陳 俊 周若愚 蒯陳辰 盛稚嚴 陳 乾

(1河海大學土木與交通學院, 南京 210098)(2東南大學交通學院, 南京 211189)

無人駕駛是智能交通的發(fā)展趨勢,也是未來交通運輸?shù)谋厝恍枨骩1].無人駕駛時車輛制動、加速、變道等策略,除了受交通狀況、車輛因素影響之外,還取決于道路表面狀態(tài),尤其是路表構(gòu)造深度和紋理[2-4].自動、實時、完整地獲取路表構(gòu)造和紋理信息,并及時制定合理的駕駛策略是無人駕駛車輛安全行駛的基本要求.

目前,測試道路表面構(gòu)造的方法包括2種:接觸式和非接觸式.其中,接觸式測量主要采用鋪砂法、擺式儀、旋轉(zhuǎn)式或連續(xù)式摩擦系數(shù)測試儀等,對路表構(gòu)造或摩擦系數(shù)進行定點測量,這類方法不僅受人為因素影響大,且獲取的路表構(gòu)造信息有限,測試效率較低[5-6],無法滿足無人駕駛車輛對路表構(gòu)造快速、實時獲取的要求.非接觸式測量主要包括激光測量法、工業(yè)CT掃描法、近景攝影測量法等.其中,激光測量法僅適用于干燥瀝青路面,且激光測試設備十分昂貴[7];CT掃描技術(shù)只能在室內(nèi)對試件進行掃描,需提前對瀝青路面鉆孔取芯[8-9],無法滿足無人駕駛車輛對路表構(gòu)造特征的實時獲取要求.

近景攝影測量是對物距不大于300 m的目標物進行多角度的環(huán)繞拍照,由各圖像間數(shù)字特征匹配和點云數(shù)據(jù)重構(gòu)路表構(gòu)造,并提取構(gòu)造特征信息[10],具有測試時間短、效率高等優(yōu)點[11-14].陳嘉穎等[15]根據(jù)近景攝影測量原理采用環(huán)形分布的3個相機,結(jié)合圖像算法,快速重構(gòu)了瀝青混合料表面三維構(gòu)造.但是,無人駕駛車輛僅能在窄角度范圍內(nèi)獲取前方或者后方路表的圖像,難以做到對路表的多角度環(huán)繞拍攝,導致環(huán)繞近景攝影無法直接應用于無人駕駛車輛.而基于前后兩車窄角域攝影(前車向后拍攝+后車向前拍攝)的路表構(gòu)造重建,能夠獲得前后兩車之間路段上的路表構(gòu)造,從而為后車制定無人駕駛策略提供實時路表參數(shù).因此,建立基于雙側(cè)窄角域攝影的路面構(gòu)造重構(gòu)方法,并對路表構(gòu)造信息進行全面評價,對于無人駕駛技術(shù)發(fā)展意義重大.

本文采用雙側(cè)窄角域攝影技術(shù),結(jié)合多圖片數(shù)字特征匹配方法,建立瀝青路表三維構(gòu)造重構(gòu)方法;通過與鋪砂法獲得的構(gòu)造深度、經(jīng)典環(huán)繞攝影獲得的三維點云比較,驗證本文方法的正確性;將該方法應用于3種類型瀝青混合料表面構(gòu)造的重構(gòu)中,建立平均構(gòu)造深度、構(gòu)造標準差、單位面積上峰數(shù)、峰高標準差等新指標來全面評價路表構(gòu)造信息.

1 瀝青混合料表面構(gòu)造三維重構(gòu)方法

本文瀝青混合料表面三維構(gòu)造的重構(gòu)主要包括3個步驟:圖像采集及處理、三維點云構(gòu)建、表面模型重建.

