婁新雨，王 海，3，蔡英鳳，鄭正揚(yáng)，陳 龍

（1.江蘇大學(xué)汽車與交通工程學(xué)院，鎮(zhèn)江 212013； 2.江蘇大學(xué)汽車工程研究院，鎮(zhèn)江 212013；3.香港大學(xué)機(jī)器人與自動(dòng)化實(shí)驗(yàn)室，香港 999077）

前言

無人自主車的行駛依賴于環(huán)境感知、目標(biāo)分類等過程，復(fù)雜的城市道路環(huán)境給無人自主車的行駛造成了巨大的挑戰(zhàn)。64線激光雷達(dá)因其分辨率和精度高，可以為自主車提供豐富的環(huán)境信息而受到廣泛的關(guān)注，眾多無人自主車都配備了64線激光雷達(dá)。行駛環(huán)境的動(dòng)態(tài)性和復(fù)雜性對(duì)無人自主車算法的實(shí)時(shí)性提出了很高的要求，64線激光雷達(dá)在10 Hz頻率下每秒需要處理100多萬個(gè)點(diǎn)，所以對(duì)算法的實(shí)時(shí)性有更加嚴(yán)格的要求。

目前主流的點(diǎn)云數(shù)據(jù)處理方法有兩類：一是直接基于點(diǎn)云的處理方式［1-2］；另一種是基于柵格地圖的方式［3-5］?？紤]到64線激光雷達(dá)龐大的數(shù)據(jù)量和簡(jiǎn)單穩(wěn)定的二維柵格地圖更能滿足無人自主車對(duì)實(shí)時(shí)性的要求。傳統(tǒng)的柵格地圖構(gòu)建方法有均值高度地圖［6］、最大最小高度地圖［7］等，這些方法運(yùn)用單一閾值［8］難以分割不同高度、不同形狀的障礙物，算法的魯棒性不強(qiáng)。

劃分聚類、密度聚類和層次聚類等聚類算法的時(shí)間復(fù)雜度與點(diǎn)的數(shù)量有關(guān)，比如K均值聚類的時(shí)間復(fù)雜度為 0（m）、密度聚類 DBSCAN算法［9］復(fù)雜度為 0（m2）、層 次 聚 類 算 法［10］復(fù) 雜 度 為0（m2log m），其中m為點(diǎn)的數(shù)量。使用上述聚類算法將會(huì)增加大量運(yùn)算時(shí)間，難以滿足智能汽車對(duì)實(shí)時(shí)性的要求。所以一般聚類算法應(yīng)用于二維激光雷達(dá)或線數(shù)較少的激光雷達(dá)障礙物檢測(cè)，如段建民等［11］將DBSCAN算法運(yùn)用于4線激光雷達(dá)對(duì)汽車前方區(qū)域的檢測(cè)；李永強(qiáng)等［12］對(duì)線束較少的激光雷達(dá)運(yùn)用K均值算法提取道路邊界。

對(duì)無人駕駛汽車周圍障礙物目標(biāo)進(jìn)行分類，特別是在動(dòng)態(tài)環(huán)境中的分類，對(duì)于無人車路徑規(guī)劃和行為預(yù)測(cè)十分重要。文獻(xiàn)［13］中對(duì)多尺度高度地圖采用詞袋模型進(jìn)行目標(biāo)分類；文獻(xiàn)［14］中采用從3D體素中提取局部特征，用決策樹對(duì)目標(biāo)進(jìn)行分類；文獻(xiàn)［15］中將點(diǎn)云投影至2D柵格，對(duì)柵格地圖內(nèi)的包絡(luò)矩形塊提取特征，采用 RPN網(wǎng)絡(luò)進(jìn)行分類。

本文中采用多特征多層高度地圖進(jìn)行柵格地圖構(gòu)建，通過基于動(dòng)態(tài)距離閾值的網(wǎng)格聚類算法進(jìn)行聚類，并使用一種基于目標(biāo)關(guān)聯(lián)匹配的聚類修正算法對(duì)聚類結(jié)果進(jìn)行修正，運(yùn)用SVM對(duì)目標(biāo)進(jìn)行分類。具有良好的有效性和實(shí)時(shí)性。

1 構(gòu)建障礙物柵格地圖

采用一種多特征多層高度地圖來對(duì)環(huán)境進(jìn)行建模。該地圖把車輛周圍環(huán)境空間劃分為3層。（1）路面層，表示車輛行駛的路面區(qū)域。（2）障礙物層，表示車輛行駛范圍內(nèi)的障礙物區(qū)域。（3）懸掛物體層，層中障礙物高度大于車輛安全高度，不會(huì)對(duì)車輛行駛造成影響但會(huì)被雷達(dá)檢測(cè)，需要濾除。算法流程如圖1所示。

