一种基于稀疏激光雷达数据的动态障碍物追踪方法技术

本发明专利技术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。本发明专利技术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。

A dynamic obstacle tracking method based on sparse lidar data

【技术实现步骤摘要】
一种基于稀疏激光雷达数据的动态障碍物追踪方法
本专利技术涉及动态障碍物追踪
，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。
技术介绍
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，KonradM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AnnaPetrovskaya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。
技术实现思路
本专利技术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。本专利技术是通过以下技术方案解决上述技术问题的，本专利技术包括以下步骤：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：动态点云聚类对步骤S1中的障碍物点云进行聚类，将属于不同动态障碍物的点云分为不同的簇；S3：凸包提取经过步骤S2的聚类后，提取聚类点云的凸包；S4：特征提取利用凸包的角度信息进行模糊分类，再对这些点云拟合获得障碍物位置信息；S5：数据关联根据不同帧中障碍物的位置信息关联属于同一障碍物的不同时刻的位置，并拟合为轨迹，将已经追踪到的轨迹与当前数据帧检测到的聚类点云关联，更新动态障碍物的运动轨迹；S6：预测轨迹利用轨迹函数预测动态障碍物的位置：根据轨迹函数增加最后一个轨迹点的x值的xp，带入公式求得yp坐标，(xp,yp)即为预测轨迹点，直线预测时带入的公式如下：其中，(xi,yi)是拟合直线的轨迹点，a0为拟合直线的斜率，a1为拟合直线的截距,R2为轨迹点与拟合直线的距离差的和；多项式曲线预测时带入的公式如下：其中，(xi,yi)是拟合三次多项式的轨迹点，a0、a1、a2、a3为拟合三次多项式的系数,R2为轨迹点与拟合直线的距离差的和；轨迹函数包括直线预测和多项式曲线预测函数，直线预测函数如下：xp＝x[n]+(len)/(t*n)其中，X[n]是当前轨迹点，len为已有轨迹点的x坐标的增量绝对值的和，t为可调参数，n为已有轨迹点个数，在直线预测中根据已有轨迹的x变换程度的平均值估计当前时刻可能的x变换程度；多项式曲线预测函数如下：xp＝x[n]+len/(t*n)*k其中，X[n]是当前轨迹点，t为可调参数，n为已有轨迹点个数，len为已有轨迹点的欧式距离的和，k为当前轨迹的斜率，在多项式曲线预测中，根据已有轨迹点之间的x增量的平均值估计当前时刻的x增量。更进一步的，在所述步骤S1中，点云只包含坐标信息，坐标形式为二维坐标(x,y)。更进一步的，所述步骤的S1中的具体处理过程包括以下步骤：S11：确定采集平面根据主要障碍物的高度设置采集平面的高度为0.8米～1.0米；S12：生成模板构建栅格地图或者转换已经存在矿井地图为栅格地图，栅格地图分为障碍层、膨胀层、可行驶层；S13：预处理加载步骤S12中已经建好的栅格地图，设置膨胀层厚度为0.05米，接收激光雷达的原始数据，然后处理点云，删除点云中的非法值；S14：过滤点云用点坐标和栅格地图做比较判断是否处于可行驶层，如果在可行驶层则保留否则删除此点。更进一步的，在所述步骤S2中，聚类过程中将点云分为核心点和边界点，其中核心点为聚类后的骨架，聚类过程中涉及两个核心参数，分别为Eps、MinPts，Eps是点云之间的邻域的边界公式，如下所示：Ne＝{xi∈D|distance(xi,xj)＜Eps}其中，xi代表点云中的点，distance(xi,yi)为点云之间的欧式距离,Eps为聚类算法归为同一类点云的距离阈值，D为范围领域；当两点之间的距离小于Eps，则判断该两点在同一邻域内；MinPts是判断核心点的参数，如果点的邻域内距离小于Eps的点个数大于MinPts则判断其为核心点。更进一步的，聚类过程包括以下步骤：S21：统计每个点邻域内点的个数，存入pts属性中，判断每个点pts属性判断是否大于MinPts，如果大于则是核心点，并存入核心点数组中；S22：遍历核心点数组将在当前核心点邻域范围内的核心点串联为一类，S23：遍历所有边界点，将核心点邻域内的边界点并入核心点类中。更进一本文档来自技高网...

