龔鵬， 徐勤博， 張晏悅， 姬書(shū)得

(1.沈陽(yáng)航空航天大學(xué)機(jī)電工程學(xué)院， 沈陽(yáng) 110136； 2.沈陽(yáng)航空航天大學(xué)航空宇航學(xué)院， 沈陽(yáng) 110136)

從目前智能駕駛領(lǐng)域的發(fā)展情況來(lái)看，無(wú)人駕駛是發(fā)展的熱門方向[1-5]。在無(wú)人駕駛這一研究框架下，無(wú)人車輛在行駛過(guò)程中的障礙物識(shí)別是研究的重點(diǎn)。目前的主流研究是結(jié)構(gòu)化路面的障礙物檢測(cè)，在非結(jié)構(gòu)化道路(如越野路面)障礙物檢測(cè)方面，草叢、樹(shù)枝等柔性障礙物識(shí)別是不可避免的，而且有較高的技術(shù)難度。在無(wú)人車輛避障系統(tǒng)中，有效的識(shí)別出草叢等障礙物(可通過(guò)或不可通過(guò))會(huì)給避障決策提供更多有效、準(zhǔn)確的信息?；趩文肯鄼C(jī)[6]的視覺(jué)識(shí)別有著諸多優(yōu)勢(shì)，成本低、配置與標(biāo)定簡(jiǎn)易，能夠提供較為豐富的環(huán)境信息，但是單目相機(jī)的最大缺點(diǎn)是對(duì)環(huán)境光照特別敏感，極容易受到天氣、環(huán)境光等影響，當(dāng)環(huán)境光照比較強(qiáng)(會(huì)出現(xiàn)過(guò)度曝光)或較暗時(shí)，會(huì)使視覺(jué)識(shí)別的準(zhǔn)確性與檢測(cè)速度急劇下降[7-10]。相比于視覺(jué)識(shí)別來(lái)說(shuō)，激光雷達(dá)可以獲得極高的角度、距離和速度分辨率，具有抗有源干擾能力強(qiáng)、體積小、質(zhì)量輕等優(yōu)勢(shì)[10-11]。目前中外無(wú)人駕駛領(lǐng)域?qū)τ趩尉€激光雷達(dá)的應(yīng)用主要在障礙物測(cè)距、測(cè)速等基礎(chǔ)領(lǐng)域，對(duì)草叢等柔性障礙物識(shí)別的研究很少。劉樂(lè)等[2]利用兩個(gè)單線激光雷達(dá)對(duì)靜止或移動(dòng)障礙物進(jìn)行識(shí)別判定，李僑輝等[12]通過(guò)對(duì)激光雷達(dá)放置不同俯仰角測(cè)取數(shù)據(jù)，再采用貝葉斯概率法對(duì)草叢障礙物進(jìn)行識(shí)別，識(shí)別效率低。

為此，基于單線激光雷達(dá)開(kāi)展對(duì)草叢障礙物的識(shí)別研究，以單線激光雷達(dá)采集的點(diǎn)云為原始數(shù)據(jù)，通過(guò)多閾值草叢識(shí)別算法對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行處理、識(shí)別，識(shí)別結(jié)果將對(duì)無(wú)人駕駛技術(shù)提供更好的幫助和借鑒意見(jiàn)。

1 基于單線激光雷達(dá)的草叢特征分析

1.1 激光雷達(dá)的選型

激光雷達(dá)分為兩種類型，多線激光雷達(dá)和單線激光雷達(dá)。多線激光雷達(dá)在障礙物檢測(cè)上有著諸多優(yōu)勢(shì)，可以對(duì)障礙物進(jìn)行更好的建模，但同時(shí)多線激光雷達(dá)的點(diǎn)云數(shù)據(jù)龐大、成像速度慢、處理時(shí)間長(zhǎng)。相比之下，單線激光雷達(dá)點(diǎn)云數(shù)據(jù)量小，處理時(shí)間短、成像速度快，有著較強(qiáng)的魯棒性、實(shí)時(shí)性，并且單線激光雷達(dá)在成本上相比多線激光雷達(dá)也有著較大優(yōu)勢(shì)，因此選用單線激光雷達(dá)作為草叢識(shí)別傳感器。單線激光雷達(dá)的參數(shù)如表1所示。

表1 RPLIDAR S1的技術(shù)參數(shù)Table 1 Technical parameters of RPLIDAR S1

1.2 草叢特征分析

通過(guò)分析草叢激光雷達(dá)點(diǎn)云深度信息的分布規(guī)律，對(duì)原始點(diǎn)云信息進(jìn)行處理，最終實(shí)現(xiàn)草叢特征的判斷。

