一种基于激光点云与集成学习的车辆姿态估计方法技术

本发明专利技术公开了一种基于激光点云与集成学习的车辆姿态估计方法，包括对激光雷达输出的激光点云进行预处理，获得道路参与者的聚类结果及其凸包；简化障碍物的3D包围框，将其映射到二维平面；基于激光点云实际成像的复杂多样性，建立全局姿态估计模型；建立模型评价指标，用于对全局姿态估计模型结果进行评估；搭建基于集成学习的Bagging模型，得到障碍物最优姿态估计方案。本发明专利技术通过使用集成学习网络构建并结合多个弱学习器，使生成的强学习器能够不受3D点云分布的特定几何形状的影响，对全尺寸全形态3D障碍物车辆都可进行姿态估计，具有较好的姿态估计全局适应性，且弱学习器能够做成并行化方法，大大提高模型的计算速度。大大提高模型的计算速度。大大提高模型的计算速度。

【技术实现步骤摘要】
一种基于激光点云与集成学习的车辆姿态估计方法


[0001]本专利技术涉及无人驾驶汽车
，特别涉及一种基于激光点云与集成学习的车辆姿态估计方法。

技术介绍

[0002]环境感知系统是无人驾驶汽车中的一个关键模块，直接影响到决策规划的驾驶场景准确性。在无人驾驶技术的环境感知技术中，目标检测作为其最主要的研究方向之一，一直是国内外科研机构的研究热点。目标检测主要有两类方法：基于图像的方法和基于激光点云的方法。尽管基于图像的目标检测随着深度学习的发展有了显著的提升，但由于图像很难提供精准的障碍物目标深度信息，因此在实际的应用中，深度信息的获取依旧依赖于激光点云数据。
[0003]姿态估计是激光点云处理过程中的一个必要环节，姿态估计的结果作为目标跟踪算法的输入，对目标跟踪的准确性有着直接的影响。由于车辆在不同角度、距离、遮挡关系下点云会呈现出不同的分布密度与空间形态，因此在全路段都能保证精准的车辆姿态估计是十分具有挑战的。
[0004]现有技术的不足之处在于，目前大多的姿态估计算法是针对点云呈现的特定形状进行姿态估计，当特定形状不明本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于激光点云与集成学习的车辆姿态估计方法，其特征在于，具体步骤包括：S1、对激光雷达输出的激光点云进行预处理，获得道路参与者的聚类结果及其凸包；S2、简化障碍物的3D包围框，将其映射到二维平面；S3、基于激光点云实际成像的复杂多样性，建立全局姿态估计模型；S4、建立模型评价指标，用于对全局姿态估计模型结果进行评估；S5、搭建基于集成学习的Bagging模型，得到障碍物最优姿态估计方案。2.根据权利要求1所述一种基于激光点云与集成学习的车辆姿态估计方法，其特征在于，所述S1的具体步骤包括：S11、在保持激光点云原始轮廓信息不变的情况下，使用分辨率为0.1m的体素格对激光点云进行下采样；将脱离地面的点云进行滤除，并进一步结合高精度地图将道路外的点云进行剔除，减少非道路参与者的干扰；使用地面滤波算法提取地面以上的点云，并使用聚类算法对道路范围内的点云进行聚类分割，获得聚类结果；S12、对每一个聚类结果，舍弃三维点云高度属性将其投影到二维平面，其中第i个障碍物用O
i
表示；对二维平面的每一个聚类结果O
i
提取其轮廓坐标点集E
iob
,得到障碍物O
i
的有序轮廓坐标序列；然后对轮廓坐标点集E
iob
进行凸包提取，得到能将障碍物O
i
包围住的最小凸多边形，将该最小凸多边形作为障碍物O
i
的凸包H
iob
。3.根据权利要求1所述一种基于激光点云与集成学习的车辆姿态估计方法，其特征在于，所述S2的具体步骤包括：S21、对任一障碍物O
i
采用3D包围框来表示其姿态；S22、对于第i个障碍物，其姿态向量μ
i
表示为：μ
i
=[x
0i
,y
0i
,l
i
,ω
i
,h
i
,θ
i
]；其中，(x
0i
,y
0i
)表示第i个障碍物在二维平面的几何中心坐标，l
i
为障碍物的长度，ω
i
为障碍物的宽度，h
i
为障碍物的高度，θ
i
为障碍物与前进方向的夹角；S23、根据姿态向量μ
i
得到障碍物的边界框在二维平面的四个角点，从左上角顺时针的四个角点A
i
,B
i
,C
i
,D
i
...

【专利技术属性】
技术研发人员：梁华为，李志远，王瀚琪，周鹏飞，章松，王健，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：