激光點(diǎn)云在無人駕駛路徑檢測(cè)中的應(yīng)用

陳 誠(chéng)，張永博，李必軍

(武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

?

激光點(diǎn)云在無人駕駛路徑檢測(cè)中的應(yīng)用

陳 誠(chéng)，張永博，李必軍

(武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430079)

針對(duì)室外自然環(huán)境下無人自主地面智能車輛的可通行區(qū)域檢測(cè)問題，提出了一種基于激光點(diǎn)云的道路可通行區(qū)域檢測(cè)算法，包括傾斜檢測(cè)道路邊界和水平探測(cè)前方障礙物。道路邊界檢測(cè)主要依據(jù)道路區(qū)域與非路區(qū)域之間存在的高度差異來篩選道路邊界特征點(diǎn)，結(jié)合通行寬度閾值提取道路邊界線；前方障礙物檢測(cè)則依據(jù)掃描點(diǎn)間距離聚類成不同的點(diǎn)云簇，對(duì)點(diǎn)云簇進(jìn)行識(shí)別和定位，從而確定障礙物位置和大小。結(jié)合道路邊界和障礙物信息提取車輛的可通行區(qū)域，為無人車路徑規(guī)劃提供依據(jù)。試驗(yàn)表明，該算法能夠較好地檢測(cè)出無人車的可通行區(qū)域。

激光點(diǎn)云；路徑檢測(cè)；點(diǎn)云處理；無人駕駛

隨著汽車行業(yè)的不斷發(fā)展，無人駕駛技術(shù)已成為智能交通和自動(dòng)化領(lǐng)域的一個(gè)研究熱點(diǎn)，其發(fā)展將大大提高交通系統(tǒng)的效率和安全性，有非常廣闊的應(yīng)用場(chǎng)景，對(duì)現(xiàn)代交通系統(tǒng)的發(fā)展有著重要意義。一般來說，一個(gè)完整的無人駕駛系統(tǒng)由視覺識(shí)別模塊(車道線識(shí)別和交通標(biāo)志識(shí)別)、障礙物識(shí)別模塊(車輛識(shí)別和行人識(shí)別)、定位和地圖模塊(GPS和GIS)、路徑規(guī)劃模塊和跟蹤模塊等組成。其中，無人車可通行區(qū)域檢測(cè)是無人駕駛系統(tǒng)中極為重要的一個(gè)部分。

可通行區(qū)域的檢測(cè)主要針對(duì)車輛周圍局部環(huán)境的道路邊界檢測(cè)和障礙物檢測(cè)，防止危險(xiǎn)狀況發(fā)生[1]，是無人駕駛車輛安全行駛的保障。大部分的檢測(cè)系統(tǒng)和算法都用到多種傳感器，以精確感知汽車周圍的環(huán)境，如美國(guó)Iteris公司研制的AutoVue、卡內(nèi)基梅隆大學(xué)研制的SCARF[2]、LOIS[3]。許多技術(shù)集中在道路邊沿檢測(cè)和跟蹤[4-9]，認(rèn)為可通行區(qū)域包括道路邊沿之間的區(qū)域，但是需要相機(jī)和昂貴激光雷達(dá)的輔助，有些則假定道路含有明確的界限和白色車道線。這些系統(tǒng)和算法所針對(duì)的場(chǎng)景較為單一，不能適應(yīng)較復(fù)雜的路面環(huán)境。

在大部分的無人車系統(tǒng)中，激光雷達(dá)是不可或缺的傳感器。激光雷達(dá)不受紋理光照等外界因素的影響，具有很寬的掃描范圍，以及較高的分辨率和精度，在惡劣天氣下相比其他傳感器有較好的穩(wěn)定性，能夠很好地應(yīng)用于道路和障礙物檢測(cè)。因此，本文嘗試?yán)?個(gè)單線激光測(cè)距儀探測(cè)可通行區(qū)域。對(duì)于道路邊界探測(cè)，首先利用閾值剔除點(diǎn)云數(shù)據(jù)的異常值和噪聲，用自適應(yīng)標(biāo)準(zhǔn)差濾波器平滑和平均數(shù)據(jù)；然后計(jì)算每一掃描點(diǎn)周圍9個(gè)鄰近點(diǎn)的高度標(biāo)準(zhǔn)差，并選擇標(biāo)準(zhǔn)差超過固定閾值的點(diǎn)作為道路邊沿候選點(diǎn)；最終從道路邊沿候選點(diǎn)得到道路邊沿線，邊沿線之間區(qū)域則認(rèn)為是最佳可通行區(qū)域。對(duì)于障礙物信息提取，將點(diǎn)云數(shù)據(jù)依據(jù)聚集程度分簇，每簇點(diǎn)云數(shù)據(jù)設(shè)置一個(gè)邊界框，根據(jù)邊界框的大小對(duì)障礙物進(jìn)行分類和檢測(cè)；并在此基礎(chǔ)上，重新規(guī)劃可通行區(qū)域以實(shí)現(xiàn)安全自動(dòng)駕駛。

