技术特征：
1.一种基于激光里程计的无人机动态障碍物检测方法，其特征在于，包括：步骤1，通过激光点云数据的几何特性，提取符合预设曲率特征的点云作为特征点，建立同一特征点在两帧相邻时刻激光点云数据中的匹配关系，并构建重投影代价函数，使用非线性优化技术使其在三维解空间中进行迭代，直至位姿收敛，获得无人机位姿信息；步骤2，其具体包括：步骤21，根据步骤1输出的无人机的位姿信息，使用区域生长法将整体点云按照障碍物聚类为多个点云簇，以区分为各自独立的障碍物目标；步骤22，根据激光里程计计算得到的两帧相对运动以及多帧激光点云数据中障碍物的质心和法线差异程度，计算差异度函数，并建立关联矩阵，将多帧激光点云数据中的障碍物关联起来；步骤23，根据动态障碍物的关联情况，结合激光里程计计算得到的帧间相对运动，判断障碍物运动状态，从而得到动态障碍物的运动方向及速度。2.如权利要求1所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，步骤1中，所述提取符合预设曲率特征的点云作为特征点的方法具体包括：步骤11，对点云数据进行体素滤波；步骤12，利用下式(1)计算点云数据中各点云的曲率值r，并按照曲率值r的大小排序，曲率值最大的点云定义为特征角点，曲率值最小的点云定义为特征平面点：式中，x
(k,i)
表示第k帧点云数据p
k
中的第i个点云在雷达坐标系中的坐标，x
(k,j)
表示p
k
中的第j个点云在雷达坐标系中的坐标，s表示x
(k,i)
的邻域。3.如权利要求2所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，所述特征点为特征角点的情形下，步骤1中，所述同一特征点在两帧相邻时刻点云数据中的匹配关系的方法包括特征角点和特征线之间的点云线距离和/或特征平面点和特征面之间的点云面距离所述特征点为特征角点的情形下，在第k
‑
1帧点云数据p
k
‑1中寻找p
k
中的第a个特征角点x
(k，a)
对应的特征线段，该线段上具有点云b和点云c，其中，点云b为p
k
‑1中与特征角点x
(k，a)
距离最近的点云，点云c为p
k
‑1中在特征角点x
(k，a)
相邻扫描线上与特征角点x
(k，a)
距离最近的点云，表示为下式(2)：式中，x
(k
‑
1，b)
表示p
k
‑1中的第b个特征角点在雷达坐标系中的坐标，x
(k
‑
1，c)
表示p
k
‑1中的第c个特征角点在雷达坐标系中的坐标；所述特征点为特征平面点的情形下，在p
k
‑1中寻找第d个特征平面点x
(k，d)
所对应的特征面，该特征面具有点云e、点云f和点云g，点云e为p
k
‑1中与特征平面点x
(k，d)
距离最近的点云，点云f为p
k
‑1中在点云e同一相邻扫描线上与点云d距离最近的点云，点云g为在相邻扫描线上与特征平面点x
(k，d)
距离最近的点云，点云面距离表示为下式(3)：
式中，x
(k
‑
1，e)
表示p
k
‑1中的第e个特征平面点在雷达坐标系中的坐标，x
(k
‑
1，f)
表示p
k
‑1中的第f个特征平面点在雷达坐标系中的坐标，x
(k
‑
1，g)
表示p
k
‑1中的第g个特征平面点在雷达坐标系中的坐标。4.如权利要求1至3中任一项所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，步骤1中的“构建重投影代价函数，使用非线性优化技术使其在三维解空间中进行迭代，直至位姿收敛，获得无人机位姿信息”的方法具体方法包括：根据和建立重投影代价函数，将位姿解算问题转化成式(4)表示的非线性最小二乘求解问题，求解最优变换矩阵估计值解问题，求解最优变换矩阵估计值其中，表示p
k
中第i个特征点在雷达坐标系中的坐标，n表示特征点的数量；为在p