1.1 圖像采集及處理

根據(jù)圖1所示的無人駕駛車輛攝影原理,本文在瀝青混合料左右兩側(cè)均進行窄角域拍攝,拍攝范圍為混合料上表面標尺內(nèi)部的方形區(qū)域(長210 mm、寬120 mm),兩側(cè)機位與拍攝區(qū)域中心的水平距離為30 cm,相機光軸與水平方向夾角在45°～60°內(nèi),如圖2所示.對所有圖像進行畸變校正、切割、對比度增強、陰影去除、降噪等處理[16].圖像處理后,瀝青混合料表面特征點在每一張相片上均留下印記.

圖1 前后兩側(cè)窄角域攝影的路表重構(gòu)及其與駕駛策略關(guān)系

圖2 對瀝青混合料左右兩側(cè)的窄角域攝影

1.2 三維點云構(gòu)建

構(gòu)建點云的核心是由相片上特征點的二維坐標,反推出特征點在混合料表面的三維坐標.以圖2為例,根據(jù)相片1和相片2上P′和P″在相片上的平面坐標,確定點P在混合料表面的三維坐標,具體步驟如下:

① 特征點匹配.參照文獻[17],采用局部特征向量描述相片圖像內(nèi)各點的方向、尺度和位置特征,當一張圖像中某點局部特征向量與其他圖像某點特征向量的歐氏距離最小時,該兩點為特征點對,完成匹配.圖1中P′和P″即為瀝青混合料表面P點在2張相片上匹配出的特征點對.

② 坐標系轉(zhuǎn)換.被攝瀝青混合料所在地面坐標系為OXYZ,機位1坐標系為o′x′y′z′,機位2坐標系為o″x″y″z″.在相機焦距為f時,確定P′在機位1坐標系內(nèi)的坐標(x1,y1,f),并將其轉(zhuǎn)化為P′在地面坐標系的坐標(X1,Y1,Z1),即

(1)

③ 特征點坐標求解.根據(jù)o′P′P、o″P″P三點共線,可得

(2)

(3)

聯(lián)立式(2)和(3),求解點P在地面坐標系的坐標(X,Y,Z),獲得所有特征點在瀝青混合料表面三維空間的坐標,即三維點云數(shù)據(jù).采用Python語言,對路表三維點云的上述構(gòu)建方法進行編譯,以滿足無人駕駛車輛快速、實時地根據(jù)路表圖像獲取三維點云的要求.

1.3 三維模型重建

根據(jù)混合料表面各個特征點的三維坐標,由VisualSFM平臺建立三維點云,并采用MeshLab軟件刪除雜點后完成表面實體建模.采用Geomagic Design X軟件,對混合料表面矩形框尺(見圖2)的角點進行坐標系調(diào)整,并按框尺長度進行校準或比例縮放.

2 表面三維構(gòu)造重建方法的驗證

2.1 室內(nèi)驗證

對瀝青路表普遍使用的AC-13、SMA-13和OGFC-13混合料,按表1所示級配和瀝青用量在室內(nèi)成型車轍板.按照上文方法,獲得了3種混合料車轍板表面長210 mm、寬120 mm范圍內(nèi)的點云,并重構(gòu)了它們的表面三維構(gòu)造,如圖3所示.可見,3種混合料表面完成匹配的三維點云密度d(即單位面積上特征點數(shù)量)在170個/cm2以上,點云密集,由此重構(gòu)的混合料表面構(gòu)造也十分細膩,每cm2表面三角片數(shù)量ft在460個以上.這說明結(jié)合雙側(cè)窄角域攝影和特征點匹配,能夠計算出混合料表面大量密集特征點的三維坐標,并重構(gòu)出表面的三維構(gòu)造.

表1 3種瀝青混合料的級配和瀝青用量

(a) 車轍板

(b) 表面點云

(c) 三維構(gòu)造

在Matlab中對尺寸為210 mm×120 mm的模型,按線性插值法,生成大小為2 101×1 201的表面豎向坐標矩陣,矩陣每行/列相鄰兩點的水平距離為0.1 mm.按下式計算平均構(gòu)造深度dMTD:

(4)

式中,Zp為計算區(qū)域內(nèi)路表最高點的豎向坐標值;Z(xi,yj)為(xi,yj)處路表豎向坐標值;M,N分別為路表深度矩陣在x,y方向上點的個數(shù).

