【技术实现步骤摘要】
本专利技术涉及机器人目标检测，具体涉及一种基于激光雷达的园区运送机器人多目标检测方法与系统。
技术介绍
1、在材料加工产业园内，货物往来运送是一项基本的日常工作内容，这一简单而重复的工作若通过人工完成，会占用大量的劳动力，造成人工成本高昂。随着实体经济发展增长缓慢，企业对节约人力成本，提升管理水平，提升货运服务的需求日益增加。近年来，轮式机器人的发展为运送服务提供了新的解决方案，其可以有效减轻劳务人员的体力劳动强度，提升工作流程的效率，为企业节约成本。
2、使用轮式机器人作为园区货物运送的解决方案，多目标检测技术在其中扮演着不可或缺的角色，是后续规划和控制模块的基础。当前，国内外轮式机器人多目标检测主要有两种主流方法。
3、第一种是基于激光雷达的点云数据进行聚类，人工设计特征提取矩阵后对障碍物进行分类。其基于几何特征，使用聚类算法对激光雷达的点云数据进行聚类，然后对分割的点云进行特征提取，最后使用分类器进行模式识别。该方法基于固定的参数，其实时性较好，但是对于不同距离的目标，其检测效果适应性不好，而且其对复杂环境的感知度不敏感，准确度不高。
4、第二种是利用深度学习自动获取点云的深度数据信息，并对障碍物进行分类。其基于原始点云数据，设计特征模块，使用神经网络两阶段算法对点云数据进行处理；将原始点云数据转换成伪图像，再使用神经网络算法处理，进而实现对障碍物的分类。该方法算法复杂，对计算资源占用较高，且受限于计算资源，其在特定场景下的实时性和稳定性较差。
5、基于激光雷达点云数据的环境
技术实现思路
1、为解决以上技术问题中的至少一个，本专利技术提供了一种基于激光雷达的园区运送机器人多目标检测方法与系统。
2、本专利技术的第一方面提供一种基于激光雷达的园区运送机器人多目标检测方法，包括：
3、步骤1：对激光雷达采集的点云数据进行预处理；
4、步骤2：进行地面点滤除，减少地面点对目标检测的干扰；
5、步骤3：采用不同的聚类半径进行点云的聚类，实现目标检测。
6、优选的是，步骤1：对激光雷达采集的点云数据进行预处理，包括：
7、步骤11：滤除噪音点以及无效数据点；
8、步骤12：基于体素中心下采样算法对步骤11处理后的点云数据进行下采样处理，降低点云数据量大小。
9、上述任一方案优选的是，步骤12中，将步骤11处理后的激光雷达采集的点云数据按照其所在空间划分为若干个立方体体素，计算每个非空体素的中心坐标，并用每个非空体素的中心代表该体素内的点云数据，以降低点云密度。
10、上述任一方案优选的是，步骤12中，非空体素的中心坐标采用如下公式计算：
11、xc＝xm+(c-0.5)*s
12、yc＝ym+(r-0.5)*s
13、zc＝zm+(l-0.5)*s，
14、其中，xc、yc、zc分别为非空体素的中心在x、y、z坐标轴上的坐标，xm、ym、zm分别为点云在其所属空间坐标系中在x、y、z坐标轴上的最小坐标，c为非空体素所在的行，r为非空体素所在的列，l为非空体素所在的层，s为体素的边长。
15、上述任一方案优选的是，步骤2：进行地面点滤除，减少地面点对目标检测的干扰，包括：
16、步骤21：点云裁剪；
17、步骤22：地面点拟合；
18、步骤23：地面点分离滤除。
19、上述任一方案优选的是，步骤21中，对经过步骤1预处理之后的点云数据，裁减掉h1高度以上的点云数据，以及距离激光雷达h2距离以内的点云数据。
20、上述任一方案优选的是，h1根据激光雷达的安装高度确定，h2根据激光雷达的死区时间确定。
21、上述任一方案优选的是，步骤22：地面点拟合，包括：
22、步骤221：根据激光雷达的水平角分辨率对xoy平面以原点为顶点的周角进行微分，并对微分后的每一份角度进行索引编号，每一份角度的边为一条索引射线；
23、步骤222：根据激光雷达的线数，将其在xoy平面扫描所产生的线圈进行索引编号，每一条线圈为一条索引线圈；
24、步骤223：将xoy平面按照索引线圈和索引射线划分为若干个栅格区域，步骤21处理后的点云数据，按照其在xoy平面的投影点所处的栅格区域，将其划分到相应的栅格区域；
25、步骤224：对每一个栅格区域内的点云数据，选择至少3个高度值最小的点作为地面点，拟合得到该栅格区域内的初始地面模型a1x+b1y+c1z＝d1，其中a1、b1、c1和d1分别表示该栅格区域内的初始地面模型的系数，x、y和z分别表示该栅格区域内的初始地面模型上的点在x、y、z坐标轴上的坐标；
26、步骤225：针对每一个栅格区域，对与初始地面模型的距离小于设定阈值的点云进行遍历，对该栅格区域内的初始地面模型进行拟合优化，得到该栅格区域内的地面模型ax+by+cz＝d，其中a、b、c和d分别表示该栅格区域内的地面模型的系数，x、y和z分别表示该栅格区域内的地面模型上的点在x、y、z坐标轴上的坐标；
