[发明专利]一种用于矿卡自动驾驶的路面障碍物检测方法

说明书

本发明提供一种用于矿卡自动驾驶的路面障碍物检测，对激光雷达扫描的点云进行栅格化，并计算每个栅格的特征，其中包括计算纵向和横向方向上的点云平均倾斜度，基于每个栅格的特征进行聚类，将属于同一类特征的栅格聚类成簇，计算每个点云簇的特征，送入分类模型，获得各个点云簇的类别，为每个栅格分配标签，提取点云索引，计算障碍物位置信息，为车辆避障绕行提供依据。本发明提供的矿区非结构化道路的路面障碍物检测方法，鲁棒性好，不需要特殊的硬件设备要求，可有效维护和提高智能矿卡在运输作业过程中的安全性和经济性，具有一定的参考意义和工程价值。

技术领域

本发明属于矿区自动驾驶技术领域，尤其涉及一种用于矿卡自动驾驶的路面障碍物检测方法。

背景技术

矿山作业中由于矿车的载重量大和作业强度高，矿区路面通过矿车的反复碾压和雨天冲刷的影响，导致路面产生坑洼、沟壑、隆包等路面病害。另外，由于矿车经常满载甚至超载行驶，以及重载上坡时车体重心后移，再加上道路颠簸不平、转弯处离心力较大等因素的作用，矿车在重载上坡运输物料过程中经常会掉落碎石等物料，影响后续车辆通行。而掉落的碎石会增加矿车爆胎的风险，不仅影响整个道路运输作业，还增加了矿车更换轮胎的成本，同时，矿卡的高强度的胎压还具有一定的安全危害。

在矿山传统作业流程中，坑洼、沟壑、隆包等路面病害和路面碎石需要依赖司机的驾驶经验和感觉来完成避让，这对司机的驾驶水平提出了较高的要求，同时也降低了司机的驾驶体验和工作效率。在自动驾驶的智能矿卡上，解决这一问题需要依赖传感器和算法来解决。由于矿区路面是土路，颜色区分度不大，同时矿区需要夜间作业，因此，摄像头不是解决该问题的最佳方案，激光雷达由于自身稳定、精确、受光照影响小的固有优点，成为解决这一问题的首要选择。

现有发明中多使用平整性检测、平整地面点云理想模型、曲率计算以及点云高度统计等方法来区分地面点云和非地面点云，该方法较为适合结构化道路，不适合路面平整度较差、高度起伏较大的矿区场景。另外现有发明多使用深度学习技术，但是该方法需要依赖大量的人工数据标注和模型训练，成本较大，且可解释性较差。

发明内容

本发明提供一种用于矿卡自动驾驶的路面障碍物检测方法，方法采用传统非深度学习方法，可同时对多种路面障碍物进行检测，可以维护和提高智能矿卡在运输作业过程中的安全性和经济性。

用于矿卡自动驾驶的路面障碍物检测方法包含以下步骤：

步骤一：对激光雷达扫描的点云进行栅格化，并投影到栅格中，对栅格进行特征计算；

步骤二：遍历计算栅格内所有点云的横向倾斜度和纵向倾斜度，并计算整个栅格内的横向和纵向的平均倾斜度，将其作为栅格特征；

步骤三：基于栅格特征进行聚类，将属于同一类特征的栅格聚类成簇；计算每个点云簇的特征，送入分类模型进行分类识别，获得类别标签，提取障碍物点云，计算障碍物信息。

进一步需要说明的是，步骤一中，使用扇形切割的方式进行点云栅格化处理，且每个栅格表示如下：

第i行第j列的栅格C_ij，其特征包含栅格内点云在z轴方向上的最小值z_min、栅格内点云在z轴方向上的最大值z_max、栅格的深度Δz＝z_max-z_min、栅格点云的纵向平均倾斜度λ_average、横向平均倾斜度θ_average；

倾斜度特征在步骤二中进行计算填充，栅格的点云数量number、待确定的栅格类别label，label有五种类别：-2表示沟壑，-1表示坑洼，0表示地面，1表示路面碎石，2表示路面隆包。