分別采用鋪砂法和環(huán)繞攝影法測試混合料板表面的構(gòu)造深度,并與按式(4)計算的平均構(gòu)造深度進行比較,結(jié)果如圖4所示.此外,考慮到環(huán)繞攝影已被文獻[15]證明是重構(gòu)路表構(gòu)造的正確方法,本文對3種瀝青混合料板進行環(huán)繞攝影及三維建模,并計算平均構(gòu)造深度,結(jié)果見圖4.

圖4 3種瀝青混合料表面構(gòu)造深度

由圖4可看出,對于AC-13和SMA-13瀝青混合料,采用本文雙側(cè)窄角域攝影建模后計算得到的構(gòu)造深度,與經(jīng)典環(huán)繞法攝影計算值、鋪砂法實測值差異很小.對于OGFC-13這種多孔隙瀝青混合料,計算值與實測值的差異僅為9.1%,造成這種差異的原因是:平均構(gòu)造深度計算值是混合料表面各點和表面最高點高度差的平均值,而鋪砂法測試時表面鋪開的細砂可能沒有完全達到表面最高點.3種瀝青混合料構(gòu)造深度計算值與實測值的較小差異,證明了雙側(cè)窄角域攝影重構(gòu)混合料表面構(gòu)造方法的正確性.

2.2 室外驗證

選擇表面構(gòu)造差異顯著的6個路段,對每個路段內(nèi)12個測點(相鄰測點間隔60 cm)分別進行雙側(cè)窄角域攝影和鋪砂法試驗,并以12個測點構(gòu)造深度均值作為路段的構(gòu)造深度,結(jié)果如圖5所示.由圖可見,6個路段因混合料級配、使用年限等差異,表面構(gòu)造深度差異很大,范圍為0.41～0.83 mm.但是,同一路段構(gòu)造深度的實測值與計算值基本相同,兩者擬合后線性相關(guān)度高達0.967 6,呈現(xiàn)良好的線性關(guān)系.這表明基于雙側(cè)窄角域攝影的瀝青路表三維重構(gòu)方法不僅適用于室內(nèi)壓實混合料,也適用于野外實際路面構(gòu)造深度的測量.

圖5 路表構(gòu)造深度計算值與鋪砂法實測值的關(guān)系

2.3 不同光照強度下建模方法適用性分析

在晴天12:00、14:00、16:00、18:00和20:00這5個時刻,分別采用光照計測量太陽光照強度,并根據(jù)上述雙側(cè)窄角域攝影建模方法,對路表同一區(qū)域(210 mm×120 mm)重構(gòu)模型,計算三維點云密度d和平均構(gòu)造深度,結(jié)果如表2所示.可看出,在光線充足的白天,雙側(cè)窄角域拍攝的圖像能夠完成三維建模,且12:00～18:00之間4個時刻匹配出的特征點數(shù)量差異較小,計算出的構(gòu)造深度幾乎沒有差異,但在20:00光線不良時,圖像間匹配成功的特征點十分有限,無法重構(gòu)清晰的路表構(gòu)造.因此,雙側(cè)窄角域拍攝應用于夜晚光線暗淡條件需借助外部光源.

表2 不同時刻下路表同一區(qū)域的構(gòu)造重構(gòu)

在夜晚時分,采用3種模式(相機+手電照明、相機+閃光燈、夜景)對路表同一區(qū)域(210 mm×120 mm)進行圖像采集,構(gòu)建三維點云和模型,并與白天光線充足條件下實驗結(jié)果進行比較,如表3所示.盡管夜晚條件下相機+手電照明、相機+閃光燈模式下三維點云密度d均少于白天光線充足時,但上述2種模式下獲得的平均構(gòu)造深度僅略小于白天攝影獲得的平均構(gòu)造深度.這說明借助合適的外部光源,本文的建模方法依然能夠獲得足夠大的特征點密度,適用于野外光線不良條件.

