CN106291736A - 无人驾驶汽车车道动态障碍物检测方法 - Google Patents

Abstract

本申请公开了一种无人驾驶汽车车道动态障碍物检测方法，本方法通过分析处理64线激光数据对无人驾驶汽车四周的动态障碍物进行检测跟踪，对于无人驾驶汽车前方准确性要求较高的扇形区域，采用置信距离理论融合64线激光数据处理信息和4线激光传感器输出的运动状态信息，较大地提高了对障碍物运动状态的检测准确率，然后根据融合得到的结果对运动障碍物的位置进行延时修正，最终在障碍物占用栅格图上将动态障碍物所占据位置与静态障碍物所占据位置区别标示。本方法不仅可以在室外环境中准确地检测出障碍物运动信息，而且可以消除传感器数据处理延时所带来的动态障碍物位置偏差。

Description

无人驾驶汽车车道动态障碍物检测方法

技术领域

本申请涉及一种无人驾驶汽车车道动态障碍物检测方法，属于自动驾驶和机器视觉领域。

背景技术

随着经济和社会的不断发展，汽车数量的增多从而引发的一些社会问题也日益突出，比如城市的交通、车辆行驶的安全、能源的供应、环境污染等。这些现实的社会问题都源于现有的交通基础设施与汽车这个载体之间的矛盾，这不仅体现在交通拥堵问题上，同时还体现在由于交通不畅而造成的环境污染及相对落后的道路状况和先进的车辆技术对人们的生命、财产所产生的安全隐患。现在由于交通事故导致的人员与财产损失在社会中越来越严重，交通事故中主要涉及车辆的碰撞，因此提高交通行驶中车辆的安全性是现在交通发展中有待解决的问题。汽车无人驾驶的研究在很大程度上能缓解这一问题的发生并提出了新的思路，在智能车辆系统中对于车道预警监测、驾驶员的疲劳检测、自动定速巡航、无人驾驶等的研究都能缓解驾驶员在行驶中的工作量，对于提高现有交通系统的安全性有很大帮助。

随着科学技术的不断进步，以计算机技术和自动化技术为主的智能控制技术也获得了飞速的发展，所以作为此领域的无人驾驶智能车辆的研究己经成为最为关注的课题之一。但是无人驾驶汽车的进步依赖于传感器技术的发展，目前单个传感器在室外复杂环境中存在着车道障碍物检测准确率不高的现象，而车道障碍物检测的不准确性将直接影响到无人驾驶汽车的行驶安全性。

