鄒 斌，余升林，王科未

(1.武漢理工大學(xué) 現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室,湖北 武漢 430070;2.武漢理工大學(xué) 汽車零部件技術(shù)湖北省協(xié)同創(chuàng)新中心,湖北 武漢 430070)

隨著自動駕駛技術(shù)的迅猛發(fā)展，碾壓作業(yè)車自動駕駛正成為當(dāng)下研究的熱點。與結(jié)構(gòu)化的城市道路不同，碾壓作業(yè)車的施工環(huán)境復(fù)雜，地面起伏，存在正障礙物(如行人與作業(yè)車輛)、負(fù)障礙物(如深坑)與坡道等障礙物。為實現(xiàn)碾壓作業(yè)車自動駕駛過程中主動避開障礙物，需要對碾壓作業(yè)面中各類障礙物進行準(zhǔn)確的檢測。

國內(nèi)外諸多學(xué)者對障礙物檢測進行了研究，主要是基于攝像頭[1]和激光雷達[2]的方法。通過攝像頭采集道路圖像并分析道路圖像的各項特征，檢測出障礙物。Jia等[3]根據(jù)兩連續(xù)幀之間運動特征差異，采用兩連續(xù)幀(two consecutive frames,TCF)模型有效區(qū)分出障礙物與道路陰影及道路標(biāo)志。Levi等[4]利用卷積神經(jīng)網(wǎng)絡(luò)對圖像進行障礙物檢測，該方法對結(jié)構(gòu)化的道路環(huán)境檢測效果較好，但對于復(fù)雜道路環(huán)境檢測表現(xiàn)較差。攝像頭采集圖像信息，受光線影響較大。相比于攝像頭而言，激光雷達不受光照條件影響，能實時檢測車輛周圍環(huán)境，對障礙物的檢測更精確及可靠，因而激光雷達廣泛用于障礙物檢測[5]。于春和等[6]利用四線激光雷達進行非結(jié)構(gòu)化道路的障礙物檢測，先對激光雷達干擾數(shù)據(jù)進行濾波處理，后進行候選障礙點的提取及聚類分割等操作，試驗結(jié)果表明，激光雷達能對一定坡度道路的障礙物進行有效檢測。Morton等[7]采用激光雷達采集障礙物信息，分析障礙物的HLD(height length density)特征信息，通過預(yù)先訓(xùn)練好的分類器將凸凹障礙物進行有效分類，檢測出障礙物。劉家銀等[8]對非結(jié)構(gòu)化環(huán)境下負(fù)障礙物檢測問題，提出基于多激光雷達與組合特征的方法，對64線及32線激光雷達采集到的障礙物特征點信息，先采用貝葉斯法則進行融合，后采用DBSCAN(density based spatial clustering of applications with noise)進行聚類與過濾，最后進行柵格化檢測出負(fù)障礙物。

綜上所述，對非結(jié)構(gòu)化環(huán)境下的障礙物檢測，激光雷達優(yōu)于攝像頭，且當(dāng)下鮮少有學(xué)者采用三維激光雷達面向自動駕駛碾壓作業(yè)車進行障礙物檢測研究。因此，為解決碾壓作業(yè)面的障礙物檢測問題，對某型號碾壓作業(yè)車進行智能化改造，構(gòu)建車輛障礙物檢測平臺。針對非結(jié)構(gòu)化的碾壓作業(yè)面環(huán)境，深入分析施工作業(yè)面障礙物的實際特點，采用D-S證據(jù)理論融合相對高度差、單線徑向距離跳變、局部區(qū)域雙梯度閾值等方法，對正障礙物、負(fù)障礙物和坡道進行檢測。采用D-S證據(jù)融合檢測方法，避免單一檢測方法存在的弊端，有效提高碾壓作業(yè)面障礙物檢測的準(zhǔn)確性。

1 車載激光雷達安裝及標(biāo)定

1.1 車載激光雷達安裝

筆者采用Velodyne公司的VLP-16三維激光雷達。由于碾壓作業(yè)車車身高度相對較高，且VLP-16激光雷達線束較少，若采用單激光雷達且水平安裝于車頂，存在點云數(shù)據(jù)分布較稀疏，出現(xiàn)較大檢測盲區(qū)。因此，為最大程度感知車輛周圍環(huán)境，采用雙激光雷達方案，將兩激光雷達分別向下傾斜30°安裝在車頂正前方與正后方(以車輛行進方向為前方)的固定支座上。

碾壓作業(yè)車一般來回對施工面進行碾壓作業(yè)，此工作特點決定了雙激光雷達的安裝方式與檢測功能是相同的，為避免重復(fù)討論，下面僅闡述車輛正前方的激光雷達。正前方激光雷達傾斜安裝如圖1所示。