根據(jù)上面所討論的，本文算法具有以下優(yōu)點(diǎn)：①不需要任何其他傳感器的參與；②直接處理范圍內(nèi)的點(diǎn)云數(shù)據(jù)找到可通行區(qū)域，計(jì)算簡(jiǎn)單；③能較好處理移動(dòng)和靜止障礙物，對(duì)于點(diǎn)云數(shù)據(jù)中的噪聲有較強(qiáng)的魯棒性。

一、點(diǎn)云數(shù)據(jù)采集

點(diǎn)云數(shù)據(jù)由4個(gè)SICK LMS291單線激光雷達(dá)集成采集，激光雷達(dá)角度分辨率均為0.25°，檢測(cè)角度范圍均設(shè)為100°。一個(gè)雷達(dá)傾斜固定在汽車頂部，掃描車頭前方8 m的范圍；一個(gè)雷達(dá)傾斜固定在保險(xiǎn)杠中間，掃描車頭前方3 m的范圍；兩個(gè)水平安裝于車前兩側(cè)，用于檢測(cè)障礙物。單線激光雷達(dá)雖然在檢測(cè)精度、范圍、距離等方面不如4線、32線和64線激光雷達(dá)，但其掃描數(shù)據(jù)量適中，可較好地滿足無人駕駛車輛在實(shí)時(shí)性方面的要求，同時(shí)價(jià)格低廉，有較好的實(shí)用價(jià)值。

由于車上裝載多臺(tái)激光雷達(dá)，每臺(tái)激光雷達(dá)的姿態(tài)位置各不相同，且每個(gè)激光雷達(dá)測(cè)得的數(shù)據(jù)所對(duì)應(yīng)的原點(diǎn)均不相同。因此，本文統(tǒng)一坐標(biāo)系為車輛坐標(biāo)系，將激光掃描儀提供的極坐標(biāo)下的角度和距離歸算到車輛坐標(biāo)系下，后續(xù)處理都是在車輛坐標(biāo)系下進(jìn)行的。車輛坐標(biāo)系定義為：以車前頂端保險(xiǎn)杠中心位置為坐標(biāo)原點(diǎn)，前進(jìn)方向?yàn)閅方向，由原點(diǎn)向車身右側(cè)方向?yàn)閄方向，垂直于車底盤面為Z方向(如圖1所示)。激光掃描儀坐標(biāo)系定義為：掃描中心為原點(diǎn)，掃描起始線為X軸，掃描面上與X軸垂直的方向?yàn)閅軸，Z軸與X軸、Y軸構(gòu)成右手坐標(biāo)系。通過式(1)將點(diǎn)云數(shù)據(jù)歸算至車輛坐標(biāo)系下，車輛坐標(biāo)系與激光掃描儀坐標(biāo)系的相互關(guān)系如圖2所示。

圖1 車輛坐標(biāo)系示意圖

圖2 車輛坐標(biāo)系與激光掃描儀坐標(biāo)系相互關(guān)系

(1)

二、道路邊沿探測(cè)

1. 數(shù)據(jù)預(yù)處理

車輛在行駛過程中伴隨一定的起伏，導(dǎo)致掃描點(diǎn)在行駛方向上有較多異常值，因此首先要對(duì)這部分?jǐn)?shù)據(jù)進(jìn)行預(yù)處理。檢查單條掃描線中每一掃描點(diǎn)的Y方向數(shù)值，若超出經(jīng)驗(yàn)閾值則以前一掃描點(diǎn)的Y方向數(shù)值代替。給定單條掃描線數(shù)據(jù)S={p1,p2,…,pn}，其與坐標(biāo)原點(diǎn)的水平距離為D={d1,d2,…,dn}，對(duì)于每個(gè)di，如果diT2，則di=di=1，其中T1和T2設(shè)為固定數(shù)值，然后基于均值濾波平滑掃描點(diǎn)高度值。給定單條掃描線數(shù)據(jù)S={p1,p2,…,pn}所對(duì)應(yīng)的高度值H={h1,h2,…,hn}，對(duì)每個(gè)掃描點(diǎn)的高度值hi(5≤i≤n-1)進(jìn)行兩次式(2)的處理，從而獲得較好的平滑效果。

