。

图14是根据另一示例性实施例示出的一种障碍物聚类装置的框图。

图15是根据另一示例性实施例示出的一种障碍物聚类装置的框图。

具体实施方式

以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。

图1是根据一示例性实施例示出的一种障碍物聚类方法的流程图。如图1所示，该方法可以包括以下步骤：

在步骤101中，获取三维激光雷达发送的三维点云数据，并确定该三维点云数据在车体坐标系中的映射点坐标。

在本公开中，该障碍物聚类方法可以应用于障碍物检测系统。在局域网内，三维激光雷达将采集到的三维点云数据以用户数据报协议(userdatagramprotocol，udp)广播包的方式发送出去，其中，udp数据包包括一帧数据，并且一帧数据为三维激光雷达旋转一周所获得的点云数据；障碍物检测系统接收该udp数据包。其中，该三维激光雷达的工作频率可以为5hz、10hz或15hz，每个udp数据包的大小为1248字节，该数据包包含有12个100字节的数据块，42字节的首部和6字节的尾部。每个数据点的原始数据主要包括距离和角度两个部分。障碍物检测系统在接收到udp数据包后，根据该数据包格式，解析出对应的距离、角度等数据内容，其中，距离可以包括三维点距离三维激光雷达的距离，角度可以包括水平方向的航向角和三维点所在的雷达线的俯仰角。

三维点云数据在车体坐标系中的映射点坐标的确定可以包括以下步骤：

首先，障碍物检测系统根据上述解析出的距离、角度信息将三维点云数据转化为激光雷达坐标系下坐标点。

如图2a所示，三维激光雷达可以安装在车辆上方，激光雷达坐标系以三维激光雷达为中心，以车辆的直线运动方向为xl轴，以平行于车辆横轴的方向为yl轴，以垂直于水平地面向上的方向为zl轴。三维点所在的雷达线的俯仰角可以例如是图2b中所示的w，水平方向的航向角可以例如是图2c中所示的α。

示例地，可以通过以下的等式(1)将三维点云数据转化为激光雷达坐标系下的坐标点：

其中，(xl,yl,zl)为所述三维点在激光雷达坐标系下的坐标；l为三维点距离三维激光雷达的距离；w为三维点所在的雷达线的俯仰角，它是垂直方向的角度；α为水平方向的航向角。

接下来，根据旋转矩阵和平移矩阵将激光雷达坐标系下的坐标点映射到车体坐标系中。

如图2a所示，车体坐标系以车辆的直线运动方向为xc轴，车辆的横轴方向为yc轴，垂直于水平地面的方向为zc轴。

示例地，可以通过以下等式(2)将激光雷达坐标系下的数据点映射到车体坐标系中：

其中，(xc,yc,zc)为所述三维点在车体坐标系下的映射点坐标；r为旋转矩阵；t为平移矩阵。

在步骤102中，将映射点投影到预先构建的栅格地图中。

如图3所示，该预先构建的栅格地图20的规格可以例如是320*80，其中，每个栅格的大小为25cm*25cm，即栅格地图20的实际尺寸为80*20米。自主车10位于栅格地图20的中后部，自主车10前方的可视范围为60米，两边各10米。

遍历车体坐标系下的映射点，将其投影到栅格地图中。在一种实施方式中，为了方便统一计算，可以将车体坐标系下的xc—yc的坐标值都转化正值，例如可以通过在xc—yc坐标轴上增加平移量，即通过坐标平移来实现正值转化。

示例地，可以通过以下等式(3)将映射点投影到栅格地图中。

其中，(xs,ys)为映射点在栅格地图中的坐标；(mapx,mapy)为xc—yc坐标轴上增加的平移量；g为栅格的大小，亦称为栅格的尺寸；自主车在栅格地图中的坐标为(mapx/g,mapy/g)。

在步骤103中，根据映射点坐标和栅格地图，识别障碍点。

在本公开中，通常障碍物一个典型的特点是比地面有一定高度的凸起，而地面点往往是在一些高度相近的平面点。因此，可以通过基于相对高度差的障碍属性判别方法来识别障碍点：

首先，遍历栅格地图中的数据点，记录每个栅格中数据点高度的最大值和最小值，即最大高度和最小高度。

接下来，计算每个栅格内所有数据点的最大高度与最小高度之间的高度差△h，并设置高度差阈值为hg，然后比较高度差△h和阈值hg的大小，若△h>hg，则认为该栅格已被障碍物占用，为不可通行区域，标记该栅格的属性为t(x)＝1，否则为非占用状态，标记该栅格的属性为t(x)＝0，其中，栅格的属性分为可通行和不可通行。

