CN104636763B - 一种基于无人驾驶车的道路与障碍物检测方法 - Google Patents

Abstract

本发明涉及一种基于无人驾驶车的道路与障碍物检测方法。所述方法采用四线激光雷达作为距离传感器，根据其不同扫描层上路面数据点的相对位置关系，在可行驶区域中计算道路的坡度信息；根据路沿数据点特征，基于欧氏距离改进的COBWEB算法和最小二乘法拟合出左右路沿，增强了路沿检测的抗干扰能力、准确性和稳定性；应用DST证据理论对无人驾驶车前方环境建立栅格地图，在融合前后帧地图前，先对每个栅格进行位置估计，从而在局部地图中解决了前后帧栅格融合问题；最终在可行驶区域内利用冲突系数检测动态障碍，并通过改进八邻域区域标记算法对动态障碍物进行聚类和信息提取。本发明可以稳定、准确地检测道路和障碍物信息。

Description

一种基于无人驾驶车的道路与障碍物检测方法

技术领域

本发明属于无人驾驶车领域，具体涉及一种基于无人驾驶车的道路与障碍物检测方法。

背景技术

无人驾驶车是智能交通***的重要组成部分，行驶在城市环境中的无人驾驶车需要对周围环境有很好的感知能力，包括对道路结构的感知、对其他动态障碍物的检测等。可靠的环境感知能力对自主巡航控制、碰撞预警和路径规划起到至关重要的作用。

通常无人驾驶车上可以携带安装如摄像头、雷达、GPS等具有环境感知作用的传感器。其中激光雷达具有不受天气、光照等因素影响，不依靠纹路和颜色来辨别，对于阴影噪声不敏感等优良特性。此外，激光雷达在测量时扫描频率高、数据量丰富、返回的扫描数据便于快速处理。因此采用激光雷达来感知无人驾驶车周围的环境信息具有较好地鲁棒性和快速性，在无人驾驶车上具有较好的应用前景。

现有的路沿检测技术主要有两种：一是采用摄像头图像处理的方法采集路沿；二是采用霍夫变换的方法。第一种方法的缺点在于图像处理费时，占用过多的内存，而且摄像头受光照阴影干扰较大，不能满足无人驾驶车在实时性方面的要求，且不能够全天候工作；第二种方法的缺点在于霍夫变换是检测在近似一条直线上的点，激光雷达数据中很多扫描到障碍物的点非常集中，反而扫描到路沿上的点比较稀疏，所以霍夫变换检测出路沿的概率很小。

现有障碍物检测技术，常采用建立0-1栅格地图和根据PCR2规则建立栅格地图描述无人驾驶车周围信息的方法。该方法的缺点是0-1栅格地图是原始数据的直接反应，鲁棒性较弱，不能够处理真实道路情况的漏检率和虚警率，对安全驾驶造成威胁；第二种PCR2规则建立的栅格地图能够快速的响应无人驾驶车周围情况，但是同时也对噪声反映灵敏，其稳定性不能满足无人驾驶车的要求。另外，现有的道路检测方法不包括车辆前方道路坡度的检测，而道路坡度信息对驾驶安全非常重要。

发明内容

针对现有技术中存在的道路坡度检测缺失、路沿检测鲁棒性差、前后帧融合困难等问题，本发明提出一种无人驾驶车中的道路与障碍物检测方法，采用四线激光雷达作为距离传感器，根据激光雷达不同扫描层上的路面数据点的相对位置关系，在可行驶区域中计算出道路的坡度信息；根据路沿数据点特征，基于欧氏距离改进的COBWEB算法和最小二乘法拟合出左右路沿，增强了路沿检测的抗干扰能力、准确性和稳定性；应用DST证据理论(Dempster-Shafer theory)对无人驾驶车前方环境建立栅格地图，在融合前后帧地图前，先对每个栅格进行位置估计，从而在局部地图中解决了前后帧栅格融合问题；最终在可行驶区域内利用冲突系数检测动态障碍，并通过改进八邻域区域标记算法对动态障碍物进行聚类和信息提取。通过使用本发明的方法可以稳定、准确的检测道路和障碍物信息。

