曾 祥，蔣國濤，鮑紀宇，劉邦繁，肖志鴻

（中車株洲電力機車研究所有限公司，湖南 株洲 412001）

0 引言

激光雷達因具有高測距精度、高分辨率、受光照影響小的優(yōu)點而被廣泛應(yīng)用于車輛環(huán)境感知領(lǐng)域。Premebida Cristiano，Ludwig Oswaldo等[1]對激光點云進行特征提取和分類，實現(xiàn)了對城市場景中行人的識別。Zhang Wende[2]使用激光雷達對道路和道路邊緣進行了檢測。Muresan Mircea Paul，Nedevschi Sergiu等[3]針對高線數(shù)激光雷達存在的價格昂貴的不足，提出了一種基于4線激光雷達的實時目標(biāo)檢測算法。Granstr?m Karl，Renter Stephan 等[4]提出了一種隨機優(yōu)化方法，以直接處理多目標(biāo)跟蹤中的數(shù)據(jù)關(guān)聯(lián)問題。Sahba Ramin，Sahba Amin等[5]使用PointPillars網(wǎng)絡(luò)對汽車、行人進行了識別。Szarvas M.，Sakai U.等[6]采用卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)了激光點云中對行人的高效檢測。黃如林、梁華為等[7]提出了基于多特征融合的動態(tài)障礙物檢測跟蹤方法和基于時空特征向量的動態(tài)障礙物識別方法，提高了激光雷達對動態(tài)障礙物的識別和跟蹤準(zhǔn)確率。宗長富、文龍等[8]提出了一種新穎的點云去畸變方法和一種基于距離分區(qū)的歐氏聚類算法，在一定程度上解決了歐氏聚類算法在點云分布不均及存在畸變時的障礙物檢測成功率低的問題。胡云卿、馮江華等[9]利用激光雷達、毫米波雷達和360度環(huán)視系統(tǒng)構(gòu)建了智軌電車的環(huán)境感知系統(tǒng)。然而，目前基于激光雷達的障礙物檢測多在開放環(huán)境中進行，針對隧道內(nèi)障礙物檢測的研究尚不多見。近年來，隨著山區(qū)公路交通建設(shè)和城市軌道交通建設(shè)的快速發(fā)展，隧道里程增長迅速，應(yīng)用激光雷達對隧道內(nèi)的障礙物進行檢測，有助于提高車輛在隧道內(nèi)運行的安全性。

本文對基于車載激光雷達的隧道內(nèi)的障礙物檢測問題進行了研究。在濾除隧道壁點云和地面點云的基礎(chǔ)上，對點云進行聚類以識別障礙物；采用改進的距離準(zhǔn)則進行數(shù)據(jù)關(guān)聯(lián)，結(jié)合卡爾曼濾波實現(xiàn)障礙物的運動狀態(tài)更新，并設(shè)計了生命狀態(tài)轉(zhuǎn)移機制以實現(xiàn)障礙物的航跡管理。

1 基礎(chǔ)算法原理

本文對點云的處理主要涉及隨機采樣一致性（random sample consensus，RANSAC）方法[10]和歐幾里得聚類方法。

1.1 RANSAC模型擬合

基于待擬合的模型（如直線），可由N個空間點Pi(xi,yi,zi)(其中i=1, 2, …,N)構(gòu)成的點集P建立超定方程組Pv=q，其中矩陣P和向量q由點集P確定，v為待估計的參數(shù)向量。通常，v的估計通過最小二乘法進行。當(dāng)P中存在異常數(shù)據(jù)時，若直接采用最小二乘法求解v，可能會產(chǎn)生較大偏差。

RANSAC算法在求解v時充分考慮了異常數(shù)據(jù)的影響。設(shè)P中局內(nèi)點的占比為ε，重復(fù)地從P中隨機抽取m個點構(gòu)成子集。若某子集中不含有異常點，則該子集為良性子集。記至少取得一個良性子集的概率為p*，其與相應(yīng)的最小迭代次數(shù)Nmin滿足如下關(guān)系：