最后，将被标记为t(x)＝1的栅格中的数据点确定为障碍点。

这样，可以有效减少斜坡对障碍点识别的影响。并且，即使在车辆有颠簸的情况下，依然可以有保证障碍点识别的准确性。

在步骤104中，采用近邻域算法对障碍点进行聚类，获得k个障碍物聚类簇及与该k个障碍物聚类簇相对应的k个聚类中心。

在本公开中，k为自然数。采用近邻域算法对障碍物进行聚类的方式具体如下：

首先，依次对栅格地图中的障碍点进行两两比较，当两个障碍点之间距离小于间距阈值时，则认为两个障碍点属于同一个物体的点，即将该两个障碍点划分至一个障碍物聚类簇中；如果两障碍点之间距离大于或等于间距阈值时，则认为两个障碍点属于不同的检测的物体的点，与此同时正在比较的障碍点中的前一个障碍点为上一个障碍物聚类簇的终止点，然而比较中后一个障碍点作为新一个聚类簇的起始点，依次进行，实现对栅格中障碍点的初步聚类，从而形成k个障碍物聚类簇。

接下来，分别从上述聚类后的k个障碍物聚类簇中选取一个障碍点作为此障碍物聚类簇的聚类中心，从而形成相应的k个聚类中心。其中，聚类中心的选取方式可以是随机选取，也可以是将与该障碍物聚类簇中所有障碍点的均值坐标点之间的距离最近的障碍点作为该障碍物聚类簇的聚类中心。

在步骤105中，计算障碍点与每个聚类中心的相似度，并将该障碍点划分至与该障碍点相似度最高的聚类中心所对应的障碍物聚类簇中。

在本公开中，可以采用余弦相似度法、欧式距离、曼哈顿距离等方法来计算该障碍点与k个聚类中心中的每个聚类中心之间的相似度。

在步骤106中，更新k个障碍物聚类簇的聚类中心。

在本公开中，可以采用均值法更新各障碍物聚类簇的聚类中心。具体地，可以通过图4中所示的步骤来更新各障碍物聚类簇的聚类中心。

在步骤1061中，分别计算每个障碍物聚类簇的平均类中心。

在本公开中，该平均类中心的坐标为相应障碍物聚类簇中各障碍点坐标的均值，障碍点坐标为该障碍点在栅格地图中的坐标。

在步骤1062中，将平均类中心确定为是相应障碍物聚类簇的聚类中心。

在步骤107中，判断每个障碍物聚类簇的聚类中心是否满足预设的收敛条件。

在本公开中，该收敛条件可以为障碍物聚类簇的更新后的聚类中心与更新前的聚类中心之间的距离小于预设的距离阈值，其中，该距离阈值可以是用户设定的值，也可以是默认的经验值。当障碍物聚类簇的更新后的聚类中心和更新前的聚类中心之间的距离小于预设的距离阈值时，可以确定该障碍物聚类簇的聚类中心满足预设的收敛条件；当障碍物聚类簇的更新后的聚类中心和更新前的聚类中心之间的距离大于或等于上述预设的距离阈值时，可以确定该障碍物聚类簇的聚类中心不满足预设的收敛条件。

当k个障碍物聚类簇的聚类中心中存在不满足上述的收敛条件的聚类中心时，返回上述步骤105继续执行，直到k个障碍物聚类簇的聚类中心均满足上述的收敛条件为止。

示例地，假设k个聚类中心包括k1、k2、k3，更新后分别为k1’，k2’，k3’，当k1与k1’之间的距离小于预设的距离阈值时，可以确定聚类中心k1满足预设的收敛条件，同样地，当k2与k2’之间的距离小于预设的距离阈值时，可以确定聚类中心k2满足预设的收敛条件，当k3与k3’之间的距离小于预设的距离阈值时，可以确定聚类中心k3满足预设的收敛条件。当k1、k2、k3均满足预设的收敛条件时，停止障碍物聚类操作。当k1、k2、k3中任意一者不满足预设的收敛条件时，返回上述步骤105继续进行障碍物聚类操作。

