(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210563456.3 (22)申请日 2022.05.23 (65)同一申请的已公布的文献号 申请公布号 CN 114648585 A (43)申请公布日 2022.06.21 (73)专利权人 中国科学院合肥物质科 学研究院 地址 230031 安徽省合肥市蜀山区蜀山湖 路350号 (72)发明人 梁华为　李志远　王瀚琪　周鹏飞　 章松　王健　 (74)专利代理 机构 合肥天明专利事务所(普通 合伙) 34115 专利代理师 娄岳 (51)Int.Cl. G06T 7/73(2017.01)G06V 20/58(2022.01) G06V 10/762(2022.01) G06V 10/77(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/20(2019.01) 审查员 司马成 (54)发明名称 一种基于激光点云与集成学习的车辆姿态 估计方法 (57)摘要 本发明公开了一种基于激光点云与集成学 习的车辆姿态估计方法， 包括对激光雷达输出的 激光点云进行预处理， 获得道路参与者的聚类结 果及其凸包； 简化障碍物的3D包围框， 将其映射 到二维平 面； 基于激光点云实际成像的复杂多样 性， 建立全局姿态估计模 型； 建立模型评价指标， 用于对全局姿态估计模型结果进行评估； 搭建基 于集成学习的Bagging模型， 得到 障碍物最优姿 态估计方案。 本发明通过使用集 成学习网络构建 并结合多个弱学习器， 使生 成的强学习器能够不 受3D点云分布的特定几何形状的影响， 对全尺寸 全形态3D障碍物车辆都可进行姿态估计， 具有较 好的姿态估计全局适应性， 且弱学习器能够做成 并行化方法， 大 大提高模型的计算速度。 权利要求书3页 说明书6页 附图5页 CN 114648585 B 2022.08.16 CN 114648585 B 1.一种基于 激光点云与集成学习的车辆姿态估计方法， 其特 征在于， 具体步骤 包括： S1、 对激光雷达输出的激光点云进行预处理， 获得道路参与者的聚类结果及其凸包， 其 具体步骤 包括： S11、 在保持激光点云原始轮廓信息不变的情况下， 使用分辨率为0.1m的体素格对激光 点云进行 下采样； 将脱离地面的点云进行滤除， 并进一步结合高精度地图将道路外的点云进行剔除， 减 少非道路参与者的干扰； 使用地面滤波算法提取地面以上的点云， 并使用聚类算法对道路范围内的点云进行聚 类分割， 获得聚类结果； S12、 对每一个聚类结果， 舍弃三维点云高度属性将其投影到二维平面， 其中第 i个障碍 物车辆用 Oi表示； 对二维平面的每一个聚类结果 Oi提取其轮廓坐标点集 Eiob,得到障碍物车辆 Oi的有序轮 廓坐标序列； 然后对轮廓坐标点集 Eiob进行凸包提取， 得到能将障碍物车辆 Oi包围住的最小凸多边 形， 将该最小凸多边形作为障碍物车辆 Oi的凸包Hiob； S2、 简化障碍物车辆的3D包围框， 将其映射到二维平面， 其具体步骤 包括： S21、 对任一障碍物车辆 Oi采用3D包围框来表示 其姿态； S22、 对于第 i个障碍物车辆， 其姿态向量 μi表示为：μi=[x0i,y0i,li,ωi,hi, θi]； 其中， (x0i,y0i)表示第i个障碍物车辆在二维平面的几何中心坐标， li为障碍物车辆的 长度，ωi为障碍物车辆的宽度， hi为障碍物车辆的高度， θi为障碍物车辆的包围框长边方向 与障碍物车辆实际前进方向的夹角； S23、 根据姿态向量 μi得到障碍物车辆的边界框在二维平面的四个角点， 从左上角顺时 针的四个角点 Ai,Bi,Ci,Di分别表示 为： 根据四个角点 坐标能够确定唯一3D包围框在二维平面的位置； S3、 基于激光点云实际成像的复杂多样性， 