圖1 多特征多層高度地圖流程示意圖

1.1 柵格點(diǎn)云分割

首先將位于同一個(gè)柵格內(nèi)的激光反射點(diǎn)按照高度從小到大進(jìn)行排序，得到數(shù)據(jù)點(diǎn)列表。以排序后相鄰兩數(shù)據(jù)點(diǎn)在垂直高度間隔的大小為判據(jù)，判斷兩點(diǎn)是否屬于同一個(gè)平面塊。設(shè)定兩點(diǎn)間隔高度閾值HT，當(dāng)上點(diǎn)與下點(diǎn)的間隔大于間隔高度閾值時(shí)，這兩點(diǎn)分屬不同的平面塊。遍歷整個(gè)柵格圖，分割所有的平面塊。高度閾值HT的選取對(duì)于各空間層的判別十分重要，尤其是對(duì)于路面層和障礙物層的劃分。選取的過大，會(huì)使算法無法分辨障礙物層與路面層；選擇的過小，會(huì)使路面上輕微的凸起被判定為障礙物。通過在不同場(chǎng)景下選擇不同的高度閾值HT進(jìn)行實(shí)驗(yàn)，確定了劃分效果較好的HT。對(duì)于柵格中的每個(gè)平面塊 Pk，都包含有如下特征：點(diǎn)云最大高度HkMax、最小高度 HkMin、高度均值 HkMean、強(qiáng)度均值IkMean和強(qiáng)度方差σk5個(gè)特征。

1.2 地面層檢測(cè)

假設(shè)所有障礙物都在地面之上，如果一個(gè)柵格內(nèi)存在多個(gè)平面塊，選擇垂直高度最小的平面塊為地面候補(bǔ)平面塊。為提高檢測(cè)正確率，采用分段的方式對(duì)地面層進(jìn)行檢測(cè)。

檢測(cè)方法如下：通過最大最小高度得到地面平面塊高度差ΔH，ΔH＞b時(shí)，認(rèn)為此平面塊為障礙物；a＜ΔH＜b時(shí)，引入強(qiáng)度特征，當(dāng)平面塊強(qiáng)度均值在強(qiáng)度均值閾值IaMean和IbMean之間，強(qiáng)度方差小于方差閾值ItVar時(shí)，判定此平面塊為路面平面塊；ΔH＜a時(shí)，認(rèn)為此平面塊為地面。如果此柵格中存在路面平面塊，把高度均值作為此柵格中路面層的高度HG；如果此柵格中不存在路面塊，則以0作為此柵格中路面層的高度HG。a和b的選取影響空間層的判斷。a和b選取的過大會(huì)使障礙物被識(shí)別為地面，選取的過小，會(huì)使路面上不影響車輛通行的小凸起被劃分為障礙物。a和b的選取同樣是通過在不同場(chǎng)景下采用不同的a和b值進(jìn)行實(shí)驗(yàn)，選擇對(duì)地面層劃分效果較好的值。IaMean，IbMean和ItVar的選取也會(huì)影響路面層和障礙物層的判斷。通過實(shí)驗(yàn)獲取了如圖2所示的路面、行人、車輛反射強(qiáng)度概率分布圖，從而確定上述3個(gè)參數(shù)。

圖2 典型物體返回點(diǎn)強(qiáng)度概率分布圖

1.3 障礙物層和懸掛層檢測(cè)

在得到路面層的高度HG后，接著通過路面層高度來計(jì)算懸掛物體層高度HF：

式中：HV為無人駕駛車輛高度，包括了車輛本體高度以及車頂激光雷達(dá)的高度；HS為設(shè)定的車輛行駛中障礙物離車頂?shù)陌踩叨?。判定在高度HG～HF中的區(qū)域?yàn)檎系K物層，也就是車輛行駛區(qū)域中障礙物區(qū)域的高度范圍，而大于HF的區(qū)域?yàn)閼覓鞂印?/p>

2 障礙物柵格聚類

2.1 改進(jìn)的網(wǎng)格空間方式聚類

網(wǎng)格聚類的時(shí)間復(fù)雜度同樣為0（m），在柵格圖建立完畢后，其時(shí)間復(fù)雜度為0（g），g為所創(chuàng)建的地圖中的柵格數(shù)量。針對(duì)64線激光雷達(dá)，每一幀數(shù)據(jù)m約為150 000，本算法g約為50 000，時(shí)間復(fù)雜度顯著降低。

由于激光雷達(dá)的分辨率會(huì)隨著距離的增加而降低，固定閾值的聚類方法無法對(duì)障礙物正確聚類。所以本文中依靠選取不同的距離閾值來將障礙物離散的網(wǎng)格聚類在一起，并結(jié)合相鄰兩幀障礙物的運(yùn)動(dòng)狀態(tài)信息對(duì)空間聚類結(jié)果進(jìn)行修正，具體處理步驟如圖3所示。

