机器人局部环境可行驶区域感知方法及装置与流程

1.本发明属于机器人技术领域，特别是一种精度高、鲁棒性强的机器人局部环境可行驶区域感知方法及装置。


背景技术：

2.随着人工智能技术的快速发展和人们生活水平的日益提高，各种工业机器人、智能服务机器人等越来越多的应用到人类的生产生活中。为了使机器人更加有效的服务人类，局部可行驶区域的感知是机器人需要具备的基础功能，而且局部、实时、准确的可行驶区域感知能力是机器人性能的重要组成部分，其感知结果直接应用于机器人的规划、决策、控制过程中，帮助机器人在正确的轨迹上行驶，防止机器人跌落、碰撞等事故的发生。
3.可行驶区域的感知从技术角度主要包括可行驶区域路面检测和路面障碍物检测两大部分。可行驶区域路面，是指满足平整性、连续性的可通行路面区域。障碍物检测包含静态障碍物和动态障碍物检测，根据特定的场景也可划分为大障碍物和小障碍物处理。
4.目前的可行驶区域感知技术的研究现状主要表现为，侧重于自动驾驶道路场景的研究，侧重于道路提取和分割技术的研究，侧重于深度学习技术或单一传感器的研究。这些方法缺少对局部复杂场景及障碍物检测的研究，缺少将障碍物检测和道路检测结合的技术研究，以及现有技术在局部园区复杂环境存在适应性不足，感知精度和实时性欠佳，鲁棒性不够等实际问题，从而影响了机器人的广泛应用。


技术实现要素：

5.本发明的目的在于提供一种机器人局部环境可行驶区域感知方法，精度高、鲁棒性强。
6.本发明的另一目的在于提供一种精度高、鲁棒性强的机器人局部环境可行驶区域感知装置。
7.实现本发明目的的技术解决方案为：
8.一种机器人局部环境可行驶区域感知方法，包括如下步骤：
9.(10)数据接收：实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述位姿数据是指机器人当前的位置数据和姿态数据；
10.(20)路面检测：根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域；
11.(30)非地面点过滤：根据所述当前帧激光雷达数据，对非地面点进行过滤；
12.(40)感知范围各帧激光雷达数据记录：使用局部缓存机制,记录当前局部感知范围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息；
13.(50)激光路面分割:采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果；
14.(60)多帧局部图像概率融合：使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域；
15.(70)小障碍物检测：根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域；
16.(80)大障碍物检测：根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域；
17.(90)可行驶区域确定：将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。
18.实现本发明另一目的的技术解决方案为：
19.机器人局部环境可行驶区域感知装置，包括：
20.数据接收模块，用于实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述位姿数据是指机器人当前的位置数据和姿态数据；
21.路面检测模块，用于根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域；
22.非地面点过滤模块，用于根据所述当前帧激光雷达数据，对非地面点进行过滤；
23.感知范围各帧激光雷达数据记录模块，用于使用局部缓存机制,记录当前局部感知范围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息；
24.激光路面分割模块，用于采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果；
25.多帧局部图像概率融合模块，用于使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域；
26.小障碍物检测模块，用于根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域；
