摘 要：低線束激光雷達(dá)掃描的點(diǎn)云數(shù)據(jù)較為稀疏，導(dǎo)致無人駕駛環(huán)境感知系統(tǒng)中三維目標(biāo)檢測效果欠佳，通過多幀點(diǎn)云配準(zhǔn)可實(shí)現(xiàn)稀疏點(diǎn)云稠密化，但動(dòng)態(tài)環(huán)境中的行人與移動(dòng)車輛會降低激光雷達(dá)的定位精度，也會造成融合幀中運(yùn)動(dòng)目標(biāo)上的點(diǎn)云偏移較大。針對上述問題，提出了一種動(dòng)態(tài)環(huán)境中多幀點(diǎn)云融合算法，利用該算法在園區(qū)道路實(shí)況下進(jìn)行三維目標(biāo)檢測，提高了低線束激光雷達(dá)的三維目標(biāo)檢測精度。利用16線和40線激光雷達(dá)采集的行駛路況數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，結(jié)果表明該算法能夠增強(qiáng)稀疏點(diǎn)云密度，改善低成本激光雷達(dá)的環(huán)境感知能力。

關(guān)鍵詞：激光雷達(dá)；點(diǎn)云融合；位姿變換；無人駕駛

中圖分類號：TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號：1001－3695（2023）03－044－0909－05

doi：10.19734/j.issn.1001-3695.2022.05.0345

Research on multi-frame point cloud fusion algorithm and 3D object

detection algorithm in dynamic environment

Wang Lijia1，Yu Huan2，Liu Shouyin1

（1.College of Physical Science amp; Technology，Central China Normal University，Wuhan 430079，China；2.Wuhan InDriving Technology Co.，Ltd.，Wuhan 430079， China）

Abstract：The point cloud data scanned by the low-beam LiDAR is relatively sparse，resulting in poor 3D object detection in the unmanned environment perception system.Multi-frame point cloud registration can achieve sparse point cloud densification，however，pedestrians and moving vehicles in a dynamic environment will reduce the positioning accuracy of the LiDAR，and will also cause a large offset of the point cloud on the moving object in the fusion frame.Aiming at the above problems，this paper proposed a multi-frame point cloud fusion algorithm in a dynamic environment，and used this algorithm to detect 3D objects in the real situation of park roads，which improved the 3D object detection accuracy of low-beam LiDAR.This paper used the dri-ving road condition data collected by 16-line and 40-line LiDAR to conduct experiments.The results show that the algorithm can enhance the density of sparse point clouds and improve the environmental perception ability of low-cost LiDAR.

Key words：LiDAR；point cloud fusion；pose transformation；autonomous driving

0 引言

隨著計(jì)算機(jī)視覺、人工智能、自動(dòng)化等學(xué)科的快速發(fā)展，自動(dòng)駕駛汽車［1］應(yīng)運(yùn)而生。有研究表明，自動(dòng)駕駛技術(shù)將引領(lǐng)智能交通的變革，為道路擁堵、交通事故、環(huán)境污染等問題帶來新的解決方案［2］。自動(dòng)駕駛系統(tǒng)如圖1所示，包括環(huán)境感知、導(dǎo)航定位、決策規(guī)劃、運(yùn)動(dòng)控制等模塊，其中最基礎(chǔ)的環(huán)境感知模塊為上層決策規(guī)劃提供依據(jù)。障礙物檢測是環(huán)境感知的核心任務(wù)，也是保障車輛安全行駛的關(guān)鍵，目前主流的用于環(huán)境感知的車載傳感器有攝像機(jī)、激光雷達(dá)、毫米波雷達(dá)等。其中激光雷達(dá)相較于攝像機(jī)，可以獲取準(zhǔn)確的深度信息，且不受光照影響；相較于毫米波雷達(dá)，其分辨率更高，可用于車輛、行人等障礙物的輪廓提取和靜態(tài)、動(dòng)態(tài)跟蹤等［3］。因此激光雷達(dá)以精度高、不易受光照影響、獲取深度信息精確等特點(diǎn)成為了自動(dòng)駕駛汽車的重要傳感器。

