CN115761682A - 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 - Google Patents
基于激光感知的可行驶区域的识别方法、装置、智能矿卡 Download PDFInfo
- Publication number
- CN115761682A CN115761682A CN202211531348.4A CN202211531348A CN115761682A CN 115761682 A CN115761682 A CN 115761682A CN 202211531348 A CN202211531348 A CN 202211531348A CN 115761682 A CN115761682 A CN 115761682A
- Authority
- CN
- China
- Prior art keywords
- points
- point cloud
- point
- boundary
- ground
- 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.)
- Pending
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明属于自动驾驶感知技术领域,具体提供一种基于激光感知的可行驶区域的识别方法、装置、智能矿卡,所述方法包括如下步骤:将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。为当前自动驾驶领域识别山区非结构化道路的可行驶区域提供了一种有效方法。
Description
技术领域
本发明属于自动驾驶感知技术领域,具体为矿山非结构化道路的可行驶区域检测,通过对激光雷达点云的处理,实时输出矿区道路虚拟边界线和可行驶区域,用于自动驾驶矿车的决策、规划和控制,具体涉及一种基于激光感知的可行驶区域的识别方法、装置、智能矿卡。
背景技术
矿山道路崎岖蜿蜒、工作环境恶劣,交通事故发生率较高,随着自动驾驶技术的迅速发展,矿区智能化、无人化已经逐步成为矿山发展的方向。智慧矿山的建设与发展,能够减少人为操作引发的失误、提高矿区作业的安全性,对我国的矿业开采具有重大意义。自动驾驶矿车不仅能够提高设备的利用率,降低劳动力成本,提高矿区生产效率;同时,通过不断优化控制算法,可以降低油耗,减少矿车设备的损耗,延长矿车设备的使用寿命。
自动驾驶矿卡的感知技术可以让矿车更好的理解周围环境、障碍物位置距离速度、可行驶区域等,从而帮助后端的决策、规划、控制功能更好的实现。环境感知技术是自动驾驶***的重点和难点,本发明主要针对矿山道路的边界及可行驶区域感知,为自动驾驶矿车划定安全的行驶范围,保障了矿车运输过程中的安全。自动驾驶***感知技术包含的传感器包括毫米波雷达、相机、激光雷达等,本发明主要采用基于激光雷达的感知方式。一方面激光雷达不受光照影响能够全天候使用、不受雨天等天气变化条件的影响;另一方面,激光雷达可以获得高精度、高纬度,带有宽广的视野范围的点云数据,更适合矿山道路的可行驶区域检测。
目前,矿山道路检测存在着许多技术上的难题,矿区道路没有明显的道路边界,有的地方是由石块堆砌的***,有的地方边界和地面一样平整,单行道和双行道混合存在。并且,矿区道路总存在一定坡度,道路中间也会存在一些坑洼和***,这都给算法的检测带来了一定的挑战。
发明内容
矿山道路检测存在着许多技术上的难题,矿区道路没有明显的道路边界,有的地方是由石块堆砌的***,有的地方边界和地面一样平整,单行道和双行道混合存在。并且,矿区道路总存在一定坡度,道路中间也会存在一些坑洼和***,这都给算法的检测带来了一定的挑战,针对上述矿山道路检测存在难题和挑战,通过对车载激光点云的处理,实时输出矿区道路的边界线和可行驶区域,用于自动驾驶矿车的决策、规划和控制。本发明一种基于激光感知的可行驶区域的识别方法、装置、智能矿卡。
第一方面,本发明技术方案提供一种基于激光感知的可行驶区域的识别方法,包括如下步骤:
将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
作为本发明技术方案的进一步限定,将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理的步骤包括:
获取激光雷达采集的前方道路点云数据,进行点云降采样滤波;
遍历点云中的所有点,剔除坐标值等于NaN值的点并剔除坐标值小于第一阈值的点;
对点云数据进行坐标系变换,将点云从雷达坐标系转到车体坐标系下;
划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
作为本发明技术方案的进一步限定,使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点的步骤包括:
对预处理后的点云依照z轴高度进行排序;
计算点云的最低点,将点云中Z轴高度与最低点的高度差在第二阈值内的点选为种子点生成种子点集合;
根据种子点建立描述地面的初始平面模型;
计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于阈值Thdist,认为该点属于地面点,当高度差大于阈值Thdist,则为非地面点;
经过分类后的所有地面点被当作下一次迭代的种子点集,继续迭代优化;达到迭代次数,最终获得分割出的地面点云。
作为本发明技术方案的进一步限定,根据种子点建立描述地面的初始平面模型的步骤之后包括:
对建立的初始平面模型进行评估。