設(shè)定任意點是否歸屬于擬合模型的閾值Tε，并記集合為每次迭代結(jié)束后點集P中歸屬于擬合模型的點構(gòu)成的子集。記M為集合的元素個數(shù)，K為待估計參數(shù)的個數(shù)，即向量v的維數(shù)?；赗ANSAC的模型擬合步驟如下：

（2）從P中隨機選擇K個不共線的點Pi(xi,yi,zi)，其中i=1, 2, …,K。

（3）產(chǎn)生估計假設(shè)。由選擇的K個點坐標(biāo)計算參數(shù)向量v。為避免混淆，記此時的參數(shù)向量為v0。

（4）假設(shè)驗證和優(yōu)選。計算由v0引起的偏差向量e=Pv0-q。引入計數(shù)m并初始化，使m=0。依次遍歷e中的所有元素，若第j個元素e(j)滿足|e(j)|≤Tε，則計數(shù)m增1。比較m和M的大小。若m>M，則代表當(dāng)前估計的參數(shù)向量v0較上次的結(jié)果更優(yōu)，此時，先清空，再將所有滿足|e(j)|≤Tε的點Pj加入集合中；反之，若m≤M，則放棄當(dāng)前估計。

（5）重復(fù)步驟（2）～（4），直到迭代次數(shù)達到Nmin。

1.2 歐幾里得聚類

對于具有明顯鄰域關(guān)系的元素的聚類問題，采用基于距離準(zhǔn)則的近鄰聚類方法通常能取得不錯的效果。本文采用的是成熟的歐幾里得聚類算法，同時采用維樹（k-dimensional tree，kd樹）以加快對鄰域元素的搜索。算法流程如下：

（1）對輸入數(shù)據(jù)P建立kd樹，創(chuàng)建一個空的聚類列表C和待處理元素隊列Q，設(shè)定元素的鄰域半徑δ。

（2）對P中每一個未處理的元素Pi，將Pi加入Q中。

（3）對Q中每一個點，在P中搜索其δ鄰域內(nèi)的一組近鄰點；對任一近鄰點，若其未被處理過，則將該點加入Q。重復(fù)該步驟，直到Q中所有點都被處理完畢，則將Q中的點加入C中，并清空Q。

（4）檢查P中的所有點是否均已被處理且加入C中。若是，則算法結(jié)束；反之，則返回到步驟（2）。

2 障礙物檢測算法

激光雷達在隧道內(nèi)掃描時，點云的主要來源包括隧道壁、地面和可能存在的障礙物。圖1示出隧道內(nèi)的激光點云數(shù)據(jù)，可以看出，在接收點云中，隧道壁點云和地面點云的占比非常高。對于障礙物檢測而言，海量的隧道壁點云和地面點云屬于背景點云，容易造成虛警，且會顯著降低障礙物檢測的效率?；诖?，針對隧道內(nèi)障礙物的檢測，對隧道壁點云和地面點云的濾除提出了很高要求。

圖1 隧道內(nèi)的激光點云數(shù)據(jù)Fig.1 Point cloud from LiDAR in the tunnel

此外，實踐中，受激光雷達分辨率、點云穩(wěn)定性和點云處理算法自身精度等的影響，障礙物位置和尺寸信息常會有所偏差，且障礙物的漏檢或誤檢問題幾乎不可避免。為實現(xiàn)障礙物信息的穩(wěn)定輸出，對障礙物的穩(wěn)定跟蹤是不可或缺的。綜上要求，本文設(shè)計的基于車載激光的障礙物檢測算法流程如下：（1）隧道壁點云分割；（2）地面點云分割；（3）目標(biāo)聚類；（4）目標(biāo)跟蹤。

為簡化計算，在隧道壁點云分割之前，本文首先采用VoxelGrid體素濾波器[11]對點云進行下采樣處理，然后再將點云從激光雷達坐標(biāo)系轉(zhuǎn)換到車輛坐標(biāo)系。車輛坐標(biāo)系以向前方向為x軸的正方向，向上方向為z軸的正方向，且x軸、y軸、z軸構(gòu)成右手坐標(biāo)系。

