一種基于無人駕駛車的道路與障礙物檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于無人駕駛車領(lǐng)域，具體涉及一種基于無人駕駛車的道路與障礙物檢測 方法。
【背景技術(shù)】
[0002] 無人駕駛車是智能交通系統(tǒng)的重要組成部分，行駛在城市環(huán)境中的無人駕駛車需 要對周圍環(huán)境有很好的感知能力，包括對道路結(jié)構(gòu)的感知、對其他動態(tài)障礙物的檢測等?？?靠的環(huán)境感知能力對自主巡航控制、碰撞預(yù)警和路徑規(guī)劃起到至關(guān)重要的作用。
[0003] 通常無人駕駛車上可以攜帶安裝如攝像頭、雷達(dá)、GPS等具有環(huán)境感知作用的傳感 器。其中激光雷達(dá)具有不受天氣、光照等因素影響，不依靠紋路和顏色來辨別，對于陰影噪 聲不敏感等優(yōu)良特性。此外，激光雷達(dá)在測量時掃描頻率高、數(shù)據(jù)量豐富、返回的掃描數(shù)據(jù) 便于快速處理。因此采用激光雷達(dá)來感知無人駕駛車周圍的環(huán)境信息具有較好地魯棒性和 快速性，在無人駕駛車上具有較好的應(yīng)用前景。
[0004] 現(xiàn)有的路沿檢測技術(shù)主要有兩種：一是采用攝像頭圖像處理的方法采集路沿；二 是采用霍夫變換的方法。第一種方法的缺點在于圖像處理費時，占用過多的內(nèi)存，而且攝像 頭受光照陰影干擾較大，不能滿足無人駕駛車在實時性方面的要求，且不能夠全天候工作； 第二種方法的缺點在于霍夫變換是檢測在近似一條直線上的點，激光雷達(dá)數(shù)據(jù)中很多掃描 到障礙物的點非常集中，反而掃描到路沿上的點比較稀疏，所以霍夫變換檢測出路沿的概 率很小。
[0005] 現(xiàn)有障礙物檢測技術(shù)，常采用建立0-1柵格地圖和根據(jù)PCR2規(guī)則建立柵格地圖 描述無人駕駛車周圍信息的方法。該方法的缺點是0-1柵格地圖是原始數(shù)據(jù)的直接反應(yīng)， 魯棒性較弱，不能夠處理真實道路情況的漏檢率和虛警率，對安全駕駛造成威脅；第二種 PCR2規(guī)則建立的柵格地圖能夠快速的響應(yīng)無人駕駛車周圍情況，但是同時也對噪聲反映靈 敏，其穩(wěn)定性不能滿足無人駕駛車的要求。另外，現(xiàn)有的道路檢測方法不包括車輛前方道路 坡度的檢測，而道路坡度信息對駕駛安全非常重要。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術(shù)中存在的道路坡度檢測缺失、路沿檢測魯棒性差、前后幀融合困難 等問題，本發(fā)明提出一種無人駕駛車中的道路與障礙物檢測方法，采用四線激光雷達(dá)作為 距離傳感器，根據(jù)激光雷達(dá)不同掃描層上的路面數(shù)據(jù)點的相對位置關(guān)系，在可行駛區(qū)域中 計算出道路的坡度信息；根據(jù)路沿數(shù)據(jù)點特征，基于歐氏距離改進(jìn)的COBWEB算法和最小二 乘法擬合出左右路沿，增強(qiáng)了路沿檢測的抗干擾能力、準(zhǔn)確性和穩(wěn)定性；應(yīng)用DST證據(jù)理論 (Dempster-Shafer theory)對無人駕駛車前方環(huán)境建立柵格地圖，在融合前后幀地圖前， 先對每個柵格進(jìn)行位置估計，從而在局部地圖中解決了前后幀柵格融合問題；最終在可行 駛區(qū)域內(nèi)利用沖突系數(shù)檢測動態(tài)障礙，并通過改進(jìn)八鄰域區(qū)域標(biāo)記算法對動態(tài)障礙物進(jìn)行 聚類和信息提取。通過使用本發(fā)明的方法可以穩(wěn)定、準(zhǔn)確的檢測道路和障礙物信息。
