CN108983248A - 一种基于3d激光雷达及v2x的网联车定位方法 - Google Patents

Abstract

本发明公开了一种基于3D激光雷达及V2X的网联车定位方法，该方法利用安装在网联车上的激光雷达扫描网联车周围的环境以获得雷达数据；对所述的雷达数据进行预处理，获取预处理后的激光点云数据，将点云数据转换到网联车坐标系中，然后根据点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离；进行障碍物的聚类，获得每一个障碍物对应的雷达点集，继而获取障碍物的轮廓，然后进行线性拟合，得到障碍物的形状，结合障碍物的尺寸实现障碍物的识别；最后通过V2X模块实现与其他网联车之间障碍物信息的交换。本发明解决了现有的车辆定位方法精确性低、可靠性差的问题，同时也缓解了对移动通信网络的速度要求高、花费昂贵的问题。

Description

一种基于3D激光雷达及V2X的网联车定位方法

技术领域

本发明涉及车联网车辆定位检测技术领域，尤其涉及一种基于3D激光雷达及V2X的网联车辆定位检测方法。

背景技术

目前，网联车辆定位方法的精确度和可靠性决定用户实时获取网联驾驶车辆位置信息的准确率。精确度高并且可靠性高的车辆定位信息能够准确的确定网联车辆之间的距离，避免车辆碰撞等事故，从而实现智能网联交通。

当前常用的车辆定位方法为GPS(全球定位系统)，然而，现有的系统受天空卫星信号影响，并且高层建筑物、高架桥、电波等多种因素均会影响到卫星定位信号，因此，在高层建筑物比较多的城市环境中，GNSS系统往往不能精确可靠或稳定地工作，同时，也无法应用于较为封闭的室内环境中。

发明内容

本发明提供一种基于3D激光雷达与V2X的网联车辆定位检测方法及装置，以解决现有的车辆定位方法精确性低、可靠性差的问题，同时也缓解了对移动通信网络的速度要求高、花费昂贵的问题。

为了实现上述任务，本发明采用以下技术方案：

一种基于3D激光雷达及V2X的网联车定位方法，包括以下步骤：

利用安装在网联车上的激光雷达扫描网联车周围的环境以获得雷达数据；

对所述的雷达数据进行预处理，获取雷达点云数据，将雷达点云数据转换到网联车坐标系中，然后根据雷达点云中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离；

利用连通区域标记的方法进行障碍物的聚类，获得每一个障碍物对应的雷达点集，利用雷达点集获取障碍物的轮廓，然后对轮廓进行线性拟合，得到障碍物的形状，结合障碍物的尺寸实现障碍物的识别；

利用网联车上的V2X模块实现与其他网联车之间障碍物信息的交换。

进一步地，所述的对所述的雷达数据进行预处理，获取雷达点云数据，包括：

在所述的雷达数据中，滤除与激光雷达距离为零或超出激光雷达测距范围内的雷达点，并对激光雷达每条扫描线中的雷达点进行中值滤波，以滤除异常的反射点，从而得到雷达点云数据。

进一步地，所述的将雷达点云数据转化到网联车坐标系中，包括：

所述的雷达点云数据由雷达点构成，每一个雷达点的坐标表示为(ρ,α,θ)，其中ρ表示雷达点到激光雷达的距离，α为雷达点的方位角，θ表示雷达点的仰角；

根据激光雷达的内参文件进行误差校正，将雷达点的坐标转化到激光雷达的直角坐标系中，再根据激光雷达的直角坐标系与网联车坐标系的位置关系将雷达点的坐标转换到网联车坐标系中。

进一步地，所述的根据雷达点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离，包括：

建立栅格地图，将网联车坐标系中的雷达点投影到栅格地图中；

对栅格地图中投影的雷达点进行滤波，若某个栅格中雷达点的个数小于2则对该栅格中的雷达点进行滤除；若某个栅格中雷达点的个数大于2，则计算投影到该栅格中所有雷达点的投影高度的最大值与最小值的差值H，若H大于20cm，则将该栅格标记为障碍物栅格；若以障碍物栅格为中心的7*7栅格范围内，无其他障碍物栅格，则该障碍物栅格为孤立障碍物栅格，滤除该孤立障碍物栅格中的雷达点；

