一种基于TegraX1雷达数据的无人车障碍物检测方法技术

本发明专利技术公开一种基于Tegra X1雷达数据的无人车障碍物检测方法，包括：步骤1、采用velodyne激光雷达作为传感器采集环境信息，通过NVIDIA Tegra X1移动处理器进行三维雷达数据转换；步骤2、基于栅格的障碍物检测，采用GPU处理栅格数据,包括三个步骤：将三维数据点投影到栅格地图上；将所有栅格相对高度大于某个阈值的栅格设定为障碍物点；滤去所有因栅格内存在悬空点而导致属性为障碍物的栅格。采用本发明专利技术的技术方案，采用velodyne激光雷达作为传感器采集环境信息，基于NVIDIA Tegra X1移动处理器GPU优化，实现无人车障碍物检测加速。

An unmanned vehicle obstacle detection method based on TegraX1 radar data

This invention discloses a method for unmanned vehicle obstacle detection radar data based on X1 Tegra comprises the following steps: 1, using velodyne laser radar as sensors to collect environmental information, 3D radar data conversion by NVIDIA Tegra X1 mobile processor; step 2, obstacle detection based on grid, using GPU raster data processing that includes three steps: 3D data points are projected onto the grid map; all grid relative height is greater than a threshold set for grid obstacle points; to filter all the memory in the grid for floating point caused property for obstacle grid. The technical scheme of the invention, as the sensor using velodyne laser radar, NVIDIA Tegra X1 mobile processor GPU optimization based on unmanned vehicle obstacle detection speed.