當(dāng)單線激光雷達(dá)掃描在草叢側(cè)面時(shí)，有一部分掃描線打在靠前草葉的表面，另一部分掃描線打在更深處的草葉表面，即雷達(dá)點(diǎn)云數(shù)據(jù)具有不同的深度信息。單線激光雷達(dá)的草叢掃描示意圖如圖1所示。

Deepi為單線激光雷達(dá)的第i條掃描線； 相鄰兩條掃描線之間的夾角為θi圖1 激光雷達(dá)草叢掃描示意圖Fig.1 Diagram of grass by LiDAR scan

從掃描示意圖(圖1)可以觀察出，打在草叢上的點(diǎn)云是錯(cuò)落無(wú)序的，點(diǎn)云深度變化較大。

對(duì)于地面、石頭、墻體建筑物等連續(xù)體障礙物來(lái)說(shuō)，如圖2、圖3所示，當(dāng)單線激光雷達(dá)掃描到其上時(shí)，相鄰兩個(gè)點(diǎn)云之間的深度不會(huì)有很大的變化。這兩種截然不同的深度特征變化規(guī)律信息可以將草叢和其他剛體障礙物區(qū)分開(kāi)。

由圖3、圖4可以看出，隨著單線激光雷達(dá)向兩側(cè)掃描，障礙物距離激光雷達(dá)中心越來(lái)越遠(yuǎn)時(shí)，掃描線的長(zhǎng)度也會(huì)急劇增加，因此對(duì)草叢進(jìn)行檢測(cè)識(shí)別時(shí)，如果只將深度變化作為判定依據(jù)，容易造成準(zhǔn)確性的下降。因此不只是將深度信息變化作為判定唯一依據(jù)，還將相應(yīng)角度信息作為判定依據(jù)，得到相鄰激光點(diǎn)云之間的斜率信息，對(duì)斜率信息的分析結(jié)果作為草叢判定的依據(jù)。

單線激光雷達(dá)點(diǎn)云數(shù)據(jù)的存儲(chǔ)形式為極坐標(biāo)系形式，因此從單線激光雷達(dá)點(diǎn)云原始數(shù)據(jù)可以獲取每一個(gè)點(diǎn)云的極徑和極角。

設(shè)掃描一周的掃描線數(shù)目為m，則點(diǎn)云數(shù)據(jù)的極徑矩陣、極角矩陣分別為

ρ=[ρ1,ρ2,…,ρm-1,ρm]

(1)

θ=[θ1,θ2,…,θm-1,θm]

(2)

圖2 墻體連續(xù)體掃描示意圖Fig.2 Schematic diagram of wall continuum scan

θi為相鄰兩條掃描線之間的夾角；ki為相鄰兩點(diǎn)云間的斜率值圖3 圓柱連續(xù)體掃描示意圖Fig.3 Schematic diagram of cylindrical continuum scan

圖4 極坐標(biāo)示意圖Fig.4 Polar Coordinate System diagram

式中：ρm為第m條掃描線的極徑；θm為第m條與m-1條掃描線所夾的夾角；ρ為單線激光雷達(dá)點(diǎn)云極徑矩陣；θ為單線激光雷達(dá)點(diǎn)云極角矩陣。

2 草叢點(diǎn)云數(shù)據(jù)的分析

2.1 極坐標(biāo)與笛卡爾坐標(biāo)的轉(zhuǎn)化

極坐標(biāo)系是指在平面內(nèi)由極點(diǎn)、極軸和極徑組成的坐標(biāo)系。在平面上取一點(diǎn)O，稱為極點(diǎn)。從O出發(fā)引一條射線Ox，稱為極軸。再取定一個(gè)單位長(zhǎng)度，通常規(guī)定角度取逆時(shí)針?lè)较驗(yàn)檎鐖D5所示，平面上任一點(diǎn)M的位置就可以用線段OM的長(zhǎng)度ρ′以及從Ox到OM的角度θ′來(lái)確定，有序數(shù)對(duì)(ρ′,θ′)稱為M點(diǎn)的極坐標(biāo)，記作M(ρ′,θ′)，其中，ρ′為M點(diǎn)的極徑，θ′為M點(diǎn)的極角。

Mi(ρi,θi)為點(diǎn)云的極坐標(biāo); Mi(xi)、Mi(yi)分別為點(diǎn)云極 坐標(biāo)轉(zhuǎn)換到笛卡爾坐標(biāo)后的橫坐標(biāo)值和縱坐標(biāo)值； Δx、Δy分別為兩點(diǎn)云在x方向差值和兩點(diǎn)云在 y軸方向差值；ki為相鄰兩點(diǎn)云間的斜率值圖5 草叢點(diǎn)云特征幾何關(guān)系圖Fig.5 Geometric relation diagram of grass point cloud features

