基于三维激光点云数据特征的立面障碍物检测方法

本发明涉及智能环境感知领域，特别涉及一种基于三维激光点云数据特征的立面障碍物检测方法。

背景技术：

1、目前，隧道壁清洗主要采用人工清洗的方式，需要耗费大量的时间和人力资源，并且存在极大的安全隐患。较于传统的手工清洗，洗墙车可以更加高效、快捷地完成工作，人工操作洗墙车主要由司机和工人两个人组成的团队完成。司机负责驾驶洗墙车，工人则坐在操作室中，通过遥控器操纵洗墙车的清洗臂架，以完成清洗立面外表面污渍的工作。但是，由于洗墙车作业环境复杂，隧道和隔音屏立面上时常有各种障碍物，给清洗作业带来了很大的难度和风险。如果清洗工人精神不集中或操作失误，可能会导致臂架末端碰撞立面，从而对臂架系统和立面造成冲击损伤，严重时甚至可能造成车祸。

2、在自动化清洗工作中，基于激光雷达成像的装备，可通过感知周围环境的距离和形状信息，自动调整清洗策略，避免撞击障碍物，并保证清洗效果。但由于不同场景的墙面有不同的特性，如在水平、垂直方向弧度不同，墙面透明度不同；当障碍物尺寸较小且颜色和材料的光反射率低时，激光雷达得到的障碍物信息弱，对于环境变化比较敏感；对于透明度高的墙面如隔音屏，激光雷达发射的大部分光束会穿透玻璃从而造成返回隔音屏后面的物体或者无返回信号；车辆作业时喷洒的水雾会在滚刷带动下向车前进方向运动从而进入到激光雷达的视野，稠密的水雾会反射雷达信号或者漂浮在障碍物周围。导致无法准确识别障碍物。

技术实现思路

1、为了解决目前自动化清洗工作中干扰信号多导致无法准确识别障碍物的技术问题，本发明提出了一种可以在不同场景和稀薄水雾条件下对各种立面障碍物进行准确识别，将其应用到立面清洗装备上，感知算法能获得可靠、稳定的检测结果。

2、为了实现上述技术目的，本发明的技术方案是，

3、一种基于三维激光点云数据特征的立面障碍物检测方法，包括以下步骤：

4、s1，在洗墙车开始清扫移动前，通过激光雷达来采集洗墙车所处场景包括地面及墙面在内的各个平面的点云，并通过外参标定获取点云与真实场景间正确的对应关系；然后根据平面间的空间位置转换关系，获取用于对点云进行坐标矫正的固有参数；

5、s2，在洗墙车开始清扫移动后，对移动中获取的每一帧点云进行滤波处理，并基于固有参数进行坐标矫正，按照分布情况划分栅格；使用栅格特征表征点云，提取感兴趣区域roi，并滤除点云噪声；

6、s3，通过特征分割的方式获取墙面即立面的点云并将其从感兴趣区域中滤除，从而获取障碍物点云；

7、s4，对障碍物点云聚类处理，计算障碍物尺寸并获取障碍物边界框信息；初步聚类完成后根据质心距离进行二次分类以提高障碍物识别精度；

8、s5，对每个障碍物建立跟踪，在连续帧之间根据距离进行匹配，对匹配后的障碍物进行卡尔曼滤波更新；针对不同的匹配结果，对每个障碍物进行新建、合并或删除，从而得到障碍物检测结果。

9、所述的一种基于三维激光雷达数据的立面障碍物检测方法，步骤s1中，获取固有参数的步骤包括：

10、s101，选取欧式距离超过阈值的多个平面，获取这些平面上的点云，计算这部分点云的法向量作为这些平面的法向量；

11、s102，将这些平面的法向量向坐标平面投影，然后统计投影后的各个法向量与真实法向量的夹角；并在洗墙车开始清扫移动前，通过激光雷达来采集多帧点云，通过计算多帧的夹角结果取平均值来作为固有参数。