发明内容

本发明的目的在于提供一种无人驾驶汽车车道动态障碍物检测方法，以克服激光传感器在室外环境中检测动态障碍物所遇到的数据处理存在延时、检测结果准确率不高等问题。

为实现上述目的，本发明提供如下技术方案：

本申请实施例公开一种无人驾驶汽车车道动态障碍物检测方法，包括：

s1、通过64线激光传感器对汽车周围的障碍物进行检测跟踪，获取不同时刻的障碍物栅格图，并从该障碍物栅格图中获取静态障碍物栅格图和动态障碍物列表；

s2、通过4线激光传感器采集车辆前方区域内的动态障碍物信息；

s3、将64线激光传感器动态障碍物列表中的动态障碍物信息和4线激光传感器获取的动态障碍物信息进行同步匹配；

s4、采用置信距离理论对匹配成功的64线激光传感器和4线激光传感器的数据进行融合；

s5、根据融合得到的结果对运动障碍物的位置进行延时修正，最终在障碍物占用栅格图上将动态障碍物所占据位置与静态障碍物所占据位置区别标示。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，所述步骤s1中，采用最大最小值高度图法对64线激光传感器的数据进行栅格化处理。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，所述步骤s1中，采用区域生长聚类算法对地图中的占用栅格进行聚类，聚类后对障碍物进行跟踪。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，聚类和跟踪方法包括：通过动态障碍物列表来存储聚类得到的障碍物块信息，并且实时更新这些障碍物块的跟踪结果。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，存储于所述动态障碍物列表中的每一个障碍物块至少包含以下信息：编号，最新一次聚类得到时的时间、占据位置、速度大小方向和加速度大小方向、速度协方差、加速度协方差以及存在置信度和运动置信度。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，所述步骤s3中，同步匹配方法包括：4线激光传感器输出的动态障碍物信息是用一个个box的格式进行表示的，每个box的参数包括中心位置O(x,y)和速度v的大小方向，将box的中心位置O(x,y)朝其速度方向的反方向平移距离s，s的大小满足下式：

s＝λ·(t₆₄-t₄)·v

其中t₆₄和t₄分别是采集处理64激光传感器数据和4线激光传感器数据的耗时，λ是参数。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，所述步骤s3中，同步匹配处理方法包括：

没有64线激光传感器检测到的障碍物块与之成功匹配的box，不作任何处理；

没有box与之成功匹配的64线激光传感器检测到的障碍物块，不作任何处理，仍然采用64线激光传感器的检测结果作为最终结果；

有box与之成功匹配的64线激光传感器检测到的障碍物块，融合64线激光传感器和4线激光传感器数据得到最终运动状态。

优选的，在上述的无人驾驶汽车车道动态障碍物检测方法中，所述步骤s4中，融合方法包括：

假设x₁和x₂分别是64线激光传感器数据计算得到的运动状态和4线激光传感器输出的运动状态，它们都服从高斯分布，某次测量它们得到的数据分别是x₁和x₂，则它们的概率密度函数见式：

$p_1\left(x\right|x_1)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp \[-\frac{1}{2}{\left(\frac{x-x_1}{{\mathrm{\σ}}_1}\right)}^2\]$

$p_1\left(x\right|x_2)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}\exp \[-\frac{1}{2}{\left(\frac{x-x_2}{{\mathrm{\σ}}_2}\right)}^2\]$

x_i对x_j置信距离d_ij满足下式：

$d_{ij}=2{\∫}_{x_i}^{x_j}{p}_i\left(x\right|x_i)dx$

得到一个2阶的置信距离矩阵：

$D_2=\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]$

假设置信距离临界矩阵为

$T_2=\left[\begin{array}{cc}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right]$

得到一个2阶的关系矩阵：

$\begin{array}{c}{r}_{ij}=\left\{\begin{array}{c}1,d_{ij}\≤t_{ij}\\ 0,d_{ij}>t_{ij}\end{array}\right.\\ R_2=\left[\begin{array}{cc}{r}_{11}& r_{12}\\ r_{21}& r_{22}\end{array}\right]\end{array}$

对满足输出支持传感器个数为2的传感器数据按照下式进行融合，最终得障碍物块的运动状态X，其中l是满足输出支持传感器个数为2的传感器个数：

$X=\frac{\underset{k=1}{\overset{l}{\Σ}}\frac{x_k}{{\mathrm{\σ}}_k^2}}{\underset{k=1}{\overset{l}{\Σ}}\frac{1}{{\mathrm{\σ}}_k^2}}.$

与现有技术相比，本发明的优点在于：本发明方法不仅可以在室外环境中准确地检测出障碍物运动信息，而且可以消除传感器数据处理延时所带来的动态障碍物位置偏差，更准确地将环境中的动静态障碍物信息用障碍物占用栅格图进行描述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1所示为本发明具体实施例中动态障碍物检测方法的流程图；

