黨亞南，田照星，郭利強

(中北大學 信息與通信工程學院，太原 030051)

0 引言

隨著自動化技術與人工智能技術的相互融合快速發(fā)展，自動駕駛車輛應運而生，它可以減少因人為原因導致的交通事故，也可以為殘疾人、行動不便老年人等提供開車的權力，人工智能合理的路徑規(guī)劃也可以節(jié)約駕駛時間。激光雷達傳感器因具備探測精度高、穿透能力強和能夠三維成像等優(yōu)點，常常被搭載在自動駕駛車輛來實現對車輛周身環(huán)境的感知。

在國外，對車載激光雷達技術研究具有代表性的機構主要有美國麻省理工學院的林肯實驗室、韓國工業(yè)技術研究院和三星機電有限公司等[1-4]。1998年，美國麻省理工學院林肯實驗室成功研發(fā)出第一代激光雷達(Gen-Ⅰ)，通過激光器機械旋轉掃描實驗，獲得了128×128像素的三維立體圖像。2001年，該實驗室研發(fā)出第二代激光雷達(Gen-Ⅱ)，采用固體激光器，32×32硅APD探測器，擴大了激光雷達的探測面積。2003年，該實驗室研發(fā)出第三代激光雷達(Gen-Ⅲ)，通過在激光發(fā)射機前端增加了以衍射鏡為核心的光學系統(tǒng)，有效抑制了激光雷達在使用過程中遭遇的環(huán)境光干擾。在2012年，韓國工業(yè)技術研究院和三星機電有限公司在線性陣列探測器激光雷達系統(tǒng)的基礎上共同研制出具備高級三維成像功能的KIDAR-B25激光雷達系統(tǒng)[5-6]。

在國內，對車載激光雷達展開深入研究的代表性機構主要有：中科院上海技術物理研究所、哈爾濱工業(yè)大學和廣西空間與測繪重點實驗室等單位[7-9]。中科院上海物理研究所成功研發(fā)出基于3×3APD探測器的激光雷達系統(tǒng)。隨后，該研究所又成功研制出一種高精度三維成像激光發(fā)射系統(tǒng)[10]。哈爾濱工業(yè)大學研制出采用532 nm調制激光器的面陣激光雷達系統(tǒng)[11]。廣西空間與測繪重點實驗室利用光纖耦合的方式，改進激光雷達接收系統(tǒng)，實現了多通道同步測量。

1 自動駕駛車輛激光雷達系統(tǒng)結構

自動駕駛車輛激光雷達系統(tǒng)工作原理：激光發(fā)射電路在主控模塊的作用下向目標物發(fā)射激光。當激光打在目標物上時，目標物將激光反射回激光接收電路，然后由主控模塊對信號進行計算、處理，得到大量無拓撲結構離散的空間坐標點，即點云，通過計算機對點云數據進行處理可以使車輛準確感知到當前路面狀況并使得車輛及時做出相應操作。自動駕駛車輛激光雷達系統(tǒng)結構框圖如圖1所示。

圖1 自動駕駛車輛激光雷達系統(tǒng)結構框圖

2 車載激光雷達發(fā)射接收常用技術

2.1 車載激光雷達信號發(fā)射技術

車載激光雷達的信號發(fā)射系統(tǒng)分為機械式、混合式和固態(tài)式三種。

2.1.1 機械式激光雷達

機械式激光雷達由于其探測性能優(yōu)越，技術成熟成為目前的主流，機械式激光雷達是安置在汽車頂部，通過控制系統(tǒng)來控制機械掃描結構轉動，實現由“線”到“面”對車輛周身環(huán)境360°全方位的感知，機械掃描結構是由多個激光器豎直排列起來，在激光器前方加入透鏡和底座的旋轉結構構成的，機械式激光雷達掃描時具有掃描速度快，抗外界干擾能力強和能對外界環(huán)境實現360°掃描等優(yōu)點。

2.1.2 混合式激光雷達

混合式車載激光雷達是將激光雷達安裝在汽車頂部，通過將激光器固定，控制激光器前方的MEMS振鏡進行旋轉，從而使激光雷達實現對車身周圍環(huán)境120°的掃描，混合式車載激光雷達內部振鏡的尺寸很難把控，尺寸的大小關系到振鏡的頻率、車輛控制的實時性和激光雷達的探測距離。這個問題是目前混合激光雷達量產和實際應用的一個技術難點。

