一种基于激光点云的地面分割方法与流程

1.本发明涉及环境感知技术领域，具体涉及一种基于激光点云的地面分割方法。


背景技术：

2.激光雷达成为机器人或无人车感知环境的主要传感器之一，基于激光点云的底面分割功能主要为机器人、无人车等有效分割出可行驶地面，是保证机器人或无人车正常行驶的重要环节。常见的激光点云地面分割方法大多基于传统多线激光雷达的扫描角度，但目前出现的固态等激光雷达扫描方式与传统多线激光雷达大不相同，导致了许多方法难以有效应用。


技术实现要素：

3.本发明为了克服以上技术的不足，提供了一种可以分割出具有一定起伏程度地面的方法。
4.本发明克服其技术问题所采用的技术方案是：
5.一种基于激光点云的地面分割方法，包括如下步骤：
6.a)接收激光雷达发送的实时激光点云帧，对点云视野范围进行扇区的划分；
7.b)将所有点划归入所属扇区；
8.c)将每个扇区内的点云进行排序；
9.d)判断点云中第i个点pi是否为地面点；
10.e)遍历所有扇区，对所有扇区内的非地面点进行去除离群点处理，完成地面分割。进一步的，步骤a)中通过公式计算得到点云中第i个点pi所属扇区segment(pi)，完成扇区的划分，式中θ为点云数据中点到x轴正方向的夹角，δα为扇区划分的分辨率，xi为点pi的x轴坐标值，yi为点pi的y轴坐标值。
11.步骤b)中通过公式ps＝{pi∈p|segment(pi)＝s}计算得到划归入第s个扇区后点的集合ps，式中p为激光雷达点云帧中所有点的集合。
12.进一步的，步骤c)包括如下步骤：
13.c-1)将每个扇区内的点云进行降维操作，通过公式{x,y,z}＝{d,z}+θ将三维空间点{x,y,z}降至xy二维平面，保留z轴高度值，其中x为三维空间点的x轴坐标值，y为三维空间点的y轴坐标值，z为三维空间点的z轴坐标值，d为点在xy平面上到激光雷达坐标原点的半径，
14.c-2)按照d值大小对点云进行排序。
15.进一步的，步骤d)包括如下步骤：
16.d-1)寻找点云中第i个点pi(di,zi,θi)的前一个点p
i-1
(d
i-1
,z
i-1
,θ
i-1
)，di为第i个点的d值，d
i-1
为第i-1个点的d值，zi为第i个点的z轴坐标值，z
i-1
为第i-1个点的z轴坐标值，θi为第i个点到x轴正方向的夹角，θ
i-1
为第i-1个点到x轴正方向的夹角；
17.d-2)设置相邻点距离阈值δd1，如果|d
i-d
i-1
|＜δd1则令|d
i-d
i-1
|＝δd1；
18.d-3)设置坡度阈值slope
thr1
，通过公式δh1＝|d
i-d
i-1
|*tan(slope
thr1
)计算得到相邻点之间高度差阈值δh1，通过公式δh1＝|z
i-z
i-1
|计算得到相邻点之间高度差δh1；
19.d-4)寻找与点云中第i个点pi(di,zi,θi)同一扇区内距离为δd的地面点pk(dk,zk,θk)，dk为该地面点的d值，zk为该地面点的z轴坐标值，θk为该地面点到x轴正方向的夹角，如果di＜δd则令zk＝-h
car
，h
car
为车体高度；
20.d-5)设置坡度阈值slope
thr2
，通过公式δh2＝|d
i-dk|*tan(slope
thr2
)计算高度差阈值δh2，通过公式δh2＝|z
i-zk|计算pi(di,zi,θi)与pk(dk,zk,θk)高度差δh2；
21.d-6)如果满足δh1＜δh1且δh2＜δh2，则第i个点pi(di,zi,θi)为地面点，如果δh1≥δh1且δh2≥δh2，则第i个点pi(di,zi,θi)为非地面点。
22.进一步的，步骤e)中使用dbscan密度聚类算法对扇区内的非地面点进行二次聚类，去除噪声，实现去除离群点处理。
23.优选的，δα取值为1
°
。
24.优选的，δd取值为3m。
25.优选的，δd1取值为5-15cm，slope
thr1
取值为5-20度，slope
thr2
取值为5-15度。
26.本发明的有益效果是：解决机器人在自主行走过程中的地面分割问题，由于方法中并未涉及到激光雷达的扫描方式，因此适应于不同扫描方式的激光雷达设备。坡度阈值slope
thr2
设定的起点并不是激光雷达坐标原点，因此不仅能够有效应对起伏的地面，也可以分割出具有一定起伏程度的地面，实现机器人及无人车辆对环境中地面及非地面的有效分割，相比于传统地面分割方法，本专利的基于激光点云的地面分割方法适应性更强。
附图说明
27.图1为本发明的方法流程图；