计算雷达点的梯度值，如雷达点的梯度值超过预设的阈值，则将雷达点标记为初始障碍对象点，从而实现路面与障碍物的分离。

进一步地，所述的计算雷达点的梯度值，包括：

所述的激光雷达在同一扫描方向的相邻两条扫描线上相邻的两个雷达点的高度差记为Δz，所述两个雷达点在水平面的距离为distance，则位于外侧的雷达点的梯度值的计算公式为：

进一步地，所述的利用连通区域标记的方法进行障碍物的聚类，包括：

遍历所述的栅格地图，找到第一个未经标记的障碍物栅格，进行初次标记，在该障碍物栅格的8邻域内寻找其他障碍物栅格进行同样的标记，记录所有障碍栅格的位置，将这些位置的雷达点合并，得到连通域对应的雷达点集；

按照相同的方法得到其他连通域对应的雷达点集。

进一步地，所述的利用雷达点集获取障碍物的轮廓，包括：

建立一个二值图像，二值图像的长和宽的像素数分别对应于栅格地图的长和宽所包含的栅格数；将所有的雷达点集映射到二值图像中，对二值图像进行区域扫描检索轮廓，以获得每一个障碍物的轮廓。

进一步地，所述的对轮廓进行线性拟合，得到障碍物的形状，包括：

记一个障碍物的轮廓对应的雷达点的集合为P＝(p₁,p₂，...p_n)，将该集合的起点p₁和终点p_n用直线连接，计算集合内的每一点到所述直线的距离d_i，通过比较获取最大距离d_j，判断该距离与原设定阈值D_th的大小，若大于该阈值，则以该点p_j为断点，将集合P分为两个子集P₁＝(p₁,p₂，...p_j)和P₂＝(p_j,p_j+1，...p_n)；对子集重复以上步骤，直至集合P内的点到直线的距离值均小于阈值，完成分割；

对于分割后的集合，利用最小凸包法求得该集合对应的障碍物的最小包围矩形边框，从而得到障碍物的中心点、长度、宽度。

本发明具有以下技术特点：

本发明利用3D激光雷达传感器在交通场景下车辆定位方面的优势，替代了传统定位的方法和理论，同时，针对传统定位的复杂遮挡问题、复杂光照问题，提供了解决方法。同时利用V2X的专用短程通信技术进行网联车辆间的双向通信，不断的获得预定范围内的车辆之间的速度信息、定位信息，使司机行驶充分利用道路空间，避免发生拥挤和堵塞。

附图说明

图1为本发明方法的流程图；

图2a为雷达数据转换到激光雷达的直角坐标系的示意图；

图2b为雷达点从激光雷达的直角坐标系转换到网联车坐标系的示意图；

图3a为激光雷达获取的原始雷达点云的示意图；

图3b为经过分割后的雷达点云的示意图；

图4为进行障碍物聚类的示意图；

图5为获取到障碍物轮廓的示意图；

图6为障碍物检测结果的示意图；

图7为网联车进行交互的流程示意图。

具体实施方式

以下结合附图对本发明的具体内容进行详细说明。如图1所示，本发明公开了一种基于3D激光雷达及V2X的网联车定位方法，包括以下步骤：

步骤1，利用安装在网联车上的激光雷达扫描网联车周围的环境以获得雷达数据；

本发明中，在网联车上安装有激光雷达，该激光雷达可采用例如Velodyne HDL-32E激光雷达，该雷达受外界环境干扰小，其有效探测距离为100m，垂直视场为-30.47°～+10.47°，激光雷达由一列上的32个单一激光器组成了32条扫描线，可通过旋转获得360°环境信息。网联车在行驶过程中，通过激光雷达扫描周围环境以获得雷达数据。如图2所示，O为坐标原点，即雷达位置；P为目标位置。雷达数据是由雷达点组成的，每一个雷达点的坐标通过极坐标表示：(ρ,α,θ)，其中ρ表示雷达探测到的距离，即雷达点与雷达之间的距离，α表示雷达点相对于雷达的方位角，θ表示雷达点相对于雷达的仰角。

步骤2，对所述的雷达数据进行预处理，获取预处理后的雷达点云数据，将雷达点云数据转换到网联车坐标系中，然后根据雷达点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离；具体包括以下步骤：

