本發(fā)明屬于高精度地圖生產(chǎn)，具體涉及一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本發(fā)明相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、道路邊界是道路交通網(wǎng)絡(luò)中的關(guān)鍵要素，起著劃分行車區(qū)域與其他功能區(qū)的重要作用。明確的道路邊界不僅保障了車輛在規(guī)定車道內(nèi)的安全行駛，減少了交通事故的發(fā)生，還為交通管理提供了基礎(chǔ)數(shù)據(jù)。在高精度地圖和自動駕駛技術(shù)中，道路邊界信息是實(shí)現(xiàn)路徑規(guī)劃的核心，使得導(dǎo)航系統(tǒng)能夠進(jìn)行準(zhǔn)確的路線規(guī)劃、障礙物避讓和行車安全控制。

3、傳統(tǒng)的道路邊界提取方法主要分為兩類：一類是直接從激光點(diǎn)云中提取，另一類是基于激光點(diǎn)云投影的圖像進(jìn)行提取。直接從激光點(diǎn)云中提取道路邊界的方法通常涉及對原始點(diǎn)云進(jìn)行處理和分析。這些方法包括對點(diǎn)云進(jìn)行分割和分類，識別出代表道路邊界的特征點(diǎn)，并利用幾何信息進(jìn)行邊界擬合?；诩す恻c(diǎn)云投影的圖像提取道路邊界的方法則是先將三維點(diǎn)云投影到二維平面上，生成高度圖或其他類型的圖像，然后應(yīng)用圖像處理技術(shù)來識別和提取道路邊界。

4、上述方法面臨著計(jì)算復(fù)雜度高、對噪聲和環(huán)境變化敏感等問題，影響了道路邊界提取的準(zhǔn)確性。因此，需要一種更精確的提取方法來克服這些挑戰(zhàn)，以提升道路邊界提取的可靠性和實(shí)用性。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述問題，本發(fā)明提出了一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法及系統(tǒng)，本發(fā)明通過動態(tài)規(guī)劃算法在點(diǎn)云構(gòu)建的柵格地圖上提取道路邊界，提升了道路邊界提取的精度，增強(qiáng)了對噪聲和車輛遮擋等復(fù)雜環(huán)境的處理能力，從而減少了道路邊界錯誤提取的可能性，為高精度地圖生產(chǎn)和自動駕駛技術(shù)提供了可靠支持。

2、根據(jù)一些實(shí)施例，本發(fā)明的第一方案提供了一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法，采用如下技術(shù)方案：

3、一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法，包括：

4、獲取道路原始激光點(diǎn)云并進(jìn)行預(yù)處理，得到預(yù)處理后的點(diǎn)云；

5、對預(yù)處理后的點(diǎn)云進(jìn)行柵格投影，構(gòu)建柵格地圖；

6、基于柵格地圖，利用動態(tài)規(guī)劃算法進(jìn)行道路邊界提取，從行車軌跡點(diǎn)出發(fā)，識別行車軌跡兩側(cè)的障礙物點(diǎn)并保存在相應(yīng)位置；計(jì)算每個障礙物點(diǎn)與各自對應(yīng)的行車軌跡點(diǎn)的距離，并為每個障礙物點(diǎn)分配一個代價(jià)；根據(jù)前一個行車軌跡點(diǎn)對應(yīng)的到達(dá)障礙物點(diǎn)的代價(jià)，加上當(dāng)前障礙物點(diǎn)的代價(jià)、當(dāng)前行車軌跡點(diǎn)與障礙物點(diǎn)的距離以及當(dāng)前軌跡點(diǎn)與前一個行車軌跡點(diǎn)到障礙物點(diǎn)的距離的絕對差值，建立狀態(tài)轉(zhuǎn)移方程；從最后一個行車軌跡點(diǎn)開始，回溯找到代價(jià)最小的路徑，最終確定為邊界點(diǎn)；