作为本发明技术方案的进一步限定,使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点的步骤包括:
接收分割出的地面点云;
将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集;
建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点。
作为本发明技术方案的进一步限定,建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点的步骤包括:
遍历平面点集的所有点,得到X轴的最大值和最小值,Y轴的最大值和最小值并建立点集的最小包围盒;
将数据点放入对应的网络单元,找出边界网格并提取边界点。
作为本发明技术方案的进一步限定,将数据点放入对应的网络单元,找出边界网格并提取边界点的步骤包括:
地面点云网格化之后,根据当前点的坐标计算该点所在的行和列,将该点添加到对应行列的网格中,若对应网格内点数为零则像素值0,否则为1;
对每个网格进行判断,若网格的点数不为零且邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格;
将边界网格内的点云放入对应的存储容器中获得道路边界点。
作为本发明技术方案的进一步限定,将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点的步骤包括:
将获得的边界点使用B样条曲线进行分段拟合,填补空缺位置的边界点,剔除部分异常点。
第二方面,本发明技术方案还提供一种基于激光感知的可行驶区域的识别装置,包括预处理模块、地面点分割模块、边界点获取模块、边界线拟合模块、发布模块;
预处理模块,用于将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
地面点分割模块,用于使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
边界点获取模块,用于使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
边界线拟合模块,用于将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
发布模块,用于发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
作为本发明技术方案的进一步限定,预处理模块包括采样滤波单元、第一预处理单元、坐标转换单元、第二预处理单元;
采样滤波单元,用于获取激光雷达采集的前方道路点云数据,进行点云降采样滤波;
第一预处理单元,用于遍历点云中的所有点,剔除坐标值等于NaN值的点并剔除坐标值小于第一阈值的点;
坐标转换单元,用于对点云数据进行坐标系变换,将点云从雷达坐标系转到车体坐标系下;
第二预处理单元,用于划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
作为本发明技术方案的进一步限定,地面点分割模块包括排序单元、生成单元、平面建立单元、计算处理单元、迭代分割单元;
排序单元,用于对预处理后的点云依照z轴高度进行排序;
生成单元,用于计算点云的最低点,将点云中Z轴高度与最低点的高度差在第二阈值内的点选为种子点生成种子点集合;
平面建立单元,用于根据种子点建立描述地面的初始平面模型;
计算处理单元,用于计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于阈值Thdist,认为该点属于地面点,当高度差大于阈值Thdist,则为非地面点;
迭代分割单元,用于经过分类后的所有地面点被当作下一次迭代的种子点集,继续迭代优化;达到迭代次数,最终获得分割出的地面点云。
作为本发明技术方案的进一步限定,该装置还包括平面评估模块,用于对建立的初始平面模型进行评估。
作为本发明技术方案的进一步限定,边界点获取模块包括接收单元、转换单元、分割获取单元;
接收单元,用于接收分割出的地面点云;
转换单元,用于将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集;
分割获取单元,用于建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点。
作为本发明技术方案的进一步限定,分割获取单元,具体用于遍历平面点集的所有点,得到X轴的最大值和最小值,Y轴的最大值和最小值并建立点集的最小包围盒;地面点云网格化之后,根据当前点的坐标计算该点所在的行和列,将该点添加到对应行列的网格中,若对应网格内点数为零则像素值0,否则为1;对每个网格进行判断,若网格的点数不为零且邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格;将边界网格内的点云放入对应的存储容器中获得道路边界点。
作为本发明技术方案的进一步限定,边界线拟合模块,用于将获得的边界点使用B样条曲线进行分段拟合,填补空缺位置的边界点,剔除部分异常点。
第三方面,本发明技术方案还提供一种智能矿卡,智能化矿卡设置有激光雷达、处理器,所述处理器能够执行如第一方面所述的基于激光感知的可行驶区域的识别方法。
从以上技术方案可以看出,本发明具有以下优点:(1)本发明提供的基于激光点云的可行驶区域识别方法,基于地面平面识别和优化的方法进行地面检测,利用等间隔的矩形栅格划分法进行道路边界点的识别和提取,将获得的边界点使用B样条曲线拟合的方法填补空缺位置的边界点,同时剔除异常位置的边界点,最终输出矿车的可行驶区域。该方法简单可靠,易于实现,识别效果优良,为当前自动驾驶领域识别山区非结构化道路的可行驶区域提供了一种有效方法。
