一种激光点云车道线检测装置及方法与流程

1.本发明涉及自动驾驶领域，特别是涉及一种激光点云车道线检测装置及方法。


背景技术：

2.在智能驾驶领域中，车道线检测作为一项关键技术，是保证车辆在一定范围内安全行驶的重要条件。车道线检测通常是基于摄像头传感器的方法，在夜晚、雨雾天气等恶劣条件下检测效果较差；而激光雷达传感器具有探测精确、不受环境光照等影响。在实际道路中，车道线还存在缺损或不连续等情况，仅仅依靠单帧激光雷达点云数据难以得到准确和鲁棒的检测效果。
3.例如，一种在中国专利文献上公开的“基于深度雷达点云和图像数据融合的车道线检测方法”，其公告号cn114037968a，采集的rgb图像、点云数据，利用hourglass网络对rgb图像以及点云数据提取融合特征，利用残差模块进行融合特征整合，利用融合特征进行车道线检测，实现雷达点云和图像融合的车道线检测。该方法结合两种数据的优势，在特征层对两种数据进行多视角下的融合，利用不同传感器之间的差异数据进行互补，增加了车道线识别的鲁棒性和准确率。由于该发明是基于分辨车道线的rgb像对车道线进行分析，因此无法在恶劣天气下仍对车道线进行检测。并且在实际生活中，车道线可能存在缺损，仅仅采用激光点云对车道线进行检测无法准确得到车道线的状态。


