本发明涉及一种基于多线激光雷达的障碍物聚类方法，属于智能辅助驾驶和无人驾驶技术领域。
背景技术：
低下的通行效率以及频发的交通事故已成为当前民众最为头疼的难题，从驾驶和拥堵中解放出来成为社会新诉求。汽车经过两百年的发展，也逐步进入电子化的时代，发展出成熟的主动安全系统，辅助或代替了驾驶员的一部分工作，但这还远远不够。随着人工智能尤其是深度学习技术的成熟，算法开始能够识别物体属性，并做出类人的合理决策，无人驾驶逐步成为可能，其背后无限的想象空间也令业界向往；在此基础上，诸如本发明提及的基于多线激光雷达的障碍物聚类方法等研究越来越受到国内外学者关注，其在智能辅助驾驶和无人驾驶邻域有着广泛的应用，诸如自动紧急制动、自适应巡航和路径规划等等，有效提高驾驶安全性、改善交通效率。
在聚类算法方面，目前有许多算法存在，如k均值、学习向量量化、高斯混合聚类、层次聚类，密度聚类等算法。k均值算法依据最小方差进行聚类划分，计算量大，难以找到最优聚类；学习向量量化首先假设数据样本带有类别标记学习，其次才是通过利用样本的监督信息来辅助聚类；高斯混合聚类通过假设样本模型具有某种概率模型，然后根据概率模型来表达聚类；层次聚类试图在不同层次对数据集进行划分，从而形成树形聚类结构，但受限于先确定聚类簇数。密度聚类从样本密度的角度来考察样本之间的可连接性，并基于可连接性不断扩展聚类簇，以获得最终的聚类结果。然而，障碍物的不确定性、数据的非完备性和复杂的动态环境等等，都给障碍物聚类造成了不同程度的困难，如何确定性能度量和距离度量，改进聚类算法缺点，以提高障碍物聚类的准确性、实时性，就成为亟待解决的技术问题。
技术实现要素：
本发明提供一种基于多线激光雷达的障碍物聚类方法，在现有聚类的算法上，基于网格滤波和自适应邻域参数，结合密度聚类算法dbscan，提高障碍物聚类识别准确性和实时性。
本发明解决其技术问题所采用的技术方案是：
一种基于多线激光雷达的障碍物聚类方法，包括障碍物聚类系统，其包括数据处理模块，其与数据采集模块通过以太网相连接，对数据采集模块获取的采集点云数据进行解析和算法处理，聚类出障碍物，并实时输出障碍物的大小和位置；
前述的数据处理模块对采集的数据进行解析和算法处理，包括网格滤波模块、邻域参数模块和密度聚类算法模块，前述的网格滤波模块对采集的点云数据进行修正和滤波并输入邻域参数模块，前述的邻域参数模块对滤波之后的点云数据计算邻域参数最小距离和最少点数，前述的密度聚类算法模块根据滤波之后的点云数据和计算出的邻域参数进行障碍物聚类；
作为本发明的进一步优选，所述数据采集模块包括多线激光雷达；
所述数据处理模块包括工业控制电脑；
作为本发明的进一步优选，
前述的数据采集模块，是采集周围障碍物的点云极坐标数据和物体反射强度；
前述的数据处理模块，是对极坐标数据转化为三维坐标之后进行聚类算法运算；
前述的障碍物聚类的算法，是网格滤波、邻域参数计算和密度聚类算法的综合；
作为本发明的进一步优选，所述数据处理模块，包含网格滤波模块、邻域参数模块和密度聚类算法模块，其中，
所述网格滤波模块，其包含点云数据物理误差校正、滤去异常点云数据以及干扰、点云数据划分网格、根据每个网格的阈值进行网格滤波和把处理后的数据传递给邻域参数模块；
所述邻域参数模块，包括计算闵可夫斯基距离，其基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数和基于障碍物分类尺度确定障碍物的最少点数；
所述密度聚类算法模块，包含基于密度聚类算法dbscan和输出障碍物的位置和大小部分；
作为本发明的进一步优选，其特征在于：包括以下步骤：
第一步，数据采集模块使用多线激光雷达收集周围障碍物的环境极坐标信息；通过udp数据协议发送至数据处理模块，为障碍物聚类提供原始点云数据；
第二步，网格滤波模块对采集到的多线激光雷达信号进行网格滤波；对多线激光雷达传输的点云数据进行物理误差校正；滤去异常点云数据，以及周围环境带来的干扰；同时对滤波后的点云数据划分网格，基于每个网格的阈值进行网格滤波，去除地面点云数据；把处理后的数据发送给邻域参数模块；
第三步，根据网格滤波模块网格滤波之后的数据，把闵可夫斯基距离作为距离度量，基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数；基于障碍物分类尺度确定障碍物最少点数；
