距离测量数据的检测制造技术

本申请涉及距离测量数据的检测。提出用于检测监控区域(20)中对象的距离测量数据的光电传感器(10)，传感器具有：测量单元，其具有以多个角度将发射光(16)发射到监控区域中的光发射器(12)和从接收光(22)产生接收信号的光接收器(26)，接收光从监控区域的多个角度入射；以及控制和评估单元(36)，其被配置用于通过确定光飞行时间，从在多个角度上和多次重复测量中的接收信号来检测具有角度分辨率和时间分辨率的距离测量数据。在此，控制和评估单元还被配置用于将距离测量数据排列成图像(46)，在该图像中布置具有在角度维度和时间维度上的距离值的像素，并且利用机器学习的图像分类方法(48)来评估图像，以分别将类别指配给像素。像素。像素。

【技术实现步骤摘要】
距离测量数据的检测
[0001]本专利技术涉及根据权利要求1或14的主题的用于检测监控区域中的对象的距离测量数据的光电传感器和方法。
[0002]激光扫描仪是一种广泛使用的用于距离测量的传感器类型。其中，由激光器产生的光束借助于旋转反射镜(Drehspiegel)周期性地扫过监控区域。光在监控区域中的对象处被漫反射(remittieren)，并且在激光扫描仪中进行评估。从偏转单元的角位置来推断出对象的角位置，并且在使用光速的情况下从光飞行时间来额外地推断对象与激光扫描仪的间距。利用角度信息和间距信息，监控区域中对象的位置以二维极坐标进行记录。因此，可以测定对象的位置或确定其轮廓。
[0003]最近，除了广泛使用的具有旋转反射镜的激光扫描仪以外，还出现了具有可旋转的测量头(其中激光器和光接收器一起旋转)、用于将测量区域扩展到单个扫描平面之外的多光束系统以及为此也有越来越多的所谓的固态系统(其中，可运动的部件被微系统或电子操控器代替)的变型。用于检测距离测量数据的这种传感器的常用的概括术语是LiDAR(Light Detection and Ranging，光探测和测距)。
[0004]在许多应用中，LiDAR传感器的测量环境受到干扰。这涉及在受环境影响(如雾、水沫、灰尘、雨或雪)的室外区域中的使用(例如，在交通监控中)，然而也涉及在矿业或机械的有尘环境，例如制材厂或加工业中的应用。在这里存在抑制距离测量数据中的环境影响并同时继续产生可靠的对象测量值的挑战。
[0005]改善在环境影响下的测量的传统方法基于识别和消除典型干扰的滤波器。对此的示例是所谓的粒子滤波器、回波滤波器或雾过滤仪(Nebelfilter)。粒子滤波器识别时间和空间上单独的测量点。由此，较大的或静态的对象得以保留，但也无法滤除例如由雾或水沫造成的较大面积的干扰。回波滤波器可以在所谓的多回波激光扫描仪中使用，这些多回波激光扫描仪测量沿视线依次布置的多个对象的距离。这与启发式方法(Heuristik)法有关，例如，在雾中，接收信号中的第一个峰值源于雾滴，而最后一个峰值源于其后的实际目标对象。回波滤波器对大面积的干扰不敏感，但是启发式方法并不总是匹配于实际的目标对象，例如在两个对象之间的边缘上发生边缘接触的情况。雾过滤仪抑制强度小于或等于雾在测量到的距离处的典型强度的测量值。无论干扰的范围如何，雾过滤仪都能识别出低强度的干扰影响。然而，在考虑到光信号穿过雾的能量损失的情况下难以正确地设定相应的与距离相关的雾阈值，并且一些在远处的且特别是暗的对象被错误地抑制。
[0006]每个滤波器总是只模拟可能的环境影响的特定的子方面。不存在通用滤波器，对于该滤波器的设计和参数化以及在权衡特定的应用情况下的优点和缺点的情况下选择合适的滤波器组合需要深入的专家知识。尽管做出了这种努力，但通常仍需极大的妥协。
[0007]作为对干扰影响进行滤波的可替代方案，也可以设想反向创建待检测对象(例如，交通分类中的车辆或矿业中的挖掘机铲)的模型。例如，在由T.G.Pillips于2016年在昆士兰大学发表的论文“Determining and verifying object pose from LiDAR measurements to support the perception needs of an autonomous excavator”中讨论了这种方法。在模型和测量数据之间存在足够的一致性的情况下，则认为对象被识别，而
模型未解释的所有测量数据都被解释为干扰。这当然适用于坚硬对象，而不仅仅是环境影响。此外，手动建模再次需要很大的努力。
[0008]在现有技术中进一步讨论了学习方法在LiDAR系统的测量数据中的使用。由X.
‑
F.Hana、J.S.Jin、J.Xie、M.
‑