27.大障碍物检测模块，用于根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域；
28.可行驶区域确定模块，用于将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。本发明与现有技术相比，其显著优点为：
29.1、可行驶区域确定精度高、鲁棒性强：本发明方法通过接收数据采集设备发送的激光雷达数据和图像数据，使用单帧图像进行路面检测、使用单帧激光过滤非地面点，使用局部缓存机制记录局部范围内的单帧图像和点云处理结果，对局部范围内的缓存结果按当前帧进行拼接，然后使用基于面片扩散生长的激光分割方法分割路面区域；使用局部多帧图像和激光进行概率融合，剔除识别不稳定的帧数据，提高系统的稳定性；利用融合后的概率图精化分割边缘，提升系统识别的精度；使用单帧激光进行障碍物检测，最终根据融合后的路面区域减去障碍物区域获得机器人的可行驶区域。本发明充分结合激光雷达和图像的优势，将多传感器融合的可行驶区域道路检测方案与障碍物检测技术两者相融合，解决了机器人通行和防跌落问题，在室外作业机器人的局部园区环境可以取得良好的性能。通过该方案可以实时感知机器人局部环境的可行驶区域，基于多帧的图像和激光点云双重感知融合方案，抗噪声能力强，输出结果精度高、鲁棒性强。
30.下面结合附图和具体实施方式对本发明作进一步的详细描述。
附图说明
31.图1是本发明机器人局部环境可行驶区域感知方法的主流程图。
32.图2是图1中非地面点过滤步骤的流程图。
33.图3是局部融合后的可行驶区域效果图示例。
34.图4是最终检测出的小障碍物的效果图示例。
35.图5是最终检测出的大障碍物的效果图示例。
具体实施方式
36.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
37.如图1所示，本发明机器人局部环境可行驶区域感知方法，包括如下步骤：
38.(10)数据接收：实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述的位姿数据是指机器人当前的位置数据和姿态数据。
39.实时接收数据采集设备发送的图像，当前帧图像中包括机器人行驶方向中的环境信息，以及当前帧时刻机器人的位姿信息；
40.实时接收数据采集设备发送的激光雷达数据，其中，每一帧数据包含点云的坐标信息和强度信息，以及当前帧时刻的位姿信息；
41.(20)路面检测：根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域。
42.对所述的图像进行路面检测，使用深度学习网络进行路面区域检测，并将检测结果缓存至局部感知系统的寄存器中，缓存保留当前设定局部感知区域e(例如以当前处理的帧的原点为坐标系，范围为4m
×
8m)内的图像检测结果
43.(30)非地面点过滤：根据所述当前帧激光雷达数据，对非地面点进行过滤。
44.如图2所示，所述(30)非地面点过滤步骤包括：
45.(31)有效扫描区域裁剪：在所述设定局部感知区域内，对单帧激光有效扫描区域进行裁剪；
46.(32)激光点云分线：对所述单帧激光有效扫描区域按激光扫描角度进行激光点云分线，生成多线激光数据；
47.(33)激光点云切割：对每条分线的激光点云进行切段处理，从而将每条分线的激光切割成一系列分段点云；
48.(34)分段点云过滤：对每个分段点云按路面反射强度i和几何一致性准则进行过滤。
49.对所述的单帧激光雷达数据进行滤波处理，是指按照设定局部感知区域ε(与步骤(20)中所述当前设定局部感知区域e一致)，对单帧激光有效的扫描区域(在范围e所在区域内)进行裁剪，然后对所述单帧激光按激光扫描角度进行激光点云分线生成多线激光数
据，接着对每条分线的激光点云进行切段处理，将每条分线的激光切割成一系列分段点云，最后对每个分段点云按路面反射强度i和几何一致性准则进行过滤。
50.所述(32)激光点云分线步骤具体为：
51.对每个点按照公式(1)计算它的垂直角，根据激光雷达传感器提供的最大扫描角θ
max
和各扫描线之间的夹角ω等参数，按照公式(2)计算当前点的扫描线标识nscan，将扫描线标识一致的点按顺序分到同一组，从而完成单帧激光的分线任务。
[0052][0053][0054]
所述(34)分段点云过滤步骤中的几何一致性准则，是指某一小段内的单线点云特征，包括：点云扫描半径一致；点云中相邻点之间的空间距离一致；点云近似满足直线分布。
[0055]