在極坐標(biāo)系中，以O(shè)為原點(diǎn)，Ox為x軸正方向建立平面笛卡爾坐標(biāo)系xOy。點(diǎn)M分別向x軸、y軸投影，由幾何關(guān)系可得

(3)

則轉(zhuǎn)換的笛卡爾為M(ρ′cosθ′,ρ′sinθ′)。

2.2 點(diǎn)云原始數(shù)據(jù)坐標(biāo)的轉(zhuǎn)化

由上節(jié)極坐標(biāo)與笛卡爾坐標(biāo)的轉(zhuǎn)化關(guān)系，如圖6所示，以草叢點(diǎn)云分析為例，Mi(ρi,θi)表示點(diǎn)云數(shù)據(jù)中任意一個(gè)點(diǎn)的極坐標(biāo)，其笛卡爾坐標(biāo)為

xi=ρicosθi

(4)

yi=ρisinθi

(5)

則由此可以得到任意點(diǎn)云的笛卡爾坐標(biāo)Mi(xi,yi)。在笛卡爾坐標(biāo)系xOy中，點(diǎn)Mi、Mi+1在x軸、y軸方向的差值分別為

Δxi=ρicosθi-ρi+1cosθi+1

(6)

Δyi=ρisinθi-ρi+1sinθi+1

(7)

將Mi、Mi+1連接(圖6中的紅色箭頭線)，則相鄰兩點(diǎn)Mi、Mi+1連接線的斜率為

(8)

式(8)中：Δxi、Δyi分別為點(diǎn)Mi、Mi+1在x軸、y軸方向的差值。

圖6 候選框示意圖Fig.6 Candidate box schematic

分析可知，草叢障礙物與其他障礙物的特征區(qū)別在于相鄰點(diǎn)云之間的斜率變化。從圖5中的點(diǎn)云連接線的斜率分布情況可以看出，從左到右，斜率不斷在突變，因此相鄰點(diǎn)云連接線的斜率差值比較大，對(duì)于其他連續(xù)體障礙物來(lái)說(shuō)，斜率雖有變化，但是突變情況很少，因此對(duì)于這類障礙物的斜率差值變化就比較小。通過(guò)這一特征規(guī)律，斜率差值可以作為草叢障礙物和其他連續(xù)體障礙物的根本區(qū)別。相鄰兩紅色連接線間的斜率差值為

Ki=|ki+1-ki|

(9)

由式(9)得到點(diǎn)云的斜率差值矩陣為

K=[K1,K2,…,Km-3,Km-2]

(10)

式(10)中：K為單線激光雷達(dá)點(diǎn)云的斜率差值矩陣。

3 多閾值草叢特征識(shí)別算法

3.1 算法描述

基于以上草叢特征和草叢點(diǎn)云數(shù)據(jù)的分析，提出一種多閾值草叢特征識(shí)別算法。所提算法將斜率差值信息矩陣分解為若干候選框(子集)，判斷每一個(gè)候選框中的斜率差信息是否滿足對(duì)應(yīng)閾值，若滿足閾值要求則保留該候選框，若不滿足，則舍棄該候選框，最終，整合保留下來(lái)的候選框，由整合的斜率差值信息所映射的點(diǎn)云即為草叢障礙物點(diǎn)云，候選框的示意圖如圖7所示。

3.2 算法中閾值的選擇

3.2.1 候選框(子集)閾值的選取

首先，依據(jù)單線激光雷達(dá)的角度分辨率與點(diǎn)云數(shù)量，選取閾值A(chǔ)為候選框的長(zhǎng)度，即候選框(子集)中的元素的個(gè)數(shù)為A。再選取候選框步長(zhǎng)閾值B，即相鄰兩個(gè)候選框首個(gè)元素下角標(biāo)之差。

3.2.2 草叢判定閾值的選取

選取草叢判定斜率閾值為Q，將候選框中的每一個(gè)元素依次與閾值Q進(jìn)行比較，當(dāng)元素值與閾值Q的關(guān)系滿足式(10)時(shí)，即初步判定該元素符合草叢信息的特征，進(jìn)行保留，累計(jì)得出該候選框中被保留元素的個(gè)數(shù)，記為W。

Ki≥Q

(11)

再選取閾值E。將上一步得到的W值與閾值E進(jìn)行比較，若滿足式(11)則判定該候選框中點(diǎn)云為草叢點(diǎn)云。

W≥E

(12)

基于多閾值草叢識(shí)別算法流程過(guò)程如圖7所示。由于草叢形狀的不規(guī)則性，當(dāng)單線激光雷達(dá)掃描草叢時(shí)，會(huì)出現(xiàn)相鄰幾個(gè)點(diǎn)云的連線斜率差值較小的現(xiàn)象，此時(shí)若判定該處不是草叢，就會(huì)出現(xiàn)誤判。因此A、B、Q、E的選取在很大程度上影響著識(shí)別結(jié)果，合理的閾值選取能夠大大提高識(shí)別的準(zhǔn)確率。

