智能网联汽车技术基础 配套课件.ppt

10.2无人驾驶方程式环境感知算法摄像头的数据也进行了相应的算法处理。首先，将摄像头的原始RGB彩色图片转化为HSV颜色空间下的图片；其次，颜色识别算法识别出障碍物的颜色信息；最后，将颜色信息与障碍物的空间位置信息进行信息融合。感知系统实现原理10.2.1基于激光雷达的锥桶检测算法研究无人驾驶方程式赛车主要依靠激光雷达对赛场环境进行感知，进而进行路径规划和决策控制，所以实现锥桶的准确检测对于保证赛车的稳定运行非常重要。锥桶尺寸较小并且很容易出现漏检误检，因此对检测算法的精度和实时性要求较高。由于Pandar40线激光雷达的线束比较多，所以利用该激光雷达进行锥桶障碍物检测时，原始激光点云数据中包含大量噪声点和非锥桶点云，考虑到算法精度和程序的运行时间，首先需要对原始点云进行滤波、降噪等数据预处理，从而滤除大量的无用的点云，又因为锥桶尺寸已知且在地面附近，所以采用随机采样一致性平面拟合算法滤除地平面，从而得到了只有锥桶的点云，最后采用欧式聚类算法对锥桶点云聚类得到锥桶的空间位置信息。该算法的输入为Pandar40激光雷达的原始点云，之后经过一系列的点云处理算法最终得到锥桶的空间位置信息。锥桶检测算法流程图10.2.1基于激光雷达的锥桶检测算法研究激光雷达是360°扫描的，所以可以以激光雷达坐标系的坐标原点为中心，激光雷达的扫描范围可以通过设置“最小扫描半径”和“最大扫描半径”来进行限定，这样可以有效过滤掉打在赛车车体上的点云和较远处对锥桶检测没有用的点云，如图10-12所示。除此之外，由于赛道的宽度不变，并且大锥桶的高度是一定的，激光雷达的实时扫描距离分别限制在X、Y、Z轴上。感兴趣区域（ROI）的选择10.2.1基于激光雷达的锥桶检测算法研究ROI提取效果图为了缩短检测程序运行时间，进而降低控制系统和执行系统的响应时间，论文基于PCL点云库用体素化网格算法对提取ROI之后的点云进行下采样。首先，计算下采样之后的点云在各个坐标轴轴方向上的最大值和最小值之差，进而确定出一个最大的长方体能充分容纳所有点云，再根据需求划分该长方体为更小的立方体，边长设定的大小取决于点云的数量多小，最终都是由数次实验测出经验值。详细过程如下：计算出待检测区域内目标锥桶的分布范围，进而确定采样的分辨率和立方体栅格的大小，设定其长度为L。计算立方体栅格和每个点的对照关系，假设某点的点云坐标值为（x,y,z)，并且对应的立方体栅格编码为Pos3D(i,j,k)，则由以下公式计算得出：体素化网格下采样算法10.2.1基于激光雷达的锥桶检测算法研究1）计算立方体栅格的重心坐标，其中sum为激光点云的激光点总数：详细过程如下：体素化网格下采样算法10.2.1基于激光雷达的锥桶检测算法研究2）对该帧点云中的所有激光点进行遍历，并且重复以上步骤，就可以得到立方体栅格和每个激光点的对应关系。体素化网格下采样部分代码如下。filterVoxelGrid(cloud_pass_y,cloud_vox_filter,0.02);pcl::VoxelGridPointTypevox;vox.setInputCloud(input);vox.setLeafSize(leaf_size,leaf_size,leaf_size);vox.filter(*output);采用Fishchler等人的随机采样一致性算法来实现地面的拟合。RANSAC是一种随机参数估计方法，将数据分为局内点和局外点，并且不断迭代数据从而得到最优模型，进而尽可能地包含局内点而剔除局外点。二维平面内的直线模型拟合步骤如下：1)以线性方程模型为例，从平面内选出两个样本点来进行模型拟合，得到初始方程；2)将剩余点带入初始方程，给定一定的误差，在误差范围内，距离拟合曲线一定距离内点称为局内点，需要进一步计算局内点的个数N。如果N不小于设定的局内点阈值K，则判定该模型为待定模型，N为该模型的支持度；3)再随机选取两个点，并重复以上两步直至达到预定的迭代次数，统计每次迭代的支持度N，选出支持度最大的模型，作为最后的拟合结果。如图为RANSAC算法在二维平面内提取最优模型的过程。随机采样一致性平面拟合算法（RANSAC）设计10.2.1基于激光雷达的锥桶检测算法研究实际情况是在三维空间中拟合出一个平面。具体步骤如下：1)假定一个平面模型，需要随机从目标点云中抽取三个点；2)重新选取三个点再确定引入一个允许误差的范围值，找出满足误差范围内的点并记录其个