[发明专利]一种激光雷达障碍物识别方法及系统

说明书

本发明实施例提供了一种激光雷达障碍物识别方法及系统，包括：S1，将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据；S2，将所述融合点云数据按时间顺序划分成多组融合点云数据片段，并对每组融合点云数据片段中的点云进行ICP配准，得到叠加点云数据；S3，对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物，并提取所述候选障碍物的静态信息；S4，根据所述候选障碍物的静态信息，识别所述候选障碍物中的静态障碍物和动态障碍物，并提取所述动态障碍物的动态信息。无需使用激光雷达离线数据建图，适用于各种复杂应用环境中的障碍物检测，且识别精度高，速度快。

技术领域

本发明实施例涉及激光雷达技术领域，更具体地，涉及一种激光雷达障碍物识别方法及系统。

背景技术

障碍物检测技术是保障无人车和机器人等移动平台安全运行的关键技术。传统的障碍物检测方法主要基于毫米波雷达、超声波、红外、立体视觉等传感器，但其缺点比较明显。毫米波雷达的探测距离受到频段损耗的直接制约，且精度不高。超声波发散性强，无法准确测量小范围距离，且相互之间存在干扰。红外测温对环境温度变化很敏感。立体视觉基于双目彩色图像，受光照影响强烈。

激光雷达通过扫描测距获取周围环境的点云信息，具有精度高、距离远、速度快、不受光照影响等优点。其中，三维激光雷达能提供更丰富的环境信息，在无人车和机器人领域有广泛的应用前景。

目前基于点云数据的障碍物检测方法有基于高精度环境地图的检测方法和基于机器学习训练模型的检测方法。

基于高精度环境地图的方法是先通过对离线采集的点云数据进行拼接，获得高精度的环境地图，再以先验环境地图为背景，对比在线点云数据与环境地图差异，获得动静态障碍物信息。但是需要使用激光雷达离线数据建图，且不适用于大量物体运动的环境。

基于机器学习训练模型的方法是通过计算提取点云的关键点和特征，采用大量的训练样本，通过BP神经网络、SVM等机器学习方法获得各类障碍物的模型，通过模型预测识别障碍物类型。但是需要使用大量优质样本进行训练，对于训练集中未出现的障碍物类型无法检测。

发明内容

本发明实施例提供了一种克服上述问题或者至少部分地解决上述问题的激光雷达障碍物识别方法及系统。

一方面本发明实施例提供了一种激光雷达障碍物识别方法，所述方法包括：

S1，获取激光雷达采集的原始点云数据、全球导航卫星系统GNSS采集的位置数据以及惯性测量单元IMU采集的姿态数据，并将所述原始点云数据、所述位置数据和所述姿态数据进行融合得到融合点云数据；

S2，将所述融合点云数据按时间顺序划分成多组融合点云数据片段，并对每组融合点云数据片段中的点云进行迭代最近点ICP配准，得到叠加点云数据，所述叠加点云数据包括多组叠加点云数据片段，且所述多组叠加点云数据片段与所述多组融合点云数据片段一一对应；

S3，对所述多组叠加点云数据片段中的每组叠加点云数据片段的点云进行聚类获取候选障碍物，并提取所述候选障碍物的静态信息；

S4，根据所述候选障碍物的静态信息，识别所述候选障碍物中的静态障碍物和动态障碍物，并提取所述动态障碍物的动态信息。

进一步地，步骤S1具体包括：

对所述原始点云数据和所述姿态数据进行下采样，使得所述原始点云数据、所述位置数据和所述姿态数据三者的频率相同，且使得所述原始点云数据中的每一帧点云对应一个位置和一个姿态；其中，所述原始点云数据、所述位置数据和所述姿态数据三者构成多元点云数据集；

根据所述多元点云数据集中每一帧点云和所述每一帧点云的上一帧点云两者分别对应的位置和姿态，获取所述每一帧点云的上一帧点云变换至所述每一帧点云对应的第一平移矩阵和第一旋转矩阵；