[发明专利]一种障碍物检测方法、装置、工程车辆及存储介质

说明书

本发明公开了障碍物检测技术领域，具体涉及一种障碍物检测方法、装置、工程车辆及存储介质，障碍物检测方法包括：对采集到的三维原始点云数据进行分离和聚类处理，获得非地面点聚类簇，并将非地面点聚类簇作为候选障碍物点集；采用构建的障碍物特征提取模型分别提取所述候选障碍物点集中的障碍物点特征、二维投影特征和体素化特征，并进行融合得到障碍物特征；对所述障碍物特征进行分类，得到障碍物检测结果。本发明可以有效检测出无人车辆在行驶过程中遇到的静态障碍物和动态障碍物，对障碍物的识别不受障碍物尺寸大小、距离远近和种类的限制，提升了无人驾驶车辆对环境的感知精度，精准避障，为无人驾驶车辆的安全行驶提供保障。

技术领域

本发明属于障碍物检测技术领域，具体涉及一种障碍物检测方法、装置、工程车辆及存储介质。

背景技术

矿山场景作业单一，是无人驾驶落地的最佳场景。为了实现无人车辆的安全驾驶，需要对矿山场景中的道路信息进行精确检测，从而为无人车辆提供有效的行驶路径规划。矿山场中的道路信息主要包括可行使区域、车辆、行人和落石等。

现有技术中，对障碍物的检测方法包括基于传统机器学习方法和基于深度学习方法。但是无论是基于传统机器学习方法对障碍物进行检，还是基于深度学习方法对障碍物进行检测，都存在对部分障碍物检测精度不高、不能区分动态物体和静态物体的问题。

发明内容

为解决现有技术中的不足，本发明提供一种障碍物检测方法、装置、工程车辆及存储介质，能有效检测出无人驾驶车辆在行驶过程中遇到的障碍物属于静态障碍物还是动态障碍物，对障碍物的识别不受障碍物尺寸大小、距离远近和种类的限制，提升了无人驾驶车辆对环境的感知精度，实现精准避障，为无人驾驶车辆的安全行驶提供保障。

为达到上述目的，本发明所采用的技术方案是：

第一方面，提供一种障碍物检测方法，包括：对采集到的三维原始点云数据进行分离和聚类处理，获得非地面点聚类簇，并将非地面点聚类簇作为候选障碍物点集；采用构建的障碍物特征提取模型分别提取所述候选障碍物点集中的障碍物点特征、二维投影特征和体素化特征，并进行融合得到障碍物特征；对所述障碍物特征进行分类，得到障碍物检测结果。

进一步地，对采集到的原始点云数据进行分离和聚类处理，包括：对采集到的原始点云数据进行格栅化处理，得到格栅图；遍历格栅图，采用一致性检查和中值滤波对栅格内的点云数据进行处理，构建地面点和非地面点的二值图；对所述二值图进行聚类，得到非地面点聚类簇。

进一步地，所述格栅图是极坐标下的格栅图。

进一步地，采用一致性检查和中值滤波对栅格内的点云数据进行处理，包括：一致性检查，将相邻栅格的高度差和栅格高度差阈值进行比较，低于栅格高度差阈值表示该栅格属于地面，否则属于非地面；其中，相邻栅格的高度差是相邻两个栅格最大值的差值、相邻两个栅格中值的差值、相邻两个栅格最小值的差值中的任一种；中值滤波，遍历所有不包含任意原始点云数据的栅格，针对每个不包含任意原始点云数据的栅格，将与其相邻的四个栅格的中值作为该栅格的高度值，如果相邻的四个栅格是地面点，则中间栅格也设置为地面点；由此绘制“地面点-非地面点”的0、1二值图。

进一步地，对所述二值图进行聚类，包括：采用八连通域方法对“地面点-非地面点”的0、1二值图进行聚类，将非地面点的xy平面离散为m×n的网格，初始化网格状态，将网格配置为两种初始状态，分别为空状态和已占用状态；然后，将单个网格选作中心网格，并且类簇ID计数器加1，然后检查与中心网格相邻的八个网格的占用状态，并用当前类簇ID标记；对m×n的网格中的每个网格重复此过程，直到为所有非空网格分配了类簇ID，最终得到标记有类簇ID的非地面点聚类簇，该聚类簇为候选障碍物点集。