【技術實現步驟摘要】
本專利技術屬于無人駕駛技術和智能交通系統領域，具體地說，是一種用于室外環境的多幀點云數據檢測岔路口的方法。
技術介紹
1、隨著無人駕駛技術和智能交通系統的迅速發展，自動導航系統在城市交通和復雜道路環境中的應用越來越廣泛。在這些應用中，準確地檢測道路岔路口是確保無人駕駛車輛安全行駛的關鍵技術之一。岔路口的準確檢測可以幫助無人駕駛車輛做出正確的路徑規劃和決策，從而避免交通事故，提高行駛效率和安全性。
2、在實際應用中，道路環境復雜多變，存在諸如行人、車輛、建筑物等各種動態和靜態障礙物，使得岔路口的檢測變得極具挑戰性。傳統的基于圖像處理的岔路口檢測方法在復雜環境中容易受到光照變化、天氣條件和遮擋等因素的影響，導致檢測結果不夠準確和穩定。
3、點云數據由大量離散的三維點構成，能夠提供豐富的幾何信息。然而，在實際應用中，單幀點云數據由于視角限制和數據量有限，往往不能全面反映復雜道路環境中的細節信息。因此，多幀點云數據的融合和處理成為提高岔路口檢測準確性和魯棒性的重要手段。目前，livox激光雷達以其獨特的掃描方式和高效的數據采集能力，成為無人駕駛和智能交通系統中的重要組成部分。其推出的部分雷達將imu內置在激光雷達中，方便了數據采集以及同步過程。與傳統的機械式激光雷達不同，livox激光雷達采用非重復掃描模式，可以在較短時間內覆蓋更廣的視野范圍，同時具有更高的點云密度。這使得livox激光雷達在動態和復雜環境中的表現更加優異，能夠提供高精度的三維點云數據，顯著提升環境感知能力。
4、在多幀點云數據的處理
技術實現思路
1、本專利技術的目的是提供一種基于多幀連續點云的道路分岔口檢測方法，將多幀點云數據通過姿態的相互矯正對齊融合，能夠準確檢測和定位道路岔路口，顯著提升系統的安全性和行駛效率。
2、實現本專利技術目的的技術解決方案為：一種基于多幀連續點云的道路分岔口檢測方法。包括以下步驟：
3、第一步，利用激光雷達以及imu采集路口點云和位姿數據；隨后根據imu數據將對應幀的點云數據進行位姿變換以及融合處理；
4、第二步，對位姿變換和融合之后的點云數據進行去除地面數據以及障礙物操作；隨后對去地面后的數據進行柵格化操作，以此增加后續的計算效率并節約計算資源；
5、第三步，在得到的融合并處理后的點云數據上建立等間距連續光波探測數學模型，得到對前方岔路口檢測的特征結果；
6、第四步，使用最優位置匹配算法對得到的所有路口檢測結果進行結果特征的提取并篩選，選擇出最優的路口匹配信息，作為最終的檢測結果。
7、進一步地，所述第一步的具體實現步驟為：
8、1)同步imu慣導和雷達點云數據的時間戳，以此進行數據同步；激光雷達采集到的點云數據：包含多個幀，每幀為一個點云數據。imu采集到的位姿數據：包含每一幀對應的角速度(ωx,ωy,ωz)和線加速度(ax,ay,az)六個數據；
9、2)初始化各變量，包括初始位姿、速度以及位置。通過積分imu數據中的角速度和線加速度，計算出每一幀的姿態、位置信息以及幀間的相對齊次變
10、換矩陣；其計算方式如下所示:
11、δθ＝ωδt
12、
13、
14、
15、
16、qt＝[w，x，y，z]
17、
18、其中，δt表示為時間步長，δθ是旋轉角度變化量，θ和u分別表示旋轉角度和旋轉軸，其中旋轉軸有xyz三個方向，接著計算出δq四元數，qt表示更新后的姿態四元數，r表示計算出的旋轉矩陣。
19、接著計算平移方向上的矩陣，其具體計算方式如下：
20、vt＝v0+atδt
21、pt＝p0+vtδt+0.5atδt2
22、trel＝pt-p0
23、
24、