图2所示为本发明具体实施例中64线激光传感器和4线激光传感器的检测范围示意图；

图3所示为本发明具体实施例中用最大最小值高度图法对一个十字路口的64线激光传感器数据栅格化后所得到的障碍物占用栅格图；

图4所示为本发明具体实施例中4线激光传感器输出动态障碍物信息示意图；

图5所示为本发明具体实施例中64线激光传感器数据和四线激光传感器数据同步示意图；

图6所示为本发明具体实施例中64线激光传感器数据和4线激光传感器数据匹配示意图；

图7所示为本发明具体实施例中动态障碍物位置修正示意图。

具体实施方式

本申请实施例公开了一种无人驾驶汽车车道动态障碍物检测方法，包括：64激光传感器、4线激光传感器、信息处理模块、执行机构。其方法包括：将64激光传感器和4线激光传感器两种激光传感器检测到的信息融合得到的障碍物信息进行匹配验证，如果误差在设定的精度范围内，则向无人驾驶汽车执行机构发出控制指令，执行行车控制子系统，用于根据收集到的辅助信息生成控制指令，控制所述无人汽车执行相应的操作。

进一步地，将融合64线激光传感器和四线激光传感器检测到的障碍物信息，包括障碍物形状、位置、速度等信息，提高障碍物检测精度。

本申请综合采用两种传感器来提高车道障碍物检测的精确度，采用64线激光传感器对无人驾驶汽车周围的障碍物进行检测跟踪，利用卡尔曼滤波器对障碍物的运动状态进行跟踪与预测，对于无人驾驶汽车前方准确性要求较高的扇形区域，采用置信距离理论融合和四线激光传感器数据来确定障碍物的信息，最后，将两种激光传感器检测到的信息融合得到的障碍物信息。

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行详细的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

结合图1和图2所示，对64线激光传感器数据进行栅格化处理得到一张障碍物占用栅格图，对不同时刻的栅格图进行聚类跟踪可以获取障碍物的动态信息，将动态的障碍物从栅格图中删除并存储在动态障碍物列表中，这个删除了动态障碍物占有信息的栅格图也就是一张静态障碍物栅格图，然后将动态障碍物列表中的动态障碍物信息和4线激光传感器获取的无人驾驶汽车前方区域内的动态障碍物信息进行同步融合得到一个新的动态障碍物列表，最后将这个新的列表中的动态障碍物合并到静态障碍物栅格图中得到一张动静态障碍物区别标示的栅格图。

采用最大最小值高度图法对64线激光传感器数据进行栅格化处理。在最大最小值高度图中地面被建模为一系列的栅格，这些栅格仅包含两个值：所有投影到同一栅格中的激光传感器返回值的最大值和最小值。然后将最大值和最小值之差大于预先设定的阈值。D的栅格标记为障碍物状态；将差小于D的栅格标记为非障碍物状态。对于一个栅格X，如果其为障碍物状态，则设置该栅格的占用值T(X)＝1；如果为非障碍物状态，则设置为T(X)＝0。图3是用最大最小值高度图法对一个十字路口的64线激光传感器数据栅格化后所得到的障碍物占用栅格图。

对障碍物进行跟踪之前需要对地图中的占用栅格进行聚类，采用一种区域生长聚类算法，聚类后对障碍物进行跟踪，首先创建一个动态障碍物列表来存储上面聚类得到的障碍物块信息，并且实时更新这些障碍物块的跟踪结果。存储于这个动态障碍物列表中的每一个障碍物块包含以下信息：编号，最新一次聚类得到时的时间、占据位置、速度大小方向和加速度大小方向，速度协方差，加速度协方差以及存在置信度和运动置信度。

传感器数据同步匹配，因为四线激光传感器能直接输出环境中的动态障碍物信息，而64线激光传感器数据经过上文中的一系列处理才能得到环境中动态障碍物信息，两者的数据采集和处理耗时不同，所以首先需要同步匹配两者的障碍物信息。4线激光传感器输出的动态障碍物信息是用一个个box的格式进行表示的，每个box的参数包括边长a、b，中心位置和速度v的大小方向，如图4所示，将box的中心位置O(x,y)朝其速度方向的反方向平移距离s，如图5所示，s的大小满足下式：

