一种基于实时点云数据的动态障碍物剔除方法技术

本发明专利技术公开了一种基于实时点云数据的动态障碍物剔除方法，包括以下步骤：获取物体信息，形成实时三维点云数据；通过预处理将目标点云分为稀疏点云和稠密点云；通过带噪声的基于密度的空间聚类算法DBSCAN对稀疏点云进行点云聚类，将点云数据划分为若干个簇，并对每个聚类作边界框拟合，获得每个单独聚类的几何特征信息；根据匈牙利和卡尔曼滤波算法，对合理的聚类进行多目标匹配和跟踪，划分动静点；通过KD

【技术实现步骤摘要】
一种基于实时点云数据的动态障碍物剔除方法


[0001]本专利技术属于无人驾驶
，涉及一种基于实时点云数据的动态障碍物剔除方法。

技术介绍

[0002]无人驾驶是指车辆在不需要人力实时控制的状态下实现自动控制，无人驾驶技术是传感器、计算机、人工智能、通信、导航定位、模式识别、机器视觉、智能控制等多门前沿学科的综合体。随着自动化技术的不断推进，人工智能技术在车辆方面不断突破，并且在社会越来越广泛的应用。逐步迈向实用化的无人驾驶车辆在不久的将来会对人类的交通出行方面产生颠覆性的影响，5G的普及以及车联网的应用，结合无人驾驶车辆将会形成更加智能的交通系统。
[0003]无人小车在开放性的路段行驶环境复杂多变，开放性路段会有大量的动态目标，这些动态目标会干扰地图配准的准确性，降低生成地图的精度，还会在静态的地图内留下“鬼影”。目前，针对在动态环境的无人驾驶地图的实时更新，目前主流的解决方案是依靠深度学习实现对动态目标的检测，通过丰富的图像或点云感知信息，融合地平面等信息来实现行人检测，车辆检测等三维感知任务。但是这一类方法需要模型的先验信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于实时点云数据的动态障碍物剔除方法，其特征在于，包括以下步骤：获取物体信息，形成实时三维点云数据；通过预处理将目标点云分为稀疏点云和稠密点云；通过带噪声的基于密度的空间聚类算法DBSCAN对稀疏点云进行点云聚类，将点云数据划分为若干个簇，并对每个聚类作边界框拟合，获得每个单独聚类的几何特征信息；根据匈牙利和卡尔曼滤波算法，对符合滤波阈值的聚类进行多目标匹配和跟踪，划分动静点；通过KD
‑
Tree对稠密点云进行点云匹配；根据聚类中点的动静态比例决定聚类目标的动静态属性，将动态目标进行滤除。2.根据权利要求1所述的一种基于实时点云数据的动态障碍物剔除方法，其特征在于，预处理包括：通过IMU数据对点云作自运动畸变校正，通过里程计数据提供无人车的位姿信息，将局部点云数据注册到全局坐标系中进行关联，依次完成单帧点云的ROI提取、下采样滤波操作。3.根据权利要求1所述的一种基于实时点云数据的动态障碍物剔除方法，其特征在于，DBSCAN点云聚类包括：对每个点附近半径Eps内的邻居点个数进行统计，邻居点数量大于最小点数阈值MinPts的点为核心点，落在核心点的Eps邻域内但邻居点的数量小于MinPts的点为边界点，除核心点和边界点之外的所有点为噪声点；将任意核心点作为新的聚类，从该核心点向周围扩张，将所有密度可达的点归入同一聚类，直至噪声点之外的所有点均包含在聚类内；密度可达是指对点链{X1,X2,...,X
n
}，任意一组点对X
i
和X
i+1
，X
i+1
都落在X
i
的Eps邻域内且X
i
为核心点，则称X1到X
n
密度可达。4.根据权利要求3所述的一种基于实时点云数据的动态障碍物剔除方法，其特征在于：在点云聚类前，通过KD
‑
Tree进行邻近点的搜索，统计邻近点个数，对所有点进行分类。5.根据权利要求1所述的一种基于实时点云数据的动态障碍物剔除方法，其特征在于：通过L
‑
shape特征的包围框拟合算法，获得有效的聚类物体几何尺寸、姿态、质心特征信息；包围框拟合算法包括：将三维坐标点投影在XY平面上，将聚类中XY轴维度上的极值点列为候选点，计算候选点两点之间的距离，找到该聚类中距离最远的两个角点；在所述聚类内寻找距离所述两个角点连线最远的第三个角点；根据三个角点，对聚类的质心、边界框的尺寸和姿态进行计算，获得完整包围框信息。6.根据权利要求1所述的一种基于实时点云数据的动态障碍物剔除...

【专利技术属性】
技术研发人员：杨继海，刘向超，张可飞，惠文龙，陈秋航，
申请(专利权)人：徐工集团工程机械股份有限公司建设机械分公司，
类型：发明
国别省市：