圖1 三維激光雷達安裝

1.2 車載激光雷達標(biāo)定

激光雷達的內(nèi)參數(shù)一般在雷達出廠時已標(biāo)定完成，故不用重復(fù)標(biāo)定。對于外參數(shù)標(biāo)定，主要獲取激光雷達相對車輛的位置轉(zhuǎn)換關(guān)系，即平移矩陣和旋轉(zhuǎn)矩陣。激光雷達坐標(biāo)系XLYLZL與車輛坐標(biāo)系XVYVZV在三維空間中的幾何位置關(guān)系如圖2所示，ΔZ為兩坐標(biāo)系沿Z軸方向的縱向高度差，俯仰角β、側(cè)傾角α、橫擺角γ分別為兩坐標(biāo)系沿XL、YL、ZL軸方向的旋轉(zhuǎn)角度偏差。

圖2 車輛及激光雷達坐標(biāo)系

激光雷達坐標(biāo)系與車輛坐標(biāo)系的橫向和縱向平移量可通過現(xiàn)場直接測量得到，而激光雷達與地面的高度ΔZ、俯仰角β、側(cè)傾角α的測量，采用傳統(tǒng)方法會存在測量誤差，且費時費力，筆者參考文獻[9]所提出的標(biāo)定算法，通過程序自動計算得出。但對于橫擺角γ的測量，文獻提出的標(biāo)定方法，不適用于碾壓作業(yè)面環(huán)境。因此，采用在車輛XV軸前方已知位置處放置標(biāo)定物，經(jīng)人工標(biāo)定自動計算出橫擺角γ。

1.3 雷達點云數(shù)據(jù)預(yù)處理

在獲取激光雷達點云數(shù)據(jù)后，需要對雷達原始點云數(shù)據(jù)進行預(yù)處理。根據(jù)碾壓作業(yè)車實際作業(yè)情況和規(guī)劃路徑的檢測任務(wù)需求，選取感興趣區(qū)域位于碾壓作業(yè)車正前方，XV軸方向為0～30 m處，YV軸為-10～10 m。

在碾壓作業(yè)車坐標(biāo)系下構(gòu)建柵格地圖大小為長L為29.9 m、寬W為20 m(XV軸為0～29.9 m，YV軸為-10～10 m)。設(shè)置柵格單元在長度與寬度方向上的分辨率為0.1 m，將柵格地圖劃分成300×201個小柵格，其中每個小柵格為正方形。

2 碾壓作業(yè)面障礙物檢測

2.1 相對高度差柵格地圖

碾壓作業(yè)車的工作路面較為粗糙，且路面起伏較大，與一般將柵格內(nèi)激光點云距地高度Hcloud作為柵格屬性判斷的方法相比，相對高度差方法能適應(yīng)碾壓作業(yè)車工作時有較大和較頻繁的俯仰和側(cè)傾，且可以對地面正常起伏進行有效區(qū)分，故能減少障礙誤判率，對施工環(huán)境下正障礙的檢測具有高精度、高適應(yīng)性的效果。統(tǒng)計每個柵格中的激光點云距地高度值，將柵格中激光點云距地高度最大值與距地高度最小值之間的差值作為該柵格相對高度差ΔZ，當(dāng)此柵格相對高度差值ΔZ大于設(shè)定閾值ΔZthr時，則表明此處存在明顯的高度變化，則將此柵格標(biāo)記為障礙物柵格[10]。

2.2 單線距離跳變柵格地圖

針對圖3(a)中負(fù)障礙物(深土坑)場景，隨著檢測距離增大，激光雷達檢測到障礙物的有效高度差將變小，由于施工環(huán)境復(fù)雜，地面起伏較大，且碾壓作業(yè)車自身震動及偏航等因素會造成高度差計算錯誤，相對高度差方法不適用于負(fù)障礙物檢測。

圖3(b)為土坑激光雷達點云數(shù)據(jù)掃描圖，由于土坑顯著低于地面，激光雷達將直接掃描到土坑的后沿壁。對于后沿壁上的激光點，其距離返回值相較于前方相鄰的激光點顯著增加，即在土坑的后沿壁上出現(xiàn)一個階躍，如圖3(b)圓圈所示。

若車輛處于理想情況下的水平地面，對單線激光掃描束而言，其返回的相鄰激光點云之間是連續(xù)且不中斷。當(dāng)單激光束掃到障礙物時，其返回的點云的距離值會發(fā)生跳變，障礙物的寬度越寬，則激光掃描束的跳變越明顯。激光雷達點云經(jīng)坐標(biāo)轉(zhuǎn)換及預(yù)處理后，對單激光掃描束中的每個掃描點，分別計算其與上一個掃描點的距離變化差值Δr：