为了实现上述目的本发明采用的技术方案为：

步骤1，根据路沿数据点特征从众多的激光雷达数据中提取出路沿数据集；

步骤2，应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析；

步骤3，按照多层融合规则，并应用最小二乘法拟合出左右路沿，将前方道路分割为可行驶区域和不可行驶区域；

步骤4，在可行驶区域中计算道路的坡度信息；

步骤5，应用DST证据理论建立栅格地图，并利用冲突系数检测动态障碍物；

步骤6，改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取。

所述步骤1的激光雷达为四线激光雷达。

所述步骤1根据路沿数据点特征从众多的激光雷达数据中提取出路沿数据集的方法包括如下内容：

通过实验分析扫描到路沿上的数据点与其他雷达数据点的区别，总结并得出路沿数据点具有如下属性特征：激光雷达扫到路沿上，返回的数据点在同一扫描层表现出稳定的序号连续性；用直线函数y＝kx+b描述这些连续的路沿数据点，其中k为斜率，b为截距，在传感器坐标系中连续的路沿扫描点之间形成的斜率相等。本发明利用路沿的这些特征从众多的雷达扫描点中提取出路沿数据集。

所述步骤2应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析的方法包括如下内容：

为每个路沿点数据都创建四个属性：与下一个路沿点之间的斜率k_n和截距b_n，与上一个路沿点之间的斜率k_l和截距b_l，n、l为聚类个数。创建一个四维的属性空间后，就可以在这个空间中计算两个路沿点间的欧氏距离。距离越大，两个路沿点的相似度越低；距离越小，两个路沿点的相似度越高。路沿点P_i和P_j之间的欧氏距离d的计算公式如下：

应用欧氏距离对COBWEB算法进行改进，改进的分类效用CU_e定义如下：

式中：C_k表示第k个聚类，ζ为欧氏距离阈值。

所述步骤3按照多层融合规则并应用最小二乘法拟合出左右路沿的方法包括如下内容：

将聚类后的路沿类分为左侧路沿和右侧路沿并剔除干扰路沿类。按照多层融合规则分别对四个扫描层进行处理，每一层数据都将提取出一个左路沿类和一个右路沿类，最后应用最小二乘法对四个扫描层的左路沿类和右路沿类进行直线拟合，得到一条左侧路沿线和一条右侧路沿线。然后利用路沿将前方道路分割为可行驶区域和不可行驶区域。

所述步骤4在可行驶区域中计算道路坡度信息的方法包括如下内容：

激光雷达的四个扫描层从下到上分别用红、蓝、绿、黄表示，规定蓝层的车辆行驶方向为X轴，车辆左侧为Y轴，根据右手定则确定Z轴。根据激光雷达不同扫描层上的路面数据点的相对位置关系，在可行驶区域中计算道路的坡度信息。道路坡度值的计算公式如下：

红蓝两层间道路的坡度值：

蓝绿两层间道路的坡度值：

式中，α表示激光雷达的X轴与地面夹角；d₀、d₁、d₂分别为红、蓝、绿层路面数据点到传感器的距离值；d₁₀、d₂₁、d₃₂分别为红蓝层、蓝绿层、绿黄层路面数据点间的距离值。

所述步骤5应用DST证据理论建立栅格地图并利用冲突系数检测障碍物的方法包括如下内容：

为建立栅格地图，应同时建立两个地图：一个是扫描地图，其作用是获取当前帧传感器的扫描信息；另一个是全局地图，其作用是存储上一帧栅格地图的扫描数据并定义未知区域的栅格状态。将t帧扫描栅格地图与t-1帧的全局地图进行融合，得到最终的栅格地图。