目標(biāo)聚類的基本任務(wù)是將障礙物點云劃分為互斥的若干個子集，每個子集中的激光點云構(gòu)成一個障礙物。本文采用歐幾里得聚類法對障礙物進行聚類。其與隧道待擬合邊界點云聚類的區(qū)別在于，障礙物聚類時，權(quán)重wx=1。聚類完成后，障礙物的中心坐標(biāo)與尺寸信息可通過計算聚類后點云的軸向平行包圍盒得到。相關(guān)算法均屬于成熟方法，本文不贅述。

3 隧道壁點云分割

隧道壁包括隧道頂和隧道側(cè)壁。顯然，隧道頂點云的高程值z較大。由此，設(shè)定高程閾值為Tz，且感興趣區(qū)域為滿足z≤Tz的區(qū)域，即可濾除隧道頂點云的區(qū)域。

記濾除隧道頂后留下的點云為P0。為研究P0的分布，將P0向水平面上投影，得到如圖2所示的投影點云P。可以看出，P表現(xiàn)出明顯的帶狀分布，左右兩側(cè)的隧道側(cè)壁點云各形成一條明顯的邊界點云帶。采用曲線對邊界點云帶進行近似，則可將隧道側(cè)壁的檢測問題轉(zhuǎn)換為邊界曲線擬合問題。完成邊界曲線擬合后，由邊界曲線確定隧道側(cè)壁點云，需要將邊界曲線朝隧道內(nèi)部進行等距離偏移，即需要求解邊界曲線的等距曲線。

圖2 點云的水平投影視圖Fig.2 Horizontal projection view of the point cloud

基于以上思想，本文設(shè)計的隧道側(cè)壁點云分割方案由5個過程組成：（1）點云柵格圖產(chǎn)生；（2）邊界點云初選；（3）邊界點云復(fù)選；（4）邊界曲線擬合；（5）邊界點云濾除。

3.1 點云柵格圖的產(chǎn)生

設(shè)置柵格的長度L和寬度W，將預(yù)處理后的點云分配到相應(yīng)的柵格中。設(shè)點云的最小x,y坐標(biāo)分別為xmin,ymin，那么對于坐標(biāo)為(x,y,z)的點，其柵格坐標(biāo)(i,j)滿足i=[(x-xmin)/L]，j=[(y-ymin)/W]，其中“[]”表示向下取整算子。

依次處理點云中的所有點，生成點云柵格圖Q。

3.2 邊界點云的初選

激光雷達在隧道內(nèi)掃描時，隧道側(cè)壁能返回較多點云，相應(yīng)的柵格中具有較多的激光點；隧道外部則理論上無點云返回，相應(yīng)的柵格為空。由此，如圖3所示，對于Q中的每一行柵格，從最左端的柵格開始遍歷，首個非空柵格即為隧道側(cè)壁柵格；從最右端的柵格開始遍歷，情況亦然。為降低噪點的影響，設(shè)置閾值。當(dāng)柵格內(nèi)的激光點數(shù)不低于該閾值時，將柵格標(biāo)記為隧道側(cè)壁柵格。

圖3 柵格的遍歷方式Fig.3 The way of traversing all grids

收集所有隧道側(cè)壁柵格中的點云，用于下一步處理。

3.3 邊界點云的復(fù)選

初選的邊界點云中從屬于左側(cè)隧道壁和右側(cè)隧道壁的點云未被分離，且可能存在不屬于任何一側(cè)隧道側(cè)壁的虛假邊界點云。這些不足可能會對后續(xù)邊界曲線擬合造成干擾。

理論上，從屬于同一側(cè)隧道壁的邊界點云，其中的激光點應(yīng)具有較小的距離，即在空間上是相鄰的，整個邊界點云帶是連續(xù)的、不具有明顯間隔的窄長區(qū)域；而不同側(cè)隧道壁的邊界點云則具有較大的距離，即在空間上不相鄰?；诖思僭O(shè)，對于源自左、右側(cè)隧道壁初選的邊界點云，可以采用歐幾里得聚類方法予以分離。