2.1.3 全固態(tài)式激光雷達

全固態(tài)車載激光雷達中光學相控陣車載激光雷達是將多個光電掃描單元排列組成，在每個設置好的方向上依次產生高強度光束完成掃描；閃光型車載激光雷達是直接向前方發(fā)射出大片激光光束，完成對目標區(qū)域的檢測。全固態(tài)車載激光雷達具有無時延、穩(wěn)定性高等優(yōu)點，通常安裝在車身多個方位以便實現對周圍環(huán)境全方位的掃描。

2.2 車載激光雷達信號接收技術

車載激光雷達信號接收方法分為非相干探測和相干探測兩種。

2.2.1 非相干探測

非相干探測利用光電探測器直接將激光雷達發(fā)射系統(tǒng)發(fā)射出的激光信號轉換為電信號。非相干探測方法具有操作難度低和探測系統(tǒng)簡單等優(yōu)點[12]。因此非相干探測的方法是目前車載激光雷達信號接收最常用的方法。

2.2.2 相干探測

相干探測的方法指的是在激光雷達發(fā)射出激光后通過分光束，將激光光束分為一束參考光束，一束發(fā)射激光，待光電探測器接收到激光回波信號后，將回波信號和參考光束進行相關處理，去除掉回波信號中摻雜的噪聲信號。相干探測的方法具有探測精度高、靈敏度高和信噪比高等優(yōu)點。

3 激光雷達點云數據軟件處理的關鍵技術

點云數據軟件處理的幾個關鍵技術主要包括點云分割聚類算法、目標識別算法和自動駕駛車輛路徑規(guī)劃算法。

3.1 點云分割聚類算法

在進行點云分割聚類之前需要對初始點云數據集進行預處理。點云分割聚類算法是將點云數據集根據其特征進行分割和聚類，常用的點云分割算法包括DBSCAN、K-means和歐式聚類等。

3.1.1 DBSCAN算法

DBSCAN算法的中心思想是根據每個點云之間的密度將點云數據集分割成多個聚類。

DBSCAN算法具有算法原理簡單，便于實現，能夠對不同形狀的物體進行聚類，對噪聲不敏感等優(yōu)點。但是隨著激光點云數據量的增加，會出現內存占用嚴重，導致聚類收斂速度變慢，實時性變差等問題；而且當空間密度不均勻時，DBSCAN算法無法對遠近距離的目標產生相同的聚類收斂效果，就會出現漏檢和誤檢的情況[13]。

文獻[14]通過對密度不均勻的點云數據進行分區(qū)，在分區(qū)內進行核心點的遍歷，實現對目標的快速檢測；文獻[15]通過建立KD-Tree索引可以快速去除與核心點不相關的點云數據，然后通過優(yōu)化參數Eps提高對遠距離目標的點云收斂聚類效果；文獻[16]根據點云的分布特性設計了橢圓鄰域。橢圓的參數隨著采樣點的位置能夠進行自適應調整，通過使用 KITTI 數據集對橢圓的參數進行數值優(yōu)化；文獻[17]通過基于k近鄰最大距離平均值的估計方法來使Eps實現自動調節(jié)。

以上改進方法很好的改進了DBSCAN算法中存在的問題，此外提高了DBSCAN算法正檢率、檢測精度和聚類效果，而且縮短了DBSCAN算法運行時間。

3.1.2 K-means算法

k-means算法的中心思想是依據點云數據到K個聚類中心的歐氏距離將點云數據反復聚類到K個聚類中。

k-means算法具有算法原理簡單、便于實現、運算快和聚類效果好等優(yōu)點，但是k-means算法對噪聲和異常點比較敏感，不能將噪聲和異常點剔除掉，往往會把噪聲點和異常點歸于離聚類中心歐式距離最近的聚類中，而且k-means算法的時間復雜度較高，對k的選值也會影響聚類效果。

文獻[18]通過將改進的果蠅算法優(yōu)化K-means算法，提高了K-means算法的噪聲魯棒性和準確率；文獻[19]通過構造相異度矩陣,建立每個樣本點的鄰域，選取K個相互距離較遠且鄰域內樣本點較密集的初始聚類中心,在減少了算法的迭代次數的同時，提高了聚類效果；文獻[20]提出了將數據集映射到網格的網格-K-means算法，利用網格點作為加權代表點對數據集進行處理，以此解決算法效率低、聚類精度差等問題。