步骤2.1，所述的对所述的雷达数据进行预处理，获取雷达点云数据

激光雷达的距离测量主要是依赖于激光的发射强度和物体对激光的反射率，故对于不同材质和颜色的物体而言是存在测量误差的，在返回的激光数据中可能存在无效的激光数据。具体表现为：有一些距离为零值或超出了激光雷达的最大测距范围，还有一些由于物理原因造成异常反射的点。

在所述的雷达数据中，滤除与激光雷达距离ρ为零或超出激光雷达测距范围内的雷达点，并对激光雷达每条扫描线中的雷达点进行中值滤波，以滤除异常的反射点，从而得到预处理后的雷达点云数据。

通过对雷达数据进行预处理，校正了由于激光雷达安装、标定等原因，造成地面投影角度与原始数据扫描角度不统一的问题。

步骤2.2，将预处理后的雷达点云数据转换到网联车坐标系中

本发明采用的三维激光雷达返回雷达点的坐标是以极坐标形式(ρ,α,θ)存储，为后续算法需将其先转化到激光雷达的直角坐标系中，再根据激光雷达的直角坐标系与网联车坐标系的位置关系将雷达点的坐标转换到网联车坐标系中。

由于雷达射线接受面与雷达坐标系存在一定的偏移，故首先进行误差校正：

(1)距离校正参数D_corr

激光返回的距离值D_ret，在极坐标中为ρ，加上该激光束的距离校正因子即为该激光束的真正测量距离。

(2)垂直偏移量V_offset

X-Z平面内，原点O(雷达位置中心)到激光扫描线所在直线的距离。

(3)水平偏移量H_offset

X-Y平面内，原点O(雷达位置中心)到激光扫描线所在直线的距离。

误差校正所采用的公式为：

D＝D_ret+D_corr＝ρ+Dcorr

x′＝ρsinαcosθ+H_offset*cosθ

y′＝ρcosαcosθ-v_offset*sinθ

z′＝ρsinθ+D*sinθ

经过误差校正，雷达点的坐标(ρ,α,θ)在激光雷达的直角坐标系中的坐标转化为(x′,y′,z′)，如图2a所示。

将转换到激光雷达的直角坐标系中的雷达点的坐标再进一步转换到网联车坐标系中，转换公式如下：

由于激光雷达安装在网联车顶部，因此激光雷达的直角坐标系和网联车坐标系在俯仰角度上存在偏差。如图2b所示，网联车坐标系的原点O为激光雷达的直角坐标系原点O′沿铅垂方向投影到地面的点，网联车坐标系的X轴为沿车辆行驶方向，Y轴为沿X轴在水平面内逆时针旋转90°的方向，Z轴为垂直于水平面向上。在上式中，α,β,γ分别为网联车坐标系相对于激光雷达的直角坐标系沿X,Y,Z轴方向的旋转角度偏差。通过上述公式，可将雷达点坐标(x′,y′,z′)进一步转换到网联车坐标系中，转换后的坐标表示为(x,y,z)。

步骤2.3，根据雷达点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离

虽然已经对获得的数据进行了初步过滤，但由于通过激光雷达获得的数据量非常大(大约70万个点/秒)，若直接在原始数据上进行操作，需消耗很多内存空间和时间，不便于处理，故采用栅格地图进行障碍物检测，将三维信息降到二维信息，在很大程度上减少了传感器数据分析的复杂性和计算量，该方法简单快速，且具有很好的稳定性和实时性；该步骤具体如下：

步骤2.3.1，建立栅格地图，将网联车坐标系中的雷达点投影到栅格地图中；

所述的栅格地图是以网联车坐标系的XY轴所在面为平面，Z轴方向为高度建立2.5维的栅格地图，栅格地图中栅格的大小为G，然后将转换后得到的网联车坐标系中的雷达点投影到栅格地图中，投影后的雷达点坐标表示为(Row,Col,z)，Row，Col分别表示雷达点在投影后在栅格地图中的第Row行，Col列个栅格中，z为雷达点的高度，其取值与网联车坐标系中的坐标(x,y,z)的z值相同。

为了确保投影后的坐标值，也就是Row，Col均为正值，因此在坐标值上增加偏移量(map_x,map_y)，栅格转化公式为：

Row＝(y+map_y)/G

Col＝(x+map_x)/G

本方案中雷达探测区域：前50m，后20m，左右各20m。采用栅格地图500*200，栅格大小是G＝20cm*20cm，故偏移量(map_x,map_y)为(250,200)。