所述(34)分段点云过滤步骤包括：
[0056]
(341)激光路面反射强度值初始化：选择机器人行驶方向上距离在初始值滑窗范围内的点统计初始值，初始化激光路面反射强度值；
[0057]
(342)单线激光切段：按分段长度切割同一条扫描线上的点云，将其划分为若干小段；
[0058]
单线激光的切段处理，切割所设阈值长度的分段点云，例如按照20cm的长度，将同一条扫描线上的点云划分为若干小段；
[0059]
(343)强度差值计算：计算分段点云强度值i和初始化路面强度值i0的差值；
[0060]
(344)分段点云几何一致性计算：根据几何一致性准则，计算分段点云的几何一致性；所述几何一致性准则包括最大和最小半径之差满足半径阈值、相邻点之间距离差满足距离阈值、点到分段直线的距离和满足距离阈值；
[0061]
(345)合格点保留：滤除强度差值不满足强度一致性和不满足几何一致性的点云，保留余下的合格点云，所述强度一致性是指分段点云强度值i与初始化路面强度值i0之差小于强度阈值。
[0062]
过滤不满足强度一致性和几何一致性的点云，保留满足阈值的点云(公式3、4、5、6)。
[0063]
这里的阈值包含强度i的阈值δi，半径r的阈值δr，点与点之间距离d的阈值δd，和点到所拟合的三维直线之间的距离和阈值δs，这里的阈值可以根据需求调整数据，例如分别设为3cm，2cm，5cm。
[0064]
|i-i0|＜δiꢀꢀ
(3)
[0065]rmax-r
min
《δr，
ꢀꢀ
(4)
[0066]
|d
i-dj|《δd，
ꢀꢀ
(5)
[0067][0068]
si为点到所拟合的三维直线之间的距离。
[0069]
(40)感知范围各帧激光雷达数据记录：使用局部缓存机制,记录当前局部感知范
围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息。
[0070]
所述(40)单帧图像和点云处理结果记录步骤包括：
[0071]
(41)对单帧点云过滤后的结果缓存至局部感知系统的寄存器，该寄存器存储当前局部感知区域e内的各帧滤波点云和位姿信息；
[0072]
(42)裁剪超出局部感知区域e的各帧点云和位姿信息；
[0073]
(43)如果遇到停止采集，或者帧间数据过于密集的情况，按照设置的移动距离md(例如md＝5cm)对帧间点云进行采样，如果小于md用当前帧替换上一帧，如果大于md将当前帧添加到寄存器，如果累计帧数超过寄存器设置的最大数量则删除时间最早的帧数据，以此类推获取满足条件的各帧激光雷达数据。
[0074]
(50)激光路面分割:采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果。
[0075]
所述(50)激光路面分割步骤包括：
[0076]
(51)将局部缓存的各帧激光数据统一转换至当前帧坐标系，生成局部密集激光点云数据p；
[0077]
具体为：
[0078]
设当前帧的位置和姿态分别为t1和r1，其余各帧的位置和姿态分别为ti和ri(i＝1,2,...,n)，按照公式7和公式8计算各帧相对于当前帧的位姿信息r和t，根据公式9计算各帧坐标点x在当前帧中的坐标p。
[0079][0080][0081]
p＝r*xi+t
ꢀꢀ
(9)
[0082]
(52)对密集点云按设定分辨率进行网格组织和划分，例如设定网格分辨率为10cm
×
10cm，按照局部坐标范围计算栅格网的长度和宽度，将每个网格初始化为0；
[0083]
(53)设置机器人本体附近的网格为初始种子点网格ni，种子点网格标记为1；
[0084]
(54)计算初始种子点网格的生长参数，所述生长参数是指网格内点云所拟合的平面的法向量、网格内点到网格面片的距离和、网格内点云的最大最小高程；
[0085]
(55)按照网格参数相似度准则进行区域生长，得到激光路面分割结果。
[0086]
具体的实施方式为计算当前种子点8领域中未被标识的网格参数，比较种子点网格和领域网格参数的相似性，将满足要求的领域网格nj加入种子点列表v(n)并标识为1，从种子点列表v(n)删除当前种子点ni，然后从种子点列表重新取出一点nk进行上述操作，直至种子点列表v(n)为空，统计所有被标识的网格(标记为1的网格)，这些网格所组成的最大连通域构成有效分割区域s
region
，对标记出来的有效区域生成规则化的三维格网点云。
[0087]
(60)多帧局部图像概率融合：使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域。
