基于多線(xiàn)激光雷達(dá)的非結(jié)構(gòu)化道路感知技術(shù)研究

李 寧， 郭江華， 藍(lán) 偉

(中國(guó)北方車(chē)輛研究所，北京 100072)

基于多線(xiàn)激光雷達(dá)的非結(jié)構(gòu)化道路感知技術(shù)研究

李 寧， 郭江華， 藍(lán) 偉

(中國(guó)北方車(chē)輛研究所，北京 100072)

為解決無(wú)人平臺(tái)在越野條件下能夠感知識(shí)別非結(jié)構(gòu)化道路的問(wèn)題，采用基于多線(xiàn)激光雷達(dá)的測(cè)距傳感器檢測(cè)技術(shù)，通過(guò)對(duì)激光點(diǎn)云數(shù)據(jù)做柵格化處理，并進(jìn)行距地高度、高度差和梯度差等特征統(tǒng)計(jì)及聚類(lèi)分析、目標(biāo)跟蹤，實(shí)現(xiàn)了對(duì)道路可通行區(qū)域、障礙物、坡道和動(dòng)態(tài)車(chē)輛等的檢測(cè).結(jié)果表明，相比于相機(jī)，采用基于多線(xiàn)激光雷達(dá)的三維測(cè)距傳感器檢測(cè)技術(shù)，可以更直接地獲取障礙物分布的位置信息，能夠?yàn)闊o(wú)人平臺(tái)的自主導(dǎo)航提供局部柵格地圖.

非結(jié)構(gòu)化道路；障礙物檢測(cè)；環(huán)境感知；多線(xiàn)激光雷達(dá)；柵格地圖

Abstract：To solve the accessible area detection under the unstructured road for unmanned ground vehicle, environment perception based on 3D-lidar is proposed. First, point clouds obtained from 3D-lidar are mapped to the grid-based map. Then statistics on features such as absolute height of point clouds, difference of height between adjacent point clouds and gradient difference are performed. After that, cluster analysis and object tracking will be used for road accessible area detection, obstacle detection, slope detection and dynamic vehicle detection and tracking. The results show that compared with the camera based method, the position of obstacles distribution can be directly obtained by point clouds based on 3D-lidar and a local grid-based map will be provided for autonomous navigation of unmanned ground vehicle.

Keywords: unstructured road；obstacle detection；environment perception；3D-lidar；grid-based map

無(wú)人平臺(tái)自主導(dǎo)航技術(shù)[1-5]是近年來(lái)研究的熱點(diǎn)，主要包括環(huán)境感知、規(guī)劃決策、運(yùn)動(dòng)控制等關(guān)鍵技術(shù).其中，環(huán)境感知[6-7]是無(wú)人平臺(tái)進(jìn)行自主導(dǎo)航的先決條件.由于非結(jié)構(gòu)化道路環(huán)境缺少車(chē)道線(xiàn)等明顯的道路標(biāo)識(shí)，需要通過(guò)提取可通行區(qū)域作為無(wú)人平臺(tái)局部路徑規(guī)劃的依據(jù).依靠相機(jī)對(duì)道路紋理、顏色進(jìn)行路面提取的算法，受光照影響較大，且不同的道路環(huán)境下，特征差異明顯，算法通用性不強(qiáng).激光雷達(dá)作為主動(dòng)三維測(cè)距傳感器，可以直接給出障礙物的距離信息，且具有精度高，魯棒性強(qiáng)的特點(diǎn)，在包括Cargo[8]、Boss[9]等在內(nèi)的多個(gè)先進(jìn)無(wú)人平臺(tái)上取得了成功應(yīng)用.本研究針對(duì)多線(xiàn)激光雷達(dá)進(jìn)行自主導(dǎo)航環(huán)境感知技術(shù)研究，利用柵格化處理、閾值分割、聚類(lèi)分析、特征統(tǒng)計(jì)等多種策略，進(jìn)行前方道路的可通行性分析及靜態(tài)障礙物、坡道、車(chē)輛等的檢測(cè)分析.