第四步，根据邻域参数模块对滤波之后的点云数据计算出的邻域参数，应用基于密度聚类算法dbscan聚类障碍物，并通过聚类后的障碍物点云数据输出障碍物中心位置和大小；
作为本发明的进一步优选，前述第一步步骤，进一步细分为如下步骤：
数据采集模块中的多线激光雷达通过以太网和工业控制电脑连接；
数据采集模块通过多线激光雷达采集周围环境点云信息及物体反射强度；
数据采集模块通过多线激光雷达的以太网发送周围环境点云数据及物体反射强度；
作为本发明的进一步优选，前述第二步步骤，进一步细分为如下步骤：
网格滤波模块通过物理误差校正部分对点云数据进行物理误差校正；
网格滤波模块通过异常点滤波部分对异常点云数据进行滤波；
网格滤波模块通过网格滤波部分对点云数据进行网格划分；
网格滤波模块通过网格滤波部分对每一个网格内的点云数据进行网格滤波；
网格滤波模块通过滤波数据传输部分把数据传输至邻域参数模块；
作为本发明的进一步优选，前述第三步步骤，进一步细分为如下步骤：
邻域参数模块把闵可夫斯基距离作为距离度量；
邻域参数模块基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数最小距离；
邻域参数模块基于障碍物分类尺度确定邻域参数最少点数；
作为本发明的进一步优选，前述第四步步骤，进一步细分为如下步骤：
密度聚类算法模块根据网格滤波后的数据和邻域参数应用基于密度聚类算法dbscan对障碍物聚类；
密度聚类算法模块根据聚类算法输出的障碍物点云数据计算障碍物中心距离和大小。
通过以上技术方案，相对于现有技术，本发明具有以下有益效果：
本发明在现有聚类的算法上，基于网格滤波和自适应邻域参数，结合密度聚类算法dbscan，提高障碍物聚类识别准确性和实时性，在智能辅助驾驶和无人驾驶领域具有广阔的应用前景。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明的优选实施例的硬件结构示意图；
图2为本发明的优选实施例的数据处理原理框图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1所示，本发明的一种基于多线激光雷达的障碍物聚类方法，包括障碍物聚类系统，其包括数据处理模块，其与数据采集模块通过以太网相连接，对数据采集模块获取的采集点云数据进行解析和算法处理，聚类出障碍物，并实时输出障碍物的大小和位置；
前述的数据处理模块对采集的数据进行解析和算法处理，包括网格滤波模块、邻域参数模块和密度聚类算法模块，前述的网格滤波模块对采集的点云数据进行修正和滤波并输入邻域参数模块，前述的邻域参数模块对滤波之后的点云数据计算邻域参数最小距离和最少点数，前述的密度聚类算法模块根据滤波之后的点云数据和计算出的邻域参数进行障碍物聚类；
作为本发明的进一步优选，所述数据采集模块包括多线激光雷达；
所述数据处理模块包括工业控制电脑；
作为本发明的进一步优选，
前述的数据采集模块，是采集周围障碍物的点云极坐标数据和物体反射强度；
前述的数据处理模块，是对极坐标数据转化为三维坐标之后进行聚类算法运算；
前述的障碍物聚类的算法，是网格滤波、邻域参数计算和密度聚类算法的综合；
作为本发明的进一步优选，所述数据处理模块，包含网格滤波模块、邻域参数模块和密度聚类算法模块，其中，
所述网格滤波模块，其包含点云数据物理误差校正、滤去异常点云数据以及干扰、点云数据划分网格、根据每个网格的阈值进行网格滤波和把处理后的数据传递给邻域参数模块；
所述邻域参数模块，包括计算闵可夫斯基距离，其基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数和基于障碍物分类尺度确定障碍物的最少点数；
所述密度聚类算法模块，包含基于密度聚类算法dbscan和输出障碍物的位置和大小部分；
作为本发明的进一步优选，其特征在于：包括以下步骤：
第一步，数据采集模块使用多线激光雷达收集周围障碍物的环境极坐标信息；通过udp数据协议发送至数据处理模块，为障碍物聚类提供原始点云数据；
第二步，网格滤波模块对采集到的多线激光雷达信号进行网格滤波；对多线激光雷达传输的点云数据进行物理误差校正；滤去异常点云数据，以及周围环境带来的干扰；同时对滤波后的点云数据划分网格，基于每个网格的阈值进行网格滤波，去除地面点云数据；把处理后的数据发送给邻域参数模块；
