[发明专利]一种基于激光雷达点云局部结构特征的负障碍物检测方法

说明书

本发明公开了一种基于激光雷达点云局部结构特征的负障碍物检测方法。已采集的激光雷达点云数据，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得到负障碍物候选区域，再经过面积过滤、点对数量过滤得到负障碍物区域。本发明能够有效检测环境中的负障碍物，具备良好的检测成功率，计算代价小，实时性强。

技术领域

本发明涉及机器人避障检测方法，特别是涉及面向无人车导航的一种基于激光雷达点云局部结构特征的负障碍物检测方法。

背景技术

传统的用于负障碍物检测的方法有基于热红外图像、基于彩色图像和基于双目视觉的检测方法。基于热红外图像的负障碍物检测方法使用热红外相机采集图像，根据负障碍物与环境温度存在温差的特点检测环境中的负障碍物。这种检测方法的缺点是对环境温度变化十分敏感。基于彩色图像的负障碍物检测方法使用彩色相机采集图像，在图像序列中提取颜色模型和几何模型检测负障碍物，这种方法受光照条件影响强烈。基于双目视觉的方法使用双目图像并利用种子生长法检测负障碍物，这种方法同样受到光照条件影响。除了受到光照条件影响，传统使用单相机图像的负障碍物检测方法无法确定负障碍物的实际距离，使用双目视觉的负障碍物检测方法虽然能计算距离，但也存在精度不高的缺点。

为解决使用传统图像检测负障碍物易受到光照条件影响以及无法准确定位的问题，在无人车导航领域一类方法是使用三维激光雷达作为导航传感器。

三维激光雷达能够获取环境的点云数据，探测范围广，精度高，且不受光照条件影响，能够精确描述环境结构信息。

目前基于激光雷达检测负障碍物有基于多帧融合的检测方法和基于SVM分类的方法。

多帧融合的负障碍物检测方法通过融合多帧点云得到高密度局部地图，进而通过遮挡关系确定负障碍物位置。这种方法对静态环境中的负障碍检测效果较好，但计算复杂度高且不适用于环境中存在大量运动物体的情况。

基于SVM的负障碍物检测方法通过计算点云的局部特征，例如高度-长度-密度特征，再通过大量样本训练得到负障碍物分类器，进而用于对候选负障碍物点云的分类与位置检测。这种方法缺点在于需要预先进行大量样本训练，并且对未训练过的负障碍物种类的检测效果较差。

发明内容

在无人车越野行驶环境中，存在沟壑、坑洞等负障碍物，本发明的目的在于提供了一种基于激光雷达点云局部结构特征的负障碍物检测方法，即利用垂直扫描激光雷达点云的局部结构特征提取负障碍物候选点对，进而聚类形成负障碍物候选区域，最后进行过滤得到负障碍物结果。

本发明所述的负障碍物检测方法采取先在单线激光点云中提取候选点对，再将多线激光提取的候选点对集合进行聚类的方案。首先是计算了点云中负障碍物的三类结构特征，即局部点云距离跳变、局部点云分布密集和局部点云高度下降。根据三类结构特征提取出负障碍物候选点对，通过空间位置一致性和点对长度一致性聚类得到负障碍物候选区域，通过面积过滤、点对数量过滤得到负障碍物结果区域。

本发明采用的具体技术方案包括如下步骤：

1)已采集的激光雷达点云数据，针对单线激光点云，逐线检测局部点云距离跳变、局部点云分布密集和局部点云高度下降的三个结构特征，依据三个结构特征在单线激光点云中提取筛选获得可能属于负障碍物的候选点对；

2)由各线激光的激光点云获得的所有候选点对，依据点对长度一致性和空间位置一致性进行聚类，得到一系列负障碍物候选区域，再经过面积过滤得到负障碍物区域。

本发明的负障碍物一般指的是地面上的凹坑、壕沟等障碍物。

本发明涉及的点云数据由激光雷达采集得到，激光雷达为多线激光旋转扫描的工作方式，一根激光线对应一段连续分布的点云。