[发明专利]基于聚类算法的毫米波雷达环境地图构建方法及装置

说明书

本发明公开了一种基于聚类算法的毫米波雷达环境地图构建方法及装置，方法包括：获得毫米波雷达的多帧移动采集数据和对应的位姿信息；根据位姿信息，对多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，组合点云数据中包含多个样本向量；利用DBSCAN聚类算法，对组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；利用杂点筛除处理后的组合点云数据，建立毫米波雷达测量精度模型；根据毫米波雷达测量精度模型，进行毫米波雷达环境地图构建。本发明可以有效提高毫米波雷达环境地图的准确性。

技术领域

本发明涉及环境感知雷达点云处理技术领域，尤其涉及基于聚类算法的毫米波雷达环境地图构建方法及装置。

背景技术

环境地图构建在移动机器人和环境监测领域都具有重要地位。环境地图构建既是机器人下一步行动规划的必要前提，也是对未知或已知空间进行监测的重要步骤。环境地图的构建常用占据栅格地图算法。根据GPS等方式得到雷达的位姿信息后，结合每帧点云数据形成环境栅格地图。

毫米波雷达是一种发射毫米波波段的电磁波进行探测的雷达，它可以通过点云的形式将数据进行输出。毫米波雷达穿透雾、烟、灰尘的能力强，具有全天候全天时的优点。由于其出色的鲁棒性，目前毫米波雷达变得越来越流行。目前毫米波雷达主要输出2D点云，随着硬件技术的成熟未来也将向3D点云数据发展。毫米波雷达在自动驾驶，安全防范，交通监控，无人机等多个领域得到了广泛的应用。但是与激光雷达相比（激光雷达是传统的点云采集传感器，可采集2D和3D点云数据），毫米波雷达具有测量精度低和杂点多的数据特点。在毫米波雷达扫描范围内的不同位置处，其点云测量精度是不同的，这与毫米波雷达的硬件结构和采集环境是相关的。杂点是由于毫米波雷达接收了大量杂波引起的，它对于环境地图是严重的干扰，必须被筛除。

针对杂点筛除，聚类是一种常用的方法。聚类算法可以实现类内个体之间具有较大的相似性，类间个体间具有较大的相异性。在聚类算法中,选择合适的阈值就可以将目标点云分离。常见的聚类算法有k均值算法、BIRCH（Balanced Iterative Reducing andClustering Using Hierarchies）算法、基于概率分布的EM（Expectation-maximizationalgorithm）算法、还有基于密度的DBSCAN（Density-Based Spatial Clustering ofApplications with Noise）算法。与其他聚类方法相比，DBSCAN聚类算法将类定义为密度相连的点的最大集合，它不依据距离进行分类，克服了基于距离判别准则只能发现“类圆形”聚类的限制，能发现任意形状、大小的类。而且相比于其他聚类算法，DBSCAN聚类算法不仅不需要预先输入聚类的数目，并且能够自动识别杂点，并将它们统一放入一个类中。这对于未知环境中的点云杂点筛除是有益的。

但是，现有技术中利用聚类算法进行毫米波雷达环境地图构建存在准确性较低的问题，因此，亟需一种可以克服上述问题的基于聚类算法的毫米波雷达环境地图构建方案。

发明内容

本发明实施例提供一种基于聚类算法的毫米波雷达环境地图构建方法，用以构建毫米波雷达环境地图，提高毫米波雷达环境地图的准确性，该方法包括：

获得毫米波雷达的多帧移动采集数据和对应的位姿信息，所述移动采集数据包括：目标相对于雷达在笛卡尔坐标系中的坐标信息和速度信息，以及目标的雷达散射横截面积数据；

根据所述位姿信息，对所述多帧移动采集数据的目标相对于雷达在笛卡尔坐标系中的坐标信息进行处理，得到组合点云数据，所述组合点云数据中包含多个样本向量；

利用DBSCAN聚类算法，对所述组合点云数据进行杂点筛除处理，其中，DBSCAN聚类算法的输入参数根据组合点云数据的维度信息以及组合点云数据中各样本向量之间的马氏距离数据确定；