一种基于激光点云与集成学习的车辆姿态估计方法

1.本发明涉及无人驾驶汽车技术领域，特别涉及一种基于激光点云与集成学习的车辆姿态估计方法。


背景技术：

2.环境感知系统是无人驾驶汽车中的一个关键模块，直接影响到决策规划的驾驶场景准确性。在无人驾驶技术的环境感知技术中，目标检测作为其最主要的研究方向之一，一直是国内外科研机构的研究热点。目标检测主要有两类方法：基于图像的方法和基于激光点云的方法。尽管基于图像的目标检测随着深度学习的发展有了显著的提升，但由于图像很难提供精准的障碍物目标深度信息，因此在实际的应用中，深度信息的获取依旧依赖于激光点云数据。
3.姿态估计是激光点云处理过程中的一个必要环节，姿态估计的结果作为目标跟踪算法的输入，对目标跟踪的准确性有着直接的影响。由于车辆在不同角度、距离、遮挡关系下点云会呈现出不同的分布密度与空间形态，因此在全路段都能保证精准的车辆姿态估计是十分具有挑战的。
4.现有技术的不足之处在于，目前大多的姿态估计算法是针对点云呈现的特定形状进行姿态估计，当特定形状不明显时效果较差，全局适应性差。


技术实现要素：

5.本发明的目的克服现有技术存在的不足，为实现以上目的，采用一种基于激光点云与集成学习的车辆姿态估计方法，以解决上述背景技术中提出的问题。
6.一种基于激光点云与集成学习的车辆姿态估计方法，具体步骤包括：s1、对激光雷达输出的激光点云进行预处理，获得道路参与者的聚类结果及其凸包；s2、简化障碍物的3d包围框，将其映射到二维平面；s3、基于激光点云实际成像的复杂多样性，建立全局姿态估计模型；s4、建立模型评价指标，用于对全局姿态估计模型结果进行评估；s5、搭建基于集成学习的bagging模型，得到障碍物最优姿态估计方案。
7.作为本发明的进一步的方案：所述s1的具体步骤包括：s11、在保持激光点云原始轮廓信息不变的情况下，使用分辨率为0.1m的体素格对激光点云进行下采样；将脱离地面的点云进行滤除，并进一步结合高精度地图将道路外的点云进行剔除，减少非道路参与者的干扰；使用地面滤波算法提取地面以上的点云，并使用聚类算法对道路范围内的点云进行聚类分割，获得聚类结果；s12、对每一个聚类结果，舍弃三维点云高度属性将其投影到二维平面，其中第i个
障碍物用oi表示；对二维平面的每一个聚类结果oi提取其轮廓坐标点集e
iob
,得到障碍物oi的有序轮廓坐标序列；然后对轮廓坐标点集e
iob
进行凸包提取，得到能将障碍物oi包围住的最小凸多边形，将该最小凸多边形作为障碍物oi的凸包h
iob
。
8.作为本发明的进一步的方案：所述s2的具体步骤包括：s21、对任一障碍物oi采用3d包围框来表示其姿态；s22、对于第i个障碍物，其姿态向量μi表示为：μi=[x
0i
,y
0i
,li,ωi,hi,θi]；其中，(x
0i
,y
0i
)表示第i个障碍物在二维平面的几何中心坐标，li为障碍物的长度，ωi为障碍物的宽度，hi为障碍物的高度，θi为障碍物与前进方向的夹角；s23、根据姿态向量μi得到障碍物的边界框在二维平面的四个角点，从左上角顺时针的四个角点ai,bi,ci,di分别表示为：分别表示为：根据四个角点坐标能够确定唯一3d包围框在二维平面的位置。
[0009]
作为本发明的进一步的方案：所述s3的具体方法为：基于激光点云实际成像的复杂多样性，分别根据翻滚三角形法、最长对角法，以及主成分分析法建立三种全局姿态估计模型。
[0010]
作为本发明的进一步的方案：所述s4的具体步骤包括：根据建立的全局姿态估计模型设置三种模型评价指标，用于对全局姿态估计模型进行评估，其中三种模型评价指标包括平均点云距离指标、框内点云占比指标，以及连续平均偏移角指标；平均点云距离指标：对于每帧点云数据中的第i个障碍物，其凸包点集中包含n个凸包点h
iob
={g
1i
,g
2i
,...,g
ni
}，计算每个凸包点g
ki
到包围框中最近一条边的距离d
ki
，最后计算第i个障碍物的所有凸包点到最近包围框的平均距离add
iob
，计算公式为：；框内点云占比指标：当包围框不能全部包围住障碍物点云时，会导致一部分障碍物点云在包围框外，将该部分点云的数量记为η
iout
，包围框内的点云数量记为η
iin
，则框内点云占比ppci
iob
的计算公式为：；
连续平均偏移角指标：为了保证姿态估计中的连续性和稳定性，需考虑过去m帧点云数据中的障碍物偏移角的稳定性，连续平均偏移角cda
iob
的计算公式为：；其中，和分别表示当前帧与前一帧障碍物与前进方向的偏移角。
[0011]