第三步，根据网格滤波模块网格滤波之后的数据，把闵可夫斯基距离作为距离度量，基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数；基于障碍物分类尺度确定障碍物最少点数；
第四步，根据邻域参数模块对滤波之后的点云数据计算出的邻域参数，应用基于密度聚类算法dbscan聚类障碍物，并通过聚类后的障碍物点云数据输出障碍物中心位置和大小；
作为本发明的进一步优选，前述第一步步骤，进一步细分为如下步骤：
数据采集模块中的多线激光雷达通过以太网和工业控制电脑连接；
数据采集模块通过多线激光雷达采集周围环境点云信息及物体反射强度；
数据采集模块通过多线激光雷达的以太网发送周围环境点云数据及物体反射强度；
作为本发明的进一步优选，前述第二步步骤，进一步细分为如下步骤：
网格滤波模块通过物理误差校正部分对点云数据进行物理误差校正；
网格滤波模块通过异常点滤波部分对异常点云数据进行滤波；
网格滤波模块通过网格滤波部分对点云数据进行网格划分；
网格滤波模块通过网格滤波部分对每一个网格内的点云数据进行网格滤波；
网格滤波模块通过滤波数据传输部分把数据传输至邻域参数模块；
作为本发明的进一步优选，前述第三步步骤，进一步细分为如下步骤：
邻域参数模块把闵可夫斯基距离作为距离度量；
邻域参数模块基于多线激光雷达的水平分辨率和垂直分辨率计算邻域距离参数最小距离；
邻域参数模块基于障碍物分类尺度确定邻域参数最少点数；
作为本发明的进一步优选，前述第四步步骤，进一步细分为如下步骤：
密度聚类算法模块根据网格滤波后的数据和邻域参数应用基于密度聚类算法dbscan对障碍物聚类；
密度聚类算法模块根据聚类算法输出的障碍物点云数据计算障碍物中心距离和大小。
如图2所示，下面将对本发明的基于多线激光雷达的障碍物聚类算法进行详细描述：
应用多线激光雷达数据采集，即采集点云数据，并发送给工业控制电脑进行数据处理；
基于阈值的网格化滤波处理，根据雷达激光线束实际安装角度校正数据物理安装误差，根据激光雷达实际扫描距离与角度去除异常点和无关环境干扰；对进行初步滤波的数据进行网格划分，然后基于自适应阈值对每个网格内数据进行网格滤波，去除地面数据和无关噪点；
自适应邻域参数计算应用闵可夫斯基距离计算其距离度量，基于多线激光雷达的物理特性，水平方向以α度和垂直方向以β度固定角度扫描，点的距离乘以α和β的均方根均值作为每个点的最小距离邻域参数ϵ；通过对障碍物尺寸的分级确定邻域参数最少点数minpts；
基于密度聚类dbscan算法处理中，输入为基于阈值的网格化滤波处理的数据集合d和自适应邻域参数计算的邻域参数最小距离ϵ和邻域参数最少点数和minpts；
首先初始化核心对象集合ω=ø，对数据集合d中的任意点x，若在邻域参数最小距离ϵ半径内的点的个数大于等于邻域参数最少点数minpts，即|nϵ（x）|≥minpts，那么将x加入核心集合ω；
其次初始化障碍物聚类簇数k=0，初始化未访问数据集合г=d；
最后，当ω非空时，记录当前未访问数据集合гold等于г，随机从ω选取一个核心对象о，初始化队列q=<о>,并从集合г中删除о；当q队列非空时，从q中取出一个样本点q，若|nϵ（q）|≥minpts，那么δ=|nϵ（q）|∩г，且将δ中的数据加入队列q，г=г\δ，结束q非空循环；k=k+1,生成聚类簇ck=гold\г，ω=ω\ck，结束ω非空循环；
上述需要注意的是，多线激光雷达采集数据，基于阈值的网格滤波进行处理，滤波后的数据先进行自适应邻域参数计算，然后和网格滤波之后的数据一起作为参数传递给基于密度聚类算法dbscan算法进行聚类，最终得到障碍物聚类的位置和大小；
障碍物聚类位置和大小输出，对每一个聚类c，通过平均值计算其中心位置，通过边界，确定其尺寸，最终实现输出障碍物中心位置和尺寸大小。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本申请中所述的“和/或”的含义指的是各自单独存在或两者同时存在的情况均包括在内。
本申请中所述的“连接”的含义可以是部件之间的直接连接也可以是部件间通过其它部件的间接连接。
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。