1 基于多線(xiàn)激光雷達(dá)的感知系統(tǒng)概述

多線(xiàn)激光雷達(dá)一般安裝于車(chē)頭或者車(chē)頂，保證其對(duì)前方障礙物探測(cè)的有效性.在本研究所選用的試驗(yàn)平臺(tái)中，雷達(dá)安裝于車(chē)頭，距地高度約為1 m，水平掃描范圍為360°，垂直掃描范圍為-15°～+15°，有效測(cè)量距離為100 m.為保證激光雷達(dá)坐標(biāo)系與車(chē)體局部坐標(biāo)系的一致性，首先，需要進(jìn)行激光雷達(dá)外參的標(biāo)定，將激光點(diǎn)云統(tǒng)一到車(chē)體局部坐標(biāo)系后再進(jìn)行處理；然后，將三維空間中的點(diǎn)云數(shù)據(jù)做柵格化處理，并進(jìn)行有效點(diǎn)云的提??；最后，進(jìn)行柵格內(nèi)點(diǎn)云數(shù)據(jù)的距地高度、高度差和梯度差統(tǒng)計(jì)以及聚類(lèi)分析，并對(duì)障礙物進(jìn)行分類(lèi)，根據(jù)分類(lèi)結(jié)果得到道路的柵格屬性地圖.其算法流程圖如圖1所示.

圖1 基于多線(xiàn)激光雷達(dá)的感知系統(tǒng)算法流程

2 多線(xiàn)激光雷達(dá)標(biāo)定

根據(jù)文獻(xiàn)[10]提出的基于RANSAC模型估計(jì)的平面分割算法，對(duì)雷達(dá)外參進(jìn)行標(biāo)定，可以得到旋轉(zhuǎn)矩陣R和平移矩陣T.根據(jù)公式(1)，將激光雷達(dá)坐標(biāo)系下的激光點(diǎn)云變換到車(chē)體局部坐標(biāo)系下.

Pv=R·(PL-T)

(1)

式中：Pv表示車(chē)體局部坐標(biāo)系下的點(diǎn)云；PL表示雷達(dá)坐標(biāo)系下的點(diǎn)云；旋轉(zhuǎn)矩陣R=Rx·Ry·Rz；平移矩陣T=[TxTyTz]T；Rx、Ry、Rz分別為依次繞x軸旋轉(zhuǎn)角度φ、繞y軸旋轉(zhuǎn)角度θ、繞z軸旋轉(zhuǎn)角度φ這3個(gè)分量的疊加，其值分別為：

在實(shí)際標(biāo)定時(shí)，選取空間中互相垂直的兩個(gè)平面作為標(biāo)定參照物，如圖2(a)中的墻面和地平面，將無(wú)人平臺(tái)車(chē)頭垂直于墻面停放，以無(wú)人平臺(tái)后軸中心的地面投影位置作為車(chē)體局部坐標(biāo)系的原點(diǎn)位置，則兩個(gè)垂直平面在車(chē)體局部坐標(biāo)系下的空間方程分別為Z=0和Y=d，其中d為車(chē)頭到墻面的垂直距離，并通過(guò)多次測(cè)量得出雷達(dá)與車(chē)體局部坐標(biāo)系的橫向平移Tx.

在數(shù)據(jù)標(biāo)定過(guò)程中，首先，在激光點(diǎn)云空間進(jìn)行感興趣區(qū)域提取，僅保留與兩個(gè)垂直平面相關(guān)的激光點(diǎn)云數(shù)據(jù)，剔除無(wú)關(guān)點(diǎn)云數(shù)據(jù).然后，根據(jù)已知的物理世界場(chǎng)景中墻面和地平面的模型表示其垂直關(guān)系，利用隨機(jī)采樣一致性算法(Random Sample Consensus)分別對(duì)兩個(gè)平面上的激光點(diǎn)云數(shù)據(jù)進(jìn)行采樣，對(duì)這兩個(gè)平面進(jìn)行平面模型估計(jì)和迭代優(yōu)化，得到如圖2(b)所示的雷達(dá)與車(chē)體局部坐標(biāo)系的空間位置關(guān)系.

