【技术实现步骤摘要】
一种负障碍物检测方法及其装置、车辆
[0001]本专利技术涉及自动驾驶
，特别是涉及一种负障碍物检测方法及其装置、车辆。
技术介绍
[0002]在自动驾驶车辆的感知方案中，绝大多数以激光雷达作为主要的感知传感器。激光雷达精度高且性能稳定，能适应复杂环境如夜间等，所以激光以其高可靠性和稳定性，承担了自动驾驶感知中的大部分环境检测任务，保证车辆的行驶安全。利用激光点云进行目标障碍物提取和检测，是感知算法的主要内容，将点云进行前后背景分割，背景是地面和非感兴趣区域等，将背景去掉后留下的前景即算法检测到的目标障碍物。由于激光本身的特性和感知算法原理可知，激光对于高于地面的目标较容易检测，而对于低于地面的负障碍物，如坑陷和打开的管井等，检测难度较高，而这些负障碍物常见于城市非结构化道路中，对车辆自动驾驶有极大安全隐患。
[0003]需要说明的是，非结构化道路一般是指城市非主干道、乡村街道等结构化程度较低的道路，这类道路没有车道线和清晰的道路边界，道路区域和非道路区域难以区分。
[0004]目前，现有的一种负障碍物...
【技术保护点】
【技术特征摘要】
1.一种负障碍物检测方法，其特征在于，包括以下步骤：步骤S1，结构化点云根据梯度特征，提取疑似负障碍物点簇：对于激光雷达获得的结构化点云，根据平整地面点云理想模型的径向梯度阈值范围和高度梯度阈值范围，对结构化点云中的每个点进行筛选，满足阈值范围的点云即为平面点云，属于地面背景点云，不满足阈值范围的点云包括正障碍物点云和负障碍物点云，标记出其中的疑似负障碍物点以及地面背景点，最终提取出疑似负障碍物点簇和地面背景点簇；步骤S2，消除负障碍物点簇误检测：计算每个疑似负障碍物点簇与其周围的地面背景点簇之间的高度梯度差过滤掉其中高度梯度差小于零的疑似负障碍物点簇，获得经过过滤的负障碍物点簇，实现消除误检测；步骤S3，负障碍物点簇栅格化并聚类：对于步骤S2获得的经过过滤的负障碍物点簇，使用栅格地图将包含经过过滤的负障碍物点簇的点云地图进行降采样，将包含经过过滤的负障碍物点簇的点云地图投影到二维栅格地图中，并在栅格地图中标记出存在负障碍物点簇的栅格以及不存在负障碍物点簇的栅格，然后将存在负障碍物点簇的栅格聚类成负障碍物栅格，以及将不存在负障碍物点簇的栅格聚类成背景栅格；其中，每个负障碍物栅格的尺寸大小相同；步骤S4，负障碍物栅格滤波：对于由步骤S3获得的每个负障碍物栅格，计算负障碍物栅格的高度，栅格高度为栅格内点云的z坐标最大值，然后将高度大于背景栅格平均高度的负障碍物栅格过滤掉，获得实际的负障碍物栅格集合；步骤S5，负障碍物栅格补全：对步骤S4获得的实际的负障碍物栅格集合，执行负障碍物栅格补全操作，输出完整的负障碍物栅格集合。2.如权利要求1所述的负障碍物检测方法，其特征在于，激光雷达(1)安装在无人车(2)的正前方；激光雷达(1)的水平视场角为180
°
，激光雷达(1)的线束至少16线；激光雷达(1)的安装高度h＝0.5m，激光雷达(1)的俯仰角为γ＝10
°
。3.如权利要求1所述的负障碍物检测方法，其特征在于，在步骤S1中，对于激光雷达获得的结构化点云，当每个点p(m,n,r,h)及其相邻点都投射到平整地面时，每个点与其相邻点之间的径向梯度ΔR和高度梯度ΔH满足如下几何关系：点p(m,n,r,h)与点p3(m+1,n,r3,h3)之间的高度梯度阈值范围径向梯度阈值范围点p(m,n,r,h)与点p4(m
‑
1,n,r4,h4)之间的高度梯度阈值范围径向梯度阈值范围点p(m,n,r,h)与点p1(m,n+1,r1,h1)之间的高度梯度阈值范围径向梯度阈值范围点p(m,n,r,h)与点p2(m,n
‑
1,r2,h2)之间的高度梯度阈值范围径向梯度阈值范围其中，m和n是点坐标，r是每个点距离坐标原点的半径，h是每个点的高度；
其中，θ是激光雷达的垂直视场下方盲区角，H
lidar
是激光雷达安装高度；i是激光所在线束索引，从下向上计，取值范围0～15，单位m；满足上述梯度阈值范围的点云，即平整地面点云理想模型。4.如权利要求1所述的负障碍物检测方法，其特征在于，在步骤S1中，对于激光雷达获得的结构化点云，当一个点的径向梯度位于负障碍物点径向梯度阈值范围内，和/或高度梯度位于负障碍物点高度梯度阈值范围时，判断该点为疑似负障碍物点；在步骤S1中，对于激光雷达获得的结构化点云，当一个点的径向梯度位于地面背景点径向梯度阈值范围内，和/或高度梯度位于地面背景点高度梯度阈值范围时，判断该点为地面背景点。5.如权利要求1所述的...
【专利技术属性】
技术研发人员：张放，李晓飞，张德兆，王肖，霍舒豪，
申请(专利权)人：重庆兰德适普信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。