25、其中，vt表示計算速度，pt表示計算位置，trel表示相對平移向量，rrel表示最終計算出的相對旋轉矩陣，其中代表原始幀的旋轉矩陣的轉置矩陣，最終trel即表示計算出幀間的齊次變換矩陣；利用上述的計算方法，將所需幀與原始幀之間做出齊次變換后，在原始幀的坐標系下，將多幀變換后的點云數據進行融合相加。
26、進一步地，所述第二步中，對位姿變換和融合之后的點云數據進行去除地面以及障礙物操作；去除地面以及障礙物操作的過程如下：首先過濾出一些明顯不屬于地面的點，接著在過濾后的數據中隨機選取三個點，擬合平面，并作出一系列判斷；以此過程迭代，最終選擇最佳平面，將其以及面內點去除，去除地面數據操作就此完成，接著對點云數據進行聚類分割，完成對障礙物的剔除。
27、進一步地，所述第二步中，去除地面以及障礙物數據的具體實現步驟為：
28、a)設置高度閾值，遍歷點云數據集中的點，如果點的高度值大于所設置的高度閾值，則將該點過濾掉，保留高度在閾值范圍內的所有點，生成初步過濾后的點云數據集；
29、b)在初步過濾后的點云數據集中設置迭代次數、面內點距離閾值以及面內點個數閾值，將該點云數據集劃分為設定個數的區域；
30、c)對每個劃分的點云區域中，隨機三個點種子，擬合一個平面，計算出擬合平面的法向量，并結合該法向量信息對平面擬合進行優化；
31、d)計算區域內每個點到該平面的距離，判斷其距離是否在面內點距離閾值范圍內，若其滿足該范圍，則將該點加入該平面面內點集合中，若不滿足，接著計算其余點距離，遍歷完所有點后，判斷該平面的面內點個數是否大于等于設定的面內點個數閾值，若滿足則記錄下
32、該平面以及其面內點個數；
33、e)重復c、d過程，直到滿足設定迭代次數，統計所有區域中被記錄的平面的面內點個數，將面內點最多的平面模型作為地面模型，在原始點云模型中將該平面模型中的所有面內點去除，以此完成去地面的操作過程；
34、f)接著對去除地面數據后的點云數據進行聚類分割；
35、g)設置特征閾值，對每個聚類進行分析，確定其特征包括高度、寬度、深度，首先根據特征閾值過濾出明顯不屬于障礙物的聚類，
36、h)對于過濾后的點云數據，檢測符合障礙物的特征聚類，將其從點云數據中剔除，并保存點云數據。
37、進一步地，所述第二步中，在對點云數據去除地面及障礙物后，對其進行柵格化操作。
38、所述第二步中，柵格化的具體實現步驟為：
39、a)定義體素大小，以設定上述數據中的每個體素大小，確定去除地面后的點云數據的空間范圍，以此空間范圍定義柵格網絡的覆蓋范圍；...
【技術保護點】
1.一種基于多幀連續點云的道路分岔口檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多幀連續點云的道路分岔口檢測方法，其特征在于，所述第一步的具體所實現步驟為：
3.根據權利要求1所述的基于多幀連續點云的道路分岔口檢測方法，其特征于，所述第二步的具體實現步驟為：
4.根據權利要求1所述的基于多幀連續點云的道路分岔口檢測方法，其特征于，所述第三步的具體算法實現步驟為：
5.根據權利要求1所述的一種基于多幀連續點云的道路分岔口檢測方法，其特征于，所述第四步的具體算法實現步驟為：
【技術特征摘要】
1.一種基于多幀連續點云的道路分岔口檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于多幀連續點云的道路分岔口檢測方法，其特征在于，所述第一步的具體所實現步驟為：
3.根據權利要求1所述的基于多幀連續點云的道路分岔口檢測方法，其特征...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。