一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法技术

本发明专利技术创造的目的是提供一种基于激光雷达的高鲁棒性野外环境可通行区域提取的方法，包括：S1.点云水平矫正；S2.点云坐标系投影；S3.点云语义分割；S4.多段平面拟合；S5.非平面点聚类；S6.正负障碍物标签修正；S7.遗漏障碍物补全。解决了由于野外夜晚可视性低、非结构化环境复杂而使得感知困难的情况。不仅为野外环境下无人车及自主机器人避障提供重要的信息，而且为以后的路径规划和自主检测提供了必要的条件。解决了由于无人车设备的颠簸导致激光雷达采集数据时会出现连续几帧中变化比较急剧的情况，有效提高了提取地面可通行区域的准确率和鲁棒性。准确率和鲁棒性。准确率和鲁棒性。

【技术实现步骤摘要】
一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法


[0001]本专利技术涉及无人车智能驾驶
，更具体地，涉及一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法。

技术介绍

[0002]现有技术中，基于相机传感器进行提取可通行区域，需要在光照等环境条件适宜的情况下才能使用。相机传感器不仅对环境要求苛刻，而且对环境要求比较苛刻，对光照变化敏感，但野外环境复杂多变，并且夜间识别有较大的难度。基于车道线或边界轮廓线等标志物提取，只能识别分析出固定结构化环境下的可通行区域，在野外环境中缺少固定规则的车道线或边界轮廓线，会影响提取可通行区域的正确性。使用激光雷达提取陆地可通行区域或进行路径规划，但激光雷达应用在野外场景会比平整的城市化道路复杂且不规则，一些基于规则性道路标志的提取算法可能会失效。此外，在崎岖道路上行驶的车体发生的颠簸引起的噪声也会影响算法的表现，尤其是使用相机传感器的算法，相机成像会由于晃动而产生视觉模糊。

技术实现思路

[0003]本专利技术为克服上述现有技术中的缺陷，提供一种基于激光雷达的高鲁棒性野外环境本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，包括以下步骤：S1.点云水平矫正：利用惯性测量单元对获取到的激光雷达点云数据进行水平矫正，减少激光雷达及车体倾斜对点云数据的影响；S2.点云坐标系投影：将矫正后的三维激光雷达点云投影到二维深度图空间，同时保留三维点云；S3.点云语义分割：通过引用3D
‑
mininet的卷积神经网络进行语义分割、从复杂的大环境中提取感兴趣的潜在可通行区域、正障碍物、负障碍物以及非感兴趣区域；S4.多段平面拟合：对步骤S3得到的潜在感兴趣平面点云进行处理；对于潜在平面点，利用RANSAC方法对其进行多段平面拟合，进一步得到更准确的平面点；S5.非平面点聚类：在步骤S4提取的平面点的基础上，得到可行驶范围内非平面点，对其进行欧式聚类；S6.正负障碍物标签修正：对步骤S3和S5得到的潜在感兴趣正障碍物及负障碍物进行处理；对于潜在的正负障碍物点，结合步骤S4得到的平面模型，修正卷积神经网络中发生的误分类；S7.遗漏障碍物补全：对得到的正负障碍物利用卡尔曼滤波器进行跟踪，同时依据前一帧的卡尔曼预检查判断是否有漏检障碍物。2.根据权利要求1所述的基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，所述的惯性测量单元安装于激光雷达的正下方，并且使惯性测量单元的本地坐标系与激光雷达点云的坐标系的旋转对齐；且激光雷达与惯性测量元件之间为刚性连接。3.根据权利要求1所述的基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，在所述的步骤S1中，对每一个激光雷达点云p(x,y,z,i)，i为反射强度，取其xyz，然后组成坐标向量[x,y,z]；对于得到的旋转角数据，利用如下公式将其组合成三个轴的旋转矩阵：的旋转矩阵：的旋转矩阵：得到相应的总旋转矩阵：式中，θ、分别为绕x、y、z轴旋转的旋转角；
将坐标向量与旋转矩阵相乘，得到矫正后的激光雷达点云数据。4.根据权利要求3所述的基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，在所述的步骤S2中，将三维点云数据通过球面投影，转换为二维深度图，具体包括：三维点云数据中的点(x1,y1,z1)，将其投影到一个2D图像上，来获得新的2D坐标表示，首先假设x轴为激光雷达的正视图，点(x1,y1,z1)与原点的连线与xy平面形成一个角度，即俯仰角pitch；点(x1,y1,z1)在xy平面的投影与原点的连线与中心线x或xz平面形成一个偏转角yaw；通过下式计算三维点云数据中每个点的偏转角和俯仰角，以实现将点云转换为二维深度图：pitch＝sin
‑1(z1/r)＝arcsin(z1/r)yaw＝tan
‑1(y1/x1)＝arctan(y1/x1)式中，r为三维点到原点的距离。5.根据权利要求4所述的基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，所述的3D
‑
mininet的网络首先通过新颖的投影从原始点学习2D表示，从3D数据中抽取局部和全局信息；然后被输入到一个2D全卷积神经网络，产生2D语义分割；然后获得的2D语义标签被重新投影回3D空间，并通过后处理模块进行了增强。6.根据权利要求5所述的基于激光雷达的高鲁棒性野外环境下可通行区域提取方法，其特征在于，所述的步骤S3具体包括：S1.点云网络训练数据：对点云数据打标签，将数据分为四种类型的对象：非感兴趣区域、可通行区域、正障碍物、负障碍物；S2.数据均衡：使用多类加权交叉熵损失作为正则化以减轻极端类不平衡问题的影响，根据训练集统计结果来计算类不平衡正则化的相应权重，交叉熵损失函数L表示为：式中，M为点数量，C为类别数量，y
c,m
是m是否属于类c的二分类指示器，为CNN预测出的点m属于类别c的概率，f
t
为所有类别...

【专利技术属性】
技术研发人员：黄凯，林洪权，单云霄，
申请(专利权)人：中山大学，
类型：发明
国别省市：