通过上述技术方案，根据三维激光雷达采集到的三维点云数据，识别障碍点，然后采用近邻域算法对该障碍点进行初始聚类以获得k个障碍物聚类簇，最后采用k-means算法对该k个障碍物聚类簇进行修正。这样，通过两次聚类过程能够准确、可靠地实现障碍物聚类，有助于提高障碍物的识别率，为无人自主车安全、正确的行驶奠定了良好的基础。

在障碍物识别中，会存在一些例如是悬挂的树枝、小飞虫等等悬空小障碍，这样，会引入一些障碍误检。在自主车路径规划中，若是碰到这些误检点就会使自主车紧急刹车，致使自主车无法通过的假象。因此，在障碍点识别之前，可以将悬空小障碍滤除掉。这样，可以减少因障碍误检引起的自主车辆紧急刹车的问题的发生，使得自主车辆的行驶更加顺畅。

示例地，可以通过如图5中所示的步骤108、步骤109和步骤110来实现悬空点滤除。

在步骤108中，根据映射点坐标，确定栅格地图中的每个栅格的最低高度。

在步骤109中，当栅格的最低高度大于预设的高度阈值、且扫描到与该栅格中的数据点相对应的实际位置点的雷达线数小于第一预设线条阈值时，确定该数据点为悬空点。

在步骤110中，从栅格地图中删除悬空点。

在本公开中，该预设高度和第一预设线条阈值可以是用户设定的值，也可以是默认的经验值。该高度阈值可以例如是2m，第一预设线条阈值可以例如是2条。也就是说，当栅格的最低高度大于2m、且扫描到与该栅格中的数据点相对应的雷达线数少于2条时，可以确定该数据点为悬空点。在找出悬空点后，将其从栅格地图中删除。

另外，需要说明的是，上述步骤108在上述步骤103之前执行。

此外，识别的障碍点中偶尔会出现少数雷达错误反射点，而这些错误反射点往往是孤立存在的单点，即单点噪声。因此，在障碍点识别之后，可以将单点噪声滤除掉。这样，可以有效抑制传感器噪声和环境噪声干扰。

示例地，可以通过如图6中所示的步骤111和步骤112来实现单点噪声滤除。

在步骤111中，当以障碍点为中心的预设区域内没有其他障碍点、且扫描到与该障碍点相对应的实际位置点的雷达线数小于第二预设线条阈值时，确定该障碍点为单点噪声。

在步骤112中，从栅格地图中删除单点噪声。

在本公开中，该预设区域和第二预设线条阈值可以是用户设定的值，也可以是默认的经验值。示例地，该预设区域为一个以障碍点所在的栅格为中心的7*7的栅格范围内。该第二预设线条阈值可以例如是2条。也就是说，当在预定区域内只有一个障碍点，且扫描到它的雷达线少于2条，则该障碍点被视为单点噪声。然后，将单点噪声从栅格地图中删除。

另外，需要说明的是，该第二预设线条阈值与上述的第一预设线条阈值可以相等，也可以不相等，这里不作具体限定。此外，上述步骤111在上述步骤103之后执行。

由于多个障碍物之间会出现遮挡、断裂等情况，另外，三维激光雷达采集的三维点云数据不是致密的，因此，如果直接对上述步骤103中识别出的障碍点进行聚类的话，原本一个障碍物会变成几块的情况，不利于后续的障碍物检测。基于此，可以采用四邻域法对上述步骤103中识别出的障碍点进行膨胀处理，以保证达到较好聚类效果的同时又提高后续聚类的效率。

示例地，可以通过如图7所示的步骤113来实现膨胀处理。

在步骤113中，遍历栅格地图中的障碍点，将障碍点所在栅格的相邻栅格中的数据点确定为障碍点。

在本公开中，该步骤113在步骤104之前执行。示例地，可以通过将图8a中所示的标记为1的栅格的相邻栅格的标记更新为1(如图8b所示)，并将标记被更新为1的栅格中的数据点确定为障碍点。