28.图2为本发明的扇区划分示意图；
29.图3为本发明的三维点降维排序示意图。
具体实施方式
30.下面结合附图1、附图2、附图3对本发明做进一步说明。
31.一种基于激光点云的地面分割方法，包括如下步骤：
32.a)接收激光雷达发送的实时激光点云帧，对点云视野范围进行扇区的划分。扇区的划分应保证每个扇区内分布有足够多的点云数据。
33.b)将所有点划归入所属扇区。
34.c)每个扇区中的点仍然处在三维空间坐标系下，且是无序的，为了将无序的点云有序化并提高运算效率，因此需要将每个扇区内的点云进行排序。
35.d)判断点云中第i个点pi是否为地面点。
36.e)遍历所有扇区，对所有扇区内的非地面点进行去除离群点处理，完成地面分割。
解决机器人在自主行走过程中的地面分割问题，由于方法中并未涉及到激光雷达的扫描方式，因此适应于不同扫描方式的激光雷达设备。坡度阈值slope
thr2
设定的起点并不是激光雷达坐标原点，因此不仅能够有效应对起伏的地面，也可以分割出具有一定起伏程度的地面，实现机器人及无人车辆对环境中地面及非地面的有效分割，相比于传统地面分割方法，本专利的基于激光点云的地面分割方法适应性更强。
37.实施例1：
38.步骤a)中通过公式计算得到点云中第i个点pi所属扇区segment(pi)，完成扇区的划分，式中θ为点云数据中点到x轴正方向的夹角，δα为扇区划分的分辨率，xi为点pi的x轴坐标值，yi为点pi的y轴坐标值。
39.步骤b)中通过公式ps＝{pi∈p|segment(pi)＝s}计算得到划归入第s个扇区后点的集合ps，式中p为激光雷达点云帧中所有点的集合。
40.实施例2：
41.步骤c)包括如下步骤：
42.c-1)将每个扇区内的点云进行降维操作，通过公式{x,y,z}＝{d,z}+θ将三维空间点{x,y,z}降至xy二维平面，保留z轴高度值，其中x为三维空间点的x轴坐标值，y为三维空间点的y轴坐标值，z为三维空间点的z轴坐标值，d为点在xy平面上到激光雷达坐标原点的半径，
43.c-2)按照d值大小对点云进行排序，这里可以将d看做是在xy平面上到激光雷达坐标原点的半径，z表示三维空间点在z轴上的值，排序后的点可看做有序排列在同一条射线内。
44.实施例3：
45.步骤d)包括如下步骤：
46.d-1)寻找点云中第i个点pi(di,zi,θi)的前一个点p
i-1
(d
i-1
,z
i-1
,θ
i-1
)，di为第i个点的d值，d
i-1
为第i-1个点的d值，zi为第i个点的z轴坐标值，z
i-1
为第i-1个点的z轴坐标值，θi为第i个点到x轴正方向的夹角，θ
i-1
为第i-1个点到x轴正方向的夹角。
47.d-2)为了防止相邻点之间距离过近，从而出现半径之差接近于零的情况，设置相邻点距离阈值δd1，如果|d
i-d
i-1
|＜δd1则令|d
i-d
i-1
|＝δd1。
48.d-3)设置坡度阈值slope
thr1
，通过公式δh1＝|d
i-d
i-1
|*tan(slope
thr1
)计算得到相邻点之间高度差阈值δh1，通过公式δh1＝|z
i-z
i-1
|计算得到相邻点之间高度差δh1。
49.d-4)寻找与点云中第i个点pi(di,zi,θi)同一扇区内距离为δd的地面点pk(dk,zk,θk)，dk为该地面点的d值，zk为该地面点的z轴坐标值，θk为该地面点到x轴正方向的夹角，如果di＜δd则令zk＝-h
car
，h
car
为车体高度。
50.d-5)设置坡度阈值slope
thr2
，通过公式δh2＝|d
i-dk|*tan(slope
thr2
)计算高度差阈值δh2，通过公式δh2＝|z
i-zk|计算pi(di,zi,θi)与pk(dk,zk,θk)高度差δh2。
51.d-6)如果满足δh1＜δh1且δh2＜δh2，则第i个点pi(di,zi,θi)为地面点，如果δ
h1≥δh1且δh2≥δh2，则第i个点pi(di,zi,θi)为非地面点。
52.实施例4：
53.步骤e)中使用dbscan密度聚类算法对扇区内的非地面点进行二次聚类，去除噪声，实现去除离群点处理。
54.实施例5：
55.优选的，δα取值为1
°
。δd取值为3m。δd1取值为5-15cm，slope
thr1
取值为5-20度，slope
thr2
取值为5-15度。
