一种智能停车系统的AGV姿态估算方法及系统技术方案

本发明专利技术涉及智慧停车技术领域，提出了一种智能停车系统的AGV姿态估算方法及系统，AGV姿态估算方法包括获得输入点云，从输入点云中细分出车轮点云，所述车轮点云包括左车轮点云L和右车轮点云S；对所述左车轮点云L和右车轮点云S的对称性进行校正，得到新的车轮点云H1和对应的欧几里得变换T；根据所述新的车轮点云H1，进行车辆姿态估算通过上述技术方案，解决了现有技术中无法实现智能停车系统的AGV姿态估算的问题。估算的问题。估算的问题。

【技术实现步骤摘要】
一种智能停车系统的AGV姿态估算方法及系统


[0001]本专利技术涉及智慧停车
，具体的，涉及一种智能停车系统的AGV姿态估算方法及系统。

技术介绍

[0002]由于汽车数量的增加，停车问题正成为城市发展中的一个主要问题。近年来，许多智能停车系统被开发出来，主要集中在停车安全和寻找停车位上。对于节省空间的停车，智能立体车库是解决方案之一。自动引导轮式机器人(AGV)是一种柔性机器人，已被用于在平面停车场的自动停车。由于不需要预留开门、进出停车位的空间，因此大大节省了停车位。此外，AGV的自动停车避免了停车场事故，多AGV合作将提高停车效率。
[0003]停车用抱夹式AGV不依赖额外的机械平台，只需要将车辆停放到停车缓冲区，有效降低了安全风险，提高了用户体验，因此需要采用车辆姿态估计技术。传统的配准方法可以实现无法获取车身信息情况下的姿态估算，但是需要针对不同的车型建立不同车轮点云模型的数据库来提供目标配准点云，而且计算效率低。目前常用的车辆姿态估计方法可以大致分为两类：
①
基于特征的方法；
②
基于测量模型的方法。
[0004]由于AGV的高度很低，(例如，0.125m)。它的工作原理是移动到目标车辆的底部，传感器需要安装在较低的高度，这极大地限制了传感器的视野；此外，为了节省停车位，目标车辆与停车AGV之间的距离不大；因此，当我们使用激光雷达收集数据时，撞击车身的激光雷达光束数量会很少，无法获得整个车身的轮廓信息。由于基于特征的方法和基于测量模型的方法都依赖于车身的轮廓信息，因此在这种情况下不能应用。

