CN104636763B - 一种基于无人驾驶车的道路与障碍物检测方法 - Google Patents
一种基于无人驾驶车的道路与障碍物检测方法 Download PDFInfo
- Publication number
- CN104636763B CN104636763B CN201410740640.6A CN201410740640A CN104636763B CN 104636763 B CN104636763 B CN 104636763B CN 201410740640 A CN201410740640 A CN 201410740640A CN 104636763 B CN104636763 B CN 104636763B
- Authority
- CN
- China
- Prior art keywords
- curb
- road
- grid
- barrier
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Traffic Control Systems (AREA)
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
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kn和截距bn,与上一个路沿点之间的斜率kl和截距bl,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Pi和Pj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CUe定义如下:
式中:Ck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2Ω={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,[kt1,kt2]为路沿点之间斜率的可变阈值区间,其中kt1=λ-ε,kt2=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kn和截距bn,与上一个路沿点之间的斜率kl和截距bl。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Pi和Pj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...Pn),并按照Pi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Pi临时置于分类树的每个节点中,计算分类效用值CUe,根据CUe寻找与Pi同类的节点;若不属于任一节点,Pi自成一类,创建一个新节点。
4)Pi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Pi在各个节点的CUe值,选出最高得分和次高得分的节点进行合并。
6)***:根据Pi在各个节点的CUe值,将最高得分的节点***。
7)Pi+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,Ck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Ci(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=kix+bi(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Ci的截距bi=0,则说明未检测到路沿类Ci;
(2)若路沿类Ci的截距bi>0,则标记Ci为左侧路沿,并询问是否有其它路沿类Cj的截距bj>0,有则选择具有更小截距(min(bi,bj))的类为左侧路沿类,剔除具有更大截距(max(bi,bj))的类;
(3)若路沿类Ci的截距bi<0,则标记Ci为右侧路沿,并询问是否有其它路沿类Cj的截距bj<0,有则选择具有更大截距(max(bi,bj))的类为右侧路沿类,剔除具有更小截距(min(bi,bj))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2Ω={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Ci'是一个扫描周期0.08s后t时刻对t-1时刻栅格Ci的位置估计,X'O'Y'栅格地图中的每个栅格Ci'与t帧的栅格地图中的栅格Ci一一对应,其中x’t-1=xt-1+0.08V cosγ,y’t-1=yt-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Ci在t帧时移动到全局地图中的未知领域,将Ci'对应的t帧栅格Ci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Ci在t帧时移动到全局地图中的已知领域,将Ci'对应的t帧栅格Ci与t-1帧中Ci'最近的栅格Cj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kn和截距bn,与上一个路沿点之间的斜率kl和截距bl,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Pi和Pj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CUe定义如下:
式中:Ck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2Ω={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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740640.6A CN104636763B (zh) | 2014-12-01 | 2014-12-01 | 一种基于无人驾驶车的道路与障碍物检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410740640.6A CN104636763B (zh) | 2014-12-01 | 2014-12-01 | 一种基于无人驾驶车的道路与障碍物检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104636763A CN104636763A (zh) | 2015-05-20 |
CN104636763B true CN104636763B (zh) | 2018-10-09 |
Family
ID=53215491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410740640.6A Expired - Fee Related CN104636763B (zh) | 2014-12-01 | 2014-12-01 | 一种基于无人驾驶车的道路与障碍物检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104636763B (zh) |
Families Citing this family (48)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104950313B (zh) * | 2015-06-11 | 2017-11-07 | 同济大学 | 一种路面提取及道路坡度识别方法 |
KR102079882B1 (ko) * | 2015-08-04 | 2020-02-20 | 닛산 지도우샤 가부시키가이샤 | 단차 검출 장치 및 단차 검출 방법 |
