用于无人驾驶的障碍物感知方法技术

本发明专利技术涉及自动驾驶技术领域，公开了用于无人驾驶的障碍物感知方法

【技术实现步骤摘要】
用于无人驾驶的障碍物感知方法、系统及无人驾驶汽车


[0001]本申请属于自动驾驶
，涉及一种用于无人驾驶的障碍物感知方法及系统
、
汽车
。

技术介绍

[0002]矿区无人驾驶运输系统的工作场景比较恶劣，对于露天矿，矿区中常存在较大的扬尘，同时可能伴随着雨雪的存在；对于井工矿，为了降低井下粉尘的浓度，左右井壁以及上井壁安装很多喷水装置，喷射出大量的水雾
。
用于障碍物感知的激光雷达在存在扬尘
、
雨雪以及水雾的恶劣场景中工作时，会将扬尘
、
雨雪以及水雾产生的激光点云误检为障碍物，导致矿卡停车避障，严重影响作业效率
。
此外，扬尘
、
雨雪以及水雾这些激光点云周围的障碍物容易误检和漏检，造成事故，危及生命财产安全
。
[0003]在矿区恶劣场景中，去除扬尘
、
雨雪以及水雾的影响，精确感知障碍物，是亟需解决的技术难题之一
。
目前矿区障碍物感知主要依靠激光雷达传感器，扬尘
、
雨雪以及水雾等噪声激光点云的滤除主要通过激光点云去噪，激光点云去噪的方法包含传统算法和深度学习算法
。
传统算法一般是对地面以上的激光点云进行聚类处理，然后通过分析每个聚类激光点云的特征，例如包括强度
、
密度
、
差值稳定性
、
悬浮性等，设置经验阈值进行噪声的提取并滤除
。
基于深度学习算法是对模型进行语义分割训练，利用训练好的模型识别出噪声和以及障碍物类别，进行噪声的滤除
。
[0004]然而，针对复杂多样的扬尘和水雾，传统方法中通过经验阈值的选取策略，存在大量的漏选和误选情况
。
深度学习算法利用训练的模型对激光点云进行语义分割，进而识别出噪声和障碍物类别，但是深度学习算法无法保证噪声完全分割准确，仍然会存在误检的情况
。
噪声激光点云的误检会导致矿卡停车避障，严重影响作业效率
。
扬尘
、
水雾周围障碍物的精确检测研究较少，导致矿卡恶劣环境下工作，经常发生障碍物漏检和误检的情况，导致事故发生
。