(2)

2. 道路邊界點(diǎn)探測(cè)

道路區(qū)域與非道路區(qū)域的交界處通常存在道路邊界，使掃描點(diǎn)的空間分布存在明顯的高度差異，激光器以一定角度對(duì)道路進(jìn)行掃描時(shí)利用此特征可篩選出單條掃描線中道路邊界的潛在特征點(diǎn)。給定單條掃描線數(shù)據(jù)S={p1,p2,…,pn}，除前面4個(gè)點(diǎn)和尾部4個(gè)點(diǎn)外，對(duì)每個(gè)掃描點(diǎn)pi根據(jù)式(3)、式(4)計(jì)算鄰近9個(gè)掃描點(diǎn)高度值的標(biāo)準(zhǔn)差，即

(3)

(4)

如果σi大于閾值，則將pi認(rèn)定為道路邊界的潛在特征點(diǎn)。對(duì)于閾值的設(shè)定，來源于大量試驗(yàn)的效果分析，若設(shè)定太大，則導(dǎo)致探測(cè)不到道路邊界；若設(shè)定太小，則導(dǎo)致路面上凹凸處的誤探。

3. 最佳道路段探測(cè)

理論上，道路的可通行區(qū)域與道路等級(jí)有關(guān)，由于通常小客車總寬為1.8 m，本文設(shè)定道路的最小可通行寬度為2.5 m，遠(yuǎn)高于公路等級(jí)中3～3.75 m車道寬度的要求。本文試驗(yàn)車輛總寬為1.765 m，可以輕松通過2.5 m及以上寬度的道路。因此，對(duì)于單條掃描線中的兩個(gè)連續(xù)道路邊界潛在特征點(diǎn)ci和ci+1，根據(jù)式(5)進(jìn)行可通行區(qū)域篩選，若兩個(gè)特征點(diǎn)的距離大于設(shè)定的閾值，則認(rèn)為無人駕駛車輛可從兩個(gè)特征點(diǎn)中間通過，而兩點(diǎn)連線形成的線段則為備選道路段。

(5)

(6)

式中，Lroad為根據(jù)道路掃描線篩選出的最佳可通行區(qū)域備選道路段。

整體算法如下：

ifunm(L)=1 then

Lbelongs to drivable-region line

else

for allLido

end if

end for

end if

end for

兩個(gè)雷達(dá)分別探測(cè)前方3 m和8 m的道路狀況，提取到兩條最佳道路段，找到道路左右兩邊的邊界點(diǎn)可以擬合出道路邊沿，可通行區(qū)域只存在于車道之內(nèi)，接下來根據(jù)車道內(nèi)障礙物的尺寸調(diào)整可通行區(qū)域。整個(gè)算法流程如圖3所示。

圖3 算法流程

三、道路障礙物提取

調(diào)整和重新規(guī)劃無人車可通行區(qū)域的前提條件是確定道路上障礙物的位置和尺寸大小。本文選取在城市道路中經(jīng)常出現(xiàn)的類似車輛障礙物和行人為研究對(duì)象。選取類似車輛障礙物而非真實(shí)車輛的原因是SICK激光雷達(dá)只能探測(cè)到真實(shí)車輛的一部分，并且規(guī)則障礙物可以代表車輛特征。如戶外垃圾桶、道路兩側(cè)的建筑物都是棱角分明的，車輛障礙物也類似。本文將應(yīng)用聚類分析和主成分分析來探測(cè)和分離各種障礙物[10]。