(2)该方法基于激光雷达点云的识别方式,具有天然的不受光照及天气条件变化影响的优势,激光雷达的识别范围广、识别精度高,均为算法的可实施性提供了保障。
此外,本发明设计原理可靠,结构简单,具有非常广泛的应用前景。
由此可见,本发明与现有技术相比,具有突出的实质性特点和显著地进步,其实施的有益效果也是显而易见的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例的方法的示意性流程图。
图2为地面平面拟合算法的伪代码图。
图3为点云网格化示意图。
图4为划分边界点云网格示意图。
图5是本发明一个实施例的装置的示意性框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
如图1所示,本发明实施例提供一种基于激光感知的可行驶区域的识别方法,包括如下步骤:
S1:将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
获取激光雷达采集的前方道路点云数据,进行点云降采样滤波。遍历点云中的所有点,剔除坐标值等于NaN值的点,剔除坐标值小于一定距离的点(被认为是扫描的车身的点云)。对点云数据进行坐标系变换,将所有点云从雷达坐标系转到车体坐标系下。划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
S2:使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
对预处理后的点云依照z轴高度进行排序,移除部分z轴高度异常的点,标记为非地面点;将z轴高度在地面高度附近的点定为种子点,种子点被用于建立描述地面的初始平面模型。
引入最低点代表(Lowest Point Representation,LPR)的概念。LPR就是个最低高度点的平均值,LPR保证了平面拟合阶段不受测量噪声的影响。这个LPR被当作是整个点云P的最低点,点云P中高度在阈值内的点被当作是种子点,由这些种子点构成一个种子点集合。
点云中的点到这个平面的正交投影距离小于阈值Thdist则认为该点属于地面,否则属于非地面。我们采用一个简单的线性模型用于平面模型估计,然后使用三个奇异向量描述点集在三个主要方向的散布情况。由于是平面模型,垂直于平面的法向量表示具有最小方差的方向,可以通过计算具有最小奇异值的奇异向量来求得。在选取种子点集和评估完成初始平面模型以后,我们会计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于此阈值,我们认为该点属于地面,当高度差大于此阈值,则为非地面点。经过分类以后的所有地面点被当作下一次迭代的种子点集,继续迭代优化。经过一定的迭代次数,最终获得分割出的地面点云。
S3:使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
为了方便计算,首先将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集。最常用的网格划分方法是均匀网格化法,首先遍历所有点,得到xmax,xmin,ymax,ymin并建立点集的最小包围盒;把数据点放入对应的网络单元,则数据点和网络单元之间建立了对应关系。将点云数据网格化后与一副大小为M*N的二值图像进行对应,若对应网格内点数为零则像素值0,否则为1。对每个网格进行判断,若该网格的点数不为零且其8个邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格。将边界网格内的点云放入对应的存储容器中。
S4:将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
通过以上步骤获得的道路边界点,存在不连续甚至异常值偏差比较远的情况。将获得的边界点使用B样条曲线进行拟合,可以填补空缺位置的边界点,剔除部分异常点。
S5:发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
本发明实施例提供一种基于激光感知的可行驶区域的识别方法,包括如下步骤:
如图2-4所示,步骤一:在自动驾驶矿车正前方安装一个64线的激光雷达,为了更充分地获取近距离车前方的环境路况,激光雷达水平向下倾斜30度的角度安装。安装完成后标定激光雷达到车体坐标系的外参,记录外参数据,用于点云的坐标变换。本发明采用的激光雷达相关参数如表1所示。
表1
参数 | 数值 |
垂直分辨率 | 64线 |
水平分辨率 | 1024 |
视场角 | 垂直:45°(+22.5°至-22.5°)/水平:360° |
角采样精度 | 垂直:±0.01°/水平:±0.01° |
旋转频率 | 10Hz |
步骤二:获取激光雷达采集的前方道路点云数据,进行点云降采样滤波。遍历点云中的所有点,剔除坐标值等于NaN值的点,剔除坐标值小于一定距离的点(被认为是扫描的车身的点云)。对点云数据进行坐标系变换,将所有点云从雷达坐标系转到车体坐标系下。划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
步骤三:对预处理后的点云依照z轴高度进行排序,移除部分z轴高度异常的点,标记为非地面点;将z轴高度在地面高度附近的点定为种子点,种子点被用于建立描述地面的初始平面模型。
