[发明专利]应用于低速自主驾驶机器人的三维障碍物检测系统与方法

说明书

本发明公开了一种应用于低速自主驾驶机器人的三维障碍物检测系统与方法，它包括：联合标定模块，所述联合标定模块用于联合标定计算激光雷达与单目相机的转换矩阵；三维点云采集模块，所述三维点云采集模块通过激光雷达获取场景的三维点云数据；二维图像采集模块，所述二维图像采集模块通过单目相机获取场景二维图像数据；点云投影模块，所述点云投影模块用于将激光雷达采集到的三维点云投影为相机坐标系下二维点云。本发明提供一种应用于低速自主驾驶机器人的三维障碍物检测系统与方法，目的在于解决单靠激光雷达难以实现三维障碍物的识别问题，单靠单目相机无法实现三维障碍物的定位问题。

技术领域

本发明涉及一种应用于低速自主驾驶机器人的三维障碍物检测系统与方法，属于电通信技术领域。

背景技术

目前，随着自动驾驶技术的不断发展，激光雷达和相机视觉技术被广泛应用于自动驾驶技术领域。激光雷达获取的三维点云数据精度高，但其点云比较稀疏，利用其稀疏点云来识别三维空间目标是一件很困难的事；单目相机获取的二维图像数据结合深度学习算法虽然可以实现准确的目标识别，但由于二维图像缺乏三维位置信息，无法实现三维空间的目标定位；双目相机获取的图像虽然可以通过视差计算出密的三维集点云，来实现三维空间目标识别与定位，但由于视差计算的复杂性，目前的视差计算算法要么计算速度太慢要么准确度不够。基于激光雷达技术、单目相机技术和双目相机技术的各自优缺点，目前在自动驾驶领域的研发人员都看好将激光雷达与相机视觉进行融合的解决方案。

目前在自动驾驶领域根据相机与激光雷达所起的比重不同，大致分为了三类融合方式：视觉辅助激光、激光辅助视觉、激光与视觉相互融合。

视觉辅助激光解决方案较多，但一般都是采用深度学习算法将用视觉去补充激光点云，来获取密集点云再对密集点云进行识别。

激光雷达获取的三维点云数据精度高，但其点云比较稀疏，利用其稀疏点云来识别三维空间目标是一件很困难的事；单目相机获取的二维图像数据结合深度学习算法虽然可以实现准确的目标识别，但由于二维图像缺乏三维位置信息，无法实现三维空间的目标定位；双目相机获取的图像虽然可以通过视差计算出密的三维集点云，来实现三维空间目标识别与定位，但由于视差计算的复杂性，目前的视差计算算法要么计算速度太慢要么准确度不够。通过分类和聚类后的点云，由于其稀疏性，仍导致回归的包围盒不准确。

采用深度学习算法用视觉去补充激光点云的方案，需要构建复杂深度神经网络，而且耗费计算资源较大，处理速度较慢，实用性较差。

现有的激光雷达和单目视觉相结合的三维目标识别，每次识别都需要进行投影矩阵计算，降低了运行速度，另外其采用轮廓和特征点匹配的方式进行目标识别，这种模式识别具有单一性，且对于变化较大的目标识别率不高。

发明内容

本发明所要解决的技术问题是，克服现有技术的不足，提供一种应用于低速自主驾驶机器人的三维障碍物检测系统与方法，目的在于解决单靠激光雷达难以实现三维障碍物的识别问题，单靠单目相机无法实现三维障碍物的定位问题。

为了解决上述技术问题，本发明的技术方案是：

一种应用于低速自主驾驶机器人的三维障碍物检测系统，它包括：

联合标定模块，所述联合标定模块用于联合标定计算激光雷达与单目相机的转换矩阵；

三维点云采集模块，所述三维点云采集模块通过激光雷达获取场景的三维点云数据；

二维图像采集模块，所述二维图像采集模块通过单目相机获取场景二维图像数据；

点云投影模块，所述点云投影模块用于将激光雷达采集到的三维点云投影为相机坐标系下二维点云；

目标识别模块，所述目标识别模块用于识别相机采集的二维图像中的目标物体，并获取二维目标物体的包围框；

三维点云分类模块，所述三维点云分类模块用于将三维点云按照二维图像识别目标的包围框进行分类；