【技术实现步骤摘要】
一种基于TegraX1雷达数据的无人车障碍物检测方法
本专利技术属于无人驾驶领域，尤其涉及一种基于TegraX1雷达数据的无人车障碍物检测方法。
技术介绍
近年来，随着传感器技术、控制系统、人工智能的不断发展，地面移动机器人取得了很大的进步。在现实动态环境中，自主机器人在环境感知中能够稳定准确的检测障碍物和识别障碍物类型，对于路径规划建立运动模型可以起到很大帮助，从而做出智能决策行为。通常自主机器人在环境中主要有两大类动态物体：车辆和行人。对于车辆，在交通中是主要的交互对象，速度比较快，需要保持一定的安全距离，在交通规则允许的情况下需要选择是跟车还是超车.对于行人，由于行人的运动具有很大的随意性，需要保持较大的横向距离，以确保行人安全。利用安装在智能车上的多传感器系统，比如摄像机、激光、毫米波雷达、GPS、惯导等获取车辆前方的障碍物信息及本车的位置和姿态信息，然后在车载计算机上根据己建立的驾驶行为专家系统对这些信息进行处理，当本车与前方障碍物的相对距离小于安全距离时，有碰撞危险发生，则计算机会直接发出相应指令控制汽车减速甚至是刹车等动作。同时，通过传感器系统，智能车也能够识别道路中的各种交通标志牌，车道边缘线等，并利用决策层的指令实现超车，汇入车流等本车动作。因此，智能车大大提高了交通系统的安全性和效率。在可使用的传感器中，Velodyne激光雷达由于其高精度测距、探测范围大、抗干扰能力强等优点，近年来在移动机器人上的应用越来越广泛。但由于该雷达数据过大，处理算法的运算量极大，所以实时性较差，因此在复杂环境下，并不能及时将障碍物信息发送到决策。
技术实现思路
针对激光雷达工程应用中实时性需求问题，本专利技术提供一种基于TegraX1雷达数据的无人车障碍物检测加速方法。本专利技术的基本思想为根据TegraX1计算平台的特点，采用CPU+GPU协调工作的方法来进行雷达数据的加速处理。本专利技术结合激光雷达在智能车实际应用情况，将道路环境分为简单道路环境和复杂道路环境。并在此基础上，针对不同情况，对相应的算法进行优化，实现雷达数据处理加速，提高了智能车雷达数据处理的实时性。为现实上述目的，本专利技术采用如下的技术方案：一种基于TegraX1雷达数据的无人车障碍物检测方法，包括以下步骤：步骤1、采用velodyne激光雷达作为传感器采集环境信息，通过NVIDIATegraX1移动处理器进行三维雷达数据转换；步骤2、基于栅格的障碍物检测，采用GPU处理栅格数据,包括三个步骤：将三维数据点投影到栅格地图上；将所有栅格相对高度大于某个阈值的栅格设定为障碍物点；滤去所有因栅格内存在悬空点而导致属性为障碍物的栅格。作为优选，采用向量化的方法将雷达点云数据投影到栅格地图上，通过三维雷达数据转换过程中，将转换后的点云数据以float4的数据格式保存，以warp为处理单位并行获取障碍信息。本专利技术的方法与现有技术相比，有效的提高无人车障碍物检测的实时性，有如下特点：1、根据TegraX1arm和GPU之间访存带宽，我们利用pinnedmemory来降低了CPU与GPU之间的传输消耗。2、在简单道路环境的障碍物检测上，我们采用一个线程处理一个栅格的方法来处理雷达数据，对比工控机的雷达处理性能有了6～7倍的提升。3、在复杂道路环境的障碍物检测上，我们采用一个线程束处理一个栅格的方法来处理雷达数据，对比工控机的雷达处理性能有了5～6倍的提升。附图说明图1为本专利技术无人车障碍物检测方法的流程图；图2为栅格投影流程图；图3为pinnedmemory和pageablememory带宽对比图；图4为栅格属性判断流程图；图5为thread处理栅格流程图；图6为warp处理栅格流程图。具体实施方式本专利技术提供一种基于TegraX1雷达数据的无人车障碍物检测方法，采用velodyne激光雷达作为传感器采集环境信息，搭载NVIDIATegraX1移动处理器，实现无人车障碍物检测。为更进一步说明本专利技术在
技术实现思路
，创新点效果好，以下结合实施方式并配合附图详细说明。如图1所示，本专利技术方法分为两个步骤：1、三维雷达数据转换2、障碍物检测由于三维雷达数据转换过程中，拥有着较多的复杂逻辑处理和事务管理，因此该过程不适合放入GPU中进行运算。因此本专利技术通过使用NVIDIATegraX1arm处理器来处理该过程。由于雷达点云数据量非常大(约130万个点/秒)，不太适合直接在原始数据上进行处理。因此采用在国内外无人自主车系统中广泛采用的栅格处理方法来处理雷达点云数据。基于栅格的障碍物检测分为三个步骤：1、栅格投影2、栅格属性判断3、栅格滤波栅格投影是将三维数据点投影到栅格地图上，其具体算法流程如图2所示。本专利技术采用向量化的方法将雷达点云数据投影到栅格地图上。通过三维雷达数据转换过程中，将转换后的点云数据以float4的数据格式保存。从而可以通过单指令多数据的方法将雷达点云数据投影到栅格地图上，提高arm处理器的处理性能。通过分析栅格数据，可知栅格之间毫无依赖关系，即有良好的并行性，因此采用GPU处理栅格数据。在写内核函数之前，需要考虑GPU与CPU之间的传输效率的问题。host内存分为pageablememory和pinnedmemory两种。pageablememory是通过操作系统API(malloc()，new())分配的存储器空间；pinnedmemory始终存在于物理内存中，不会被分配到低速的虚拟内存中，能够通过DMA加速与设备端进行通信。相比于pageablememory，在pinnedmemory上主机端-设备端的数据传输带宽高。如图3所示，在TegraX1上，传输32MB的数据，在pinnedmemory上GPU与CPU的传输是pageablememory上GPU与CPU的传输的5～6倍。而且TegraX1还支持zero-copy功能，通过该方法将主机端内存映射到设备地址空间，从GPU直接访问，省掉主存与显存间进行数据拷贝的工作。因此，本专利技术与传统的方法所不同的是，我们结合TegraX1的特性，将栅格地图建立在pinnedmemory上，来降低传输消耗。在完成栅格投影之后，需要进行的是栅格属性判断、栅格滤波两个步骤。栅格属性判断是将所有栅格现对高度(栅格最高点减去最低点)大于某个阈值的栅格设定为障碍物点。其具体算法流程如图4所示。栅格滤波是滤去所有因栅格内存在悬空点而导致属性为障碍物的栅格。传统的方法是先完成所有栅格完成属性判断后，再进行栅格滤波的任务。本专利技术对其进行了改进，去掉了传统方法中存在的排序过程，将其改为求极值的问题。其次本专利技术将采用的是将栅格判断和栅格滤波合并为一项任务，在结合GPU运算的特点，使得栅格不需要等待所以栅格都完成栅格判断后再进行栅格滤波，从而提高处理性能。GPU采用SIMT(SignalInstructionMultipleThread，单指令多数据)编程模型，其调度和执行的基本单位是warp。其最终执行时间由执行时间最长的线程决定。因此本专利技术将道路环境分为两种即简单道路环境和复杂道路环境。在简单的道路环境中，由于道路障碍物数量少，所以三维点投影在栅格地图的个数比较均衡。所以当采用一个线程处理一个栅格的方法来处理栅格数据，warp内线程的本文档来自技高网...

【技术保护点】
一种基于Tegra X1雷达数据的无人车障碍物检测方法，其特征在于，包括以下步骤：步骤1、采用velodyne激光雷达作为传感器采集环境信息，通过NVIDIA Tegra X1移动处理器进行三维雷达数据转换；步骤2、基于栅格的障碍物检测，采用GPU处理栅格数据,包括三个步骤：将三维数据点投影到栅格地图上；将所有栅格相对高度大于某个阈值的栅格设定为障碍物点；滤去所有因栅格内存在悬空点而导致属性为障碍物的栅格。

【技术特征摘要】
1.一种基于TegraX1雷达数据的无人车障碍物检测方法，其特征在于，包括以下步骤：步骤1、采用velodyne激光雷达作为传感器采集环境信息，通过NVIDIATegraX1移动处理器进行三维雷达数据转换；步骤2、基于栅格的障碍物检测，采用GPU处理栅格数据,包括三个步骤：将三维数据点投影到栅格地图上；将所有栅格相对高度大于...

【专利技术属性】
技术研发人员：梁军，许武，鲍泓，王晶，李强，
申请(专利权)人：北京联合大学，
类型：发明
国别省市：北京,11