(1)建立扫描栅格地图

在栅格地图中，每个栅格单元的状态可以是无障碍状态(F)和有障碍状态(O)，故定义栅格的未知状态为Ω＝{F,O}，所以栅格的识别框架为2^Ω＝{F,O,Ω,Φ}，对应的基本概率函数为[m(F)m(O)m(Ω)m(Φ)]，分别表示某一栅格无障碍、有障碍、未知和冲突这四个状态。四个基本概率函数需满足根据传感器模型建立扫描地图，并为每个栅格的基本概率函数赋值。

(2)融合t帧扫描栅格地图与t-1帧的全局地图

由于无人驾驶车自身移动的影响，首先对栅格地图进行位置估计，然后应用DST规则融合t帧扫描栅格地图与t-1帧的全局地图。

假定t时刻的扫描地图各栅格的基本概率函数为m₁，t-1时刻的全局地图各栅格的基本概率函数为m₂时，DST融合公式如下：

式中，冲突系数K＝m₁(F)m₂(O)+m₁(O)m₂(F)。

(3)检测动态障碍物

本发明利用融合规则中冲突系数K去检测动态障碍物信息，可将冲突系数拆分为两个部分，K＝C₁+C₂＝m₁(F)m₂(O)+m₁(O)m₂(F)，其中C₁＝m₁(F)m₂(O)代表某一栅格从t-1时刻的无障碍物状态变为t时刻的有障碍物状态，也即一动态障碍物进入此栅格，当C₁大于阈值时，认为此栅格中出现动态障碍物。

所述步骤6改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取的方法包括如下内容：

对八邻域区域标记算法进行改进：采用先询问栅格是否已经标记，后扫描其邻域的方法。

这样可以有效地减少种子数目和避免重复搜索邻域，从而减少算法冗余操作，明显提高效率。对障碍物进行聚类后，可以提取出障碍物的长、宽，障碍物与自主车距离等信息，这些信息对自主巡航控制、碰撞预警和路径规划起到至关重要的作用。

与现有技术相比本发明具有以下优点：

(1)本发明采用四线激光雷达，克服了传统方法采取摄像头提取路沿的花费时间多，受光照阴影干扰等缺点。本发明能够快速、准确地从众多的激光雷达数据中提取出路沿数据集，并使用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析，按照多层融合规则并应用最小二乘法拟合出左右路沿。此方法能够分清左右路沿并剔除干扰路沿，相比霍夫变换的方法也增加了路沿检测的鲁棒性和准确性。经多次实车试验统计，在直线车到的路沿提取成功率达到95％。

(2)本发明在可行驶区域中计算道路的坡度信息，能够使决策层对无人驾驶车油门、刹车和档位的控制更加智能化、合理化。

(3)本发明所述的应用DST证据理论建立栅格地图，由于对下一帧的栅格进行位置估计，使得能够在局部地图中融合前后帧栅格地图，相比0-1和PCR2栅格地图能够有效的消除激光雷达虚警率和漏检率所造成的影响，增强了栅格地图的抗噪声能力。利用冲突系数检测动态障碍物的方法，可以快速、准确地检测出障碍物。

(4)本发明所述的改进的八邻域区域标记算法可以有效的减少种子数目和避免重复搜索邻域，从而减少算法冗余操作，明显提高了效率。相比原始的八邻域区域标记算法聚类速度提高50％。

附图说明

图1为从激光雷达数据中提取路沿数据集方法流程图；

图2为多层融合规则示意图；

图3为道路坡度检测示意图；

图4为车体移动造成的栅格地图移动的位置估计示意图；

图5为改进的八邻域区域标记方法流程图；

图6为本发明所述方法的主流程图；

图7为采取本发明的DST方法与现有PCR2方法的反应时间对比：(a)为栅格状态变化图，(b)为DST栅格的概率函数，(c)为PCR2栅格的概率函数；

图8为采取本发明的DST方法与现有PCR2方法的噪声处理能力对比：(a)为栅格状态变化图，(b)为DST对噪声处理情况，(c)为PCR2对噪声处理情况。

具体实施方式

下面结合附图和实施例对本发明作进一步描述。

本实施例选用IBEO-LUX 2010四线激光雷达作为主传感器，并结合车载摄像头、里程计等传感器，在VS2010环境中编写算法以实现一种无人驾驶车中的道路与障碍物检测方法。具体实施方式如图6所示，包括以下步骤：