然而，在實際中，受到障礙物遮擋、隧道側(cè)壁柵格標(biāo)記錯誤等因素的影響，從屬于同一側(cè)隧道壁的邊界點云帶可能出現(xiàn)局部斷裂現(xiàn)象。此時，邊界點云帶是在x方向分段的、有少數(shù)明顯間隔的窄長區(qū)域。為將分段的窄長區(qū)域聚類成一體，需要考慮到x方向間隔的影響。基于此，對初選的邊界點云在x方向作壓縮處理，即對其中的激光點Pi(xi,yi)執(zhí)行縮放變換：

式中：wx——權(quán)重。

wx越小，聚類對x方向局部斷裂的魯棒性越強，但也增大了將多個獨立的僅在x方向上不相鄰的目標(biāo)聚類為一體的風(fēng)險。

初選的邊界點云經(jīng)聚類產(chǎn)生多個獨立的子點云。其中，隧道側(cè)壁點云在x方向較長，而虛假邊界點云則較隧道側(cè)壁點云明顯偏短?；诖?，分別計算聚類后產(chǎn)生的子點云在x方向的長度Δx=xmax-xmin，其中xmax和xmin分別為子點云的x坐標(biāo)的最大值和最小值。Δx最大的兩個子點云即為兩組隧道側(cè)壁邊界點云。

3.4 邊界曲線擬合

采用RANSAC算法擬合隧道邊界曲線，擬合模型為拋物線。設(shè)拋物線的二次項、一次項和常數(shù)項系數(shù)分別為A1，B1和C1，即拋物線方程為y=y(x)=A1x2+B1x+C1。超定方程組Pv=q滿足

顯然，C1>0時擬合所得的為左側(cè)隧道壁邊界曲線，反之為右側(cè)隧道壁曲線。為予以區(qū)分，分別記左側(cè)、右側(cè)隧道邊界曲線為G1:y=y1(x)，G2:y=y2(x)，G1和G2的由二次項、一次項及常數(shù)項系數(shù)構(gòu)成的參數(shù)向量分別為v1=[A11,B11,C11]T，v2=[A12,B12,C12]T。

3.5 邊界點云濾除

隧道邊界曲線G1，G2的鄰域可由它們的等距曲線確定。記G1，G2處于隧道內(nèi)部一側(cè)的等距曲線分別為G*1，G*2，對于給定的激光點Pi(xi,yi,zi)，若滿足Pi在G*1，G*2之間，則可認為Pi為非隧道邊界點；反之則為隧道邊界點。記G*1和G*2的曲線方程分別為y=y1*(x)，y=y2*(x)，則Pi的濾除條件可以表示為(yi-y1*)×(yi-y2*)≥0。由此，邊界點云濾除問題轉(zhuǎn)換為等距曲線G*1和G*2的估計問題。

顯然，當(dāng)隧道邊界曲線G1和G2為拋物線時，等距曲線G*1和G*2的形式比較復(fù)雜；但實際應(yīng)用中，仍然可以采用拋物線對G*1和G*2進行近似，實現(xiàn)對邊界點云的濾除。以根據(jù)G1計算G*1為例，其計算過程如下：

（1）隧道邊界采樣

對y1(x)進行等間隔采樣，得到由采樣點P1i(iΔx,y1(iΔx))（i=0, 1, …,Nc-1，Nc為總采樣數(shù)）構(gòu)成的采樣點集。同時，計算G1在P1i處的單位法向量ni(nix,niy)。

如果niy>0，將ni取反。

（2） 等距曲線采樣

圖4示出等距曲線采樣點的生成示意，其中給定鄰域半徑為r0。對于給定的隧道邊界點P1i(iΔx,y1(iΔx))，可計算等距曲線的采樣點：

（3）等距曲線估計

經(jīng)采樣所得的P*1i(x*i,y*i)均不是局外點，因此可直接應(yīng)用最小二乘法求解G*1。

類似地，可求解得出G*2，繼而按照條件(yiy*1)×(yi-y*2)≥0濾除所有符合要求的點Pi(xi,yi,zi)，保留下來的點云則將用于地面分割。至此，隧道壁點云分割完成。

