黨相衛(wèi) 秦 斐 卜祥璽 梁興東*

①(中國科學(xué)院空天信息創(chuàng)新研究院微波成像技術(shù)國家級重點(diǎn)實(shí)驗(yàn)室 北京 100190)

②(中國科學(xué)院大學(xué) 北京 100049)

1 引言

智能駕駛代表著現(xiàn)代汽車技術(shù)與產(chǎn)業(yè)發(fā)展的大趨勢，而環(huán)境感知?jiǎng)t是汽車智能駕駛的關(guān)鍵核心技術(shù)，也是學(xué)術(shù)界長期研究的熱點(diǎn)領(lǐng)域[1]。感知技術(shù)主要通過大量車載傳感器為無人駕駛汽車加上了“眼睛”，用以精確識別周邊環(huán)境以保證駕駛的安全性與可靠性[2]。雷達(dá)傳感器、攝像頭等傳感器技術(shù)在智能駕駛中應(yīng)用較多。

毫米波雷達(dá)由于其全天時(shí)全天候的特性，能夠穿云透霧，具有較強(qiáng)的環(huán)境適用性。同時(shí)，毫米波雷達(dá)還能夠通過多普勒效應(yīng)，探測到目標(biāo)的速度信息。和激光雷達(dá)相比，毫米波雷達(dá)的分辨率有限，一般可以得到目標(biāo)的距離、角度、速度等信息，但在高度向上分辨力較差。由于電磁波的傳播特性和物體的非理想散射等，毫米波雷達(dá)數(shù)據(jù)往往受到雜波、噪聲和多徑的影響，雷達(dá)數(shù)據(jù)中存在著虛假目標(biāo)等。這些都限制了其在智能駕駛感知中的應(yīng)用。相機(jī)和激光雷達(dá)傳感器能夠獲取環(huán)境豐富的紋理信息及三維結(jié)構(gòu)信息，但在煙霧、雨雪等情況下，感知能力大大下降甚至失效，如圖1所示。因此，基于多傳感器融合的魯棒的感知已成為智能駕駛的研究熱點(diǎn)[3]。

圖1 煙霧環(huán)境中相機(jī)和激光雷達(dá)數(shù)據(jù)Fig.1 Camera and LiDAR data in a smoky environment

Yamauchi[4]探索了使用超寬帶雷達(dá)、激光雷達(dá)和立體視覺傳感器實(shí)現(xiàn)無人機(jī)的全天候?qū)Ш?。Fritsche等人[5]提出了將雷達(dá)與激光雷達(dá)數(shù)據(jù)進(jìn)行二值決策融合的方法，后來，該團(tuán)隊(duì)提出了加權(quán)融合的方法[6]，以應(yīng)對煙霧等惡劣環(huán)境。此外，他們還探索了在掃描級和地圖級進(jìn)行兩者數(shù)據(jù)融合[7]的可行性。Pritsche等人[8]提出了將激光雷達(dá)和雷達(dá)傳感器的距離數(shù)據(jù)融合，并與熱信息融合，實(shí)現(xiàn)了對事故現(xiàn)場的危險(xiǎn)檢測。Marck等人[9]將來自雷達(dá)的距離信息投射到集成在小型頭戴顯示器上的紅外圖像上，以指示消防員的安全空間。Park等人[10]提出了一種利用雷達(dá)系統(tǒng)在低能見度環(huán)境下進(jìn)行感知的算法。文獻(xiàn)[11–14]提出利用毫米波雷達(dá)與攝像機(jī)的信息融合來檢測前方車輛。但是，上述融合方法由于毫米波雷達(dá)性能的限制，都是簡單的信息疊加，是一個(gè)松耦合，并沒有充分利用各個(gè)傳感器的優(yōu)勢。