步骤1，参阅附图1，根据路沿数据点特征从众多的激光雷达数据中提取出路沿数据集。

通过实验分析扫描到路沿上的数据点与其他雷达数据点的区别，总结并得出路沿数据点具有如下属性特征：激光雷达扫到路沿上，返回的数据点在同一扫描层表现出稳定的序号连续性；并且这些连续的路沿数据点可以用直线函数y＝kx+b描述，其中k为斜率，b为截距，在传感器坐标系中连续的路沿扫描点之间形成的斜率相等。利用路沿的这些特征从众多的雷达扫描点中提取出路沿数据集。附图1中，[k_t1,k_t2]为路沿点之间斜率的可变阈值区间，其中k_t1＝λ-ε，k_t2＝λ+ε，λ＝tanβ，β为通过车载摄像头并进行图像处理获得的车辆行驶方向与车道线夹角，ε为测量误差。

此方法能够快速、准确地将路沿数据点提取出来，为路沿检测打下良好基础。

步骤2，应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析。

(1)为每个路沿点数据都创建四个属性：与下一个路沿点之间的斜率k_n和截距b_n，与上一个路沿点之间的斜率k_l和截距b_l。创建一个四维的属性空间后，就可以在这个空间中计算两个路沿点间的欧氏距离。距离越大，两个路沿点的相似度越低；距离越小，两个路沿点的相似度越高。路沿点P_i和P_j之间的欧氏距离d的计算公式如下：

(2)应用欧氏距离改进的COBWEB算法步骤如下：

1)从预处理阶段获得路沿数据集(P₁,P₂...P_n)，并按照P_i序号由小到大的顺序加入聚类算法。

2)更新根节点信息，创建分类树，初始化树模型。

3)将路沿点P_i临时置于分类树的每个节点中，计算分类效用值CU_e，根据CU_e寻找与P_i同类的节点；若不属于任一节点，P_i自成一类，创建一个新节点。

4)P_i加入分类树后，是否需要进行合并或***操作，合并则执行步骤5)；***则跳到骤6)。

5)合并：根据P_i在各个节点的CU_e值，选出最高得分和次高得分的节点进行合并。

6)***：根据P_i在各个节点的CU_e值，将最高得分的节点***。

7)P_i+1加入聚类算法，直到最后一个路沿点为止。其中，改进的分类效用定义如下：

式中，n代表聚类个数，C_k表示第k个聚类，ζ是欧氏距离阈值。

应用欧氏距离对COBWEB算法进行改进，使得路沿数据集得到更好的解释和表达，应用改进的分类效用值便于对路沿数据集进行聚类划分。

步骤3，按照多层融合规则，将聚类后的路沿类分为左侧路沿和右侧路沿，并剔除干扰路沿类，应用最小二乘法拟合出左右路沿，并将前方道路分割为可行驶区域和不可行驶区域。

道路分割可以将处理范围限定在可行驶区域上，一方面大大减少了处理的数据量，另一方面也减少了干扰信息，提高了动态障碍物检测的正确率。附图2中，在聚类阶段结束后某一扫描层出现三个路沿类C_i(i＝1,2,3)，应用最小二乘法分别对三个类进行直线拟合，得出各自的直线函数y＝k_ix+b_i(i＝1,2,3)。接下来将按照多层融合规则剔除干扰路沿类C₃，并将C₁标记为左侧路沿，C₂标记为右侧路沿。多层融合规则如下：