4 地面點云分割

與隧道壁點云類似，大量的地面點云存在于激光雷達接收到的點云中，需要被濾除。本文采用基礎(chǔ)的基于柵格平面擬合的方法進行隧道內(nèi)的地面點云分割[12-14]。

沿用隧道側(cè)壁點云分割時的點云柵格圖。對每一個柵格，計算其中激光點的個數(shù)n、點云高程的中值zmed和最小值zmin，并定義該柵格的高程差Δz：

障礙物具有一定的高度，因此其相應(yīng)柵格應(yīng)具有較大的高程差，而地面相應(yīng)柵格高程差較小，據(jù)此實現(xiàn)對地面點云的初步篩選。對于起伏較少、僅需考慮坡度因素的地面，如隧道地面，可采用空間平面進行近似。

采用RANSAC算法擬合地面，擬合模型為平面z=A2x+B2y+D2，其中A2,B2,D2為系數(shù)，則：

地面點云分割的基本流程如圖5所示，具體如下：

圖5 地面點云分割的流程Fig.5 Flow chart of ground segmentation

（1）點云柵格化，計算柵格高程差Δz。

（2）地面柵格點云收集。初始化候選地面點云集合P，使。設(shè)置閾值Ts，滿足Δz≤Ts的柵格被視作地面柵格，將該柵格內(nèi)的點云加入集合P中。

（3）地面擬合。采用RANSAC方法擬合P中的數(shù)據(jù)，擬合模型為平面∑。

（4）地面點云移除。設(shè)定閾值Td，對P中的點Pi，計算Pi到平面∑的距離di。若Pi≤Td，則Pi屬于地面點，予以移除。

5 目標(biāo)跟蹤

考慮到噪聲及其他干擾以及障礙物檢測算法自身的局限性，檢測得到的多個障礙物位置信息不可避免地存在偏差。為此，有必要引入目標(biāo)跟蹤算法以降低檢測偏差。針對單目標(biāo)跟蹤，本文采用成熟的卡爾曼濾波算法；針對多目標(biāo)的跟蹤，先采用成熟的全局最近鄰（global nearest neighbour, GNN）[15]數(shù)據(jù)關(guān)聯(lián)算法將其分解為多個單目標(biāo)跟蹤問題，然后再應(yīng)用卡爾曼濾波進行處理。常規(guī)的GNN算法只采用了障礙物的位置信息作為距離準(zhǔn)則，在特定場景下的關(guān)聯(lián)效果不佳。為此，本文對距離準(zhǔn)則進行改進，以提高GNN數(shù)據(jù)關(guān)聯(lián)的魯棒性。

此外，相比真實情形，聚類結(jié)果仍可能存在障礙物的漏檢或誤檢。基于此，本文提出一種基于生命狀態(tài)轉(zhuǎn)移的航跡管理策略，對聚類給出的結(jié)果進行辨識，以快速地實現(xiàn)錯誤檢測的去除和遺漏檢測的補充。

5.1 改進距離準(zhǔn)則的GNN數(shù)據(jù)關(guān)聯(lián)

設(shè)卡爾曼濾波預(yù)測得到的目標(biāo)A位置為(xi,yi)，測量目標(biāo)B位置為(xj,yj)。將二者間常規(guī)的距離定義為，其中，vij=(xj-xi,yj-yi)，為A和B的位置殘差，S為卡爾曼濾波中的殘差協(xié)方差。d1的定義只考慮了目標(biāo)的位置信息而忽略了目標(biāo)的尺寸信息，可能產(chǎn)生不準(zhǔn)確的關(guān)聯(lián)結(jié)果。為此，本文引入視覺領(lǐng)域的交并比（intersection over union，IOU）概念，并記d2=2-IOU且d2∈[1, 2]。在d1和d2的基礎(chǔ)上，本文將A和B間的距離d3定義為