步骤2.3.2，障碍滤波

由于三维激光雷达数据是致密的，雷达点一般都是成堆出现的，本步骤中需要对雷达点进行滤波。

对栅格地图中投影的雷达点进行滤波，若某个栅格中雷达点的个数小于2则判断栅格中的雷达点为孤立点，并对该栅格中的雷达点进行滤除。

若某个栅格中雷达点的个数大于2，则计算投影到该栅格中所有雷达点的投影高度的最大值与最小值的差值H：

H＝Max_z-Min_z

上式中，Max_z、Min_z分别为栅格中所有雷达点的高度值z。若H大于20cm，则将该栅格标记为障碍物栅格。

若以障碍物栅格为中心的7*7栅格范围内，无其他障碍物栅格，则该障碍物栅格为孤立障碍物栅格，滤除该孤立障碍物栅格中的雷达点。

步骤2.3.3，计算雷达点的梯度值，如雷达点的梯度值超过预设的阈值，则将雷达点标记为初始障碍对象点，从而实现路面与障碍物的分离。

激光雷达是由多根扫描线旋转扫描探测障碍物，扫描线在平整的地面上呈现出多层圆环形状，如图3a所示。本实施例中雷达有32根扫描线，在每个扫描的角度上，依据垂直角度排序，从近到远的32根扫描线在同一个扫描方向上，相邻扫描线上的相邻(在垂直于雷达旋转轴的方向上距离最近的)两个雷达点用来计算梯度值：

记所述的两个雷达点的高度差记为Δz，所述两个雷达点在水平面的距离为distance，则位于外侧(即与激光雷达较远)的雷达点的梯度值的计算公式为：

通过对相邻扫描线上雷达点计算梯度值，可以得到不同位置的雷达点的梯度值。每个雷达点至雷达旋转轴的距离是确定的，若遇到凸障碍，激光无法穿过障碍物，导致雷达点到雷达旋转轴的距离小于其理论距离，使distance变小；若遇到凹障碍，实际扫描距离将大于理论距离，使distance变大。因此可以利用障碍物在扫描点云中distance的变化特性来检测障碍物。

如果经计算，经过步骤2.3.2处理后的障碍物栅格中某些雷达点梯度值超过预设的阈值th＝20cm，则将该雷达点标记为初始障碍对象点，从而实现路面与障碍物的分离。

根据以上方法对雷达点云进行分割，图3a为激光雷达获得的原始雷达点云示意图，图3b为该步骤对雷达点云进行分割后的结果示意图。

步骤3，利用连通区域标记的方法进行障碍物的聚类，获得每一个障碍物对应的雷达点集，利用雷达点集获取障碍物的轮廓，然后对轮廓进行线性拟合，得到障碍物的形状，结合障碍物的尺寸实现障碍物的识别；

步骤3.1，利用连通区域标记的方法进行障碍物的聚类

由于激光雷达获得的原始数据是稀疏离散的，一般情况下一个障碍物(如车辆、路标、行人等等)会被切分为很多离散的小块，无法对障碍物进行直接分类。通常属于一个物体的所有点是围绕在中心点附近分布，故首先要对检测后所获得的障碍点进行相关性聚类，将同属于一个障碍物的障碍点聚集到一起。

经过步骤2.3，将雷达点投影到了栅格地图的相应栅格中。进行障碍物聚类的过程为：

遍历所述的栅格地图，找到第一个未经标记的障碍物栅格，进行初次标记，在该障碍物栅格的8邻域内寻找其他障碍物栅格进行同样的标记；

即首先选择一个障碍物栅格作为标记点，对其8邻域内的其他障碍物栅格进行标记，然后对所述8邻域内的其他障碍物栅格分别作为标记点进行8邻域标记；直至所有障碍物栅格的8邻域内没有其他未被标记的障碍物栅格；