本文提出了一種融合毫米波雷達(dá)和激光雷達(dá)的魯棒的感知算法，以滿足智能駕駛在復(fù)雜多變的環(huán)境中魯棒感知的需求，保證汽車的安全。該方法充分發(fā)揮了兩種傳感器的特性，在數(shù)據(jù)層進(jìn)行融合，既保留了激光雷達(dá)準(zhǔn)確的三維感知能力，同時(shí)利用毫米波雷達(dá)穿云透霧的優(yōu)勢，減少煙霧等惡劣環(huán)境對感知的影響。本文的主要?jiǎng)?chuàng)新工作如下：(1)提出了新穎的基于特征的兩步配準(zhǔn)空間校正方法，實(shí)現(xiàn)了空間二維雷達(dá)與三維激光傳感器準(zhǔn)確的空間同步；(2)改進(jìn)了毫米波雷達(dá)濾波算法，減少了噪聲、多徑等對雷達(dá)點(diǎn)云的影響，保證了雷達(dá)點(diǎn)云的準(zhǔn)確可靠；(3)根據(jù)傳感器的測量結(jié)果，提出了新的數(shù)據(jù)融合方法，保證感知的準(zhǔn)確及魯棒性；(4)搭建了硬件系統(tǒng)，進(jìn)行了實(shí)際場景測試，驗(yàn)證了該文算法的有效性，為智能駕駛提供參考。

2 算法概述

本文需要解決的問題可以概括為：使用所搭載的毫米波雷達(dá)和激光雷達(dá)傳感器，獲取周圍環(huán)境信息，然后根據(jù)兩種傳感器的測量數(shù)據(jù)，進(jìn)行合理的融合，得到最準(zhǔn)確的環(huán)境表達(dá)，以此進(jìn)行傳感器的運(yùn)動(dòng)估計(jì)，得到其在環(huán)境中的相對位姿，同時(shí)建立環(huán)境地圖。

本文使用上標(biāo)的大寫字母代表坐標(biāo)系，定義激光雷達(dá)完成一次掃描為一幀數(shù)據(jù)，k表示時(shí)間，Pk表示在時(shí)間k得到的一幀激光點(diǎn)云，毫米波雷達(dá)類似，Ek表示在時(shí)間k得到的一幀毫米波數(shù)據(jù)。本文定義了兩個(gè)三維坐標(biāo)系：其一為激光雷達(dá)坐標(biāo)系Lg，原點(diǎn)為激光雷達(dá)的幾何中心。該坐標(biāo)系中一個(gè)激光點(diǎn)云i,其二為毫米波雷達(dá)坐標(biāo)系Bg，該坐標(biāo)系的原點(diǎn)為毫米波雷達(dá)的幾何中心。該坐標(biāo)系中一個(gè)雷達(dá)數(shù)據(jù)i,

多傳感器信息融合首先要解決時(shí)空同步的問題。本文采取軟硬結(jié)合的方式，通過硬件電路及軟件的方式，實(shí)現(xiàn)兩種傳感器的時(shí)間同步，對于空間同步，本文則采取新穎的基于特征的兩步配準(zhǔn)法，根據(jù)傳感器安裝位置及提取的特征點(diǎn)云匹配，實(shí)現(xiàn)兩個(gè)傳感器的空間校正。然后對兩種傳感器數(shù)據(jù)進(jìn)行預(yù)處理，使用機(jī)器學(xué)習(xí)的方法找到煙霧所對應(yīng)的激光點(diǎn)云，使用改進(jìn)的三級濾波的方法對雷達(dá)點(diǎn)云進(jìn)行濾波。然后根據(jù)提出的融合方法，對兩種數(shù)據(jù)進(jìn)行融合，將融合之后的點(diǎn)云進(jìn)行幀間匹配和全局定位建圖，得到準(zhǔn)確魯棒的定位和建圖結(jié)果，保證無人駕駛的安全可靠。流程如圖2所示。

3 毫米波雷達(dá)融合感知算法

3.1 時(shí)空校正

在多傳感器系統(tǒng)中，由于其自身性能的優(yōu)劣等，各個(gè)傳感器觀測到環(huán)境中的同一目標(biāo)獲取的測量數(shù)據(jù)并不一定同步，需要將各個(gè)傳感器在不同時(shí)刻不同空間獲取的測量數(shù)據(jù)轉(zhuǎn)換到統(tǒng)一的時(shí)空坐標(biāo)下，即進(jìn)行時(shí)空配準(zhǔn)。時(shí)空配準(zhǔn)是實(shí)現(xiàn)多傳感器信息融合前的關(guān)鍵一步。

