采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法 |
|||||||
申请号 | CN201610872210.9 | 申请日 | 2016-09-30 | 公开(公告)号 | CN106546250A | 公开(公告)日 | 2017-03-29 |
申请人 | 张家港长安大学汽车工程研究院; | 发明人 | 韩毅; 李林聪; 樊晓楠; 薛诺诺; 方海洋; | ||||
摘要 | 本 发明 涉及一种采用多线式激光扫描雷达的无人驾驶 汽车 的路径识别方法,包括如下步骤:步骤1: 车顶 上设置可旋转360°的多线式激光扫描雷达,激光扫描雷达发射 激光束 对周围环境进行扫描;步骤2:激光扫描雷达对激光束进行接收;步骤3:获取每束激光束所返回信息的参数,步骤4:将每一条激光束返回的距离值Dret和当前 激光雷达 的旋转 角 度γ转化为激光雷达 坐标系 中的笛卡尔坐标(Px,Py,Pz);步骤5:建立环境地图;步骤6:环境地图用拓扑地图表示法,利用路径识别搜索 算法 进行路径规划,确定最优路径。本发明采用多线式激光扫描雷达对无人驾驶汽车的路径进行识别,可以有效的完成在实际交通中的路径识别信息,路径识别 精度 高,具有很好的易用性和鲁棒性。 | ||||||
权利要求 | 1.一种采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法,其特征在于,包括如下步骤: |
||||||
说明书全文 | 采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法技术领域[0001] 本发明涉及无人驾驶汽车的路径识别方法技术领域,尤其是一种采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法。 背景技术[0002] 无人驾驶汽车是一个集环境感知、规划与决策、控制等多项功能与一体的综合智能系统,涵盖了多学科的技术知识。主要包括机械、控制、传感器技术、信号处理、模式识别、人工智能和计算机技术等。无人驾驶车辆起源于军事应用,主要用于地面战场漫游并发现敌军部队或设备的陆地设备。经过多年的发展,应用环境从地面发展到空中、水下、水面等。无人驾驶汽车在军事国防、公共安全、城市交通、汽车制造等领域具有广阔的前景和潜在的使用价值,得到众多国家的重视,同时也是衡量一个国家科研实力和工业水平的一个重要标志。 [0003] 目前无人驾驶汽车路径识别的最主要途径是通过摄像装置将图片信号处理为数字信号,再由计算机控制系统进行处理,但这种处理方式也是常用于平坦的道路,对于蜿蜒崎岖的山路,并不能进行有效的识别路径信息。 发明内容[0004] 本发明要解决的技术问题是:提供一种采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法,采用多线式激光扫描雷达对无人驾驶汽车的路径进行识别。 [0005] 本发明解决其技术问题所采用的技术方案是:一种采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法,包括如下步骤: [0007] 步骤2:激光扫描雷达对激光束进行接收; [0008] 步骤3:获取每束激光束所返回信息的参数,参数包括距离校正因子Dcorr、垂直偏移量V0、水平偏移量H0、垂直校正角θ、旋转校正角α; [0010] 步骤5:通过激光雷达中的笛卡尔坐标,建立环境地图; [0012] 进一步地,步骤3中,距离校正因子Dcorr是指一条激光束的距离偏差,返回的距离值Dret加上距离校正因子Dcorr表示激光束测得的真正距离D; [0013] 垂直偏移量V0是指在竖直平面内激光束测量的起点到雷达坐标系原点的偏移量; [0014] 水平偏移量H0是指在xy平面激光束测量的起点到激光雷达坐标系原点的偏移量; [0015] 垂直校正角θ是指激光束相对于激光雷达坐标系xy平面的角度偏移量,向上偏移为正,向下偏移为负; [0016] 旋转校正角α是指激光束与激光雷达编码盘零度角之间的角度偏移量,当激光雷达旋转时,假设其当前旋转角度为γ,每一条激光束都有一个不同的旋转校正角α,定义另一个角β=γ-α表示激光束相对于yz平面的角度。 [0017] 进一步地,每一条激光束返回的距离值Dret和当前激光雷达的旋转角度γ转化为激光雷达坐标系中的笛卡尔坐标(Px,Py,Pz),公式如下: [0018] D=Dret+Dcorr; [0019] Dxy=Dcosθ-V0sinθ; [0020] Px=Dxysinβ-H0cosβ; [0021] Py=Dxycosβ+H0sinβ; [0022] Pz=Dsinθ+V0cosθ; [0023] 进一步地,步骤6中,环境地图用拓扑地图表示法,利用路径识别搜索算法进行路径规划,确定最优路径,具体步骤如下: [0024] (1)建立环境地图,环境地图用拓扑地图表示法表示; [0025] (2)对每个道路节点设计一个估价函数,如下公式所示: [0026] f(s)=g(s)+h(s); [0027] 其中:f(s)表示从起始节点经过节点s到目标节点的估计长度; [0028] g(s)表示从起始节点到当前节点的路径长度; [0029] h(s)为启发函数,是当前节点到目标节点的估计值。 [0030] (3)对上述公式进行改进,扩大启发函数值,改进后的公式为: [0031] key(s)=g(s)+ε*h(s); [0032] 其中:key(s)为估价函数; [0033] ε(ε≥1)为权值系数; [0034] g(s)表示从起始节点到当前节点的路径长度。 [0035] (4)确定能够搜到最优路径的前提条件,如下公式: [0036] h(s)≤cost*(s,sgoal); [0037] 其中:cost*(s,sgoal)为当前节点到目标节点的最优距离。 [0038] (5)改进确定能够搜到最优路径的前提条件,如下公式: [0039] ε×h(s)≤ε×cost*(s,sgoal); [0040] (6)启发函数的选用,将曼哈顿距离或对角线距离或欧几里德距离作为启发函数,对于给定的两个点的位置坐标(xi,yi)和(xj,yj),两点间的曼哈顿距离dm,对角线距离dd和欧几里德距离de的公式如下所示: [0041] dm=|xi-xj|+|yi-yj|; [0042] dd=max(|xi-xj|,|yi-yj|); [0043] [0044] (7)道路节点的管理采用OPEN集合和CLOSE集合来管理道路节点; [0045] (8)搜索算法开始后,从OPEN集合中选择最小节点进行扩展,初始OPEN集合只存放sstart节点,CLOSE集合为空; [0046] (9)此时估价函数转化为如下公式: [0047] f(sstart)=g(sstart)+h(sstart); [0048] g(sstart)=0; [0049] (10)改进上述公式为: [0050] key(sstart)=g(sstart)+ε*h(sstart); [0051] g(sstart)=0; [0052] (11)节点s被扩展到的子节点存放于OPEN集合中,扩展完成后,从OPEN集合中移到CLOSE集合中; [0053] (12)循环上述过程,直到扩展到目标节点或者OPEN集合为空时,结束;若OPEN集合为空,表明没有可行路径,规划失败;扩展到目标节点则最优路径规划成功,结束。 [0054] 进一步地,所述多线式激光扫描雷达为64线激光扫描雷达。 [0055] 本发明的有益效果是:本发明采用多线式激光扫描雷达对无人驾驶汽车的路径进行识别,在无人驾驶汽车的行驶过程中,通过车顶所载多线式激光扫描雷达对车身周围的360°环境进行扫描;由激光扫描雷达发射与接收激光束,对激光束返回的距离和角度信息进行采集;使返回距离和激光雷达的旋转角度转化为笛卡尔坐标,生成道路路面信息,根据搜索算法进行路径规划,确定最佳可供选择的可行驶路径。本发明可以有效的完成在实际交通中的路径识别信息,路径识别精度高,具有很好的易用性和鲁棒性,可适用于对蜿蜒崎岖的山路的路径识别。 附图说明 [0056] 下面结合附图对本发明进一步说明。 [0057] 图1是本发明的流程图; [0058] 图2是本发明的搜索算法的流程图; [0059] 图3是本发明的搜索示意图; [0060] 图4是本发明的最优路径图; [0061] 图5是本发明的搜索算法的搜索过程表。 具体实施方式[0062] 现在结合附图对本发明作进一步的说明。这些附图均为简化的示意图仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。 [0063] 如图1所示,一种采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法,包括如下步骤: [0064] 步骤1:车顶上设置可旋转360°的多线式激光扫描雷达,激光扫描雷达发射激光束对周围环境进行扫描; [0065] 步骤2:激光扫描雷达对激光束进行接收; [0066] 步骤3:获取每束激光束所返回信息的参数,参数包括距离校正因子Dcorr、垂直偏移量V0、水平偏移量H0、垂直校正角θ、旋转校正角α; [0067] 步骤4:对参数进行标定,标定后,将每一条激光束返回的距离值Dret和当前激光雷达的旋转角度γ转化为激光雷达坐标系中的笛卡尔坐标(Px,Py,Pz); [0068] 步骤5:通过激光雷达中的笛卡尔坐标,建立环境地图; [0069] 步骤6:环境地图用拓扑地图表示法,利用路径识别搜索算法进行路径规划,确定最优路径。 [0070] 具体地,步骤3中,距离校正因子Dcorr是指一条激光束的距离偏差,返回的距离值Dret加上距离校正因子Dcorr表示激光束测得的真正距离D; [0071] 垂直偏移量V0是指在竖直平面内激光束测量的起点到雷达坐标系原点的偏移量; [0072] 水平偏移量H0是指在xy平面激光束测量的起点到激光雷达坐标系原点的偏移量; [0073] 垂直校正角θ是指激光束相对于激光雷达坐标系xy平面的角度偏移量,向上偏移为正,向下偏移为负; [0074] 旋转校正角α是指激光束与激光雷达编码盘零度角之间的角度偏移量,当激光雷达旋转时,假设其当前旋转角度为γ,每一条激光束都有一个不同的旋转校正角α,定义另一个角β=γ-α表示激光束相对于yz平面的角度。 [0075] 具体地,每一条激光束返回的距离值Dret和当前激光雷达的旋转角度γ转化为激光雷达坐标系中的笛卡尔坐标(Px,Py,Pz),公式如下: [0076] D=Dret+Dcorr; [0077] Dxy=Dcosθ-V0sinθ; [0078] Px=Dxysinβ-H0cosβ; [0079] Py=Dxycosβ+H0sinβ; [0080] Pz=Dsinθ+V0cosθ; [0081] 图2是本发明的搜索算法的流程图;图3是本发明的搜索示意图;图4是本发明的最优路径图;图5是本发明的搜索算法的搜索过程表。 [0082] 具体地,步骤6中,环境地图用拓扑地图表示法,利用路径识别搜索算法进行路径规划,确定最优路径,具体步骤如下: [0083] (1)建立环境地图,环境地图用拓扑地图表示法表示; [0084] (2)对每个道路节点设计一个估价函数,如下公式所示: [0085] f(s)=g(s)+h(s); [0086] 其中:f(s)表示从起始节点经过节点s到目标节点的估计长度; [0087] g(s)表示从起始节点到当前节点的路径长度; [0088] h(s)为启发函数,是当前节点到目标节点的估计值。 [0089] (3)对上述公式进行改进,扩大启发函数值,改进后的公式为: [0090] key(s)=g(s)+ε*h(s); [0091] 其中:key(s)为估价函数; [0092] ε(ε≥1)为权值系数; [0093] g(s)表示从起始节点到当前节点的路径长度。 [0094] (4)确定能够搜到最优路径的前提条件,如下公式: [0095] h(s)≤cost*(s,sgoal); [0096] 其中:cost*(s,sgoal)为当前节点到目标节点的最优距离。 [0097] (5)改进确定能够搜到最优路径的前提条件,如下公式: [0098] ε×h(s)≤ε×cost*(s,sgoal); [0099] (6)启发函数的选用,将曼哈顿距离或对角线距离或欧几里德距离作为启发函数,对于给定的两个点的位置坐标(xi,yi)和(xj,yj),两点间的曼哈顿距离dm,对角线距离dd和欧几里德距离de的公式如下所示: [0100] dm=|xi-xj|+|yi-yj|; [0101] dd=max(|xi-xj|,|yi-yj|); [0102] [0103] (7)道路节点的管理采用OPEN集合和CLOSE集合来管理道路节点; [0104] (8)搜索算法开始后,从OPEN集合中选择最小节点进行扩展,初始OPEN集合只存放sstart节点,CLOSE集合为空; [0105] (9)此时估价函数转化为如下公式: [0106] f(sstart)=g(sstart)+h(sstart); [0107] g(sstart)=0; [0108] (10)改进上述公式为: [0109] key(sstart)=g(sstart)+ε*h(sstart); [0110] g(sstart)=0; [0111] (11)节点s被扩展到的子节点存放于OPEN集合中,扩展完成后,从OPEN集合中移到CLOSE集合中; [0112] (12)循环上述过程,直到扩展到目标节点或者OPEN集合为空时,结束;若OPEN集合为空,表明没有可行路径,规划失败;扩展到目标节点则最优路径规划成功,结束。 [0113] 优先的,所述多线式激光扫描雷达为64线激光扫描雷达。 [0114] 本发明的采用多线式激光扫描雷达的无人驾驶汽车的路径识别方法,在无人驾驶汽车的行驶过程中,通过车顶所载多线式激光扫描雷达对车身周围的360°环境进行扫描;由激光扫描雷达发射与接收激光束,对激光束返回的距离和角度信息进行采集;使返回距离和激光雷达的旋转角度转化为笛卡尔坐标,生成道路路面信息,根据搜索算法进行路径规划,搜索算法进行改进,确定最佳可供选择的可行驶路径。本发明可以有效的完成在实际交通中的路径识别信息,路径识别精度高,具有很好的易用性和鲁棒性。 [0115] 激光雷达是以发射光束来探测目标位置的雷达系统,有二维扫描雷达和多线式扫描雷达两种,它们大部分都是靠旋转的反射镜将激光发射出去并通过测量发射光和从表面反射光之间的时间差来测距。二维扫描雷达与多线式扫描雷达相比,二维激光雷达只是在一个平面上扫描,结构简单,测距速度快,系统可靠稳定,但是对于地形复杂、路面高低不平的环境时,由于其只能在一个平面上进行单线扫面,故不可避免会出现数据失真和虚报的现象。同时,由于数据量有限,用单个二维激光雷达也无法完成越野环境下的地形重建工作。采用多线式激光扫描雷达不仅可以解决以上缺点,还可以扩大车辆的识别范围。 |