CN105204510B (zh) * | 2015-10-09 | 2016-06-22 | 福州华鹰重工机械有限公司 | 一种用于精确定位的概率地图的生成方法及装置 |
US10229363B2 (en) * | 2015-10-19 | 2019-03-12 | Ford Global Technologies, Llc | Probabilistic inference using weighted-integrals-and-sums-by-hashing for object tracking |
DE102016201304A1 (de) * | 2016-01-28 | 2017-08-03 | Robert Bosch Gmbh | Vorrichtung und Verfahren zum Erfassen eines Randsteins in einer Umgebung eines Fahrzeugs sowie System zur Randsteinkontrolle für ein Fahrzeug |
CN105956527B (zh) * | 2016-04-22 | 2019-10-22 | 百度在线网络技术(北京)有限公司 | 用于无人驾驶车的障碍物检测结果评估方法和装置 |
CN107315181B (zh) * | 2016-04-26 | 2020-11-06 | 天津远度科技有限公司 | 一种避障方法及装置、飞行器 |
CN107045677A (zh) * | 2016-10-14 | 2017-08-15 | 北京石油化工学院 | 一种危化品仓库障碍物扫描定位还原方法、装置及*** |
KR101866075B1 (ko) * | 2016-10-20 | 2018-06-08 | 현대자동차주식회사 | 차선 추정 장치 및 방법 |
KR20190099521A (ko) | 2017-01-05 | 2019-08-27 | 프라운호퍼 게젤샤프트 쭈르 푀르데룽 데어 안겐반텐 포르슝 에. 베. | Hd 지도의 생성 및 사용 |
CN107215339B (zh) * | 2017-06-26 | 2019-08-23 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
SG11201811270WA (en) | 2017-07-13 | 2019-02-27 | Beijing Didi Infinity Technology & Development Co Ltd | Systems and methods for trajectory determination |
CN107909810A (zh) * | 2017-11-24 | 2018-04-13 | 苏州岸肯电子科技有限公司 | 一种自动接送运输*** |
CN109073744A (zh) * | 2017-12-18 | 2018-12-21 | 深圳市大疆创新科技有限公司 | 地形预测方法、设备、***和无人机 |
CN108226895A (zh) * | 2017-12-27 | 2018-06-29 | 吉林大学 | 基于激光雷达的静态障碍物识别***及识别方法 |
CN108230392A (zh) * | 2018-01-23 | 2018-06-29 | 北京易智能科技有限公司 | 一种基于imu的视觉障碍物检测虚警剔除方法 |
CN110320531B (zh) * | 2018-03-30 | 2021-09-03 | 郑州宇通客车股份有限公司 | 基于激光雷达的障碍物识别方法、地图创建方法及装置 |
CN108734124A (zh) * | 2018-05-18 | 2018-11-02 | 四川国软科技发展有限责任公司 | 一种激光雷达动态行人检测方法 |
CN110378175B (zh) * | 2018-08-16 | 2022-09-30 | 北京京东叁佰陆拾度电子商务有限公司 | 道路边沿的识别方法和装置 |
CN109085838A (zh) * | 2018-09-05 | 2018-12-25 | 南京理工大学 | 一种基于激光定位的动态障碍物剔除算法 |
CN110379150B (zh) * | 2018-09-13 | 2021-05-25 | 北京京东尚科信息技术有限公司 | 一种评估道路通行性的方法和装置 |
CN109271944B (zh) | 2018-09-27 | 2021-03-12 | 百度在线网络技术(北京)有限公司 | 障碍物检测方法、装置、电子设备、车辆及存储介质 |
CN109556615B (zh) * | 2018-10-10 | 2022-10-04 | 吉林大学 | 基于自动驾驶的多传感器融合认知的驾驶地图生成方法 |
CN109212555A (zh) * | 2018-10-12 | 2019-01-15 | 合肥中科智驰科技有限公司 | 基于三维激光雷达的可通行区域检测方法 |
CN109254289B (zh) * | 2018-11-01 | 2021-07-06 | 百度在线网络技术(北京)有限公司 | 道路护栏的检测方法和检测设备 |
CN109544990A (zh) * | 2018-12-12 | 2019-03-29 | 惠州市德赛西威汽车电子股份有限公司 | 一种基于实时电子地图识别可用泊车位的方法及*** |
CN110335282B (zh) * | 2018-12-25 | 2023-04-18 | 广州启明星机器人有限公司 | 一种基于栅格的轮廓线段特征提取方法 |
CN109738910A (zh) * | 2019-01-28 | 2019-05-10 | 重庆邮电大学 | 一种基于三维激光雷达的路沿检测方法 |
JP7257814B2 (ja) * | 2019-02-21 | 2023-04-14 | 日立Astemo株式会社 | 走行路認識装置 |
CN110208802B (zh) * | 2019-05-16 | 2021-04-30 | 四川省客车制造有限责任公司 | 融合多视图模糊推理赋值的障碍物检测方法 |
CN110136254B (zh) * | 2019-06-13 | 2019-12-13 | 吉林大学 | 基于动态概率驾驶地图的驾驶辅助信息显示方法 |
CN112147602B (zh) * | 2019-06-26 | 2024-01-16 | 陕西汽车集团股份有限公司 | 一种基于激光点云的路沿识别方法及*** |
CN112183157A (zh) * | 2019-07-02 | 2021-01-05 | 华为技术有限公司 | 道路几何识别方法及装置 |
CN110458055B (zh) * | 2019-07-29 | 2021-10-15 | 江苏必得科技股份有限公司 | 一种障碍物检测方法及*** |
CN110703753B (zh) * | 2019-10-16 | 2022-11-08 | 北京京东乾石科技有限公司 | 路径规划方法及装置、电子设备、存储介质 |
CN112785909B (zh) * | 2019-11-06 | 2022-12-02 | 北京地平线机器人技术研发有限公司 | 一种占用栅格图的确定方法及装置 |
CN110969102B (zh) * | 2019-11-21 | 2023-06-20 | 大连理工大学 | 一种基于生长的栅格地图障碍物检测方法 |
CN111413972B (zh) * | 2020-03-26 | 2023-09-08 | 上海有个机器人有限公司 | 机器人及其障碍检测方法和*** |
CN111309031B (zh) * | 2020-03-26 | 2023-09-08 | 上海有个机器人有限公司 | 机器人及其障碍检测方法和障碍检测*** |
ES2882834A1 (es) * | 2020-06-02 | 2021-12-02 | Beamagine S L | Sistema y método para el rastreo de objetos en movimiento en vehículos |
