吉林大学学报(工学版) ›› 2020, Vol. 50 ›› Issue (1): 107-113.doi: 10.13229/j.cnki.jdxbgxb20181242

• 交通运输工程·土木工程 • 上一篇    

基于欧几里得聚类算法的三维激光雷达障碍物检测技术

宗长富(),文龙,何磊()   

  1. 吉林大学 汽车仿真与控制国家重点实验室,长春 130022
  • 收稿日期:2018-12-19 出版日期:2020-01-01 发布日期:2020-02-06
  • 通讯作者: 何磊 E-mail:zong.changfu@ascl.jlu.edu.cn;jlu_helei@126.com
  • 作者简介:宗长富(1962-),男,教授,博士生导师.研究方向:汽车动力学仿真与控制,汽车智能驾驶技术.E-mail:zong.changfu@ascl.jlu.edu.cn
  • 基金资助:
    国家自然科学基金项目(51505179);国家重点研发计划项目(2017YFB0102601)

Object detection based on Euclidean clustering algorithm with 3D laser scanner

Chang-fu ZONG(),Long WEN,Lei HE()   

  1. State Key Laboratory of Automotive Simulation and Control, Jilin University, Changchun 130022, China
  • Received:2018-12-19 Online:2020-01-01 Published:2020-02-06
  • Contact: Lei HE E-mail:zong.changfu@ascl.jlu.edu.cn;jlu_helei@126.com

摘要:

利用三维激光雷达对车辆前方障碍物进行辨识过程中,车辆的运动导致点云数据出现畸变,传统欧氏聚类方法也无法同时对远处和近处的障碍物进行精确检测,从而导致错误的聚类结果,容易出现障碍物误检或漏检的情况。针对上述问题,提出了一种对三维激光雷达点云数据去畸变的方法,同时改进了欧氏聚类方法,使其能自动更正距离阈值,从而使障碍物检测更加快速准确。对本文方法进行了实车试验,试验结果表明:本方法能同时快速准确地检测出较近和较远的障碍物。

关键词: 交通运输系统工程, 智能驾驶, 欧氏聚类, 障碍物检测, 激光雷达

Abstract:

Automatic driving vehicles need lidar to detect the object while driving. Because of the moving of vehicles, the point cloud becomes inaccurate while the traditional Euclidean clustering algorithm can not detect the obstacles in both near and remote areas at the same time, which leads to an inaccurate result of the number of those obstacles. In order to solve this problem, a algorithm is proposed to correct the 3D lidar point cloud, which is inaccurate, meanwhile, improve the Euclidean cluster algorithm, so it be able to change the distance limit according to the distance between the obstacle and lidar. Experimental results illustrate that the proposed algorithm can detect the obstacle in both near and remote areas, and the detect distance is increased compared with the traditional method.

Key words: engineering of communication and transportation system, automatic driving, Euclidean cluster, object detection, lidar

中图分类号: 

  • U41

图1

航向角及坐标系"

图2

坐标系变换"

图3

点云去畸变过程"

图4

三维KD?tree"

图5

试验用车辆"

图6

待检测障碍物"

图7

直线行驶时的去畸变"

图8

转向行驶时的去畸变"

图9

聚类算法对比"