技术实现思路

[0005]本专利技术提出一种智能停车系统的AGV姿态估算方法及系统，解决了相关技术中无法实现智能停车系统的AGV姿态估算的问题。
[0006]本专利技术的技术方案如下：
[0007]第一方面，一种智能停车系统的AGV姿态估算方法，包括：
[0008]获得输入点云，从输入点云中细分出车轮点云，所述车轮点云包括左车轮点云L和右车轮点云S；
[0009]对所述左车轮点云L和右车轮点云S的对称性进行校正，得到新的车轮点云H1和对应的欧几里得变换T；
[0010]根据所述新的车轮点云H1，进行车辆姿态估算，具体包括：
[0011][0012]其中，左车轮点云L为{p1,p2,...p
m
}，右车轮点云S为{p1,p2,...p
n
}；
[0013]计算点云H1的对称平面P1的法向量，记为V1＝[a
1 b
1 c1]T
，其中c1>0，对称平面P1和xy平面之间的夹角α为：
[0014][0015]围绕x轴旋转α夹角的车轮点云H1α，得到：
[0016][0017]点云H2的对称平面P2垂直于xy平面，定义P2的法向量为n2＝[a
2 b
2 c2]T
，其中，b2＞0，目标车辆相对于激光雷达的水平方位角θ由下式得：
[0018][0019]围绕激光雷达坐标系的z轴旋转车轮点云H2，旋转角度为θ，可以得到新的车轮点云H3是：
[0020][0021]H3的对称平面平行于xz平面；
[0022]车辆中心与激光雷达中心之间的y方向距离
△
y为：
[0023][0024]将H3转换为
△
y，得到最终的车轮点云；
[0025]为了与目标车辆对齐，则AGV的调整公式为：
[0026]P＝[
‑
Δy
ꢀ‑
θ]T
ꢀꢀ
(20)
[0027]其中，
△
y是横向位移，θ为旋转角。
[0028]第二方面，一种智能停车系统的AGV姿态估算系统，包括：
[0029]第一获得单元，用于获得输入点云，从输入点云中细分出车轮点云，所述车轮点云包括左车轮点云L和右车轮点云S；
[0030]第一处理单元，用于对所述左车轮点云L和右车轮点云S的对称性进行校正，得到新的车轮点云H1和对应的欧几里得变换T；
[0031]第二处理单元，用于根据所述新的车轮点云H1，进行车辆姿态估算，具体包括：
[0032][0033]其中，左车轮点云L为{p1,p2,...p
m
}，右车轮点云S为{p1,p2,...p
n
}；
[0034]计算点云H1的对称平面P1的法向量，记为V1＝[a
1 b
1 c1]T
，其中c1>0，对称平面P1和xy平面之间的夹角α为：
[0035][0036]围绕x轴旋转α夹角的车轮点云H1α，得到：
[0037][0038]点云H2的对称平面P2垂直于xy平面，定义P2的法向量为n2＝[a
2 b
2 c2]T
，其中，b2＞0，目标车辆相对于激光雷达的水平方位角θ由下式得：
[0039][0040]围绕激光雷达坐标系的z轴旋转车轮点云H2，旋转角度为θ，可以得到新的车轮点云H3是：
[0041][0042]H3的对称平面平行于xz平面；
[0043]车辆中心与激光雷达中心之间的y方向距离
△
y为：
[0044][0045]将H3转换为
△
y，得到最终的车轮点云；
[0046]为了与目标车辆对齐，则AGV的调整公式为：
[0047]P＝[
‑
Δy
ꢀ‑
θ]T
ꢀꢀ
(20)
[0048]其中，
△
y是横向位移，θ为旋转角。
[0049]第三方面，一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现上述的姿态估算方法的步骤。
[0050]本专利技术的工作原理及有益效果为：
[0051]本专利技术通过提取车轮点云的对称面，采用迭代最近点算法的配准方法，解决了无法获取车身信息情况下的姿态估算问题。根据欧几里得适应度值，该方法具有较高的配准精度，可为车辆姿态的确定提供参考。
附图说明
[0052]下面结合附图和具体实施方式对本专利技术作进一步详细的说明。
[0053]图1为本专利技术方法流程图；
[0054]图2为本专利技术中基于单元的细分方法示意图；
[0055]图3为本专利技术中点云细分示意图；
[0056]图4为本专利技术中障碍物点云示意图；
[0057]图5为本专利技术中点云法向量估算示意图；
[0058]图6为本专利技术中车辆点云特征示意图；
[0059]图7为本专利技术中车辆底盘点云示意图；
[0060]图8为本专利技术中兴趣扇区区域示意图；
[0061]图9为本专利技术中AGV试验平台示意图；