[0007] 為了實現(xiàn)上述目的本發(fā)明采用的技術(shù)方案為：
[0008] 步驟1，根據(jù)路沿數(shù)據(jù)點特征從眾多的激光雷達(dá)數(shù)據(jù)中提取出路沿數(shù)據(jù)集；
[0009] 步驟2,應(yīng)用基于歐氏距離改進(jìn)的COBWEB算法對路沿數(shù)據(jù)集進(jìn)行聚類分析；
[0010] 步驟3,按照多層融合規(guī)則，并應(yīng)用最小二乘法擬合出左右路沿，將前方道路分割 為可行駛區(qū)域和不可行駛區(qū)域；
[0011] 步驟4,在可行駛區(qū)域中計算道路的坡度信息；
[0012] 步驟5,應(yīng)用DST證據(jù)理論建立柵格地圖，并利用沖突系數(shù)檢測動態(tài)障礙物；
[0013] 步驟6,改進(jìn)八鄰域區(qū)域標(biāo)記算法并對動態(tài)障礙物進(jìn)行聚類和信息提取。
[0014] 所述步驟1的激光雷達(dá)為四線激光雷達(dá)。
[0015] 所述步驟1根據(jù)路沿數(shù)據(jù)點特征從眾多的激光雷達(dá)數(shù)據(jù)中提取出路沿數(shù)據(jù)集的 方法包括如下內(nèi)容：
[0016] 通過實驗分析掃描到路沿上的數(shù)據(jù)點與其他雷達(dá)數(shù)據(jù)點的區(qū)別，總結(jié)并得出路沿 數(shù)據(jù)點具有如下屬性特征：激光雷達(dá)掃到路沿上，返回的數(shù)據(jù)點在同一掃描層表現(xiàn)出穩(wěn)定 的序號連續(xù)性；用直線函數(shù)y = kx+b描述這些連續(xù)的路沿數(shù)據(jù)點，其中k為斜率，b為截距， 在傳感器坐標(biāo)系中連續(xù)的路沿掃描點之間形成的斜率相等。本發(fā)明利用路沿的這些特征從 眾多的雷達(dá)掃描點中提取出路沿數(shù)據(jù)集。
[0017] 所述步驟2應(yīng)用基于歐氏距離改進(jìn)的COBWEB算法對路沿數(shù)據(jù)集進(jìn)行聚類分析的 方法包括如下內(nèi)容：
[0018] 為每個路沿點數(shù)據(jù)都創(chuàng)建四個屬性：與下一個路沿點之間的斜率kn和截距b n，與 上一個路沿點之間的斜率h和截距bp n、1為聚類個數(shù)。創(chuàng)建一個四維的屬性空間后，就 可以在這個空間中計算兩個路沿點間的歐氏距離。距離越大，兩個路沿點的相似度越低；距 離越小，兩個路沿點的相似度越高。路沿點PJP匕之間的歐氏距離d的計算公式如下：
[0019]
【主權(quán)項】
1. 一種基于無人駕駛車的道路與障礙物檢測方法，其特征在于，所述方法包括以下步 驟： 步驟1，根據(jù)路沿數(shù)據(jù)點特征從眾多的激光雷達(dá)數(shù)據(jù)中提取路沿數(shù)據(jù)集； 步驟2,應(yīng)用基于歐氏距離改進(jìn)的COBWEB算法對路沿數(shù)據(jù)集進(jìn)行聚類分析； 步驟3,提出多層融合規(guī)則，并應(yīng)用最小二乘法擬合出左右路沿，將前方道路分割為可 行駛區(qū)域和不可行駛區(qū)域； 步驟4,在可行駛區(qū)域中計算道路的坡度信息； 步驟5,應(yīng)用DST證據(jù)理論建立柵格地圖，并利用沖突系數(shù)檢測動態(tài)障礙物； 步驟6,改進(jìn)八鄰域區(qū)域標(biāo)記算法并對動態(tài)障礙物進(jìn)行聚類和信息提取。
