本發(fā)明涉及機(jī)器人避障檢測方法，特別是涉及面向無人車導(dǎo)航的一種基于激光雷達(dá)點(diǎn)云局部結(jié)構(gòu)特征的負(fù)障礙物檢測方法。

背景技術(shù)：

傳統(tǒng)的用于負(fù)障礙物檢測的方法有基于熱紅外圖像、基于彩色圖像和基于雙目視覺的檢測方法?；跓峒t外圖像的負(fù)障礙物檢測方法使用熱紅外相機(jī)采集圖像，根據(jù)負(fù)障礙物與環(huán)境溫度存在溫差的特點(diǎn)檢測環(huán)境中的負(fù)障礙物。這種檢測方法的缺點(diǎn)是對環(huán)境溫度變化十分敏感?；诓噬珗D像的負(fù)障礙物檢測方法使用彩色相機(jī)采集圖像，在圖像序列中提取顏色模型和幾何模型檢測負(fù)障礙物，這種方法受光照條件影響強(qiáng)烈?；陔p目視覺的方法使用雙目圖像并利用種子生長法檢測負(fù)障礙物，這種方法同樣受到光照條件影響。除了受到光照條件影響，傳統(tǒng)使用單相機(jī)圖像的負(fù)障礙物檢測方法無法確定負(fù)障礙物的實(shí)際距離，使用雙目視覺的負(fù)障礙物檢測方法雖然能計(jì)算距離，但也存在精度不高的缺點(diǎn)。

為解決使用傳統(tǒng)圖像檢測負(fù)障礙物易受到光照條件影響以及無法準(zhǔn)確定位的問題，在無人車導(dǎo)航領(lǐng)域一類方法是使用三維激光雷達(dá)作為導(dǎo)航傳感器。

三維激光雷達(dá)能夠獲取環(huán)境的點(diǎn)云數(shù)據(jù)，探測范圍廣，精度高，且不受光照條件影響，能夠精確描述環(huán)境結(jié)構(gòu)信息。

目前基于激光雷達(dá)檢測負(fù)障礙物有基于多幀融合的檢測方法和基于SVM分類的方法。

多幀融合的負(fù)障礙物檢測方法通過融合多幀點(diǎn)云得到高密度局部地圖，進(jìn)而通過遮擋關(guān)系確定負(fù)障礙物位置。這種方法對靜態(tài)環(huán)境中的負(fù)障礙檢測效果較好，但計(jì)算復(fù)雜度高且不適用于環(huán)境中存在大量運(yùn)動(dòng)物體的情況。

基于SVM的負(fù)障礙物檢測方法通過計(jì)算點(diǎn)云的局部特征，例如高度-長度-密度特征，再通過大量樣本訓(xùn)練得到負(fù)障礙物分類器，進(jìn)而用于對候選負(fù)障礙物點(diǎn)云的分類與位置檢測。這種方法缺點(diǎn)在于需要預(yù)先進(jìn)行大量樣本訓(xùn)練，并且對未訓(xùn)練過的負(fù)障礙物種類的檢測效果較差。

技術(shù)實(shí)現(xiàn)要素：

在無人車越野行駛環(huán)境中，存在溝壑、坑洞等負(fù)障礙物，本發(fā)明的目的在于提供了一種基于激光雷達(dá)點(diǎn)云局部結(jié)構(gòu)特征的負(fù)障礙物檢測方法，即利用垂直掃描激光雷達(dá)點(diǎn)云的局部結(jié)構(gòu)特征提取負(fù)障礙物候選點(diǎn)對，進(jìn)而聚類形成負(fù)障礙物候選區(qū)域，最后進(jìn)行過濾得到負(fù)障礙物結(jié)果。