三維目標(biāo)檢測與基于圖像的二維目標(biāo)檢測相比，增加了障礙物的三維尺寸和方向信息。點(diǎn)云是三維視覺的表達(dá)方式，激光雷達(dá)掃描的點(diǎn)云具有更強(qiáng)的空間捕獲能力，且對自然光不敏感，可以更精確地描述三維世界［4］。因此，基于激光雷達(dá)點(diǎn)云的三維目標(biāo)檢測算法具有重要的應(yīng)用價(jià)值。激光雷達(dá)線束越多，對環(huán)境感知能力越強(qiáng)，故自動(dòng)駕駛領(lǐng)域基準(zhǔn)數(shù)據(jù)集大多使用高線束激光雷達(dá)或多雷達(dá)融合來獲取環(huán)境信息，如KITTI［5，6］使用Velodyne-64線激光雷達(dá)，nuScenes［7］使用一個(gè)LiDAR（激光雷達(dá)）和五個(gè)RADAR（雷達(dá)），Waymo［8］使用五個(gè)定制激光雷達(dá)等。但高線束的激光雷達(dá)在提升檢測性能的同時(shí)也增加了高昂的成本，Velodyne生產(chǎn)的64線激光雷達(dá)售價(jià)約是同系列16線產(chǎn)品價(jià)格的10倍左右。為降低成本，可以使用具有較低線束的激光雷達(dá)，但必須提高目標(biāo)檢測算法的性能來保障汽車行駛安全，因此提高低線束激光雷達(dá)的目標(biāo)檢測準(zhǔn)確率和精度已成為降低自動(dòng)駕駛汽車成本、加快其落地量產(chǎn)的重要舉措。

低線束激光雷達(dá)掃描的點(diǎn)云數(shù)據(jù)較為稀疏，造成三維目標(biāo)檢測效果欠佳，因此許多研究者通過增大其點(diǎn)云密度來提升目標(biāo)檢測精度。比如張佳鵬［9］通過提取點(diǎn)云的曲率特征進(jìn)行點(diǎn)云配準(zhǔn)，將歷史幀點(diǎn)云投影至當(dāng)前幀，再以配準(zhǔn)后的密集點(diǎn)云投影至柵格地圖，最后根據(jù)柵格內(nèi)每個(gè)點(diǎn)的高度來判別柵格內(nèi)是否為障礙物點(diǎn)云；蘇天楚等人［10］通過激光雷達(dá)里程計(jì)獲取坐標(biāo)變換矩陣，從而實(shí)現(xiàn)多幀疊加點(diǎn)云，再基于歐氏聚類完成障礙物檢測。但是在實(shí)際的駕駛環(huán)境中存在移動(dòng)的行人和行駛的車輛，這些動(dòng)態(tài)目標(biāo)的點(diǎn)云數(shù)據(jù)會降低激光雷達(dá)定位精度［11］，也會導(dǎo)致融合幀中運(yùn)動(dòng)目標(biāo)的點(diǎn)云偏移較大［12］。上述文獻(xiàn)方法在利用激光里程計(jì)計(jì)算位姿階段沒有考慮動(dòng)態(tài)目標(biāo)點(diǎn)云引起的定位偏差問題，在點(diǎn)云融合階段沒有考慮動(dòng)態(tài)目標(biāo)點(diǎn)云偏移問題，在目標(biāo)檢測階段僅使用傳統(tǒng)的基于規(guī)則的障礙物檢測方法，無法給出目標(biāo)精確的三維框信息。

此外，其他的多幀點(diǎn)云融合方法大多借助GPS、IMU（慣性測量單元）等外部運(yùn)動(dòng)測量傳感器來獲取載體運(yùn)動(dòng)信息。例如文獻(xiàn)［11］直接通過計(jì)算IMU數(shù)據(jù)來獲取幀間位姿變換矩陣，避免了動(dòng)態(tài)目標(biāo)點(diǎn)云引起的定位誤差；文獻(xiàn)［12］在此基礎(chǔ)上進(jìn)一步考慮了利用IMU直接投影存在動(dòng)態(tài)目標(biāo)上的點(diǎn)云偏移問題。上述文獻(xiàn)方法不僅增加了成本，而且其融合效果極大地依賴外部傳感器的性能。因此，本文考慮不使用額外傳感器，僅基于激光雷達(dá)進(jìn)行多幀點(diǎn)云融合，以稀疏點(diǎn)云稠密化來增強(qiáng)點(diǎn)云表征能力，從而改善其三維目標(biāo)檢測效果。但在動(dòng)態(tài)環(huán)境中進(jìn)行多幀點(diǎn)云配準(zhǔn)，行人與移動(dòng)車輛等動(dòng)態(tài)目標(biāo)點(diǎn)云會降低激光雷達(dá)的定位精度，文獻(xiàn)［13］同樣借助IMU來濾除動(dòng)態(tài)目標(biāo)點(diǎn)云從而提高激光里程計(jì)的定位精度，而且動(dòng)態(tài)目標(biāo)點(diǎn)云在融合幀中存在較大偏移問題。