作为本发明的进一步的方案：所述s5的具体步骤包括：生成原始训练集：根据每一帧中的任一障碍物，利用多种姿态估计模型得到姿态估计结果，再使用模型评价指标对多个姿态估计结果进行定量评价，则任一障碍物可得到若干个评价指标，将之作为训练样本的特征值，训练样本的目标值为真实的姿态估计模型序号；进行bootstrap重采样：从原始训练集中随机进行m次有放回随机采样，得到一个新的采样集；训练三个弱学习器：bootstrap重采样后可得到三个不同的采样集，对三个采样集，分别独立的训练出三个不同的弱学习器；每个弱学习器采用集成神经元模型的全连接神经网络，网络的输入为障碍物的若干个评价指标，输出为最佳姿态估计模型序号；投票法结合策略生成强学习器：当三个弱学习器分别生成各自的输出结果后，使用相对多数投票法确定最终的最佳姿态估计方案。
[0012]
与现有技术相比，本发明存在以下技术效果：采用上述的技术方案，通过上述方法能够无需依据3d点云分布的特定几何形状，对全尺寸全形态3d障碍物车辆都可进行姿态估计，具有较好的姿态估计全局适应性，弱学习器能够做成并行化方法，大大提高模型的计算速度。
附图说明
[0013]
下面结合附图，对本发明的具体实施方式进行详细描述：图1为本技术公开的一些实施例的车辆姿态估计方法的步骤示意图；图2为本技术公开的一些实施例的翻滚三角形法的模型示意图；图3为本技术公开的一些实施例的最长对角法的模型示意图；图4为本技术公开的一些实施例的主成分分析法的模型示意图；图5为本技术公开的一些实施例的基于集成学习的bagging模型的示意图。
具体实施方式
[0014]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0015]
请参考图1，本发明实施例中，一种基于激光点云与集成学习的车辆姿态估计方法，包括：s1、对激光雷达输出的激光点云进行预处理，获得道路参与者的聚类结果及其凸
包，具体步骤包括：s11、在保持激光点云原始轮廓信息不变的情况下，使用分辨率为0.1m的体素格对激光点云进行下采样；将脱离地面的点云进行滤除，并进一步结合高精度地图将道路外的点云进行剔除，减少非道路参与者的干扰；使用地面滤波算法提取地面以上的点云，并使用聚类算法对道路范围内的点云进行聚类分割，获得聚类结果；s12、对每一个聚类结果，舍弃三维点云高度属性将其投影到二维平面，其中第i个障碍物用oi表示；对二维平面的每一个聚类结果oi提取其轮廓坐标点集e
iob
,得到障碍物oi的有序轮廓坐标序列；然后对轮廓坐标点集e
iob
进行凸包提取，得到能将障碍物oi包围住的最小凸多边形，将该最小凸多边形作为障碍物oi的凸包h
iob
。
[0016]
s2、简化障碍物的3d包围框，将其映射到二维平面，具体步骤包括：s21、对任一障碍物oi采用3d包围框来表示其姿态，具体为：对任一障碍物oi，其姿态采用长方体形状的3d包围框来表示，3d包围框将障碍物的所有点云包含在其内部。3d包围框不仅可以体现障碍物行驶的方向信息，还包含了长度、宽度、高度等信息。
[0017]
s22、对于第i个障碍物，其姿态向量μi表示为：μi=[x
0i
,y
0i
,li,ωi,hi,θi]；其中，(x
0i
,y
0i
)表示第i个障碍物在二维平面的几何中心坐标，li为障碍物的长度，ωi为障碍物的宽度，hi为障碍物的高度，θi为障碍物与前进方向的夹角；s23、根据姿态向量μi得到障碍物的边界框在二维平面的四个角点，从左上角顺时针的四个角点ai,bi,ci,di分别表示为：分别表示为：根据四个角点坐标能够确定唯一3d包围框在二维平面的位置。
[0018]
s3、基于激光点云实际成像的复杂多样性，建立全局姿态估计模型；所述s3的具体方法为：基于激光点云实际成像的复杂多样性，分别根据翻滚三角形法、最长对角法，以及主成分分析法建立三种全局姿态估计模型。
[0019]
翻滚三角形法：如图2所示，在第i个障碍物的凸包点集h
iob
中，针对包含在其中的n个凸包点，旋转三角形姿态估计算法的主要思想是以任意两凸包点g
ki
,g
ki+1
作为三角形的底边，在其他凸包点g
ji
,j∈{1,...,k-1,k+2,...,n}中寻找三角形的顶点g
ji
，计算δg
jigkigki+1
的面积s
ki
，当三角形的面积s
ki
达到最大时，三角形底边g
kigki+1
的方向为边界框长边的方向，即为障碍物的前进方向，三角形的高h
ki
为障碍物的宽。在整个求解过程中按照凸
包每一边为底构成的三角形在凸包内不停的旋转，直到找到构成最大面积的三角形。
[0020]
最长对角法：如图3所示，对于每帧点云数据中的第i个障碍物，其凸包点集中包含n个凸包点h
iob
={g
1i
,g
2i
,...,g
ni
}，首先在凸包点集h
iob
中遍历任意两点，在凸包点中找到距离最长的两点g
ji
和g
ki