圖3 聚類算法流程圖

柵格尺寸為G，距離閾值為DT，柵格聚類閾值NT＝■DT／G」。將連通區(qū)域擴(kuò)展至（2NT-1）×（2NT-1）大小，在此區(qū)域內(nèi)的障礙物柵格全部判定為屬于同一障礙物。

在距離閾值的選擇上，甘志梅等［16］和Skrzypczynski等［17］采用固定距離閾值；周俊靜等［18］采用了一種自適應(yīng)閾值。本文中采用Borges等［19］提出的一種使用深度值rk計(jì)算距離閾值DT的方法，DT的計(jì)算公式為

式中：rn-1為點(diǎn)落入障礙柵格的中心坐標(biāo)深度值；σr為三維激光雷達(dá)傳感器的測(cè)量誤差；Δφ為水平角分辨率；λ為閾值參數(shù)。通過對(duì)不同場(chǎng)景下車輛10，20，30，40，50 m處的障礙物進(jìn)行聚類實(shí)驗(yàn)，取聚類效果較好的20°作為閾值參數(shù)λ。

2.2 聚類修正

將k時(shí)刻與k＋1時(shí)刻空間聚類結(jié)果中距離最近的障礙物塊i配對(duì)，獲得匹配后的障礙物列表。主要用到了障礙物的如下參數(shù)：障礙物中心坐標(biāo)、運(yùn)動(dòng)方向、速度、強(qiáng)度均值，計(jì)算公式為

獲得障礙物塊信息后，對(duì)整個(gè)列表中每?jī)蓚€(gè)障礙物塊通過式（4）計(jì)算其相似度Sij，當(dāng)相似度大于相似度閾值ST時(shí)，判定這目標(biāo)屬于同一物體不同部分。

式中a，b，c，d為權(quán)重值，由實(shí)驗(yàn)結(jié)果擬合獲得。相似度閾值ST由實(shí)驗(yàn)獲取。聚類后障礙物目標(biāo)采用盒模型表示，通過障礙物輪廓求得最小包絡(luò)矩形。

3 目標(biāo)分類

將道路環(huán)境中動(dòng)態(tài)障礙物分為4類：機(jī)動(dòng)車輛、非機(jī)動(dòng)車輛（自行車）、行人和其它。目標(biāo)分類方法框架如圖4所示。

圖4 分類流程示意圖

3.1 目標(biāo)特征

對(duì)每個(gè)目標(biāo)盒模型，保存中心點(diǎn)坐標(biāo)、盒模型長(zhǎng)寬、掃描返回點(diǎn)的最大高度、航向角以及相對(duì)觀測(cè)角：BBi＝（PointX，PointY，PointZ，Length，Width，Height，α，δ）。其中 α和 δ范圍均為（-π，π）。

圖5 角度轉(zhuǎn)換關(guān)系示意圖

角度轉(zhuǎn)換關(guān)系如圖5所示。δ為障礙物目標(biāo)朝向相對(duì)于自車y軸的夾角，β為以自車車體坐標(biāo)系原點(diǎn)觀測(cè)障礙物目標(biāo)中心點(diǎn)的觀測(cè)角度。α的計(jì)算公式為

3.2 SVM分類器

選用SVM分類器進(jìn)行障礙物分類。

采用常用的徑向基核函數(shù)（RBF）：

其中函數(shù)參數(shù)γ定義了單個(gè)訓(xùn)練樣本的影響大小。

4 實(shí)驗(yàn)結(jié)果分析

實(shí)驗(yàn)所使用的硬件平臺(tái)為處理器：Intel Xeon E5-2687W V4＠3.00GHz，內(nèi)存：32G，顯卡：NVIDIA Quadro M4000。

4.1 柵格地圖創(chuàng)建實(shí)驗(yàn)與分析

統(tǒng)計(jì)了10組不同場(chǎng)景下的最大最小高度差算法以及本算法所建立柵格地圖中的柵格分類，如表1所示。其中，最大最小高度差算法檢測(cè)總體準(zhǔn)確率為94.59%，本文中算法檢測(cè)總體準(zhǔn)確率為97.62%，提升3.03%，地面檢測(cè)與障礙物檢測(cè)準(zhǔn)確率都有不同程度的提升。本文中算法對(duì)懸掛物檢測(cè)準(zhǔn)確率為78.33%，最大最小高度差算法無法對(duì)懸掛物體進(jìn)行檢測(cè)，準(zhǔn)確率為0。

表1 算法檢測(cè)準(zhǔn)確率統(tǒng)計(jì)表 %

在耗時(shí)方面，最大最小高度差地圖算法平均耗時(shí)在16 ms左右，本文中算法的計(jì)算量較大，平均耗時(shí)在70 ms左右。激光雷達(dá)的數(shù)據(jù)處理過程耗時(shí)在100 ms內(nèi)都是可以接受的，所以本文中算法能夠基本滿足實(shí)時(shí)性的要求。