7、將道路邊界點(diǎn)的像素坐標(biāo)轉(zhuǎn)換為點(diǎn)云坐標(biāo)，完成道路邊界提取。

8、進(jìn)一步地，所述對預(yù)處理后的點(diǎn)云進(jìn)行柵格投影，構(gòu)建柵格地圖，具體為：

9、基于預(yù)處理后的點(diǎn)云進(jìn)行遍歷，找到柵格地圖投影所需要的原點(diǎn)坐標(biāo)；

10、確定柵格地圖的大小并進(jìn)行初始化；

11、遍歷所有預(yù)處理后的點(diǎn)云數(shù)據(jù)，根據(jù)每個點(diǎn)云的坐標(biāo)值得到柵格地圖的索引，對應(yīng)記錄其所在柵格的最低點(diǎn)高度值，得到最低點(diǎn)高度值柵格矩陣；

12、再次遍歷所有預(yù)處理后的點(diǎn)云數(shù)據(jù)，比較每個點(diǎn)云的z坐標(biāo)值與存儲的最低點(diǎn)高度值柵格矩陣，得到障礙物點(diǎn)數(shù)柵格矩陣；

13、通過比較每個柵格單元中的障礙物點(diǎn)數(shù)與預(yù)設(shè)閾值，判斷該柵格是否被占用，進(jìn)而得到柵格地圖。

14、進(jìn)一步地，所述柵格地圖的行數(shù)是所有預(yù)處理后的點(diǎn)云中 y坐標(biāo)的最大值和最小值的差與柵格地圖的分辨率的商；

15、所述柵格地圖的列數(shù)是所有預(yù)處理后的點(diǎn)云中 x坐標(biāo)的最大值和最小值的差與柵格地圖的分辨率的商。

16、進(jìn)一步地，所述根據(jù)每個點(diǎn)云的坐標(biāo)值得到柵格地圖的索引，具體為：

17、；

18、；

19、其中，是柵格地圖的行數(shù)索引，是柵格地圖的列數(shù)索引，、是點(diǎn)云的坐標(biāo)，為所有點(diǎn)云坐標(biāo)值的最小值，為所有點(diǎn)云坐標(biāo)值的最小值，為柵格地圖的分辨率。

20、進(jìn)一步地，所述從行車軌跡點(diǎn)出發(fā)，識別行車軌跡點(diǎn)兩側(cè)的障礙物點(diǎn)并保存在相應(yīng)位置，具體為：

21、定義一個狀態(tài)變量表示從起始點(diǎn)到第個行車軌跡點(diǎn)選擇某一障礙物點(diǎn)時的最小代價(jià)；初始狀態(tài)設(shè)定為選擇第一個軌跡點(diǎn)的各個障礙物點(diǎn)的代價(jià)，這里，表示行車軌跡點(diǎn)的索引，表示該行車軌跡點(diǎn)對應(yīng)障礙物點(diǎn)的索引；

22、從行車軌跡點(diǎn)出發(fā)，計(jì)算當(dāng)前行車軌跡點(diǎn)和下一行車軌跡點(diǎn)之間的法向量，以描述行車軌跡點(diǎn)之間的方向變化；

23、以該法向量為方向，采用固定步長進(jìn)行采樣，在軌跡的法向量方向上生成一系列采樣點(diǎn)；

24、如果采樣點(diǎn)與白色障礙物相交，則記錄其坐標(biāo)，存儲到中，內(nèi)存儲的是白色障礙物點(diǎn)的坐標(biāo)，表示為第 i個軌跡點(diǎn)尋找到的第 j個障礙物；并持續(xù)進(jìn)行采樣，直至超出圖像范圍；

25、的坐標(biāo)表示為，與當(dāng)前行車軌跡點(diǎn)相關(guān)的障礙物點(diǎn)的數(shù)量表示為。

26、進(jìn)一步地，所述計(jì)算每個障礙物點(diǎn)與各自對應(yīng)的行車軌跡點(diǎn)的距離，具體為：

27、；

28、其中，表示為的坐標(biāo)，表示為當(dāng)前行車軌跡點(diǎn)的坐標(biāo)，表示行車軌跡點(diǎn)的索引，表示該行車軌跡點(diǎn)對應(yīng)障礙物點(diǎn)的索引。

29、進(jìn)一步地，所述為每個障礙物點(diǎn)分配一個代價(jià)，具體為：

30、；

31、其中，表示為與當(dāng)前軌跡點(diǎn)相關(guān)的障礙物點(diǎn)的數(shù)量，表示行車軌跡點(diǎn)的索引，表示該行車軌跡點(diǎn)對應(yīng)障礙物點(diǎn)的索引，在最后一個障礙物點(diǎn)后存儲進(jìn)的代價(jià)，表示所有障礙物點(diǎn)的代價(jià)。

