阅读说明：本技术 应用于智能驾驶车辆上的激光雷达动态物体感知方法 (laser radar dynamic object perception method applied to intelligent driving vehicle ) 是由 伍绍冠 罗剑 李其付 于 2019-09-09 设计创作，主要内容包括：本发明公开了一种应用于智能驾驶车辆上的激光雷达动态物体感知方法,具体包括以下步骤：构建高精地图,得到车辆运行路线的环境点云地图以及对应的地理坐标；在高精地图上进行粗略定位,并得到高精地图当前位置附近的环境点云；高精地图定位模块利用当前激光雷达扫描的点云与高精地图上的点云进行点云匹配,得到精确位置；利用高精地图定位模块匹配得到地图上对应位置得环境点云以及当前激光雷达扫描的点云；根据高斯分布自信度获取动态物体对应的点云。本发明基于高精地图提取激光雷达动态物体点云的方法,结合视觉识别与点云标定融合进行雷达点云分类,能够大幅减少聚类和追踪计算量,同时还能够提高准确度。(The invention discloses a laser radar dynamic object perception method applied to an intelligent driving vehicle, which specifically comprises the following steps: constructing a high-precision map to obtain an environment point cloud map of a vehicle running route and a corresponding geographic coordinate; roughly positioning on the high-precision map, and obtaining an environmental point cloud near the current position of the high-precision map; the high-precision map positioning module performs point cloud matching on the point cloud scanned by the current laser radar and the point cloud on the high-precision map to obtain a precise position; utilizing a high-precision map positioning module to match and obtain environment point cloud of a corresponding position on a map and the point cloud scanned by the current laser radar; and acquiring the point cloud corresponding to the dynamic object according to the Gaussian distribution self-reliability. According to the method for extracting the dynamic object point cloud of the laser radar based on the high-precision map, the visual identification and point cloud calibration fusion are combined to classify the radar point cloud, so that the clustering and tracking calculation amount can be greatly reduced, and meanwhile, the accuracy can be improved.)

应用于智能驾驶车辆上的激光雷达动态物体感知方法

技术领域

本发明涉及智能驾驶技术领域，特别是一种应用于自动驾驶车辆上的动态物体感知方法。

背景技术

智能驾驶或无人驾驶车辆是质量智能化发展的必然趋势，目前全国各地多个省市都有相关智能车辆测试、甚至落地运营的新闻。目前智能(无人)驾驶车辆主要利用激光雷达进行环境和障碍物的感知以及物体的追踪预判，同时结合3D高精度地图进行精确定位。

车用机械式激光雷达具有距离检测精度高、不受光照影响、可靠性高、覆盖范围广的特定，非常适合无人驾驶车辆需求。由于其距离检测精度高，通常用来结合3D高精度地图，在不依赖于GPS的情况下可实现厘米及的定位精度；同时，还可利用聚类算法对激光雷达点云进行聚类实现对周围环境物体的感知和追踪。但是由于激光雷达点云比较稀疏、分辨率较低，所以在聚类的过程中容易把距离较近的物体，比如人和车、人和树木以及周围环境聚类成同一个物体，这样就会造成后面的最终效果大打折扣。因此，有必要将运动的物体和周围环境中固定的物体进行区分，提高追踪和预测结果。

发明内容

本发明需要解决的技术问题是提供一种应用于智能车辆上的动态物体感知方法，能够区分动态物体和静态环境物体，进一步提升聚类和追踪预测效果。

为解决上述技术问题，本发明所采取的技术方案如下。

应用于智能驾驶车辆上的激光雷达动态物体感知方法，所述感知方法基于感知系统实现，感知系统包括用于定位车辆在地理坐标上全局位置的GNSS定位模块、对车辆行驶区域的环境进行静态建模的高精地图建图模块、用于车辆进行精确定位的高精地图定位模块以及用于提取属于动态物体部分点云的动态点云提取模块，所述感知方法具体包括以下步骤：