1. 點(diǎn)云聚類

車前兩側(cè)的單線激光雷達(dá)依據(jù)掃描順序?qū)o人車前方環(huán)境實(shí)行等角度掃描來獲得障礙物的點(diǎn)云數(shù)據(jù)，而掃描范圍內(nèi)障礙物的位置則由數(shù)據(jù)之間的關(guān)系所反映。點(diǎn)云數(shù)據(jù)經(jīng)過預(yù)處理后[11]，再通過最近鄰聚類的原理進(jìn)行聚類，將車體四周障礙物提取處理。最近鄰聚類的原理是基于同一物體表面的連續(xù)性。在一幀數(shù)據(jù)中，同一物體表面反射的數(shù)據(jù)往往表現(xiàn)為連續(xù)的點(diǎn)集，這些數(shù)據(jù)點(diǎn)位置較為鄰近，若相鄰兩點(diǎn)間的位置突變，往往表明該兩點(diǎn)分別屬于兩個(gè)不同物體的表面。因此，通過相鄰兩點(diǎn)的位置關(guān)系來判斷該兩點(diǎn)是否屬于同一簇，如果兩者的位置接近，則屬于同一物體的可能性大，反之則比較小。將障礙物點(diǎn)云數(shù)據(jù)分成不同的簇：如果連續(xù)兩點(diǎn)距離小于某一閾值，則認(rèn)為是同一物體的點(diǎn)云，否則分屬不同物體。如果相鄰點(diǎn)的數(shù)量超過某一閾值，則認(rèn)為它們屬于同一障礙物，將其看作同一點(diǎn)云數(shù)據(jù)簇；同時(shí)，舍棄剩余的、分散的點(diǎn)云數(shù)據(jù)。為每簇點(diǎn)云數(shù)據(jù)分配邊界框并進(jìn)行標(biāo)記，框內(nèi)的點(diǎn)云數(shù)據(jù)距離框邊界越近越好。最后，對(duì)邊界框的幾何特征進(jìn)行描述和記錄。如圖4所示。

圖4 點(diǎn)云聚類算法流程

2. 障礙物識(shí)別和定位

每簇點(diǎn)云數(shù)據(jù)所標(biāo)記的邊界框呈現(xiàn)“L”形狀，行人或類似車輛障礙物都被一個(gè)矩形邊界框標(biāo)記。然而，行人障礙物的邊界框和類似車輛障礙物的邊界框有著不同的尺寸。因此，根據(jù)尺寸分成兩類障礙物，0.5m代表行人，2m代表真實(shí)車輛。應(yīng)用主成分分析計(jì)算邊界框的長(zhǎng)度、寬度、朝向和幾何位置。將探測(cè)提取出的障礙物信息和可通行區(qū)域線信息融合在一起，得到最終的無人車可通行區(qū)域。

四、試 驗(yàn)

程序基于VS2010開發(fā)，運(yùn)行環(huán)境為Windows7，處理幀率為15幀/秒。試驗(yàn)所選取的校園道路約2000m，道路上車輛行人較多，并且校園道路缺少清晰的車道線，增加了可通行區(qū)域探測(cè)的難度。

1. 點(diǎn)云數(shù)據(jù)采集

在試驗(yàn)中，將掃描點(diǎn)角度分辨率分別設(shè)為180°和100°，并設(shè)置4組包含行人、車輛、交叉口的道路場(chǎng)景作為測(cè)試環(huán)境。應(yīng)用180°/0.25°和100°/0.25°兩種分辨率采集數(shù)據(jù)并探測(cè)可通行區(qū)域，結(jié)果如圖5所示。

圖5 點(diǎn)云數(shù)據(jù)采集示意圖

在100°/0.25°分辨率下(中間一行)，即使在車輛、行人遮擋或復(fù)雜交叉口的情況下，道路邊沿也能成功提取，通過可通行區(qū)域的調(diào)整，可以有效地避開這些障礙物。而在180°/0.25°分辨率下(下面一行)，掃描范圍更寬，道路不能被檢測(cè)或正確檢測(cè)(多數(shù)情況下，檢測(cè)到的道路兩邊界間距離太長(zhǎng)，或是不能檢測(cè)到道路邊界)。因此，試驗(yàn)中選擇100°/0.25°分辨率進(jìn)行點(diǎn)云數(shù)據(jù)采集。

2. 道路場(chǎng)景檢測(cè)結(jié)果

無人車在測(cè)試場(chǎng)景中行駛一圈，行駛路線如圖6所示。路線中包括較為復(fù)雜的道路信息：丁字口、行人和車輛障礙物和不清晰的車道線。

圖6 測(cè)試過程中無人車行駛路線

結(jié)果如圖7所示，第一行為原始影像，第二行為處理后的點(diǎn)云數(shù)據(jù)。從中可清晰看到道路邊沿、道路線、探測(cè)和分離出來的障礙物；第三行為標(biāo)記的最終可通行區(qū)域，很明顯，可通行區(qū)域包括了大部分的實(shí)際道路，并很好地避開了障礙物。試驗(yàn)結(jié)果顯示，本算法對(duì)于結(jié)構(gòu)化的道路環(huán)境有較好的識(shí)別率，驗(yàn)證了算法的魯棒性和有效性。