本發(fā)明所述的負(fù)障礙物檢測方法采取先在單線激光點(diǎn)云中提取候選點(diǎn)對，再將多線激光提取的候選點(diǎn)對集合進(jìn)行聚類的方案。首先是計(jì)算了點(diǎn)云中負(fù)障礙物的三類結(jié)構(gòu)特征，即局部點(diǎn)云距離跳變、局部點(diǎn)云分布密集和局部點(diǎn)云高度下降。根據(jù)三類結(jié)構(gòu)特征提取出負(fù)障礙物候選點(diǎn)對，通過空間位置一致性和點(diǎn)對長度一致性聚類得到負(fù)障礙物候選區(qū)域，通過面積過濾、點(diǎn)對數(shù)量過濾得到負(fù)障礙物結(jié)果區(qū)域。

本發(fā)明采用的具體技術(shù)方案包括如下步驟：

1)已采集的激光雷達(dá)點(diǎn)云數(shù)據(jù)，針對單線激光點(diǎn)云，逐線檢測局部點(diǎn)云距離跳變、局部點(diǎn)云分布密集和局部點(diǎn)云高度下降的三個(gè)結(jié)構(gòu)特征，依據(jù)三個(gè)結(jié)構(gòu)特征在單線激光點(diǎn)云中提取篩選獲得可能屬于負(fù)障礙物的候選點(diǎn)對；

2)由各線激光的激光點(diǎn)云獲得的所有候選點(diǎn)對，依據(jù)點(diǎn)對長度一致性和空間位置一致性進(jìn)行聚類，得到一系列負(fù)障礙物候選區(qū)域，再經(jīng)過面積過濾得到負(fù)障礙物區(qū)域。

本發(fā)明的負(fù)障礙物一般指的是地面上的凹坑、壕溝等障礙物。

本發(fā)明涉及的點(diǎn)云數(shù)據(jù)由激光雷達(dá)采集得到，激光雷達(dá)為多線激光旋轉(zhuǎn)掃描的工作方式，一根激光線對應(yīng)一段連續(xù)分布的點(diǎn)云。

所述步驟1)具體是針對單線激光點(diǎn)云，采用以下方式進(jìn)行處理：

1.1)逐激光點(diǎn)計(jì)算鄰近點(diǎn)間距與局部平滑度，并根據(jù)局部平滑度判斷獲得平滑點(diǎn)；

1.2)逐激光點(diǎn)通過檢測局部點(diǎn)云距離跳變特征選取鄰近點(diǎn)間距局部極大值的候選點(diǎn)對，作為初始候選點(diǎn)對；

1.3)在初始候選點(diǎn)對中，通過檢測局部點(diǎn)云分布密集特征選取初始候選點(diǎn)對中后沿點(diǎn)所在位置點(diǎn)云局部密集的點(diǎn)對，獲得篩選后的初始候選點(diǎn)對；

1.4)通過局部點(diǎn)云高度下降特征進(jìn)行進(jìn)一步篩選，獲得最終的候選點(diǎn)對。

經(jīng)過步驟1.4)得到的點(diǎn)對即是滿足負(fù)障礙物三個(gè)局部結(jié)構(gòu)特征，即鄰接點(diǎn)距離跳變、后沿點(diǎn)密集分布、后沿點(diǎn)高度下降的候選點(diǎn)對集合。

所述步驟1.1)具體為：

1.1.1)計(jì)算鄰近點(diǎn)間距

針對單線激光點(diǎn)云，采用以下公式計(jì)算每個(gè)激光點(diǎn)與其鄰近激光點(diǎn)之間的空間距離，激光點(diǎn)的坐標(biāo)為鄰近激光點(diǎn)的坐標(biāo)為

其中，表示激光點(diǎn)及其鄰接點(diǎn)之間的鄰近點(diǎn)間距，l表示單線激光點(diǎn)云中的激光點(diǎn)序號；

1.1.2)計(jì)算局部平滑度

除鄰近點(diǎn)間距外，還需要計(jì)算單線激光點(diǎn)云的局部平滑度。對于單線激光而言，其掃描方式為平面掃描，因而單線激光掃描局部地形所形成的點(diǎn)云可看做該掃描平面與地面的交線。在平坦的地面上，該交線呈直線分布，在地形起伏劇烈的地面上，該交線則呈現(xiàn)出蜿蜒曲折的折線形狀。基于此，采用以下公式計(jì)算單線激光點(diǎn)云中每個(gè)激光點(diǎn)的局部平滑度s_l：