记录所有障碍栅格的位置，这些障碍物栅格构成了连通域，将这些位置的雷达点合并，得到连通域对应的雷达点集；

按照步骤2.3相同的方法得到其他连通域对应的雷达点集，其中一个连通域即对应一个障碍物，如图4所示。

步骤3.2，利用雷达点集获取障碍物的轮廓

当检测的障碍物为车辆时，轮廓一般为直线或近似呈“L”的双折线，或为“U”的三折线。建立一个二值图像，二值图像的长和宽的像素数分别对应于栅格地图的长和宽所包含的栅格数；将步骤3.1得到的所有的雷达点集映射到二值图像中(若该点是障碍物栅格则标记为0，否则标记为255)，对二值图像进行区域扫描检索轮廓，以获得每一个障碍物的轮廓，结果如图5所示。

步骤3.3，对轮廓进行线性拟合，得到障碍物的形状

在图像处理领域内，一般采用模式匹配的方法对车辆进行识别分类，但本方案的处理的对象为三维点云，不适合直接使用模式匹配的方法。本方案中，采用的方法为：

步骤3.3.1，记一个障碍物的轮廓对应的雷达点的集合为P＝(p₁,p₂，...p_n)，n为雷达点的数量；将该集合的起点p₁和终点p_n用直线连接，计算集合内的每一点到所述直线的距离d_i，通过比较获取最大距离d_j，判断该距离与原设定阈值D_th的大小，若大于该阈值，则以该点p_j为断点，将集合P从断点p_j处分为两个子集P₁＝(p₁,p₂，...p_j)和P₂＝(p_j,p_j+1，...p_n)；对子集重复以上步骤，直至集合P内的点到直线的距离值均小于阈值，完成分割；

步骤3.3.2，对于分割后的集合，利用最小凸包法求得该集合对应的障碍物的最小包围矩形边框，从而得到障碍物的中心点、长度、宽度，如图6所示。本方案中采用矩形的四顶点法进行描述，在网联车上建立车辆识别表，存储形式为：

Box＝[center,width,height,D]

分别包含矩形框的中心点center、宽width、高heigh和中心点到网联车(激光雷达)的距离D。

通过步骤3.3，得到了障碍物的形状以及尺寸；在网联车中存储有路面上常见障碍物，如大型车、小型车、行人、建筑物等的形状(或形状范围)和尺寸(或尺寸范围)，则通过将障碍物的形状、尺寸与常见障碍物的形状、尺寸进行比对，即可实现障碍物的识别。

步骤4，利用网联车上的V2X(vehicle to everything)模块实现与其他网联车之间障碍物信息的交换。

为实现网联车间信息的共享，进行网联车坐标系到大地坐标系的转换。网联车安装的激光雷达所获取的数据是以该车辆本身为坐标系的。然而，网联车间信息共享时，若使用各自的坐标系，则无法衡量定位信息，故还需要进行相应的坐标转换，从所在的网联车坐标系转换到大地坐标系中，这样激光雷达扫描的数据才能真实的反映到整个环境模型中，并进行定位和导航。

本方案中所述的大地坐标系选用北京54坐标，转换公式如下：

x₁'＝x_n+d_n·cos(α+β)

y₁'＝y_n+d_n·sin(α+β)

其中，(x₁',y₁')表示识别出的障碍物在世界坐标系中的坐标(即步骤3.3.2中心点在世界坐标系中的坐标)，(x_n,y_n)表示搭载激光雷达的网联车坐标系的原点在世界坐标系中的坐标，α为激光雷达探测到障碍物(中心点)的方位角；d_n为激光雷达到障碍物(中心点)的距离，β为激光雷达到障碍物(中心点)的仰角。在此我们采用二维的大地坐标系进行表示，舍去了距离信息，由于网联车间进行信息共享时，存在一定的范围限制，在该范围内，所有的网联车可认为处于同一平面内，故只采用(x₁',y₁')二维坐标进行定位。

网联车在行驶过程中，采用上述方法进行障碍物的识别、定位，然后通过网联车上安装的V2X短程专用通信模块(DSRC,Dedicated Short Range Communications)与附近其他的网联车进行交互，接受预定范围内网联车发送的定位信息，包括：网联车本身及激光雷达探测范围内障碍物的位置、车速、方向等信息，并将网联车自身存储的车辆识别表发送到附近其他网联车，由此实现网联车之间的信息共享，如图7所示。利用V2X专用短距离通信DSRC技术进行车辆间的信息共享，采用基于多跳的Ad-Hoc网路模型，进行端到端的实时、可靠、准确的双向移动通信。

Claims (8)

