李貴炎

(南京交通職業(yè)技術學院,江蘇 南京 211188)

0 引言

近年來,隨著移動技術和通信技術的發(fā)展[1],許多新型高端技術被應用到智能駕駛系統(tǒng)的研發(fā)中[2]。 其中,一種新型的車載激光雷達被廣泛用于檢測智能駕駛系統(tǒng)中的引導功能[3]。 該車載激光雷達對車輛周圍的空間具有搜索范圍廣、信息范圍廣和單幅圖像信息、精度高等優(yōu)點,本文重點介紹基于車載激光雷達的線搜索技術[4]。

1 相關概念

1.1 激光雷達傳感器

激光雷達掃描儀的眾多優(yōu)勢,使其成為復雜交通環(huán)境中視覺檢測的理想選擇[5]。 視覺系統(tǒng)的主要功能是契合智能駕駛環(huán)境自動作出指令和判斷,指導智能駕駛行為[6]。 本文提出的激光雷達多面組合檢測算法流程,如圖1 所示。

圖1 基于激光雷達的障礙物檢測算法流程

1.2 基于激光雷達的障礙物識別方法

1.2.1 地面分割

交通環(huán)境中會出現(xiàn)很多突發(fā)情況[7],駕駛員一般難以從容、整合處理。 對于車載激光雷達來說,處理復雜交通情況則相對容易。 地面分割是一種簡單有效的預防方法,可以用于處理突發(fā)狀況。 綜合考慮,本項目采用RANSAC 算法(Random Sample Consensus, RANSAC)進行遺傳分離[8],其第一個均衡模型可以定義為[9]:

在進行地表分割時[10],系統(tǒng)操作人員必須先將指標代入符號,計算誤差,根據指定的閾值分析PROad 符號集中的第一個符號,然后對第一個內部基因應用RANSAC 算法設置PROad。

1.2.2 點云柵格化

激光雷達傳感器的數據傳輸量非常大,Velodyne 64 線激光雷達在雙響應模式下每秒產生3D 掃描。 信號數量可以達到220 萬個,即使去除地面信號,云的數據大小也保持不變,并且還會留下標記供適當處理,光束可能不會被激光掃描,遠處的格柵會產生隔音格柵,并降低能見度。

如圖2 所示,確保網格有兩束激光束,距離激光雷達的距離為d,本研究必須調整線的大小,使其與線和激光雷達中心的距離相等。 這是因為靠近前導水平面的激光束之間的夾角非常小,根據弧長模型可以得到晶格長度的最小值Gmin:

圖2 柵格與激光掃描線位置關系示意

式中:θ為相鄰兩束激光線之間的水平夾角,根據一定的情況,考慮網格上存儲的網格的內存問題,設計人員選擇一個最大尺寸的格網。

1.3 卷積神經網絡

1.3.1 卷積神經網絡的組成

卷積神經網絡是深度學習技術中最重要的模型之一,其有很多不一樣的網絡層。 從實用的角度來看,這些網絡層可以分為兩部分:信號層和解密層。 卷積層利用卷積紋理對部分數據場進行卷積函數計算,如見圖3 所示。

圖3 卷積操作

從卷積的具體操作過程中可以看出,卷積函數是提取數據的高級抽象特征和近似數據的關系特征。

1.3.2 卷積神經網絡

卷積神經網絡借助卷積運算操作的優(yōu)勢,與數據序列相關的數據有本地關聯(lián)(最近的數據有更強的關聯(lián)),因此可以用CNN 來處理它們的本地特性。CNN 的基本結構,如圖4 所示,主要包含卷積層與池化層。

圖4 卷積神經網絡結構

輸入x數據時,卷積層的特征圖C可表示如下:

