[发明专利]一种基于无人驾驶车的道路与障碍物检测方法

摘要

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。

主权项

1.一种基于无人驾驶车的道路与障碍物检测方法，其特征在于，所述方法包括以下步骤：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，提出多层融合规则，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；步骤6，改进八邻域区域标记算法并对动态障碍物进行聚类和信息提取；所述激光雷达为四线激光雷达；所述路沿数据点的特征为：激光雷达扫到路沿上，返回的数据点在同一扫描层表现出稳定的序号连续性；用直线函数y＝kx+b描述这些连续的路沿数据点，其中k为斜率，b为截距，在传感器坐标系中连续的路沿扫描点之间形成的斜率相等；步骤2所述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的方法包括如下内容：(1)为每个路沿点数据都创建四个属性：与下一个路沿点之间的斜率kn和截距bn，与上一个路沿点之间的斜率kl和截距bl，n、l为聚类个数；(2)计算两个路沿点间的欧氏距离；距离越大，两个路沿点的相似度越低；距离越小，两个路沿点的相似度越高；路沿点Pi和Pj之间的欧氏距离d的计算公式如下：应用欧氏距离对COBWEB算法进行改进，改进的分类效用CUe定义如下：式中：Ck表示第k个聚类，ζ为欧氏距离阈值；步骤3所述按照多层融合规则并应用最小二乘法拟合出左右路沿的方法包括如下内容：将聚类后的路沿类分为左侧路沿和右侧路沿并剔除干扰路沿类；按照多层融合规则分别对四个扫描层进行处理，每一层数据都将提取出一个左路沿类和一个右路沿类，最后应用最小二乘法对四个扫描层的左路沿类和右路沿类进行直线拟合，得到一条左侧路沿线和一条右侧路沿线；然后利用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所述在可行驶区域中计算道路坡度信息的方法包括如下内容：激光雷达的四个扫描层从下到上分别用红、蓝、绿、黄表示，规定蓝层的车辆行驶方向为X轴，车辆左侧为Y轴，根据右手定则确定Z轴；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并得出道路的坡度信息，公式如下：红蓝两层间道路的坡度值：蓝绿两层间道路的坡度值：式中，α表示激光雷达的X轴与地面夹角；d0、d1、d2分别为红、蓝、绿层路面数据点到传感器的距离值；d10、d21分别为红蓝层、蓝绿层路面数据点间的距离值；步骤5所述应用DST证据理论建立栅格地图并利用冲突系数检测障碍物的方法包括如下内容：(1)建立扫描栅格地图在栅格地图中，每个栅格单元的状态为无障碍状态F和有障碍状态O，定义栅格的未知状态为Ω＝{F,O}，栅格的识别框架为2^Ω＝{F,O,Ω,Φ}，对应的基本概率函数为[m(F)m(O)m(Ω)m(Φ)]，分别表示某一栅格无障碍、有障碍、未知和冲突这四个状态；四个基本概率函数需满足根据传感器模型建立扫描地图，并为每个栅格的基本概率函数赋值；(2)融合t帧扫描栅格地图与t‑1帧的全局地图首先对栅格地图进行位置估计，然后应用DST规则融合t帧扫描栅格地图与t‑1帧的全局地图，得到最终的栅格地图；假定t时刻的扫描地图各栅格的基本概率函数为m1，t‑1时刻的全局地图各栅格的基本概率函数为m2时，DST融合公式如下：式中，冲突系数K＝m1(F)m2(O)+m1(O)m2(F)；(3)检测动态障碍物利用融合规则中冲突系数K去检测动态障碍物信息；将冲突系数拆分为两个部分，K＝C1+C2＝m1(F)m2(O)+m1(O)m2(F)，其中C1＝m1(F)m2(O)代表某一栅格从t‑1时刻的无障碍物状态变为t时刻的有障碍物状态，即一动态障碍物进入此栅格，当C1大于阈值时，认为此栅格中出现动态障碍物。