[发明专利]一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法

说明书

本发明公开了一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法，包括以下步骤：1）读取激光雷达点云数据；2）对激光雷达点云数据进行直通滤波；3）排除地面点云数据对锥桶检测的干扰；4）筛选出锥桶的点云簇；5）对聚类得到的点云簇进行统计分析，根据锥桶实际尺寸的特征，设置最大标准差阈值，筛选出锥桶；6）获取其点云簇中心点坐标；7）对激光雷达左右两侧的锥桶中心点坐标进行计算平均值，得到锥桶的中心点为当前状态下的最近目标点；8）循环以上步骤，获取最新目标点。本发明通过对激光雷达点云的实时滤波、分割、聚类等处理，不断控制车辆朝目标点移动，最终实现基于多线激光雷达的赛道锥桶检测及目标点追踪。

技术领域

本发明涉及无人驾驶方程式赛车环境感知领域，尤其涉及一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法。

背景技术

中国大学生无人驾驶方程式大赛（英文检测：FSAC）是一项由高等院校汽车工程或汽车相关专业在校学生组队参加的无人驾驶赛车设计与制造比赛。此赛事被誉为“汽车工程师的摇篮”。在这项赛事中，各个无人驾驶赛车队普遍采用了多线激光雷达作为无人驾驶环境感知系统的重要传感器。

在该项赛事中，参赛车队的无人驾驶赛车需完成直线加速项目、8字绕环项目、高速循迹项目等动态赛项目。不同赛道均由固定尺寸（20*20*30cm）的锥桶按照不同的赛道形状进行标记。按照赛事规则要求，在赛车进行动态赛之前，不允许对赛道进行勘测建图，即无人驾驶赛车无法事先获取所要完成的赛道地图。因此，锥桶是无人驾驶系统对赛道进行有效识别的重要标识，需要充分利用车载传感器对赛道边界、可行驶区域进行实时检测。本发明所述基于多线激光雷达的赛道锥桶检测及目标点追踪方法主要应用于本项赛事的锥桶识别，并可拓展应用至其他相似场景，如自主泊车环境下的停车场锥桶检测等。

无人驾驶感知传感器包括摄像头、激光雷达、GPS惯性导航等多种传感器，本发明主要针对激光雷达传感器进行锥桶检测及目标追踪方法说明。激光雷达按照扫描方式分类可分为MEMS型激光雷达、Flash型激光雷达、相控阵激光雷达和机械旋转式激光雷达。不同类型的激光雷达具有不同的扫描方式，制造成本、激光数据处理方式、应用场景上都有所不同。按线数分类，激光雷达又可以分为单线机关雷达和多线激光雷达，单线激光雷达只能平面式扫描，主要应用于扫地机器人等服务型机器人上；多线激光雷达则根据线数的密集程度，不同激光线束按照一定的夹角在空间上实现立体式扫描，激光线数越高，扫描的激光点云越密集，体现出的目标形状、尺寸特征越明显，数据量越大，价格也越昂贵。相比单目摄像头等视觉传感器，激光雷达具有能够获取高精度深度信息、目标三维尺寸信息、不易受光照条件影响等优点，在文献[马佃波. 无人驾驶汽车环境感知技术综述[J]. 汽车与驾驶维修. 2017.]、[王艺帆. 自动驾驶汽车感知系统关键技术综述[J]. 汽车电器. 2016(12):12-16.]和 [王艺帆. 自动驾驶汽车感知系统关键技术综述[J]. 汽车电器. 2016(12):12-16. ]中，由于激光雷达扫描的点云数据较为稀疏，也具有无法获取视觉上的目标纹理、颜色信息的缺点。

对于目标检测而言，目前业界主流的目标检测算法主要是针对视觉传感器进行设计的视觉识别目标检测算法，其中又包括传统图像处理方法与基于机器学习的目标检测算法。随着智能驾驶汽车的快速发展，激光雷达逐渐受到众多自动驾驶从业者的重视与应用，越来越多人投入到了基于激光雷达传感器的目标检测算法研究中，其中包括直接对激光点云进行滤波、聚类等数据处理手段进而实现目标检测的方法及基于深度学习的点云目标检测方法。后者需要对众多点云数据集进行标注并训练，对于处理数据的硬件算力具有较高要求，实现难度也较大，因此本发明主要利用点云滤波、聚类等数据处理方法实现赛道锥桶目标检测。