一种不同车载激光雷达的性能评估方法与流程

1.本发明涉及激光雷达技术领域，尤其是一种不同车载激光雷达的性能评估方法。


背景技术：

2.自动驾驶汽车依靠人工智能、计算机视觉、雷达、全球定位系统及高精地图等技术，能够自动获取车辆周围的环境信息并进行决策和路径规划，从而实现完全不依赖人类操作的自动驾驶。激光雷达定位作为目前自动驾驶系统的主流定位方案之一，对其在各种环境与场景中的定位效果进行评估具有重要意义。
3.目前，激光雷达定位效果的评估流程大体如下：首先采集定位所需的点云数据，然后将该点云数据输入给定位算法，通过定位算法计算得到定位结果，最后通过将定位结果与车辆的定位真值进行比对，得到定位效果的评估结果。但是这种方法仅能实现单个激光雷达产品的定位效果评估，无法实现相同线数下不同激光雷达产品的横向性能对比。为此，我们提供一种不同车载激光雷达的性能评估方法。


技术实现要素：

4.本发明提供一种不同车载激光雷达的性能评估方法，其主要目的在于解决现有技术存在的问题。
5.本发明采用如下技术方案：
6.一种不同车载激光雷达的性能评估方法，包括如下步骤：
7.s1、将至少两个线数相同但生产批次或生产厂商不同的激光雷达置于同一模拟环境下进行探测试验，从而获取各激光雷达的三维点云数据；
8.s2、建立二维栅格地图，将激光雷达坐标系下的x，y，z坐标进行栅格化，根据x，y坐标将各激光雷达不同帧数下的点云投影至二维栅格地图中，并将各点云的z轴信息记录为其所在栅格的高度；
9.s3、以相邻两栅格的高度差作为判断指标，将符合高度差要求的栅格定义为非障碍栅格，不符合高度差要求的栅格定义为障碍栅格；
10.s4、在通域标记方法的基础采用目标聚类算法对二维栅格地图进行处理，从而在二维栅格地图上根据障碍物类型对障碍栅格进行标记；
11.s5、将同一激光雷达且不同帧数下的二维栅格地图进行叠加，以得到完整的生长成像图；
12.s6、对比每个激光雷达的生长成像图，以最外围的障碍物轨迹终点作为评价指标来判断激光雷达的探测范围，由此评估激光雷达的性能。
13.进一步，在步骤s2中，若同一栅格内存在两个或两个以上的具有不同高度的点云，则记录该栅格的最高高度h
max
和最低高度h
min
。
14.进一步，将所述二维栅格地图分割为若干3*3的栅格区块，各栅格区块均包含有9个栅格，综合激光雷达的点云数据分布特征，以各栅格区块所包含的9个栅格的最高高度hmax
和最低高度h
min
作为依据，设定各栅格区块的最高高度h
max
和最低高度h
min
。
15.更进一步，将任一栅格区块标记为an，则栅格区块an的最高高度h
maxn
和初始最低高度h
minn’分别为：
16.h
maxn
＝h
maxn5
17.h
minn’＝min{h
minn1
，h
minn2
，......h
minni
，......，h
minn9
}
18.式中：h
minni
为栅格区块an所包含的9个栅格中第i个栅格的最低高度。
19.再进一步，将栅格区块an与其上下左右的四个栅格区块的初始最低高度进行对比，取这5个栅格区块中初始最低高度的最低值作为栅格区块an的最低高度h
minn
。
20.再进一步，计算某一栅格区块an的最高高度与其上下左右的四个栅格区块的最低高度的高度差值，若任一高度差值小于设定值，则将栅格区块an定义为障碍栅格区块，若所有高度差值均小于设定值，则将栅格区块an定义为非障碍区块。
21.进一步，所述步骤s4包括如下子步骤：
22.s41、遍历二维栅格地图，若某一栅格区块为障碍栅格区块，并且未被标记过，则对该障碍栅格区块进行标记，并记录该障碍栅格区块的位置；
23.s42、以记录的障碍栅格区块位置为扫描中点，向该扫描中点的四周各拓展2个栅格区块形成面积为5*5的扫描区域，记录该扫描区域未标记过的所有障碍栅格区块的位置信息，对该扫描区域内的所有障碍栅格区块做同样的标记，同时记录各扫描区域所对应的二维栅格地图的坐标值minx，miny，maxx，maxy；
24.s43、重复步骤s41和s42，直至二维栅格地图中的所有障碍栅格区块均被标记过；
25.s44、采用最小外接矩形法将属于同一种标记的所有障碍栅格区块勾画出来，形成障碍物盒子框图。
26.进一步，在步骤s6中，采用rectangle训练集监督学习方法对每个激光雷达的障碍物栅格生长成像图进行学习以对比出激光雷达的探测范围。
27.和现有技术相比，本发明产生的有益效果在于：
