邢雨 劉亞彬 韓康 劉宇 劇學(xué)銘

（北京歐百拓信息科技發(fā)展有限公司，北京 100102）

主題詞：激光雷達 環(huán)境感知 場景重構(gòu) 測評系統(tǒng) 自動標注

1 前言

隨著自動駕駛技術(shù)的發(fā)展，越來越多種類的環(huán)境感知模塊得到應(yīng)用，其涉及到的傳感器包括激光雷達、毫米波雷達、單目或雙目相機等[1]。準確地感知周邊環(huán)境是環(huán)境感知模塊的首要任務(wù)[2-3]。要進一步提升其相關(guān)性能，則必須先對周邊環(huán)境進行精確重構(gòu)。在現(xiàn)有環(huán)境感知模塊中，激光雷達環(huán)境感知模塊具有良好的綜合性能，但在國內(nèi)使用的過程中暴露出了諸如分類錯誤較多、目標跟蹤時間短等問題。針對類似問題，林學(xué)秋通過機載二維激光雷達對三維場景重構(gòu)方法進行了研究[4]，趙明波通過多角度激光雷達數(shù)據(jù)融合來實現(xiàn)遮蔽目標的檢測[5]，閆利等人對激光雷達與全景影像的融合方法進行了研究[6]，段建民等人通過激光雷達數(shù)據(jù)對地面狀況信息的獲取方法進行了研究[7]，鄒斌等人通過車載三維激光雷達對道路的可通行區(qū)域提取算法進行了研究[8]。這些研究大多集中在部分要素重構(gòu)算法優(yōu)化，或與其他類型傳感器的數(shù)據(jù)融合方面，對于如何通過融合多種算法來提升激光雷達自身場景重構(gòu)精度的研究較少，為此，本文提出了一套新的場景重構(gòu)方法，通過融合多種算法對數(shù)據(jù)進行逐步處理，同時對目標分類進行跟蹤和回溯，從而提升環(huán)境重構(gòu)精度。

2 硬件平臺搭建

全面且精確的信息收集是進行精確場景重構(gòu)的重要前提，為此，首先進行硬件平臺的搭建。在現(xiàn)有的各類傳感器中，激光雷達在測量精度與測量距離等方面的綜合性能較好，且技術(shù)較為成熟，因此選擇以激光雷達為主要傳感器，進行硬件平臺搭建，設(shè)備實際安裝部署如圖1所示。

通過在車輛四周布置6個4線激光雷達傳感器實現(xiàn)對車身周邊環(huán)境信息的全面收集；同時，通過2臺SICK LMS511激光雷達實現(xiàn)對地面信息的精確收集。此外，為收集車輛姿態(tài)及位置信息，在系統(tǒng)中加裝了GPS設(shè)備與慣性測量單元（Inertial Measurement Unit，IMU），如圖2所示。

圖1 設(shè)備安裝部署示意

圖2 硬件平臺實物

3 數(shù)據(jù)處理流程

對場景進行重構(gòu)的核心環(huán)節(jié)是對關(guān)鍵環(huán)境要素進行重建。通過追加后處理算法，對激光雷達環(huán)境感知模塊收集到的周邊環(huán)境點云進行處理與驗證，最終通過比對分析對結(jié)果進行完善，具體處理過程為：

a.點云類別判定。采集系統(tǒng)中融合了多種傳感器，因此需要對不同傳感器收集到的數(shù)據(jù)進行判定，根據(jù)點云所屬設(shè)備特性進行相應(yīng)的后處理。例如，不同的激光雷達會對不同高度的目標進行掃描和感知，它們分別負責(zé)掃描對應(yīng)的高度層，這些高度信息對于之后的篩選和聚類具有非常重要的意義。同時，點云不具有速度信息，所以若想要判別對應(yīng)目標的運動屬性，需要對比不同幀中同一目標對應(yīng)點云的位置。

b.點云篩選。在實際使用過程中，并非所有點都會參與到后續(xù)的處理過程中，因此應(yīng)首先根據(jù)范圍和相應(yīng)的條件，剔除不符合需求的點，獲取較為純凈的點云。例如，因系統(tǒng)中融合了SICK雷達，因此在對地面要素進行提取的過程中，將重點采用此設(shè)備所收集到的點云數(shù)據(jù)，而不再需要其他激光雷達的輔助。

c.點云聚類。通過DBSCAN算法對環(huán)境感知模塊初步處理后的點云數(shù)據(jù)進行二次聚類，重點處理其未聚類的點云，從而提高聚類精度并獲得更為詳細的物體數(shù)量與位置。例如，大型車輛點云處理過程中，在第1次聚類時，只會將部分點云聚類成一個物體，會出現(xiàn)將一個物體的點云聚類成多個物體以及剩余點云的情況，針對這種情況，二次聚類時進行碰撞檢測并聚類，最終將相關(guān)點云聚類成一個物體，從而提升聚類精度。但在聚類過程中，由于遠、近位置的點云數(shù)量不同，所以在使用DBSCAN的過程中會根據(jù)與本車的距離修改算法中的最小點數(shù)，以此提高DBSCAN算法在對不同距離點云處理的適用性，此外，考慮到在車輛行駛方向上漏識物體會帶來極大的安全隱患，因此車輛行駛方向點云聚類過程中會降低算法中允許的最小點數(shù)，從而提高聚類精度，盡管這樣可能出現(xiàn)多識別的情況，但可以根據(jù)碰撞檢測及二次聚類等方法進行修正。

