楊大磊，任文峰，馬慶龍

基于三維激光雷達(dá)的障礙物檢測(cè)與跟蹤

楊大磊，任文峰，馬慶龍

（陜西重型汽車有限公司，陜西 西安 710200）

針對(duì)無(wú)人車對(duì)障礙物運(yùn)動(dòng)狀態(tài)的檢測(cè)問(wèn)題，文章提出基于三維激光雷達(dá)的動(dòng)態(tài)障礙物檢測(cè)方法。通過(guò)使用PCL庫(kù)中的歐式聚類法對(duì)激光雷達(dá)數(shù)據(jù)進(jìn)行處理，在此基礎(chǔ)上使用匈牙利算法對(duì)障礙物進(jìn)行匹配，并對(duì)匹配上的數(shù)據(jù)運(yùn)用擴(kuò)展卡爾曼濾波方法進(jìn)行融合，實(shí)現(xiàn)對(duì)障礙物的實(shí)時(shí)檢測(cè)。實(shí)驗(yàn)結(jié)果表明，文章提出的算法能夠?qū)γ芗系K物和較小的障礙物實(shí)現(xiàn)實(shí)時(shí)準(zhǔn)確的跟蹤。

聚類；障礙物檢測(cè)；激光雷達(dá)；目標(biāo)融合；匹配算法

1 引言

隨著科學(xué)技術(shù)的快速發(fā)展，無(wú)人駕駛汽車在諸多領(lǐng)域取得了很大的進(jìn)步。無(wú)人駕駛汽車系統(tǒng)按照功能可以分為：環(huán)境感知，決策規(guī)劃，車輛控制三個(gè)部分。環(huán)境感知是其他結(jié)構(gòu)的基礎(chǔ)，在駕駛過(guò)程中，各種傳感器進(jìn)行信息的獲取、融合、分析、識(shí)別、處理、規(guī)劃、決策、控制，并且對(duì)多元數(shù)據(jù)進(jìn)行融合、根據(jù)處理后的數(shù)據(jù)進(jìn)行動(dòng)態(tài)場(chǎng)景地圖的構(gòu)建、局部路徑規(guī)劃、智能決策控制等方面的工作。因此行駛環(huán)境感知系統(tǒng)相當(dāng)于無(wú)人車的眼睛及大腦，是無(wú)人車智能性高低的關(guān)鍵因素。環(huán)境感知中常用的傳感器有視覺(jué)傳感器、激光傳感器、慣性導(dǎo)航、GPS定位系統(tǒng)等。激光雷達(dá)由于其精度高，抗干擾能力強(qiáng)，在無(wú)人駕駛汽車中得到了廣泛應(yīng)用。

在未知的環(huán)境中，對(duì)障礙物的運(yùn)動(dòng)狀態(tài)的檢測(cè)尤為重要。對(duì)障礙物的檢測(cè)包括：靜態(tài)障礙物和動(dòng)態(tài)障礙物位置的確定，并且對(duì)動(dòng)態(tài)障礙物進(jìn)行跟蹤，從而確定車輛周圍的可行駛區(qū)域。國(guó)內(nèi)外學(xué)者對(duì)障礙物檢測(cè)做了大量的研究。王榮本從傳感器的分類出發(fā)，系統(tǒng)的分析了障礙物檢測(cè)方法[1]。王新竹等人將三維激光雷達(dá)采集的數(shù)據(jù)轉(zhuǎn)換為深度圖像，對(duì)深度圖像進(jìn)行聚類和地面分割，將障礙物分離出來(lái)[2]。Pu等人對(duì)激光雷達(dá)掃描的目標(biāo)進(jìn)行了分類，分為地面，地面上和不在地面的目標(biāo)，然后依據(jù)目標(biāo)的幾何形狀和運(yùn)動(dòng)方向?qū)δ繕?biāo)進(jìn)行分類[3]。張永博等針對(duì)智能車輛可通行區(qū)域檢測(cè)問(wèn)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，可以對(duì)前方障礙物依據(jù)掃描點(diǎn)距離進(jìn)行聚類形成不同的點(diǎn)云簇，從而實(shí)現(xiàn)對(duì)障礙物的檢測(cè)[4]。Douillard B等從基于柵格地圖的處理方式出發(fā)，對(duì)激光雷達(dá)數(shù)據(jù)進(jìn)行處理，由于柵格地圖簡(jiǎn)單穩(wěn)定，因此廣泛用于無(wú)人車環(huán)境感知中[5]。在障礙物檢測(cè)過(guò)程中，聚類、匹配、融合是檢測(cè)的核心。激光雷達(dá)的聚類算法對(duì)障礙物檢測(cè)的準(zhǔn)確性有著至關(guān)重要的作用。常用的聚類算法有基于K均值的聚類[6]，基于密度的聚類，基于神經(jīng)網(wǎng)絡(luò)的聚類。同一障礙物在不同時(shí)刻進(jìn)行準(zhǔn)確匹配至關(guān)重要，準(zhǔn)確的匹配是檢測(cè)的前提條件。由于單一傳感器獲取環(huán)境信息時(shí)，存在著一定的局限性。