12、所述的一种基于三维激光雷达数据的立面障碍物检测方法，所述的步骤s101中，计算这部分点云的法向量包括以下步骤：

13、1)从xyz坐标系中的三个坐标维度分别计算点云坐标的均值，获取所选点云的质心坐标，并根据质心计算协方差矩阵；

14、2)计算协方差矩阵的特征值和特征向量，选取最小特征值对应的特征向量作为法向量。

15、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，步骤s2中，提取感兴趣区域roi包括以下步骤：

16、s201，根据洗墙车用于清扫的滚刷的移动数据，获取滚刷的真实位置，并以滚刷沿洗墙车移动方向向前延伸的位置作为roi，在每一帧点云中均使用直通滤波去除坐标大于阈值的点云，并根据固有参数进行旋转变换，获得roi的点云；

17、s202，在xoz平面划分栅格，其中栅格形状为给定边长参数的正方形；

18、s203，遍历所有栅格，对每一个栅格内点云的所有点按照坐标进行升序排序，如果排序后的数组中存在某个位置元素与上一位置元素的坐标值相差超过阈值，则在该栅格内将该位置之后的点去除，否则不作处理。

19、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，步骤s201中，使用滤波算法获得roi的点云后，如果获得的点云数量相比原点云低于预设的比例阈值，则重新采集洗墙车当前所处场景包括地面及墙面在内的各个平面的点云，并重新获取固有参数后再次执行步骤s2。

20、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，所述的步骤s3包括：

21、s301，对点云使用随机抽样一致性方法，根据最小化欧式距离的平面拟合方法分离墙面点云，标记认定的平面点云；并多次重复执行直到剩余点云数量小于原始点云的预设比例后，将剩余点云作为障碍物点云。

22、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，在步骤s301完成时，如果从几何特征上判断出现了两个平面，则当两个平面之间的距离超过阈值，且两个平面中离激光雷达原点的欧式距离较远的平面点云数量超过原始点云数量的相应比例时，保留近处的平面点云作为新的工作面，否则仍认为是同一平面。

23、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，在执行步骤s301时，当出现弯曲墙面时，则将弯曲墙面沿弯曲方向进行分段，并对每个分段执行步骤s301来分离障碍物，在所有分段都分离障碍物后，使用基于体素的降采样减少点云数量，最后将所有分段的结果合并。

24、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，步骤s4中，计算障碍物尺寸，包括：

25、s401，对步骤s3中得到的障碍物点云进行滤波，选取障碍物上靠近激光雷达一侧左上方的角点作为起始点pi，根据点云距离搜索点pi的k个最近邻点，计算pi和k个最近邻点所组成集合的质心点，并计算集合内所有点到质心点的距离，然后统计均值和方差，将该集合内与质心的距离超出阈值的点视为噪声点剔除；

26、s402，对s401中得到的点集{p}采用聚类算法得到每个障碍物的点集{ps}；

27、s403，计算每一个障碍物在三个坐标方向上的两端极值的差的绝对值，并作为障碍物的长宽高，对于在洗墙车前进方向上距离小于阈值的相邻障碍物进行合并，并作为一个新的障碍物重新计算长宽高。

28、所述的一种基于三维激光点云数据特征的立面障碍物检测方法，所述的步骤s5包括：

29、s501，若非起始帧，则将上一帧检测到的障碍物根据运动模型进行预测；

30、s502，将s501得到的障碍物预测轨迹与当前帧的障碍物检测进行匈牙利匹配；对于匹配到的轨迹和检测结果，以状态转移矩阵进行运动状态积分，结合当前帧观测结果，使用卡尔曼滤波进行更新；

31、s503，对于之前帧中存在但又未匹配到的障碍物的轨迹，标记其失配时间，如果失配时间超过阈值则将该轨迹删除；对于当前帧里存在但未匹配到之前轨迹的障碍物，标记其存在时间，如果存在时间超过阈值则将该障碍物作为新障碍物加入队列。

32、本发明的技术效果在于，使用ransac和欧式聚类实现了不同场景下对墙面障碍物的准确识别，并使用跟踪滤波保证了检测的稳定性，为后续路径规划提供了可靠的观测。该算法能够在光线昏暗的隧道内和水雾遮挡操作员视线的恶劣条件下运行，保证了行车过程中避障的安全性，同时提高了工作效率，对于实现大型重载设备无人化、高效化具有重要意义。