引入最低点代表(Lowest Point Representation,LPR)的概念。LPR就是个最低高度点的平均值,LPR保证了平面拟合阶段不受测量噪声的影响。这个LPR被当作是整个点云P的最低点,点云P中高度在阈值内的点被当作是种子点,由这些种子点构成一个种子点集合。
步骤四:接下来我们需要确定一个平面,点云中的点到这个平面的正交投影距离小于阈值Thdist则认为该点属于地面,否则属于非地面。我们采用一个简单的线性模型用于平面模型估计,然后使用三个奇异向量描述点集在三个主要方向的散布情况。由于是平面模型,垂直于平面的法向量表示具有最小方差的方向,可以通过计算具有最小奇异值的奇异向量来求得。
步骤五:在选取种子点集和评估完成初始平面模型以后,我们会计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于此阈值,我们认为该点属于地面,当高度差大于此阈值,则为非地面点。经过分类以后的所有地面点被当作下一次迭代的种子点集,继续迭代优化。经过一定的迭代次数,最终获得分割出的地面点云。
步骤六:接收到分割出的地面点云,首先建立数据点集的最小包围盒,并用给定间隔的矩形网络将其分割。
为了方便计算,首先将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集。
如图3所示,最常用的网格划分方法是均匀网格化法,首先遍历所有点,得到xmax,xmin,ymax,ymin并建立点集的最小包围盒;
把数据点放入对应的网络单元,则数据点和网络单元之间建立了对应关系。
步骤七:地面点云网格化之后,将各个点分配到各个网格,首先根据当前点的坐标计算该点所在的行和列,然后将该点添加到对应行列的网格中。
将点云数据网格化后与一副大小为M*N的二值图像进行对应,若对应网格内点数为零则像素值0,否则为1。
对每个网格进行判断,若该网格的点数不为零且其8个邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格。将边界网格内的点云放入对应的存储容器中。如图4所示。
步骤八:通过以上步骤获得的道路边界点,存在不连续甚至异常值偏差比较远的情况。将获得的边界点使用B样条曲线进行拟合,可以填补空缺位置的边界点,剔除部分异常点。
由于点云获取噪声和矿区非结构化道路边界不明显的特点,以上步骤获取的边界点会存在一定偏差,使用三次B样条曲线进行分段拟合时,不设置中间控制点。除起始点P0、终点PN外,中间点会将曲线拉向自己,但不会经过中间点。
多点三次B样条的分段拟合时,以P0、P1、P2、P3绘制第1条样条曲线,P1、P2、P3、P4绘制第2条样条曲线,...,PN-3、PN-2、PN-1、PN绘制第N-2条样条曲线。各段曲线之间相互衔接,具有C2级连续。
步骤九:发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
如图5所示,本发明实施例还提供一种基于激光感知的可行驶区域的识别装置,包括预处理模块、地面点分割模块、边界点获取模块、边界线拟合模块、发布模块;
预处理模块,用于将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
地面点分割模块,用于使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
边界点获取模块,用于使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
边界线拟合模块,用于将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
发布模块,用于发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
在有些实施例中,预处理模块包括采样滤波单元、第一预处理单元、坐标转换单元、第二预处理单元;
采样滤波单元,用于获取激光雷达采集的前方道路点云数据,进行点云降采样滤波;
第一预处理单元,用于遍历点云中的所有点,剔除坐标值等于NaN值的点并剔除坐标值小于第一阈值的点;
坐标转换单元,用于对点云数据进行坐标系变换,将点云从雷达坐标系转到车体坐标系下;
第二预处理单元,用于划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
在有些实施例中,地面点分割模块包括排序单元、生成单元、平面建立单元、计算处理单元、迭代分割单元;
排序单元,用于对预处理后的点云依照z轴高度进行排序;
生成单元,用于计算点云的最低点,将点云中Z轴高度与最低点的高度差在第二阈值内的点选为种子点生成种子点集合;
平面建立单元,用于根据种子点建立描述地面的初始平面模型;
计算处理单元,用于计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于阈值Thdist,认为该点属于地面点,当高度差大于阈值Thdist,则为非地面点;
迭代分割单元,用于经过分类后的所有地面点被当作下一次迭代的种子点集,继续迭代优化;达到迭代次数,最终获得分割出的地面点云。
在有些实施例中,该装置还包括平面评估模块,用于对建立的初始平面模型进行评估。
边界点获取模块包括接收单元、转换单元、分割获取单元;
接收单元,用于接收分割出的地面点云;
转换单元,用于将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集;
分割获取单元,用于建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点。