本文采用VelodyneVLP-16三維激光雷達(dá)進(jìn)行障礙物檢測(cè)。使用匈牙利匹配算法解決了傳統(tǒng)的匹配算法中計(jì)算效率低，匹配準(zhǔn)確度不高的問(wèn)題。針對(duì)非線性條件下標(biāo)準(zhǔn)卡爾曼濾波估計(jì)不準(zhǔn)的問(wèn)題，使用擴(kuò)展卡爾曼濾波進(jìn)行改進(jìn)。通過(guò)實(shí)驗(yàn)表明整個(gè)檢測(cè)流程能夠在每幀100ms內(nèi)實(shí)現(xiàn)準(zhǔn)確、穩(wěn)定地檢測(cè)和跟蹤。

2 目標(biāo)跟蹤理論及算法

隨著時(shí)代的不斷進(jìn)步，目標(biāo)跟蹤算法在不斷的優(yōu)化，為了滿足所需的計(jì)算速度和性能，學(xué)者們做了大量的研究。本文算法流程如圖1所示。

圖1 算法流程

2.1 聚類

聚類是按照一定的要求和規(guī)律將事物進(jìn)行分類的過(guò)程，在這個(gè)過(guò)程中沒(méi)有任何關(guān)于類別的先驗(yàn)知識(shí)，僅僅考慮對(duì)象之間的相似性作為劃分的準(zhǔn)則。由于自然環(huán)境的多變性和復(fù)雜性，激光雷達(dá)掃描得到的點(diǎn)云數(shù)據(jù)中包含了物體之間的距離信息，在沒(méi)有先驗(yàn)信息的條件下，待聚類的個(gè)數(shù)和空間分布是未知的。為了快速準(zhǔn)確的對(duì)目標(biāo)進(jìn)行聚類，本文使用PCL庫(kù)中的歐式聚類法。

距離相似性常用于聚類的分析中，點(diǎn)與點(diǎn)之間的距離可以作為樣本相似性的度量，也可以反映樣本所屬類型的差異。歐式聚類的原理為：設(shè)點(diǎn)云數(shù)據(jù)中m個(gè)點(diǎn)，這些點(diǎn)組成了n個(gè)類型，在p維空間中定義某種性質(zhì)的點(diǎn)與點(diǎn)之間的親疏聚類，將距離最小的兩個(gè)類別合為一類，并迭代計(jì)算類之間的距離，直到所有的類別之間的距離大于設(shè)定的閾值。對(duì)于p維空間中的點(diǎn)i和點(diǎn)j之間的距離可以表示為：