式(9)中，指數(shù)λ反映了d2的重要性。λ越大，d2的重要性越高。

圖6示出采用仿真數(shù)據(jù)對di(i=1, 2, 3)的關(guān)聯(lián)效果進行比較的結(jié)果。圖6（a）中，目標(biāo)R保持靜止，位置坐標(biāo)相同的目標(biāo)P和Q以相同速度沿直線l向x軸正方向運動。顯然，因P和R的尺寸差異較Q和R的小，在同一時刻，P和R的關(guān)聯(lián)程度應(yīng)不低于Q和R的，即距離應(yīng)滿足關(guān)系d(P,R)≤d(Q,R)；同時，對于P或Q，在其逐漸接近R到逐漸遠離R的過程中，距離應(yīng)具有先遞減后遞增的變化規(guī)律。

圖6（b）～圖6（d）給出了P和Q從接近R到遠離R的d1,d2和d3的變化規(guī)律，計算時取S為單位矩陣I，λ=1。由圖6（b）可以看出，由于僅利用了位置信息而忽略了尺寸信息，因此d1(P,R)、d1(Q,R)始終相等，即僅依靠d1無法對P，Q和R的關(guān)聯(lián)程度進行區(qū)分；同時，由圖6（c）可以看出，由于Q在區(qū)間K1～K2內(nèi)沿x方向始終被R完全包含，二者的交集為Q，并集為R，因此d2(Q,R)在該區(qū)間內(nèi)始終保持不變，即此時僅依靠d2無法區(qū)分Q與R在“接近—遠離”過程中的關(guān)聯(lián)程度；類似地可對P進行分析。相比之下，圖6（d）中的d3很好地揭示了“P與R的關(guān)聯(lián)程度更高”和“P或Q與R的關(guān)聯(lián)程度先遞增后遞減”的事實。

距離準(zhǔn)則確定后，其他步驟與常規(guī)的GNN算法相同，本文不再贅述。

圖6 3種距離準(zhǔn)則的性能比較Fig.6 Performance comparison among the three different distance metrics

5.2 基于生命狀態(tài)轉(zhuǎn)移的航跡管理

圖7示出目標(biāo)的生命狀態(tài)轉(zhuǎn)移關(guān)系。定義每個目標(biāo)在生命周期內(nèi)可能的生命狀態(tài)為頭、可見、隱藏、撤銷。對于新發(fā)現(xiàn)的待確認（為障礙物或者誤檢）的目標(biāo)，標(biāo)記其生命狀態(tài)為頭；對于已確認為障礙物的目標(biāo)，若在當(dāng)前幀能檢測到，則標(biāo)記其生命狀態(tài)為可見，反之則標(biāo)記其生命狀態(tài)為隱藏；對于已確認為誤檢的目標(biāo)或隱藏過久的目標(biāo)，標(biāo)記其生命狀態(tài)為撤銷，并停止該目標(biāo)的跟蹤。上述4種生命狀態(tài)可觸發(fā)如（i）～（ix）所示的生命狀態(tài)轉(zhuǎn)移。

圖7 可能的生命狀態(tài)轉(zhuǎn)移Fig.7 All possible life state transitions

設(shè)現(xiàn)有障礙物集合為S，待研究目標(biāo)為O，對生命狀態(tài)轉(zhuǎn)移關(guān)系可進行如下描述。

5.2.1OS

采用滑窗法的m/n檢測準(zhǔn)則進行判斷，即確認O∈S的條件如下：在寬為n的滑動窗口內(nèi)，O至少出現(xiàn)m次。為此，從首次發(fā)現(xiàn)O開始建立滑動窗，初始時窗寬為1，隨后每幀增1，直到達到n。與此相關(guān)的生命狀態(tài)轉(zhuǎn)移為（i），（ii）和（iii）：

