[发明专利]一种仓库通道环境下的激光雷达数据聚类方法

说明书

本发明公开了一种仓库通道环境下的激光雷达数据聚类方法，包括：1.初始化核心点数m和邻域大小σ；2.将测量数据点集中所有的数据点标记为未访问的状态；3.按照顺序选取一个状态为未访问的数据点p，将该点的状态标记为已访问；4.计算数据点p的邻域σ内是否包含m个核心点数，是则转到下一步，否则将数据点p标记为噪声点，转到步骤2；5.将阈值σ的大小设置为雷达散度模型返回值的两倍；6.判断序列中下一个数据点q是否在数据点p的邻域内，如果不在则转到步骤2，否则将数据点q标记为已访问，如果数据点q是核心点即数据q的邻域内包含m个数据点，则更新阈值，此外将数据点q加入簇C，转到步骤5。

技术领域

本发明属于移动机器人的环境建模领域，具体公开一种仓库通道环境下的激光雷达数据聚类方法。

背景技术

两侧摆放货包的仓库通道环境是仓库中的常见场景。在该环境下，机器人定位和导航的基础是建立通道场景的环境模型，货包作为环境模型中必要的组成部分，其模型的精度直接影响环境模型的准确性。而聚类算法作为提取货包模型的首要步骤，聚类的结果直接影响模型提取的准确性。因此，在仓库通道环境下对激光雷达数据进行准确聚类具有重要意义。

激光雷达的测量数据点之间存在固定偏角，但数据点之间的实际距离还取决于传感器与障碍物之间的距离。在仓库通道环境下，激光雷达对同一障碍物的不同测量角度距离会有不同的测量距离，这也导致激光雷达数据点的分散程度不同。同一类型的数据点分散程度不同导致在仓库通道环境下聚类变得难以实现。

现有聚类算法研究中，以K均值聚类和DBSCAN代表的密度聚类应用最为广泛。其中K均值聚类应用最为广泛，但K均值聚类算法忽略了激光雷达相邻数据点之间的关联关系，此外算法需要事先指定聚类的簇数，上述两个特点导致K均值聚类不能良好适用于仓库通道环境。DBCSCAN算法则使用固定阈值划分数据点，由于仓库通道环境的特点，这种聚类方式容易错误划分数据点分。

综上所述，当前聚类算法由于缺乏对通道环境以及激光雷达特点的考虑，难以适用于通道环境下激光雷达的数据聚类。因此，针对当前算法在仓库通道环境下的不足，有必要提出一种使用于仓库通道的激光雷达数据聚类算法。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种仓库通道环境下的激光雷达数据聚类方法。该方法易于实现、适应能力强，能够稳定准确地对通道环境下激光雷达数据点进行聚类。

为实现上述目的及其他目的，本发明提供一种仓库通道环境下的激光雷达数据聚类方法，包括以下步骤：

步骤1.初始化核心点数m和邻域大小σ；

步骤2.将测量数据点集P＝{p₁,p₂,...,p_n}按照测量角度0度到180度进行排序或者角度由小到大的顺序进行排序，并将测量数据点集中所有的数据点标记为未访问的状态；

步骤3.按照顺序一次选取一个状态为未访问的数据点p，将该点的状态标记为已访问，如果此时测量数据点集中已经不存在状态为未访问的数据点，则算法终止，完成聚类；

步骤4.计算数据点p的邻域σ内是否包含m个核心点数，是则转到下一步，否则将数据点p标记为噪声点，转到步骤2；

步骤5.创建数据点p的簇C，将数据点p添加到簇C中，根据雷达散度模型计算当前阈值大小，并将阈值σ的大小设置为雷达散度模型返回值的两倍，σ＝2·f(φ,θ)；

步骤6.判断序列中下一个数据点q是否在数据点p的邻域内，如果不在则转到步骤2，否则将数据点q标记为已访问，如果数据点q是核心点即数据点q的邻域内包含m个数据点，则更新阈值，新的阈值大小为q处激光雷达散度模型返回值的两倍，即σ＝2·f(φ,θ)，此外将数据q加入簇C，转到步骤5。

优选地，