【技术实现步骤摘要】
一种道路边界检测方法、计算机设备、可读存储介质及机动车
[0001]本专利技术涉及自动驾驶
,具体涉及一种道路边界检测方法、计算机设备、可读存储介质及机动车。
技术介绍
[0002]在自动驾驶领域中,基于3D激光雷达的感知方案可以实现高精度的环境场景检测,不仅可以探测到环境中的动态物体,也可以探测到环境中的静态物体。道路边界作为自动驾驶车辆必备的一项信息,对于车辆的可行驶区域确定以及车辆的行驶安全性至关重要。自动驾驶车辆行驶过程中,往往需要依赖道路边界信息。道路边界信息不仅可以生成可行驶区域,而且能够辅助车辆定位。正常行驶情况下,道路边界对于车辆是不可逾越的,它可以为车辆定位导航提供一个路径规划区间,因此准确的道路边界检测对于车辆自动驾驶以及辅助驾驶都是非常有意义的。
[0003]现有的基于激光雷达的道路边界检测方法,对于一些结构化的道路边界检测效果尚可,但对于非结构化的道路边界,例如植被覆盖的道路边沿、高速公路场景、道路中间的栅栏等非结构化场景,将难以检测出道路边界。同时,现有的方法中左右两侧道路的分割是将激光雷达的X坐标轴作为分界线,对于一些弯曲道路,将会出现误分割,导致分割的精度降低。并且,现有的道路边界拟合算法都是通过单一的二次抛物线拟合算法提取道路边界点。单一曲线拟合尤其在遮挡严重的场景存在着弊端。
技术实现思路
[0004]本专利技术旨在一定程度上解决相关技术中的技术问题之一。为此,本专利技术提供了一种道路边界检测方法,检测精度高,误检率低。
[0005]为了达到上述
【技术保护点】
【技术特征摘要】
1.一种道路边界检测方法,运行自动驾驶的车辆通过所述道路边界检测方法识别检测道路的边界,其特征在于,所述道路边界检测方法包括如下步骤:预处理:对原始点云进行预处理,形成二维数组;语义分割:将原始点云根据障碍物类别进行分类,获得不同的语义标签,提取包含路边界的标签的点云;割角:将提取的点云分为左边点云和右边点云;滤波:对左边点云和右边点云进行过滤,得到左路边界候选点云和右路边界候选点云;拟合:对左路边界候选点云和右路边界候选点云进行拟合,得到道路边界。2.根据权利要求1所述的道路边界检测方法,其特征在于,所述预处理步骤包括如下子步骤:移除原始点云中X、Y、Z三个坐标通道中任意一个通道值为NaN无效点的点云数据;将剩余点云数据转换为N
×
4的二维数组,所述二维数组的每一行数据为Ri(x,y,z,intensity),包含点云数据的坐标信息以及每个点的反射率,所述二维数组的列数为每一帧点云的点数。3.根据权利要求2所述的道路边界检测方法,其特征在于,所述语义分割步骤包括如下子步骤:通过卷积神经网络对所述二维数组进行分割,将点云中的每个点设置相应的语义标签;通过语义分割网络对具有语义标签的点云数据进行分类;提取包含道路边界的语义标签对应的点云。4.根据权利要求3所述的道路边界检测方法,其特征在于,所述割角步骤包括如下子步骤:将提取出的点云沿圆周方向划分为若干个扇形栅格,每个扇形栅格的圆心角为1
°
;统计每个扇形栅格中的点的数量,保存数量为0的扇形栅格的角度位置标,并将数量为0的扇形栅格标注为1,其他扇形栅格标注为0;对所有的标注进行中值滤波,得到扇形栅格数组,每个扇形栅格数组中保存标注值和扇形栅格的角度位置;对所有标注为1的扇形栅格数组的角度位置进行排序,选择中间值作为道路的分割角,如果标注为1的扇形栅格数组的角度位置为0,则分割角为0;按照如下公式划分左边点云和右边点云:其中,pt为扇形栅格中的点,pt.x为扇形栅格中的点的x坐标,pt.y为扇形栅格中的点的y坐标,P
left
为左边点云,P
right
为右边点云α为分割角。5.根据权利要求4所述的道路边界检测方法,其特征在于,所述滤波步骤包括如下子步骤:根据如下公式分别对左边点云和右边点云进行聚类,得到左聚类点云和右聚类点云:|p
i
‑
p
j
|<d
thr
,(p
i
∈p
j
)
其中,p
i
为第i个点,p
j
为第j个点,d
thr
为阈值;分别计算左聚类点云和右聚类点云分别距离可行驶路面最近的点云簇的质心Y值;根据如下公式对左边点云和右边点云进行筛选,得到左路边界区域点云和右路边界区域点云:其中,Y
right
为右质心Y值,Y
left
为左质心Y值,P
r_region
为右路边界区域点云,P
l_region
为左路边界区域点云;通过距离滤波,从左路边界区域点云和右路边界...
【专利技术属性】
技术研发人员:华智,韩继能,胡来丰,
申请(专利权)人:浙江零跑科技股份有限公司,
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。