图9是根据另一示例性实施例示出的一种障碍物聚类方法的流程图。如图9所示，上述方法还可以包括以下步骤。

在步骤114中，根据障碍物聚类结果，识别障碍物。

在本公开中，障碍物检测系统可以根据上述步骤101至步骤107中得到的障碍物聚类结果，识别障碍物，以为自主车行驶中的避障做准备工作。

图10是根据一示例性实施例示出的一种障碍物聚类装置的框图。参照图10，该装置1000可以包括：确定模块1001，用于获取三维激光雷达发送的三维点云数据，并确定所述三维点云数据在车体坐标系中的映射点坐标；投影模块1002，用于将所述映射点投影到预先构建的栅格地图中；障碍点识别模块1003，用于根据所述映射点坐标和所述栅格地图，识别障碍点；近邻域算法聚类模块1004，用于采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心，其中，k为的自然数；障碍点重新聚类模块1005，用于计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中；聚类中心更新模块1006，用于更新所述k个障碍物聚类簇的聚类中心；判断模块1007，用于判断每个障碍物聚类簇的聚类中心是否满足预设的收敛条件，并在所述k个障碍物聚类簇的聚类中心中存在不满足所述预设的收敛条件的聚类中心时，触发所述障碍点重新聚类模块1005计算所述障碍点与每个所述聚类中心的相似度，并将所述障碍点划分至与所述障碍点相似度最高的聚类中心所对应的障碍物聚类簇中，直至所述k个障碍物聚类簇的聚类中心均满足所述预设的收敛条件为止。

如图11所示，上述的聚类中心更新模块1006可与包括：平均类中心确定子模块10061，用于分别计算每个障碍物聚类簇的平均类中心，其中，所述平均类中心的坐标为相应障碍物聚类簇中各障碍点坐标的均值，所述障碍点坐标为所述障碍点在所述栅格地图中的坐标；聚类中心重新确定子模块10062，用于将所述平均类中心确定为是相应障碍物聚类簇的聚类中心。

图12是根据另一示例性实施例示出的一种障碍物聚类装置的框图。参照图12，所述装置1000还可以包括：栅格最低高度确定模块1008，用于在所述障碍点识别模块1003根据所述映射点坐标和所述栅格地图，识别障碍点之前，根据所述映射点坐标，确定所述栅格地图中的每个栅格的最低高度，其中，所述最低高度为所述栅格中所有数据点的高度的最小值；悬空点确定模块1009，用于当所述栅格的最低高度大于预设的高度阈值、且扫描到与所述栅格中的数据点相对应的实际位置点的雷达线数小于第一预设线条阈值时，确定所述数据点为悬空点；悬空点滤除模块1010，用于从所述栅格地图中删除所述悬空点。

图13是根据另一示例性实施例示出的一种障碍物聚类装置的框图。参照图13，该装置1000还可以包括：单点噪声确定模块1011，用于在所述障碍点识别模块1003根据所述映射点坐标和所述栅格地图，识别障碍点之后，当以所述障碍点为中心的预设区域内没有其他障碍点、且扫描到与所述障碍点相对应的实际位置点的雷达线数小于第二预设线条阈值时，确定所述障碍点为单点噪声；单点滤除模块1012，用于从所述栅格地图中删除所述单点噪声。

图14是根据另一示例性实施例示出的一种障碍物聚类装置的框图。参照图14，该装置1000还可以包括：膨胀处理模块1013，用于在所述近邻域算法聚类模块1004采用近邻域算法对所述障碍点进行聚类，获得k个障碍物聚类簇及与所述k个障碍物聚类簇相对应的k个聚类中心之前，遍历所述栅格地图中的所述障碍点，将所述障碍点所在栅格的相邻栅格中的数据点确定为障碍点。

可选地，所述收敛条件为：所述障碍物聚类簇的更新后的聚类中心与更新前的聚类中心之间的距离小于预设的距离阈值。

图15是根据另一示例性实施例示出的一种障碍物聚类装置的框图。参照图15，该装置1000还可以包括：障碍物识别模块1014，用于根据障碍物聚类结果，识别障碍物。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本公开对各种可能的组合方式不再另行说明。

此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不违背本公开的思想，其同样应当视为本公开所公开的内容。