A.通过高精地图建图模块构建高精地图，得到车辆运行路线的环境点云地图以及对应的地理坐标；

B.启动GNSS定位模块，在高精地图上进行粗略定位，并得到高精地图当前位置附近的环境点云，

C.高精地图定位模块利用当前激光雷达扫描的点云与高精地图上的点云进行点云匹配，得到精确位置；

D.利用高精地图定位模块匹配得到地图上对应位置得环境点云P1以及当前激光雷达扫描的点云P2；根据高斯分布自信度获取动态物体对应的点云P4。

上述应用于智能驾驶车辆上的激光雷达动态物体感知方法，步骤D具体包括以下内容：

D1.将环境点云P1划分为边长为R的立方体网格；

D2.对激光雷达点云P2中的每个点，取其位置为三维高斯分布G(x,y,z)；

D3.分别以激光雷达点云P2中的每个点pt为中心，R为半径，计算球体内P1点云网格立方体的点高斯分布自信度总和C＝ΣG(x,y,z)；

D4.对于激光雷达点云P2中的每个点pt，如果对应自信度C>0.7,则加入点云集P3；

D5.求解激光雷达点云P2与自信度大于0.7的点云集P3之差获取动态物体对应的点云P4。

由于采用了以上技术方案，本发明所取得技术进步如下。

本发明基于高精地图提取激光雷达动态物体点云的方法，结合视觉识别与点云标定融合进行雷达点云分类，能够大幅减少聚类和追踪计算量，同时还能够提高准确度。

附图说明

图1为本发明的流程图；

图2为本发明所述高精地图建图模块建立的高精地图；

图3为本发明所述激光雷达扫描的点云图；

图4为本发明计算获得的动态物体的点云图。

具体实施方式

下面将结合附图和具体实施例对本发明进行进一步详细说明。

一种应用于智能驾驶车辆上的激光雷达动态物体感知方法，该感知方法基于感知系统实现。感知系统包括GNSS定位模块、高精地图建图模块、高精地图定位模块以及动态点云提取模块。

GNSS定位模块用于定位车辆在地理坐标上的全局位置，即获取全球地理坐标，检测精度＜5m，具有成本低、范围广、全天候工作的特点。但是由于精确度较低，只能用于初略定位、位置丢失重定位和位置初始化。

高精地图建图模块是基于激光点云的SLAM建图模块，对车辆行驶区域的环境进行静态建模，结合高精度RTKGPS可将高精度地图和全球地理坐标进行对应，建模精度<10cm。高精地图具有建模精度高、只收录静态环境物体的特点，可用于高精度定位和提取静态物体。

高精地图定位模块是基于激光雷达点云与高精地图匹配的高精度定位模块，用于车辆进行精确定位。定位时，结合GNSS定位模块，高精地图以及上一时刻位置，利用点云匹配算法得出车辆位置，精度<10cm。高精地图定位模块具有定位精度高、计算速度快等特点。

动态点云提取模块基于高精地图定位模块、高精地图点云以及当前激光雷达点云，提取属于动态物体部分的点云。提取动态物体点云，不单只提升点云聚类的计算量，并且能够使常见动态物体，比如人、车和周围环境物体区分，提升识别准确度，通过提取动态点云，使聚类模块和跟踪模块计算量减少80％，精确度提升70％。

基于上述感知系统的感知方法，其流程如图1所示，具体包括以下步骤。

A.通过高精地图建图模块构建高精地图，得到车辆运行路线的环境点云地图以及对应的地理坐标，如图2所示。

B.启动GNSS定位模块，在高精地图上进行粗略定位，并得到高精地图当前位置附近的环境点云。

C.高精地图定位模块利用当前激光雷达扫描的点云与高精地图上的点云进行点云匹配，得到精确位置。激光雷达点云如图3所示。

D.利用高精地图定位模块匹配得到地图上对应位置得环境点云P1以及当前激光雷达扫描的点云P2；根据高斯分布自信度获取动态物体对应的点云P4。

该步骤具体包括以下内容。

D1.将环境点云P1划分为边长为R的立方体网格；通常R不小于10cm。

D2.对激光雷达点云P2中的每个点，取其位置为三维高斯分布；三维高斯函数参数G(x,y,z)根据下式计算。

式中，

D3.分别以激光雷达点云P2中的每个点pt为中心，R为半径，计算球体内P1点云网格立方体的点高斯分布自信度总和C＝ΣG(x,y,z)。

D4.对于激光雷达点云P2中的每个点pt，如果对应自信度C>0.7,则加入点云集P3。

D5.求解激光雷达点云P2与自信度大于0.7的点云集P3之差获取动态物体对应的点云P4，如图4中笑脸中的连续环S所示。