CN110780305A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110780305A CN110780305A CN201910995353.2A CN201910995353A CN110780305A CN 110780305 A CN110780305 A CN 110780305A CN 201910995353 A CN201910995353 A CN 201910995353A CN 110780305 A CN110780305 A CN 110780305A
- Authority
- CN
- China
- Prior art keywords
- point cloud
- laser radar
- cone
- point
- track
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001914 filtration Methods 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000007619 statistical method Methods 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000009434 installation Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 description 7
- 238000005286 illumination Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 230000004438 eyesight Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/02—Systems using the reflection of electromagnetic waves other than radio waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/66—Tracking systems using electromagnetic waves other than radio waves
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Electromagnetism (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Aviation & Aerospace Engineering (AREA)
- Automation & Control Theory (AREA)
- Optical Radar Systems And Details Thereof (AREA)
Abstract
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。
Description
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。
对于在以上所述应用场景下的无人驾驶赛车，[唐智威. 基于视觉的无人驾驶汽车研究综述[J]. 制造业自动化. 2016(08): 134-136.][Dhall, Ankit et al. “Real-time 3D Traffic Cone Detection for Autonomous Driving.” 2019 IEEE Intelligent Vehicles Symposium (IV) (2019): 494-501.]和[Panagiotaki E. An Efficient TrackDetection and Mapping System for Autonomous Driving Race car[D]. Departmentof Information Technology and Electrical Engineering, 2017.]文献中中也提到在光照强度过强或过弱的条件下，通过感知系统获取精确的目标位置信息，是保证无人驾驶系统决策规划及整车控制稳定运行的首要前提。因此，为摆脱光照条件对环境感知系统的影响，本发明以多线激光雷达为研究对象，仅依赖激光点云感知数据，对赛道锥桶进行目标检测与目标点追踪算法研究。本发明所述锥桶检测方法不易受光照条件影响、无需进行繁琐的数据标注且能够满足实时性的要求。
发明内容
本发明所要解决的技术问题是仅依靠激光雷达点云数据实现无人驾驶赛道锥桶检测与目标追踪，摆脱视觉感知系统易受光照强度影响而失效的问题。
本发明至少通过如下技术方案之一实现。
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）在ROS机器人操作系统下读取激光雷达点云数据；