1 冯少荣, 肖文俊. DBSCAN聚类算法的研究与改进[J].中国矿业大学学报, 2008, 37(1): 105-111.
Feng Shao-rong, Xiao Wen-jun. An improved DBSCAN clustering algorithm[J]. Journal of China University of Mining and Technology, 2008, 37(1): 105-111.
2 孔栋, 王晓原. 基于车载32线激光雷达点云的车辆目标识别算法[J]. 科学技术与工程, 2018, 18(5): 81-85.
Kong Dong, Wang Xiao-yuan. Vehicle target identification algorithm based on poin cloud of vehicle 32-line laser lidar[J]. Science Technology and Engineering, 2018, 18(5): 81-85.
3 陈向阳, 杨洋. 欧氏聚类算法支持下的点云数据分割[J]. 测绘通报, 2017, (11): 27-31, 36.
Chen Xiang-yang, Yang Yang. Measurement of point cloud data segmentation based on Euclidean clustering algorithm[J]. Bulletin of Surveying and Mapping, 2017, (11): 27-31, 36.
4 王新竹, 李骏, 李红建, 等. 基于三维激光雷达和深度图像的自动驾驶汽车障碍物检测方法[J]. 吉林大学学报:工学版, 2016, 46(2): 360-365.
Wang Xin-zhu, Li Jun, Li Hong-jian, et al. Obstacle detection based on 3D laser scanner and range image for intelligent vehicle[J]. Journal of Jilin University(Engineering and Technology Edition), 2016, 46(2): 360-365.
5 周水庚, 周傲英, 曹晶, 等. 基于数据分区的DBSCAN算法[J]. 计算机研究与发展, 2000, 37(10): 1153-1159.
Zhou Shui-geng, Zhou Ao-ying, Cao Jing, et al. A data-partitioning-based DBSCAN algorithm[J]. Journal of Computer Research and Development, 2000, 37(10): 1153-1159.
6 林辉. 基于车载多激光雷达的地图构建与障碍物检测[D]. 浙江:浙江大学信息与电子工程学院, 2017.
Lin Hui. The lidar based obstacle detecion and map building[D]. Hanzhou: College of Information Science and Electronic Engineering, Zhejiang University, 2017.
7 Lehtomaki M, Jaakkola A, Hyyppa J, et al. Object classification and recognition from mobile laser scanning point clouds in a road environment[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(2): 1226-1239.
8 薛连杰, 齐臣坤, 张彪, 等. 基于3维点云欧氏聚类和RANSAC边界拟合的目标物体尺寸和方位识别[J]. 机械设计与研究, 2018, 34(5): 44-48, 53.
Xue Lian-jie, Qi Chen-kun, Zhang Biao, et al. Object size and orientation recognition based on 3D point cloud euclidean clustering and RANSAC boundary fitting[J]. Machine Design and Research, 2018, 34(5): 44-48, 53.
9 刘如松. 基于样本间最小欧氏距离的多特征融合识别算法研究[J]. 计算机与数字工程, 2017, 45(12): 2373-2378.
Liu Ru-song. Research on multi-feature fusion recognition algorithm based on minimum Euclidean distance between samples[J]. Computer and Digital Engineering, 2017, 45(12): 2373-2378.
10 王育坚, 廉腾飞,吴明明, 等. 基于八叉树与KD树索引的点云配准方法[J]. 测绘工程, 2017, 26(8): 35-40.
Wang Yu-jian, Lian Teng-fei, Wu Ming-ming, et al. Point cloud registration based on octree and KD-tree index[J]. Engineering of Surveying and Mapping, 2017, 26(8): 35-40.
11 陈贵宾, 高振海, 何磊. 车载三维激光雷达外参数的分步自动标定算法[J]. 中国激光, 2017, 44(10): 1010004
Chen Gui-bin, Gao Zhen-hai, He Lei. Step-by-step automatic calibation algorithm for exterior parameters of 3D lidar mounted on vehicle[J]. Chinese Journal of Lasers, 2017, 44(10): 1010004.
[1] 谷远利, 张源, 芮小平, 陆文琦, 李萌, 王硕. 基于免疫算法优化LSSVM的短时交通流预测[J]. 吉林大学学报(工学版), 2019, 49(6): 1852-1857.
[2] 别一鸣,姜凯,汤茹茹,王琳虹,熊昕宇. 考虑方案过渡影响的单点交通控制时段划分方法[J]. 吉林大学学报(工学版), 2019, 49(6): 1844-1851.
[3] 程国柱, 冯思鹤, 冯天军. 占用车行道的路内停车泊位设置条件[J]. 吉林大学学报(工学版), 2019, 49(6): 1858-1864.
[4] 梁泉,翁剑成,周伟,荣建. 基于关联规则的公共交通通勤稳定性人群辨识[J]. 吉林大学学报(工学版), 2019, 49(5): 1484-1491.
[5] 龙海波,杨家其,赵学彧. 基于转运延误风险的多方式协同货运载运工具配置优化[J]. 吉林大学学报(工学版), 2019, 49(5): 1492-1499.
[6] 别一鸣,汤茹茹,王运豪,文斌,冯天军,王琳虹. 信号交叉口进口车道饱和流率估计方法[J]. 吉林大学学报(工学版), 2019, 49(5): 1459-1464.
[7] 吴文静,陈润超,贾洪飞,罗清玉,孙迪. 车路协同环境下路段掉头区域车辆协同控制[J]. 吉林大学学报(工学版), 2019, 49(4): 1100-1106.
[8] 江亮,贺宜. 电动两轮车风险驾驶行为及事故影响因素分析[J]. 吉林大学学报(工学版), 2019, 49(4): 1107-1113.
[9] 曲昭伟,潘昭天,陈永恒,陶鹏飞,孙迪. 基于最优速度模型的改进安全距离跟驰模型[J]. 吉林大学学报(工学版), 2019, 49(4): 1092-1099.
[10] 陈磊,王江锋,谷远利,闫学东. 基于思维进化优化的多源交通数据融合算法[J]. 吉林大学学报(工学版), 2019, 49(3): 705-713.
[11] 凃强,程琳,林芬,孙超. 考虑出行者风险态度的最优路径搜索[J]. 吉林大学学报(工学版), 2019, 49(3): 720-726.
[12] 曹宁博,赵利英,曲昭伟,陈永恒,白乔文,邓晓磊. 考虑双向行人跟随行为的社会力模型[J]. 吉林大学学报(工学版), 2019, 49(3): 688-694.
[13] 尹超英,邵春福,王晓全. 考虑停车可用性的建成环境对小汽车通勤出行的影响[J]. 吉林大学学报(工学版), 2019, 49(3): 714-719.
[14] 罗小芹,王殿海,金盛. 面向混合交通的感应式交通信号控制方法[J]. 吉林大学学报(工学版), 2019, 49(3): 695-704.
[15] 李志慧,钟涛,赵永华,胡永利,李海涛,赵景伟. 面向车辆自主驾驶的行人跟踪算法[J]. 吉林大学学报(工学版), 2019, 49(3): 680-687.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
No Suggested Reading articles found!