表3 3種外部光源模式與白天建模效果的比較

3 路面建模方法應用于無人駕駛的可行性分析

除了通過室內(nèi)外測試驗證建模方法的正確性之外,本文從硬件要求、建模精度、應用于無人駕駛車輛的可行性等方面[12-15]，對基于雙側(cè)窄角域攝影的建模方法、經(jīng)典環(huán)繞攝影的建模方法和傳統(tǒng)雙目視覺的建模方法進行了比較,如表4所示.可看出,相比于傳統(tǒng)雙目攝影建模方法,本文建立的雙側(cè)窄角域攝影建模方法通過更多的攝像頭實現(xiàn)了更高精度的建模,而與經(jīng)典環(huán)繞攝影建模方法相比,本文方法通過車頭攝像頭向前拍攝+車尾攝像頭向后拍攝,更易應用于無人駕駛汽車上.此外,路表建模和構(gòu)造特征計算效率是評價各種方法應用于無人駕駛可行性的重要指標,由于表4所列3種方法所用相機數(shù)量較少,在當前計算機芯片數(shù)據(jù)處理能力不斷提高的背景下,3種方法計算效率差異應不大.因此,從建模精度、應用難度、計算效率等角度評判,基于雙側(cè)窄角域攝影的建模方法應用于無人駕駛具有可行性.

表4 路表構(gòu)造3種測試方法的比較

4 混合料表面三維構(gòu)造特征分析

4.1 混合料表面構(gòu)造深度分布特征

本文從混合料表面各點深度均值和深度離散程度2個方面,分析混合料構(gòu)造分布特征.采用MATLAB提取瀝青混合料表面(范圍為21 cm×12 cm)各特征點坐標,繪制各特征點的豎向深度圖,如圖6所示,其中標尺的零點為混合料表面豎向最高處,x和y方向與圖2一致.由圖可直觀看出,3種瀝青混合料表面均凹凸不平,根據(jù)深度標尺可看出,AC-13表面凹凸程度最小,OGFC-13表面凹凸程度最大,這與密級配和開級配混合料表面特征相符.為了分析混合料表面深度分布,對圖6中表面各特征點的深度數(shù)據(jù)進行統(tǒng)計,結(jié)果如圖7所示.

由圖7可見,AC-13表面90%以上構(gòu)造主要集中在0～1.5 mm較窄范圍內(nèi),構(gòu)造深度標準差σ1僅為0.343 mm,構(gòu)造深度較集中、單一.與AC-13不同,SMA-13、OGFC-13構(gòu)造深度范圍較廣,尤其是OGFC-13,其表面各點構(gòu)造深度在0.5～3.5 mm的較大范圍內(nèi)都有分布,既有淺構(gòu)造,又有深構(gòu)造,構(gòu)造深度標準差達到0.596 mm.

4.2 單位面積上峰數(shù)及峰高標準差

在上述混合料表面模型上,混合料表面的波峰是凸出的集料顆粒,單位面積上峰的數(shù)量越多,說明與路表輪胎接觸的集料越多,路/胎有效接觸面積越大,在外荷載不變時,這些集料受力越小,被磨速率越小.此外,凸出集料被磨光速率還受顆粒高度差異的影響,凸出集料顆粒的高度越接近,集料顆粒受外力作用就越均勻,被磨速率就越慢.因此,在上述建立的混合料表面三維模型的基礎上,統(tǒng)計分析水平單位面積上峰數(shù)及峰高離散程度具有實際意義.