技术实现要素：

4.本发明主要针对现有技术下在恶劣环境下难以对车道线进行检测、简单的采用激光雷达传感器检测无法在实际情况下精准的检测到车道线的问题；提供一种激光点云车道线检测装置及方法；利用高精度的rtk数据与激光点云数据进行多帧融合，通过先验条件和设置的阈值在局部点云中拟合最优曲线并判断内外点，通过多次迭代拟合最优模型，获取多段车道线，使车道线特征更加精细，检测效果更好、更鲁棒。
5.本发明的上述技术问题主要是通过下述技术方案得以解决的：一种激光点云车道线检测装置及方法，包括：s1、安装检测装置：惯性导航系统和激光雷达均设置在车上部；s2、获取激光点云数据：建立激光雷达坐标系；根据rtk的输出得到每个时刻rtk坐标系下的位姿矩阵为根据安装位置得到rtk到激光雷达外参e
rtk
→
lidar
；接通激光雷达电源，获取激光点云数据，并获得连续激光雷达坐标下点云帧s3、点云预处理：对点云帧进行预处理，提取点云帧的候选车道线点；s4、多帧点云融合：根据rtk在t0,t1,
…
,tn时刻下的位姿矩阵以及rtk到激光雷达的外参，求得基于rtk坐标下的多帧局部激光雷达点云s5、ransac曲线拟合：采用二次多项式模型进行车道线拟合，获得最优模型，即车
道线的拟合曲线；s6、车道线检测：在局部点云中拟合最优曲线并得到其内外点，根据这个曲线在激光雷达坐标系空间中的位置及先验条件，对余下的外点进行过滤，并对过滤后的点重复步骤s5的操作，直到检测出所有车道线。
6.利用高精度的rtk数据与激光点云数据进行多帧融合，通过先验条件和设置的阈值在局部点云中拟合最优曲线并判断内外点，通过多次迭代拟合最优模型，获取多段车道线，使车道线特征更加精细，检测效果更好、更鲁棒。
7.作为优选，所述激光雷达坐标系符合右手坐标系准则，x轴与地平面平行正向为车辆正前方，z轴垂直于地平面朝上，y轴垂直于x-z平面朝内。定义坐标区间，将所有点设置在同一坐标系中，方便后续拟合曲线后对内外点进行筛除，同时让x、y、z作为点的标记，方便后续进行点云特征提取。
8.作为优选，所述步骤s3具体包括：对t0,t1,
…
,tn时刻下的点云帧进行预处理，设定感兴趣区域检测范围，对点云帧进行裁剪，根据车道线的反射强度范围，提取每个时刻点云帧的候选车道线点。感兴趣范围可以人为设定，依据当前需求对点云帧进行裁剪和范围划定。
9.作为优选，根据rtk在t0,t1,
…
,tn时刻下的位姿矩阵以及rtk到激光雷达的外参，则可以求得基于rtk坐标下的多帧局部激光雷达点云，多帧局部激光雷达点云计算公式如下：其中，e＝e
rtk
→
lidar
。
10.作为优选，步骤s5具体包括：采用二次多项式模型进行车道线的拟合，结合ransac方法进行迭代；每次取三个点求二次曲线的参数，计算每个点到曲线模型的距离，若距离小于预设阈值，则认为是内点，否则为外点；记录内点个数及最优模型参数；进入下一个循环，多次迭代后获得最优模型，即车道线的拟合曲线。通过多次迭代逐渐增加精度，并多次排除外点，逐渐缩小范围，使车道线特征更加精细。
11.作为优选，所述先验条件为车道线间距为3.75m，通过先验条件可以对局部点云进行筛选，筛除范围外的点，逐步减小范围，提高拟合精度。
12.本发明的有益效果是：利用高精度的rtk数据与激光点云数据进行多帧融合，通过先验条件和设置的阈值来判断点云帧数据，并通过多次迭代拟合最优模型，获取多段车道线，使车道线特征更加精细，检测效果更好、更鲁棒。
附图说明
13.图1为惯性导航系统、激光雷达安装示意图；图2为本发明采用的方法流程图。
具体实施方式
14.应理解，实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
15.下面通过实施例，对本发明的技术方案作进一步具体的说明。
16.一种激光点云车道线检测装置及方法，包括：1.安装位置示意：如图1所示，惯性导航系统安装于车顶部，激光雷达安装在前挡风玻璃的正上方，但不限于此安装位置，只要安装在一定高度能使点云扫到前方车道线即可，假设激光雷达安装没有误差，建立激光雷达坐标系，符合右手坐标系准则，x轴与地平面平行正向为车辆正前方，z轴垂直于地平面朝上，y轴垂直于x-z平面朝内。
17.高精度的gps测量必须依靠实时载波相位差分技术(rtk)，可以达到厘米级精度。根据rtk的输出可以得到每个时刻rtk坐标系下的位姿矩阵为根据安装位置可以得到rtk到激光雷达外参为e
rtk
→
lidar
。
18.2.获取点云数据：接通激光雷达电源，通过驱动程序获取到激光点云数据，每个点包含x、y、z坐标及反射强度i,设定激光雷达与rtk时间同步的情况下，获得一组连续激光雷达坐标下点云帧
19.3.点云预处理：对t0,t1,
…
,tn时刻下的点云帧进行预处理，设定感兴趣区域检测范围，例如设定x值[0,100]，y值[-15,15]，z值[-3,3]，对点云帧进行裁剪，根据车道线的反射强度范围，提取每个时刻点云帧的候选车道线点。
[0020]
4.多帧点云融合：根据rtk在t0,t1,
…
,tn时刻下的位姿矩阵以及rtk到激光雷达的外参，则可以求得基于rtk坐标下的多帧局部激光雷达点云为：其中，e＝e
rtk
→
lidar
。
[0021]
5.ransac曲线拟合：得到多帧融合后的局部激光点云可以采用二次多项式模型进行车道线的拟合，结合ransac方法进行迭代，每次取三个点求二次曲线的参数，然后计算每个点到这个曲线模型的距离，若距离小于预设阈值，则认为是内点，否则为外点，并记录内点个数及最优模型参数，进入下一个循环，最后获得最优模型，即车道线的拟合曲线。
[0022]
其中预设阈值是通过人为设定的，认为设定的预设阈值越小，则车道线越精确，通常将车道线阈值设置为0.1。然而该预设阈值不可无尽小，需保持在一定区间范围内，该范围可根据当地的规定变化。
[0023]
6.车道线检测：根据步骤5，可以在局部点云中拟合出一条最优曲线及得到其内外点，根据这个曲线在激光雷达坐标系空间中的位置，及车道线间距为3.75m的先验条件，对余下的外点
进行过滤，保留间距3.75m范围内的点，然后对过滤后的点进行步骤5操作，直到检测出所有车道线。