[0062]图10为点云细分结果比较图；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能停车系统的AGV姿态估算方法，其特征在于，包括：获得输入点云，从输入点云中细分出车轮点云，所述车轮点云包括左车轮点云L和右车轮点云S；对所述左车轮点云L和右车轮点云S的对称性进行校正，得到新的车轮点云H1和对应的欧几里得变换T；根据所述新的车轮点云H1，进行车辆姿态估算，具体包括：其中，左车轮点云L为{p1,p2,...p
m
}，右车轮点云S为{p1,p2,...p
n
}；计算点云H1的对称平面P1的法向量，记为V1＝[a
1 b
1 c1]
T
，其中c1>0，对称平面P1和xy平面之间的夹角α为：围绕x轴旋转α夹角的车轮点云H1α，得到：点云H2的对称平面P2垂直于xy平面，定义P2的法向量为n2＝[a
2 b
2 c2]
T
，其中，b2＞0，目标车辆相对于激光雷达的水平方位角θ由下式得：围绕激光雷达坐标系的z轴旋转车轮点云H2，旋转角度为θ，可以得到新的车轮点云H3是：H3的对称平面平行于xz平面；车辆中心与激光雷达中心之间的y方向距离
△
y为：将H3转换为
△
y，得到最终的车轮点云；为了与目标车辆对齐，则AGV的调整公式为：P＝[
‑
Δy
ꢀ‑
θ]
T
ꢀꢀ
(20)
其中，
△
y是横向位移，θ为旋转角。2.根据权利要求1所述的一种智能停车系统的AGV姿态估算方法，其特征在于，所述根据所述新的车轮点云H1，进行车辆姿态估算之前还包括：使用快速点特征直方图提取新的车轮点云H1的快速点特征；使用样本共识初始对齐算法对点云H1进行初始配准，得到初始变换T1，H1＝T1H1；AGV的姿态调整公式为：P
′
＝[
‑
Δy
′ꢀ‑
θ
′
]
T
＝[
‑
sin
‑1(T
′
[0][1]) T
′
[1][3]]
T
ꢀꢀꢀ
(25)其中，使用样本共识初始对齐算法对点云H1进行初始配准，具体包括：通过快速点特征直方图找到一个点的对应关系，并计算每个点对的刚性变换T
’
i
，并评价T
’
i
的性能，如下式所示：其中H(e
i
)是一个韦伯惩罚措施函数，如下所示：其中t
e
是一个给定的阈值，e
i
是目标点云与经过匹配点对变换后的对齐点云之间的距离；从所有的变换中找到最佳的变换T1来最小化J。3.根据权利要求1所述的一种智能停车系统的AGV姿态估算方法，其特征在于，获得输入点云，从输入点云中细分出车轮点云，具体包括：采用基于单元的方法对输入点云中的地面点云和障碍物点云进行预细分；基于支持向量机分类器，训练模型，对输入点云中的地面点云和障碍物点云进行分类；从障碍物点云中细分出车轮点云。4.根据权利要求3所述的一种智能停车系统的AGV姿态估算方法，其特征在于，所述基于支持向量机分类器，训练模型，对输入点云中的地面点云和障碍物点云进行分类，具体包括：定义一个点p的k个邻近点的集合为N
p
＝{p1,p1,...，p
k
}，得到对应的协方差矩阵C，如下式：其中，是p的重心；设λ1、λ2、λ3为协方差矩阵C的特征值，0≤λ1≤λ2≤λ3,与特征值对应的特征向量为n1，n2和n3，则公式(2)推导为下式：C
·
n
j
＝λ
j
·
n
j
,j∈{1,2,3}
ꢀꢀ
(3)其中，n1(n
x
,n
y
,n
z
)为p点的法向量；该p点的特征向量为n1(n
x
,n
y
,n
z
,h)，其中h为该点的高度；
经过特征提取后，可以得到训练数据x，如下式：其中，M为预先细分的点云的个数，将地面点云设置为正样本，将障碍物点云设置为负样本，输入如下训练模型：f(W)＝sign(W
T
x+b)
ꢀꢀ
(5)该训练模型的优化函数为：在得到W和b的最优解后，完成训练模型。5.根据权利要求3所述的一种智能停车系统的AGV姿态估算方法，其特征在于，所述从障碍物点云中细分出车轮点云，具体包括：各点水平方位角的高斯分布如下所示：定义一个基于汽车底盘点云的兴趣扇形区域，兴趣扇区区域的角度范围为[μ
‑
2σ,μ+2σ]，扇区的半径为r；扇区区域以外的点被透滤；利用欧几里得聚类算法对非悬浮点云进行聚类，其中点数最多的两个聚类为轮状聚类。6.根据权利要求1所述的一种智能停车系统的AGV姿态估算方法，其特征在于，所述对所述左车轮点云L和右车轮点云S的对称性进行校正，具体包括：计算每个点p(x、y、z)的垂直角ω，如下：将这些点划分为同一类，且垂直角度相同；如果属于同一车轮点云的点数比例较小，则对该类别进行透滤处理；经透滤处理后的车轮点云C为{p1,p2,...p
r
}，该车轮点云C的重心由下式表示：其中，L
g
(x
lg
,y
lg
,z
lg
)和R
...

【专利技术属性】
技术研发人员：王忠利，赵玉芝，石胜松，冯彩虹，单永兴，张攀，王贵森，
申请(专利权)人：唐山通宝停车设备有限公司，
类型：发明
国别省市：