圖7

五、結(jié)束語(yǔ)

本文提出了一種結(jié)合道路邊沿探測(cè)和障礙物識(shí)別的可通行區(qū)域檢測(cè)方法，在道路邊沿檢測(cè)中首先使用了高度方差篩選出路沿特征點(diǎn)，再基于高度、寬度和距離3個(gè)因子提取了最佳道路，最后與障礙物信息結(jié)合提取了可通行區(qū)域。與相關(guān)研究不同的是，本算法除點(diǎn)云數(shù)據(jù)外不需要其他傳感器的參與，對(duì)道路情況沒有任何要求，可以保證算法適應(yīng)于復(fù)雜路況，尤其是田間道路和車道線不清晰道路。

[1]LIJ,LIUR.A3-DReal-timeRoadEdgeDetectionSystemforAutomatedSmartCarControl[C]∥Proceedingsofthe2006IEEEInternationalConferenceonNetworking,SensingandControl.[S.l.]:[s.n.]，2006:837-841.

[2]POMERLEAUD,THORPEC,EMERYL.PerformanceSpecificationDevelopmentforRoadwayDepartureCollisionAvoidanceSystems[C]∥Proceedingsof4thWorldCongressonIntelligentTransportSystems.Berlin：[s.n.]，1997.

[3]KLUGEK,LAKSHMANANS.ADeformable-templateApproachtoLaneDetection[C]∥ProceedingsofIEEEIntelligentVehicles’95Symposium.[S.l.]:[s.n.],1995:54 -59.

[4] 肖已達(dá), 王冰, 楊明，等. 基于激光雷達(dá)的道路可通行區(qū)域檢測(cè)[J]. 機(jī)電一體化, 2013, 19(2): 62-66.

[5]WANGR,XUY,LIB,etal,AVision-basedRoadEdgeDetectionAlgorithm[C]∥ProceedingsofIEEEIntelligentVehicleSymposium. [S.l.]:[s.n.]，2002:141-147.

[6] 周智, 蔡自興, 余伶俐. 基于直線特征提取的自主車輛可通行區(qū)域檢測(cè)[J]. 華中科技大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 39(S2):188-191.

[7]WILSONMB,DICKSONS.Poppet:ARobustRoadBoundaryDetectionandTrackingAlgorithm[C]∥Proceedingsofthe10thBritishMachineVisionConference. [S.l.]:[s.n.], 1999:352-361.

[8]WIJESOMAWS,KODAGODAKRS,BALASURIYAAP,etal.LaserandCameraforRoadEdgeandMid-lineDetection[C]∥ProceedingsoftheSecondInternationalWorkshoponRobotMotionandControl.[S.l.]：IEEE, 2001:269-274.

[9]ZHANGL,LIQ,LIM,etal.MultipleVehicle-likeTargetTrackingBasedontheVelodyneLidar[J].IntelligentAutonomousVehicles, 2013, 8(1):126 -131.

[10] 張蕊, 李廣云, 李明磊,等. 利用PCA-BP算法進(jìn)行激光點(diǎn)云分類方法研究[J]. 測(cè)繪通報(bào), 2014(7):23-26.

[11] 李廣云, 李明磊, 王力,等. 地面激光掃描點(diǎn)云數(shù)據(jù)預(yù)處理綜述[J]. 測(cè)繪通報(bào), 2015(11):1-3.

Application of LiDAR Point Clouds in Unmanned Path Detection

CHEN Cheng，ZHANG Yongbo，LI Bijun

2016-01-31

國(guó)家自然科學(xué)基金重點(diǎn)項(xiàng)目(41531177)

陳 誠(chéng)(1991—)，男，碩士生，研究方向?yàn)橹悄芙煌ê?S集成。E-mail：lee@whu.edu.cn

李必軍

陳誠(chéng),張永博,李必軍.激光點(diǎn)云在無人駕駛路徑檢測(cè)中的應(yīng)用[J].測(cè)繪通報(bào)，2016(11)：67-71.

10.13474/j.cnki.11-2246.2016.0368.

P237

B

0494-0911(2016)11-0067-05