[发明专利]一种基于3D激光雷达的地铁车底定位方法

权利要求书

1.一种基于3D激光雷达的地铁车底定位方法，其特征在于，包括以下步骤：

步骤1：采用3D激光雷达获取地铁车底点云数据；

步骤2：利用基于深度学习的目标检测网络PointPillars实现快速定位和识别车底点云中的三维目标框；

步骤3：目标框点云预处理；

S31：采用直通滤波，保留需要进行测距定位的目标框点云，过滤掉背景点云中非目标成分，实现对一个简单立方体的分割提取；

S32：再对提取出的目标框进行采样处理，控制点云数量；

步骤4：拟合目标框点云在各方向上的平面，并计算各方向平面在对应方向的中点位置信息，从而获得目标物相对于雷达的位置信息；

S41：利用RANSAC先随机选取一些点，用这些点去组成一个平面；

S42：用获得的平面去测试剩余的点，如果测试的数据点到平面的距离在误差允许的范围内，则判断为内点inlier，否则为外点outlier；

S43：计算内点inlier的数目，如果内点数目达到了设定的阈值m，则继续步骤S44，否则继续步骤S41-S43，直到满足循环终止条件为止，此时得到的模型便认为是对数据点的最优模型构建，循环终止条件满足下式：

空间平面拟合至少需要3个空间点，因此RANSAC算法应用于空间平面拟合时，N=3，P表示一些迭代过程中从数据集内随机选取出的点均为局内点的概率，因此P也表征了算法产生有用结果的概率；是所有N个点均为内点inlier的概率；是N个点中至少有一个点为外点outlier的概率；

S44：对拟合得到的各方向上的平面点云进行对应方向排序，获取各平面在对应方向上的中点位置信息，从而得到目标物相对于激光雷达的位置信息，辅助机器人定位。

2.根据权利要求1所述的一种基于3D激光雷达的地铁车底定位方法，其特征在于，所述步骤2具体为：

S21：将点云数据划分为若干数量的Pillars，然后通过最大池化操作从Pillars中提取特征，并将提取的特征压缩为鸟瞰图，生成伪2D图；

S22：将伪2D图作为输入，通过区域候选网络2D-CNN和单步多尺度检测网络SSD实现目标检测任务，获取三维目标边界框。