32、根據(jù)一些實(shí)施例，本發(fā)明的第二方案提供了一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取系統(tǒng)，采用如下技術(shù)方案：

33、一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取系統(tǒng)，包括：

34、點(diǎn)云預(yù)處理模塊，被配置為獲取道路原始激光點(diǎn)云并進(jìn)行預(yù)處理，得到預(yù)處理后的點(diǎn)云；

35、柵格投影模塊，被配置為對預(yù)處理后的點(diǎn)云進(jìn)行柵格投影，構(gòu)建柵格地圖；

36、道路邊界提取模塊，被配置為基于柵格地圖，利用動態(tài)規(guī)劃算法進(jìn)行道路邊界提取，從行車軌跡點(diǎn)出發(fā)，識別行車軌跡兩側(cè)的障礙物點(diǎn)并保存在相應(yīng)位置；計(jì)算每個障礙物點(diǎn)與各自對應(yīng)的行車軌跡點(diǎn)的距離，并為每個障礙物點(diǎn)分配一個代價(jià)；根據(jù)前一個行車軌跡點(diǎn)對應(yīng)的到達(dá)障礙物點(diǎn)的代價(jià)，加上當(dāng)前障礙物點(diǎn)的代價(jià)、當(dāng)前行車軌跡點(diǎn)與障礙物點(diǎn)的距離以及當(dāng)前軌跡點(diǎn)與前一個行車軌跡點(diǎn)到障礙物點(diǎn)的距離的絕對差值，建立狀態(tài)轉(zhuǎn)移方程；從最后一個行車軌跡點(diǎn)開始，回溯找到代價(jià)最小的路徑，最終確定為邊界點(diǎn)；

37、道路邊界點(diǎn)云確定模塊，被配置為將道路邊界點(diǎn)的像素坐標(biāo)轉(zhuǎn)換為點(diǎn)云坐標(biāo)，完成道路邊界提取。

38、根據(jù)一些實(shí)施例，本發(fā)明的第三方案提供了一種計(jì)算機(jī)可讀存儲介質(zhì)。

39、一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，該程序被處理器執(zhí)行時實(shí)現(xiàn)如上述第一個方面所述的一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法中的步驟。

40、根據(jù)一些實(shí)施例，本發(fā)明的第四方案提供了一種計(jì)算機(jī)設(shè)備。

41、一種計(jì)算機(jī)設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述程序時實(shí)現(xiàn)如上述第一個方面所述的一種基于動態(tài)規(guī)劃算法的點(diǎn)云道路邊界提取方法中的步驟。

42、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

43、本發(fā)明利用激光點(diǎn)云數(shù)據(jù)，將指定高度范圍內(nèi)的點(diǎn)云投影到柵格圖像中。從軌跡點(diǎn)出發(fā)，識別軌跡兩側(cè)的障礙物點(diǎn)，將找到的每個障礙物點(diǎn)保存在相應(yīng)位置，計(jì)算其與各自軌跡點(diǎn)的距離，并為每個障礙物點(diǎn)分配一個代價(jià)。根據(jù)前一個軌跡點(diǎn)對應(yīng)的到達(dá)障礙物點(diǎn)的代價(jià)，加上當(dāng)前障礙物點(diǎn)的代價(jià)、當(dāng)前軌跡點(diǎn)與障礙物的距離以及當(dāng)前軌跡點(diǎn)與前一個軌跡點(diǎn)到障礙物的距離的絕對差值，建立狀態(tài)轉(zhuǎn)移方程。從最后一個軌跡點(diǎn)開始，回溯找到代價(jià)最小的路徑，最終確定為邊界點(diǎn)。通過動態(tài)規(guī)劃算法在點(diǎn)云構(gòu)建的柵格地圖上提取道路邊界，提升了道路邊界提取的精度，增強(qiáng)了對噪聲和車輛遮擋等復(fù)雜環(huán)境的處理能力，從而減少了道路邊界錯誤提取的可能性，為高精度地圖生產(chǎn)和自動駕駛技術(shù)提供了可靠支持。