Negative Obstacle Perception in Unstructured Environment With Double Multi-beam LiDAR
-
摘要: 负障碍感知是非结构化环境下的难点问题，本文针对该问题提出一种新的基于双多线激光雷达（Light detection and ranging，LiDAR）的感知方法.采用分布嵌入式架构对双激光雷达数据进行同步采集与实时处理，将雷达点云映射到多尺度栅格，统计栅格的点云密度与相对高度等特征并标记，从点云数据提取负障碍几何特征，通过将栅格的统计特征与负障碍的几何特征做多特征关联找到关键特征点对，将特征点对聚类并过滤，识别出负障碍.方法不受地面平整度影响，已成功应用在无人驾驶车上.使用表明该方法具有较高的实时性和可靠性，在非结构化环境下具有良好的感知效果.Abstract: Negative obstacle perception is a difficult problem in unstructured environment, and a new negative obstacle perception algorithm in unstructured environment with double multi-beam light detection and ranging (LiDAR) is proposed. Firstly, a distributed embedded architecture for LiDAR data acquisition and processing is designed. Secondly, LiDAR points are projected to multi-scale gird maps and points density as well as relative height of each cell is computed, with each cell marked according to the feature. Then the geometric feature of negative obstacles is extracted from point cloud, the key points in pair are searched with both statistical characteristics and geometric features. Finally, clustering algorithm is used to recognize negative obstacles. The algorithm does not depend on the flatness of the ground and has been successfully applied to an unmanned ground vehicle. The application shows that the algorithm is real-time, reliable and has good detection ability.
-
-
图 14 实验2起伏路面负障碍检测
Fig. 14 Experiment 2 undulating pavement negative obstacle detection
表 1 相邻扫描点间隔
Table 1 Adjacent scanning point interval
5 m 10 m 15 m 20 m 25 m 垂直($^\circ$) 0.33 1.20 2.05 4.30 7.16 水平($^\circ$) 0.045 0.15 0.31 0.55 0.85 
下载: 导出CSV
表 2 实验平台雷达安装参数
Table 2 Experimental platform radar installation parameters
雷达高度(m) 有效扫描角($^\circ$) 行健一号 2.0 45 高尔夫车 2.1 55
下载: 导出CSV
表 3 实验场景参数与检测结果
Table 3 Parameters of experiments and detection results
环境类型 检测平台 尺寸 深度 初次标记距离 稳定标记距离 场景1 非结构化 行健一号 3.5 m $\times$ 3 m 0.3 m 20 m 17 m 场景2 非结构化 行健一号 1.5 m $\times$ 4 m 0.5 m 16 m 15 m 场景3 非结构化 行健一号 2.3 m $\times$ 1.7 0.6 m 22 m 21 m 场景4上坡 非结构化 行健一号 0.5 m $\times$ 1 m 0.5 m 15 m 13 m 场景4下坡 非结构化 行健一号 0.5 m $\times$ 1 m 0.5 m 16 m 16 m 场景5上坡 非结构化 行健一号 1 m $\times$ 1 m 0.5 m 15 m 13 m 场景5下坡 非结构化 行健一号 1 m $\times$ 1 m 0.5 m 17 m 15 m 场景6 半结构化 高尔夫车 直径1 m 1 m 14 m 13 m
下载: 导出CSV
-
[1] 方辉, 杨明, 杨汝清.基于地面特征点匹配的无人驾驶车全局定位.机器人, 2010, 32(1):55-60 http://www.doc88.com/p-69211991890.htmlFang Hui, Yang Ming, Yang Ru-Qing. Ground feature point matching based global localization for driverless vehicles. Robot, 2010, 32(1):55-60 http://www.doc88.com/p-69211991890.html [2] Bucher T, Curio C, Edelbrunner J, Igel C, Kastrup D, Leefken I, Lorenz G, Steinhage A, von Seelen W. Image processing and behavior planning for intelligent vehicles. IEEE Transactions on Industrial Electronics, 2003, 