代加喜,张友兵,毕栋,龚家元,周奎
(湖北汽车工业学院 汽车工程师学院,湖北 十堰442002)
在中国大学生无人驾驶方程式大赛(FSAC)中为了完成指定赛道中的无人驾驶功能,需要获取周围锥桶障碍物的位置,激光雷达通过扫描周围3D环境得到周围空间点云。郑少武和黄遥[1,2]等人利用RANSAC算法剔除地面点云,黄瑶在FSAC比赛场景中测试出RANSAC最佳迭代次数,使用欧式距离聚类算法将点云分为多个点云簇进行锥桶聚类。若在点云较多的地面剔除阶段使用RANSAC算法很难达到实时性要求,且欧式距离聚类后会存在非锥桶障碍物,降低识别准确率。文中利用激光雷达设计并实现一种室外锥桶检测算法,为了保证室外场景下数据处理的实时性和锥桶识别的准确率,对RANSAC算法和聚类后处理算法进行改进。
滤波在激光雷达的应用中是根据特定场合设定点云的有效范围过滤掉无用的点云数据,保留有效点云。设置点云的有效范围可以提升后期地面分割与锥桶障碍物聚类的效率[3-4]。
在FSAC中赛车需要完成8字绕环(图1)、直线加速、高速循迹等动态项目。因为VLP-16线激光雷达垂直方向线束较少,在扫描远距离处的锥桶障碍物时点云数量极少,不利于锥桶的检测。在比赛项目中激光雷达扫描周围得到的初始点云首先需要进行滤波处理,过滤掉点云稀疏的区域。

图1 8字绕环赛道示意图
选择点云库(point cloud library,PCL)中的直通滤波方法对激光雷达扫描得到的点云数据(图2)中的各坐标轴进行不同范围的滤波。……