式中，N_neighbor表示預(yù)設(shè)的鄰近點(diǎn)個(gè)數(shù)，一般取n＝5，l表示單線激光點(diǎn)云中的激光點(diǎn)序號，k表示該激光點(diǎn)的鄰近點(diǎn)的序號；

上述的s_l大小體現(xiàn)了該激光點(diǎn)局部區(qū)域的平滑度，s_l值非常小表明該激光點(diǎn)處于平滑的近似平面上，s_l值非常大表明該激光點(diǎn)所處的位置地形起伏劇烈。

預(yù)設(shè)平滑閾值Ths_smooth和非平滑閾值Ths_sharp，通過將激光點(diǎn)的局部平滑度s_l分別與平滑閾值Ths_smooth和非平滑閾值Ths_sharp進(jìn)行比較獲得激光點(diǎn)是否為平滑點(diǎn)的結(jié)果：若滿足s_l≤Ths_smooth，該激光點(diǎn)為平滑點(diǎn)；若滿足s_l≥Ths_sharp，該激光點(diǎn)為非平滑點(diǎn)。

所述步驟1.2)具體是：對于單線激光點(diǎn)云上的各激光點(diǎn)，按以下公式處理并提取獲得鄰近點(diǎn)間距跳變點(diǎn)集合P_jump：

式中，N_{jump_nbr}表示預(yù)設(shè)的鄰近點(diǎn)個(gè)數(shù)，Ths_dis為鄰近點(diǎn)間距跳變閾值，l表示單線激光點(diǎn)云中的激光點(diǎn)序號，k表示該激光點(diǎn)的鄰近點(diǎn)的序號；

鄰近點(diǎn)間距跳變點(diǎn)集合P_jump中的點(diǎn)是作為候選點(diǎn)對中的后沿點(diǎn)，候選點(diǎn)對中包括前沿點(diǎn)和后沿點(diǎn)，前沿點(diǎn)是序號靠前的激光點(diǎn)，后沿點(diǎn)是序號靠后的激光點(diǎn)，判斷負(fù)障礙往往需要前后沿的點(diǎn)對，因此再取鄰近點(diǎn)間距跳變點(diǎn)集合P_jump中的每個(gè)激光點(diǎn)作為后沿點(diǎn)，其在單線激光點(diǎn)云中之前的一個(gè)激光點(diǎn)作為前沿點(diǎn)，形成鄰近點(diǎn)間距跳變點(diǎn)對并獲得鄰近點(diǎn)間距跳變點(diǎn)對集合P_{neg_pair}，具體是采用以下公式：

式中，l表示單線激光點(diǎn)云中的激光點(diǎn)序號。

以鄰近點(diǎn)間距跳變點(diǎn)對集合P_{neg_pair}中的鄰近點(diǎn)間距跳變點(diǎn)對作為初始候選點(diǎn)對。

所述的步驟1.3)具體為：將初始候選點(diǎn)對投影到激光雷達(dá)點(diǎn)云空間所對應(yīng)的柵格屬性地圖上，每個(gè)柵格統(tǒng)計(jì)落在該柵格內(nèi)激光點(diǎn)的數(shù)目，針對初始候選點(diǎn)對的后沿點(diǎn)判斷是否滿足以下公式：

PtNum_(k，l)-PtNum_(m,n)≥Ths_dense

m∈[k-N_grid,k+N_grid],m≠k

n∈[l-N_grid,l+N_grid],n≠l

式中，N_grid表示預(yù)設(shè)柵格鄰近距離，PtNum_(k,l)表示當(dāng)前柵格中包含的所有激光點(diǎn)總數(shù)，PtNum_(m,n)表示當(dāng)前柵格在預(yù)設(shè)柵格鄰近距離N_grid鄰域內(nèi)的一柵格內(nèi)包含的所有激光點(diǎn)總數(shù)，Ths_dense是預(yù)設(shè)的點(diǎn)云密集閾值，當(dāng)前柵格是指初始候選點(diǎn)對的后沿點(diǎn)所在的柵格，m、n分別表示當(dāng)前柵格在預(yù)設(shè)柵格鄰近距離N_grid鄰域內(nèi)的柵格行號與列號。

