[发明专利]基于三维点云的实时轨道障碍物检测方法

说明书

本发明公开了一种基于三维点云的实时轨道障碍物检测方法，以激光雷达采集的三维点云序列数据进行处理，首先对点云进行坐标变换，将欧式坐标系下的坐标转变为球坐标系下的坐标，并且将点云使用锥形体素化下采样方法将点云中的每一个点放入锥形的某一体素中以减小后续步骤的计算量；再将降采样后的点输入局部特征编码模块，利用K近邻(KNN)搜索局部点云，聚合局部点云几何特征，将局部点云的质心、近邻点坐标、相对坐标、高斯密度特征连接为一个向量。并且通过遍历将所有局部点云信息连接为一个矩阵经过MLP和最大池化获取每个局部点云的高维局部特征信息；最后利用多尺度三维稀疏卷积通过多个降采样和上采样模块，实现了单帧图像的轨道实时识别。

技术领域

本发明涉及基于三维点云视觉的语义分割技术，具体涉及一种轨道交通上判定障碍物是否存在的方法。

背景技术

铁路运输是人员流动的重要载体，被公认为是一种舒适、快捷、安全的运输方式。安全监测一直是铁路运输自动化的重要组成部分。但是铁路铺设地区环境的复杂，给列车安全带来了巨大的挑战。不过，目前大部分线路仍依靠司机的判断来保证行车安全，例如通过识别信号灯来判断前方是否安全。随着智能技术的应用，基于车载传感器的车辆辅助系统已经发展多年。在这种情况下，开发基于车载传感器的列车辅助驾驶系统是一条有效的途径。该系统的基本功能之一是检测并确定列车前方的轨道位置。基于该功能，可以开发其他安全检测功能，例如信号灯识别、障碍物识别和防撞以及无障碍范围检测。

采集轨道数据信息的方法大致可分为以下两种：基于摄像机的方法、基于激光雷达的方法。

基于摄像机的方法具有图像信息丰富、司机视觉反馈直观等优点。在以往的研究如：NASSU B T,UKAI M.Avision-based approach for rail extraction and itsapplication in a camera pan–tilt control system[J].IEEE Transactions onIntelligent Transportation Systems,2012,13(4):1763-71，有车载摄像头拍摄的2D图像用于轨道提取。然而，该方法需要良好的光照条件，在雨、雾、夜等环境中鲁棒性较差。基于激光雷达的方法具有测量精度高、响应速度快、不受光线影响的优势。它被广泛用于自动驾驶车辆，以生成周围环境的精确地图。近年来，激光雷达已被引入铁路应用，如铁路测量、缺口测量、基础设施重建和隧道测绘。与传统的视觉方法相比，基于激光雷达的方法大大提高了空间细节和效率。

发明内容

发明要克服现有技术中相机易受环境因素影响和缺乏空间信息的缺点，提出一种基于三维点云的实时轨道障碍物检测方法。

本发明采用固态激光雷达作为传感器，采集三维点云信息，从而有效地捕获环境物体的几何信息，它能够自适识别不同的铁路场景如：直线轨道、弯道轨道、交叉轨道等复杂场景。

本发明以激光雷达采集的三维点云序列数据进行处理，首先对点云进行坐标变换，将欧式坐标系下的坐标转变为球坐标系下的坐标，并且将点云使用锥形体素化下采样方法将点云中的每一个点放入锥形的某一体素中以减小后续步骤的计算量；再将降采样后的点输入局部特征编码模块，利用K近邻(KNN)搜索局部点云，聚合局部点云几何特征，将局部点云的质心、近邻点坐标、相对坐标、高斯密度特征连接为一个向量。并且通过遍历将所有局部点云信息连接为一个矩阵经过MLP和最大池化获取每个局部点云的高维局部特征信息，局部特征编码结构见附图1。最后利用多尺度三维稀疏卷积通过多个降采样和上采样模块，实现了单帧图像的轨道障碍物实时识别。网络结构模型图见附图2。本发明在下采样过程中，使用了一种锥形体素划分方法，该方法根据固态激光雷达的扫描特性而设计，因而能够适应固态激光雷达返回得到的点云数据，解决了点云密度变化带来的困难。在特征聚合中，使用了一种局部特征编码模型，通过引入点的相对位置和高斯密度信息来丰富点体素对的特征。在轨道识别过程中使用了一种有效的轨道障碍物识别网络架构，能够在多种场景下对轨道障碍物进行实时识别，具有良好的性能。