[发明专利]一种基于激光雷达的非结构化环境可行驶区域提取方法

说明书

本发明公开了一种基于激光雷达的非结构化环境可行驶区域提取方法，该方法针对当前大部分道路分割算法难以在非结构化环境下同时满足准确性和实时性要求的问题，构建了基于激光雷达的非结构化环境可行驶区域提取网络，步骤如下：首先对激光雷达数据进行预处理，将其转换成球面投影图像，其次设计一种基于残差扩张卷积的编码‑解码网络，进而利用样本集对网络进行训练，获得网络参数，从而实现非结构化环境可行驶区域的高效与可靠提取。

技术领域

本发明涉及智能车辆环境感知技术领域，特别是涉及一种基于激光雷达的非结构化环境可行驶区域识别方法。

背景技术

可行驶区域提取是地面无人系统领域的关键技术，是实现结构化及非结构化环境下安全可靠通过的前提条件。目前较为成熟的技术主要针对城市结构化环境进行设计，针对非结构化环境(例如应急救援场景)的研究较少，技术尚不成熟。在非结构化环境中，没有车道、路面、护栏等结构特征，可行驶区域边界模糊、纹理多样、特征复杂。因此，针对结构化环境设计的算法难以直接应用于非结构环境。

目前针对可行驶区域提取任务，相机和激光雷达是两个主要的传感数据输入来源。基于相机的非结构化环境可行驶区域提取方法，使用的颜色或纹理特征易受光照和天气的干扰，三维信息的缺失也限制了此类算法在不同场景的适应性；基于激光雷达的方法，依赖于数据分割和基于规则/阈值的方法来提取可行驶区域，而这些方法严重依赖手动提取特征及预设阈值，场景适应性较差，同时大量无序的三维点云增加了索引和计算的时间，实时性较差。因此，需要提出一种快速可靠的方法来提取非结构化环境可行驶区域。

发明内容

为解决上述存在的问题，本发明提供一种基于激光雷达的非结构化环境可行驶区域提取方法，该方法首先进行雷达数据预处理，将其转换成球面投影图像，其次设计一种基于残差扩张卷积的编码-解码网络，进而利用样本集对网络进行训练，获得网络参数，从而实现非结构化环境可行驶区域的高效与可靠提取。本发明提出的方法使用激光雷达传感器，不受光照和天气的干扰，点云的三维结构信息提高了算法对不同场景的适应能力；球面投影在降低索引和计算时间的同时，相比其他投影方法(例如鸟瞰图投影)可以生成更为紧凑密集的数据，有利于深度神经网络对于点云特征的提取；无需人为提取点云特征，利用深度神经网络的端到端算法可以极大地提高可行驶区域提取的精度和鲁棒性；网络中残差结构及扩张卷积的使用，不仅降低了网络结构的复杂度，还可以从网络不同深度的融合特征中挖掘出更多有效信息，从而保证该网络同时兼顾可行驶区域提取的准确性和实时性。

本发明提供一种基于激光雷达的非结构化环境可行驶区域提取方法，

具体步骤包括：

(1)雷达点云预处理

确定激光雷达的数据点坐标系OXYZ，以雷达中心为原点，载体前进方向为OX轴，按右手定则建立；方位角和顶角θ的计算公式如下：

其中，(x，y，z)为雷达点云中每一个点在欧式坐标系下的坐标；对于点云中的每一个点都可以通过其(x，y，z)计算其，即将欧式坐标系中的点投影到球面坐标系中；此球面坐标系实则是一个二维坐标系，为了便于理解，对其角度进行微分化从而得到一个二维的直角坐标系：

其中，i、j为二维直角坐标系的横、纵坐标，、Δθ分别对应、θ的分辨率；

通过此球面投影变换，可将欧式空间中得任意一点(x，y，z)投影到二维坐标系下的点(i，j)；本发明提取点云中每一个点的5个特征：欧式坐标(x，y，z)，反射率ref，角度信息r(其中，从而得到一个尺寸为(H，W，C)的张量，其中，H为球面投影变换后所得渲染图像的宽，W为该图的长，C＝5；以KITTI数据集为例，该数据集使用的是64线激光雷达，因此H＝64；水平方向上，受数据集标注范围的限制，使用正前方90°的雷达点云数据，并将其划分为512个网格(即水平采样512个点)，因此W＝512；