初始候選點(diǎn)對的后沿點(diǎn)滿足公式，則認(rèn)為滿足局部點(diǎn)云分布密集特征，將該初始候選點(diǎn)對保留，繼續(xù)下一步的處理；否則，將該初始候選點(diǎn)對舍棄，不繼續(xù)下一步的處理。

所述步驟1.4)具體為：

對于步驟1.3)篩選后的每個(gè)初始候選點(diǎn)對，選取后沿點(diǎn)前方的N_line個(gè)平滑點(diǎn)形成平滑點(diǎn)集P_{local_smooth}，N_line表示選取的平滑點(diǎn)總數(shù)，為預(yù)設(shè)值，將滑點(diǎn)集P_{local_smooth}中的所有平滑點(diǎn)通過最小二乘法進(jìn)行直線擬合獲得直線方程；

再將后沿點(diǎn)空間坐標(biāo)[x_l,y_l,z_l]中位于水平平面的x,y坐標(biāo)代入直線方程，并與后沿點(diǎn)的z坐標(biāo)相比較，具體是采用以下公式進(jìn)行判斷篩選：

式中，d_zl是篩選后的初始候選點(diǎn)對前方的平滑點(diǎn)擬合直線在后沿點(diǎn)處的估計(jì)高度與實(shí)際高度之差，Ths_z為預(yù)設(shè)的候選點(diǎn)對后沿點(diǎn)高度下降閾值，l表示候選點(diǎn)對序號；

若滿足上述公式，則表明該后沿點(diǎn)位于直線的下方，滿足局部點(diǎn)云高度下降特征，保留該后沿點(diǎn)所在的初始候選點(diǎn)對，繼續(xù)下一步的處理；否則，將該后沿點(diǎn)所在的初始候選點(diǎn)對舍棄，不繼續(xù)下一步的處理。

本發(fā)明的激光點(diǎn)云空間的xyz坐標(biāo)中，x是沿朝車輛的右方向，y是沿朝車輛的正前方向，z是沿垂直于底面朝向正上方向。

所述的直線方程采用以下方式擬合計(jì)算得到：

設(shè)空間直線經(jīng)過點(diǎn)[x₀,y₀,0]，方向向量為[a,b,1]，則空間直線方程表示為：

其中，a、b分別表示空間直線的歸一化的方向向量在x、y坐標(biāo)軸的兩個(gè)分量，x₀、y₀分別表示空間直線經(jīng)過點(diǎn)的坐標(biāo)的x、y坐標(biāo)軸的兩個(gè)分量。

上述方程寫成矩陣形式為：

將這N_line個(gè)平滑點(diǎn)代入上述矩陣，得到：

其中，x₁到y(tǒng)₁到z₁到分別表示第1個(gè)到第N_line個(gè)平滑點(diǎn)的坐標(biāo)的x、y、z坐標(biāo)軸分量；

化簡得到：

上式中，l是平滑點(diǎn)序號；

解出上述a、b、x₀、y₀即求出直線方程。

所述的步驟2)中聚類具體為：

2.1)將步驟1)獲得各線激光點(diǎn)云中的候選點(diǎn)對進(jìn)行合并，然后采用以下方式進(jìn)行聚類，聚類過程在柵格屬性地圖上進(jìn)行，柵格屬性地圖中的坐標(biāo)具有行u與列v，將候選點(diǎn)對投影到柵格屬性地圖上獲得對應(yīng)的柵格點(diǎn)對，柵格點(diǎn)對由前沿柵格點(diǎn)p_front和后沿柵格點(diǎn)p_back構(gòu)成；