本文采取硬同步和軟同步相結(jié)合的方法，設(shè)計(jì)了一款基于ARM (Advanced RISC Machine)的嵌入式硬件系統(tǒng)，提供秒脈沖信號(Pulse Per Second,PPS)以供激光雷達(dá)和毫米波雷達(dá)使用，實(shí)現(xiàn)了兩種傳感器的硬同步。但由于兩個(gè)傳感器的開機(jī)時(shí)間、采樣頻率不盡相同，所以在采集數(shù)據(jù)時(shí)，還會(huì)給每種傳感器的數(shù)據(jù)打上時(shí)間標(biāo)簽，以一幀數(shù)據(jù)采集起始時(shí)刻為基準(zhǔn)，根據(jù)該時(shí)間信息，實(shí)現(xiàn)兩種傳感器的時(shí)間同步，時(shí)間同步示意圖如圖3所示。

多傳感器空間校正一般分為兩類：基于人工設(shè)定目標(biāo)的和無需人為設(shè)定目標(biāo)的標(biāo)定校正方法[15]，基于目標(biāo)的標(biāo)定方法費(fèi)時(shí)費(fèi)力，本文新提出一種無需人為設(shè)定目標(biāo)的標(biāo)定方法，如圖4所示，此方法可以隨時(shí)隨地對兩種傳感器進(jìn)行標(biāo)定。

圖4 空間同步流程圖Fig.4 Space synchronization flow chart

由于激光雷達(dá)得到的是三維數(shù)據(jù)，本文將毫米波雷達(dá)轉(zhuǎn)換到激光雷達(dá)坐標(biāo)系下。首先，定義是毫米波雷達(dá)坐標(biāo)系到激光雷達(dá)坐標(biāo)系的變換矩陣，其中，左上角RB_L是旋轉(zhuǎn)矩陣，右側(cè)tB_L是平移向量，左下角為0向量，右下角為1。

這里采取兩步法實(shí)現(xiàn)兩種傳感器的空間校正。在進(jìn)行校正時(shí)，先采取本文提出的三級濾波方法對毫米波點(diǎn)云進(jìn)行濾波，得到純凈的點(diǎn)云，避免噪聲多徑等因素的干擾。提取毫米波的特征點(diǎn)云，通過式(1)計(jì)算毫米波點(diǎn)云的曲率，按照該值進(jìn)行降序排序，選擇一定數(shù)量c最大，并且其強(qiáng)度超過了閾值(由區(qū)域內(nèi)點(diǎn)云強(qiáng)度的均值及標(biāo)準(zhǔn)差確定)的點(diǎn)作為特征點(diǎn)。為了保證所選的特征點(diǎn)云能均勻地分布在整個(gè)場景，本文將整個(gè)空間均勻劃分為幾塊，在每塊區(qū)域中選擇相同數(shù)量的特征點(diǎn)。

其中，S為連續(xù)的毫米波雷達(dá)點(diǎn)云集合，由成，同一幀數(shù)據(jù)中前后的點(diǎn)云。

然后根據(jù)各個(gè)傳感器的安裝位置，得到初始的旋轉(zhuǎn)矩陣Rfir和平移向量tfir，將提取的毫米波雷達(dá)特征點(diǎn)云轉(zhuǎn)換到激光雷達(dá)坐標(biāo)系下，得到成初始校正。

最后，根據(jù)最近點(diǎn)迭代算法，計(jì)算轉(zhuǎn)換后的雷達(dá)特征點(diǎn)云與所有激光點(diǎn)云之間的旋轉(zhuǎn)矩陣Rsec及平移向量tsec。