式中,?為卷積操作;W為卷積核的權重向量;h表示偏移量;本文采用Relu 函數,可以選用的還有sigmoid,tank 等。

2 車載激光雷達與視覺傳感器融合的障礙物識別方法

2.1 車載激光雷達

車載激光雷達被稱為車上的3D 激光掃描儀,其配備有移動式3D 激光掃描系統(tǒng),是最有效的建模工具之一。 建模技術如圖5 所示,其看起來與實際圖片相似,但是由幾個激光點組成,不同顏色反映了激光返回的不同反射作用。

圖5 建模技術

2.1.1 DTM 建模技術

DTM(Digital Terrain Model)建模技術起初用于高速公路建設。 建模技術的主要功能是使用由3D 激光掃描儀和其他設備掃描“信號云”,通過計算機處理來創(chuàng)建3D 模型(通常是將信號鏈接到線或幀)。

2.1.2 車載/船載激光雷達

不論是車載、船載還是機載的激光雷達,目標都是在交通工具上的POS 系統(tǒng)中添加3D 激光掃描儀。 該項目應該能夠在更長的范圍內創(chuàng)建DTM 模型,前提是將先進的導航系統(tǒng)集成到其他輔助手提包中,并完成數據處理程序,以確保路線的準確性,防止GPS 信號的丟失。

2.2 數據層融合

為了克服激光雷達在障礙物檢測算法方面的弱點,技術人員要注意算法的端到端處理,可以消除對一個值為1～7 的循環(huán)預設模型的依賴,使用相關算法進行深入研究。 但是,激光雷達數據不完整且有限,不能作為卷積神經網絡的積分器。 因此,雷達圖制作需要分為兩部分:(1)確定激光雷達點云在圖像平面的位置。 (2)確定雷達圖的“像素值”。

本文根據Lawson 算法得到散點之間的Delaunay三角形,其算法步驟如下。

Step1:位置。

Step2:構造一個全能包含全部散點矩形,并記錄該矩形的4 個頂點D1,D2,D3,D4,在散點中任選一點P1與矩形的4 個頂點相連構成4 個三角形,圖6 是Lawson 算法的Step 1 與Step2 的示意圖。

圖6 Step 1 與Step2 的示意

如圖7 所示,為了在一系列散點上創(chuàng)建一個DT 三角形,在DT 三角形之后,原始散點設計的表面被分成了具有多個三角形的層。

圖7 DT 三角剖分

2.3 高階特征融合

卷積神經網絡中的卷積執(zhí)行能得到圖像的高階特征,對其進行學習。 然而,在獲得分離結果時,卷積的作用是去除關鍵信息而忽略局部細節(jié),圖8 展示了Enet-CRF-Lida 網絡模型的總體框架。

圖8 Enet-CRF-Lidar 網絡模型

2.4 實驗分析

Enet,Enet-CRF 和Enet-CRF-Lidar:經過訓練后在測試集A 上,其測試結果如表1 所示。 從表1 中可以看出,本文研究的激光雷達通知方法(Enet-CRFLidar),結合了激光雷達在像素密度和平均IoU 精度上的優(yōu)勢,其優(yōu)于其他兩種網絡模型,可用于分析網絡性能的條件。

Enet,Enet-CRF 和Enet-CRF-Lidar 在測試集A 上的部分輸出結果如圖9 所示。 從圖9 和表1 所示結果可以得出,在公路、道路等簡單車輛的情況下,3 種網絡模型都可以用于對前停站進行分類,所以分類的準確率,尤其是每段橫向位置的準確率要高于Enet,在城市、路口等特定區(qū)域或場景等環(huán)境復雜的地方,交通主體眾多,Enet 的分離效果并不好。

圖9 各模型在測試集A 上的部分輸出結果

表1 各模型在測試集A 上的表現(xiàn)

3 結語

根據文章的研究信息和特點,本實驗選擇了一個類似的數據集。 將Enet、Enet-CRF 和Enet-CRF-Lidar 與測試集A 和測試集B 進行對比,與Enet-CRF 進行對比,本研究開發(fā)的線搜索通知方法可以提高智能駕駛系統(tǒng)的通知效率和精度,證實其在視覺傳感器融合算法方面的性能有效。