【技术保护点】
1.一种基于稀疏激光雷达数据的动态障碍物追踪方法，其特征在于，包括以下步骤：/nS1：消除静态背景/n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；/nS2：动态点云聚类/n对步骤S1中的障碍物点云进行聚类，将属于不同动态障碍物的点云分为不同的簇；/nS3：凸包提取/n经过步骤S2的聚类后，提取聚类点云的凸包；/nS4：特征提取/n利用凸包的角度信息进行模糊分类，再对这些点云拟合获得障碍物位置信息；/nS5：数据关联/n根据不同帧中障碍物的位置信息关联属于同一障碍物的不同时刻的位置，并拟合为轨迹，将已经追踪到的轨迹与当前数据帧检测到的聚类点云关联，更新动态障碍物的运动轨迹；/nS6：预测轨迹/n利用轨迹函数预测动态障碍物的位置：使用最小二乘法拟合轨迹点得到轨迹函数，根据轨迹函数在最后一个轨迹点的横坐标基础增加适当增量x得到x

【技术特征摘要】
1.一种基于稀疏激光雷达数据的动态障碍物追踪方法，其特征在于，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
对步骤S1中的障碍物点云进行聚类，将属于不同动态障碍物的点云分为不同的簇；
S3：凸包提取
经过步骤S2的聚类后，提取聚类点云的凸包；
S4：特征提取
利用凸包的角度信息进行模糊分类，再对这些点云拟合获得障碍物位置信息；
S5：数据关联
根据不同帧中障碍物的位置信息关联属于同一障碍物的不同时刻的位置，并拟合为轨迹，将已经追踪到的轨迹与当前数据帧检测到的聚类点云关联，更新动态障碍物的运动轨迹；
S6：预测轨迹
利用轨迹函数预测动态障碍物的位置：使用最小二乘法拟合轨迹点得到轨迹函数，根据轨迹函数在最后一个轨迹点的横坐标基础增加适当增量x得到xp，带入公式求得yp坐标，(xp,yp)即为预测轨迹点，直线预测时带入的最小二乘法公式如下：



其中，(xi,yi)是拟合直线的轨迹点，a1是拟合直线的斜率，a0是拟合直线的截距,R2为轨迹点与拟合直线的距离差的和，多项式曲线预测时带入的公式如下：



其中，(xi,yi)是拟合三次多项式的轨迹点，a0、a1、a2、a3为拟合三次多项式的系数,R2为轨迹点与拟合直线的距离差的和；
轨迹函数包括直线预测和多项式曲线预测函数，直线预测函数如下：
xp＝x[n]+(len)/(t*n)
其中，X[n]是当前轨迹点，len为已有轨迹点的x坐标的增量绝对值的和，t为可调参数，n为已有轨迹点个数，在直线预测中根据已有轨迹点之间的x增量的平均值估计当前时刻的x增量；其多项式曲线预测函数如下：
xp＝x[n]+len/(t*n)*k
其中，X[n]是当前轨迹点，t为可调参数，n为已有轨迹点个数，len为已有轨迹点的欧式距离的和，k为当前轨迹的斜率，在多项式曲线预测中根据已有轨迹点之间的x增量的平均值估计当前时刻的x增量。


2.根据权利要求1所述的一种基于稀疏激光雷达数据的动态障碍物追踪方法，其特征在于：点云只包含坐标信息，坐标形式为二维坐标(x,y)。


3.根据权利要求1所述的一种基于稀疏激光雷达数据的动态障碍物追踪方法，其特征在于，所述步骤S1中的具体处理过程包括以下步骤：
S11：确定采集平面
根据主要障碍物的高度设置采集平面的高度为0.8米～1.0米；
S12：生成模板
构建栅格地图或者转换已经存在矿井地图为栅格地图，栅格地图分为障碍层、膨胀层、可行驶层；
S13：预处理
加载步骤S12中已经建好的栅格地图，设置膨胀层厚度为0.05米，接收激光雷达的原始数据，然后处理点云，删除点云中的非法值；
S14：过滤点云
用点坐标和栅格地图做比较判断是否处于可行驶层，如果在可行驶层则保留否则删除此点。


4.根据权利要求1所述的一种基于稀疏激光雷达数据的动态障碍物追踪方法，其特征在于，在所述步骤S2中，聚类过程中将点云分为核心点和边界点，其中核心点为聚类后的骨架，聚类过程中涉及两个核心参数，分别为Eps、MinPts，Eps是点云之间的邻域的边界公式，如下所示：
Ne＝{xi∈D|distance(xi,xj)＜Eps}
其中，xi代表点云中的点，distance(xi,yi)为点云之间的欧式距离,Eps为聚类算法归为同一类点云的距离阈值，D为范围领域；
当两点之间的距离小于Eps，则认为两点属于同类点云；MinPts是判断核心点的参数，如果点的邻域内距离小于Eps的点个数大于MinPts则判断其为核心点。

【专利技术属性】
技术研发人员：周增祥，孙翔峻，段仕鹏，左家乐，黎梦涛，柴源，王应富，刘志刚，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽;34