2）采用直通滤波器，根据不同赛道场景对激光雷达点云数据进行直通滤波；
3）采用随机抽样一致算法，排除地面点云数据对锥桶检测的干扰；
4）采用欧几里得聚类提取算法（Euclidean Cluster Extraction），初步筛选出锥桶的点云簇；
5）采用最大标准差阈值的方法，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X、Y、Z方向的最大标准差阈值，筛选出符合条件的点云簇认为是锥桶；
6）对检测出来的锥桶进行统计分析，找到距离激光雷达最近的左右两侧锥桶各一个，并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，得到激光雷达两侧最近锥桶的中心点为当前状态下的最近目标点，控制小车朝该目标点前进；
8）循环步骤1）至步骤7），不断获取并追踪最新目标点。
进一步的，步骤1）具体包括，在装配有ubuntu16.04操作系统的计算平台上，安装ROS（Robot Operating System）机器人操作系统，并配置激光雷达驱动包，启动激光雷达运行节点进行点云数据实时采集，根据赛道特征，所需检测的锥桶尺寸为a*a*b，为了使激光雷达能最大程度地扫描在锥桶上，所述激光雷达安装位置位于赛车最前方车鼻下方，安装高度离地间隙为b/2。
进一步的，步骤2）包括，在开始检测之前，预先设置所要检测的赛道场景，包括75米直线加速赛道、8字绕环赛道、高速循迹赛道；针对不同的赛道设置激光雷达的检测范围，滤除该范围外的点云数据。
进一步的，步骤3）包括，利用随机抽样一致算法设置平面滤波阈值为a/5，判断经过该算法提取的点云簇的法线方向的点的最大偏差距离，将最大偏差距离大于a/5的点云簇认为不是平面，将在点云簇法线方向将最大偏差距离不大于a/5范围内的点云簇认为是同一个平面，在当前点云中将属于平面的点云簇去除，以达到过滤地面点云数据的目的。
进一步的，步骤4）具体为通过分析预先采集的点云数据，采用激光雷达采集在赛道不同锥桶上的点数目，最近的锥桶点数为R，最远处能扫到的锥桶点数为有r;因此，根据若干次采集数据的统计规律，设置聚类最小点数为r个点，聚类最大点数为R个点，设置聚类过程中搜索两点的最大距离为L，采用KD树进行点云搜索，将符合聚类条件即点数在（r，R）范围内的点云分为若干个点云簇；统计每个点云簇的点数目，并对每一个点云簇分别求X、Y、Z坐标的平均值，作为该点云簇的点云重心点，用于替代该点云簇相对激光雷达的位置。
进一步的，步骤5）具体包括，根据锥桶的形状尺寸特征，由于锥桶为绕竖直方向中心轴的旋转体，在X、Y方向上宽度均为a，因此将X、Y方向的最大标准差阈值设置为Q，在Z轴上锥桶高度为b，将Z轴上的最大标准差阈值设置为q，当统计到聚类得到的点云簇中的所有点的X、Y、Z三个方向坐标值的标准差小于对应的阈值时，即当计算得到点云簇的X和Y方向标准差小于Q且Z方向标准差小于q时，将该点云簇认为是符合条件的锥桶。
进一步的，步骤6）具体包括，对步骤5）检测出来的锥桶进行点数统计，并计算每一个锥桶中所有点的平均Y坐标；遍历所有检测到的锥桶，找到平均Y坐标大于0的锥桶中点数最多的锥桶认为是激光雷达左侧最近的锥桶，同理，找到平均Y坐标小于0的锥桶中点数最多的锥桶认为是激光雷达右侧最近的锥桶。
进一步的，步骤7）具体包括，分别计算距离激光雷达左前和右前最近的锥桶点云簇的X、Y、Z坐标平均值，将其认为是激光雷达左右最近锥桶的中心点坐标，并计算激光雷达左右锥桶连线的中点坐标，将其作为当前状态下的目标点，其具体步骤包括，对步骤6）得到的激光雷达左前方和右前方的最近锥桶的点云簇分别计算X、Y、Z坐标平均值，作为左前方和右前方最近锥桶的空间坐标位置，并计算其连线的中心点坐标，作为机器人当前状态下的运动目标点。
进一步的，步骤8）具体包括在ROS机器人操作系统下，对每一帧激光雷达采集的点云数据进行步骤1）至步骤7）的处理，并在每一帧数据处理结束后输出机器人下一帧的运动目标点，控制机器人朝目标点移动，与此同时，对下一帧激光雷达采集的数据也进行步骤1）至步骤7）的处理，以达到实时检测锥桶并实现目标点追踪的目的。
进一步的，所述激光雷达为16线激光雷达。
与现有技术相比，本发明的有益效果是：
1、本发明所述的锥桶目标检测方法仅依靠激光雷达传感器，对激光雷达采集的原始数据进行滤波、分割、聚类等操作进行锥桶检测与定位。相比基于立体视觉的锥桶检测而言，不易受光照条件影响、测距精度较高且实时性较强。
2、本发明所述锥桶目标检测及目标点追踪方法的可直接输出目标点相对于车辆本身的坐标位置，并可根据通过调整滤波参数来适应激光雷达安装的不同高度，算法迁移应用于多种不同类型的车辆底盘，适应性强。
附图说明
图1 本实施例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的流程示意图；
图2 本实施例的赛道图；
其中：1-锥桶，2-小车。
具体实施方式
下面通过具体实施例对本发明的目的作进一步详细地描述，为降低成本及方便实验测试，本发明应用实验小车模拟赛车真实应用场景，用与实车相同的安装位置和安装高度，来模拟激光雷达安装在真实赛车上的数据采集方式，实施例不能在此一一赘述，但本发明的实施方式并不因此限定于以下实施例。