s＝λ·(t₆₄-t₄)·v

其中t₆₄和t₄分别是采集处理64激光传感器数据和4线激光传感器数据的耗时，λ是参数。

同步完成后,就可以匹配两个传感器的障碍物块信息，与某个box有区域重叠的障碍物块，即和该box成功匹配，这样匹配的结果也有以下3种：

1、没有64线激光传感器检测到的障碍物块与之成功匹配的box，不作任何处理

2、没有box与之成功匹配的64线激光传感器检测到的障碍物块，如图5中的OB3，也不作任何处理，仍然采用64线激光传感器的检测结果作为最终结果

3、有box与之成功匹配的64线激光传感器检测到的障碍物块，如图6中的OB₁和OB₂，它们都需要融合64线激光传感器和4线激光传感器数据得到最终运动状态。

传感器数据融合，同步匹配完成后，采用置信距离理论对匹配成功的两个传感器数据进行融合，假设x₁和x₂分别是64线激光传感器数据计算得到的运动状态和4线激光传感器输出的运动状态，它们都服从高斯分布，某次测量它们得到的数据分别是x₁和x₂，则它们的概率密度函数见式：

$\begin{array}{c}{p}_1\left(x\right|x_1)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp \[-\frac{1}{2}{\left(\frac{x-x_1}{{\mathrm{\σ}}_1}\right)}^2\]\\ p_1\left(x\right|x_2)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}\exp \[-\frac{1}{2}{\left(\frac{x-x_2}{{\mathrm{\σ}}_2}\right)}^2\]\end{array}$

x_i对x_j置信距离d_ij满足下式：

$d_{ij}=2{\∫}_{x_i}^{x_j}{p}_i\left(x\right|x_i)dx$

于是可以得到一个2阶的置信距离矩阵：

$D_2=\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]$

假设置信距离临界矩阵为

$T_2=\left[\begin{array}{cc}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right]$

则由上式可以得到一个2阶的关系矩阵：

$\begin{array}{c}{r}_{ij}=\left\{\begin{array}{c}1,d_{ij}\≤t_{ij}\\ 0,d_{ij}>t_{ij}\end{array}\right.\\ R_2=\left[\begin{array}{cc}{r}_{11}& r_{12}\\ r_{21}& r_{22}\end{array}\right]\end{array}$

最后对满足输出支持传感器个数为2的传感器数据按照下式进行融合，最终得障碍物块的运动状态X，其中l是满足输出支持传感器个数为2的传感器个数。

$X=\frac{\underset{k=1}{\overset{l}{\Σ}}\frac{x_k}{{\mathrm{\σ}}_k^2}}{\underset{k=1}{\overset{l}{\Σ}}\frac{1}{{\mathrm{\σ}}_k^2}}$

融合完成后，考虑到64线激光传感器数据采集处理耗时，动态障碍物的占据位置在这段时间内实际发生了变化，需要对这些占据位置进行修正。修正方式为，将动态障碍物列表中那些运动置信度大于上面设定值的障碍物块的所有占据位置朝其速度方向平移距离S′，如图7所示，其中v′是经过融合后的障碍物块运动速度。这些经过融合、修正后的障碍物块信息都更新存储在动态障碍物列表中。

S'＝λ'·t_v·v'

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (8)

1.一种无人驾驶汽车车道动态障碍物检测方法，其特征在于，包括：

s1、通过64线激光传感器对汽车周围的障碍物进行检测跟踪，获取不同时刻的障碍物栅格图，并从该障碍物栅格图中获取静态障碍物栅格图和动态障碍物列表；

s2、通过4线激光传感器采集车辆前方区域内的动态障碍物信息；

s3、将64线激光传感器动态障碍物列表中的动态障碍物信息和4线激光传感器获取的动态障碍物信息进行同步匹配；

s4、采用置信距离理论对匹配成功的64线激光传感器和4线激光传感器的数据进行融合；

s5、根据融合得到的结果对运动障碍物的位置进行延时修正，最终在障碍物占用栅格图上将动态障碍物所占据位置与静态障碍物所占据位置区别标示。

2.根据权利要求1所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：所述步骤s1中，采用最大最小值高度图法对64线激光传感器的数据进行栅格化处理。

