买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉昆明理工大学申请的专利一种非结构化环境下无人驾驶车辆障碍物的检测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119805489B 。

龙图腾网通过国家知识产权局官网在2025-10-28发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411869029.3，技术领域涉及：G01S17/931；该发明授权一种非结构化环境下无人驾驶车辆障碍物的检测方法是由杨秀建;黄甲龙;吴华伟;张生斌;林强;冯旭磊;鲁岩设计研发完成，并于2024-12-18向国家知识产权局提交的专利申请。

本一种非结构化环境下无人驾驶车辆障碍物的检测方法在说明书摘要公布了：本发明公开了一种非结构化环境下无人驾驶车辆障碍物的检测方法，属于自动驾驶技术领域。本发明基于雷达点云密度随着与传感器距离的变化而发生显著变化这一特性，使用分级聚类的障碍物检测方法对距离传感器较近的高密度点云与距离传感器较远的稀疏点云分别处理。针对距离传感器较近的高密度点云，采用基于球坐标系的三维体素网格聚类算法检测障碍物，通过邻近网格定义点云之间的连接性，从而有效降低数据复杂度，适用于处理高密度的近距离点云数据；针对距离传感器较远的稀疏点云，采用基于特征值和法向量角度约束的点云聚类算法检测障碍物，该算法能更好利用每个点的局部几何信息，在稀疏场景下表现出更高的鲁棒性与准确性。

本发明授权一种非结构化环境下无人驾驶车辆障碍物的检测方法在权利要求书中公布了：1.一种非结构化环境下无人驾驶车辆障碍物的检测方法，其特征在于，包括如下步骤： 1获取车辆激光雷达点云数据，将激光雷达点云数据分为距离传感器较近的高密度点云数据与距离传感器较远的稀疏点云数据；所述高密度点云数据为障碍物距离传感器20米以内的点云数据，所述稀疏点云数据为障碍物距离传感器为20米以外的点云数据； 2针对距离传感器较近的高密度点云，使用哈希表管理点云数据，采用基于球坐标系的三维体素聚类算法对障碍物进行检测S2-1：将高密度点云坐标由笛卡尔坐标系转化为球坐标系： 式中：ρ为径向距离，表示点到原点的距离；θ为极角，表示点在xy平面上与x的夹角；为方位角，表示点与z轴的夹角，x、y、z分别为笛卡尔坐标系中x、y、z的坐标值； S2-2：构建一个哈希表，将三维体素映射到哈希表中；所述三维体素为： 式中：Vi,j,k为单个三维体素；表示存在于三维体素中的点云；Δρ、Δθ、分别表示三维体素在ρ、θ、方向的单位尺寸参数；i、j、k分别为三维体素在ρ、θ、方向上的值； S2-3：通过哈希表对三维体素邻近体素进行查找，假设任意体素索引为那么邻近体素为 式中：Ν为目标三维体素邻近体素索引集合；δρ、δθ、分别为三维体素在ρ、θ、方向的领域偏移量；为邻近体素索引，ρ',θ',分别为邻近体素在ρ、θ、方向上的值； S2-4：对三维体素及其邻近体素进行聚类： 式中：CVi与CVj分别表示体素Vi与体素Vj的聚类编号；ΝVi为体素Vi的邻近体素；Cnew表示新的聚类编号； 3针对距离传感器较远的稀疏点云，使用KDTree管理点云数据，采用基于特征值与法向量角度约束的点云聚类算法对障碍物进行检测S3-1、对稀疏点云数据进行KDTree构建，采用K近邻算法查找每个稀疏点云数据的数据点t的领域，并对邻域中的数据点按照到t数据点的欧氏距离进行降序排列； S3-2、使用降序排列的数据点的前K2个邻居点构造协方差矩阵D，然后对协方差矩阵D进行特征值分解； S3-3：对距离传感器较远的稀疏点云进行聚类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人昆明理工大学，其通讯地址为：650093 云南省昆明市一二一大街文昌路68号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。