一種用于智能車輛的障礙物識別方法
【技術領域】
[0001] 本發明涉及一種車輛環境感知技術，尤其是涉及一種用于智能車輛的障礙物識別 方法。
【背景技術】
[0002] 智能車輛是集環境感知、路徑規劃決策、控制等功能于一體的綜合智能系統，能夠 極大提高交通安全、提高現有道路的車輛通行效率、減少污染。其中環境感知系統是智能車 輛體系結構中的基礎和核心，為規劃決策和控制執行提供必要的基礎信息。環境感知系統 的主要功能是通過傳感器獲取車輛以及環境信息，具體為車輛的位姿及狀態信息獲取、結 構化道路中車道線及車道邊沿的識別與跟蹤、交通標志及交通信號的識別與跟蹤、車輛周 圍障礙物的識別與跟蹤等。
[0003] 通常用于環境感知的傳感器包括攝像機、激光、毫米波雷達、GPS、慣導等。其中攝 像機視覺數據無法提供障礙物準確的距離信息或即便提供了距離信息，但其計算量巨大， 難以滿足智能車輛的實時性要求，而激光雷達測距精度高、掃描頻率高、數據量豐富，并且 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良特 性，近年來在智能車輛的環境感知中受到極大關注。
[0004] 激光雷達包括：單線、四線、32線或64線三維激光雷達。由于單線激光雷達只能 得到物體的一個橫截面，不能得到較完整的立體信息。多線三維激光雷達提供了更大的探 測范圍和分辨率，可以提供障礙物的高度等輪廓信息，極大的提高了環境感知能力。本專利 對基于三維激光雷達的障礙物識別進行分析，新方法不只適用于某一款傳感器，但為了具 體描述三維激光雷達這類傳感器的工作方式及數據格式，我們以智能車輛上常用的32線 激光雷達傳感器Velodyne HDL 32E為例，對新方法進行分析。
[0005] 已有的障礙物識別方法大都是基于掃描點的笛卡爾坐標，而32線或64線激光雷 達掃描是旋轉式的，掃描方式和數據格式與球坐標系更契合和統一，本方法采用掃描點的 球坐標。
[0006] 已有的方法大都是將原始數據點劃分為柵格，然后再基于柵格對障礙物進行識 另IJ，普遍存在欠分割問題，而在球坐標系下三維點云原始數據能夠更準確的表示障礙物信 息，本方法直接對點云的原始數據進行分析，不需進行柵格劃分，可以避免欠分割問題并且 提尚運算效率。
【發明內容】
[0007] 本發明的目的就是為了克服上述現有技術存在的缺陷而提供一種用于智能車輛 的障礙物識別方法，該方法基于三維激光雷達和球坐標系實現。
[0008] 本發明的目的可以通過以下技術方案來實現：
[0009] 一種用于智能車輛的障礙物識別方法，包括步驟：
[0010] 1)獲取車輛周圍環境的三維激光雷達原始掃描點云在球坐標系下的數據點，并在 所有數據點中篩選出障礙點；
[0011] 2)根據各障礙點的水平方位角及其關于三維激光雷達傳感器的徑向距離對障礙 點進行分組；
[0012] 3)將每一組障礙點對應一個障礙物，并根據組內各障礙點的相對位置關系得到各 障礙物的類別。
[0013] 2.根據權利要求1所述的一種用于智能車輛的障礙物識別方法，其特征在于，所 述三維激光雷達設于車輛的車頂。
[0014] 3.根據權利要求1所述的一種用于智能車輛的障礙物識別方法，其特征在于，所 述球坐標系的原點為三維激光雷達的傳感器。
[0015] 所述步驟2)具體包括步驟：
[0016] 21)將所有障礙點按照方位角區域劃分；
[0017] 22)將每一個區域內的障礙點按照徑向距離分組。
[0018] 所述步驟21)具體為：比較相鄰障礙點方位角的差值與方位角差值閾值的大小， 若差值小于閾值，則將兩個方位角歸入同一區域，反之則歸入不同區域；
[0019] 所述步驟22)中對一個區域內的障礙點的分組過程包括步驟：
[0020] 221)將區域內的所有障礙點進行隨機排序；
[0021] 222)將第一個障礙點歸入第一組障礙點，并將其徑向距離作為第一組障礙點的徑 向距離加權值；
[0022] 223)判斷是否存在一組障礙點的徑向距離加權值與下一個障礙點的徑向距離 巧之間的差值小于距離差值閾值，若為是，則執行步驟224)，若為否，則執行步驟225);
[0023] 224)將該障礙點歸入徑向距離加權值與其差值最小的一組障礙點，并根據該障礙 點的徑向距離更新該組障礙點的徑向距離加權值，執行步驟226);
[0024] 225)將該障礙點歸入新的一組障礙點，并將其徑向距離作為該組障礙點的徑向距 離加權值，并執行步驟226);
[0025] 226)判斷是否還有障礙點未分組，若為是，則執行步驟223)，若為否，則分組結 束。
[0026] 所述步驟224)中徑向距離加權值更新式為：
[0027] C/ = (1-a )Cj+a ri
[0028] 其中：(^_為更新前的徑向距離加權值，C/為更新后的徑向距離加權值，a為更新 系數。
[0029] 所述步驟3)具體包括步驟：
[0030]31)將每一組障礙點對應一個障礙物，并將組內各障礙點定義為各障礙物的掃描 占.