根據(jù)以上計(jì)算結(jié)果，可以得到最終的旋轉(zhuǎn)矩陣RB_L及平移向量tB_L，從而得到變換矩陣TB_L，完成兩種傳感器的空間校正。

通過利用激光雷達(dá)和毫米波雷達(dá)傳感器之間的安裝位置及所感知的環(huán)境信息進(jìn)行傳感器校正，不需要設(shè)計(jì)特殊的標(biāo)定目標(biāo)，能夠快速地實(shí)現(xiàn)兩種傳感器的空間校正。本文的標(biāo)定方法具有自動(dòng)和無目標(biāo)的特性，可以隨時(shí)隨地對激光雷達(dá)和毫米波雷達(dá)傳感器進(jìn)行標(biāo)定，根據(jù)測試可知，相對于使用全部點(diǎn)云進(jìn)行匹配，本文方法能夠節(jié)省3倍左右的計(jì)算時(shí)間。通過本文提出的兩步法得到的校正結(jié)果如圖5所示，白色的點(diǎn)云為毫米波點(diǎn)云，彩色的為激光點(diǎn)云，未校正之前兩者差別較大，通過兩步配準(zhǔn)后，可以實(shí)現(xiàn)精確的空間同步。

圖5 多傳感器空間校正結(jié)果Fig.5 Multi-sensor spatial calibration results

3.2 數(shù)據(jù)預(yù)處理

本文采取的毫米波雷達(dá)為調(diào)頻連續(xù)波體制，具體參數(shù)如表1所示。將雷達(dá)回波數(shù)據(jù)進(jìn)行脈沖壓縮，并結(jié)合轉(zhuǎn)臺信息，可以得到環(huán)境掃描圖像，然后根據(jù)目標(biāo)檢測算法[16]，能夠得到類似激光點(diǎn)云的毫米波點(diǎn)云。但是，毫米波雷達(dá)常常會(huì)受到噪聲、雜波及多徑的影響，從而產(chǎn)生許多虛假目標(biāo)等，如圖6(a)所示，為后續(xù)的數(shù)據(jù)融合帶來不便。因此，本文提出了三級濾波的方法，對雷達(dá)點(diǎn)云進(jìn)行處理，得到純凈的點(diǎn)云。

表1 毫米波雷達(dá)系統(tǒng)參數(shù)Tab.1 Millimeter wave radar system parameters

由于毫米波數(shù)據(jù)中包含著目標(biāo)的距離、方位、速度和反射強(qiáng)度等信息，所以第1步根據(jù)強(qiáng)度信息進(jìn)行初級濾波。首先統(tǒng)計(jì)所有點(diǎn)的強(qiáng)度的均值及標(biāo)準(zhǔn)差，確定強(qiáng)度閾值(均值減去n倍的標(biāo)準(zhǔn)差)，將點(diǎn)云強(qiáng)度低于一定閾值的點(diǎn)剔除掉，完成初級濾波。同時(shí)，由于噪聲、雜波等因素產(chǎn)生的點(diǎn)云都比較孤立且分散，所以利用點(diǎn)云之間的位置關(guān)系再次進(jìn)行濾波。根據(jù)點(diǎn)云的位置，搜索距離該點(diǎn)云最近的一定數(shù)量的點(diǎn)云，計(jì)算該點(diǎn)與臨近點(diǎn)云之間的平均距離，統(tǒng)計(jì)所有平均距離的均值及標(biāo)準(zhǔn)差，確定距離閾值(均值加減n倍的標(biāo)準(zhǔn)差)，如果平均距離大于距離閾值，則認(rèn)為這些點(diǎn)是比較孤立的點(diǎn)進(jìn)行去除。最后，設(shè)置濾波器的搜索半徑，在設(shè)定半徑范圍內(nèi)進(jìn)行點(diǎn)云搜索，統(tǒng)計(jì)其內(nèi)部的點(diǎn)云數(shù)量，若點(diǎn)云數(shù)量低于一定的閾值，則進(jìn)行濾除，具體流程如圖7所示。

圖7 毫米波雷達(dá)點(diǎn)云三級濾波流程圖Fig.7 Three-stage filtering flow chart of millimeter wave radar point cloud

通過上述三級濾波，能夠?qū)⒂稍肼?、雜波及多徑等因素產(chǎn)生的離群點(diǎn)、孤立點(diǎn)及虛假目標(biāo)等剔除掉，從而保留環(huán)境中真實(shí)存在的并且具有較強(qiáng)反射特性比較穩(wěn)定的點(diǎn)云，如圖6所示。

圖6 毫米波雷達(dá)點(diǎn)云濾波結(jié)果Fig.6 Millimeter wave radar point cloud filtering results

