为了解决激光雷达障碍物检测中点云密度不均和分割不彻底导致的误检、漏检和实时性差等问题,提出了一种改进的DBSCAN (Density-Based Spatial Clustering of Applications with Noise)算法以提高障碍物聚类效果。首先利用散乱点云数据建...为了解决激光雷达障碍物检测中点云密度不均和分割不彻底导致的误检、漏检和实时性差等问题,提出了一种改进的DBSCAN (Density-Based Spatial Clustering of Applications with Noise)算法以提高障碍物聚类效果。首先利用散乱点云数据建立k维树(kD tree)索引,在完成数据预处理的基础上,使用射线地面分离(RGF)算法进行地面分割。然后对传统的DBSCAN算法进行了改进,聚类半径随扫描距离的变化自适应地改变,远距离障碍物点云聚类效果得到提高。实验结果表明,所提方法对不同距离的障碍物都能实现良好的聚类,与传统方法相比,平均耗时减少了1.18 s,正检率提高了19.60个百分点。展开更多
文摘为了解决激光雷达障碍物检测中点云密度不均和分割不彻底导致的误检、漏检和实时性差等问题,提出了一种改进的DBSCAN (Density-Based Spatial Clustering of Applications with Noise)算法以提高障碍物聚类效果。首先利用散乱点云数据建立k维树(kD tree)索引,在完成数据预处理的基础上,使用射线地面分离(RGF)算法进行地面分割。然后对传统的DBSCAN算法进行了改进,聚类半径随扫描距离的变化自适应地改变,远距离障碍物点云聚类效果得到提高。实验结果表明,所提方法对不同距离的障碍物都能实现良好的聚类,与传统方法相比,平均耗时减少了1.18 s,正检率提高了19.60个百分点。