28.本发明提供了一种不同车载激光雷达的性能评估方法，该方法首先将不同激光雷达的三维点云数据压缩为二维栅格地图，并将点云的高度信息作为判断指标对障碍物进行识别判断；然后采用在通域标记方法的基础采用目标聚类算法对二维栅格地图进行处理，从而在二维栅格地图上根据障碍物类型对障碍栅格进行标记，并形成具有障碍物轨迹的生长成像图；最后以最外围的障碍物轨迹终点作为评价指标即可清楚直观地判断出激光雷达的探测范围，由此实现对激光雷达的性能进行评估。可见，本发明具有算法简单，通用性强，处理效率高等优点，能够实现多个线数相同但生产批次或生产厂商不同的激光雷达之间的横向性能评测，对自动化驾驶技术具有重要的意义。
附图说明
29.图1为本发明的整体流程示意图。
30.图2为本发明中二维栅格地图与激光雷达的位置关系图。
31.图3为本发明中二维栅格地图的创建流程图。
32.图4为本发明的栅格区块示意图。
33.图5为本发明中目标类聚算法的流程示意图。
34.图6为本发明中目标类聚算法的连通域模板图。
35.图7为第一款激光雷达的生长成像图。
36.图8为第二款激光雷达的生长成像图。
具体实施方式
37.下面参照附图说明本发明的具体实施方式。为了全面理解本发明，下面描述到许多细节，但对于本领域技术人员来说，无需这些细节也可实现本发明。
38.参照图1至图8，一种不同车载激光雷达的性能评估方法，包括如下步骤：
39.s1、将至少两个线数相同但生产批次或生产厂商不同的激光雷达置于同一模拟环境下进行探测试验，从而获取各激光雷达的三维点云数据。为了确保后续的性能评估准确，探测试验中应采用控制变量法，确保各激光雷达的探测环境、探测位置和探测对象均相同。
40.s2、建立二维栅格地图，将激光雷达坐标系下的x，y，z坐标进行栅格化，依据x，y坐标将各激光雷达不同帧数下的点云投影至二维栅格地图中，并将各点云的z轴信息记录为其所在栅格的高度。具体地，步骤s2包括如下子步骤：
41.s21、结合实际车载激光雷达的探测范围及相关要求，本发明将激光雷达的探测范围设定为前方6m，后方为3m，两侧分别3m，所以二维栅格地图的尺寸为9m*6m，据此建立300*200的二维栅格地图，每个栅格为3*3cm，共6w个栅格。二维栅格地图的与激光雷达的位置关系如图1所示。
42.s22、建立好二维栅格地图之后，需要将激光雷达坐标系下的x，y，z坐标栅格化，并根据x，y坐标将各激光雷达不同帧数下的点云投影至二维栅格地图中。如果只是将三维点云数据转化为二维坐标则会失去三维数据的高度信息(z轴信息)，然而高度信息是点云数据的重要特征信息，因此在栅格化的时候，需要同步将每个点云的高度信息作为栅格的高度保存起来。由于每个栅格中可能会同时存在两个或两个以上的点云，因此在投影过程中，只需要记录该栅格的最高高度h
max
和最低高度h
min
即可。参照图3可知，该步骤包括如下子步骤：
43.s221、依据x，y坐标判断各点云是否在二维栅格地图内，若不在二维栅格地图内则忽略该点云，若在二维栅格地图内，则将其投影至二维栅格地图中，并执行下一步骤；
44.s222、判断该点云的高度信息是否高于该栅格的最高高度h
max
，或者低于该栅格的最低高度h
min
，若是则对该栅格的最高高度h
max
或最低高度h
min
进行更新，若不是则忽略该点云的高度信息；
45.s223、检查所有点云是否处理完毕，若是则输出二维栅格地图，若否则重复执行上述步骤。
46.s3、以相邻两栅格的高度差作为判断指标，将符合高度差要求的栅格定义为非障碍栅格，不符合高度差要求的栅格定义为障碍栅格。具体说来，该步骤包括如下子步骤：
47.s31、由于二维栅格地图包含有大量的点云数据信息，为了减轻运算量，提高处理效率，在进行障碍栅格识别之前，需要对二维栅格地图进行适当的优化处理。如图4所示，本发明将二维栅格地图分割为若干3*3的栅格区块，各栅格区块均包含有9个栅格，实际上也就是将二维栅格地图缩小三倍，使得呈3*3排布9个栅格合并为一个栅格区块。
48.s32、综合激光雷达的点云数据分布特征，以各栅格区块所包含的9个栅格的最高
高度h
max
和最低高度h
min
作为依据，设定各栅格区块的最高高度h
max
和最低高度h
min
。
49.首先将某个栅格区块标记为an，其所包含的9个栅格依次标记为a
n1
，a
n1
，......，a
ni
，......，a
n9
，9个栅格的最高高度记录为h
maxni
，最低高度记录为h
minni
，其中n表示栅格区块的序号，i表示栅格的序号。那么，栅格区块an的最高高度h
maxn
和初始最低高度h
minn
′
分别为：
50.h