由于激光雷達(dá)很難穿透煙霧等小顆粒，煙霧的存在會(huì)遮擋環(huán)境中其他物體，影響智能駕駛的感知，同時(shí)激光雷達(dá)會(huì)把煙霧當(dāng)作障礙物，建立到環(huán)境地圖中，從而影響了后續(xù)的導(dǎo)航，需要進(jìn)行剔除。但是，激光點(diǎn)云只包含位置和強(qiáng)度信息，很難通過單一的強(qiáng)度或者位置信息將環(huán)境中的煙霧識別出來，所以本文借鑒機(jī)器學(xué)習(xí)的方法，采取支持向量機(jī)(Support Vector Machines,SVM)[17]，對我們的數(shù)據(jù)進(jìn)行訓(xùn)練，在更高維度找出煙霧與其他物體的不同特征，從而實(shí)現(xiàn)煙霧點(diǎn)云的識別。

SVM是一種有監(jiān)督的學(xué)習(xí)，其目的是尋找一個(gè)超平面來對樣本進(jìn)行分割，SVM的基本想法是求解能夠正確劃分訓(xùn)練數(shù)據(jù)集并且?guī)缀伍g隔最大的分離超平面。假設(shè)訓(xùn)練集其類別yi 20,1g，SV M通過學(xué)習(xí)得到分離超平面wTx+b=0。這樣的超平面有無窮多個(gè)，但是幾何間隔最大的分離超平面卻是唯一的，因此可以轉(zhuǎn)換為最優(yōu)問題進(jìn)行求解

對于煙霧點(diǎn)云的識別，本文采取徑向基核函數(shù)將激光點(diǎn)云映射到更高維度，通過間隔最大化，將煙霧點(diǎn)云與其他物體分隔開。本文采集了不同場景不同能見度情況下的煙霧環(huán)境的激光點(diǎn)云，由于場景是已知可控的，手工進(jìn)行打標(biāo)簽，煙霧點(diǎn)云標(biāo)簽為–1，即labj=-1，其他為1，并且將地面點(diǎn)云進(jìn)行剔除，然后選擇這些數(shù)據(jù)中的80%進(jìn)行訓(xùn)練，選擇剩下20%進(jìn)行測試，訓(xùn)練集的正確率為99.95%，測試集的正確識別率為96.87%。一幀激光數(shù)據(jù)的測試結(jié)果如圖8所示，紅色為識別到的煙霧點(diǎn)云。

圖8 激光雷達(dá)點(diǎn)云煙霧識別結(jié)果Fig.8 LiDAR point cloud smoke recognition results

3.3 數(shù)據(jù)融合

由于毫米波雷達(dá)具有多普勒效應(yīng)，能夠識別環(huán)境中的動(dòng)態(tài)目標(biāo)，而動(dòng)目標(biāo)的存在影響智能駕駛的定位。根據(jù)我們之前提出的動(dòng)目標(biāo)去除方法[18,19]，可以得到動(dòng)態(tài)和靜態(tài)的點(diǎn)云數(shù)據(jù)，將靜態(tài)點(diǎn)云進(jìn)行融合，用于定位，而動(dòng)態(tài)數(shù)據(jù)則用于避障。

由于傳感器的性能不同，不同傳感器具有不同的視場范圍，本文所使用激光雷達(dá)屬于商業(yè)產(chǎn)品，視場范圍是確定的，而毫米波雷達(dá)則可以根據(jù)我們的需求進(jìn)行調(diào)整，所以，根據(jù)毫米波雷達(dá)的性能及激光雷達(dá)的參數(shù)，確定兩種傳感器的融合范圍η=[rmin,rmax,θmin,θmax]，其中r為距離向的限制，θ為角度向的限制。利用兩種傳感器的優(yōu)勢，融合激光雷達(dá)和毫米波雷達(dá)數(shù)據(jù)，形成融合數(shù)據(jù)SFusion。

融合后的數(shù)據(jù)SFusion應(yīng)該包括毫米波雷達(dá)點(diǎn)云激光雷達(dá)點(diǎn)云毫米波雷達(dá)和激光雷達(dá)融合后點(diǎn)云XF。如果在融合范圍內(nèi)，毫米波雷達(dá)點(diǎn)i和激光點(diǎn)云j之 間的距離小于閾值dF，則認(rèn)為它們代表了環(huán)境中的同一物體。因此可以根據(jù)式(6)進(jìn)行融合。

