陳 誠，張永博，李必軍

(武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

?

激光點云在無人駕駛路徑檢測中的應用

陳 誠，張永博，李必軍

(武漢大學測繪遙感信息工程國家重點實驗室，湖北 武漢 430079)

針對室外自然環(huán)境下無人自主地面智能車輛的可通行區(qū)域檢測問題，提出了一種基于激光點云的道路可通行區(qū)域檢測算法，包括傾斜檢測道路邊界和水平探測前方障礙物。道路邊界檢測主要依據(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，結合通行寬度閾值提取道路邊界線；前方障礙物檢測則依據(jù)掃描點間距離聚類成不同的點云簇，對點云簇進行識別和定位，從而確定障礙物位置和大小。結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)。試驗表明，該算法能夠較好地檢測出無人車的可通行區(qū)域。

激光點云；路徑檢測；點云處理；無人駕駛

隨著汽車行業(yè)的不斷發(fā)展，無人駕駛技術已成為智能交通和自動化領域的一個研究熱點，其發(fā)展將大大提高交通系統(tǒng)的效率和安全性，有非常廣闊的應用場景，對現(xiàn)代交通系統(tǒng)的發(fā)展有著重要意義。一般來說，一個完整的無人駕駛系統(tǒng)由視覺識別模塊(車道線識別和交通標志識別)、障礙物識別模塊(車輛識別和行人識別)、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)域檢測是無人駕駛系統(tǒng)中極為重要的一個部分。

可通行區(qū)域的檢測主要針對車輛周圍局部環(huán)境的道路邊界檢測和障礙物檢測，防止危險狀況發(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Iteris公司研制的AutoVue、卡內基梅隆大學研制的SCARF[2]、LOIS[3]。許多技術集中在道路邊沿檢測和跟蹤[4-9]，認為可通行區(qū)域包括道路邊沿之間的區(qū)域，但是需要相機和昂貴激光雷達的輔助，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)和算法所針對的場景較為單一，不能適應較復雜的路面環(huán)境。

在大部分的無人車系統(tǒng)中，激光雷達是不可或缺的傳感器。激光雷達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，能夠很好地應用于道路和障礙物檢測。因此，本文嘗試利用4個單線激光測距儀探測可通行區(qū)域。對于道路邊界探測，首先利用閾值剔除點云數(shù)據(jù)的異常值和噪聲，用自適應標準差濾波器平滑和平均數(shù)據(jù)；然后計算每一掃描點周圍9個鄰近點的高度標準差，并選擇標準差超過固定閾值的點作為道路邊沿候選點；最終從道路邊沿候選點得到道路邊沿線，邊沿線之間區(qū)域則認為是最佳可通行區(qū)域。對于障礙物信息提取，將點云數(shù)據(jù)依據(jù)聚集程度分簇，每簇點云數(shù)據(jù)設置一個邊界框，根據(jù)邊界框的大小對障礙物進行分類和檢測；并在此基礎上，重新規(guī)劃可通行區(qū)域以實現(xiàn)安全自動駕駛。

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

一、點云數(shù)據(jù)采集

點云數(shù)據(jù)由4個SICK LMS291單線激光雷達集成采集，激光雷達角度分辨率均為0.25°，檢測角度范圍均設為100°。一個雷達傾斜固定在汽車頂部，掃描車頭前方8 m的范圍；一個雷達傾斜固定在保險杠中間，掃描車頭前方3 m的范圍；兩個水平安裝于車前兩側，用于檢測障礙物。單線激光雷達雖然在檢測精度、范圍、距離等方面不如4線、32線和64線激光雷達，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時性方面的要求，同時價格低廉，有較好的實用價值。

由于車上裝載多臺激光雷達，每臺激光雷達的姿態(tài)位置各不相同，且每個激光雷達測得的數(shù)據(jù)所對應的原點均不相同。因此，本文統(tǒng)一坐標系為車輛坐標系，將激光掃描儀提供的極坐標下的角度和距離歸算到車輛坐標系下，后續(xù)處理都是在車輛坐標系下進行的。車輛坐標系定義為：以車前頂端保險杠中心位置為坐標原點，前進方向為Y方向，由原點向車身右側方向為X方向，垂直于車底盤面為Z方向(如圖1所示)。激光掃描儀坐標系定義為：掃描中心為原點，掃描起始線為X軸，掃描面上與X軸垂直的方向為Y軸，Z軸與X軸、Y軸構成右手坐標系。通過式(1)將點云數(shù)據(jù)歸算至車輛坐標系下，車輛坐標系與激光掃描儀坐標系的相互關系如圖2所示。

圖1 車輛坐標系示意圖

圖2 車輛坐標系與激光掃描儀坐標系相互關系

(1)

二、道路邊沿探測

1. 數(shù)據(jù)預處理

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

(2)

2. 道路邊界點探測

道路區(qū)域與非道路區(qū)域的交界處通常存在道路邊界，使掃描點的空間分布存在明顯的高度差異，激光器以一定角度對道路進行掃描時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。給定單條掃描線數(shù)據(jù)S={p1,p2,…,pn}，除前面4個點和尾部4個點外，對每個掃描點pi根據(jù)式(3)、式(4)計算鄰近9個掃描點高度值的標準差，即

(3)

(4)

如果σi大于閾值，則將pi認定為道路邊界的潛在特征點。對于閾值的設定，來源于大量試驗的效果分析，若設定太大，則導致探測不到道路邊界；若設定太小，則導致路面上凹凸處的誤探。