[0031] 32)根據組內各障礙點的方位角及其徑向距離得到各障礙物的水平尺寸，具體 為：
[0032] 1 ^ a d/57. 7
[0033] 其中；1為障礙物的水平尺寸，a為各障礙點方位角差值的最大值，d為各障礙點 徑向距離的最小值；
[0034]33)將水平尺寸小于0. 6米的障礙物識別為行人，將水平尺寸介于1. 5米至6米的 障礙物識別為車輛。
[0035] 與現有技術相比，本發明具有以下優點：
[0036] 1)本發明利用三維激光雷達測量原理與點云數據球坐標表示方法的內在統一性， 基于球坐標對點云數據進行分析，而不是對點云數據的笛卡爾坐標進行分析，更高效，同時 由于直接對點云的原始數據進行分析，不需要對點云進行柵格劃分，從而提高了處理效率。
[0037] 2)本發明根據方位角及徑向距離對點云進行分割，避免了傳統借助于柵格劃分的 方法的欠分割問題。
[0038] 3)本發明直接根據障礙物所占的方位角范圍對尺寸不同的障礙物進行識別，運算 成本低，并且可提高障礙物識別效率。
【附圖說明】
[0039] 圖1為本發明的主要步驟流程示意圖；
[0040] 圖2為激光雷達的一幀掃描束在球坐標系和笛卡爾坐標系的表不；
[0041] 圖3為障礙物的水平方位角數據可視化圖；
[0042] 圖4為障礙物與掃描線垂直面的幾何特征圖；
[0043] 圖5為障礙物與掃描線垂直面的簡化近似幾何特征圖。
【具體實施方式】
[0044] 下面結合附圖和具體實施例對本發明進行詳細說明。本實施例以本發明技術方案 為前提進行實施，給出了詳細的實施方式和具體的操作過程，但本發明的保護范圍不限于 下述的實施例。
[0045] 一種用于智能車輛的障礙物識別方法，該方法為了滿足智能駕駛障礙物識別的實 時性，基于三維激光雷達點云的球坐標，首先對智能車輛行駛環境中的障礙物進行分割，使 障礙物之間彼此分開；然后對障礙物進行目標分類，判斷障礙物屬于行人、車輛的哪一類。
[0046] 如圖1所示，本障礙物識別方法包括步驟：
[0047] 1)獲取車輛周圍環境的三維激光雷達掃描得到原始掃描點云在球坐標系下的數 據點，并在所有數據點中篩選出障礙點，激光雷達在智能車輛上的安裝位置決定了傳感器 障礙檢測的感知范圍和能力，為了盡可能的減少遮擋、增大激光雷達的探測范圍，我們將其 安裝在自主車的車頂上方，球坐標系的原點為三維激光雷達的傳感器；
[0048] 獲取激光雷達傳感器原始點云數據。以HDL-32E為例，如圖2,傳感器在垂直視 場角為+10.67°到-30.67°的范圍內發送32條激光，相應角分辨率為1.33° ;同時傳 感器的旋轉頭在水平360°視場角內持續旋轉，其分辨率為0.18°。在實際測量中，從0° 到360°的測量為一幀，這樣理論上一幀就有條掃描束，但是只有反射回來的點才可能被 傳感器接收并保存為數據點，接收到的每個數據點包含8個參數值{Points :0, Points : 1，Points :2，intensity，laser_id，azimuth，distance_m，timestamp} 〇 其中前三個參數 Points :0, 1，2依次表示笛卡爾直角坐標點，laser_id為32條激光的標識號，每條激光對應 其各自的俯仰角，由該參數直接得到點的俯仰角，azimuth表示點的水平方位角，distance_ m表示點到傳感器的距離，即點的球坐標徑向距離，可由原始點云數據直接得到掃描點在球 坐標系下的數據點。
[0049] 從數據點中篩選出障礙點，具體的，理想平坦地面上的數據點形成同一水平面上 的同心圓，每個圓與一條激光相對應，同一圓上的點的徑向距離是相等的。若存在障礙物， 激光線就會在途中被反射，其徑向距離發生變化。因此徑向距離的變化反映了地面的起伏 或障礙物的存在，根據同一俯仰角下各數據點關于傳感器的徑向距離確定車輛通過路線， 即將同一俯仰角下與相鄰數據點之間徑向距離的差值大于自適應閾值1?_的數據點設定為 障礙點，其中，自適應閾值R max具體為：
[0050] Rmax=入min (r〇Th) + e
[0051] 其中：入為距離比例系數，e為誤差補償量，巧為數據點i關于傳感器的徑向距 離，巧^為數據點i相鄰數據點關于傳感器的徑向距離。
[0052] 自適應閾值由兩部分構成，第一部分與掃描點徑向距離有關，第二部分與激光束 俯仰角有關，距離比例系數和誤差補償量通過預先離線實驗得到。
[0053] 2)根據各障礙點的水平方