其中，σradar和σLiDAR是兩種傳感器的測量誤差。

如果激光雷達(dá)點(diǎn)和毫米波雷達(dá)的相對應(yīng)點(diǎn)在融合范圍η內(nèi)，但彼此之間的距離大于dF，則可能是激光雷達(dá)受到了環(huán)境中煙霧的影響，這時(shí)候需要用毫米波雷達(dá)點(diǎn)云替代激光雷達(dá)的點(diǎn)。由于我們對激光點(diǎn)云進(jìn)行了識別，這時(shí)檢查激光點(diǎn)云的標(biāo)簽是否為–1，如果是，這表明是由于煙霧的影響產(chǎn)生的點(diǎn)云，則用毫米波數(shù)據(jù)進(jìn)行替換。如果發(fā)現(xiàn)不是煙霧點(diǎn)云，由于激光雷達(dá)的測量相對更準(zhǔn)確一些，則認(rèn)毫米波數(shù)據(jù)為虛假目標(biāo)，進(jìn)行剔除，選擇相信激光雷達(dá)的測量。如果兩種傳感器的測量在融合范圍η之外，那么只有測量范圍較大的傳感器才能對融合有貢獻(xiàn)，所以選擇有測量數(shù)據(jù)的結(jié)果進(jìn)行融合。所有情況總結(jié)為

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的有效性，使用自己搭建的輪式機(jī)器人系統(tǒng)進(jìn)行了不同場景下的驗(yàn)證。首先，傳感器保持不動(dòng)，在傳感器前方模擬煙霧場景，采集激光雷達(dá)和毫米波雷達(dá)的數(shù)據(jù)，進(jìn)行環(huán)境感知，結(jié)果如圖9所示。環(huán)境中的煙霧會(huì)被當(dāng)作障礙物建立在點(diǎn)云地圖中，不利于機(jī)器人的自主導(dǎo)航，同時(shí)由于煙霧的遮擋，場景中的幾輛汽車無法被探測到(紅色矩形標(biāo)注位置)，所以煙霧環(huán)境下，激光雷達(dá)的感知能力會(huì)大大下降。然而，毫米波雷達(dá)能夠穿云透霧，可以探測到煙霧后面的車輛。使用本文的融合方法，將兩者數(shù)據(jù)進(jìn)行融合，最終得到的環(huán)境地圖如圖9(c)所示?？梢钥闯觯疚牡乃惴軌蛴行У貙熿F進(jìn)行去除，同時(shí)把隱藏在煙霧后面的物體探測出來，有利于機(jī)器人在煙霧環(huán)境中的感知及導(dǎo)航。

圖9 煙霧環(huán)境下實(shí)驗(yàn)結(jié)果Fig.9 Experimental results in smoky environment

為了進(jìn)一步驗(yàn)證我們提出的融合方法對感知性能的提升，我們進(jìn)行了另一組實(shí)驗(yàn)。在實(shí)驗(yàn)場景中，采用煙霧發(fā)生器模擬了煙霧場景，車輛按照預(yù)先設(shè)定的路線前進(jìn)，同時(shí)采集兩種傳感器的數(shù)據(jù)，分別使用兩種傳感器基于開源的LOAM (Lidar Odometry And Mapping)[20]進(jìn)行定位和建圖，結(jié)果如圖10所示。從結(jié)果可以看出，煙霧的存在會(huì)影響激光雷達(dá)的幀間匹配，使得建立的環(huán)境地圖比較模糊，環(huán)境中同一個(gè)墻會(huì)有多個(gè)重影(粉色橢圓標(biāo)注)。對于毫米波雷達(dá)來說，由于其分辨率有限，且只能得到場景空間二維數(shù)據(jù)，并且受到各種干擾，只能得到粗略的二維點(diǎn)云圖。