J.Wang和W.Jiang于2018年2月发表的论文“A comprehensive review of 3D point cloud descriptors”，线上获得通道为：http://arxiv.org/pdf/1802.02297v1，涉及用于分类的基于特征的学习方法。特别是在自主驾驶的情况下并且随着高分辨率的3D
‑
LiDAR扫描仪的出现，越来越多地讨论深度神经网络的可能性。在此，LiDAR数据作为深度图提供，深度图即测量到的距离(而不是通常的颜色信息或灰度值信息)被编码成像素的图像。
[0009]在由A.Milioto、I.Vizzo、J.Behley和C.Stachniss于2019年发表的“RangeNet++:Fast and Accurate LiDAR Semantic Segmentation”http://www.ipb.uni
‑
Bonn.de/WP
‑
content/papercite
‑
data/pdf/milioto2019iros.pd f中，实现了逐点分类。从由G.Melotti、A.Asvadi和C.Premediba于2018年马德里举行的IEEE就车辆电子与安全的国际会议(ICVES)中发表的“CNN
‑
LIDAR pedestrian classification:combining range and reflectance data”，2018年9月
‑
2018年9月第1
‑
6页中，已知对象识别或具体地说行人识别。在此使用多通道图像，其像素除了包含深度信息之外，还包含在相应的位置处接收到的光的强度信息。由M.Velas、M.Spanel、M.Hradis和A.Herout于2017年9月发表的“CNN for Very Fast Ground Segmentation in Velodyne LiDAR Data”，线上获得通道为：http://arxiv.org/pdf/1709.02128v1，描述了地面识别。在由V.Vaquero、A.Sanfeliu和F.Moreno
‑
Noguer于2018年昆士兰州布里斯班举行的IEEE就机器人和自动化的国际会议(ICRA)中发表的“Deep Lidar CNN to Understand the Dynamics of Moving Vehicles”，2018年5月
‑
2018年5月第4504
‑
4509页中，实现了一种运动分析，其中将两个依次记录的激光扫描组合成一个具有四个通道的图像，从而由此获得运动信息。
[0010]文献中提出的绝大多数方法和网络都是针对3D
‑
LiDAR数据进行优化的，却不能容易地转移到只有一个扫描平面的常见的2D激光扫描仪。
[0011]在由M.Guerrero
‑
Higueras等人发表的“Tracking People in a Mobile Robot From 2D LIDAR Scans Using本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于检测监控区域(20)中的对象的距离测量数据的光电传感器(10)，该传感器特别是激光扫描仪，所述传感器具有：测量单元，其具有用于以多个角度将发射光(16)发射到所述监控区域(20)中的光发射器(12)和用于从接收光(22)产生接收信号的光接收器(26)，所述接收光从所述监控区域(20)的多个角度入射；以及控制和评估单元(36)，其被配置用于通过确定光飞行时间，从所述多个角度上和多次重复测量中的接收信号检测具有角度分辨率和时间分辨率的距离测量数据，其中，所述控制和评估单元(36)还被配置用于将所述距离测量数据排列成图像(46)，在所述图像中布置具有在角度维度和时间维度上的距离值的像素，并且利用机器学习的图像分类方法(48)来评估所述图像(46)，以分别将类别指配给所述像素。2.根据权利要求1所述的传感器(10)，其中，所述图像分类方法(48)将对象与由于环境影响，特别是由于灰尘、水沫、雾、雨或雪引起的干扰区分开。3.根据权利要求2所述的传感器(10)，其中，所述控制和评估单元(36)被配置用于丢弃被分类为干扰的像素的距离测量数据。4.根据前述权利要求中任一项所述的传感器(10)，其中，所述控制和评估单元(36)被配置用于针对所述像素除了所述距离值之外还确定强度值。5.根据前述权利要求中任一项所述的传感器(10)，其中，所述控制和评估单元(36)被配置用于针对所述像素确定多个距离。6.根据前述权利要求中任一项所述的传感器(10)，其中，所述控制和评估单元(36)被配置用于内插像素的距离测量数据以排列成图像(46)，以便也给出在最初没有测量的角度和/或时间的距离值。7.根据前述权利要求中任一项所述的传感器(10)，其中，所述控制和评估单元...

【专利技术属性】
技术研发人员：马蒂亚斯，
申请(专利权)人：西克股份公司，
类型：发明
国别省市：