(a) AC-13(dMTD=0.918 mm)

(a) AC-13(σ1=0.343 mm)

參考文獻[19-20]胎/路接觸應力分析中有關(guān)接觸構(gòu)造的定義,本文將高于平均構(gòu)造深度的路表局部最高點認為是峰,如圖8所示,采用Matlab內(nèi)自編子程序,識別3種瀝青混合料表面(范圍為21 cm×12 cm)波峰,并計算單位面積上峰數(shù)N及峰高標準差σ2,結(jié)果如圖9所示.3種瀝青混合料中,單位面積上AC-13擁有最多的波峰和最小的峰高標準差,而OGFC-13單位面積上波峰數(shù)最少,峰高標準差最大.由此可以推測,AC-13與輪胎有效接觸面積最大,且輪胎與AC-13接觸應力較均勻,應力集中程度較低,而OGFC-13因較大的峰高標準差、較少的波峰,其與輪胎接觸存在相對較高的應力集中.接觸應力集中將導致OGFC-13表面磨耗或磨光較快,這與文獻[19-20]的結(jié)論相符.可見,本文提出的混合料單位面積上峰數(shù)、峰高標準差,可以間接反映胎/路接觸應力均勻性,為從減緩集料磨耗角度進行混合料級配優(yōu)化提供了新思路.

圖8 胎/路接觸處路表構(gòu)造特征

4.3 混合料表面構(gòu)造的方向差異性

無人駕駛時車輛的制動和變道策略,分別與路表縱向和橫向構(gòu)造密切相關(guān),為了分析混合料表面構(gòu)造在水平2個方向上的差異性,在重建的混合料表面模型中沿x方向和y方向分別截取斷面,繪制斷面上的構(gòu)造輪廓曲線(見圖10),并分別計算2個方向上斷面的單峰平均間距和平均斷面深度.

圖9 混合料表面波峰、單位面積上波峰數(shù)及峰高標準差

圖10 混合料斷面輪廓特征

單峰平均間距S的計算公式為

(5)

式中,Si為斷面上相鄰兩峰(局部最高點)的水平距離;n為峰的總數(shù)量.

平均斷面深度dMPD的計算公式為

(6)

式中,zp為斷面上最高點的豎向坐標值;z(xi)為在斷面x方向上第i個點的豎向坐標值;K為組成斷面圖的散點個數(shù).

圖11為瀝青混合料表面2個方向上單峰平均間距和平均斷面深度.由圖可知,3種混合料表面x方向與y方向的單峰平均間距和平均斷面深度均沒有明顯差異,說明混合料表面構(gòu)造在2個方向上差異不明顯,無人駕駛車輛橫向變道和縱向加速制動過程中,可采用同一構(gòu)造特征,無需考慮構(gòu)造的方向差異性.

(a) 單峰平均間距

(b) 平均斷面深度

5 結(jié)論

1) 通過雙側(cè)窄角域拍攝圖像的特征點匹配、坐標系轉(zhuǎn)化和三維坐標計算,能夠建立路表三維點云,實現(xiàn)對三維構(gòu)造的重建.

2) 基于雙側(cè)窄角域攝影重構(gòu)計算得到的路表構(gòu)造深度,與環(huán)繞攝影建模、鋪砂法所測構(gòu)造深度相當,雙側(cè)窄角域攝影表面重構(gòu)方法適用于光線充足的白天和合適外部光源的夜晚.

3) 提出了采用平均構(gòu)造深度和構(gòu)造標準差評價路表構(gòu)造分布特征,采用單位面積上峰數(shù)和峰高標準差間接反映路表波峰耐磨特性.

4) 本文提出的瀝青路表三維重構(gòu)及構(gòu)造特征分析方法,在無人駕駛應用中可以采用前車向后拍攝+后車向前拍攝方式加以實施,以獲取兩車之間區(qū)域路表構(gòu)造特征,為后車制定無人駕駛策略提供路表參數(shù).但是,有關(guān)路表構(gòu)造的自動化重建、構(gòu)造特征計算效率、攝影參數(shù)(距離、角度)等還有待后續(xù)深入研究.