在有些实施例中,分割获取单元,具体用于遍历平面点集的所有点,得到X轴的最大值和最小值,Y轴的最大值和最小值并建立点集的最小包围盒;地面点云网格化之后,根据当前点的坐标计算该点所在的行和列,将该点添加到对应行列的网格中,若对应网格内点数为零则像素值0,否则为1;对每个网格进行判断,若网格的点数不为零且邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格;将边界网格内的点云放入对应的存储容器中获得道路边界点。
在有些实施例中,边界线拟合模块,用于将获得的边界点使用B样条曲线进行分段拟合,填补空缺位置的边界点,剔除部分异常点。
本发明实施例还提供一种智能矿卡,智能化矿卡设置有激光雷达、处理器,所述处理器能够执行如上述实施例所述的基于激光感知的可行驶区域的识别方法。
尽管通过参考附图并结合优选实施例的方式对本发明进行了详细描述,但本发明并不限于此。在不脱离本发明的精神和实质的前提下,本领域普通技术人员可以对本发明的实施例进行各种等效的修改或替换,而这些修改或替换都应在本发明的涵盖范围内/任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于激光感知的可行驶区域的识别方法,其特征在于,包括如下步骤:
将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
2.根据权利要求1所述的基于激光感知的可行驶区域的识别方法,其特征在于,将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理的步骤包括:
获取激光雷达采集的前方道路点云数据,进行点云降采样滤波;
遍历点云中的所有点,剔除坐标值等于NaN值的点并剔除坐标值小于第一阈值的点;
对点云数据进行坐标系变换,将点云从雷达坐标系转到车体坐标系下;
划定平面点云检测ROI,截取位于ROI内的点云,得到预处理后的点云。
3.根据权利要求2所述的基于激光感知的可行驶区域的识别方法,其特征在于,使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点的步骤包括:
对预处理后的点云依照z轴高度进行排序;
计算点云的最低点,将点云中Z轴高度与最低点的高度差在第二阈值内的点选为种子点生成种子点集合;
根据种子点建立描述地面的初始平面模型;
计算点云中每一个点到该平面的正交投影的距离,并且将这个距离与设定的阈值Thdist比较,当高度差小于阈值Thdist,认为该点属于地面点,当高度差大于阈值Thdist,则为非地面点;
经过分类后的所有地面点被当作下一次迭代的种子点集,继续迭代优化;达到迭代次数,最终获得分割出的地面点云。
4.根据权利要求3所述的基于激光感知的可行驶区域的识别方法,其特征在于,根据种子点建立描述地面的初始平面模型的步骤之后包括:
对建立的初始平面模型进行评估。
5.根据权利要求4所述的基于激光感知的可行驶区域的识别方法,其特征在于,使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点的步骤包括:
接收分割出的地面点云;
将3D数据点集,通过坐标转换转化到xy平面上,得到平面点集;
建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点。
6.根据权利要求5所述的基于激光感知的可行驶区域的识别方法,其特征在于,建立数据点集的最小包围盒;并用设定间隔的矩形网络将地面点云分割,找出边界网格并提取边界点的步骤包括:
遍历平面点集的所有点,得到X轴的最大值和最小值,Y轴的最大值和最小值并建立点集的最小包围盒;
将数据点放入对应的网络单元,找出边界网格并提取边界点。
7.根据权利要求6所述的基于激光感知的可行驶区域的识别方法,其特征在于,将数据点放入对应的网络单元,找出边界网格并提取边界点的步骤包括:
地面点云网格化之后,根据当前点的坐标计算该点所在的行和列,将该点添加到对应行列的网格中,若对应网格内点数为零则像素值0,否则为1;
对每个网格进行判断,若网格的点数不为零且邻域网格内点数也都不为零,则该网格为非边界网格,否则为边界网格;
将边界网格内的点云放入对应的存储容器中获得道路边界点。
8.根据权利要求7所述的基于激光感知的可行驶区域的识别方法,其特征在于,将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点的步骤包括:
将获得的边界点使用B样条曲线进行分段拟合,填补空缺位置的边界点,剔除部分异常点。
9.一种基于激光感知的可行驶区域的识别装置,其特征在于,包括预处理模块、地面点分割模块、边界点获取模块、边界线拟合模块、发布模块;
预处理模块,用于将点云从雷达坐标系转换到车体坐标系并对点云数据进行预处理;
地面点分割模块,用于使用预处理后的点云进行地面平面拟合,从预处理点云中分割出地面点;
边界点获取模块,用于使用设定间隔的矩形网络将分割出的地面点进行分割,找出边界网格并提取边界点;
边界线拟合模块,用于将提取的边界点进行边界线拟合,填补空缺位置的边界点,剔除异常值偏差大于设定阈值的点;
发布模块,用于发布基于激光点云识别的道路边界点,发布矿车的可行驶区域。