圖2 多線(xiàn)激光雷達(dá)外參標(biāo)定

3 點(diǎn)云數(shù)據(jù)柵格化

圖3 點(diǎn)云數(shù)據(jù)柵格化

4 靜態(tài)障礙物檢測(cè)

從圖3(b)可以看出，激光點(diǎn)云分辨率隨著距離的增加而降低，同時(shí)測(cè)量誤差和標(biāo)定誤差會(huì)隨之增大，單純依靠距地高度作為衡量障礙物的標(biāo)準(zhǔn)，存在誤檢的風(fēng)險(xiǎn).基于高度差的障礙物分析對(duì)于近處的低矮障礙物，如低矮路沿等具有較好的識(shí)別能力，但是隨著距離增大，點(diǎn)云的稀疏程度增大，單一柵格中難以形成有效高度差，特別是低矮障礙物.因此，基于高度差的障礙物檢測(cè)方法對(duì)于遠(yuǎn)處的障礙物判斷效果不佳，依靠絕對(duì)高度進(jìn)行遠(yuǎn)處障礙物判別仍是必不可少的檢測(cè)依據(jù).同時(shí)，坡道是非結(jié)構(gòu)化道路環(huán)境中常見(jiàn)的路面環(huán)境，利用梯度差可有效解決坡道檢測(cè).本研究結(jié)合多種評(píng)判標(biāo)準(zhǔn)對(duì)障礙物進(jìn)行分析，包括激光點(diǎn)云的離地高度、高度差和梯度差，綜合考慮各統(tǒng)計(jì)量來(lái)降低誤檢率和漏檢率.

4.1 基于距地高度的障礙物檢測(cè)

4.2 基于高度差的障礙物檢測(cè)

4.3 障礙物融合

從圖4(a)和圖4(b)中可以看出，對(duì)于近處，利用基于高度差的障礙物檢測(cè)方法能夠有效提取障礙物且噪點(diǎn)較少，而基于絕對(duì)高度檢測(cè)方法中則存在部分噪點(diǎn).對(duì)于遠(yuǎn)處障礙物，激光點(diǎn)云稀疏程度增大，特別是垂直方向，單個(gè)柵格內(nèi)點(diǎn)云高度差不明顯，只能依靠基于絕對(duì)高度的檢測(cè)方法進(jìn)行障礙物檢測(cè).因此，本研究的處理方法，是在車(chē)前10 m范圍內(nèi)，采用基于高度差的柵格地圖，而在車(chē)前10～50 m范圍，采用基于絕對(duì)高度的柵格地圖，融合后的障礙物如圖4(c)所示.

圖4 障礙物檢測(cè)

4.4 坡道檢測(cè)

坡道對(duì)于障礙物的檢測(cè)存在一定干擾，特別是在遠(yuǎn)處，容易被檢測(cè)為障礙物.以上坡為例，在近處，由于不存在明顯的高度差，坡道在柵格圖中為可通行區(qū)域；對(duì)于遠(yuǎn)處，依靠絕對(duì)高度判斷，隨著距離的增加，路面高度存在超過(guò)閾值高度的可能性，并且鄰近區(qū)域也存在明顯的高度差，從而造成對(duì)于障礙物的誤判.

因而，在此引入梯度差來(lái)進(jìn)行坡道的判斷.圖5為道路剖面圖，設(shè)允許的梯度誤差為θ，根據(jù)公式(2)可以判斷各個(gè)位置的允許高度▽z.

(2)

圖5 坡道示意圖

對(duì)于障礙物絕對(duì)高度統(tǒng)計(jì)圖MapZ或者障礙物高度差統(tǒng)計(jì)圖MapΔZ中表示為障礙物的柵格，若存在Zi<▽Z且柵格內(nèi)點(diǎn)云統(tǒng)計(jì)向量Zx,y包含元素?cái)?shù)低于3，則認(rèn)為是坡道，否則作為障礙物處理.圖6中藍(lán)色點(diǎn)為坡道檢測(cè)結(jié)果.