1.一种基于3D激光雷达及V2X的网联车定位方法，其特征在于，包括以下步骤：

利用安装在网联车上的激光雷达扫描网联车周围的环境以获得雷达数据；

对所述的雷达数据进行预处理，获取雷达点云数据，将雷达点云数据转换到网联车坐标系中，然后根据雷达点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离；

利用连通区域标记的方法进行障碍物的聚类，获得每一个障碍物对应的雷达点集，利用雷达点集获取障碍物的轮廓，然后对轮廓进行线性拟合，得到障碍物的形状，结合障碍物的尺寸实现障碍物的识别；

利用网联车上的V2X模块实现与其他网联车之间障碍物信息的交换。

2.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的对所述的雷达数据进行预处理，获取雷达点云数据，包括：

在所述的雷达数据中，滤除与激光雷达距离为零或超出激光雷达测距范围内的雷达点，并对激光雷达每条扫描线中的雷达点进行中值滤波，以滤除异常的反射点，从而得到雷达点云数据。

3.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的将预处理后的雷达点云数据转化到网联车坐标系中，包括：

所述的雷达点云数据由雷达点构成，每一个雷达点的坐标表示为(ρ,α,θ)，其中ρ表示雷达点到激光雷达的距离，α为雷达点的方位角，θ表示雷达点的仰角；

根据激光雷达的内参文件进行误差校正，将雷达点的坐标转化到激光雷达的直角坐标系中，再根据激光雷达的直角坐标系与网联车坐标系的位置关系将雷达点的坐标转换到网联车坐标系中。

4.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的根据雷达点云数据中雷达点的密度变化特征，利用栅格地图进行点云分割，以实现路面与障碍物的分离，包括：

建立栅格地图，将网联车坐标系中的雷达点投影到栅格地图中；

对栅格地图中投影的雷达点进行滤波，若某个栅格中雷达点的个数小于2则对该栅格中的雷达点进行滤除；若某个栅格中雷达点的个数大于2，则计算投影到该栅格中所有雷达点的投影高度的最大值与最小值的差值H，若H大于20cm，则将该栅格标记为障碍物栅格；若以障碍物栅格为中心的7*7栅格范围内，无其他障碍物栅格，则该障碍物栅格为孤立障碍物栅格，滤除该孤立障碍物栅格中的雷达点；

计算雷达点的梯度值，如雷达点的梯度值超过预设的阈值，则将雷达点标记为初始障碍对象点，从而实现路面与障碍物的分离。

5.如权利要求4所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的计算雷达点的梯度值，包括：

所述的激光雷达在同一扫描方向的相邻两条扫描线上相邻的两个雷达点的高度差记为Δz，所述两个雷达点在水平面的距离为distance，则位于外侧的雷达点的梯度值的计算公式为：

6.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的利用连通区域标记的方法进行障碍物的聚类，包括：

遍历所述的栅格地图，找到第一个未经标记的障碍物栅格，进行初次标记，在该障碍物栅格的8邻域内寻找其他障碍物栅格进行同样的标记，记录所有障碍栅格的位置，将这些位置的雷达点合并，得到连通域对应的雷达点集；

按照相同的方法得到其他连通域对应的雷达点集。

7.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的利用雷达点集获取障碍物的轮廓，包括：

建立一个二值图像，二值图像的长和宽的像素数分别对应于栅格地图的长和宽所包含的栅格数；将所有的雷达点集映射到二值图像中，对二值图像进行区域扫描检索轮廓，以获得每一个障碍物的轮廓。

8.如权利要求1所述的基于3D激光雷达及V2X的网联车定位方法，其特征在于，所述的对轮廓进行线性拟合，得到障碍物的形状，包括：

记一个障碍物的轮廓对应的雷达点的集合为P＝(p₁,p₂，...p_n)，将该集合的起点p₁和终点p_n用直线连接，计算集合内的每一点到所述直线的距离d_i，通过比较获取最大距离d_j，判断该距离与原设定阈值D_th的大小，若大于该阈值，则以该点p_j为断点，将集合P分为两个子集P₁＝(p₁,p₂，...p_j)和P₂＝(p_j,p_j+1，...p_n)；对子集重复以上步骤，直至集合P内的点到直线的距离值均小于阈值，完成分割；

对于分割后的集合，利用最小凸包法求得该集合对应的障碍物的最小包围矩形边框，从而得到障碍物的中心点、长度、宽度。