2.2)每一對候選點(diǎn)對均使用向量表示；

取前沿柵格點(diǎn)p_front和后沿柵格點(diǎn)p_back之間的中點(diǎn)表示該候選點(diǎn)對在柵格屬性地圖上的空間位置：

其中，u、v分別表示該候選點(diǎn)對在柵格屬性地圖上的行坐標(biāo)和列坐標(biāo)，u_front、v_front分別表示前沿柵格點(diǎn)p_front在柵格屬性地圖上的行坐標(biāo)和列坐標(biāo)，u_back、v_back分別表示后沿柵格點(diǎn)p_back在柵格屬性地圖上的行坐標(biāo)和列坐標(biāo)；

采用以下公式取前沿柵格點(diǎn)p_front和后沿柵格點(diǎn)p_back之間的距離表示候選點(diǎn)對的點(diǎn)對長度w：

2.3)由所有候選點(diǎn)對的向量形成候選點(diǎn)對向量集合G_pars：

其中，N_pars表示步驟1)獲得所有線激光上的候選點(diǎn)對總數(shù)；

2.3)使用均值偏移的方法進(jìn)行聚類：

對每一個(gè)候選點(diǎn)對的向量均初始構(gòu)造一個(gè)質(zhì)心向量使得從而形成質(zhì)心向量集合G_centers：

初始的質(zhì)心向量集合G_centers滿足G_centers＝G_pars；

對質(zhì)心向量集合G_centers中的每個(gè)質(zhì)心向量，采用公式遍歷計(jì)算其對應(yīng)的加權(quán)質(zhì)心向量

其中，為高斯核函數(shù)，l、k均為質(zhì)心向量的序號，h為預(yù)先設(shè)定的核函數(shù)帶寬；

所述的高斯核函數(shù)采用以下公式計(jì)算：

其中，h為核函數(shù)帶寬；

從而得到加權(quán)質(zhì)心向量集合G_shfts：

2.4)對加權(quán)質(zhì)心向量集合G_shfts中的每個(gè)加權(quán)質(zhì)心向量，采用以下公式計(jì)算其與其對應(yīng)的質(zhì)心向量之間的歐氏距離Dshft_l：

式中，l表示加權(quán)質(zhì)心向量的序號。將歐氏距離Dshft_l與誤差閾值Epsilon采用以下公式相比較，判斷獲得質(zhì)心向量是否達(dá)到局部概率密度極大條件：

Dshft_l≤Epsilon

若滿足條件，則保持不變，否則采用以下方式更新

2.5)重復(fù)步驟2.2)-2.4)，直到所有候選點(diǎn)對的向量對應(yīng)的所有質(zhì)心向量均達(dá)到局部概率密度極大條件，即對任意i∈{0,1,…,N_pairs-1}，均滿足Dshift_i≤Epsilon；

2.6)每一個(gè)候選點(diǎn)對對應(yīng)一個(gè)質(zhì)心向量遍歷這些質(zhì)心向量，將相同質(zhì)心向量對應(yīng)的候選點(diǎn)對歸為同一類，完成候選點(diǎn)對集合的聚類。

所述步驟1.3)或者步驟2.1)中的柵格屬性地圖具體是：柵格屬性地圖為基于大地平面假設(shè)，將激光雷達(dá)點(diǎn)云空間所在的x-y水平平面分割成大小相等的柵格，每個(gè)柵格尺寸為gridsize×gridsize，激光雷達(dá)點(diǎn)云空間的三維激光點(diǎn)坐標(biāo)投影到柵格屬性地圖所在的柵格坐標(biāo)(row,col)為：

其中，row、col分別表示該三維激光點(diǎn)投影到柵格屬性地圖所在的柵格坐標(biāo)的行號與列號，Yoffset、Xoffset分別表示預(yù)設(shè)的偏移量；

并且每一個(gè)柵格包含車體區(qū)域標(biāo)志位isCar、負(fù)障礙物標(biāo)志位isNegObs和柵格內(nèi)點(diǎn)云數(shù)目PtNum_(row,col)的屬性。本發(fā)明將負(fù)障礙物區(qū)域使用柵格屬性地圖來呈現(xiàn)，屬性為負(fù)障礙的柵格表示負(fù)障礙物所在位置。