[0088]
对所述的激光分割点云和局部缓存图像进行融合处理，具体流程是：确定局部感知范围的三维mask区域e(与步骤(20)路面检测中所述一致)；利用激光分割结果的点云对三维mask区域进行初始化，对区域e中存在激光分割结果的网格赋予概率值qi(例如qi为0.5)，其余置为0；计算各帧图像道路检测的路面边缘，并投影到三维mask区域e中，形成闭
合空间区域fi；利用多帧图像投影的空间面域fi对mask区域e进行投票统计，具体实施方式是对位于空间区域fi中的网格点概率值进行累加(例如每帧投票的权重为0.1)，不在区域fi中的进行递减；利用投票统计结果计算mask区域网格点的最终概率值q，并转化为的概率图，对概率图进行卷积平滑；按照概率图计算融合后的路面区域，具体的实时方式是对概率图按照otsu图像分割的方法计算最大连通域，作为初始的可行驶区域。图3为局部融合后的可行驶区域效果图。
[0089]
(70)小障碍物检测：根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域。
[0090]
所述(70)小障碍物检测步骤包括：
[0091]
(71)单帧激光的路面有效区域裁剪(与步骤(30)非地面点过滤中所述一致)；
[0092]
(72)单帧激光的分线处理(与步骤(30)非地面点过滤中所述一致)，获取单线激光；
[0093]
(73)对单线激光切段(与步骤(30)非地面点过滤中所述方法一致)，例如按照0.5m进行切段；
[0094]
(74)单线激光高度突变部位检测和标记，具体为对每个切段内按照ransac的方法统计z值的离群点，并将这些离群点按欧式距离进行聚类，对点云数量和聚类范围满足要求(例如点云数量满足10，聚类尺寸大于15cm)的结果进行记录，计算它们的中心点和切段方向上的长度，然后缓存至当前帧的检测结果中；
[0095]
(75)将小障碍物从步骤(60)中所述的可行驶区域结果中擦除，即将该帧检测出来的结果归算至步骤(60)中所述的坐标系，并按照聚类尺寸对步骤(60)中对应位置的可行驶区域进行擦除。
[0096]
图4为最终检测出的小障碍物的效果图。
[0097]
(80)大障碍物检测：根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域。
[0098]
所述(80)大障碍物检测步骤包括：
[0099]
(81)局部mask区域构建(与步骤20中所述一致)；
[0100]
(82)基于点云高度差异的障碍物区域标记，利用当前帧激光点云数据的高度z，标记高于地面高度的格网点，并进行格网点聚类，形成障碍物区域的簇标记(与步骤7中所述一致)，
[0101]
(83)然后并按照聚类尺寸对步骤60中对应位置的可行驶区域进行擦除。
[0102]
图5为最终检测出的大障碍物的效果图。
[0103]
(90)可行驶区域确定：将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。
[0104]
本发明使用局部缓存机制记录局部范围内的单帧图像和点云处理结果，对局部范围内的缓存结果按当前帧进行拼接，然后使用基于面片扩散生长的激光分割方法分割路面区域；使用局部多帧图像和激光进行概率融合，剔除识别不稳定的帧数据，提高系统的稳定性；利用融合后的概率图精化分割边缘，提升系统识别的精度。本发明充分结合激光雷达和图像的优势，将多传感器融合的可行驶区域道路检测方案与障碍物检测技术两者相融合，解决了机器人通行和防跌落问题，在室外作业机器人的局部园区环境可以取得良好的性
能。通过该方案可以实时感知机器人局部环境的可行驶区域，基于多帧的图像和激光点云双重感知融合方案，抗噪声能力强，输出结果精度高、鲁棒性强。
[0105]
本发明机器人局部环境可行驶区域感知装置，包括：
[0106]
数据接收模块，用于实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述位姿数据是指机器人当前的位置数据和姿态数据；
[0107]
路面检测模块，用于根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域；
[0108]
非地面点过滤模块，用于根据所述当前帧激光雷达数据，对非地面点进行过滤；
[0109]
感知范围各帧激光雷达数据记录模块，用于使用局部缓存机制,记录当前局部感知范围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息；