27、步骤226：根据每个栅格区域内的地面模型得到整体地面模型。
28、上述任一方案优选的是，步骤23：地面点分离滤除，包括：
29、步骤231：将步骤21中裁剪后的点云数据从三维空间投影到xoy平面；
30、步骤232：计算投影后的点云到激光雷达的在xoy平面上的距离其中，x和y分别为点云在xoy平面上的投影点在x、y坐标轴上的坐标；
31、步骤233：计算投影后的点云相对于x坐标轴的夹角其中，x和y分别为点云在xoy平面上的投影点在x、y坐标轴上的坐标；
32、步骤234：根据水平角度微分索引编号和扫描线圈索引编号，将xoy平面投影在同一条索引射线中的点云按照与雷达的水平距离进行排序；对距离排序后相邻的每两个点云，根据设定的局部坡度阈值以及点云与雷达的水平距离，计算后一个点云局部高度阈值，判断后一个点云与其所属栅格区域内的地面模型之间的距离是否小于局部高度阈值，若是，本文档来自技高网...
【技术保护点】
1.一种基于激光雷达的园区运送机器人多目标检测方法，包括：
2.如权利要求1所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤1：对激光雷达采集的点云数据进行预处理，包括：
3.如权利要求2所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤12中，将步骤11处理后的激光雷达采集的点云数据按照其所在空间划分为若干个立方体体素，计算每个非空体素的中心坐标，并用每个非空体素的中心代表该体素内的点云数据，以降低点云密度；非空体素的中心坐标采用如下公式计算：
4.如权利要求3所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤2：进行地面点滤除，减少地面点对目标检测的干扰，包括：
5.如权利要求4所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤21中，对经过步骤1预处理之后的点云数据，裁减掉H1高度以上的点云数据，以及距离激光雷达H2距离以内的点云数据，H1根据激光雷达的安装高度确定，H2根据激光雷达的死区时间确定。
6.如权利要求5所述的基于激光雷达的园区运送机器人
7.如权利要求6所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤23：地面点分离滤除，包括：
8.如权利要求7所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤3：用不同的聚类半径进行点云的聚类，实现目标检测，包括：
9.如权利要求8所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤32中，与激光雷达的距离越远的环形区域，其聚类半径越大；步骤34中，计算点云簇的中心之前，首先判断点云簇的点云个数是否介于最小阈值与最大阈值之间。
10.一种基于激光雷达的园区运送机器人多目标检测系统，包括处理器，所述处理器内运行有计算机程序，其特征在于：所述计算机程序用于执行如权利要求1-9任一项所述的基于激光雷达的园区运送机器人多目标检测方法。
...【技术特征摘要】
1.一种基于激光雷达的园区运送机器人多目标检测方法，包括：
2.如权利要求1所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤1：对激光雷达采集的点云数据进行预处理，包括：
3.如权利要求2所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤12中，将步骤11处理后的激光雷达采集的点云数据按照其所在空间划分为若干个立方体体素，计算每个非空体素的中心坐标，并用每个非空体素的中心代表该体素内的点云数据，以降低点云密度；非空体素的中心坐标采用如下公式计算：
4.如权利要求3所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤2：进行地面点滤除，减少地面点对目标检测的干扰，包括：
5.如权利要求4所述的基于激光雷达的园区运送机器人多目标检测方法，其特征在于：步骤21中，对经过步骤1预处理之后的点云数据，裁减掉h1高度以上的点云数据，以及距离激光雷达h2距离以内的点云数据，h1根据激光雷达的安装高度...
【专利技术属性】
技术研发人员：程光，李翔，曹志勇，姚景丽，方天睿，
申请(专利权)人：北京联合大学，
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。