56.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于激光点云的地面分割方法，其特征在于，包括如下步骤：a)接收激光雷达发送的实时激光点云帧，对点云视野范围进行扇区的划分；b)将所有点划归入所属扇区；c)将每个扇区内的点云进行排序；d)判断点云中第i个点p
i
是否为地面点；e)遍历所有扇区，对所有扇区内的非地面点进行去除离群点处理，完成地面分割。2.根据权利要求1所述的基于激光点云的地面分割方法，其特征在于：步骤a)中通过公式计算得到点云中第i个点p
i
所属扇区segment(p
i
)，完成扇区的划分，式中θ为点云数据中点到x轴正方向的夹角，δα为扇区划分的分辨率，x
i
为点p
i
的x轴坐标值，y
i
为点p
i
的y轴坐标值。3.根据权利要求1所述的基于激光点云的地面分割方法，其特征在于：步骤b)中通过公式p
s
＝{p
i
∈p|segment(p
i
)＝s}计算得到划归入第s个扇区后点的集合p
s
，式中p为激光雷达点云帧中所有点的集合。4.根据权利要求2所述的基于激光点云的地面分割方法，其特征在于，步骤c)包括如下步骤：c-1)将每个扇区内的点云进行降维操作，通过公式{x,y,z}＝{d,z}+θ将三维空间点{x,y,z}降至xy二维平面，保留z轴高度值，其中x为三维空间点的x轴坐标值，y为三维空间点的y轴坐标值，z为三维空间点的z轴坐标值，d为点在xy平面上到激光雷达坐标原点的半径，c-2)按照d值大小对点云进行排序。5.根据权利要求4所述的基于激光点云的地面分割方法，其特征在于，步骤d)包括如下步骤：d-1)寻找点云中第i个点p
i
(d
i
,z
i
,θ
i
)的前一个点p
i-1
(d
i-1
,z
i-1
,θ
i-1
)，d
i
为第i个点的d值，d
i-1
为第i-1个点的d值，z
i
为第i个点的z轴坐标值，z
i-1
为第i-1个点的z轴坐标值，θ
i
为第i个点到x轴正方向的夹角，θ
i-1
为第i-1个点到x轴正方向的夹角；d-2)设置相邻点距离阈值δd1，如果|d
i-d
i-1
|＜δd1则令|d
i-d
i-1
|＝δd1；d-3)设置坡度阈值slope
thr1
，通过公式δh1＝|d
i-d
i-1
|*tan(slope
thr1
)计算得到相邻点之间高度差阈值δh1，通过公式δh1＝|z
i-z
i-1
|计算得到相邻点之间高度差δh1；d-4)寻找与点云中第i个点p
i
(d
i
,z
i
,θ
i
)同一扇区内距离为δd的地面点p
k
(d
k
,z
k
,θ
k
)，d
k
为该地面点的d值，z
k
为该地面点的z轴坐标值，θ
k
为该地面点到x轴正方向的夹角，如果d
i
＜δd则令z
k
＝-h
car
，h
car
为车体高度；d-5)设置坡度阈值slope
thr2
，通过公式δh2＝|d
i-d
k
|*tan(slope
thr2
)计算高度差阈值δh2，通过公式δh2＝|z
i-z
k
|计算p
i
(d
i
,z
i
,θ
i
)与p
k
(d
k
,z
k
,θ
k
)高度差δh2；d-6)如果满足δh1＜δh1且δh2＜δh2，则第i个点p
i
(d
i
,z
i
,θ
i
)为地面点，如果δh1≥δh1且δh2≥δh2，则第i个点p
i
(d
i
,z
i
,θ
i
)为非地面点。
6.根据权利要求1所述的基于激光点云的地面分割方法，其特征在于：步骤e)中使用dbscan密度聚类算法对扇区内的非地面点进行二次聚类，去除噪声，实现去除离群点处理。7.根据权利要求2所述的基于激光点云的地面分割方法，其特征在于：δα取值为1
°
。8.根据权利要求5所述的基于激光点云的地面分割方法，其特征在于：δd取值为3m。9.根据权利要求5所述的基于激光点云的地面分割方法，其特征在于：δd1取值为5-15cm，slope
thr1
取值为5-20度，slope
thr2
取值为5-15度。

技术总结
一种基于激光点云的地面分割方法，解决机器人在自主行走过程中的地面分割问题，由于方法中并未涉及到激光雷达的扫描方式，因此适应于不同扫描方式的激光雷达设备。坡度阈值设定的起点并不是激光雷达坐标原点，因此不仅能够有效应对起伏的地面，也可以分割出具有一定起伏程度的地面，实现机器人及无人车辆对环境中地面及非地面的有效分割，相比于传统地面分割方法，本专利的基于激光点云的地面分割方法适应性更强。应性更强。应性更强。


技术研发人员：刘欢 高明 王建华 马辰
受保护的技术使用者：山东新一代信息产业技术研究院有限公司
技术研发日：2022.02.09
技术公布日：2022/5/25