[0110]
激光路面分割模块，用于采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果；
[0111]
多帧局部图像概率融合模块，用于使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域；
[0112]
小障碍物检测模块，用于根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域；
[0113]
大障碍物检测模块，用于根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域；
[0114]
可行驶区域确定模块，用于将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。
[0115]
所述非地面点过滤模块包括：
[0116]
有效扫描区域裁剪单元，用于在所述设定局部感知区域内，对单帧激光有效扫描区域进行裁剪；
[0117]
激光点云分线单元，用于对所述单帧激光有效扫描区域按激光扫描角度进行激光点云分线，生成多线激光数据；
[0118]
激光点云切割单元，用于对每条分线的激光点云进行切段处理，从而将每条分线的激光切割成一系列分段点云；
[0119]
分段点云过滤单元，用于对每个分段点云按路面反射强度i和几何一致性准则进行过滤。
[0120]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram
(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0121]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0122]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种机器人局部环境可行驶区域感知方法，其特征在于，包括如下步骤：(10)数据接收：实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述位姿数据是指机器人当前的位置数据和姿态数据；(20)路面检测：根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域；(30)非地面点过滤：根据所述当前帧激光雷达数据，对非地面点进行过滤；(40)感知范围各帧激光雷达数据记录：使用局部缓存机制,记录当前局部感知范围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息；(50)激光路面分割:采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果；(60)多帧局部图像概率融合：使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域；(70)小障碍物检测：根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域；(80)大障碍物检测：根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域；(90)可行驶区域确定：将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。2.根据权利要求1所述的机器人局部环境可行驶区域感知方法，其特征在于，所述(30)非地面点过滤步骤包括：(31)有效扫描区域裁剪：在所述设定局部感知区域内，对单帧激光有效扫描区域进行裁剪；(32)激光点云分线：对所述单帧激光有效扫描区域按激光扫描角度进行激光点云分线，生成多线激光数据；(33)激光点云切割：对每条分线的激光点云进行切段处理，从而将每条分线的激光切割成一系列分段点云；(34)分段点云过滤：对每个分段点云按路面反射强度i和几何一致性准则进行过滤。3.根据权利要求2所述的机器人局部环境可行驶区域感知方法，其特征在于，所述(34)分段点云过滤步骤包括：(341)激光路面反射强度值初始化：选择机器人行驶方向上距离在初始值滑窗范围内的点统计初始值，初始化激光路面反射强度值；(342)单线激光切段：按分段长度切割同一条扫描线上的点云，将其划分为若干小段；(343)强度差值计算：计算分段点云强度值i和初始化路面强度值i0的差值；(344)分段点云几何一致性计算：根据几何一致性准则，计算分段点云的几何一致性；所述几何一致性准则包括最大和最小半径之差满足半径阈值、相邻点之间距离差满足距离阈值、点到分段直线的距离和满足距离阈值；(345)合格点保留：滤除强度差值不满足强度一致性和不满足几何一致性的点云，保留余下的合格点云，所述强度一致性是指分段点云强度值i与初始化路面强度值i0之差小于