2. 根據(jù)權(quán)利要求1所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，所述激光雷達(dá)為四線激光雷達(dá)。
3. 根據(jù)權(quán)利要求1所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，所述路沿數(shù)據(jù)點的特征為：激光雷達(dá)掃到路沿上，返回的數(shù)據(jù)點在同一掃描層表現(xiàn)出穩(wěn) 定的序號連續(xù)性；用直線函數(shù)y = kx+b描述這些連續(xù)的路沿數(shù)據(jù)點，其中k為斜率，b為截 距，在傳感器坐標(biāo)系中連續(xù)的路沿掃描點之間形成的斜率相等。
4. 根據(jù)權(quán)利要求1所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，步驟2所述應(yīng)用基于歐氏距離改進(jìn)的COBWEB算法對路沿數(shù)據(jù)集進(jìn)行聚類分析的方法包 括如下內(nèi)容： (1) 為每個路沿點數(shù)據(jù)都創(chuàng)建四個屬性：與下一個路沿點之間的斜率kn和截距bn，與上 一個路沿點之間的斜率和截距b p n、1為聚類個數(shù) (2) 計算兩個路沿點間的歐氏距離；距離越大，兩個路沿點的相似度越低；距離越小， 兩個路沿點的相似度越高；路沿點PJP匕之間的歐氏距離d的計算公式如下： d =義、卩人-Prkny' +、Prb" - Prb")- +(P^kl _ .PrRlY +[Ppbl - .P^y. 應(yīng)用歐氏距離對COBWEB算法進(jìn)行改進(jìn)，改進(jìn)的分類效用⑶^定義如下：
5. 根據(jù)權(quán)利要求1所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，步驟3所述按照多層融合規(guī)則并應(yīng)用最小二乘法擬合出左右路沿的方法包括如下內(nèi) 容： 將聚類后的路沿類分為左側(cè)路沿和右側(cè)路沿并剔除干擾路沿類；按照多層融合規(guī)則分 別對四個掃描層進(jìn)行處理，每一層數(shù)據(jù)都將提取出一個左路沿類和一個右路沿類，最后應(yīng) 用最小二乘法對四個掃描層的左路沿類和右路沿類進(jìn)行直線擬合，得到一條左側(cè)路沿線和 一條右側(cè)路沿線；然后利用路沿將前方道路分割為可行駛區(qū)域和不可行駛區(qū)域。
6. 根據(jù)權(quán)利要求1所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，步驟4所述在可行駛區(qū)域中計算道路坡度信息的方法包括如下內(nèi)容： 激光雷達(dá)的四個掃描層從下到上分別用紅、藍(lán)、綠、黃表示，規(guī)定藍(lán)層的車輛行駛方向 為X軸，車輛左側(cè)為Y軸，根據(jù)右手定則確定Z軸；根據(jù)激光雷達(dá)不同掃描層上的路面數(shù)據(jù) 點的相對位置關(guān)系，在可行駛區(qū)域中計算并得出道路的坡度信息，公式如下： 紅藍(lán)兩層間道路的坡度值：
藍(lán)綠兩層間道路的坡度值：
式中，α表示激光雷達(dá)的X軸與地_夾角；C^dpd2分別為紅、藍(lán)、綠層路面數(shù)據(jù)點到 傳感器的距離值；d1(l、d21、d32分別為紅藍(lán)層、藍(lán)綠層、綠黃層路面數(shù)據(jù)點間的距離值。