2.2 匹配

基于目標(biāo)運(yùn)動(dòng)的跟蹤算法主要是通過(guò)預(yù)測(cè)下一時(shí)刻目標(biāo)可能出現(xiàn)的區(qū)域，并以區(qū)域中心向外擴(kuò)充的方式對(duì)目標(biāo)進(jìn)行跟蹤。在跟蹤過(guò)程中會(huì)出現(xiàn)大量冗余的信息，對(duì)目標(biāo)跟蹤的精度產(chǎn)生影響。匈牙利算法計(jì)算速度快，準(zhǔn)確度在無(wú)人車駕駛中有著良好的匹配結(jié)果。在障礙物檢測(cè)中，按照傳感器進(jìn)行分類，將目標(biāo)預(yù)測(cè)的結(jié)果與測(cè)量的點(diǎn)云數(shù)據(jù)進(jìn)行匹配，正確的匹配關(guān)系是后續(xù)的融合算法的基礎(chǔ)。匹配過(guò)程的算法流程為：

Step1：目標(biāo)預(yù)測(cè)的結(jié)果與測(cè)量的點(diǎn)云數(shù)據(jù)計(jì)算關(guān)聯(lián)矩陣；

Step2：利用匈牙利算法進(jìn)行匹配關(guān)系的確定；

Step3：將數(shù)據(jù)分為匹配上的目標(biāo)和未匹配上的目標(biāo)兩類，分別保存，為跟蹤做準(zhǔn)備。

2.3 信息融合

行駛的道路上車輛密集度較高，單一的傳感器難以得到目標(biāo)的準(zhǔn)確位置，因此就需要多傳感器進(jìn)行融合，構(gòu)建精度更高的檢測(cè)系統(tǒng)。多傳感器信息融合技術(shù)在解決目標(biāo)檢測(cè)和跟蹤問(wèn)題上具有很多優(yōu)勢(shì)。首先它能擴(kuò)展系統(tǒng)空間和時(shí)間覆蓋度：多個(gè)傳感器的探測(cè)范圍更廣，能測(cè)到單傳感器探測(cè)不到的地方；而且多個(gè)傳感器能夠?qū)崿F(xiàn)異步檢測(cè)，多傳感器間相互協(xié)同可以提高檢測(cè)跟蹤的概率。在信息融合中，卡爾曼濾波是最常用的方法，它依據(jù)接收器收到的觀測(cè)值作為輸入值，按照之前的要求估計(jì)量作為濾波的輸出值。在實(shí)際應(yīng)用中，狀態(tài)方程和量測(cè)方程為非線性，因此需要對(duì)非線性函數(shù)進(jìn)行線性化近似，最常用的是擴(kuò)展卡爾曼濾波。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的有效性，在ROS系統(tǒng)下采用c++編程實(shí)時(shí)顯示激光雷達(dá)檢測(cè)的情況。在結(jié)構(gòu)化道路上進(jìn)行實(shí)驗(yàn)，本文利用激光雷達(dá)生成的三維點(diǎn)云進(jìn)行顯示，并且與攝像頭錄取的實(shí)際路面情況進(jìn)行對(duì)比驗(yàn)證，實(shí)驗(yàn)結(jié)果如圖2所示。在點(diǎn)云顯示圖中，紅色方塊表示無(wú)人車位置，綠色方框表示檢測(cè)到的障礙物信息。由圖2的實(shí)驗(yàn)結(jié)果可知：

（1）由圖2()中可知無(wú)人車前方有四個(gè)障礙物交替錯(cuò)開(kāi)，在圖2()的激光雷達(dá)點(diǎn)云數(shù)據(jù)顯示中得到與()中相對(duì)應(yīng)的位置分布。

（2）圖2()中障礙物比較密集，相距比較近，由圖2()中顯示結(jié)果可以看出能夠?qū)ο嗑噍^近的障礙物進(jìn)行準(zhǔn)確的識(shí)別跟蹤。說(shuō)明了匹配與融合算法在實(shí)際應(yīng)用的有效性。

（3）圖2()中主要檢測(cè)左方的靜態(tài)白色車輛和動(dòng)態(tài)的摩托車，前方的動(dòng)態(tài)車輛，由圖2()中的顯示結(jié)果可以看出能夠?qū)?dòng)態(tài)與靜態(tài)的車輛準(zhǔn)確的跟蹤，對(duì)于相對(duì)較小的摩托車也能夠進(jìn)行準(zhǔn)確的跟蹤。