(1)若路沿类C_i的截距b_i＝0，则说明未检测到路沿类C_i；

(2)若路沿类C_i的截距b_i＞0，则标记C_i为左侧路沿，并询问是否有其它路沿类C_j的截距b_j＞0，有则选择具有更小截距(min(b_i,b_j))的类为左侧路沿类，剔除具有更大截距(max(b_i,b_j))的类；

(3)若路沿类C_i的截距b_i＜0，则标记C_i为右侧路沿，并询问是否有其它路沿类C_j的截距b_j＜0，有则选择具有更大截距(max(b_i,b_j))的类为右侧路沿类，剔除具有更小截距(min(b_i,b_j))的类。

按照多层融合规则分别对四个扫描层进行处理，每一层数据都将提取出一个左路沿类和一个右路沿类，最后应用最小二乘法对四个扫描层的左路沿类和右路沿类进行直线拟合，得到一条左侧路沿线和一条右侧路沿线。这样很大程度上增加了路沿检测的鲁棒性和准确性。

步骤4，根据激光雷达不同扫描层上的路面数据点的相对位置关系，在可行驶区域中计算道路的坡度信息。

附图3中，根据传感器坐标系的建立得知：α表示激光雷达与地面夹角；d₀、d₁、d₂分别为红点、蓝点、绿点到传感器的距离值；γ₁表示红蓝两层间道路的坡度值；γ₂表示蓝绿两层间道路的坡度值。道路坡度值的计算公式如下：

式中，d₁₀为红点和蓝点间的距离值，d₂₁为蓝点和绿点间的距离值，d₃₂为绿点和黄点间的距离值。

道路坡度信息的获取，能够使决策层对无人驾驶车油门、刹车和档位的控制更加智能化、合理化。

步骤5，应用DST证据理论对无人驾驶车前方环境建立栅格地图，并在可行驶区域内利用冲突系数检测动态障碍物。

为建立栅格地图，应同时建立两个地图：一个是扫描地图，其作用是获取当前帧传感器的扫描信息；另一个是全局地图，其作用是存储上一帧栅格地图的扫描数据并定义未知区域的栅格状态。将t帧扫描栅格地图与t-1帧的全局地图进行融合，得到最终的栅格地图。

(1)建立扫描栅格地图：在栅格地图中，每个栅格单元的状态可以是无障碍状态(F)和有障碍状态(O)，故定义栅格的未知状态为Ω＝{F,O}，所以栅格的识别框架为2^Ω＝{F,O,Ω,Φ}，对应的基本概率函数为[m(F)m(O)m(Ω)m(Φ)],分别表示某一栅格无障碍、有障碍、未知和冲突这四个状态。四个基本概率函数需满足首先根据传感器模型建立扫描地图，并为每个栅格的基本概率函数赋值。

(2)栅格地图的融合与更新：附图4中，t时刻的X'O'Y'栅格地图是对t-1时刻的XOY栅格地图的位置估计，γ是t帧与t-1帧的车体夹角，车速V，栅格C_i'是一个扫描周期0.08s后t时刻对t-1时刻栅格C_i的位置估计，X'O'Y'栅格地图中的每个栅格C_i'与t帧的栅格地图中的栅格C_i一一对应，其中x’_t-1＝x_t-1+0.08V cosγ，y’_t-1＝y_t-1+0.08V cosγ，式中，γ＝γ₂-γ₁，γ₁是t-1帧车体与路沿夹角，γ₂是t帧车体与路沿夹角。

若x’_t-1＞80m或者也即t-1帧的栅格C_i在t帧时移动到全局地图中的未知领域，将C_i'对应的t帧栅格C_i与未知状态的栅格进行融合；若x’_t-1＜80m并且y’_t-1∈(-16m,16m)，也即t-1帧的栅格C_i在t帧时移动到全局地图中的已知领域，将C_i'对应的t帧栅格C_i与t-1帧中C_i'最近的栅格C_j进行融合。

