[发明专利]一种基于稀疏激光雷达数据的动态障碍物追踪方法

说明书

本发明公开了一种基于稀疏激光雷达数据的动态障碍物追踪方法及系统，属于动态障碍物追踪技术领域，包括以下步骤：S1：消除静态背景；S2：动态点云聚类；S3：凸包提取；S4：特征提取；S5：数据关联；S6：预测轨迹。本发明使用栅格地图过滤静态障碍物激光雷达点云，剩余少量静态点云通过dbscan算法，将极为稀疏的点云过滤，增强了最终的过滤效果；通过提取点云凸包的角度信息模糊分类点云为椭圆、矩形、直线，然后辅助点云拟合图形的尺寸获得正确的点云位置点，保证了数据关联的准确性；还综合了最近邻域和多目标假设算法的特性，改进了多目标关联算法，能够在保证准确性的前提下高效地完成数据关联工作。

技术领域

本发明涉及动态障碍物追踪技术领域，具体涉及一种基于稀疏激光雷达数据的动态障碍物追踪方法及系统。

背景技术

基于视觉传感器的物体检测与追踪技术已经比较成熟了，但是视觉传感器通常不能提供距离信息，且必须在光照良好条件下使用，限制了其在机器人导航方面的使用。而激光雷达不受光照影响并且能提供距离数据，能完成机器人导航、追踪等任务。近年来，利用激光雷达对动态障碍物进行检测和轨迹预测是移动机器人领域研究的重点课题。

随着无人驾驶技术的发展，已经有大量动态障碍物的检测与追踪方法。对于车辆的检测和追踪，Konrad M等利用栅格地图对汽车进行检测和追踪。谌彤童提出了一种新的全局柱坐标直方图特征用于在城市环境进行车辆识别，基于似然场模型的动态车辆检测与跟踪算法用于追踪车辆，斯坦福大学的Anna Petrovskaya等提取被跟踪车辆的几何、动态特性，建立相应特征模型，利用贝叶斯滤波器对跟踪目标进行更新，但是被遮挡的车辆仍无法检测。杨飞等利用模板匹配法对障碍物的外轮廓形状特征进行匹配，但模型类别较少，障碍物匹配的适应性较差。邹斌等通过对单帧激光雷达点云数据进行聚类，提取障碍物外接矩形轮廓特征，采用多假设跟踪模型(MHT)算法对连续两帧的障碍物信息进行数据关联，利用卡尔曼滤波算法对动态障碍物进行连续地预测和跟踪。

无人驾驶领域除了要躲避车辆等大型障碍物，还要考虑行人的移动。近年来行人的检测与追踪技术也得到了普遍研究。传统的行人检测方法主要依赖于可见光摄像机等传感器获取的图像，采用机器视觉的相关方法进行行人检测工作。Premebida等提出了一种基于激光雷达的15维特征，用于在城市环境下进行行人检测。这些特征中的一部分特征，例如最小反射距离，聚类后的类内点个数等。Wan等提出了一种基于激光雷达和图像融合的行人检测方法，能够利用融合特征进行行人检测。韩骁枫等利用dbscan算法可以将非地面激光雷达点云进行聚类，并且提出了一种快速点特征直方图分布特征，用于训练支持向量机分类器进行行人的检测工作中。

在无人驾驶领域通常使用三维激光雷达检测和追踪，但是对于矿井的封闭环境，三维激光雷达的采集数据量大，这对于数据实时性要求高的全方位移动巡检机器人是一种比较大的负担。而二维激光雷达采集一个水平面的点云，数据量较小，处理则会更迅速。但数据量小导致点云稀疏，使用这些稀疏数据得到的处理结果准确性会变差。所以使用二维雷达作为传感器时，在数据处理过程中准确性是首先要考虑的问题。在矿井下，由于光照原因不能辅助以视觉传感器，而且矿井这种封闭环境三维雷达的数据量大，处理速度慢，但所以最终选择用二维雷达作为传感器辅助移动机器人完成检测和追踪任务。而二维激光雷达采集一个水平面的点云，数据量较小，数据量小则导致点云稀疏，使用这些稀疏数据得到的处理结果准确性会变差，为此，提出一种基于稀疏激光雷达数据的动态障碍物追踪方法及系统。

发明内容

本发明所要解决的技术问题在于：如何保证利用二维雷达的稀疏数据能获得正确追踪效果，并在数据处理过程中减少数据的误差，提供了一种基于稀疏激光雷达数据的动态障碍物追踪方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：消除静态背景

确定可行驶区域，删除可行驶区域的地面点云和超过指定高度的点云，剩余点云即为障碍物点云；

S2：动态点云聚类