3. 最佳道路段探測

理論上，道路的可通行區(qū)域與道路等級有關，由于通常小客車總寬為1.8 m，本文設定道路的最小可通行寬度為2.5 m，遠高于公路等級中3～3.75 m車道寬度的要求。本文試驗車輛總寬為1.765 m，可以輕松通過2.5 m及以上寬度的道路。因此，對于單條掃描線中的兩個連續(xù)道路邊界潛在特征點ci和ci+1，根據(jù)式(5)進行可通行區(qū)域篩選，若兩個特征點的距離大于設定的閾值，則認為無人駕駛車輛可從兩個特征點中間通過，而兩點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

兩個雷達分別探測前方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可以擬合出道路邊沿，可通行區(qū)域只存在于車道之內，接下來根據(jù)車道內障礙物的尺寸調整可通行區(qū)域。整個算法流程如圖3所示。

圖3 算法流程

三、道路障礙物提取

調整和重新規(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象。選取類似車輛障礙物而非真實車輛的原因是SICK激光雷達只能探測到真實車輛的一部分，并且規(guī)則障礙物可以代表車輛特征。如戶外垃圾桶、道路兩側的建筑物都是棱角分明的，車輛障礙物也類似。本文將應用聚類分析和主成分分析來探測和分離各種障礙物[10]。

1. 點云聚類

車前兩側的單線激光雷達依據(jù)掃描順序對無人車前方環(huán)境實行等角度掃描來獲得障礙物的點云數(shù)據(jù)，而掃描范圍內障礙物的位置則由數(shù)據(jù)之間的關系所反映。點云數(shù)據(jù)經(jīng)過預處理后[11]，再通過最近鄰聚類的原理進行聚類，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)的點集，這些數(shù)據(jù)點位置較為鄰近，若相鄰兩點間的位置突變，往往表明該兩點分別屬于兩個不同物體的表面。因此，通過相鄰兩點的位置關系來判斷該兩點是否屬于同一簇，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。將障礙物點云數(shù)據(jù)分成不同的簇：如果連續(xù)兩點距離小于某一閾值，則認為是同一物體的點云，否則分屬不同物體。如果相鄰點的數(shù)量超過某一閾值，則認為它們屬于同一障礙物，將其看作同一點云數(shù)據(jù)簇；同時，舍棄剩余的、分散的點云數(shù)據(jù)。為每簇點云數(shù)據(jù)分配邊界框并進行標記，框內的點云數(shù)據(jù)距離框邊界越近越好。最后，對邊界框的幾何特征進行描述和記錄。如圖4所示。

圖4 點云聚類算法流程

2. 障礙物識別和定位

每簇點云數(shù)據(jù)所標記的邊界框呈現(xiàn)“L”形狀，行人或類似車輛障礙物都被一個矩形邊界框標記。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代表真實車輛。應用主成分分析計算邊界框的長度、寬度、朝向和幾何位置。將探測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

程序基于VS2010開發(fā)，運行環(huán)境為Windows7，處理幀率為15幀/秒。試驗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)域探測的難度。

1. 點云數(shù)據(jù)采集

在試驗中，將掃描點角度分辨率分別設為180°和100°，并設置4組包含行人、車輛、交叉口的道路場景作為測試環(huán)境。應用180°/0.25°和100°/0.25°兩種分辨率采集數(shù)據(jù)并探測可通行區(qū)域，結果如圖5所示。

圖5 點云數(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，道路不能被檢測或正確檢測(多數(shù)情況下，檢測到的道路兩邊界間距離太長，或是不能檢測到道路邊界)。因此，試驗中選擇100°/0.25°分辨率進行點云數(shù)據(jù)采集。

2. 道路場景檢測結果

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

圖6 測試過程中無人車行駛路線

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

圖7

五、結束語

本文提出了一種結合道路邊沿探測和障礙物識別的可通行區(qū)域檢測方法，在道路邊沿檢測中首先使用了高度方差篩選出路沿特征點，再基于高度、寬度和距離3個因子提取了最佳道路，最后與障礙物信息結合提取了可通行區(qū)域。與相關研究不同的是，本算法除點云數(shù)據(jù)外不需要其他傳感器的參與，對道路情況沒有任何要求，可以保證算法適應于復雜路況，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, 王冰, 楊明，等. 基于激光雷達的道路可通行區(qū)域檢測[J]. 機電一體化, 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[J]. 華中科技大學學報(自然科學版), 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算法進行激光點云分類方法研究[J]. 測繪通報, 2014(7):23-26.

[11] 李廣云, 李明磊, 王力,等. 地面激光掃描點云數(shù)據(jù)預處理綜述[J]. 測繪通報, 2015(11):1-3.

Application of LiDAR Point Clouds in Unmanned Path Detection

CHEN Cheng，ZHANG Yongbo，LI Bijun

2016-01-31

國家自然科學基金重點項目(41531177)

陳 誠(1991—)，男，碩士生，研究方向為智能交通和3S集成。E-mail：lee@whu.edu.cn

李必軍

陳誠,張永博,李必軍.激光點云在無人駕駛路徑檢測中的應用[J].測繪通報，2016(11)：67-71.

10.13474/j.cnki.11-2246.2016.0368.

P237

B

0494-0911(2016)11-0067-05