假定t时刻的扫描地图各栅格的基本概率函数为m₁，t-1时刻的全局地图各栅格的基本概率函数为m₂时，DST融合公式如下：

式中，冲突系数K＝m₁(F)m₂(O)+m₁(O)m₂(F)。

由于使用了前后帧融合的栅格地图建立方法，能够有效的消除激光雷达虚警率和漏检率所造成的影响，从而能够稳定的描绘无人驾驶车周围的道路环境、车辆和行人等信息。

(3)动态障碍物的检测：本发明利用融合规则中冲突系数K去检测动态障碍物信息，可将冲突系数拆分为两个部分，K＝C₁+C₂＝m₁(F)m₂(O)+m₁(O)m₂(F)，其中C₁＝m₁(F)m₂(O)代表某一栅格从t-1时刻的无障碍物状态变为t时刻的有障碍物状态，也即一动态障碍物进入此栅格，当C₁大于阈值时，认为此栅格中出现动态障碍物。本方法可以快速、准确地检测出障碍物。

步骤6，最后改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取。

改进后的八邻域区域标记算法流程如附图5所示，采用先询问栅格是否已经标记，后扫描其邻域的方法，这样可以有效的减少种子数目和避免重复搜索邻域，从而减少算法冗余操作，明显提高效率。对障碍物进行聚类后，可以提取出障碍物的长、宽，障碍物与自主车距离等信息，这些信息对自主巡航控制、碰撞预警和路径规划起到至关重要的作用。

图7为采取本发明的DST方法与现有技术的PCR2方法的反应时间对比图。图7(a)显示了栅格状态的变化，其中free、occupied和unknown分别表示栅格处于无障碍、有障碍和未知状态，conflict为冲突系数。通过对比图7(a)和图7(b)发现，在第10帧时，栅格状态从无障碍变为有障碍状态。但是DST所建立的栅格地图延时9帧后，在第19帧时才将栅格状态转变为有障碍状态。通过对比图7(a)和图7(c)发现，在第10帧时，栅格状态从无障碍变为有障碍状态。而且根据PCR2所建立的栅格地图马上将栅格状态转变为有障碍状态。在栅格状态反应时间上DST的确要比PCR2较慢。

图8为采取本发明的DST方法与现有技术的PCR2方法的噪声处理能力对比图。图8(a)可以看到在第10帧时，栅格出现噪声。图8(b)为DST栅格地图对噪声的反应，C1和C2为冲突系数，虽然C1对噪声的出现变化，但栅格的状态依然为无障碍状态。而图8(c)为PCR2栅格地图对噪声的反应，栅格状态随噪声改变为有障碍状态。

对比DST和PCR2栅格地图发现，虽然PCR2有着对栅格状态的快速反应能力，但是其对噪声依然敏感，这对无人驾驶车的安全非常不利；DST却对噪声有着很好的抑制作用，而且其反应延时时间完全在无人驾驶车能够接受范围内。故DST栅格地图能够滤除噪声，增加障碍检测的稳定性。

Claims (2)

1.一种基于无人驾驶车的道路与障碍物检测方法，其特征在于，所述方法包括以下步骤：

步骤1，根据路沿数据点特征从众多的激光雷达数据中提取路沿数据集；

步骤2，应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析；

步骤3，提出多层融合规则，并应用最小二乘法拟合出左右路沿，将前方道路分割为可行驶区域和不可行驶区域；

步骤4，在可行驶区域中计算道路的坡度信息；

步骤5，应用DST证据理论建立栅格地图，并利用冲突系数检测动态障碍物；

步骤6，改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取；

所述激光雷达为四线激光雷达；

所述路沿数据点的特征为：激光雷达扫到路沿上，返回的数据点在同一扫描层表现出稳定的序号连续性；用直线函数y＝kx+b描述这些连续的路沿数据点，其中k为斜率，b为截距，在传感器坐标系中连续的路沿扫描点之间形成的斜率相等；

