一种矿区路面凹坑的识别方法、系统及无人驾驶货车技术方案

本发明专利技术公开了路面凹坑识别技术领域的一种矿区路面凹坑的识别方法、系统及无人驾驶货车，矿区路面凹坑的识别方法包括：获取道路的点云数据；对获取的点云数据进行下采样，得到第一数据集；对第一数据集进行聚类，得到聚类点云；从聚类点云中分割出地面点云；对地面点云进行平面拟合，得到拟合平面；计算各聚类点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑。路面凹坑的识别方法能准确检测出道路上的凹坑，为合理规划行驶路径提供依据。划行驶路径提供依据。划行驶路径提供依据。

【技术实现步骤摘要】
一种矿区路面凹坑的识别方法、系统及无人驾驶货车


[0001]本专利技术属于路面凹坑识别
，具体涉及一种矿区路面凹坑的识别方法、系统及无人驾驶货车。

技术介绍

[0002]随着无人驾驶技术不断的发展，采矿机械领域越来越多的开始采用无人驾驶技术的矿石运输车辆，既可以有效地减少人力成本，也可以提高矿区作业生产效率。在结构化道路中，障碍物检测算法比较多而且相对成熟，而对于矿区这种非结构化道路，由于重型矿车巨大的载荷，导致道路容易出现凹坑和鼓包等复杂路面，而且地势起伏不平，对于整个无人驾驶系统中，路况的好坏直接影响运输矿石车辆的平稳运行，因此需要依靠无人驾驶的感知系统去准确检测出矿区道路凹坑状况，运输矿石的车辆进入凹坑后，不准确的检测结果可能会造成矿车剧烈颠簸从而导致矿石或者岩土洒落到可行驶道路上，不仅影响其他车辆的正常行驶，埋下巨大的安全隐患，也会给运输矿石的车辆本身机械元件造成不可逆的损害，及时准确检测出道路上凹坑，使得决策系统给运输矿石的车辆设计出合理的行驶路径，从而提高无人驾驶系统整体的性能。