所述的步驟2)中過濾具體為：得到負(fù)障礙的若干聚類之后，還需進(jìn)行過濾操作。通常認(rèn)為負(fù)障礙物應(yīng)當(dāng)大于一定尺寸以排除點(diǎn)云稀疏造成的誤判。負(fù)障礙物區(qū)域的面積尺寸由兩個(gè)值描述：該類中的候選點(diǎn)對個(gè)數(shù)Num_par，以及候選點(diǎn)對構(gòu)成多邊形的面積Area_neg，多邊形為該類中候選點(diǎn)對的所有點(diǎn)的最小外接多邊形。由同一類的所有候選點(diǎn)對所形成的區(qū)域作為負(fù)障礙物候選區(qū)域，遍歷所有負(fù)障礙物候選區(qū)域，采用以下公式判斷是否滿足：

Num_par≥Ths_num

Area_neg≥Ths_area

式中，Num_par表示負(fù)障礙物候選區(qū)域中所有候選點(diǎn)對的總對數(shù)，Area_neg表示負(fù)障礙物候選區(qū)域中所有候選點(diǎn)對構(gòu)成多邊形的面積，多邊形為包圍在負(fù)障礙物候選區(qū)域中所有候選點(diǎn)對外的最小外接多邊形，Ths_num為區(qū)域候選點(diǎn)對數(shù)量閾值，Ths_area為負(fù)障礙物在柵格屬性地圖中形成多邊形的面積閾值；

若同時(shí)滿足以上兩個(gè)條件，則負(fù)障礙物候選區(qū)域保留，為最終的負(fù)障礙物區(qū)域；

若不同時(shí)滿足以上兩個(gè)條件，則負(fù)障礙物候選區(qū)域舍棄，不為最終的負(fù)障礙物區(qū)域。

與背景技術(shù)比較，本發(fā)明具有的有益效果是：

1)本發(fā)明不依賴彩色相機(jī)、紅外相機(jī)等二維傳感器，因此檢測結(jié)果不受光照條件的影響；

2)本發(fā)明使用激光雷達(dá)傳感器檢測負(fù)障礙物，能夠直接測量負(fù)障礙物的距離，檢測結(jié)果位置精度高；

3)本發(fā)明先將大規(guī)模點(diǎn)云提取出小數(shù)量的候選點(diǎn)對集合，從小數(shù)量的候選點(diǎn)對中進(jìn)行負(fù)障礙物聚類，相比直接使用圖像數(shù)據(jù)建模的計(jì)算復(fù)雜度更低，實(shí)時(shí)性更強(qiáng)；

附圖說明

圖1是本發(fā)明方法的流程圖。

圖2是垂直掃描激光雷達(dá)的安裝側(cè)視圖。

圖3是垂直掃描激光雷達(dá)的安裝俯視圖。

圖4是本發(fā)明的典型使用場景，其中左上是點(diǎn)云俯視圖，右上是場景實(shí)拍圖像，右中為柵格屬性地圖，下方是對應(yīng)點(diǎn)云三維渲染圖。

圖5是對典型場景點(diǎn)云實(shí)施本發(fā)明內(nèi)容(1.1)計(jì)算鄰近點(diǎn)間距(左圖)與局部平滑度(右圖)之結(jié)果，越亮表示值越大。其中P1、P2、P3、P4、P5是負(fù)障礙物候選點(diǎn)對的后沿點(diǎn)，可見在負(fù)障礙物候選點(diǎn)對中后沿點(diǎn)的鄰近點(diǎn)間距為局部極大值，負(fù)障礙物候選點(diǎn)對前方點(diǎn)云的局部平滑度較小，屬于平滑點(diǎn)。

圖6是對典型場景點(diǎn)云實(shí)施本發(fā)明內(nèi)容(1.4)擬合直線的結(jié)果，P6、P7、P8、P9、P10為負(fù)障礙物候選點(diǎn)對前方的5個(gè)平滑點(diǎn)，白色長虛線為這5個(gè)平滑點(diǎn)擬合的直線，可見負(fù)障礙物候選點(diǎn)對中后沿點(diǎn)相對擬合直線呈現(xiàn)高度下降特征。