d.目標物跟蹤。指對不同數(shù)據(jù)幀之間的物體進行跟蹤，因此在完成物體聚類的基礎(chǔ)上，首先利用匈牙利算法對前、后幀中的物體進行匹配。但系統(tǒng)和設(shè)備存在不可避免的誤差，所以匹配后通過卡爾曼濾波算法來對結(jié)果進行輔助修正，以提升跟蹤精度，從而實現(xiàn)對各目標物的跟蹤，跟蹤過程中，根據(jù)不同目標物的運動特性等信息確定物體類別，并對存在錯誤分類的物體類別進行修正，從而得出最終結(jié)果。需要說明的是，由于在卡爾曼算法中使用到的系統(tǒng)噪聲屬于先驗性參數(shù)，因此需要根據(jù)試驗經(jīng)驗確定。

e.道路邊線提取。在動態(tài)目標物提取完成后，對道路邊線進行提取，通過點云網(wǎng)格化與區(qū)域增長相結(jié)合的方法進行聚類，之后通過各格網(wǎng)的高差特性獲取邊線點集，最后采用最佳數(shù)學(xué)模型并通過最小二乘法進行道路邊線擬合，得出最終結(jié)果。

4 系統(tǒng)平臺及算法驗證

4.1 系統(tǒng)平臺測試

采用場景重構(gòu)的方式對硬件平臺的可靠性進行驗證：首先，選取場景較為簡單的高速公路路段數(shù)據(jù)進行重構(gòu)，此場景中車輛以約107 km/h的速度行駛，實際場景如圖3a所示，原始數(shù)據(jù)經(jīng)處理后的結(jié)果如圖3b所示，從圖3b可知，在此情況下可對前方約230 m范圍內(nèi)的車輛進行識別；其次，選取場景較為復(fù)雜的城區(qū)路段數(shù)據(jù)進行重構(gòu)，實際場景如圖4a所示，測試車輛處于駐車狀態(tài)，原始數(shù)據(jù)經(jīng)過處理后的結(jié)果如圖4b所示，從圖中可以看到，由于場景中存在眾多物體，所以極易造成遠處物體因被遮擋而暫時丟失的情況，但是近處物體均可被精確地識別。根據(jù)兩種場景下的重構(gòu)結(jié)果可以看出，本硬件平臺具有良好的識別精度。

圖3 高速路段場景重構(gòu)

4.2 聚類算法驗證

選取某一高速路段數(shù)據(jù)進行測試，去除地面后的點云分布如圖5a所示，聚類處理結(jié)果如圖5b所示。從圖5可以看到，經(jīng)過聚類后可以找出主要目標物，由于未對數(shù)據(jù)進行點云篩選且其中包含了道路邊緣及綠化帶，所以在圖中存在較大長方形物體，下一步只需要在此基礎(chǔ)上進一步處理即可得到運動目標。

4.3 跟蹤算法驗證

以某十字路口數(shù)據(jù)為例進行分析，聚類后的點云如圖6a所示，對該點云進行一定幀數(shù)的跟蹤之后，效果如圖6b所示。只能跟蹤運動目標物，因此靜態(tài)目標物在圖6b中用點表示。由圖6可以看出，所有目標物均被正確跟蹤。

圖4 城區(qū)路段場景重構(gòu)

圖5 聚類算法效果

圖6 跟蹤算法效果

4.4 道路邊線提取

以某一直線路段數(shù)據(jù)為例，初始點云如圖7a所示。首先對點云網(wǎng)格化并進行聚類處理，從而獲得包含2條邊線的點集，結(jié)果如圖7b所示。

然后，分別采用邊線點集進行直線擬合獲取道路邊線：

式中，ρ為直線到原點的垂直距離；(x,y)為點的坐標；θ為x軸與直線垂線的角度。

最終擬合的道路邊線如圖7c所示。在道路邊線提取過程中，完成道路兩側(cè)邊線點的準確聚類尤為關(guān)鍵。因此在聚類中，通過限定處理范圍并進行點云格網(wǎng)化、格網(wǎng)區(qū)域生長等處理來完成道路兩側(cè)邊線點的提取。

圖7 道路邊線提取過程

5 結(jié)論

本文針對激光雷達環(huán)境感知模塊識別精度不佳的問題，提出了完整的優(yōu)化流程。此流程在已有算法的基礎(chǔ)上，通過DBSCAN算法、匈牙利算法等一系列數(shù)據(jù)處理過程，實現(xiàn)對點云的聚類與跟蹤，最終實現(xiàn)對目標的分類及回溯?？紤]到激光雷達無法提供物體顏色等信息，可通過融合視覺等其他傳感器模塊來進一步豐富重構(gòu)信息。本文主要針對現(xiàn)有的激光雷達環(huán)境感知模塊的算法進行研究與優(yōu)化，適用領(lǐng)域較窄，此問題將會在未來的研究中予以解決。