(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210623207.9 (22)申请日 2022.06.01 (71)申请人 湖南大学无锡智能控制研究院 地址 214072 江苏省无锡市 市辖区高浪东 路999号D1栋6、 7、 8层 (72)发明人 谢国涛　曹昌　秦晓辉　徐彪　 秦兆博　王晓伟　秦洪懋　边有钢　 胡满江　丁荣军　 (74)专利代理 机构 北京汇智胜知识产权代理事 务所(普通 合伙) 11346 专利代理师 赵立军 (51)Int.Cl. G01S 13/931(2020.01) G01S 17/931(2020.01) G01S 13/86(2006.01)G01S 7/495(2006.01) G01S 7/48(2006.01) G01S 7/41(2006.01) G01S 7/36(2006.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 20/58(2022.01) (54)发明名称 多雷达数据融合的扬尘场景下障碍物检测 方法与系统 (57)摘要 本发明公开了一种多雷达数据融合的扬尘 场景下障碍物检测方法与系统， 其包括： 步骤S1， 获取多雷达数据； 步骤S2， 将多雷达数据中的激 光雷达点云转换为矩阵化后的点 云深度图； 步骤 S3， 计算点云深度图上点云坡度特征， 并根据连 通域搜索获得 非地面特征点云聚类， 将单个连通 域内特征点云数量超过阈值的点云聚类作为障 碍物点云聚类， 计算非地面特征点云聚类离地高 度、 连通度和表面离散度； 步骤S4， 将多雷达数据 中的毫米波雷达障碍物检测数据的坐标转换到 激光雷达坐标系下， 并根据激光雷达目标与毫米 波雷达目标之间的距离和/或交并比， 计算单个 激光雷达的关联特征值； 步骤S5， 计算点云聚类 为灰尘点云聚类的概率， 并获得 非扬尘障碍物的 点云聚类位置 。 权利要求书3页 说明书10页 附图2页 CN 114994684 A 2022.09.02 CN 114994684 A 1.一种多雷达数据融合的障碍物检测方法， 其特 征在于， 包括： 步骤S1， 获取多雷达数据； 步骤S2， 将所述多雷达数据中的激光雷达点云转换为矩阵化后的点云深度图； 步骤S3， 计算所述点云深度图上点云坡度特征， 并根据连通域搜索获得非地面特征点 云聚类， 将单个所述连通域内特征点云数量超过阈值的点云聚类作为障碍物点云聚类， 计 算所述非地 面特征点云聚类离地高度、 连通度和表面离 散度； 步骤S4， 将所述多雷达数据中的毫米波雷达障碍物检测数据的坐标转换到激光雷达坐 标系下， 并根据激光雷达目标与毫米波 雷达目标之 间的距离和/或交并比， 计算单个激光雷 达的关联 特征值； 步骤S5， 计算 点云聚类为灰尘点云聚类的概 率， 并获得非扬尘障碍物的点云聚类位置 。 2.如权利要求1所述的多雷达数据融合的障碍物检测方法， 其特征在于， 所述步骤S3 中 的所述点云坡度 特征α 通过所述点云深度图中上、 下相邻 两障碍物特征点p1、 p2形成的直线 与激光雷达坐标系xy平面之间的角度获得， 如式(3)所示： 式中， (x1， y1， z1)、 (x2， y2， z2)分别为p1、 p2点在激光雷达坐标系中的坐标， l1， 2为p1、 p2在 所述xy平面上的距离 。 3.如权利要求1所述的多雷达数据融合的障碍物检测方法， 其特征在于， 所述步骤S3 中 连通域搜索包括对所述点云深度图的上下方向和左右方向的搜索， 将p1、 p2之间欧式空 间几 何距离阈值l2thresh的计算公式设置为式(5)， 将p1、 p2之间的连通域聚类判断条件设置为式 (6)和式(7)： 式中， k为距离阈值系 数， β 为p1、 p2分别与激光雷达的几何中心连线形成的夹角， max_d 为p1、 p2中与激光雷达的几何中心距离较远的点与激光雷达原点之间的距离， b为预设的固 定偏置系数， (ro w1， col1)、 (row2， col2)分别为p1、 p2在所述点云深度图中的坐标。 