CN109001757B - 一种基于2d激光雷达的车位智能检测方法 - Google Patents

Abstract

本发明公开了一种基于2D激光雷达的车位智能检测方法，包括：步骤1.获取环境位置信息，包括距离信息和角度信息；步骤2.对步骤1获取的环境位置信息进行预处理；步骤3.对步骤2经预处理后的环境位置信息进行分割聚类；步骤4.将步骤3得到聚类结果进行车辆边界线段提取；步骤5.将步骤4得到的车辆轮廓提取线段，并建立泊车车位空间模型并得到泊车车位最小宽度；步骤6.根据泊车车位的最小宽度判断车位大小是否满足要求。本发明考虑到2D激光雷达拥有的角度和距离信息，通过聚类分析和线段拟合方法，建立泊车车位空间模型。并在此基础上将多输入多规则的模糊推理***引入到车位检测中来，提高了泊车环境下，车位检测的准确性和智能化水平。

Description

一种基于2D激光雷达的车位智能检测方法

技术领域

本发明属于自动泊车及辅助泊车的车位检测领域，尤其是车位检测中基于2D激光雷达的车位检测方法。

背景技术

车位检测是自动泊车和辅助泊车***的必要组成部分，准确且有效的车位检测是实现自动泊车和辅助泊车的基础。现代车位检测往往依赖多种传感器的搭配，选取合适的传感器信息处理算法感知所处场景，进而做出相应的决策。对于自动泊车的车位检测，从传感器角度上看，主要有三种类型：利用超声波的车位检测、利用激光雷达的车位检测和利用摄像头等多传感器融合的车位检测。

利用超声波雷达传感器进行泊车车位检测，需要车辆具有特定的初始姿态，并且只能对停靠规则的停车位进行检测，对规则车位的长度和宽度进行测量。如果遇到不规则和较狭窄的车位，则不会被***检测到，造成车位资源的浪费。利用视觉传感器和超声波传感器对车位进行识别，需要视觉传感器、多个超声波传感器、脉冲传感器等多传感器信息进行融合，***复杂，造价昂贵，且需要清晰的车位线和参照物。相比之下，激光雷达传感器同时具有测距和环境感知的功能，且探测角度大，数据稳定，适应性好已经被广泛用于自动驾驶、室内外定位及自动泊车工作。

近几年来，很多人已经对使用激光雷达进行车位检测相关方面做了很多的相关研究，大多是用测量环境中的车位宽度信息的方法来获得车位大小。比如：2010年，上海交通大学的史晓磊等通过采用类似超声波传感器的方法，应用激光雷达对停车位进行检测。作者通过划分兴趣区域，对局部激光雷达数据进行分析，得到车位的深度信息，在通过跟踪车辆边界进行车位长度信息的测量，从而识别出停车位，并对垂直停车和平行停车分别设计了相应的停车位检测方法；2014年，同济大学的王宇辰等设计了基于激光雷达的车位动态检测方法，作者针对平行车位等停车环境，通过相应的坐标变换对障碍物数据点进行定位，并对车位识别过程中的车辆轮廓拟合不理想的情况，设计了一种基于最佳外接矩形的轮廓拟合方法来对车辆轮廓进行拟合，实现平行车位的动态检测。然而目前对于激光雷达的泊车车位检测的研究还停留在对规划规则和停靠规则的车位进行检测的基础上，检测方法参照超声波传感器的检测方法，未利用激光雷达传感器对于环境感知的功能，且针对不同的泊车车位类型需要人为选择切换检测模式，智能化程度不高。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种基于2D激光雷达的车位智能检测方法，以解决现有技术中车位检测的准确性低和智能化水平不高的问题。

为实现上述目的及其他目的，本发明提供一种基于2D激光雷达的车位智能检测方法，该方法包括以下步骤：

步骤1.获取环境位置信息，包括距离信息和角度信息；

步骤2.对步骤1获取的环境位置信息进行预处理；

步骤3.对步骤2经预处理后的环境位置信息进行分割聚类；

步骤4.将步骤3得到聚类结果进行车辆边界线段提取；

步骤5.将步骤4得到的车辆轮廓提取线段，并建立泊车车位空间模型并得到泊车车位最小宽度；

步骤6.根据泊车车位的最小宽度判断车位大小是否满足要求。

优选地，所述环境位置信息进行分割聚类的具体方法如下：

计算两点间的欧氏距离D：

|p_n-p_n-1|＞D_max

其中，|p_n-p_n-1|为点p_n到点p_n-1之间的欧式距离，D_max是任意相邻点间的距离阈值，如果点p_n到点p_n-1之间的欧式距离小于D_max，则聚为一类，否则设为断点。