某村2014年人口達8280人，流域范圍內土家族和漢族混居的特點較為明顯。且其為貧困山區(qū)，故而其也被國家列為重點扶貧區(qū)域。2009年前，該村村民散居地形高度差達到了1300m以上。受到計劃經濟和交通條件等因素的影響，該村的集體經濟發(fā)展水平較低，農民生活質量不高，而且村莊公共基礎設施建設不夠完善。2009年后，新的領導班子以山區(qū)生態(tài)資源為基礎，充分調動了基層村委會的主觀能動性，積極利用貧困山區(qū)政策資源的優(yōu)勢，全面擴大市場優(yōu)勢，從而有效帶動大批基層群眾開展鄉(xiāng)村建設。

以上改進算法很好的改進了k-means算法存在的問題，還提出了選取聚類中心點的新方法，在一定程度上提高了聚類效果。

3.2 目標識別算法

目標識別算法是指將點云分割聚類算法分割聚類后的多個點云數據集進行識別，目標識別算法主要有SVM算法、RF算法和人工神經網絡等。

3.2.1 SVM算法

SVM算法的中心思想是對聚類分割后的待測點云數據集進行識別，通過核函數將圖像的特征空間從非線性空間轉換到線性空間，利用線性分類方法在線性空間進行分類識別。

SVM算法具有能夠解決點云數據集樣本小、緯度高和非線性等問題的優(yōu)點，減少算法的運算時間和計算量，SVM算法在處理不同點云數據時具有較強的適應性[21]，但是支持向量機模型的內部參數和核函數的選取會對分類效果產生很大影響，若選取不當會使算法陷入局部最優(yōu)。

文獻[22]通過在SVM算法中引入全局粒子算法和網格搜索法，在對點云數據集進行粗步搜索后再進行精細搜索得到最優(yōu)解；文獻[23]通過將遺傳算法中的交叉變異算子引入SVM算法，這樣使得算法能夠在全局范圍內尋找最優(yōu)值；文獻[24]通過在SVM算法中加入交叉驗證法和網格搜索算法來得到SVM算法的最優(yōu)解。

3.2.2 RF算法

RF算法的中心思想是利用多個單分類器對測試集進行分類，共同參與投票選出最終識別結果。

RF算法具有算法容易實現，分類精度高、分類效果好、訓練耗時短以及應用廣泛等優(yōu)點，但當RF算法處理不平衡和噪聲過大的點云數據時，容易出現由過多的冗余特征引起的過擬合現象；而且模型常將少數類歸為多數類處理來提升整體分類精度，這樣就會得到虛假的分類精度。

文獻[25]通過使用ReliefF算法來得到分類性能最佳的特征子集來構造RF，提高了評價指標數值，解決了處理不平衡數據的過擬合現象；文獻[26]通過將RF算法和Lasso方法相結合，使得算法可以根據不同的輸入樣本動態(tài)地獲得決策樹數目。

以上改進算法不僅有效解決了RF算法上述存在的問題，并且RF算法在評價指標分類精度、靈敏度和AUC等都有了一定程度的提高，在此基礎上還極大的縮短了算法的運行時間。

3.3 路徑規(guī)劃算法

路徑規(guī)劃算法是將目標識別算法識別出來行人、車輛以及其它障礙物，根據當前車輛狀態(tài)規(guī)劃自動駕駛車輛的未來的行駛軌跡。常用路徑規(guī)劃算法有RRT算法、A*算法和蟻群算法等。

3.3.1 RRT算法

RRT算法中心是以根節(jié)點為起點向外進行延伸拓展，直到延伸到目標節(jié)點，完成規(guī)劃路徑。

RRT算法具有強大的搜索和拓展能力，具有建模時間少，適應能力強，可用于高維路徑規(guī)劃問題和不受系統(tǒng)模型限制等優(yōu)點，

但是RRT算法在運算過程向外擴展時沒有區(qū)域限制，會導致算法計算量大、計算速度變慢。其次步長的設置也會影響算法的收斂效率，使得規(guī)劃出來的路徑轉折點多。

