[发明专利]一种基于三维激光雷达的结构化道路可行域提取方法

权利要求书

1.一种基于三维激光雷达的结构化道路可行域提取方法，包括以下步骤：

1)通过三维激光雷达扫描周围环境，获取周围环境点云数据信息，并将点云数据从激光雷达的坐标系经过转换到本地直角坐标系下；所述三维激光雷达设置在车辆顶部中心处；

2)在点云数据信息中提取三维激光雷达兴趣数据点；所述兴趣数据点是指车辆前方的点云数据，即车辆前方20米，左右10米，上方30米以内的空间范围内的数据点；

3)根据兴趣数据点，利用雷达探测角度聚类的方法提取激光雷达扫描单线；

4)对提取出的激光雷达扫描单线，采用改进K-means聚类算法获取最优聚类点集；

5)根据最优聚类点集利用高度特征提取障碍物；

6)根据最优聚类点集利用密度特征结合DBSCAN聚类方法提取路沿；

7)根据最小二乘法对可通行路面进行多项式曲线拟合，最终提取得出结构化道路前方道路可行域。

2.根据权利要求1所述的结构化道路可行域提取方法，其特征在于，所述步骤1)中所述的步骤1中激光雷达的坐标系是以激光雷达安放位置为原点，车辆前进方向作为激光雷达坐标系中的x轴方向，车辆的左右方向作为激光雷达坐标系中的y轴方向，车辆的上下作为激光雷达坐标系中的z轴方向；所述本地直角坐标系是以车身的纵向中轴线与车头的交点为原点，车辆前进方向作为本地直角坐标系中的x轴方向，车辆的左右方向作为本地直角坐标系中的y轴方向，车辆的上下作为本地直角坐标系中的z轴方向。

3.根据权利要求1所述的结构化道路可行域提取方法，其特征在于，所述步骤3)中利用雷达探测角度聚类的方法提取激光雷达扫描单线具体包括：

3.1)在三维激光雷达扫描过程中将点云信息在笛卡尔坐标系中表示出来，将这些点云信息转化到球坐标系中，利用公式可以得出点云数据中每个点与z轴的夹角；

3.2)在得出每个点的仰角后，将具有相同仰角的数据点进行聚类。

4.根据权利要求1所述的结构化道路可行域提取方法，其特征在于，所述步骤4)中的获取最优聚类点集的K-means聚类算法为改进的K-means聚类算法，具体包括以下步骤：

4.1)对于步骤3)中提取出来的单线扫描数据集χ＝{x₁,...,x_n}，利用AIC准则获取最优聚类数目，利用公式AIC(k)＝2k+n ln(SSR/n)获取最优聚类数目，其中，k为聚类数目，n为观察数，SSR为数据集的残差平方和，通过寻找合适的k使AIC最小；

4.2)从数据集中随机选取一个样本作为初始聚类中心c；

4.3)计算每个样本与当前已有聚类中心的之间的距离，然后计算每个样本被选为下一个聚类中心的概率，最后按照轮盘法选择下一个聚类中心，即概率大的聚类中心被选择的概率大；

4.4)重复4.2)步直到选择出共k个聚类中心C＝{C₁,C₂,...,C_k}；

4.5)针对数据集中每个样本x_i，计算每个样本与这些聚类中心的距离并将其分到距离最小的聚类中心所对应的类中；

4.6)重新计算有变化聚类的中心；

4.7)计算标准测度函数，当满足函数收敛，则终止；如果不满足则返回步骤4.5)。

5.根据权利要求1所述的结构化道路可行域提取方法，其特征在于，所述步骤5)中利用高度特征提取障碍物具体包括：

5.1)对于提取出的扫描单线利用聚类算法获取最优聚类点集之后，将每一类点集中点的z坐标的均值和方差求解出来；

5.2)设障碍物高度为30cm，当类别中z坐标的均值大于30cm且类别中点的方差在设定的阈值之内，则认为该类点集为障碍物点集；

5.3)将认定为障碍物的点集从单线点集中剔除。