优选地，所述任意相邻点间的距离阈值D_max的计算方法为：

其中，l_n-1为点p_n-1到激光雷达的距离，Δφ是激光雷达的分辨率，φ_n-1为点p_n-1极坐标中的极角，λ为参数值。

优选地，所述参数值λ具体计算方法如下：

设点p_n和p_n-1连线与x轴夹角为β，则：

其中，(x_n,y_n)，(x_n-1,y_n-1)分别为数据点p_n和p_n-1的坐标，此时入射角γ为：

γ＝90°-(β-φ_n-1)

若入射角γ＞K，则对应较大的参数λ；如果入射角γ≤K，则对应较小的参数λ。

优选地，所述步骤4包括以下子步骤：

步骤41.对数据点集进行分割获得断点并对断点进行初分配；

步骤42.对所有已分割数据集进行异常数据集的剔除；

步骤43.计算边界点p_j+1进行重分配，比较边界点p_j+1与相邻线段的距离d_j，通过判断距离d_j是否满足给定阈值而对边界点进行再分配；

步骤44.计算相邻集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|i＝m+1,…,k}的拟合直线l_c,m和l_m+1,k的夹角

并与阈值γ_thd相比较，若

则进行步骤45，否则结束两直线合并，遍历下一相邻线段，继续步骤44，直到所有集合遍历结束。

步骤45.将相邻集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|i＝m+1,…,k}，进行合并，应用最小二乘法拟合直线，计算拟合误差平方和E²，并与阈值

相比较，如果小于阈值，则进行直线合并，否则遍历下一相邻线段，返回步骤44。

优选地，所述步骤5包括以下子步骤：

步骤51.计算车辆目标一的边界点

以及车辆目标二的边界点

步骤52.提取车位的最小宽度D_Wide_min；

步骤53.计算车辆目标一的边界点

到线段

的最短距离D_1to₂与车辆目标二的边界点

到线段

的最短距离，则泊车车位最小宽度D_Wide_min＝min{D_1to₂,D_2to₁}。

由于采用了上述技术方案，本发明具有如下的优点：

本发明考虑到2D激光雷达拥有的角度和距离信息，通过聚类分析和线段拟合方法，建立泊车车位空间模型。并在此基础上将多输入多规则的模糊推理***引入到车位检测中来，提高了泊车环境下，车位检测的准确性和智能化水平。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步的详细描述：

图1为基于改进型的自适应阈值算法示意图；

图2为二次聚类示意图；

图3为线段提取算法流程图；

图4为泊车车位空间模型示意图；

图5为本发明方法的流程图；

图6为本实施例中不同的向量示意图。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1至图6。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图5所示，本实放例提供一种基于2D激光雷达的车位智能检测方法，该方法包括以下步骤：

步骤1：连接二维扫描型激光雷达传感器，获取环境数据并以数组形式存储于计算机中，获取的环境位置信息包括距离信息D＝{d₁,d₂,d₃,...,d_N}和角度信息S＝{a₁,a₂,a₃,...,a_N}。

步骤2：对步骤1获取的环境位置信息进行预处理，包括去除有效范围外的数据点、滤除孤立的噪声点及对激光雷达测量机制的缺陷补偿。

步骤3：对步骤2得到的环境位置信息进行分割聚类分析，具体方法如下：

采用欧氏距离作为聚类的依据，公式如下：

|p_n-p_n-1|＞D_max

其中，|p_n-p_n-1|为点p_n到点p_n-1之间的欧式距离，D_max是任意相邻点间的距离阈值，如果点p_n到点p_n-1之间的欧式距离小于D_max，则聚为一类，否则设为断点。其中D_max还和激光雷达与点之间的距离l_n-1有关。D_max和l_n-1的关系如下：