CN111797701B (zh) * | 2020-06-10 | 2024-05-24 | 广东正扬传感科技股份有限公司 | 用于车辆多传感器融合***的道路障碍物感知方法及*** |
JP7425682B2 (ja) * | 2020-06-25 | 2024-01-31 | 株式会社日立製作所 | 情報管理システム、情報管理装置、および情報管理方法 |
CN112394726B (zh) * | 2020-10-20 | 2023-08-04 | 自然资源部第一海洋研究所 | 一种基于证据理论的无人船障碍物融合检测方法 |
CN112379674B (zh) * | 2020-11-26 | 2022-06-21 | 中国第一汽车股份有限公司 | 一种自动驾驶设备及*** |
CN112529335B (zh) * | 2020-12-25 | 2021-12-31 | 广州文远知行科技有限公司 | 一种模型检测方法、装置、设备和存储介质 |
CN113920735B (zh) * | 2021-10-21 | 2022-11-15 | 中国第一汽车股份有限公司 | 一种信息融合方法、装置、电子设备及存储介质 |
CN114671380B (zh) * | 2022-03-23 | 2023-12-29 | 湖南星邦智能装备股份有限公司 | 一种基于多传感器数据融合的高空作业车防撞方法及*** |
CN115565372B (zh) * | 2022-09-22 | 2024-06-14 | 南京长江自动化研究院有限公司 | 基于车联网的丘陵道路经济性巡航车速规划方法及*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
CN102779280A (zh) * | 2012-06-19 | 2012-11-14 | 武汉大学 | 一种基于激光传感器的交通信息提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355539B2 (en) * | 2007-09-07 | 2013-01-15 | Sri International | Radar guided vision system for vehicle validation and vehicle motion characterization |
-
2014
- 2014-12-01 CN CN201410740640.6A patent/CN104636763B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102564431A (zh) * | 2011-11-14 | 2012-07-11 | 南京理工大学 | 基于多传感器融合的非结构化环境理解方法 |
CN102779280A (zh) * | 2012-06-19 | 2012-11-14 | 武汉大学 | 一种基于激光传感器的交通信息提取方法 |
Non-Patent Citations (4)
Title |
---|
一种改进的COBWEB算法研究;于洋;《中国优秀硕士学位论文全文数据库·信息科技辑》;20110615(第6期);I138-294第32-34页 * |
基于四线激光雷达的道路检测与跟踪;杨象军;《中国优秀硕士学位论文全文数据库·信息科技辑》;20130615(第6期);I140-242第17-26页 * |
基于多扫描线式激光雷达的环境理解技术研究;刘春明;《中国优秀硕士学位论文全文数据库·信息科技辑》;20071115(第5期);I136-892第20-21页 * |
基于改进的D-S证据理论的栅格地图构建;曹红玉 等;《吉林大学学报(工学版)》;20110731;第41卷(第4期);第1128-1129页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104636763A (zh) | 2015-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104636763B (zh) | 一种基于无人驾驶车的道路与障碍物检测方法 | |
CN106530380B (zh) | 一种基于三维激光雷达的地面点云分割方法 | |
US11427225B2 (en) | All mover priors | |
US9435885B2 (en) | Road-terrain detection method and system for driver assistance systems | |
US20210364319A1 (en) | Infrastructure mapping and layered output | |
CN107609522B (zh) | 一种基于激光雷达和机器视觉的信息融合车辆检测*** | |
WO2018133851A1 (zh) | 一种点云数据处理方法、装置及计算机存储介质 | |
CN110084086A (zh) | 一种基于视觉传感器的自动驾驶车辆可行驶区域检测方法 | |
CN108052097A (zh) | 用于训练异构感测***的方法和异构感测*** | |
CN109017780A (zh) | 一种车辆智能驾驶控制方法 | |
KR101822373B1 (ko) | 물체 탐지 장치 및 방법 | |
CN104182756B (zh) | 一种基于单目视觉的车辆前方障碍物检测方法 | |
CN114375467A (zh) | 紧急车辆的检测 | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
US20220227373A1 (en) | Systems and methods for detecting an open door | |
CN113989784A (zh) | 一种基于车载激光点云的道路场景类型识别方法及*** | |
CN105205805A (zh) | 基于视觉的智能车辆横向控制方法 | |
CN111259796A (zh) | 一种基于图像几何特征的车道线检测方法 | |
US11403951B2 (en) | Driving assistance for a motor vehicle when approaching a tollgate | |
JP2021082286A (ja) | 車線変更の検出を改良するためのシステム、非一時的コンピュータ可読媒体および方法 | |
Kühnl et al. | Visual ego-vehicle lane assignment using spatial ray features | |
Lin et al. | Identification and Tracking of Takeout Delivery Motorcycles Using Low-Channel Roadside LiDAR | |
Lai et al. | Sensor fusion of camera and MMW radar based on machine learning for vehicles | |
US12046050B2 (en) | Systems and methods for detecting traffic lights using hierarchical modeling | |
US20230334873A1 (en) | Systems and methods for detecting traffic lights using hierarchical modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20181009 Termination date: 20211201 |