(1)

式中：f為經(jīng)試驗所得的距離系數(shù)；(xi，yi，zi)為該計算掃描點的屬性值；(xi-1，yi-1，zi-1)為該計算掃描點上一個掃描點的屬性值。

若距離差值Δr大于設(shè)定閾值ΔRthr，表明此處掃描點距離存在跳變，則判定此處存在障礙物，將點云數(shù)據(jù)距離r較小的掃描點標(biāo)記為障礙物。依此規(guī)則，分別對16根激光線束進行處理，將標(biāo)記的障礙物數(shù)據(jù)點投射到柵格地圖中，得到負(fù)障礙物柵格地圖如圖3(d)所示，從圖3(d)可看出，采用單線激光束徑向距離跳變的方法，有效檢測出土坑負(fù)障礙物，如圖中箭頭所示。作為對比，圖3(c)為采用相對高度差方法得到的障礙物柵格地圖，從圖3(c)可看出，該方法僅檢測出具有一定高度的土堆，未能有效檢測出負(fù)障礙物。

圖3 障礙物檢測結(jié)果圖

2.3 局部雙梯度閾值柵格地圖

對于正障礙物和負(fù)障礙物，采用上述兩檢測方法均可以有效檢測出，但在實際碾壓工作環(huán)境中，對于如圖4(a)中的坡道，上述各檢測方法均不能有效檢測。其原因在于：在離車距離較近區(qū)域內(nèi)的坡道，其不存在明顯相對高度差，因此較近區(qū)域內(nèi)的坡道不會被檢測出，而離車距離較遠(yuǎn)處的坡道，由于激光雷達掃描點在遠(yuǎn)處較為稀疏，相對高度差方法所采用的計算柵格尺寸太小，導(dǎo)致較遠(yuǎn)處坡道柵格內(nèi)可能沒有激光雷達掃描點。當(dāng)坡道所處位置的高度值超過給定絕對高度閾值時，此處坡道被檢測到，而離車距離較近區(qū)域內(nèi)的坡道，其高度值不明顯，較近區(qū)域內(nèi)的坡道不會被檢測到，絕對高度方法檢測效果如圖4(b)所示。針對離車距離較近區(qū)域的坡道，由于其變化幅度不大，單線徑向跳變檢測方法同樣檢測不出坡道。

對如圖4(a)坡道的檢測，筆者提出了一種局部雙梯度閾值方法?？紤]到16線激光雷達掃描點較為稀疏，且激光雷達點云預(yù)處理所選用的柵格尺寸太小，導(dǎo)致部分柵格內(nèi)不存在激光點云。因此，針對激光雷達點云中某一掃描點A，以A為中心構(gòu)建一定長度Llength的局部區(qū)域，分析計算該局部區(qū)域的雙梯度屬性。根據(jù)式(2)和式(3)計算該局部區(qū)域的雙梯度值，掃描點A處的梯度值KA和局部區(qū)域的梯度值Klocal。

(2)

(3)

式中：ZA為掃描點的高度值；Zmax、Zmin分別為局部區(qū)域內(nèi)點云距地高度最大值與最小值。

根據(jù)碾壓作業(yè)面的實際環(huán)境，分別定義KthrA為掃描點A處的梯度閾值，Kthr為該局部區(qū)域的梯度閾值，兩梯度閾值可通過坡道坡度計算得出。若滿足以下條件時：Klocal>Kthr且Kthr>KthrA，則判斷掃描點A處屬于障礙物。通過對激光雷達所有掃描點進行局部雙梯度閾值方法處理，得到障礙物柵格地圖，局部雙梯度閾值檢測效果如圖4(c)所示，從障礙物柵格圖中可看出，柵格內(nèi)雙梯度閾值方法有效檢測出坡道障礙物。

圖4 坡道場景檢測結(jié)果圖

3 D-S證據(jù)理論數(shù)據(jù)融合

3.1 D-S證據(jù)理論

D-S證據(jù)理論由Dempster提出，并由其學(xué)生Shafer進一步發(fā)展起來的一種可以處理不確定性推理問題的數(shù)學(xué)方法[11]。D-S理論通過合成規(guī)則將來自兩個或多個證據(jù)信息融合為一個最終的決策依據(jù)。筆者采用D-S組合規(guī)則對相對高度差、單線徑向距離跳變、局部雙梯度閾值等方法檢測出的結(jié)果進行數(shù)據(jù)融合，并做出最終決策，得到全面的施工環(huán)境障礙物柵格地圖。