其中，l_n和l_n-1分别是点p_n和p_n-1到激光雷达的距离，Δφ是激光雷达的分辨率，φ_n和φ_n-1分别为点p_n和p_n-1极坐标中的极角，λ为参数值，其大小直接影响着阈值的取值大小。

在聚类过程中，首先连接点p_n和点p_n-1，计算点p_n-1的入射角γ，当入射角γ不断变大时，参数λ取较大值，距离阈值变大。当入射角γ不断变小时，参数λ取较小值，距离阈值变小。参数λ具体计算方法如下：

设点p_n和p_n-1连线与x轴夹角为β，则：

其中，(x_n,y_n)，(x_n-1,y_n-1)分别为点p_n和p_n-1的坐标，此时入射角γ为：

γ＝90°-(β-φ_n-1)

若入射角γ＞K，则对应较大的参数λ；如果入射角γ＜＝K，则对应较小的参数λ。由于扫描数据由于材料反射率原因，仍然存在部分数据缺失情况，需要根据车辆外轮廓特征进行二次聚类。

如图2所示，搜索相邻类簇①②间距离最近的两个点，设为m_n-1和m_n，计算两点间的距离D_n＝|d_n-d_n-1|。若两点间的距离D_n恰好等于类簇①终点和类簇②起点，则根据车辆轮廓的连续性，将两个类簇重新聚为一类，即进行二次聚类。同时为了避免类簇间距过大，造成聚类失败的情况，需要设立距离阈值ξ，d_n小于二次距离阈值ξ，即当|d_n-d_n-1|＞ξ(d_n)，仍认为是两个类簇，不再进行二次聚类。

步骤4：将步骤3得到聚类结果进行车辆边界线段提取。具体地，线段提取分为分割阶段和合并阶段两个。

①分割阶段

Step 1：根据IEPF算法原理，连接数据点集{p(x_i,y_i)|i＝1,2,…,n}的起点p₁和终点p_n，此时遍历数据集{p(x_i,y_i)|i＝1,2,…,n}，找到距离最大点p_m，若点p_m到直线

的距离d_m大于给定的阈值

则将该点p_m设为断点，并以此点分为{p(x_i,y_i)|i＝1,2,…,m-1}，{p(x_i,y_i)|i＝m+1,…,n}两个点集。并通过公式：

确定断点p_m分属哪个数据集。然后递归遍历整个数据集，直到所有数据点满足要求。f为预设的常数。

Step 2：对所有已分割数据集进行异常数据集的剔除，包括重复数据集和只含有一个点的数据集。

Step 3：根据LT算法思想，将相邻数据点集{p(x_i,y_i)|i＝k,…,j}，{p(x_i,y_i)|i＝j+1,…,q}的边界点p_j+1进行重分配。判断点p_j+1与数据点集{p(x_i,y_i)|i＝k,…,j}所拟合直线的距离d_j是否满足阈值范围内。若满足，则将点p_j+1添加进数据点集{p(x_i,y_i)|i＝k,…,j}，并在{p(x_i,y_i)|i＝j+1,…,q}中删除。如此遍历更新所有数据集。

Step 4：重复步骤Step 3操作。

②合并阶段

Step 1：首先计算相邻集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|_i＝m+1,…,k}的拟合直线l_c,_m和l_m+1,k的夹角

并与阈值γ_thd相比较，若

则进行Step2，否则结束两直线合并，遍历下一相邻线段，继续Step 1，直到所有集合遍历结束。

Step 2：将相邻数据集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|i＝m+1,…,k}，进行合并，应用最小二乘法拟合直线，计算拟合误差平方和E²，并与阈值

