基于激光雷达的智能汽车可通行区域及障碍物检测方法研究

【摘要】：障碍物及可通行区域的实时检测是智能汽车环境感知技术的研究重点,可为智能汽车的主动避障以及局部路径规划提供准确的道路环境信息,具有重要的研究意义。本文主要对基于激光雷达的智能汽车环境感知关键技术展开研究,包括激光点云地面分割、道路环境中障碍物实时检测、道路可通行区域实时检测。主要研究内容如下:(1)针对现有点云地面分割算法在坡度路况分割不完全的问题,提出一种自适应坡度分离的点云地面分割算法。将点云数据划分到对应的扇形区域内,根据区域内点云相邻角度和垂直角度的变化情况,计算不同的整体坡度阈值和相邻坡度阈值,实现坡度阈值的自适应设定。通过整体坡度阈值对每个扇形区域中的点云进行筛选,再通过相邻坡度阈值对相邻点云进行二次筛选,完成地面点云的提取,从而实现不同路况地面点云与非地面点云的分割。(2)针对障碍物聚类检测过程中完成细小障碍物检测的同时,容易造成其他障碍物过分割的问题,提出一种合并欧式聚类算法。根据距离远近设定不同聚类距离阈值,并运用合并聚类的思想,减少了聚类点云过分割现象的出现。在聚类点云的基础上,提出基于直线拟合的边界包围框算法。通过RANSAC算法确定点云簇的航向角,再计算出障碍物的最小轮廓尺寸和中心位置,实现最小边界包围框的生成,完成障碍物目标检测。在目标检测基础上,通过提取点云几何特征和投影轮廓特征,并运用LightGBM算法实现了障碍物点云中车辆目标的识别。(3)针对道路边界点缺失无法进行道路边界检测的问题,提出基于相邻点云特征的可通行区域检测方法。首先,通过障碍物点云确定初级可通行区域,以此对地面点云进行限制,提取出初级可通行区域点云。其次,根据相邻激光点特性,提出相邻点云间距特征、角度差特征、高度差特征对路面异常点进行去除,结合合并欧式聚类算法以及安全通过距离对路面点云进行筛选,实现可通行区域点云的提取,并确定可通行区域的边界。考虑智能汽车车速控制以及乘坐舒适性的需要,利用可通行区域点云实现路面坡度精准检测,为车速控制提供有效参考。通过智能汽车平台采集的激光雷达点云数据对本文所提出的算法进行了大量的实验测试,结果表明本文所提出的算法在保证较高检测准确率的情况下,实现了对道路可通行区域及障碍物的实时检测,并具有较好的鲁棒性和可行性。