[发明专利]一种基于无人驾驶车的道路与障碍物检测方法

说明书

本发明涉及一种基于无人驾驶车的道路与障碍物检测方法。所述方法采用四线激光雷达作为距离传感器，根据其不同扫描层上路面数据点的相对位置关系，在可行驶区域中计算道路的坡度信息；根据路沿数据点特征，基于欧氏距离改进的COBWEB算法和最小二乘法拟合出左右路沿，增强了路沿检测的抗干扰能力、准确性和稳定性；应用DST证据理论对无人驾驶车前方环境建立栅格地图，在融合前后帧地图前，先对每个栅格进行位置估计，从而在局部地图中解决了前后帧栅格融合问题；最终在可行驶区域内利用冲突系数检测动态障碍，并通过改进八邻域区域标记算法对动态障碍物进行聚类和信息提取。本发明可以稳定、准确地检测道路和障碍物信息。

技术领域

本发明属于无人驾驶车领域，具体涉及一种基于无人驾驶车的道路与障碍物检测方法。

背景技术

无人驾驶车是智能交通系统的重要组成部分，行驶在城市环境中的无人驾驶车需要对周围环境有很好的感知能力，包括对道路结构的感知、对其他动态障碍物的检测等。可靠的环境感知能力对自主巡航控制、碰撞预警和路径规划起到至关重要的作用。

通常无人驾驶车上可以携带安装如摄像头、雷达、GPS等具有环境感知作用的传感器。其中激光雷达具有不受天气、光照等因素影响，不依靠纹路和颜色来辨别，对于阴影噪声不敏感等优良特性。此外，激光雷达在测量时扫描频率高、数据量丰富、返回的扫描数据便于快速处理。因此采用激光雷达来感知无人驾驶车周围的环境信息具有较好地鲁棒性和快速性，在无人驾驶车上具有较好的应用前景。

现有的路沿检测技术主要有两种：一是采用摄像头图像处理的方法采集路沿；二是采用霍夫变换的方法。第一种方法的缺点在于图像处理费时，占用过多的内存，而且摄像头受光照阴影干扰较大，不能满足无人驾驶车在实时性方面的要求，且不能够全天候工作；第二种方法的缺点在于霍夫变换是检测在近似一条直线上的点，激光雷达数据中很多扫描到障碍物的点非常集中，反而扫描到路沿上的点比较稀疏，所以霍夫变换检测出路沿的概率很小。

现有障碍物检测技术，常采用建立0-1栅格地图和根据PCR2规则建立栅格地图描述无人驾驶车周围信息的方法。该方法的缺点是0-1栅格地图是原始数据的直接反应，鲁棒性较弱，不能够处理真实道路情况的漏检率和虚警率，对安全驾驶造成威胁；第二种PCR2规则建立的栅格地图能够快速的响应无人驾驶车周围情况，但是同时也对噪声反映灵敏，其稳定性不能满足无人驾驶车的要求。另外，现有的道路检测方法不包括车辆前方道路坡度的检测，而道路坡度信息对驾驶安全非常重要。

发明内容

针对现有技术中存在的道路坡度检测缺失、路沿检测鲁棒性差、前后帧融合困难等问题，本发明提出一种无人驾驶车中的道路与障碍物检测方法，采用四线激光雷达作为距离传感器，根据激光雷达不同扫描层上的路面数据点的相对位置关系，在可行驶区域中计算出道路的坡度信息；根据路沿数据点特征，基于欧氏距离改进的COBWEB算法和最小二乘法拟合出左右路沿，增强了路沿检测的抗干扰能力、准确性和稳定性；应用DST证据理论(Dempster-Shafer theory)对无人驾驶车前方环境建立栅格地图，在融合前后帧地图前，先对每个栅格进行位置估计，从而在局部地图中解决了前后帧栅格融合问题；最终在可行驶区域内利用冲突系数检测动态障碍，并通过改进八邻域区域标记算法对动态障碍物进行聚类和信息提取。通过使用本发明的方法可以稳定、准确的检测道路和障碍物信息。

为了实现上述目的本发明采用的技术方案为：

步骤1，根据路沿数据点特征从众多的激光雷达数据中提取出路沿数据集；

步骤2，应用基于欧氏距离改进的COBWEB算法对路沿数据集进行聚类分析；

步骤3，按照多层融合规则，并应用最小二乘法拟合出左右路沿，将前方道路分割为可行驶区域和不可行驶区域；

步骤4，在可行驶区域中计算道路的坡度信息；

步骤5，应用DST证据理论建立栅格地图，并利用冲突系数检测动态障碍物；