（i） 當(dāng)前窗寬未達到n，O保持頭狀態(tài)。

（ii）O經(jīng)m/n檢測通過，則O∈S，生命狀態(tài)轉(zhuǎn)換為可見。

（iii）O經(jīng)m/n檢測不通過，則生命狀態(tài)轉(zhuǎn)換為撤銷，即刪除O。

5.2.2O∈S

目標(biāo)O一旦被確認為障礙物，對其進行撤銷操作必須謹慎。為此，設(shè)定將O移除出S的條件為：O連續(xù)消失n*次。與此相關(guān)的生命狀態(tài)轉(zhuǎn)移為（iv）～（ix）：

（iv）O上次處于可見狀態(tài)且當(dāng)前仍可見，則維持可見狀態(tài)。

（v）O上次處于可見狀態(tài)但當(dāng)前不可見，則連續(xù)消失次數(shù)為1。若n*=1，則生命狀態(tài)轉(zhuǎn)換為撤銷，即直接從S中刪除O。

（vi）O上次處于可見狀態(tài)但當(dāng)前不可見，即連續(xù)消失次數(shù)為1。若n*>1，則生命狀態(tài)轉(zhuǎn)換為隱藏。

（vii）O上次處于不可見狀態(tài)但當(dāng)前可見，轉(zhuǎn)換為可見狀態(tài)。

（viii）O上次處于不可見狀態(tài)而當(dāng)前仍不可見，且連續(xù)消失次數(shù)未達到n*，維持隱藏狀態(tài)。

（ix）O連續(xù)消失次數(shù)達到n*，轉(zhuǎn)換為撤銷狀態(tài)，從S中刪除O。

6 實驗驗證

在某地鐵隧道內(nèi)采集激光點云數(shù)據(jù)，安排4名行人在激光雷達的視場范圍內(nèi)從遠到近接近激光雷達，模擬現(xiàn)實中運動的障礙物。處理在此過程中的連續(xù)多幀數(shù)據(jù)，檢查是否發(fā)生行人的漏檢、誤檢以及行人處于靜止?fàn)顟B(tài)中連續(xù)幀內(nèi)的檢測位置是否劇烈跳動，以驗證本文障礙物檢測算法的效果，實驗結(jié)果如圖8所示。

圖8（a）示出采集的原始點云數(shù)據(jù)，可以看出，除障礙物點云外，還含有大量的隧道壁點云和地面點云。圖8（b）示出隧道側(cè)壁檢測中，擬合所得的邊界曲線和等距曲線。相應(yīng)地，邊界點云濾除的結(jié)果如圖8（c）所示，可以看出，隧道壁點云在此圖中已經(jīng)被成功濾除。繼續(xù)對點云進行地面點云分割，產(chǎn)生的地面點云和障礙物點云分別如圖8（d）、圖8（e）所示，可以看出，二者已經(jīng)被成功分離。最后，對障礙物點云進行目標(biāo)聚類和目標(biāo)跟蹤，輸出的4個障礙物的包圍盒如圖8（f）所示；同時，圖8（f）以文本形式給出了障礙物的ID和位置信息。這4個障礙物的包圍盒即代表了運動的4名行人。由圖8可以看出，采用本文方法成功地實現(xiàn)了對該幀點云中隧道內(nèi)障礙物的檢測。

圖8 實驗結(jié)果Fig.8 Experimental results

同時，對行人從遠到近接近激光雷達這一過程中的多幀數(shù)據(jù)分析結(jié)果表明，本文方法均能成功輸出相應(yīng)的包圍盒；在行人停留在同一位置的連續(xù)幀內(nèi)，行人的位置跳動不超過0.15 m。實驗結(jié)果表明，本文所提方法能夠準(zhǔn)確檢測隧道內(nèi)的障礙物。

7 結(jié)語

本文提出了一種基于激光雷達的隧道內(nèi)障礙物檢測算法，該算法首先對點云中的隧道邊界和地面成分進行濾除，然后對障礙物進行聚類檢測和跟蹤。實測數(shù)據(jù)的處理結(jié)果驗證了本文所提方法在隧道內(nèi)障礙物檢測方面的有效性。需要指出的是，本文方法是基于隧道不發(fā)生分岔的前提；對于隧道分岔的場景，本文方法并不適用，后續(xù)將對此進行研究。