，把这两点当作障碍物的最长对角，并在凸包点集h
iob
中寻找距对角线g
jigki
垂直距离最远的点g
li
；将g
li
分别与g
ji
和g
ki
连接，得到线段g
ligji
和g
ligki
，选择其中最长的一条作为障碍物包围框的长边方向。过g
ji
向长边做垂线即可得到短边方向，短边与长边的交点即为包围框的一个角点。在凸包点集h
iob
中寻找距长边垂直距离最远的点g
mi
，过g
mi
沿着长边的方向做直线，直线与短边的交点即为包围框的另一个角点。这样另外两个角点便可唯一确定，依次连接四个角点即可得到障碍物的包围框；主成分分析法：如图4所示，该方法是通过线性正交变换，将原始数据的多维特征向量从高维空间映射到低维度空间。在第i个障碍物的凸包点集h
iob
中，将其中的n个凸包点视为样本，首先计算出样本的协方差矩阵，对其进行特征分解得到特征值λ
1i
和λ
2i
，选择两者中较大的特征值λ
imax
对应的特征向量α
imax
=[α
imax1
α
imax2
]
t
作为障碍物的行驶方向向量，障碍物与前进方向的夹角θi计算方式如下;沿着障碍物的行驶方向α
imax
的正方向在凸包点集h
iob
找到离障碍物中心最远的凸包点g
ihmax
，同样可以沿着α
imax
的反方向找到最远的凸包点g
ihmin
，在α
imax
的右侧沿着α
imax
的垂直方向找到最远的凸包点g
ivmax
，同样可以沿着α
imax
的垂直方向在α
imax
的左侧找到最远的凸包点g
ivmin
；经过点g
ihmax
沿着α
imax
的垂直方向做一条直线l
ihmax
,经过点g
ihmin
沿着α
imax
的垂直方向做一条直线l
ihmin
,经过点g
ivmax
沿着α
imax
的平行方向做一条直线l
ivmax
,经过点g
ivmin
沿着α
imax
的平行方向做一条直线l
ivmin
；四条直线l
ihmax
,l
ivmax
,l
ihmin
,l
ivmin
的四个交点即为障碍物包围框的四个角点，四个角点包围的矩形即为第i个障碍物的包围框。
[0021]
s4、建立模型评价指标，用于对全局姿态估计模型结果进行评估，具体步骤包括：根据建立的全局姿态估计模型设置三种模型评价指标，用于对全局姿态估计模型进行评估，其中三种模型评价指标包括平均点云距离指标、框内点云占比指标，以及连续平均偏移角指标；平均点云距离指标：对于每帧点云数据中的第i个障碍物，其凸包点集中包含n个凸包点h
iob
={g
1i
,g
2i
,...,g
ni
}，计算每个凸包点g
ki
到包围框中最近一条边的距离d
ki
，最后计算第i个障碍物的所有凸包点到最近包围框的平均距离add
iob
，计算公式为：；框内点云占比指标：当包围框不能全部包围住障碍物点云时，会导致一部分障碍物点云在包围框外，将该部分点云的数量记为η
iout
，包围框内的点云数量记为η
iin
，则框内点云占比ppci
iob
的计算公式为：
；连续平均偏移角指标：为了保证姿态估计中的连续性和稳定性，需考虑过去m帧点云数据中的障碍物偏移角的稳定性，连续平均偏移角cda
iob
的计算公式为：；其中，和分别表示当前帧与前一帧障碍物与前进方向的偏移角。
[0022]
s5、搭建基于集成学习的bagging模型，得到障碍物最优姿态估计方案，具体步骤包括：如图5所示，基于集成学习的bagging模型大致可以分为四个关键环节：生成原始训练集、进行bootstrap重采样、训练三个弱学习器和使用投票法结合策略生成强学习器，具体为：生成原始训练集：根据每一帧中的任一障碍物，利用步骤s3中的三种全局姿态估计模型得到三种姿态估计结果，再使用步骤s4中三种模型评价指标对三种姿态估计结果进行定量评价，则任一障碍物可得到9个评价指标，将之作为训练样本的特征值，训练样本的目标值为真实的姿态估计模型序号；进行bootstrap重采样：从原始训练集中随机进行m次有放回随机采样，得到一个新的采样集；需要说明的是，由于是有放回采样，采样集的样本有重复的可能性，由于采样的随机性，所以生成的采样集是不同的。
[0023]
训练三个弱学习器：bootstrap重采样后可得到三个不同的采样集，对三个采样集，分别独立的训练出三个不同的弱学习器；每个弱学习器采用集成神经元模型的全连接神经网络，网络的输入为障碍物的9个评价指标，输出为最佳姿态估计模型序号；投票法结合策略生成强学习器：当三个弱学习器分别生成各自的输出结果后，使用相对多数投票法确定最终的最佳姿态估计方案。
[0024]
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定，均应包含在本发明的保护范围之内。