建立全局姿态估计模型； S4、 建立模型评价指标， 用于对 全局姿态估计模型 结果进行评估， 其具体步骤 包括： 根据建立的全局姿态估计模型设置三种模型评价指标， 用于对全局姿态估计模型进行 评估， 其中三种模型评价指标包括平均点云距离指标、 框内点云占比指标， 以及连续平均偏 移角指标； 平均点云距离指标： 对于每帧点云数据中的第 i个障碍物车辆， 其凸包点集中包含 n个 凸包点Hiob={g1i,g2i,...,gni}， 计算每个凸包点 gki到包围框中最近一条边的距离 dki， 最后权　利　要　求　书 1/3 页 2 CN 114648585 B 2计算第i个障碍物车辆的所有凸包点到最近包围框的平均距离 ADDiob， 计算公式为： ； 框内点云占比指标： 当包围框不能全部包围住障碍物车辆点云时， 会导致一部分障碍 物车辆点云在包围框外， 将该部分点云的数量记为 ηiout， 包围框内的点云数量记为 ηiin， 则 框内点云占比 PPCIiob的计算公式为： ； 连续平均偏移角指标： 为了保证姿态估计中的连续性和稳定性， 需考虑过去 m帧点云数 据中的障碍物车辆偏移角的稳定性， 连续平均偏移角 CDAiob的计算公式为： ； 其中，θicur和θipre分别表示当前帧与前一帧障碍物车辆与前进方向的偏移角； S5、 搭建基于集成学习的Ba gging模型， 得到障碍物车辆最优姿态估计方案 。 2.根据权利要求1所述一种基于激光点云与集成学习的车辆姿态估计方法， 其特征在 于， 所述S3的具体方法为： 基于激光点云实际成像的复杂多样性， 分别根据翻滚三角形法、 最长对角法， 以及主成分 分析法建立 三种全局姿态估计模型； 翻滚三角形法： 在第 i个障碍物车辆的凸包点集 Hiob中， 针对包含在其中的 n个凸包点， 主要步骤是以任意两凸包点 gki,gki +1作为三角形的底边， 在其他凸包点 gji,j∈{1,..., k‑1, k+2,...,n}中寻找三角形的顶点 gji， 计算Δgjigkigki +1的面积Ski， 当三角形的面积 Ski达到最 大时， 三角形底 边gkigki +1的方向为边界框长边的方向， 即为障碍物车辆的前进 方向， 三角形 的高hki为障碍物车辆的宽； 在整个求解 过程中按照凸包每一边为底构成的三角形在凸包内 不停的旋转， 直到找到构成最大面积的三角形； 最长对角法： 对于每帧点云数据中的第 i个障碍物车辆， 其凸包点集中包含 n个凸包点 Hiob={g1i,g2i,...,gni}， 首先在凸包点集 Hiob中遍历任意两点， 在凸包点中找到距离最长的 两点gji和gki， 把这两点当作障碍物车辆的最长对角， 并在凸包点集 Hiob中寻找距对角线 gjigki垂直距离最远的点 gli； 将gli分别与gji和gki连接， 得到线段 gligji和gligki， 选择其中最 长的一条作为障碍物车辆包围框的长边方向； 过 gji向长边做垂线即可得到短边方向， 短边 与长边的交点即为包围框的一个角点； 在凸包点集 Hiob中寻找距长 边垂直距离 最远的点 gmi， 过gmi沿着长边的方向做直线， 直线与短边的交点即为包围框的另一个角点； 这样另外两个 角点便可唯一确定， 依次连接四个角点即可 得到障碍物车辆的包围框； 主成分分析法： 通过线性正交变换， 将原始数据的多维特征向量从高维空间映射到低 维度空间； 在第 i个障碍物车辆的凸包点集 Hiob中， 将其中的 n个凸包点视为样本， 首先计算 出样本的协方差矩阵， 对其进行特征分解得到特征值λ1i和λ2i， 选择两者中较大的特征值 λi max对应的特征向量 αi max=[αi max1αi max2]T作为障碍物 车辆的行驶方向向量， 障碍物 车辆的包 围框长边方向与障碍物车辆实际前进方向的夹角 θi计算公式为： ;权　利　要　求　书 2/3 页 3 CN 114648585 B 3