k
‑1中的齐次坐标，即中的齐次坐标，即表示在p
k
中的齐次坐标。重复步骤1中的“建立同一特征点在两帧相邻时刻激光点云数据中的匹配关系”以及“根据重投影代价函数求解直至位姿收敛。5.如权利要求4所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，步骤21具体包括：步骤211，将步骤12获得的曲率值最小的点云作为起始种子点p0；步骤212，对每个种子点p
i
，搜索该点的所有近邻点，并且，按照如下步骤执行：步骤2121，计算每个近邻点与当前种子点p
i
法线角度的差值，若差值小于设定角度阈值，则进入步骤2122；步骤2122，计算该近邻点曲率，若曲率值小于设定曲率阈值，则将该点添加进当前种子点集；返回步骤211，直到当前种子点集所有近邻点都不满足生长准则,随后从原始采集的点云集中删除所述种子点，并将该种子点集作为一个障碍物点云簇保存下来。6.如权利要求5所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，步骤22中的“数据关联”具体包括：步骤221，根据激光里程计计算得到的两帧相对运动为以及多帧激光点云数据中障碍物的质心和法线差异程度，采用式(7)计算差异度函数云数据中障碍物的质心和法线差异程度，采用式(7)计算差异度函数其中，为对应的旋转矩阵so(3)，第k
‑
1帧第v个障碍物的质心
为在三维空间中位置的齐次坐标表现形式，α、β分别为质心距离差异权重、法线角度差异权重；步骤222，根据p
k
‑1中共检测到的障碍物的总数量为m个，记为，其中u＝1,2,
…
,m；p
k
中共检测到的障碍物的总数量为n个，记为其中，v＝1,2,
…
,n，将关联矩阵表示为下式(8):式中，表示由式(10)计算的差异度；步骤223，根据步骤222中建立的关联矩阵(8)，关联当前帧p
k
和上一帧p
k
‑1中的动态障碍物；重复上述步骤，直至当前帧p
k
的关联矩阵的每一行对应的障碍物关联完毕；若最小差异度所对应的p
k
‑1中元素的下标u＞v，则表明发生障碍物丢失；若最小差异度所对应的p
k
‑1中元素的下标u＜v，则表明有新动态障碍物出现。7.如权利要求5所述的考虑无人机位姿估计的激光雷达动态障碍物检测方法，其特征在于，步骤23具体包括：根据步骤21关联的动态障碍物，结合步骤1计算得到的两帧点云数据相对运动为判断障碍物运动状态，利用式(9)计算障碍物的运动距离：根据激光雷达传感器的帧率f，则动态障碍物的速度为v＝δd
×
f，方向为f，方向为表示t
k
的齐次坐标，表示t
k
‑1的齐次坐标。
技术总结
本发明公开了一种基于激光里程计的无人机动态障碍物检测方法，该方法率包括：步骤1，通过激光点云数据的几何特性，提取符合预设曲率特征的点云作为特征点，建立同一特征点在两帧相邻时刻激光点云数据中的匹配关系，并构建重投影代价函数，使用非线性优化技术使其在三维解空间中进行迭代，直至位姿收敛，获得无人机位姿信息；步骤2，其具体包括：步骤21，根据步骤1输出的无人机的位姿信息，使用区域生长法将整体点云按照障碍物聚类为多个点云簇，以区分为各自独立的障碍物目标；步骤22，根据激光里程计计算得到的两帧相对运动以及多帧激光点云数据中障碍物的质心和法线差异程度，计算差异度函数，并建立关联矩阵，将多帧激光点云数据中的障碍物关联起来；步骤23，根据动态障碍物的关联情况，结合激光里程计计算得到的帧间相对运动，判断障碍物运动状态，从而得到动态障碍物的运动方向及速度，即状态估计。即状态估计。即状态估计。
技术研发人员：秦晓辉 芦涛 谢国涛 秦兆博 胡满江 王晓伟 边有钢 徐彪 秦洪懋 丁荣军
受保护的技术使用者：湖南大学
技术研发日：2021.05.31
技术公布日：2021/9/3