maxn
＝h
maxn5
51.h
minn’＝min{h
minn1
，h
minn2
，......h
minni
，......，h
minn9
}。
52.采用上述办法可求取出各栅格区块an的最高高度h
maxn
和初始最低高度h
minn’。
53.接下来将栅格区块an与其上下左右的四个栅格区块的初始最低高度进行对比，取这5个栅格区块中初始最低高度的最低值作为栅格区块an的最低高度h
minn
。如图4所示，假定某一栅格区块的标记为a1，其上下左右相邻的栅格区块分别标记为a2，a2，a3，a4，a5，则这五个栅格区块的初始最低高度分别为h
min1’，h
min2’，h
min3’，h
min4’，h
min5’，那么栅格区块a1的最低高度h
min1
为：
54.h
min1
＝min{h
min1’，h
min2’，h
min3’，h
min4’，h
min5’}。
55.采用上述方法可进一步计算出各栅格区块an的最低高度h
minn
。
56.s33、计算某一栅格区块an的最高高度与其上下左右的四个栅格区块的最低高度的高度差值，若任一高度差值小于设定值，则将栅格区块an定义为障碍栅格区块，若所有高度差值均小于设定值，则将栅格区块an定义为非障碍区块。
57.以图4为例，计算栅格区块a1的最高高度h
max1
与栅格区块a2，a2，a3，a4，a5的最低高度h
min1
，h
min2
，h
min3
，h
min4
的高度差值，并将各高度差值记录为：
58.δh＝{|δh
a12
|，|δh
a13
|，|δh
a14
|，|δh
a15
|}
59.若δh中任一高度差值大于0.1，则将栅格区块a1定义为障碍栅格区块，若δh中的所有高度差值均小于0.1，则将栅格区块a1定义为非障碍栅格区块。
60.激光雷达探测时会产生大量的三维点云数据，但由于仪器抖动、电流干扰、温度变高等原因，除了障碍物的点云数据外，还包含着大量与目标检测无关的数据。为了提高目标检测的准确性及数据处理的效率，本发明还可过滤掉点云数据中的无关点云。
61.s4、在通域标记方法的基础采用目标聚类算法对二维栅格地图进行处理，从而在二维栅格地图上根据障碍物类型对障碍栅格进行标记。如图5所示，该步骤可分为如下几个子步骤：
62.s41、遍历二维栅格地图，若某一栅格区块为障碍栅格区块，并且未被标记过，则对该障碍栅格区块做标记，并记录该障碍栅格区块的位置信息。
63.s42、以记录的障碍栅格区块位置为扫描中点，向该扫描中点的四周各拓展2个栅格区块形成面积为5*5的扫描区域(如图6所示)，记录该扫描区域内未标记过的所有障碍栅格区块的位置信息，对该扫描区域内的所有障碍栅格区块做同样的标记，同时记录各扫描区域所对应的二维栅格地图的坐标值minx，miny，maxx，maxy。
64.s43、重复步骤s41和s42，直至二维栅格地图中的所有障碍栅格区块均被标记过。具体说来，是将扫描区域有交叉的所有障碍栅格区块做同样的标记，从而将离散的栅格区块分割成不同类障碍物的集合。
65.s44、结合各扫描区域所对应的二维栅格地图的坐标值minx，miny，maxx，maxy，采
用最小外接矩形法将属于同一种标记的所有障碍栅格区块勾画出来，形成障碍物盒子框图。
66.s5、将同一激光雷达且不同帧数下的二维栅格地图进行叠加，以得到完整的生长成像图；
67.s6、对比每个激光雷达的生长成像图，以最外围的障碍物轨迹终点作为评价指标来判断激光雷达的探测范围，由此评估激光雷达的性能。
68.图7和图8为测试的两款激光雷达的生长成像图，其中，图7为速腾-16线-激光雷达的成长成像图，图8为雷神-16线-激光雷达的生长成像图。对比两图可知，随着探测距离的增加，点云会变得越来越稀疏，也就导致了准确度的下降。为了精准地测量两款激光雷达的可视范围，将gridwide＝0.03m改成gridwide＝0.135m，即激光雷达的前方的栅格地图为27m。可以看出，速腾-16线-激光雷达在25m左右开始无法检测到障碍物的足迹，而雷神-16线-激光雷达则在24m左右便就无法检测到障碍物的足迹了，由此可清楚直观地判断出速腾-16线-激光雷达的探测范围比雷神-16线-激光雷达的探测范围更远，产品性能更佳。
69.除了采用人工肉眼判断外，还可将两张生长成像图通过rectangle训练集监督学习以进一步对比，从而智能化地评估两款车载激光雷达产品性能好坏。
70.上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。