如图1所示，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、在ROS机器人操作系统下读取激光雷达点云数据；具体而言，所述的在ROS机器人操作系统下读取激光雷达点云数据，包括步骤：在装配有ubuntu16.04操作系统的计算平台上，安装ROS机器人操作系统，并配置激光雷达驱动包，启动激光雷达运行节点进行点云数据实时采集。将激光雷达与算法运行平台即笔记本电脑固定在实施例所述实验小车上，根据赛道特征，所需检测的锥桶1尺寸为20*20*30cm，锥桶1相对地面的高度较低，为了使激光雷达点云能最大程度地扫描在锥桶1上，本发明实施例所述激光雷达安装位置位于实验小车2最前方平面，安装高度离地间隙为10cm。
2、采用直通滤波算法，根据不同赛道场景对激光雷达点云数据进行直通滤波，去除距离赛道较远处的多余点云数据，减少后续计算量。
具体的，在开始检测之前，预先设置所要检测的赛道场景，包括75米直线加速赛道、8字绕环赛道、高速循迹赛道等。针对75米直线加速赛道，设置直通滤波范围：激光雷达正前方X方向（0，100）米范围，激光雷达侧方Y方向（-3，+3）米范围，激光雷达竖直Z方向（-0.5，0.3）米范围，滤除该范围外的点云数据。针对8字绕环赛道，设置直通滤波范围，在激光雷达XY平面设置以Y轴为下底边，长6m，高10米，左右斜边夹角为90度的等腰梯形，在激光雷达竖直Z方向（-0.5，0.3）米范围，滤除该范围外的点云数据。针对高速循迹赛道，设置直通滤波范围，在激光雷达XY平面设置以Y轴为下底边，长6m，高20m，左右斜边夹角为90度的等腰梯形，在激光雷达正前方X方向（0，20）米范围，激光雷达竖直Z方向（-0.5，0.3）米范围，滤除该范围外的点云数据。图2为直线加速赛道。
3、采用随机抽样一致算法（RANSAC算法），排除地面点云数据对锥桶检测的干扰。
对经过直通滤波的点云设置一个平面滤波，由于赛道地面一般为柏油路面，往往存在些许凹凸起伏路面，因此，利用随机抽样一致算法（RANSAC算法）设置平面滤波阈值为0.04m，将在同一个方向上偏差距离不大于0.04m范围内的点云认为是同一个平面，本步骤主要目的为滤除激光雷达扫在地面上的点云数据，排除地面点云对锥桶检测的干扰。过滤地面点云是RANSAC算法中的一个环节，该算法可以选择仅保留平面点云，也可以选择仅滤除平面点云。
4、采用欧几里德聚类算法，初步筛选出有可能是锥桶的点云簇。具体的，通过分析预先采集的点云数据包，本发明所用激光雷达为16线激光雷达，其工作时扫射出来的16条线束在以水平面为对称面的30度夹角内均匀分布，最远能够扫射到的距离为150m。扫在赛道不同锥桶上的点数目随距离远近而变化，最近的锥桶点数接近120个，最远处能扫到的锥桶点数则仅有2个点。因此，根据多次采集数据的统计规律，设置聚类最小点数为2个点，聚类最大点数为120个点，设置聚类过程中搜索两点的最大距离为0.3m，采用KD树进行点云搜索，将符合聚类条件的点云分为多个点云簇。统计每个点云簇的点数目，并对每一个点云簇分别求X、Y、Z坐标的平均值，作为该点云簇的点云重心点，该重心点并非点云簇的几何中心点，但可用于近似替代该点云簇相对激光雷达的位置。
5、采用最大标准差阈值算法，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X、Y、Z方向的最大标准差阈值，筛选出符合条件的点云簇认为是锥桶。
具体而言，所述采用最大标准差阈值算法，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X、Y、Z方向的最大标准差阈值，筛选出符合条件的点云簇认为是锥桶，包括步骤：根据锥桶的形状尺寸特征，由于锥桶可当作绕竖直方向中心轴的旋转体，因此在X、Y方向上特征一致，将最大标准差阈值设置为0.08m，在Z轴上锥桶高度为30cm，将其最大标准差阈值设置为0.15m，当统计到聚类得到的点云簇中的所有点的X、Y、Z三个方向坐标值的标准差小于对应的阈值时，将该点云簇认为是符合条件的锥桶。
6、对检测出来的锥桶进行统计分析，找到距离激光雷达最近的左右两侧锥桶各一个，并获取其点云簇中心点坐标。具体的，对上一步检测出来的锥桶进行点数统计，并计算每一个锥桶中所有点的平均Y坐标Mean_Y。遍历所有检测到的锥桶，找到平均Y坐标大于0即Mean_Y>0的锥桶中点数最多的锥桶认为是激光雷达左侧最近的锥桶,将其余的点云簇舍弃。同理，找到平均Y坐标小于0即Mean_Y<0的锥桶中点数最多的锥桶认为是激光雷达右侧最近的锥桶。
7、对左右锥桶中心点坐标进行计算平均值，得到左右最近锥桶的中心点为当前状态下的最近目标，控制小车朝该目标前进。具体的，对上一步得到的激光雷达左前方和右前方的最近锥桶的点云簇分别计算X、Y、Z坐标平均值，作为左前方和右前方最近锥桶的空间坐标位置，并计算其连线的中心点坐标，作为机器人当前状态下的运动目标点。
8、循环以上步骤，不断获取并追踪最新目标点。根据以上步骤计算得到车辆当前状态下的下一步运动目标点，根据其相对车辆的坐标位置，调整车辆朝向角，并控制车辆朝该目标点运动。与此同时，激光雷达获取下一帧点云数据，开始新的点云数据处理步骤，得到下一步的运动目标点，并控制车辆继续前进。在ROS机器人操作系统不断循环以上点云处理、车辆控制的步骤，实现基于多线激光雷达的赛道锥桶检测及目标点追踪。
以上所述，仅为本发明优选的实施例，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明所公开的范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都属于本发明的保护范围。
Claims (10)
1.一种基于多线激光雷达的赛道锥桶检测及目标点追踪方法, 其特征在于，包括以下步骤：
1）在ROS机器人操作系统下读取激光雷达点云数据；
2）采用直通滤波器，根据不同赛道场景对激光雷达点云数据进行直通滤波；
3）采用随机抽样一致算法，排除地面点云数据对锥桶检测的干扰；
4）采用欧几里得聚类提取算法，初步筛选出锥桶的点云簇；
5）采用最大标准差阈值的方法，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X、Y、Z方向的最大标准差阈值，筛选出符合条件的点云簇认为是锥桶；
6）对检测出来的锥桶进行统计分析，找到距离激光雷达最近的左右两侧锥桶各一个，并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，得到激光雷达两侧最近锥桶的中心点为当前状态下的最近目标点，控制小车朝该目标点前进；
8）循环步骤1）至步骤7），不断获取并追踪最新目标点。
2.根据权利要求1所述的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,其特征在于，步骤1）具体包括，在装配有ubuntu16.04操作系统的计算平台上，安装ROS（Robot Operating System）机器人操作系统，并配置激光雷达驱动包，启动激光雷达运行节点进行点云数据实时采集，根据赛道特征，所需检测的锥桶尺寸为a*a*b，为了使激光雷达能最大程度地扫描在锥桶上，所述激光雷达安装位置位于赛车最前方车鼻下方，安装高度离地间隙为b/2。
3.根据权利要求1所述的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,其特征在于：步骤2）包括，在开始检测之前，预先设置所要检测的赛道场景，包括75米直线加速赛道、8字绕环赛道、高速循迹赛道；针对不同的赛道设置激光雷达的检测范围，滤除该范围外的点云数据。
4.根据权利要求1所述的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,其特征在于：步骤3）包括，利用随机抽样一致算法设置平面滤波阈值为a/5，判断经过该算法提取的点云簇的法线方向的点的最大偏差距离，将最大偏差距离大于a/5的点云簇认为不是平面，将在点云簇法线方向将最大偏差距离不大于a/5范围内的点云簇认为是同一个平面，在当前点云中将属于平面的点云簇去除，以达到过滤地面点云数据的目的。
5.根据权利要求1所述的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,其特征在于：步骤4）具体为通过分析预先采集的点云数据，采用激光雷达采集在赛道不同锥桶上的点数目，最近的锥桶点数为R，最远处能扫到的锥桶点数为有r;因此，根据若干次采集数据的统计规律，设置聚类最小点数为r个点，聚类最大点数为R个点，设置聚类过程中搜索两点的最大距离为L，采用KD树进行点云搜索，将符合聚类条件即点数在（r，R）范围内的点云分为若干个点云簇；统计每个点云簇的点数目，并对每一个点云簇分别求X、Y、Z坐标的平均值，作为该点云簇的点云重心点，用于替代该点云簇相对激光雷达的位置。
6.根据权利要求1所述的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,其特征在于：步骤5）具体包括，根据锥桶的形状尺寸特征，由于锥桶为绕竖直方向中心轴的旋转体，在X、Y方向上宽度均为a，因此将X、Y方向的最大标准差阈值设置为Q，在Z轴上锥桶高度为b，将Z轴上的最大标准差阈值设置为q，当统计到聚类得到的点云簇中的所有点的X、Y、Z三个方向坐标值的标准差小于对应的阈值时，即当计算得到点云簇的X和Y方向标准差小于Q且Z方向标准差小于q时，将该点云簇认为是符合条件的锥桶。
7.根据权利要求1所述的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,其特征在于：步骤6）具体包括，对步骤5）检测出来的锥桶进行点数统计，并计算每一个锥桶中所有点的平均Y坐标；遍历所有检测到的锥桶，找到平均Y坐标大于0的锥桶中点数最多的锥桶认为是激光雷达左侧最近的锥桶，同理，找到平均Y坐标小于0的锥桶中点数最多的锥桶认为是激光雷达右侧最近的锥桶。
8.根据权利要求1所述的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,其特征在于：步骤7）具体包括，分别计算距离激光雷达左前和右前最近的锥桶点云簇的X、Y、Z坐标平均值，将其认为是激光雷达左右最近锥桶的中心点坐标，并计算激光雷达左右锥桶连线的中点坐标，将其作为当前状态下的目标点，其具体步骤包括，对步骤6）得到的激光雷达左前方和右前方的最近锥桶的点云簇分别计算X、Y、Z坐标平均值，作为左前方和右前方最近锥桶的空间坐标位置，并计算其连线的中心点坐标，作为机器人当前状态下的运动目标点。
9.根据权利要求1所述的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,其特征在于：步骤8）具体包括在ROS机器人操作系统下，对每一帧激光雷达采集的点云数据进行步骤1）至步骤7）的处理，并在每一帧数据处理结束后输出机器人下一帧的运动目标点，控制机器人朝目标点移动，与此同时，对下一帧激光雷达采集的数据也进行步骤1）至步骤7）的处理，以达到实时检测锥桶并实现目标点追踪的目的。
10.根据权利要求1所述的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,其特征在于：所述激光雷达为16线激光雷达。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910995353.2A CN110780305B (zh) | 2019-10-18 | 2019-10-18 | 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 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910995353.2A CN110780305B (zh) | 2019-10-18 | 2019-10-18 | 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 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110780305A true CN110780305A (zh) | 2020-02-11 |
| CN110780305B CN110780305B (zh) | 2023-04-21 |
Family
ID=69385978
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910995353.2A Active CN110780305B (zh) | 2019-10-18 | 2019-10-18 | 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 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110780305B (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111308499A (zh) * | 2020-03-09 | 2020-06-19 | 中振同辂(江苏)机器人有限公司 | 一种基于多线激光雷达的障碍物检测方法 |
| CN111487641A (zh) * | 2020-03-19 | 2020-08-04 | 福瑞泰克智能系统有限公司 | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 |
| CN111709355A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
| CN111723716A (zh) * | 2020-06-11 | 2020-09-29 | 深圳地平线机器人科技有限公司 | 确定目标对象朝向的方法、装置、系统、介质及电子设备 |
| CN112101128A (zh) * | 2020-08-21 | 2020-12-18 | 东南大学 | 一种基于多传感器信息融合的无人方程式赛车感知规划方法 |
| CN112294197A (zh) * | 2020-11-04 | 2021-02-02 | 深圳市普森斯科技有限公司 | 扫地机的清扫控制方法、电子装置及存储介质 |
| CN112415538A (zh) * | 2020-11-16 | 2021-02-26 | 重庆长安汽车股份有限公司 | 自动驾驶车辆绕行锥形筒的规划方法、系统及车辆 |
| CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
| CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
| CN112883820A (zh) * | 2021-01-26 | 2021-06-01 | 上海应用技术大学 | 基于激光雷达点云的道路目标3d检测方法及系统 |
| CN112884687A (zh) * | 2021-01-29 | 2021-06-01 | 郑州信大云筑工程科技有限公司 | 基于人工智能的测绘激光雷达扫描策略控制方法与系统 |
| CN113095324A (zh) * | 2021-04-28 | 2021-07-09 | 合肥工业大学 | 一种针对锥桶的分类与测距方法及系统 |
| CN113325428A (zh) * | 2021-04-29 | 2021-08-31 | 中国科学院沈阳自动化研究所 | 一种基于激光雷达的距离与航向测量方法 |
| CN113343840A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 基于三维点云的对象识别方法及装置 |
| WO2021222279A1 (en) * | 2020-04-28 | 2021-11-04 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
| CN113655498A (zh) * | 2021-08-10 | 2021-11-16 | 合肥工业大学 | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 |
| CN113778078A (zh) * | 2021-03-05 | 2021-12-10 | 北京京东乾石科技有限公司 | 定位信息生成方法、装置、电子设备和计算机可读介质 |
| CN114387305A (zh) * | 2021-12-30 | 2022-04-22 | 驭势科技（北京）有限公司 | 拖车队列跟踪方法、装置、计算机设备及存储介质 |
| CN115049696A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 一种基于雷达数据的人员监测方法和装置 |
| US11734917B2 (en) | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180108146A1 (en) * | 2016-10-13 | 2018-04-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for annotating point cloud data |
| WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
| CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
| CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
| CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
| CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
-
2019
- 2019-10-18 CN CN201910995353.2A patent/CN110780305B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180108146A1 (en) * | 2016-10-13 | 2018-04-19 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for annotating point cloud data |
| WO2018205119A1 (zh) * | 2017-05-09 | 2018-11-15 | 深圳市速腾聚创科技有限公司 | 基于激光雷达扫描的路沿检测方法和系统 |
| CN108932736A (zh) * | 2018-05-30 | 2018-12-04 | 南昌大学 | 二维激光雷达点云数据处理方法以及动态机器人位姿校准方法 |
| CN109188459A (zh) * | 2018-08-29 | 2019-01-11 | 东南大学 | 一种基于多线激光雷达的坡道小障碍物识别方法 |
| CN110018489A (zh) * | 2019-04-25 | 2019-07-16 | 上海蔚来汽车有限公司 | 基于激光雷达的目标追踪方法、装置及控制器和存储介质 |
| CN110275153A (zh) * | 2019-07-05 | 2019-09-24 | 上海大学 | 一种基于激光雷达的水面目标检测与跟踪方法 |
Cited By (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11734917B2 (en) | 2017-11-13 | 2023-08-22 | Raven Industries, Inc. | Safety system for autonomous operation of off-road and agricultural vehicles using machine learning for detection and identification of obstacles |
| CN111308499A (zh) * | 2020-03-09 | 2020-06-19 | 中振同辂(江苏)机器人有限公司 | 一种基于多线激光雷达的障碍物检测方法 |
| CN111487641A (zh) * | 2020-03-19 | 2020-08-04 | 福瑞泰克智能系统有限公司 | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 |
| CN111487641B (zh) * | 2020-03-19 | 2022-04-22 | 福瑞泰克智能系统有限公司 | 一种利用激光雷达检测物体的方法、装置、电子设备及存储介质 |
| WO2021222279A1 (en) * | 2020-04-28 | 2021-11-04 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
| US12091056B2 (en) | 2020-04-28 | 2024-09-17 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
| AU2021262764B2 (en) * | 2020-04-28 | 2023-11-30 | Raven Industries, Inc. | Object detection and tracking for automated operation of vehicles and machinery |
| CN111723716B (zh) * | 2020-06-11 | 2024-03-08 | 深圳地平线机器人科技有限公司 | 确定目标对象朝向的方法、装置、系统、介质及电子设备 |
| CN111723716A (zh) * | 2020-06-11 | 2020-09-29 | 深圳地平线机器人科技有限公司 | 确定目标对象朝向的方法、装置、系统、介质及电子设备 |
| CN111709355A (zh) * | 2020-06-12 | 2020-09-25 | 北京百度网讯科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
| CN111709355B (zh) * | 2020-06-12 | 2023-08-29 | 阿波罗智联(北京)科技有限公司 | 识别目标区域的方法、装置、电子设备和路侧设备 |
| CN112101128A (zh) * | 2020-08-21 | 2020-12-18 | 东南大学 | 一种基于多传感器信息融合的无人方程式赛车感知规划方法 |
| CN112294197A (zh) * | 2020-11-04 | 2021-02-02 | 深圳市普森斯科技有限公司 | 扫地机的清扫控制方法、电子装置及存储介质 |
| CN112415538A (zh) * | 2020-11-16 | 2021-02-26 | 重庆长安汽车股份有限公司 | 自动驾驶车辆绕行锥形筒的规划方法、系统及车辆 |
| CN112731925B (zh) * | 2020-12-21 | 2024-03-15 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
| CN112731925A (zh) * | 2020-12-21 | 2021-04-30 | 浙江科技学院 | 用于无人驾驶方程式赛车锥桶识别和路径规划及控制方法 |
| CN112578673A (zh) * | 2020-12-25 | 2021-03-30 | 浙江科技学院 | 无人方程式赛车多传感器融合的感知决策与跟踪控制方法 |
| CN112883820A (zh) * | 2021-01-26 | 2021-06-01 | 上海应用技术大学 | 基于激光雷达点云的道路目标3d检测方法及系统 |
| CN112883820B (zh) * | 2021-01-26 | 2024-04-19 | 上海应用技术大学 | 基于激光雷达点云的道路目标3d检测方法及系统 |
| CN112884687A (zh) * | 2021-01-29 | 2021-06-01 | 郑州信大云筑工程科技有限公司 | 基于人工智能的测绘激光雷达扫描策略控制方法与系统 |
| CN112884687B (zh) * | 2021-01-29 | 2022-02-11 | 郑州信大云筑工程科技有限公司 | 基于人工智能的测绘激光雷达扫描策略控制方法与系统 |
| CN113778078A (zh) * | 2021-03-05 | 2021-12-10 | 北京京东乾石科技有限公司 | 定位信息生成方法、装置、电子设备和计算机可读介质 |
