一种多线激光雷达障碍物检测方法与流程

本发明涉及一种多线激光雷达领域，具体是一种多线激光雷达障碍物检测方法。

背景技术：

1、智能驾驶领域，传感器(相机、激光雷达)是获取场景环境数据的手段，对这些数据进行一定的处理，得到障碍物等场景元素，以用于后续的无人车决策与规划。这个模块通常也被称为感知模块。感知模块之于无人车就像眼睛之于人类，是看到场景有什么和是什么的主要途径。障碍物检测是感知模块主要的任务之一，稳定的检测是无人车安全的保障。障碍物通常包括：动态障碍物(行为、自行车、三轮车、汽车等)、静态障碍物(锥形桶、纸盒等)。

2、多线激光雷达因其价格便宜广泛应用于低速无人车中，但因其线束不高(相对于高线而言)，采集的点云纵向较稀，难于基于单帧点云进行障碍物检测与识别。

3、目前的技术方案主要有三种：

4、1.以视觉为主的深度学习思路。即用相机为主要传感器，通过大量标注数据，训练神经网络模型，从面以高算力gpu的方式实现障碍物感知。

5、2.以高线束激光雷达为主。所谓高线束激光雷达通常指32线、64线、1282.线甚至更高，实现思路也分两种，其一是深度学习，目前基于点云的深度学习，其运算量非常大，还很难用于实际工程应用中，实际中使用较少；其二是基于规则的检测，即在地面区域检测可能存在的障碍物，通过特征分析，得到障碍物信息。

6、3.以单线激光雷达为主。不进行障碍物检测，直接将激光雷达数据输入规划模块，以占用地图的形式直接进行规划，回避障碍物检测。

7、现有的激光雷达障碍物检测方法要求大量标注数据，同时对车端算力要求非常高，必须使用gpu，硬件成本较高，不过其最大的缺点在于价格非常高。缺少障碍物信息，对无法进行智能决策，对车辆智能化受限极大。

技术实现思路

1、对于现有的一产生的问题，本发明的目的在于提供一种多线激光雷达障碍物检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、一种多线激光雷达障碍物检测方法，其方法步骤如下：

4、s1、预处理

5、预处理分三步：坐标转换、滤波、补偿；

6、1)坐标转换：将点云依标定参数(激光雷达坐标系到车辆坐标的转换参数)，转换到车辆坐标系，如果存在多个激光雷达，则将对应时间窗口(100ms)下所有激光雷达产生的点云分别转换到车辆坐标系，然后合并形成整体点云；

7、2)滤波：滤除远点(大于50m的点)、无效点、车辆车身上投影点；

8、3)补偿：按速度对激光雷达数据进行补偿，降低因运动导致的点云畸变；

9、s2、聚类提取

10、从地图中读取可通行区域，并用可通行区域过滤点云，同时去除地面点，所余下的点将全部是可行驶区域内地面以上的点；余下的点称为障碍物点，对障碍物点进行几何聚类，聚类的目的是将相近的聚在一起，形成一个个点簇，每一簇点即为待定障碍物；

11、s3、拓扑关联

12、对每个点簇，根据其中心点，在障碍库中以最近邻方式查找，若存在满足阈值(车速v*时间间隔0.1s+标准差0.3m)的障碍物，则关联，否则新建障碍物；

13、对每个障碍物，重新计算其平均中心点及外包围盒，统计其历史帧中心点，若历史帧所有中心点满足正态分布(标准差大于0.3m)，则判定此障碍物静态障碍物；若中心点坐标形成轨迹，则断定其为动态障碍物；

14、s4、障碍物识别

15、对于静态障碍物，将其历史帧点云进行叠加，形成稠密点云，通过预置模型库的形式，计算稠密点云到每个模型的距离，若最小距离满足阈值(0.2m)，则其对应的类型即为该模型的类别；否则按障碍物尺寸大小输出其类型；

16、对于动态障碍物，将其历史帧点云根据其对应时间戳下的车辆定位信息进行拼接，根据其外包围盒大小断定其为人、自行车、车辆、未知中的一类；

17、s5、动态障碍物预测

18、预测的目标是计算动态障碍物的速度与轨迹；

19、平均速度：取最近1s内数据，积分计算其行驶的距离，再除以时间(1s)即为其平均速度；

20、轨迹预测：取最近3s内数据，对轨迹点进行二项式拟合，同时给拟合结果必过当前点，推测其未来3s可能的行驶轨迹。

21、作为本发明进一步的方案：步骤s2中聚类的方法为：

22、1)随机从聚类点中取出一点形成新点簇；

23、2)遍历障碍物点；

24、3)计算每一点到点簇中所有点距离，或其中任一距离小于阈值(0.3m),则将其添加到点簇中，同时将点从障碍物点中移除；

25、4)遍历结束。若障碍物点不为空，则继续重复1)2)3)直到障碍物点为空。最终产生n个点簇；

26、5)计算每一个聚类后点簇的几何中心及其外包围盒。

27、作为本发明再进一步的方案：所述的激光雷达设有两组，两组激光雷达分别安装于车辆的前左和前右，每个传感器有270度有效范围。

28、作为本发明再进一步的方案：所述的激光雷达设一组，一组激光雷达安装于车辆的项端，传感器具有360度有效范围。

29、与现有技术相比；本发明的有益效果是：本发明对于每一帧进行聚类检测，得到障碍物点；对于每个障碍物在时序上进行拓扑关联，每个障碍物具体不同时刻获取的点簇信息；对每个障碍物分别分析其轨迹、外包围盒及点云，判定其类别，实现检测即识别；对于动态障碍物，实现检测即预测，在检测的同时预测其速度与轨迹。本发明计算速度快，对算力要求低，稳定性高，障碍物检测的同时，实现对动态障碍物的预测，通过在时序上的累加，逐渐实现精确识别、精准预测。

技术特征：

1.一种多线激光雷达障碍物检测方法，其特征在于，其方法步骤如下：

2.根据权利要求1所述的多线激光雷达障碍物检测方法，其特征在于，步骤s2中聚类的方法为：

3.根据权利要求1所述的多线激光雷达障碍物检测方法，其特征在于，所述的激光雷达设有两组，两组激光雷达分别安装于车辆的前左和前右，每个传感器有270度有效范围。

4.根据权利要求1所述的多线激光雷达障碍物检测方法，其特征在于，所述的激光雷达设一组，一组激光雷达安装于车辆的项端，传感器具有360度有效范围。

技术总结
本发明公开一种多线激光雷达障碍物检测方法，属于多线激光雷达领域。其方法步骤如下：S1、预处理，分三步坐标转换、滤波、补偿；S2、聚类提取，对障碍物点进行几何聚类，形成一个个点簇，每一簇点即为待定障碍物；S3、拓扑关联，对每个点簇，根据其中心点，在障碍库中以最近邻方式查找关联，判定障碍物静态障碍物或动态障碍物；S4、障碍物识别，对于静态障碍物，将其历史帧点云进行叠加，形成稠密点云；对于动态障碍物，将其历史帧点云根据其对应时间戳下的车辆定位信息进行拼接；S5、动态障碍物预测。本发明计算速度快，对算力要求低，稳定性高，障碍物检测的同时，实现对动态障碍物的预测，通过在时序上的累加，逐渐实现精确识别、精准预测。

技术研发人员：桂坡坡,陈磊,徐昆源
受保护的技术使用者：合肥极目行远科技有限公司
技术研发日：
技术公布日：2024/1/12