圖7 多閾值草叢識(shí)別算法流程圖Fig.7 Flow chart of multi-threshold grass recognition algorithm

閾值A(chǔ)即為候選框中斜率差值信息的個(gè)數(shù)，A值如果過(guò)大，則候選框中的元素過(guò)多，剛拾取到草叢邊緣點(diǎn)云時(shí)的候選框會(huì)大概率不滿足閾值條件而被舍棄所以容易在識(shí)別過(guò)程中導(dǎo)致過(guò)多損失草叢邊緣，A值如果過(guò)小則會(huì)使候選框(子集)過(guò)多，計(jì)算量增大，增加處理時(shí)間。

閾值B即相鄰兩個(gè)候選框中首個(gè)元素下角標(biāo)之差，B值如果過(guò)大則在候選框的移動(dòng)時(shí)會(huì)漏掉點(diǎn)云。原則上B值小于等于候選框的長(zhǎng)度A，當(dāng)B值小于候選框的長(zhǎng)度A時(shí)，雖然子集中元素會(huì)出現(xiàn)重疊，但是識(shí)別率會(huì)會(huì)有提升。B值過(guò)小同樣會(huì)引起計(jì)算量的增加。

閾值Q、E的選取決定了草叢的最終判定，因此這兩個(gè)閾值的選取需要慎重，若選取的閾值Q過(guò)大或者過(guò)小，都會(huì)導(dǎo)致大量的草叢點(diǎn)云會(huì)被舍棄，閾值E如果過(guò)大，也同樣會(huì)導(dǎo)致含有草叢點(diǎn)云候選框被舍棄，造成草叢的遺漏，識(shí)別率的下降。

4 試驗(yàn)驗(yàn)證

以戶外3種類型草叢作為試驗(yàn)對(duì)象，采用了激光波長(zhǎng)為905 nm的RPLIDAR S1單線激光雷達(dá)作為試驗(yàn)設(shè)備，通過(guò)Python3.6的Pycharm平臺(tái)對(duì)點(diǎn)云數(shù)據(jù)處理，完成草叢障礙物的識(shí)別。搭建的硬件平臺(tái)設(shè)備如圖8所示。

試驗(yàn)記錄：?jiǎn)尉€激光雷達(dá)與草叢障礙物之間的距離為2 m，單線激光雷達(dá)水平高度約為1.7 m。3種類型草叢如圖9所示。

針對(duì)于不同類型草叢，選取不同閾值進(jìn)行草叢特征識(shí)別，各類型草叢選取閾值如表2所示。

經(jīng)過(guò)單線激光雷達(dá)掃描得到的基礎(chǔ)點(diǎn)云圖如圖10所示。

各類型草叢識(shí)別率如表3所示。將點(diǎn)云數(shù)據(jù)通過(guò)多閾值草叢識(shí)別算法識(shí)別后得到圖11所示的最終結(jié)果。

圖8 硬件平臺(tái)設(shè)備Fig.8 Hardware platform equipment

圖9 3種類型草叢Fig.9 Three types of grass

表2 各閾值選取值Table 2 Select values of each threshold

圖10 單線激光雷達(dá)掃描得到的基礎(chǔ)點(diǎn)云圖Fig.10 Basic point cloud obtained by single-line LiDAR

表3 各類型草叢識(shí)別率Table 3 Identification rate of each type of grass

圖11 多閾值草叢識(shí)別算法訓(xùn)別結(jié)果Fig.11 Identification results of multi-threshold grass feature recognition algorithm

5 結(jié)論

針對(duì)戶外視覺(jué)識(shí)別容易受到光照等環(huán)境因素影響識(shí)別速度和準(zhǔn)確性，以及多線激光雷達(dá)數(shù)據(jù)量龐大、處理耗時(shí)等問(wèn)題，通過(guò)對(duì)草叢特征的分析提 出了一種基于單線激光雷達(dá)的多閾值草叢識(shí)別方法，通過(guò)試驗(yàn)驗(yàn)證該算法能夠準(zhǔn)確地識(shí)別草叢特征，對(duì)典型草叢的識(shí)別率達(dá)到93.44%，并且識(shí)別速度快，處理耗時(shí)短，識(shí)別用時(shí)平均約為30 ms。所提出的多閾值草叢識(shí)別算法，對(duì)于非結(jié)構(gòu)環(huán)境下草叢等柔性障礙物的識(shí)別具有一定的借鑒意義，有效擴(kuò)展了單線激光雷達(dá)的應(yīng)用范圍。