[发明专利]适用于自动车辆的对象检测系统

说明书

一种适用于自动车辆的对象检测系统(10)包括激光雷达(20)和控制器(26)。激光雷达用于检测被组织成多条扫描线(24)的点云(22)。控制器用于将点云中的每个检测到的点分类为接地点(28)或非接地点(30)；限定非接地点的行程(32)，其中每个行程(32)的特征在于在与非接地点的后续行程分开至少一个接地点的扫描线(24)中的相邻非接地点；限定与对象(14)相关联的非接地点的集群(34)。集群(34)的特征在于：当来自第一行程(32A)的第一点(22A)被移位小于距来自第二行程(32B)的第二点(22B)的距离阈值(36)时，来自第一扫描线(24A)的第一行程(32A)与来自第二扫描线(24B)的第二行程(32B)相关联。

技术领域

本公开总体上涉及处理激光雷达点云，并且更具体地涉及将来自激光雷达点云的非接地点聚类成集群。点云聚类(clustering)是处理激光雷达点云时更高级别的处理(比如对象的分类和跟踪)通常所使用的重要步骤。

背景技术

自主车辆或自动车辆操作领域中的近期活动已经引发了轰动汽车行业的一系列反应。期望融合来自多个传感器的数据或信息以增强自主的主车辆的感测能力。一种传感器是激光雷达，其利用多个激光束将障碍物定位在其周围并且因其能够在密集的三维(3D)点云中描绘此信息而闻名。激光雷达已经因其长距离和令人满意的准确度而在学术研究团队中普及，同时可能提供更好性能、更低成本以及更小规模的传感器的最新硬件进步似乎已经吸引了所述行业的兴趣。通常，激光雷达被安装在自主的主车辆上以提供用于获取周围环境的3D表示的装置。挑战是对其进行分析并且提取有意义的信息，比如对象的数量、对象相对于车辆的位置和速度以及每个对象(比如汽车、行人、杆等)的分类。类似于图像处理，所述分析的第一步是将输入数据分割或分离成有意义的集群。

与自主车辆应用的点云分割问题有关的现有技术用两个步骤来完成。一个似乎是有规律地利用首先移除接地平面并且连续地对剩余点进行聚类的概念。对于第一步，Himmelsbach等人在[M.Himmelsbach、F.v.Hundelshausen和H.J.Wuensche的“Fastsegmentation of 3d point-clouds for ground vehicles(用于地面车辆的3d点云的快速分割)”，《2010年IEEE智能车辆研讨会(IV)》，2010年6月，第560至565页]中，在柱面坐标中处理点云并且利用点的分布以便将线段拟合到点云。所述线段基于某个斜率阈值被认为捕获接地表面。在试图识别接地表面时，Moosmann等人在[F.Moosmann、O.Pink和C.Stiller的“Segmentation of 3d lidar data in non-flat urban environments using a localconvexity criterion(使用局部凸性标准分割非平坦城市环境中的3d激光雷达数据)”，《2009年IEEE智能车辆研讨会》，2009年6月，第215至220页]中创建了无向图并且比较了平面法线的局部变化以便表征斜率的变化。连续地，对剩余的很好的分离开的非接地点的分组通常被视为聚类问题，其中，采用了适当的公知的聚类算法。示例包括：其实施方式可以在点云图书馆(PCL)中找到的[R.B.Rusu的“Semantic 3d object maps for everydaymanipulation in human living environments(在人类居住环境中用于每日操纵的语义3d对象图)”，博士论文，计算机科学系，慕尼黑工业大学，德国，2009年10月]中的欧几里得集群提取、[M.Ester、H.-P.Kriegel、J.Sander、X.Xu等人的“A density-based algorithmfor discovering clusters in large spatial databases with noise(用于利用噪声发现大型空间数据库中的集群的基于密度的算法)”，KDD，第96卷，第34期，1996年，第226至231页]中的DBSCAN、以及[D.Comaniciu和P.Meer的“Mean shift:A robust approachtoward feature space analysis(均值偏移：用于特征空间分析的稳健方法)”，《IEEE图案分析和机器智能汇刊》，第24卷，第5期，第603至619页，2002年]中的均值偏移。这些算法以不规则的方式遍历点云并且在找到未标记的点时，所述算法指配新的标签，然后，所述新的标签基于一些规则被传播至相邻的未标记的点。在三维空间内，对点的这种不规则访问可能导致对减慢整个过程的邻点的穷举搜索。尽管这对未被组织的点云来说是必要的，但是，在目标应用中，并未运用对点云进行基于层的组织。