圖7是對典型場景點(diǎn)云實(shí)施本發(fā)明內(nèi)容(1)、(2)提取負(fù)障礙物候選點(diǎn)對與聚類后的結(jié)果。左圖為提取獲得的負(fù)障礙物候選點(diǎn)對，用白色線段標(biāo)出，右圖為聚類結(jié)果，用序號標(biāo)識。

圖8是對典型場景點(diǎn)云實(shí)施本發(fā)明內(nèi)容(2)過濾負(fù)障礙物候選區(qū)域的結(jié)果。左圖為過濾結(jié)果，只有0號和1號兩個(gè)負(fù)障礙物候選區(qū)域保留下來，右上為場景實(shí)拍圖像，右下為對應(yīng)柵格屬性地圖，可見只保留過濾后的兩個(gè)負(fù)障礙物區(qū)域。

圖9是對4個(gè)野外場景點(diǎn)云實(shí)施本發(fā)明負(fù)障礙物檢測方法的結(jié)果圖。對每一張子圖，左邊是提取的負(fù)障礙物候選點(diǎn)對的聚類結(jié)果，右上為場景實(shí)拍圖像，右下為對應(yīng)的柵格屬性地圖，其中標(biāo)識出過濾后輸出的負(fù)障礙物區(qū)域。

具體實(shí)施方式

下面結(jié)合附圖和實(shí)施例對本發(fā)明做進(jìn)一步說明。

如圖1所示，本發(fā)明方法的實(shí)施例及其實(shí)施過程如下：

以一個(gè)典型的包含負(fù)障礙的場景例子來更清楚地表示本發(fā)明的過程。

實(shí)施例的點(diǎn)云數(shù)據(jù)由車輛前部安裝的兩個(gè)激光雷達(dá)采集得到，兩個(gè)激光雷達(dá)布置方式和采集方式如圖2和圖3所示，激光雷達(dá)為多線激光旋轉(zhuǎn)掃描的工作方式，一根激光線對應(yīng)一段連續(xù)分布的點(diǎn)云。

場景示意見圖4，其中左上為激光雷達(dá)點(diǎn)云俯視圖，右上為場景實(shí)拍圖像，右中為對應(yīng)的柵格屬性地圖，下方位激光雷達(dá)點(diǎn)云三維渲染圖。取gridsize為20cm，Yoffset為1500cm，Xoffset為2000cm。

步驟一：對該場景實(shí)施本發(fā)明之(1.1)，逐線計(jì)算鄰近點(diǎn)間距、局部平滑度，其中N_neighbor取值5，Ths_smooth取值50，Ths_sharp取值350。如圖5所示，左邊為鄰近點(diǎn)間距示意圖，越亮表示值越大，可見負(fù)障礙物候選點(diǎn)對中后沿點(diǎn)的鄰近點(diǎn)間距數(shù)值較大；右邊為局部平滑度示意圖，越亮表示值越大，可見負(fù)障礙物候選點(diǎn)對前方點(diǎn)云的局部平滑度較小，為平滑點(diǎn)。

步驟二：對該場景實(shí)施本發(fā)明之(1.2)，逐激光點(diǎn)通過檢測局部點(diǎn)云距離跳變特征選取點(diǎn)云鄰近點(diǎn)間距局部極大值的候選點(diǎn)對，作為初始候選點(diǎn)對。其中Ths_dis取值40cm，N_{jump_nbr}取值5。

步驟三：對該場景實(shí)施本發(fā)明之(1.3)，在初始候選點(diǎn)對中，通過檢測局部點(diǎn)云分布密集特征選取初始候選點(diǎn)對中后沿點(diǎn)所在位置點(diǎn)云局部密集的點(diǎn)對，獲得篩選后的初始候選點(diǎn)對。其中Ths_dense取值4，N_grid取值2。