4.2 聚類實(shí)驗(yàn)與分析

將本文聚類算法與固定距離閾值下的八連通區(qū)域標(biāo)記算法［20］進(jìn)行了對(duì)比，通過對(duì)道路環(huán)境中188組目標(biāo)車輛進(jìn)行實(shí)驗(yàn)分析，對(duì)障礙物目標(biāo)的聚類準(zhǔn)確率如表2所示。本文算法在距自車30 m以內(nèi)的聚類效果較好，聚類成功率能達(dá)到70%以上；10 m內(nèi)聚類準(zhǔn)確率接近95%。而八連通區(qū)域標(biāo)記算法的聚類效果隨著目標(biāo)距離的增加，聚類效果顯著變差。本聚類算法耗時(shí)約為15 ms。

表2 聚類算法比較

圖6（a）為本文聚類算法效果圖，圖6（b）為采用八連通鄰域區(qū)域標(biāo)記算法效果圖，圖中矩形框?yàn)榫垲惡蟮哪繕?biāo)。本文算法能夠有效地將遠(yuǎn)處物體聚類為一個(gè)整體，提高物體檢測(cè)效果，為后續(xù)的目標(biāo)分類以及跟蹤提供支持。

圖6 聚類實(shí)驗(yàn)

4.3 分類實(shí)驗(yàn)與分析

本實(shí)驗(yàn)SVM使用了LIBSVM。數(shù)據(jù)集為由德國卡爾斯魯厄理工學(xué)院（KIT）和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦的KITTI數(shù)據(jù)集。對(duì)其中3 365組樣本進(jìn)行了分析，包含了2 600個(gè)車輛樣本、262個(gè)騎行樣本和396個(gè)行人樣本，107個(gè)其它樣本。把總樣本數(shù)的70%作為訓(xùn)練樣本，其余的作為測(cè)試樣本。通過網(wǎng)格尋優(yōu)算法找到參數(shù)懲罰因子C＝256，參數(shù)γ＝0.011842，得到最優(yōu)識(shí)別率為89.77%，網(wǎng)格尋優(yōu)結(jié)果如圖7所示。

圖7 網(wǎng)格尋優(yōu)結(jié)果

圖8 目標(biāo)分類實(shí)驗(yàn)結(jié)果

分類實(shí)驗(yàn)如圖8所示。圖中矩形框表示通過本文算法識(shí)別出的車輛、行人和非機(jī)動(dòng)車目標(biāo)?？梢钥吹?，在不同距離下，本文算法都能對(duì)目標(biāo)進(jìn)行比較準(zhǔn)確的分類。分類一幀圖片耗時(shí)約10 ms。

檢測(cè)結(jié)果統(tǒng)計(jì)表如表3所示。實(shí)驗(yàn)中發(fā)現(xiàn)，車輛與行人、非機(jī)動(dòng)車等因?yàn)閹缀翁卣鞑顒e較大，易于區(qū)分，誤檢率較低；行人與非機(jī)動(dòng)車之間則較難區(qū)分，誤檢率較高。另外，近處物體易于區(qū)分；在較遠(yuǎn)處由于輪廓提取不充分，與整體提取的特征相差較大，導(dǎo)致發(fā)生了一些誤檢現(xiàn)象。

表3 檢測(cè)結(jié)果統(tǒng)計(jì)表

為說明本文分類方法的有效性，將其與一些經(jīng)典算法進(jìn)行比較。算法檢測(cè)率對(duì)比如表4所示。本文算法檢測(cè)率相對(duì)其他算法而言是較高的。

表4 檢測(cè)率統(tǒng)計(jì) %

5 結(jié)論

針對(duì)傳統(tǒng)算法在使用64線激光雷達(dá)識(shí)別、分類道路障礙物時(shí)，耗費(fèi)時(shí)間長(zhǎng)，實(shí)時(shí)性不能滿足無人自主車的行駛要求的問題，提出了包含多特征多層高度地圖、修正后的基于動(dòng)態(tài)距離閾值的網(wǎng)格聚類以及SVM檢測(cè)和分類障礙物的新方法。實(shí)驗(yàn)結(jié)果表明，該算法在保證檢測(cè)和分類準(zhǔn)確率的基礎(chǔ)上，實(shí)時(shí)性較好，滿足無人自主車在道路行駛時(shí)的實(shí)時(shí)性要求。在實(shí)驗(yàn)過程中還發(fā)現(xiàn)，非機(jī)動(dòng)車的檢測(cè)率相對(duì)車輛和行人還較低，后續(xù)將加入新的特征進(jìn)行進(jìn)一步研究。