文獻[27]主要通過采用雙向搜索機制來對隨機樹進行拓展，基于此，采用啟發(fā)式搜索機制拉扯隨機樹向目標點生長，提高了算法的規(guī)劃效率；文獻[28]通過將目標引力、障礙物斥力和隨機點引力三合一引入RRT算法，使之可以自適應調節(jié)RRT算法步長，通過剪枝優(yōu)化方法，優(yōu)化路徑長度；文獻[29]通過循環(huán)采樣策略生成隨機點，通過代價函數的擴展隨機點規(guī)則來過濾隨機點，在選擇相鄰點時考慮車輛轉角范圍，通過b樣條曲線對路徑進行簡化和平滑，以此來提高規(guī)劃路徑質量。

以上改進算法有效的改進了PPT算法收斂較慢、計算量大、節(jié)點利用率低以及步長設置的問題，并且減少了采樣節(jié)點、縮短了路徑長度和極大縮短了算法運算時間。

3.3.2 A*算法

A*算法的算法中心是通過估價函數進行評估并給出其搜索路徑，直到形成了一條包含起始節(jié)點和目標節(jié)點的規(guī)劃路徑。

A*算法具有算法簡單、搜索能力強、尋路效率較高和求解穩(wěn)定性高等優(yōu)點，但是它在路徑規(guī)劃過程中存在計算量大、內存占用嚴重和規(guī)劃的路徑轉折點多、不平滑等缺點。

文獻[30]通過跳點算法對A*算法搜索進行改進，并在此基礎上通過Floyd算法對規(guī)劃路徑進行優(yōu)化；文獻[31]通過減少開啟列表中的節(jié)點數量，剔除掉冗余路徑點和不必要的轉折點；文獻[32]通過在A*算法的代價函數中加入角度評估代價函數，不僅可以尋找到拐點最小的路徑，而且可以縮短找到最優(yōu)路徑的時間；文獻[33]通過擴展搜索鄰域去除多余節(jié)點，并利用DWA算法改進評估函數，以便算法可以找到最優(yōu)路徑，提高節(jié)點利用率。

這些改進算法有效的改進了算法計算量大，計算速度慢，內存占用嚴重以及轉折點多和路徑不平滑等問題，而且減少了采樣節(jié)點、縮短了路徑長度、提高節(jié)點利用率。

4 結束語

5G時代的到來，讓自動駕駛車輛的廣泛應用成為了可能，隨著激光雷達點云數據處理的發(fā)展，在未來進行車載激光雷達點云數據的發(fā)射系統(tǒng)的選取時，因固態(tài)激光雷達具有無時延、體積小、成本低等優(yōu)點會被優(yōu)先選擇。

目前使用最多的激光雷達點云數據的接收方法是非相干探測，未來的發(fā)展趨勢會通過設計高功率、窄脈沖的激光驅動電路和選擇靈敏度高，探測面積大的光電二極管來優(yōu)化非相干探測方法。

在未來激光雷達點云數據的軟件處理中，點云分割聚類算法中因K-means算法更適用于分類重疊、高維的激光點云數據可以被優(yōu)先考慮使用，但需要主要解決K-means算法對噪聲不敏感以及K值選取問題，未來對噪聲不敏感的問題可以通過引入果蠅算法和將數據集映射到網格，利用網格點作為加權代表點對數據集進行處理等方法解決，未來對其K值的選取可以通過構造相異度矩陣和通過數據對象密度信息和與中心點的距離信息的結合進行選取。在未來目標識別算法中，因RF算法具有較高的精確度、召回率、AUC和較快的訓練時間可以優(yōu)先考慮使用該算法，但需要主要解決RF算法處理不平衡、噪聲過大的點云數據時容易過擬合的問題，未來可以通過引入ReliefF算法來處理過擬合現象，在未來路徑規(guī)劃算法中，因RRT算法算法具有規(guī)劃路徑速度快，能夠滿足算法實時性的要求，而且可以進行高維路徑規(guī)劃和不受系統(tǒng)模型限制可以被優(yōu)先考慮使用該算法，但需要主要解決RRT算法使得規(guī)劃出來的路徑轉折點多的問題，未來可以通過利用b樣條曲線和驅動一致性與路徑平滑算法相結合的方法來光滑規(guī)劃路徑。