3.根据权利要求1所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：所述步骤s1中，采用区域生长聚类算法对地图中的占用栅格进行聚类，聚类后对障碍物进行跟踪。

4.根据权利要求3所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：聚类和跟踪方法包括：通过动态障碍物列表来存储聚类得到的障碍物块信息，并且实时更新这些障碍物块的跟踪结果。

5.根据权利要求4所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：存储于所述动态障碍物列表中的每一个障碍物块至少包含以下信息：编号，最新一次聚类得到时的时间、占据位置、速度大小方向和加速度大小方向、速度协方差、加速度协方差以及存在置信度和运动置信度。

6.根据权利要求1所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：所述步骤s3中，同步匹配方法包括：4线激光传感器输出的动态障碍物信息是用一个个box的格式进行表示的，每个box的参数包括中心位置O(x,y)和速度v的大小方向，将box的中心位置O(x,y)朝其速度方向的反方向平移距离s，s的大小满足下式：

s＝λ·(t₆₄-t₄)·v

其中t₆₄和t₄分别是采集处理64激光传感器数据和4线激光传感器数据的耗时，λ是参数。

7.根据权利要求6所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：所述步骤s3中，同步匹配处理方法包括：

没有64线激光传感器检测到的障碍物块与之成功匹配的box，不作任何处理；

没有box与之成功匹配的64线激光传感器检测到的障碍物块，不作任何处理，仍然采用64线激光传感器的检测结果作为最终结果；

有box与之成功匹配的64线激光传感器检测到的障碍物块，融合64线激光传感器和4线激光传感器数据得到最终运动状态。

8.根据权利要求1所述的无人驾驶汽车车道动态障碍物检测方法，其特征在于：所述步骤s4中，融合方法包括：

假设x₁和x₂分别是64线激光传感器数据计算得到的运动状态和4线激光传感器输出的运动状态，它们都服从高斯分布，某次测量它们得到的数据分别是x₁和x₂，则它们的概率密度函数见式：

$p_1\left(x\right|x_1)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_1}\exp \[-\frac{1}{2}{\left(\frac{x-x_1}{{\mathrm{\σ}}_1}\right)}^2\]$

$p_1\left(x\right|x_2)=\frac{1}{\sqrt{2\mathrm{\π}}{\mathrm{\σ}}_2}\exp \[-\frac{1}{2}{\left(\frac{x-x_2}{{\mathrm{\σ}}_2}\right)}^2\]$

x_i对x_j置信距离d_ij满足下式：

$d_{ij}=2{\∫}_{x_i}^{x_j}{p}_i\left(x\right|x_i)dx$

得到一个2阶的置信距离矩阵：

$D_2=\left[\begin{array}{cc}{d}_{11}& d_{12}\\ d_{21}& d_{22}\end{array}\right]$

假设置信距离临界矩阵为

$T_2=\left[\begin{array}{cc}{t}_{11}& t_{12}\\ t_{21}& t_{22}\end{array}\right]$

得到一个2阶的关系矩阵：

$\begin{array}{c}{r}_{ij}=\left\{\begin{array}{cc}1,& d_{ij}\≤t_{ij}\\ 0,& d_{ij}>t_{ij}\end{array}\right.\\ R_2=\left[\begin{array}{cc}{r}_{11}& r_{12}\\ r_{21}& r_{22}\end{array}\right]\end{array}$

对满足输出支持传感器个数为2的传感器数据按照下式进行融合，最终得障碍物块的运动状态X，其中l是满足输出支持传感器个数为2的传感器个数：

$X=\frac{\underset{k=1}{\overset{l}{\Σ}}\frac{x_k}{{\mathrm{\σ}}_k^2}}{\underset{k=1}{\overset{l}{\Σ}}\frac{1}{{\mathrm{\σ}}_k^2}}.$