强度阈值。4.根据权利要求1所述的机器人局部环境可行驶区域感知方法，其特征在于，所述(40)感知范围各帧激光雷达数据记录步骤包括：(41)缓存单帧点云过滤后的结果至寄存器，包括当前局部感知区域内的各帧滤波点云和位姿信息；(42)裁剪超出局部感知区域的各帧点云和位姿信息；(43)如果遇到停止采集，或者帧间数据过于密集的情况，按照设置的移动距离m
d
对帧间点云进行采样，如果小于m
d
用当前帧替换上一帧，如果大于m
d
将当前帧添加到寄存器，如果累计帧数超过寄存器设置的最大数量，则删除时间最早的帧数据，以此类推获取满足条件的各帧激光雷达数据。5.根据权利要求4所述的机器人局部环境可行驶区域感知方法，其特征在于，所述(50)激光路面分割步骤包括：(51)将局部缓存的各帧激光数据统一转换至当前帧坐标系，生成局部密集激光点云数据p；(52)对密集点云按设定分辨率进行网格组织和划分；(53)设置机器人本体附近的网格为初始种子点网格n
i
，种子点网格标记为1；(54)计算初始种子点网格的生长参数，所述生长参数是指网格内点云所拟合的平面的法向量、网格内点到网格面片的距离和、网格内点云的最大最小高程；(55)按照网格参数相似度准则进行区域生长，得到激光路面分割结果。6.一种机器人局部环境可行驶区域感知装置，其特征在于，包括：数据接收模块，用于实时接收数据采集设备发送的当前帧图像、激光雷达数据和位姿数据；所述当前帧图像是指相机拍摄到的图片信息；所述当前帧激光雷达数据包含点云的坐标信息和强度信息；所述位姿数据是指机器人当前的位置数据和姿态数据；路面检测模块，用于根据所述当前帧图像，采用深度学习网络对路面区域进行检测，保存设定局部感知区域；非地面点过滤模块，用于根据所述当前帧激光雷达数据，对非地面点进行过滤；感知范围各帧激光雷达数据记录模块，用于使用局部缓存机制,记录当前局部感知范围内的各帧激光雷达数据，包括各帧滤波点云和位姿信息；激光路面分割模块，用于采用基于面片扩散生长的激光分割方法，对所述各帧激光雷达数据进行激光路面区域分割，得到激光路面分割结果；多帧局部图像概率融合模块，用于使用局部多帧图像和激光路面分割结果，进行概率融合，得到融合路面区域；小障碍物检测模块，用于根据所述当前帧激光雷达数据，对小障碍物进行检测，得到小障碍物区域；大障碍物检测模块，用于根据所述当前帧激光雷达数据，对大障碍物进行检测，得到大障碍物区域；可行驶区域确定模块，用于将所述融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。7.根据权利要求6所述的机器人局部环境可行驶区域感知装置，其特征在于，所述非地
面点过滤模块包括：有效扫描区域裁剪单元，用于在所述设定局部感知区域内，对单帧激光有效扫描区域进行裁剪；激光点云分线单元，用于对所述单帧激光有效扫描区域按激光扫描角度进行激光点云分线，生成多线激光数据；激光点云切割单元，用于对每条分线的激光点云进行切段处理，从而将每条分线的激光切割成一系列分段点云；分段点云过滤单元，用于对每个分段点云按路面反射强度i和几何一致性准则进行过滤。

技术总结
本发明公开一种机器人局部环境可行驶区域感知方法及装置，精度高、鲁棒性强。方法包括：(10)实时接收当前帧图像、激光雷达数据和位姿数据；(20)根据当前帧图像，对路面区域进行检测；(30)根据当前帧激光雷达数据，对非地面点进行过滤；(40)记录当前局部感知范围内的各帧激光雷达数据；(50)采用基于面片扩散生长的激光分割方法，对各帧激光雷达数据进行激光路面区域分割；(60)使用局部多帧图像和激光路面分割结果，进行概率融合；(70)根据当前帧激光雷达数据，对小障碍物进行检测；(80)根据当前帧激光雷达数据，对大障碍物进行检测；(90)将融合路面区域减去大、小障碍物区域，得到机器人局部环境可行驶区域。器人局部环境可行驶区域。器人局部环境可行驶区域。


技术研发人员：郭永春 罗作煌 刘文博 李奇 候铁研
受保护的技术使用者：深圳亿嘉和科技研发有限公司
技术研发日：2021.11.30
技术公布日：2022/3/8