步驟四：對該場景實(shí)施本發(fā)明之(1.4)，在篩選后的初始候選點(diǎn)對中，通過局部點(diǎn)云高度下降特征進(jìn)行進(jìn)一步篩選獲得最終的候選點(diǎn)對。選取候選點(diǎn)對前方N_line個(gè)平滑度數(shù)值較小的點(diǎn)，其中N_line取值為5，用以擬合直線，繼而選取后沿點(diǎn)高度顯著低于直線位置的負(fù)障礙點(diǎn)對。如圖6所示，其中白色長虛線代表候選點(diǎn)對前方5個(gè)平滑點(diǎn)擬合的直線，可見負(fù)障礙物候選點(diǎn)對中的后沿點(diǎn)相對擬合直線呈現(xiàn)高度下降特征。

步驟五：對該場景實(shí)施本發(fā)明之(2.1)～(2.6)，將步驟四選取的負(fù)障礙物候選點(diǎn)對進(jìn)行空間位置一致性、點(diǎn)對長度一致性聚類，其中核函數(shù)帶寬h取值4.0，誤差閾值Epsilon取值0.0001。如圖7所示，左圖為經(jīng)過步驟四獲得的最終的候選點(diǎn)對，用白色線段標(biāo)出，右圖為聚類結(jié)果，共聚成6類，用序號標(biāo)識。

步驟六：對該場景實(shí)施本發(fā)明之(4)，對聚類結(jié)果根據(jù)區(qū)域面積、點(diǎn)對數(shù)量過濾，其中Ths_num的值取3，Ths_area值取20。如圖8所示，左圖為負(fù)障礙物候選區(qū)域經(jīng)過濾后的結(jié)果，僅0、1號負(fù)障礙物候選區(qū)域被保留下來；右圖為對應(yīng)輸出的柵格屬性地圖，其中車體前方兩個(gè)白色區(qū)域代表過濾后得到的負(fù)障礙物區(qū)域。

另外測試了4組不同的場景數(shù)據(jù)來評估本發(fā)明的效果，以激光雷達(dá)點(diǎn)云作為輸入，檢測輸出的柵格屬性地圖中負(fù)障礙物標(biāo)識個(gè)數(shù)、位置。如圖9所示，4張子圖表示4個(gè)不同場景的檢測結(jié)果。對每一張子圖，左邊為激光雷達(dá)點(diǎn)云俯視圖，右上為對應(yīng)場景彩色圖像，右下為輸出的柵格屬性地圖。檢測的具體結(jié)果如表1所示。表1中場景1、場景2、場景3、場景4分別對應(yīng)圖9中的左上、右上、左下和右下四個(gè)子圖。表1記錄了4組實(shí)驗(yàn)的場景描述、光照條件、總幀數(shù)、成功檢測出負(fù)障礙物的幀數(shù)、負(fù)障礙物首次檢出距離、檢測成功率、平均位置誤差和平均每幀耗時(shí)。

表1

從上表1結(jié)果可見，在不同光照條件下本方法均能夠達(dá)到90％以上的檢測成功率，平均位置誤差約為0.2m。對于直徑為1m，深0.5m的凹坑，本方法的首次檢出距離約為12.4m，而寬度為0.6m，深0.5m的壕溝，本方法的首次檢出距離為12.0m。實(shí)驗(yàn)采用一臺配備4核心主頻為2.6GHz的Intel i5處理器的電腦，實(shí)驗(yàn)中每幀激光雷達(dá)點(diǎn)云的平均處理耗時(shí)約為10ms，所以本發(fā)明方法的計(jì)算代價(jià)很小。

可以看出，本發(fā)明提出的面向無人車導(dǎo)航的基于點(diǎn)云數(shù)據(jù)局部結(jié)構(gòu)特征的負(fù)障礙物檢測方法具有檢測結(jié)果不受光照條件影響、檢測結(jié)果位置精度高的特點(diǎn)，此外，本方法計(jì)算代價(jià)小，可以實(shí)時(shí)運(yùn)行。