技术实现思路

[0005]为了对披露的实施例的一些方面有基本的理解，下面给出了简单的概括
。
所述概括不是泛泛评述，也不是要确定关键／重要组成元素或描绘这些实施例的保护范围，而是作为后面的详细说明的序言
。
[0006]为了解决相关技术中存在的问题，本公开实施例提供了用于无人驾驶的障碍物感知方法及系统
、
汽车，用以解决现有技术中的无人驾驶汽车在扬尘和水雾环境中检测障碍物精度不足的问题
。
[0007]在一些实施例中，提供了应用于无人驾驶汽车，所述汽车包括多种传感器，多种传感器为激光雷达系统
、
相机系统和毫米波雷达系统中任意两种或者全部三种，所述方法包括：基于多种无人驾驶检测方法，分别对目标环境进行障碍物检测，获取多种无人驾
驶检测方法对障碍物的检测分析结果，其中，多种无人驾驶检测包括激光雷达检测方法
、
相机检测方法和毫米波雷达检测方法中的任意两种或者全部三种方法；将多种无人驾驶检测方法对障碍物的检测分析结果进行综合分析
。
[0008]优选地，多种无人驾驶检测方法对障碍物的检测分析结果包括：识别目标环境中多种障碍物的类型
、
类型对应的概率
、
位置和形状
。
[0009]优选地，激光雷达检测方法包括：获取激光雷达系统的原始激光点云；将原始激光点云进行拼接并转换到车体坐标，得到车体坐标的拼接激光点云；对拼接激光点云进行过滤处理；基于拼接激光点云，识别出目标环境中障碍物的检测分析结果
。
[0010]优选地，基于拼接激光点云，识别出目标环境出检测分析结果，包括：对拼接激光点云进行分割处理，分割为噪声
、
车辆
、
道路
、
预选建筑物
、
行人对应的激光点云；对分割为预选建筑物类型的激光点云进行去噪处理，滤除扬尘
、
水雾等误分为预选建筑物的点云；将去噪后的预选建筑物点云输入栅格地图，通过统计栅格地图中每个网格内激光点云的最大高度差和最大高度，来筛选掉道路误分为预选建筑物类型的激光点云，得到只包含准确建筑物类别的栅格地图
。
[0011]对拼接点云进行检测处理，输出车辆和行人目标的概率
、
位置和形状；结合车辆和行人类别的点云对车辆和行人的检测结果进行优化，输出车辆和行人目标优化后的概率
、
位置和形状
。
优选地，相机检测方法，包括：通过相机系统来获取目标环境的可见光图像和红外图像；根据可见光图像和红外图像进行预处理，其中，图像预处理包括图像畸变矫正
、
图像归一化和图像缩放中的任意一种或者多种的组合；基于可见光图像和红外图像，识别出目标的类别
、
概率
、
位置和形状
。
[0012]优选地，毫米波雷达检测方法，包括：通过毫米波雷达系统获取毫米波点云；对毫米波点云进行过滤；获取车辆速度对毫米波点云的速度进行补偿；依据补偿后的绝对径向速度对毫米波点云进行动静态划分，获取动态毫米波点云；对动态毫米波点云采用速度和半径相结合的
dbscan
聚类，其中半径值是依据
rcs
动态生成的
。
依据
rcs
对聚类后的毫米波点云进行分类，识别出车辆和行人的类别
、
概率
、
位置和形状
。
[0013]优选地，毫米波雷达检测方法，还包括：建立车体中心为中心点的栅格地图，对静态点云占据的网格设置和没有被占据的网格设置进行赋值
。
[0014]优选地，将多种无人驾驶检测方法对障碍物的检测分析结果进行综合分析，包括：根据时间戳同步多传感器的检测分析结果；
依据多种无人驾驶检测系统的位置，对多种检测分析结果进行距离关联；计算出融合帧内追踪目标与不同传感器对应的检测目标距离矩阵；根据构建的距离矩阵，使用匈牙利算法对融合帧内追踪目标和不同传感器的检测目标进行匹配，得到配对的追踪目标和检测目标；基于配对的追踪目标和检测目标，计算出障碍物的运动状态
、
形状
、
存在性概率和类型概率
。
[0015]在一些实施例中，公开了一种系统，包括：检测模块，被配置为基于多种无人驾驶检测方法，分别对目标环境进行障碍物检测，获取多种无人驾驶检测方法对障碍物的检测分析结果，其中，多种无人驾驶检测包括激光雷达检测方法
、
相机检测方法和毫米波雷达检测方法中的任意两种或者全部三种方本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种用于无人驾驶的障碍物感知方法，其特征在于，应用于无人驾驶汽车，所述汽车包括多种传感器，多种传感器为激光雷达系统
、
相机系统和毫米波雷达系统中任意两种或者全部三种，所述方法包括：基于多种无人驾驶检测方法，分别对目标环境进行障碍物检测，获取多种无人驾驶检测方法对障碍物的检测分析结果，其中，多种无人驾驶检测包括激光雷达检测方法
、
相机检测方法和毫米波雷达检测方法中的任意两种或者全部三种方法；将多种无人驾驶检测方法对障碍物的检测分析结果进行综合分析
。2.
根据权利要求1所述的方法，其特征在于，多种无人驾驶检测方法对障碍物的检测分析结果包括：识别目标环境中多种障碍物的类型
、
类型对应的概率
、
位置和形状
。3.
根据权利要求2所述的方法，其特征在于，激光雷达检测方法包括：获取激光雷达系统的原始激光点云；将原始激光点云进行拼接并转换到车体坐标系，得到车体坐标系下的拼接激光点云；对拼接激光点云进行过滤处理；基于拼接激光点云，识别出目标环境中障碍物的检测分析结果
。4.
根据权利要求3所述的方法，其特征在于，基于拼接激光点云，识别出目标环境中障碍物的检测分析结果，包括：对拼接激光点云进行分割处理，分割为噪声
、
车辆
、
道路
、
预选建筑物
、
行人对应的激光点云；对分割为预选建筑物类型的激光点云进行去噪处理，滤除误分为预选建筑物的点云；将去噪后的预选建筑物点云输入栅格地图，通过统计栅格地图中每个网格内激光点云的最大高度差和最大高度，来筛选掉道路误分为预选建筑物类型的激光点云，得到只包含准确建筑物类别的栅格地图；对拼接点云进行检测处理，输出车辆和行人的概率
、
位置和形状；结合车辆和行人类别的点云对车辆和行人的检测结果进行优化，输出车辆和行人目标优化后的概率
、
位置和形状
。5.
根据权利要求2所述的方法，其特征在于，相机检测方法，包括：通过相机系统来获取目标环境的可见光图像和红外图像；根据可见光图像和红外图像进行预处理，其中，图像预处理包括图像畸变矫正
、
...

【专利技术属性】
技术研发人员：杨长坤，要婷婷，王鑫，王宏兴，孟德将，潘子宇，田滨，
申请(专利权)人：青岛慧拓智能机器有限公司，
类型：发明
国别省市：