障礙物狀態(tài)判斷的識別框架可定義為Θ={E,O}，其中E表示不存在障礙物(empty)，O表示存在障礙物(obstacles)。

若m(S)為識別框架Θ上的基本概率分配函數(shù)BPA(basic probability assignment)，則m(S)表示證據(jù)信息對命題S的支持程度。分別定義m1，m2，…，mn為同一識別框架Θ上對不同證據(jù)依照某規(guī)則所建立的基本概率分配函數(shù)，若不同證據(jù)對命題的支持相互獨立，可運用D-S證據(jù)合成公式對其組合得到新的融合結(jié)果，基本概率分配函數(shù)m，D-S證據(jù)合成公式如(4)所示。

(4)

式中：φ為空集。

3.2 基于D-S判決融合的障礙物檢測

采用上述3種檢測方法得到的柵格地圖，彼此之間相互獨立，利用D-S證據(jù)理論融合不同檢測方法得到結(jié)果，采用D-S判決規(guī)則對融合結(jié)果進行決策，得出最終作業(yè)面障礙物柵格地圖。

在作業(yè)面障礙物的檢測過程中，由于上述3種檢測方法得到的柵格地圖均為0-1柵格地圖，而若采用D-S證據(jù)理論進行融合，要求輸入的柵格屬性是概率值。因此，為了構(gòu)造證據(jù)信息的基本概率分配值BPA，采用以下函數(shù)對各檢測方法對柵格屬性進行概率輸出。公式如式(5)所示。

(5)

式中：B(l,w)為在車輛坐標(biāo)系下l行w列處的柵格屬性值；Athr為針對各檢測方法所設(shè)置的相應(yīng)閾值；C0為歸一化參數(shù)值。

基于D-S證據(jù)的多檢測方法信息融合框架如圖5所示。

圖5 多檢測方法信息融合

為驗證D-S證據(jù)融合效果，選取碾壓作業(yè)面場景如圖6所示，該碾壓作業(yè)面包含土堆(正障礙物)、土坑(負(fù)障礙物)及坡道等道路場景。分別采用式(5)對各檢測方法處理后的柵格屬性進行概率輸出，圖7分別為相應(yīng)檢測方法的概率輸出結(jié)果圖，通過柵格中顏色的深淺來表征該柵格屬于障礙物的程度，柵格的顏色越深，表明此柵格屬于障礙物的概率越大；柵格的顏色越淺，表明此柵格屬于障礙物的概率越小。

圖6 復(fù)雜環(huán)境作業(yè)面場景

圖7(a)為相對高度差方法概率輸出結(jié)果圖，在土堆的中心處，土堆高度差變化明顯，經(jīng)相對高度差方法檢測后，其為障礙物的可能性最大，顯示黑色較多。圖7(b)為單線徑向距離跳變方法概率輸出結(jié)果圖，在土坑處，存在激光線束距離的巨大跳變，經(jīng)單線距離跳變方法檢測后，此處為障礙物可能性較大，顯示較多黑色；在坡道的頂端，由于在坡道上端與高平面之間存在距離跳變，此處被檢測為障礙物，在坡道頂端顯示黑色障礙物；在土堆處，由于激光線束掃描到土堆，也存在部分距離跳變，此處也顯示部分黑色障礙物。圖7(c)為局部雙梯度閾值概率輸出結(jié)果圖，圖7(c)中顯示出坡道障礙物形狀；在土堆處，土堆也存在一定的坡面，因此在土堆處也顯示出障礙物。

將上述3檢測方法得到的每個柵格基本概率分配值帶入式(4)中，計算得出3個證據(jù)聯(lián)合作用下的每個柵格最終合成的融合結(jié)果。針對D-S證據(jù)融合結(jié)果，通過特定的判決規(guī)則對最終概率值進行最后決策，判決規(guī)則如下：若m(o)≥m(e)時，即該柵格融合概率值較大時，則判決該柵格屬于障礙物，若m(o)

圖7 復(fù)雜作業(yè)面障礙物檢測結(jié)果對比圖

4 結(jié)論

采用D-S證據(jù)理論融合多檢測方法實現(xiàn)施工作業(yè)面的障礙物檢測，有效避免單一檢測方法存在的檢測不全面問題。針對碾壓作業(yè)車施工作業(yè)面環(huán)境，分別采用相對高度差、單線徑向距離跳變、局部區(qū)域雙梯度閾值等檢測方法進行障礙物檢測，獲得障礙物柵格地圖，然后將不同檢測方法獲得的柵格地圖作為獨立證據(jù)分別進行概率輸出，再利用D-S證據(jù)理論去融合不同證據(jù)信息，最后采用D-S判決規(guī)則對融合結(jié)果進行決策，獲得全面的碾壓作業(yè)面障礙物柵格地圖。融合檢測方法有效實現(xiàn)碾壓作業(yè)面的障礙物檢測，滿足實際工程應(yīng)用的需求。