1.基于三维点云的实时轨道障碍物检测方法，具体步骤如下：步骤1：对实时三维激光雷达点云数据进行坐标变换，将欧式坐标系下的点云坐标转换为球坐标系下的坐标；并且使用锥形划分方法下采样，将点云离散化为锥形体素步骤2：使用局部特征编码模块，利用K近邻算法(KNN)，对领域内的点进行编码，使每个点都能学习到各自的相对空间位置和几何特征；

步骤3：使用稀疏卷积，对每个点进行分类，找出轨道边界框；通过判断边界框内是否有除轨道之外的点存在，从而判定障碍物是否存在。

2.如权利要求1所述的基于三维点云的实时轨道障碍物检测方法，其特征在于：步骤1中所述的对实时三维激光雷达点云数据进行坐标变换，具体步骤如下：步骤1‑1：对实时三维激光雷达点云数据进行坐标变换，将欧式坐标系下的点云坐标转换为球坐标系下的坐标；转换前后的坐标关系如公式(1)所示，其中α表示仰角，β表示水平方向角，γ表示原点到该点的距离；

步骤1‑2：经过步骤1‑1后，可以得到点云中每一点所对应的球坐标系下的坐标表示，因此可以激光雷达的扫描范围的可以表示为αmin αmax βmin βmax和rmin rmax它们表示仰角、水平角和距离的最小和最大值；那么假设这三个轴的最小分辨率为ΔαΔβΔr，雷达扫描范围划分的部分数可以写成公式(2)的表示形式；因此，点云可以被离散化锥形体素步骤1‑3：将点与体素的关系表示为公式(3)其中l,w,h分别为L,W,H轴上的索引，i表示激光雷达返回的反射率；[·]表示四舍五入运算；

在将每个点云划分为多个体素之后，这些体素内会包含不同数量的点，因为点云是稀疏的，并且在整个3D空间中的密度不同；为了减少点云信息的冗余度和计算量，体素内的多个点的仅由右下角的一个点表示；最后体素可以表示为公式(4)：

3.如权利要求1所述的基于三维点云的实时轨道障碍物检测方法，其特征在于：步骤2中所述的使用K近邻算法(KNN)，对领域内的点进行编码，使每个点都能学习到各自的相对空间位置和几何特征，具体步骤如下：

步骤2‑1：对经过步骤1体素化降采样处理后的点使用K近邻算法(KNN)，即计算邻近点与局部中心点pn的欧氏距离，寻找K个距离局部中心点最近的点步骤2‑2：根据邻近点的三维坐标信息和邻近点的XYZ坐标对相对位置坐标进行编码，使每个点都能学习到各自的相对空间位置和几何特征；该编码方式如公式(5)所示， 代表K近邻点的特征， 表示连接操作；

步骤2‑3：由于室外场景中激光雷达采集的点云密度差异较大，点的密度信息是一种关键的重要信息，因此引入高斯密度函数，计算每个点的密度特征；根据K近邻算法得到的K个邻近点的欧几里得距离，计算中心点与最近的第K个点之间的密度如公式(6)所示， 代表局部中心点pn与临近点 之间的密度，r代表欧氏距离σ代表高斯核感受野的超参；

将得到的密度函数拼接到 中得到

步骤2‑4：将所有的局部信息聚合成 最后采用多层感知器(MLP)进行高维特征编码；最后利用共享MLP和最大池化层来获得体素特征。