4.如权利要求1所述的多雷达数据融合的障碍物检测方法， 其特征在于， 步骤S4中根据 激光雷达目标与毫米波雷达目标之间的距离和/或交并比， 计算单个激光雷达的关联特征 值的方法包括： 步骤S41， 判断激光雷达目标与毫米波雷达目标 是否关联， 若是， 则进入步骤S42； 步骤S42， 采用式(16)或式(17)计算单个激光雷达的关联 特征值： 权　利　要　求　书 1/3 页 2 CN 114994684 A 2式中， single_relevancy、 obj_relevancy均表示单个激光雷达的关联特征值， rectA表 示激光雷达的目标矩形框， rectB表示毫米波雷达的目标矩形框， ∩表示交集， ∪表示并集， rectC表示能够将r ectA、 rectB包围的最小矩形框， numobj_rele为与当前激光雷达目标成功关 联的毫米波雷达目标数量， single_relevancyn表示第n个激光雷达的关联特征值， max_ single_relevancy表示当前激光雷达的最大关联 特征值。 5.如权利要求4所述的多雷达数据融合的障碍物检测方法， 其特征在于， 步骤S41具体 包括： 步骤S411， 判断激光雷达目标与毫米波雷达目标是否产生重叠， 若是， 则可直接认为两 者成功关联， 若两目标 未发生重 叠， 则进入步骤S412； 步骤S412， 判断毫米波雷达目标与激光雷达目标之间的距离是否小于关联距离阈值 connect_distance_thresh， 若是， 则认为该毫米波雷达目标与该激光雷达目标成功关联。 6.如权利要求1 ‑5中任一项所述的多雷达数据融合的障碍物检测方法， 其特征在于， 所 述步骤S5中， 利用下式(19)计算该点云聚类属于扬尘点云聚类的概 率dust_probabi lity： dust_probability＝k1×obj_height+k2×obj_ratio+k3×obj_discrete+k4×obj_ relevancy， #(19) 式中， k1、 k2、 k3、 k4分别为不同特征的缩放系数， obj_hei ght、 obj_ratio、 obj_discrete 为通过所述步骤S3获得的所述非地面特征点云聚类离地高度、 连通度和表面离散度， obj_ relevancy为单个激光雷达的关联 特征值。 7.一种多雷达数据融合的障碍物检测系统， 其特 征在于， 包括： 雷达数据获取 单元， 其用于获取多雷达数据； 点云深度图转换单元， 其用于将所述多雷达数据中的激光雷达点云转换为矩阵化后的 点云深度图； 点云特征计算单元， 其用于计算所述点云深度图上点云坡度特征， 并根据连通域搜索 获得非地面特征点云聚类， 将单个所述连通域内特征点云数量超过阈值的点云聚类作为障 碍物点云聚类， 计算所述非地 面特征点云聚类离地高度、 连通度和表面离 散度； 关联特征计算单元， 其用于将所述多雷达数据中的毫米波雷达障碍物检测数据的坐标 转换到激光雷达坐标系 下， 并根据激光雷达目标与毫米波雷达目标之间的距离和/或交并 比， 计算单个激光雷达的关联 特征值； 概率计算单元， 其用于计算点云聚类为灰尘点云聚类的概率， 并获得非扬尘障碍物的 点云聚类位置 。 8.如权利要求7所述的多雷达数据融合的障碍物检测系统， 其特征在于， 所述点云特征 计算单元中的所述点云坡度 特征α 通过所述点云深度图中上、 下相邻 两障碍物特征点p1、 p2 形成的直线与激光雷达坐标系xy平面之间的角度获得， 如式(3)所示： 权　利　要　求　书 2/3 页 3 CN 114994684 A 3