圖2 激光雷達(dá)障礙物檢測(cè)與跟蹤

4 結(jié)論

本文針對(duì)無(wú)人駕駛汽車中的障礙物檢測(cè)問(wèn)題，利用激光雷達(dá)獲取目標(biāo)的位置信息，對(duì)無(wú)人車感知系統(tǒng)中障礙物探測(cè)做了相關(guān)的理論分析，并結(jié)合工程實(shí)際實(shí)現(xiàn)了相關(guān)算法，為無(wú)人駕駛車輛提供了障礙物信息。主要的工作如下：

（1）根據(jù)三維激光雷達(dá)的通訊協(xié)議和數(shù)據(jù)結(jié)構(gòu)，對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行解析和預(yù)處理，實(shí)現(xiàn)數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換。

（2）針對(duì)障礙物檢測(cè)問(wèn)題，根據(jù)預(yù)處理得到的數(shù)據(jù)進(jìn)行歐式距離聚類，在此基礎(chǔ)上使用匈牙利算法對(duì)估計(jì)位置和測(cè)量結(jié)果進(jìn)行匹配，對(duì)匹配上的航跡數(shù)據(jù)運(yùn)用EKF算法進(jìn)行融合，將未匹配上的航跡提出；對(duì)沒(méi)有匹配上的目標(biāo)創(chuàng)建新的航跡，及時(shí)的對(duì)障礙物信息進(jìn)行更新。

（3）將算法運(yùn)用到工程實(shí)際中，通過(guò)仿真實(shí)驗(yàn)與道路實(shí)測(cè)對(duì)本文算法的可行性進(jìn)行驗(yàn)證。實(shí)驗(yàn)表明本文提出的算法能夠?qū)δ繕?biāo)的位置進(jìn)行準(zhǔn)確的估計(jì)，而且實(shí)時(shí)性很高。

[1] 王榮本,趙一兵,李琳輝.智能車輛的障礙物檢測(cè)研究方法綜述[J]. 公路交通科技,2007, 24(11).

[2] 王新竹,李駿,李紅建.基于三維激光雷達(dá)和深度圖像的自動(dòng)駕駛汽車障礙物檢測(cè)方法[J].吉林大學(xué)學(xué)報(bào)(工學(xué)版),2016, 46(2):360- 365.

[3] Pu S, Rutzinger M, Vosselman G. Recognizing basic structures from mobile laser scanning data for road inventory studies[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2011, 66(6-supp- S):0-0.

[4] 張永博,李必軍,陳誠(chéng).激光點(diǎn)云在無(wú)人駕駛路徑檢測(cè)中的應(yīng)用[J]. 測(cè)繪通報(bào), 2016(11):70-73+78.

[5] Douillard B, Underwood J, Melkumyan N. Hybrid elevation maps: 3D surface models for segmentation[C]// IEEE/RSJ International Conference on Intelligent Robots & Systems. 2010.

[6] Yiakopoulos C T, Gryllias K C, Antoniadis I A . Rolling element bearing fault detection in industrial environments based on a K-means clustering approach[J]. Expert Systems with Applications, 2011, 38(3):2888-2911.

Obstacle detection and track based on 3D lidar

Yang Dalei, Ren Wenfeng, Ma Qinglong

（Shaanxi Heavy Duty Automobile Co., Ltd, Shaanxi Xi'an 710200）

For the problem object detector in autonomous vehicle system, this paper presents a dynamic obstacle detection method based on 3D lidar. For real-time detection of obstacles, the Euclidean clustering method in the PCL library is used to process the lidar data, and the Hungarian algorithm is used to match the obstacles, and the extended kalman filter method is used to fuse the match obstacles. The experimental results show that the algorithm can track the dense and small obstacles accurately and real time.

Cluster; Obstacle detection; Lidar; Target fusion; Match algorithms

B

1671-7988(2019)21-53-03

TP212.6

B

1671-7988(2019)21-53-03

楊大磊，就職于陜西重型汽車有限公司。研究方向：智能駕駛。

10.16638/j.cnki.1671-7988.2019.21.018

CLC NO.:TP212.6