為了提高機(jī)器人定位精度，對兩種傳感器數(shù)據(jù)進(jìn)行融合，得到的結(jié)果如圖11所示。紅色的點(diǎn)云表示毫米波雷達(dá)的測量，紫色的點(diǎn)云表示激光雷達(dá)的測量，綠色的表示兩者加權(quán)融合的結(jié)果，從中可以看出，毫米波雷達(dá)能夠很好地將煙霧點(diǎn)云去除，并將受煙霧影響的區(qū)域進(jìn)行補(bǔ)償，驗(yàn)證了我們?nèi)诤戏椒ǖ挠行浴?/p>

使用融合之后的點(diǎn)云采取相同的算法進(jìn)行機(jī)器人的定位和建圖，結(jié)果如圖12和圖13所示。與圖10對比可以發(fā)現(xiàn)，將兩種傳感器的數(shù)據(jù)進(jìn)行融合之后進(jìn)行定位和建圖效果更好。首先，融合之后建立的地圖中的重影消失了，更加接近真實(shí)場景。其次，為了定量化評估建圖結(jié)果本文選擇了環(huán)境中固定不變的建筑物的結(jié)構(gòu)(兩墻之間的距離，即圖10中線段A所示)來評估。使用激光測距儀得到的真實(shí)距離為62.50 m，圖10(b)中的線段A長度為63.78 m，而使用融合之后數(shù)據(jù)得到的結(jié)果，即圖12(b)中線段B的長度為62.32 m。所以，融合之后建立的環(huán)境地圖更加準(zhǔn)確。

圖10 使用激光雷達(dá)和毫米波雷達(dá)進(jìn)行感知建圖結(jié)果Fig.10 The mapping results based on LiDAR and millimeter-wave radar

圖11 煙霧環(huán)境中多傳感器數(shù)據(jù)融合結(jié)果Fig.11 Multi-sensor data fusion results in a smog environment

圖12 傳感器數(shù)據(jù)融合之后建圖結(jié)果Fig.12 Mapping results after sensor data fusion

圖13 使用不同傳感器數(shù)據(jù)定位結(jié)果Fig.13 The localization results using different sensor data

為了定量化地分析結(jié)果，本文使用絕對位置的均方根誤差(Root Mean Square Error,RMSE)，來比較使用不同數(shù)據(jù)時(shí)得到的定位精度。

其中，n是估計(jì)的次數(shù)，是第i次估計(jì)的位置結(jié)果，是其對應(yīng)的真實(shí)位置。使用該評價(jià)標(biāo)準(zhǔn)計(jì)算得到：僅使用激光雷達(dá)進(jìn)行定位的誤差為0.27 m，只使用毫米波雷達(dá)進(jìn)行定位的誤差為0.32 m，將兩種傳感器進(jìn)行融合之后定位的誤差為0.13 m?？梢园l(fā)現(xiàn)，多傳感器融合能夠有效提高機(jī)器人的定位精度，定位誤差減少了至少50%，建立更精準(zhǔn)的環(huán)境地圖，更有利于實(shí)現(xiàn)智能駕駛。

5 結(jié)束語

總而言之，智能駕駛汽車系統(tǒng)在研發(fā)與應(yīng)用階段，毫米波雷達(dá)是一種重要設(shè)備，在汽車自動(dòng)駕駛中，由于外界環(huán)境的變化較大，往往會(huì)面臨未知的不利因素，通過將毫米波雷達(dá)和激光雷達(dá)進(jìn)行有效的融合，大幅度提高了無人駕駛汽車在感知技術(shù)的性能，保障了無人駕駛的安全。通過本文提出的兩步配準(zhǔn)方法，可以實(shí)現(xiàn)兩種傳感器精準(zhǔn)的空間同步。通過改進(jìn)的三級濾波法，減少了各種噪聲雜波等對雷達(dá)數(shù)據(jù)的影響。最終通過本文提出的數(shù)據(jù)融合方法，可以將兩種傳感器的數(shù)據(jù)進(jìn)行精確融合，既去除了煙霧對激光雷達(dá)的影響，同時(shí)還能夠保留環(huán)境精準(zhǔn)的感知結(jié)果。最后通過各種實(shí)驗(yàn)驗(yàn)證了本文方法的有效性，將兩種傳感器的數(shù)據(jù)進(jìn)行融合，能夠有效地提高汽車的定位和建圖精度，保證了智能駕駛感知的魯棒性。