10.一种智能矿卡,智能化矿卡设置有激光雷达,其特征在于,智能矿卡包括处理器,所述处理器能够执行如权利要求1至7中任一项权利要求所述的基于激光感知的可行驶区域的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531348.4A CN115761682A (zh) | 2022-12-01 | 2022-12-01 | 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211531348.4A CN115761682A (zh) | 2022-12-01 | 2022-12-01 | 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761682A true CN115761682A (zh) | 2023-03-07 |
Family
ID=85342425
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211531348.4A Pending CN115761682A (zh) | 2022-12-01 | 2022-12-01 | 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761682A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612451A (zh) * | 2023-07-20 | 2023-08-18 | 城市之光(深圳)无人驾驶有限公司 | 无人驾驶清扫车的路沿识别方法、装置、设备及存储介质 |
CN117392632A (zh) * | 2023-12-11 | 2024-01-12 | 中交第二公路勘察设计研究院有限公司 | 一种道路要素变化监测方法及装置 |
-
2022
- 2022-12-01 CN CN202211531348.4A patent/CN115761682A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116612451A (zh) * | 2023-07-20 | 2023-08-18 | 城市之光(深圳)无人驾驶有限公司 | 无人驾驶清扫车的路沿识别方法、装置、设备及存储介质 |
CN116612451B (zh) * | 2023-07-20 | 2023-09-29 | 城市之光(深圳)无人驾驶有限公司 | 无人驾驶清扫车的路沿识别方法、装置、设备及存储介质 |
CN117392632A (zh) * | 2023-12-11 | 2024-01-12 | 中交第二公路勘察设计研究院有限公司 | 一种道路要素变化监测方法及装置 |
CN117392632B (zh) * | 2023-12-11 | 2024-03-15 | 中交第二公路勘察设计研究院有限公司 | 一种道路要素变化监测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110320504B (zh) | 一种基于激光雷达点云统计几何模型的非结构化道路检测方法 | |
CN115761682A (zh) | 基于激光感知的可行驶区域的识别方法、装置、智能矿卡 | |
CN105404844B (zh) | 一种基于多线激光雷达的道路边界检测方法 | |
CN106709946B (zh) | 基于LiDAR点云的多***导线自动提取与精细建模方法 | |
CN104392212B (zh) | 一种基于视觉的道路信息检测及前方车辆识别方法 | |
CN108873013B (zh) | 一种采用多线激光雷达的道路可通行区域获取方法 | |
CN102768022B (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
CN103226833A (zh) | 一种基于三维激光雷达的点云数据分割方法 | |
CN112380312B (zh) | 基于栅格检测的激光地图更新方法、终端及计算机设备 | |
CN111325138B (zh) | 一种基于点云局部凹凸特征的道路边界实时检测方法 | |
CN114842450B (zh) | 一种可行驶区域检测方法、装置及设备 | |
CN111354083B (zh) | 一种基于原始激光点云的递进式建筑物提取方法 | |
EP4120123A1 (en) | Scan line-based road point cloud extraction method | |
CN112731440A (zh) | 高速铁路边坡形变检测方法及装置 | |
CN110488151B (zh) | 一种基于遥感技术的输电线路植被危险预警***及方法 | |
CN112014856A (zh) | 一种适于交叉路段的道路边沿提取方法及装置 | |
CN113379919A (zh) | 一种基于无人机rgb相机的植被冠层高度快速提取方法 | |
CN113345094A (zh) | 基于三维点云的电力走廊安全距离分析方法及*** | |
CN116071729A (zh) | 可行驶区域和路沿的检测方法、装置及相关设备 | |
CN112926468A (zh) | 一种潮滩高程自动提取方法 | |
CN114092658A (zh) | 一种高精度的地图构建方法 | |
CN113176546B (zh) | 基于nurbs建模的路侧雷达的实时滤除背景的方法 | |
CN113420670A (zh) | 基于高分遥感输变电线路迁改环水保监管方法 | |
CN113252009A (zh) | 一种基于无人机航测技术的土石方计算方法 | |
CN117345201A (zh) | 基于全息数据的立井井筒病害检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |