一种基于激光雷达点云的高架边墙提取方法

技术领域

本发明属于智能驾驶技术领域，具体涉及到一种基于激光雷达点云的高架边墙提取方法。

背景技术

随着智慧城市、智能交通的加快，城市市政高架道路清扫作业的范围不断扩大，道路清洁维护的要求不断的提高，而同时由于作业强度大和作业环境差的影响，市政作业人力资源也不断的增大，这一现象为智能驾驶清扫车等智能化市政作业车辆带来了机遇，目前智能清扫已经成为智能驾驶的一个重要的应用场景。

在实际清扫过程中，为了不影响白天的正常交通，保证清扫维护作业人员的安全，高架道路的清扫作业通常安排在夜间封路进行。同时为了保证不留清扫死角，在清扫的过程中就需要清扫车能够紧贴高架道路边墙进行清扫，这就要求清扫车对于自身与边墙的横向距离有准确的感知。但是夜间清扫作业时光线条件差，传统的基于视觉的识别和高架道路边沿识别准确率急剧下降。同时由于城市内部高楼林立、高架纵横，GNSS信号受到遮挡和多径效应的影响，准确度下降，因此基于高精度定位信号的循迹清扫方法也受到很大的影响，目前针对有关高架道路边墙提取的研究较少，尚无实际的应用，但是随着城市的发展，促进市政清扫作业的智能化，应用于夜间智能驾驶清扫场景下，高架道路的清扫过程中高架道路边墙提取的问题亟待解决。

发明内容

针对上述问题，本发明的主要目的在于设计一种基于激光雷达点云的高架边墙提取方法,通过对道路边墙分割完成后点云进行滤波预处理、栅格化、然后运用高斯过程的方法提取出高架道路边墙，解决清扫车到高架边墙的横向距离准确估计的技术问题。

为了实现上述目的本发明采用如下技术方案：

一种基于激光雷达点云的高架边墙提取方法，包括以下步骤：

步骤1：收集边墙点云数据；

步骤2：对收集的点云数据进行预处理；

步骤3：将预处理后的点云数据栅格化；

步骤4：根据预设路径，在栅格化的数据中提取边墙的初始种子栅格；

步骤5：根据边墙初始种子栅格，利用高斯过程提取边墙的栅格，得到边墙点云。

作为本发明进一步的描述，步骤1中，利用清扫车搭载激光雷达，通过激光雷达进行发散扫描，得到边墙点云数据。

作为本发明进一步的描述，步骤2中，通过设置距离和高度门限，对点云进行滤波处理，具体为，针对高度大于4m的点，及到测量中心点距离大于50m的点进行滤除。

作为本发明进一步的描述，步骤3中，点云数据的栅格化为基于极坐标系的栅格化，并记录每个栅格中的点与清扫车横向距离最小的点、以及离地面最高的点和最低的点。

作为本发明进一步的描述，步骤4中，根据边墙的高度特征，结合栅格中的点云数量，从所有栅格中筛选出边墙栅格，然后根据清扫车的清扫路径，选择离路径最近的边墙栅格作为边墙的初始种子栅格Cell，并存入备选边墙栅格Cell集合。

作为本发明进一步的描述，步骤4中，具体的筛选方式为：

边墙的备选栅格Cell应当满足：栅格Cell最低点高度低于cell_min_z，栅格Cell最高点高度高于cell_max_z，以及栅格Cell中的点云数量point_num大于num_th三个条件，即同时满足以下条件的栅格Cell为备选边墙栅格Cell：

其中，式中，Cell

作为本发明进一步的描述，步骤5中，利用高斯过程提取边墙栅格的过程为，根据边墙栅格Cell集合，利用高斯过程计算出来的备选边墙栅格Cell特征点Y坐标预测值，然后根据备选边墙栅格Cell特征点Y坐标的实际值与预测值之间的误差以及备选边墙栅格Cell特征点Y坐标预测值的方差，进而判定备选边墙栅格Cell是否属于边墙。

作为本发明进一步的描述，步骤5中，具体的计算协方差包括：

其中，式中，K

同时，协方差计算函数如下：

其中，式中，X

作为本发明进一步的描述，步骤5中，根据协方差，计算得到备选边墙栅格Cell的边墙特征点Y坐标预测值以及预测值对应的方差，具体计算方式如下：

其中，式中，Y

作为本发明进一步的描述，步骤5中，根据得到的Y

其中，式中，Y

将满足边墙条件的备选边墙栅格(X

相对于现有技术，本发明的技术效果为：

本发明提供了一种基于激光雷达点云的高架边墙提取方法，将激光雷达与清扫车结合在一一起，将边墙点云提取的过程，通过点云栅格化，然后利用高斯过程来进行边墙栅格的筛选。由选取的初始种子栅格，根据高斯过程得到每个备选栅格的预测，与预设路径的实际测量值进行对比，来判断备选栅格是否属于边墙，还将方差引入作为判断门限，提高了处理速度以及边墙点云提取的准确度，实现自动驾驶清扫车的精准贴边清扫，促进了市政清扫作业的智能化。

附图说明

图1为本发明的边墙提取方法示意图；

图2为本发明的点云预处理示意图；

图3为本发明的点云预处理后的栅格化示意图；

图4为本发明的备选栅格及种子单元示意图；

图5为本发明的高斯滤波过程示意图。

具体实施方式

下面结合附图对本发明进行详细描述：

一种基于激光雷达点云的高架边墙提取方法，参考图1-5所示，包括以下步骤：

步骤1：收集边墙点云数据；

步骤2：对收集的点云数据进行预处理；

步骤3：将预处理后的点云数据栅格化；

步骤4：根据预设路径，在栅格化的数据中提取边墙的初始种子栅格；

步骤5：根据边墙初始种子栅格，利用高斯过程提取边墙的栅格，得到边墙点云。

具体的，步骤1中，利用清扫车搭载激光雷达，通过清扫车的激光雷达进行发散扫描，得到点云数据；然后，通过步骤2，设置距离和高度门限，来对点云进行滤波处理，滤除关注范围外的点，将点云中的每个点用P(x，y，z)表示，其中每个点到坐标原点的纵向距离为x，横向距离为y，高度为z，对于z＞4.0m的点，以及

如图1中，sidewall cell[]表示边墙栅格Cell的集合；方差＜cov_threshold，此处的cov_threshold为方差门限；Y*为根据高斯过程得到的备选栅格Cell的特征点Y坐标预测值；Y*与备选栅格Cell的特征点Y坐标之间的差异

如图2中的(1)为点云数据预处理前，(2)为点云数据预处理后。

如图3所示，对预处理后的点云按照极坐标进行栅格化，并记录每个栅格中的点与清扫车横向距离最小的点的index，每个sector(扇区)的角度为Δα，每个sector在半径方向分为n个Cell，每个Cell在半径方向的长度为ΔR。对于每个点P(x，y，z)，由公式θ＝arctan(y/x)计算每个点的角度，θ/Δα即可得到该点所在的扇区，由公式

根据道路边墙的高度特征，边墙的备选栅格Cell应当满足：栅格Cell最低点高度低于cell_min_z，栅格Cell最高点高度高于cell_max_z，以及栅格Cell中的点云数量point_num大于num_th三个条件，即同时满足以下条件的栅格Cell为边墙的备选栅格Cell：

其中，式中，Cell

如图4所示，根据清扫车的清扫路径选取左侧或者右侧的，距离本清扫车最近的边墙的一些备选边墙栅格Cell作为种子栅格，即Seed Cell，图中A区即为Seed Cell，SeedCell中栅格存入边墙栅格Cell集合，即Side wall Cell。

当seed_cell_num＜num_threshold时，则认为种子栅格数量小于门限，不满足启动高斯过程筛选边墙的条件。

当满足条件seed_cell_num＞num_threshold时，可以利用高斯过程根据边墙栅格Cell的特征点来估计每个待处理的备选边墙栅格Cell对应的边墙预测，然后根据预测与实际之间的误差，以及预测方差来判断此备选边墙栅格Cell是否属于边墙。

如图5所示，为高斯过程示意图，具体为，首先根据输入计算协方差，包括：

其中，式中，K

同时，协方差计算函数如下：

其中，式中，X

然后，根据协方差，计算得到备选边墙栅格Cell集合的边墙Y坐标预测值以及对应的方差，具体计算方式如下：

其中，式中，Y

最后，根据得到的Y

其中，式中，Y

将满足边墙条件的备选边墙栅格(X

另外，需要说明的是，在对预处理后的点云进行栅格化时，可以是极坐标的栅格化，也可以是基于笛卡尔坐标系的栅格化，但是笛卡尔坐标系的栅格化在远端，由于点云的稀疏性会导致栅格点云数量不足，优选极坐标的栅格化方式。

并且在表示栅格特征点时，除了本实施例使用的Cell

本实施例，将激光雷达与清扫车结合在一起，将边墙点云提取的过程，通过点云栅格化，然后利用高斯过程来进行边墙栅格的筛选。由选取的种子点根据高斯过程得到每个备选栅格的预测，与实际测量值进行对比，来判断备选栅格是否属于边墙，提高了处理速度以及边墙点云提取的准确度。

在判断栅格是否属于边墙时，除了使用距离门限，还将方差引入作为判断门限，方差较大的栅格由于不确定性较高，不认为是边墙。

本实施例通过公开的技术特征与方法相对于现有技术具有以下优势：

1.现有的道路边墙点云分割技术，一般使用传统的点云聚类算法，运算时间较长，本发明利用高斯过程来对栅格化后的点云栅格进行处理，根据筛选出来的种子栅格，能够快速准确的分割出边墙点云，在处理速度上有优势。

2.传统的聚类方法存在过分割和欠分割的问题，对于边墙部分遮挡的场景，会形成分段的边墙点云，还需要进行二次处理才能够形成一个完整的边墙点云，本发明在针对边墙点云被遮挡、部分截断等场景能够较好的保持边墙的连续性，可以根据种子点一次性形成完整的边墙点云。

以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。