50(1):62-75 doi: 10.1109/TIE.2002.807650 [3] Betke M, Haritaoglu E, Davis L S. Real-time multiple vehicle detection and tracking from a moving vehicle. Machine Vision and Applications, 2000, 12(2):69-83 doi: 10.1007/s001380050126 [4] Matthies L, Rankin A. Negative obstacle detection by thermal signature. In:Proceedings of the 2003 IEEE/RSJ International Conference on Intelligent Robots and Systems. Las Vegas, NV, USA:IEEE, 2003, 1:906-913 [5] Dubbelman G, van der Mark W, van den Heuvel J C, Groen F C A. Obstacle detection during day and night conditions using stereo vision. In:Proceedings of the 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Diego, CA, USA:IEEE, 2007. 109-116 [6] Hadsell R, Sermanet P, Ben J, Erkan A, Scoffier M, Kavukcuoglu K, Muller U, LeCun Y. Learning long-range vision for autonomous off-road driving. Journal of Field Robotics, 2009, 26(2):120-144 doi: 10.1002/rob.v26:2 [7] Cong Y, Peng J J, Sun J, Zhu L L, Tang Y D. V-disparity based UGV obstacle detection in rough outdoor terrain. Acta Automatica Sinica, 2010, 36(5):667-673 https://www.sciencedirect.com/science/article/pii/S187410290960029X [8] Larson J, Trivedi M, Bruch M. Off-Road Terrain Traversability Analysis and Hazard Avoidance for UGVs. Department of Electrical Engineering, University of California, San Diego, USA, 2011. [9] Heckman N, Lalonde J F, Vandapel N, Hebert M. Potential negative obstacle detection by occlusion labeling. In:Proceedings of the 2007 IEEE/RSJ International Conference on Intelligent Robots and Systems. San Diego, CA, USA:IEEE, 2007. 2168-2173 [10] Sinha A, Papadakis P. Mind the gap:detection and traversability analysis of terrain gaps using LIDAR for safe robot navigation. Robotica, 2013, 31(7):1085-1101 doi: 10.1017/S0263574713000349 [11] Tingbo H. Research on Stereo Vision Algorithms and Their Application in Obstacle Detection for ALV[Ph.D. dissertation], National University of Defense Technology, China, 2012. [12] Marder-Eppstein E, Berger E, Foote T, Gerkey B, Konolige K. The office marathon:robust navigation in an indoor office environment. In:Proceedings of the 2010 IEEE International Conference on Robotics and Automation (ICRA). Anchorage, AK, USA:IEEE, 2010. 300-307 [13] Larson J, Trivedi M. Lidar based off-road negative obstacle detection and analysis. In:Proceedings of the 14th International IEEE Conference on Intelligent Transportation Systems (ITSC). Washington DC, USA:IEEE, 2011. 192-197 [14] Shang E K, An X J, Wu T, Hu T B, Yuan Q P, He H G. LiDAR based negative obstacle detection for field autonomous land vehicles. Journal of Field Robotics, 2016, 33(5):591-617 doi: 10.1002/rob.2016.33.issue-5 期刊类型引用(29)
1. 刘辉，王振辉，陈洪月，郑雨新. 基于虚拟前轮反馈控制算法的履带车轨迹跟踪方案研究. 机械设计. 2024(01): 117-124 . 