圖6 坡道檢測(cè)

5 動(dòng)態(tài)車(chē)輛檢測(cè)

在非結(jié)構(gòu)化道路環(huán)境中，由于道路環(huán)境以雙車(chē)道寬度道路為主，同一時(shí)刻發(fā)生多車(chē)交互的情況并不多見(jiàn)，因而，本研究?jī)H對(duì)單車(chē)交互問(wèn)題進(jìn)行研究.車(chē)輛屬于剛體模型，車(chē)輛外觀(guān)特征穩(wěn)定，不隨時(shí)間發(fā)生形變，如圖7(b)所示，在剔除地面點(diǎn)云的柵格地圖中，車(chē)輛在雷達(dá)二維俯視圖中的形態(tài)主要呈現(xiàn)為正反“L”型，部分情況下呈現(xiàn)出“一”型或“U”型，可統(tǒng)一于矩形的包絡(luò)面中.利用這一局部特征，通過(guò)聚類(lèi)分析和跟蹤器對(duì)動(dòng)態(tài)車(chē)輛進(jìn)行速度預(yù)測(cè)，可有效檢測(cè)動(dòng)態(tài)車(chē)輛.

圖7 動(dòng)態(tài)車(chē)輛檢測(cè)

由于激光點(diǎn)云是離散點(diǎn)云且隨著距離的增大而變得稀疏，在平面投影上，屬于同一障礙物的點(diǎn)會(huì)離散到不相鄰的位置，在聚類(lèi)之前需要將這些離散點(diǎn)關(guān)聯(lián)到一起.這里采用對(duì)柵格地圖中障礙物進(jìn)行膨脹處理的方式，將平面上屬于同一物體的柵格點(diǎn)連接起來(lái).如圖8(a)所示，對(duì)障礙物所在柵格s采用四鄰域膨脹方法，nbrs4(s)={s1,s2,s3,s4}，得到圖8(a)中藍(lán)色所示的膨脹結(jié)果，這樣就可以強(qiáng)化描述同一障礙物的點(diǎn)云的平面關(guān)聯(lián)關(guān)系.對(duì)障礙物柵格地圖做膨脹處理后的結(jié)果如圖7(c)所示.

圖8 鄰域關(guān)系

(3)

(4)

式中：(OXimage,OYimage)為無(wú)人平臺(tái)在圖像坐標(biāo)系的車(chē)體位置；(OXglobal,OYglobal)為無(wú)人平臺(tái)在大地坐標(biāo)系的車(chē)體位置；θ為車(chē)輛當(dāng)前航向角.

(5)

對(duì)于無(wú)人平臺(tái)的自主駕駛而言，靜態(tài)停靠的車(chē)輛與靜態(tài)障礙物并無(wú)區(qū)別，因而本研究中只把車(chē)速大于10 km/h的車(chē)輛確定為動(dòng)態(tài)車(chē)輛，對(duì)于低于此車(chē)速的前車(chē)作為靜態(tài)障礙物處理.同時(shí)將Kalman跟蹤器對(duì)前車(chē)的位置預(yù)測(cè)，作為下一幀數(shù)據(jù)中車(chē)輛目標(biāo)提取的依據(jù).車(chē)輛檢測(cè)結(jié)果如圖7(e)中綠色方框所示.

6 試 驗(yàn)

本研究提出的算法在某中型無(wú)人平臺(tái)上進(jìn)行了測(cè)試和自主性能驗(yàn)證.典型測(cè)試場(chǎng)景包括土路、水泥路、彎道、岔路口、坡道、會(huì)車(chē)等多種道路場(chǎng)景，如圖9所示，同時(shí)將輸出的柵格地圖作為局部環(huán)境地圖，進(jìn)行了驗(yàn)證性的自主導(dǎo)航試驗(yàn).為更直觀(guān)和形象地反映柵格地圖在自主導(dǎo)航過(guò)程中的應(yīng)用，將障礙物點(diǎn)按照車(chē)輛寬度進(jìn)行膨脹.從膨脹圖可以看出，在各種場(chǎng)景下，檢測(cè)結(jié)果都能保持較好的道路邊界約束，且路面上幾乎沒(méi)有噪點(diǎn)干擾，滿(mǎn)足無(wú)人平臺(tái)的自主導(dǎo)航需求.

圖9 典型測(cè)試場(chǎng)景及結(jié)果顯示

試驗(yàn)結(jié)果表明，本研究提出的算法具有良好的環(huán)境適應(yīng)性和通用性，在水泥路、土路、坡道等多種路面環(huán)境均能為自主導(dǎo)航提供準(zhǔn)確的可通行地圖，可以用于無(wú)人平臺(tái)的自主導(dǎo)航.此外，通過(guò)在柵格地圖中對(duì)靜態(tài)障礙物、坡道以及動(dòng)態(tài)車(chē)輛的屬性標(biāo)注，為自主導(dǎo)航的決策系統(tǒng)提供了更加豐富的局部環(huán)境信息和決策依據(jù).

