[发明专利]交通场景稀疏激光点云拼接方法

说明书

本发明涉及一种交通场景稀疏激光点云拼接方法，其特征是：利用低线数激光雷达扫描的稀疏点云数据和GPS‑IMU单元采集的高精度位置和姿态信息，进行点云特征提取及点云拼接，结合GPS‑IMU单元采集的位置信息，将局部坐标数据转换到全局坐标系，拼接形成高精度地图。有益效果：本发明的方法克服了使用昂贵的高线数激光雷达采集密集点云数据，导致高精度地图制作成本高以及低线数雷达采集点云数据比高线数雷达稀疏，很难获得好的拼接效果的瓶颈，实现了针对交通场景进行优化，利用低线数雷达采集点云数据拼接方法，为创建全局坐标系下三维点云高效拼接的高精度地图。

技术领域

本发明属于无人驾驶汽车技术领域，尤其涉及一种交通场景稀疏激光点云拼接方法。

背景技术

高精度地图是无人驾驶领域非常重要的部分，它能够提供准确的道路结构、道路元素信息、周边场景信息等。基于三维激光点云，辅助使用视觉图像，抽取对应元素创建高精度地图是现在的主流方法，包括数据采集和地图创建两个阶段。在数据采集阶段，使用车载数据采集平台，获取相关环境的激光点云和图像数据，并记录车辆GPS位置信息。在地图创建阶段，将单帧激光点云数据根据时间和空间信息拼接在一起，得到相关环境在全局坐标系下的激光点云，再抽取感兴趣的环境要素，创建高精度地图。

在数据采集阶段，现有方法通常使用昂贵的高线数激光雷达采集密集点云数据，如32线、40线、64线等激光雷达，导致高精度地图制作成本高。因此，需要一种能使用低成本的低线数激光雷达(如16线)进行高精度地图制作的方法。但是低线数激光雷达采集的点云数据比高线数激光雷达稀疏，而将现有的密集点云匹配的方法，如4点法(4-PointsCongruent Sets)、ICP(Iterative Closest Point)等方法，用于稀疏点云的拼接很难获得好的拼接效果。另外，现有的激光点云拼接方法并未针对交通场景进行优化设计，这也是影响拼接效果的重要原因之一。因此，全局坐标系下三维点云的高效拼接是创建高精度地图的重要前提。

发明内容

本发明的目的在于克服上述技术的不足，而提供一种交通场景稀疏激光点云拼接方法，利用低线数激光雷达采集点云数据，并有针对性的提取点云数据中关于交通场景的点、线、面和圆柱体特征，再将稀疏激光点云进行高效拼接，创建全局坐标系下三维点云的高精度地图。

本发明为实现上述目的，采用以下技术方案：一种交通场景稀疏激光点云拼接方法，其特征是：利用低线数激光雷达扫描的稀疏点云数据和GPS-IMU单元采集的高精度位置和姿态信息，进行点云特征提取及点云拼接，结合GPS-IMU单元采集的位置信息，将局部坐标数据转换到全局坐标系，拼接形成高精度地图，具体步骤如下：

步骤一、数据采集

低线数激光雷达安装在车顶或车辆前端采集初始数据帧，初始数据帧包括低线数激光雷达扫描的稀疏点云数据和GPS-IMU单元采集的高精度位置和姿态信息；

步骤二、点云特征提取

提取第k帧初始数据帧中激光点云数据的点、线、面和圆柱体特征；其中，除常规的点、线、面和圆柱体特征外，同时根据交通场景的特殊性，针对性地设计包括车道线的线特征，不同反射率的铺装路面、绿化带、建筑物立面、交通标识牌的面特征，树干、灯柱、交通标识支架的圆柱体特征；具体为，

a.点特征，即原始点云数据，记为集合P_k＝{p}_k；

b.线特征，根据激光点反射率大小不同，提取和车道线有关的直线，记为L_k＝{l}_k；

c.面特征，提取地面和建筑物立面，记为S_k＝{s}_k；

d.圆柱体特征，提取灯柱、树干和交通标识支架，记为C_k＝{c}_k；