百度学术2. 吴晓建，廖平伟，雷耀，江会华，王爱春，胡家琦. 面向结构化道路的智能驾驶轨迹规划一致性研究. 汽车工程. 2024(03): 383-395+430 . 百度学术3. 陈庚，郑晟. 一种管道工程机器人路径跟踪控制方法. 计算机仿真. 2024(04): 402-407 . 百度学术4. 戢杨杰，张馨雨，杨紫茹，周上航，黄岩军，曹建永，熊璐，余卓平. 多智能网联汽车轨迹规划：现状与展望. 机械工程学报. 2024(10): 129-146 . 百度学术5. Haijie Guan，Boyang Wang，Jiaming Wei，Yaomin Lu，Huiyan Chen，Jianwei Gong. Generation and Selection of Driver-Behavior-Based Transferable MotionPrimitives. Chinese Journal of Mechanical Engineering. 2022(01): 219-233 . 必应学术6. 韦玉海，张辉，刘理，钟杭. 基于AMRRT-Connect算法的移动机器人路径规划. 武汉大学学报(工学版). 2022(05): 531-538 . 百度学术7. 孙伶玉，付主木，陶发展，司鹏举，宋书中. 改进人工势场的智能车避障算法研究. 河南科技大学学报(自然科学版). 2022(05): 28-34+41+5-6 . 百度学术8. 张珂，张利国. 基于移动边缘计算的GI/GI/1排队建模与调度算法. 自动化学报. 2022(07): 1737-1746 . 本站查看9. 张勇，王同祥. 半挂式车辆自主驾驶的轨迹跟踪控制研究. 中国测试. 2021(02): 106-112 . 百度学术10. 徐笑锋，肖英杰，章学来. 基于避碰规则自动驾驶船舶路径优化的研究进展. 交通信息与安全. 2021(02): 1-8 . 百度学术11. 韩晓微，刘宏宇，石泽亮，刘晓. 移动机器人最小化snap与A~*的联合轨迹优化. 沈阳大学学报(自然科学版). 2021(04): 321-327+369 . 百度学术12. 刘梓林，黎予生，郑玲. 基于非结构化环境点云稀疏表示的无人驾驶汽车局部路径规划方法. 机械工程学报. 2020(02): 163-173 . 百度学术13. 郭丽娟，唐彬，陈梁远，张玉波. 基于RBF的履带车滑移转向运动学重建研究. 应用科技. 2020(01): 123-128 . 百度学术14. 葛召浩，赵又群，林棻，闫茜. 基于人-车-路闭环系统的路径跟踪模型预测控制. 重庆理工大学学报(自然科学). 2020(05): 35-42 . 百度学术15. 付泽林. 未来新兴技术对物流产业结构的影响——以无人驾驶技术为例. 中国物流与采购. 2020(20): 69-71 . 百度学术16. 袁泉，吕迅捷. 基于PRM算法的移动小车路径规划优化研究. 宁波工程学院学报. 2020(04): 31-35 . 百度学术17. 胡家铭，胡宇辉，陈慧岩，刘凯. 基于模型预测控制的无人驾驶履带车辆轨迹跟踪方法研究. 兵工学报. 2019(03): 456-463 . 百度学术18. 徐杨，陆丽萍，褚端峰，黄子超. 无人车辆轨迹规划与跟踪控制的统一建模方法. 自动化学报. 2019(04): 799-807 . 本站查看19. 郭鹍，赵甲文，杜志啸，耿建宁. 基于ROS的智能船舶航行系统设计. 舰船电子工程. 2019(07): 45-48 . 百度学术20. 段建民，田晓生，夏天，花晓峰. 基于中间速度的智能车辆梯形速度规划方法. 计算机工程. 2018(08): 301-307+314 . 百度学术21. 熊光明，鲁浩，郭孔辉，陈慧岩. 基于滑动参数实时估计的履带车辆运行轨迹预测方法研究. 兵工学报. 2017(03): 600-607 . 百度学术22. 张名芳，付锐，石涌泉，程文冬. 基于激光雷达的远距离运动车辆位姿估计. 公路交通科技. 2017(12): 131-139 . 百度学术23. 孙扬，杨贺. 无人驾驶车辆智能水平等级划分. 科技导报. 2017(17): 80-83 . 百度学术24. 封晶. 基于区域卷积神经网络的车辆检测方法. 科技广场. 2017(03): 10-14 . 百度学术25. 王丽媛，郭戈，庄严. 网络控制系统发送功率分配问题研究. 自动化学报. 2017(08): 1350-1357 . 本站查看26. 陈戈. 基于摄像头的路径信息采集系统的简易设计与实现. 自动化与仪器仪表. 2017(08): 71-73 . 百度学术27. 关泉珍，鲍泓，史志坚. 基于A*算法的驾驶地图路径规划实现. 北京联合大学学报(自然科学版). 2016(02): 31-39 . 百度学术28. 贾松敏，王成富，徐涛，张鹏. 基于模糊贝叶斯网络算法的智能轮椅避障. 计算机测量与控制. 2016(05): 153-155+159 . 百度学术29. 刘萍，魏滢，缪斌. 电磁组智能车控制策略探讨及实现. 四川理工学院学报(自然科学版). 2016(02): 19-24 . 百度学术其他类型引用(95)
-
图(15) / 表(4)
计量
- 文章访问数: 2624
- HTML全文浏览量: 742
- PDF下载量: 618
- 被引次数: 124