相比较，如果小于阈值，则进行直线合并。否则遍历下一相邻线段，返回Step 1。

步骤5：将步骤4得到的车辆轮廓提取线段，并建立泊车车位空间模型并得到泊车车位最小宽度。

具体地，计算车辆目标一的边界点

以及车辆目标二的边界点

以及车身姿态角

接着提取车位的最小宽度D_Wide_min。

对于泊车车位最小宽度D_Wide_min，首先计算车辆目标一的边界点

到线段

的最短距离，由于矢量算法具有方向性，且计算简单，所以采用矢量算法进行点到线段的最短距离计算。

根据向量计算法则有：

则：

令

因为向量具有方向性，所以有：如果是图6(a)的情况，则0＜r＜1；如果是图6(b)的情况，则r≥1；如果是图6(c)的情况，则r≤0。

车辆目标一的边界点

到线段

的最短距离为：

同理,可得车辆目标二的边界点

到线段

的最短距离为：

其中，m为

在线段

上的投影，则泊车车位最小宽度D_Wide_min＝min{D_1to2,D_2to1}。

步骤6：根据泊车车位的最小宽度判断车位大小是否满足要求，当D_Wide_min＞D_car+Δd时，满足停车条件。

其中，Δd为车辆泊车所需多余车身的最小宽度，D_car表示车身宽度。最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (2)

1.一种基于2D激光雷达的车位智能检测方法，其特征在于，该方法包括以下步骤：

步骤1.获取环境位置信息，包括距离信息和角度信息；

步骤2.对步骤1获取的环境位置信息进行预处理，包括去除有效范围外的数据点、滤除孤立的噪声点及对激光雷达测量机制的缺陷补偿；

步骤3.对步骤2经预处理后的环境位置信息进行分割聚类，分割聚类的具体方法如下：

计算两点间的欧氏距离：

|p_n-p_n-1|＞D_max

其中，|p_n-p_n-1|为点p_n到点p_n-1之间的欧式距离，D_max是任意相邻点间的距离阈值，如果点p_n到点p_n-1之间的欧式距离小于D_max，则聚为一类，否则设为断点；

任意相邻点间的距离阈值D_max的计算方法为：

其中，l_n-1为点p_n-1到激光雷达的距离，Δφ是激光雷达的分辨率，φ_n-1为点p_n-1极坐标中的极角，λ为参数值，δ代表高斯随机噪声参数，δ为标准差；

参数值λ具体计算方法如下：

设点p_n和p_n-1连线与x轴夹角为β，则：

其中，(x_n,y_n)，(x_n-1,y_n-1)分别为数据点p_n和p_n-1的坐标，此时入射角γ为：

γ＝90°-(β-φ_n-1)

然后通过γ计算得到数值λ；

步骤4.将步骤3得到聚类结果进行车辆边界线段提取，提取车辆边界线段的步骤：

步骤41.对数据点集进行分割获得断点并对断点进行初分配；

步骤42.对所有已分割数据集进行异常数据集的剔除；

步骤43.计算边界点p_j+1进行重分配，比较边界点p_j+1与相邻线段的距离d_j，通过判断距离d_j是否满足给定阈值而对边界点进行再分配；

步骤44.计算相邻集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|i＝m+1,…,k}的拟合直线l_c,m和l_m+1,k的夹角

并与阈值γ_thd相比较，若

则进行步骤45，否则结束两直线合并，遍历下一相邻线段，继续步骤44，直到所有集合遍历结束；

步骤45.将相邻集合{p(x_i,y_i)|i＝c,c+1,…,m}和{p(x_i,y_i)|i＝m+1,…,k}，进行合并，应用最小二乘法拟合直线，计算拟合误差平方和E²，并与阈值

相比较，如果小于阈值，则进行直线合并，否则遍历下一相邻线段，返回步骤44；

步骤5.将步骤4得到的车辆轮廓提取线段，还原出车辆的位姿，并建立泊车车位空间模型并得到泊车车位最小宽度；

步骤6.根据泊车车位的最小宽度判断车位大小是否满足要求。

2.根据权利要求1所述的一种基于2D激光雷达的车位智能检测方法，其特征在于，所述步骤5包括以下子步骤：

步骤51.计算车辆目标一的边界点

以及车辆目标二的边界点

步骤52.提取车位的最小宽度D_Wide_min；

步骤53.计算车辆目标一的边界点

到线段

的最短距离D_1to2与车辆目标二的边界点

到线段

的最短距离，则泊车车位最小宽度D_Wide_min＝min{D_1to2，D_2to1}，D_1to2代表车辆目标一的右边界顶点

到线段

的最短距离为；D_2to1代表同理可得车辆目标二的左边界顶点

到线段

的最短距离。

Images