7. 根據(jù)權(quán)利要求1~6中任意一個所述的一種基于無人駕駛車的道路與障礙物檢測方 法，其特征在于，步驟5所述應(yīng)用DST證據(jù)理論建立柵格地圖并利用沖突系數(shù)檢測障礙物的 方法包括如下內(nèi)容： (1) 建立掃描柵格地圖 在柵格地圖中，每個柵格單元的狀態(tài)為無障礙狀態(tài)（F)和有障礙狀態(tài)（0)，定義柵格 的未知狀態(tài)為Ω = {F，0}，柵格的識別框架為2Ω= {F，0, Ω，Φ}，對應(yīng)的基本概率函數(shù)為 [m(F)m(O)Hi(D)m(Ct)]，分別表示某一柵格無障礙、有障礙、未知和沖突這四個狀態(tài)；四個 基本概率函數(shù)需滿足Σ.υ?Α = 1;根據(jù)傳感器模型建立掃描地圖，并為每個柵格的基本 概率函數(shù)賦值； (2) 融合t幀掃描柵格地圖與t-Ι幀的全局地圖 首先對柵格地圖進(jìn)行位置估計，然后應(yīng)用DST規(guī)則融合t幀掃描柵格地圖與t-Ι幀的 全局地圖，得到最終的柵格地圖； 假定t時刻的掃描地圖各柵格的基本概率函數(shù)為Hi1, t-Ι時刻的全局地圖各柵格的基 本概率函數(shù)為m2時，DST融合公式如下：
式〒，押天樂雙R = Hl1 Hl2+Hl1m2 ; (3) 檢測動態(tài)障礙物 利用融合規(guī)則中沖突系數(shù)K去檢測動態(tài)障礙物信息；將沖突系數(shù)拆分為兩個部分，K = CAC2 = IIi1 (F)IIi2(O)+IIi1 (O)IIi2(F)，其中 C1= IH1(F)IIi2(O)代表某一柵格從 t-ι 時刻的無障礙物 狀態(tài)變?yōu)閠時刻的有障礙物狀態(tài)，即一動態(tài)障礙物進(jìn)入此柵格，當(dāng)C1大于閾值時，認(rèn)為此柵 格中出現(xiàn)動態(tài)障礙物。
8. 根據(jù)權(quán)利要求7所述的一種基于無人駕駛車的道路與障礙物檢測方法，其特征在 于，步驟6所述改進(jìn)八鄰域區(qū)域標(biāo)記算法并對動態(tài)障礙物進(jìn)行聚類和信息提取的方法包括 如下內(nèi)容： (1) 采用先詢問柵格是否已經(jīng)標(biāo)記，后掃描其鄰域的方法對八鄰域區(qū)域標(biāo)記算法進(jìn)行 改進(jìn)； (2) 對障礙物進(jìn)行聚類，提取出障礙物的長、寬，障礙物與自主車距離等信息。
【專利摘要】本發(fā)明涉及一種基于無人駕駛車的道路與障礙物檢測方法。所述方法采用四線激光雷達(dá)作為距離傳感器，根據(jù)其不同掃描層上路面數(shù)據(jù)點的相對位置關(guān)系，在可行駛區(qū)域中計算道路的坡度信息；根據(jù)路沿數(shù)據(jù)點特征，基于歐氏距離改進(jìn)的COBWEB算法和最小二乘法擬合出左右路沿，增強(qiáng)了路沿檢測的抗干擾能力、準(zhǔn)確性和穩(wěn)定性；應(yīng)用DST證據(jù)理論對無人駕駛車前方環(huán)境建立柵格地圖，在融合前后幀地圖前，先對每個柵格進(jìn)行位置估計，從而在局部地圖中解決了前后幀柵格融合問題；最終在可行駛區(qū)域內(nèi)利用沖突系數(shù)檢測動態(tài)障礙，并通過改進(jìn)八鄰域區(qū)域標(biāo)記算法對動態(tài)障礙物進(jìn)行聚類和信息提取。本發(fā)明可以穩(wěn)定、準(zhǔn)確地檢測道路和障礙物信息。
【IPC分類】G06T7-00, G06K9-66
【公開號】CN104636763
【申請?zhí)枴緾N201410740640
【發(fā)明人】段建民, 鄭凱華
【申請人】北京工業(yè)大學(xué)
【公開日】2015年5月20日
【申請日】2014年12月1日