7 結(jié)束語(yǔ)

相比于相機(jī)而言，多線(xiàn)激光雷達(dá)對(duì)于障礙物的檢測(cè)更加直接和有效.本研究通過(guò)將三維空間中離散的激光點(diǎn)云投影到二維柵格地圖進(jìn)行處理，降低了數(shù)據(jù)處理的復(fù)雜度.在障礙物提取方式上，綜合考慮了點(diǎn)云的分布區(qū)間、點(diǎn)云之間的高度差以及梯度變化等特征，有效過(guò)濾噪點(diǎn)，提高障礙物檢測(cè)的準(zhǔn)確性，并對(duì)坡道等特殊環(huán)境進(jìn)行了研究.同時(shí)，根據(jù)前車(chē)的點(diǎn)云分布特征和前后幀之間的位置差，利用Kalman跟蹤器進(jìn)行動(dòng)態(tài)車(chē)輛的檢測(cè)，為自主導(dǎo)航提供更加豐富的避障和路線(xiàn)選擇依據(jù).

本研究主要針對(duì)無(wú)人平臺(tái)在非結(jié)構(gòu)化道路的環(huán)境感知基本問(wèn)題進(jìn)行了研究，對(duì)于道路環(huán)境重建、復(fù)雜的多車(chē)交互與跟蹤等深層次問(wèn)題，將會(huì)在后續(xù)展開(kāi)進(jìn)一步研究.

[1] Berger C, Rumpe B. Autonomous driving-5 years after the urban challenge: The anticipatory vehicle as a cyber-physical system[J]. Computer Science, 2013, 19(6): 41-56.

[2] Chen C, Seff A, Kornhauser A, et al. Deepdriving: Learning affordance for direct perception in autonomous driving[C].//Proceedings of the IEEE International Conference on Computer Vision. 2015: 2722-2730.

[3] Kim J, Rajkumar R R, Jochim M. Towards dependable autonomous driving vehicles: a system-level approach[J]. ACM SIGBED Review, 2013, 10(1): 29-32.

[4] Hebert M H. Intelligent unmanned ground vehicles: autonomous navigation research at Carnegie Mellon[M]. Springer Science & Business Media, 2012.

[5] Buehler M， Lagnemma K，Singh S. The DARPA urban challenge: autonomous vehicles in city traffic[M]. springer, 2009.

[6] Aufrère R, Gowdy J, Mertz C, et al. Perception for collision avoidance and autonomous driving[J]. Mechatronics, 2003, 13(10): 1149-1161.

[7] Ros G, Ramos S, Granados M, et al. Vision-based offline-online perception paradigm for autonomous driving[C].//Applications of Computer Vision (WACV), 2015 IEEE Winter Conference on. IEEE, 2015: 231-238.

[8] Zych N, Silver D, Stager D, et al. Achieving integrated convoys: cargo unmanned ground vehicle development and experimentation[C].//SPIE Defense, Security, and Sensing. International Society for Optics and Photonics, 2013: 87410Y-87410Y-14.

[9] Urmson C, Anhalt J, Bagnell D, et al. Autonomous driving in urban environments: Boss and the urban challenge[J]. Journal of Field Robotics, 2008, 25(8): 425-466.

[10] 程金龍, 馮 瑩, 曹 毓, 等. 車(chē)載激光雷達(dá)外參數(shù)的標(biāo)定方法[J]. 光電工程, 2013, 40(12): 89-94.

[11] Castella F R. An adaptive two-dimensional Kalman tracking filter[J]. IEEE Transactions on Aerospace and Electronic Systems, 1980 (6): 822-829.

EnvironmentPerceptionResearchBasedon3D-lidarintheUnstructuredRoad

LI Ning, GUO Jiang-hua, LAN Wei

(China North Vehicle Research Institute，Beijing 100072，China)

TP212.9

A

1009-4687(2017)03-0008-07

2017-06-01.

李 寧(1990-)，男，助理工程師，研究方向?yàn)樽灾鲗?dǎo)航.