| CN115049696A (zh) * | 2021-03-08 | 2022-09-13 | 北京金茂绿建科技有限公司 | 一种基于雷达数据的人员监测方法和装置 |
| CN113095324A (zh) * | 2021-04-28 | 2021-07-09 | 合肥工业大学 | 一种针对锥桶的分类与测距方法及系统 |
| CN113325428A (zh) * | 2021-04-29 | 2021-08-31 | 中国科学院沈阳自动化研究所 | 一种基于激光雷达的距离与航向测量方法 |
| CN113343840B (zh) * | 2021-06-02 | 2022-03-08 | 合肥泰瑞数创科技有限公司 | 基于三维点云的对象识别方法及装置 |
| CN113343840A (zh) * | 2021-06-02 | 2021-09-03 | 合肥泰瑞数创科技有限公司 | 基于三维点云的对象识别方法及装置 |
| CN113655498A (zh) * | 2021-08-10 | 2021-11-16 | 合肥工业大学 | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 |
| CN113655498B (zh) * | 2021-08-10 | 2023-07-18 | 合肥工业大学 | 一种基于激光雷达的赛道中锥桶信息的提取方法及系统 |
| CN114387305A (zh) * | 2021-12-30 | 2022-04-22 | 驭势科技（北京）有限公司 | 拖车队列跟踪方法、装置、计算机设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110780305B (zh) | 2023-04-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110780305A (zh) | 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 | |
| CN108955702B (zh) | 基于三维激光和gps惯性导航系统的车道级地图创建系统 | |
| CN110531376B (zh) | 用于港口无人驾驶车辆的障碍物检测和跟踪方法 | |
| CN114842438B (zh) | 用于自动驾驶汽车的地形检测方法、系统及可读存储介质 | |
| CN110705458B (zh) | 边界检测方法及装置 | |
| CN112101092A (zh) | 自动驾驶环境感知方法及系统 | |
| CN112184736B (zh) | 一种基于欧式聚类的多平面提取方法 | |
| CN113255520B (zh) | 基于双目视觉和深度学习的车辆避障方法与电子设备 | |
| CN110673107B (zh) | 基于多线激光雷达的路沿检测方法及装置 | |
| GB2558716A (en) | Road sign recognition | |
| CN108280840B (zh) | 一种基于三维激光雷达的道路实时分割方法 | |
| CN112346463B (zh) | 一种基于速度采样的无人车路径规划方法 | |
| CN115049700A (zh) | 一种目标检测方法及装置 | |
| CN114488194A (zh) | 一种智能驾驶车辆结构化道路下目标检测识别方法 | |
| CN107796373B (zh) | 一种基于车道平面几何模型驱动的前方车辆单目视觉的测距方法 | |
| CN110243380A (zh) | 一种基于多传感器数据与角度特征识别的地图匹配方法 | |
| CN115861968A (zh) | 一种基于实时点云数据的动态障碍物剔除方法 | |
| CN116573017A (zh) | 城市轨道列车行驶限界异物感知方法、系统、装置和介质 | |
| CN115220449A (zh) | 路径规划的方法、装置、存储介质、芯片及车辆 | |
| CN116508071A (zh) | 用于注释汽车雷达数据的系统和方法 | |
| CN111539278A (zh) | 一种用于目标车辆的检测方法及系统 | |
| CN117423089A (zh) | 基于图像分割与雷达点云的可行驶区域拟合方法及设备 | |
| CN112147602B (zh) | 一种基于激光点云的路沿识别方法及系统 | |
| CN114743179A (zh) | 一种基于语义分割的周视可行驶区域检测方法 | |
| CA3122868A1 (en) | Method and system for generating an environment model for positioning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |