[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

说明书

本发明公开了一种基于三维激光雷达的结构化道路可行域提取方法，该方法包括以下步骤：1)三维激光雷达扫描周围环境，获取周围环境点云信息，并将点云信息从激光雷达的坐标系转换到本地直角坐标系下；2)提取三维激光雷达兴趣数据点；3)利用雷达探测角度聚类的方法提取激光雷达扫描单线；4)用K‑means聚类算法获取最优聚类点集；5)利用高度特征提取障碍物；6)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。本发明能实时有效地提取路面可通行区域，精度高可靠性强，识别过程中判断误差率小，可以广泛的用于基于三维激光雷达的结构化道路可行域提取的实际场合中。

技术领域

本发明涉及无人驾驶技术，尤其涉及一种基于三维激光雷达的结构化道路可行域提取方法。

背景技术

无人驾驶车辆是利用车载传感系统来感知车辆周围环境，自行规划行车路线控制车辆成功抵达目的地的智能车。无人驾驶车辆一般装有激光雷达和摄像头作为车载传感器，用于检测道路区域和障碍区域。由于视觉传感器受环境因素影响较大，而单线激光雷达的探测范围十分有限。因此，三维激光雷达在智能驾驶中得到了广泛的应用。

目前的三维激光雷达处理算法主要是基于栅格地图的分割算法和基于图的地面检测两大类。

1.对障碍物栅格地图进行阈值分割和距离变换提高其连续性，再基于区域生长提取可通行区域。2.将栅格地图进行无向图处理，利用马尔科夫随机场对栅格分类，从中提取可通行区域。但是该方法的精度取决于栅格的大小和激光雷达的检测范围。Montemerlo提出利用三维数据环间的距离去检测某单个三维激光点是否属于地面区域；Douillard利用mesh方式构造图，并通过梯度的方式来确定地面点。相比栅格类的算法，基于图的分割算法精度更高，但容易受到噪点的干扰，算法鲁棒性差。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于三维激光雷达的结构化道路可行域提取方法。

本发明解决其技术问题所采用的技术方案是：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。

按上述方案，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。

按上述方案，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；