步骤2所述应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析的方法包括如下内容：

(1)为每个路沿点数据都创建四个属性：与下一个路沿点之间的斜率k_n和截距b_n，与上一个路沿点之间的斜率k_l和截距b_l，n、l为聚类个数；

(2)计算两个路沿点间的欧氏距离；距离越大，两个路沿点的相似度越低；距离越小，两个路沿点的相似度越高；路沿点P_i和P_j之间的欧氏距离d的计算公式如下：

应用欧氏距离对COBWEB算法进行改进，改进的分类效用CU_e定义如下：

式中：C_k表示第k个聚类，ζ为欧氏距离阈值；

步骤3所述按照多层融合规则并应用最小二乘法拟合出左右路沿的方法包括如下内容：

将聚类后的路沿类分为左侧路沿和右侧路沿并剔除干扰路沿类；按照多层融合规则分别对四个扫描层进行处理，每一层数据都将提取出一个左路沿类和一个右路沿类，最后应用最小二乘法对四个扫描层的左路沿类和右路沿类进行直线拟合，得到一条左侧路沿线和一条右侧路沿线；然后利用路沿将前方道路分割为可行驶区域和不可行驶区域；

步骤4所述在可行驶区域中计算道路坡度信息的方法包括如下内容：

激光雷达的四个扫描层从下到上分别用红、蓝、绿、黄表示，规定蓝层的车辆行驶方向为X轴，车辆左侧为Y轴，根据右手定则确定Z轴；根据激光雷达不同扫描层上的路面数据点的相对位置关系，在可行驶区域中计算并得出道路的坡度信息，公式如下：

红蓝两层间道路的坡度值：

蓝绿两层间道路的坡度值：

式中，α表示激光雷达的X轴与地面夹角；d₀、d₁、d₂分别为红、蓝、绿层路面数据点到传感器的距离值；d₁₀、d₂₁分别为红蓝层、蓝绿层路面数据点间的距离值；

步骤5所述应用DST证据理论建立栅格地图并利用冲突系数检测障碍物的方法包括如下内容：

(1)建立扫描栅格地图

在栅格地图中，每个栅格单元的状态为无障碍状态F和有障碍状态O，定义栅格的未知状态为Ω＝{F,O}，栅格的识别框架为2^Ω＝{F,O,Ω,Φ}，对应的基本概率函数为[m(F)m(O)m(Ω)m(Φ)]，分别表示某一栅格无障碍、有障碍、未知和冲突这四个状态；四个基本概率函数需满足根据传感器模型建立扫描地图，并为每个栅格的基本概率函数赋值；

(2)融合t帧扫描栅格地图与t-1帧的全局地图

首先对栅格地图进行位置估计，然后应用DST规则融合t帧扫描栅格地图与t-1帧的全局地图，得到最终的栅格地图；

假定t时刻的扫描地图各栅格的基本概率函数为m₁，t-1时刻的全局地图各栅格的基本概率函数为m₂时，DST融合公式如下：

式中，冲突系数K＝m₁(F)m₂(O)+m₁(O)m₂(F)；

(3)检测动态障碍物

利用融合规则中冲突系数K去检测动态障碍物信息；将冲突系数拆分为两个部分，K＝C₁+C₂＝m₁(F)m₂(O)+m₁(O)m₂(F)，其中C₁＝m₁(F)m₂(O)代表某一栅格从t-1时刻的无障碍物状态变为t时刻的有障碍物状态，即一动态障碍物进入此栅格，当C₁大于阈值时，认为此栅格中出现动态障碍物。

2.根据权利要求1所述的一种基于无人驾驶车的道路与障碍物检测方法，其特征在于，步骤6所述改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取的方法包括如下内容：

(1)采用先询问栅格是否已经标记，后扫描其邻域的方法对八邻域区域标记算法进行改进；

(2)对障碍物进行聚类，提取出障碍物的长、宽，障碍物与自主车距离信息。