技术实现思路

[0003]为解决现有技术中的不足，本专利技术提供一种矿区路面凹坑的识别方法、系统及无人驾驶货车，能准确检测出道路上的凹坑，为合理规划行驶路径提供依据。
[0004]为达到上述目的，本专利技术所采用的技术方案是：
[0005]第一方面，提供一种矿区路面凹坑的识别方法，包括：获取道路的点云数据；对获取的点云数据进行下采样，得到第一数据集；对第一数据集进行聚类，得到聚类点云；从聚类点云中分割出地面点云；对地面点云进行平面拟合，得到拟合平面；计算各聚类点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑。
[0006]进一步地，所述下采样的方法为：采用基于VoxelGrid体素滤波器的体素栅格法进行下采样，将输入的点云数据建立一个三维立体栅格，在每个体素栅格里，用重心表示栅格中其他点云。
[0007]进一步地，所述聚类，具体包括：采用欧式聚类法对第一数据集中的点云数据进行粗聚类；计算出粗聚类点云的轮廓、质心、质心与激光雷达的欧式距离；根据粗聚类的精度、调节比例、质心与激光雷达的欧式距离计算出精聚类所需的精度运算因数；根据所求的精度运算因数进行欧式精聚类，得到精聚类点云；遍历精聚类点云，更新精聚类点云的质心坐标和轮廓。
[0008]进一步地，所述精度运算因数，通过以下公式获得：
[0009][0010]其中，W表示精度运算因数，D表示粗聚类精度，R表示聚类精度调节比例，L表示粗
聚类距离。
[0011]进一步地，所述从聚类点云中分割出地面点云，具体为：采用cropBox滤波器对所有聚类点云进行直通滤波，将cropBox滤波器的包围盒内的聚类点云视为地面点云，包围盒外的聚类点云视为非地面点云。
[0012]进一步地，遍历所有聚类点云数据，筛除无效空点云数据，再通过建立KD
‑
tree搜索k个最近邻域聚类点云数据，筛选出地面点云。
[0013]进一步地，采用最小二乘法对地面点云进行平面拟合，得到拟合平面。
[0014]第二方面，提供一种矿区路面凹坑的识别系统，包括：数据采集模块，用于获取道路的点云数据；第一数据处理模块，用于对获取的点云数据进行下采样，得到第一数据集；第二数据处理模块，用于对第一数据集进行聚类，得到聚类点云；第三数据处理模块，用于从聚类点云中分割出地面点云；第四数据处理模块，用于对地面点云进行平面拟合，得到拟合平面；判断模块，用于计算各聚类点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑。
[0015]第三方面，提供一种矿区路面凹坑的识别系统，包括处理器和存储设备，所述存储设备中存储有多条指令，用于所述处理器加载并执行第一方面所述方法的步骤。
[0016]第四方面，提供一种运输矿石的无人驾驶货车，所述货车配置有第二方面所述的矿区路面凹坑的识别系统。
[0017]与现有技术相比，本专利技术所达到的有益效果：
[0018](1)本专利技术通过在复杂路况的矿区场景中获取道路的点云数据，对获取的点云数据进行聚类，分割出地面点云，对地面点云进行平面拟合，得到拟合平面，计算各地面点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑；能准确检测出道路上的凹坑，为合理规划行驶路径提供依据；
[0019](2)本专利技术采用粗聚类和精聚类相结合的方法，解决仅依靠粗聚类单一分割方法精度不高的问题，有效提高针对矿区复杂环境的点云聚类效果，有利于下一步点云分割；
[0020](3)本专利技术使用cropBox滤波方法，与常用的体素栅格法不同的，针对多边形的点云聚类，在X轴、Y轴、Z轴方向上进行直通滤波，可以有效的根据实际地形进行点云的筛选滤除，适应于复杂的地形场景；
[0021](4)本专利技术使用最小二乘法平面拟合和聚类质心来进行道路凹坑的检测，相对于绝对高度差来进行判别，具有更好的鲁棒性；
[0022](5)基于本专利技术中对路面凹坑的识别，对无人驾驶货车的行驶路径进行合理的规划，无人驾驶货车行驶过程更平稳，对无人驾驶货车损害更小，对环境影响更小。
附图说明
[0023]图1是本专利技术实施例提供的一种矿区路面凹坑的识别方法的主要流程示意图。
具体实施方式
[0024]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0025]实施例一：
[0026]一种矿区路面凹坑的识别方法，包括：获取道路的点云数据；对获取的点云数据进行下采样，得到第一数据集；对第一数据集进行聚类，得到聚类点云；从聚类点云中分割出地面点云；对地面点云进行平面拟合，得到拟合平面；计算各聚类点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑。
[0027]如图1所示，路面凹坑的识别方法具体包括以下步骤：
[0028]获取道路的点云数据；对获取的点云数据进行下采样，得到第一数据集。
[0029]S1:基于VoxelGrid体素滤波器对使用车载雷达获取到的矿区道路的点云数据进行下采样；下采样的方法为：采用基于VoxelGrid体素滤波器的体素栅格法进行下采样，将输入的点云数据建立一个三维立体栅格，在每个体素栅格里，用重心表示栅格中其他点云，这样处理的点云，能够减少点云数据，从而提高运算速度。
[0030]对第一数据集进行聚类，得到聚类点云；聚类的方法包括：
[0031]S2:采用欧式聚类法对第一数据集中的点云数据进行粗聚类；对于空间某点P，通过KD
‑
Tree近邻搜索算法找到k个离P点最近的点，这些点中距离小于设定阈值的便聚类到集合Q中。如果Q中元素的数目不在增加，整个聚类过程便结束；否则须在集合Q中选取P点以外的点，重复上述过程，直到Q中元素数目不在增加为止。本实施例中，通过KD...

【技术保护点】

【技术特征摘要】
1.一种矿区路面凹坑的识别方法，其特征是，包括：获取道路的点云数据；对获取的点云数据进行下采样，得到第一数据集；对第一数据集进行聚类，得到聚类点云；从聚类点云中分割出地面点云；对地面点云进行平面拟合，得到拟合平面；计算各聚类点云的质心投影到拟合平面的高度值，并将高度值小于设定值的地面点云输出为凹坑。2.根据权利要求1所述的矿区路面凹坑的识别方法，其特征是，所述下采样的方法为：采用基于VoxelGrid体素滤波器的体素栅格法进行下采样，将输入的点云数据建立一个三维立体栅格，在每个体素栅格里，用重心表示栅格中其他点云。3.根据权利要求1所述的矿区路面凹坑的识别方法，其特征是，所述聚类，具体包括：采用欧式聚类法对第一数据集中的点云数据进行粗聚类；计算出粗聚类点云的轮廓、质心、质心与激光雷达的欧式距离；根据粗聚类的精度、调节比例、质心与激光雷达的欧式距离计算出精聚类所需的精度运算因数；根据所求的精度运算因数进行欧式精聚类，得到精聚类点云；遍历精聚类点云，更新精聚类点云的质心坐标和轮廓。4.根据权利要求3所述的矿区路面凹坑的识别方法，其特征是，所述精度运算因数，通过以下公式获得：其中，W表示精度运算因数，D表示粗聚类精度，R表示聚类精度调节比例，L表示粗聚类距离。5.根据权利要求1所述的矿区路面凹坑的识别方法，其特征是，所述从聚类点云中分割出地面点云...

【专利技术属性】
技术研发人员：唐建林，赵斌，徐浩铭，
申请(专利权)人：江苏徐工工程机械研究院有限公司，
类型：发明
国别省市：