針對上述問題，本文提出一種動(dòng)態(tài)環(huán)境中多幀點(diǎn)云融合算法，并結(jié)合基于深度學(xué)習(xí)的三維目標(biāo)檢測模型PointRCNN［14］完成園區(qū)道路實(shí)況中的障礙物檢測任務(wù)。該算法通過幀幀配準(zhǔn)與Ceres優(yōu)化來計(jì)算幀間位姿變換矩陣，并借助動(dòng)態(tài)目標(biāo)檢測解決動(dòng)態(tài)目標(biāo)點(diǎn)云引起的定位偏差與融合幀動(dòng)態(tài)目標(biāo)點(diǎn)云偏移問題，最后使用融合幀點(diǎn)云進(jìn)行三維目標(biāo)檢測，提高低線束激光雷達(dá)的檢測精度。

1 整體結(jié)構(gòu)設(shè)計(jì)

本文的整體算法框圖如圖2所示。低線束激光雷達(dá)以10 Hz的頻率輸出點(diǎn)云幀，表示為（N，3+C），其中N是點(diǎn)的個(gè)數(shù)，3是每個(gè)點(diǎn)的三維坐標(biāo)［x，y，z］，C是傳感器捕捉到的其他信息，如點(diǎn)云的強(qiáng)度、目標(biāo)的材質(zhì)信息等。在每三幀點(diǎn)云數(shù)據(jù)中，使用前兩幀作為歷史幀，通過多幀點(diǎn)云融合算法將歷史幀點(diǎn)云數(shù)據(jù)融合進(jìn)當(dāng)前幀，豐富當(dāng)前幀點(diǎn)云信息，得到融合幀，再將融合幀點(diǎn)云數(shù)據(jù)作為三維目標(biāo)檢測算法的輸入，獲取環(huán)境中障礙物的類別與三維框信息。

圖2中“融合幀點(diǎn)云”通過多幀點(diǎn)云融合算法得到，其算法流程如圖3所示，主要包括位姿變換矩陣計(jì)算與動(dòng)態(tài)目標(biāo)平移兩部分。算法首先通過預(yù)處理來濾除動(dòng)態(tài)目標(biāo)點(diǎn)云，再根據(jù)環(huán)境中的靜態(tài)目標(biāo)點(diǎn)云提取特征進(jìn)行點(diǎn)云配準(zhǔn)，從而降低動(dòng)態(tài)目標(biāo)點(diǎn)云引起的定位偏差；計(jì)算出歷史幀到當(dāng)前幀的位姿變換矩陣（R，T）后，將歷史幀點(diǎn)云數(shù)據(jù)轉(zhuǎn)換至當(dāng)前幀點(diǎn)云坐標(biāo)系下，得到初步融合點(diǎn)云幀；接下來將預(yù)處理后的動(dòng)態(tài)目標(biāo)點(diǎn)云簇進(jìn)行歐氏聚類［15］，通過動(dòng)態(tài)目標(biāo)平移來解決初步融合點(diǎn)云幀中動(dòng)態(tài)目標(biāo)點(diǎn)云偏移問題，最終得到經(jīng)過精確配準(zhǔn)的致密點(diǎn)云數(shù)據(jù)，便于后續(xù)的檢測算法。

2 算法設(shè)計(jì)與實(shí)現(xiàn)

2.1 動(dòng)態(tài)目標(biāo)預(yù)處理

預(yù)處理主要是為了濾除行駛環(huán)境中的動(dòng)態(tài)目標(biāo)點(diǎn)云，因?yàn)樵诟鶕?jù)前后幀點(diǎn)云配準(zhǔn)來估計(jì)位姿變換矩陣時(shí)，動(dòng)態(tài)目標(biāo)點(diǎn)云會導(dǎo)致累積誤差，從而降低定位精度。為快速提取出點(diǎn)云幀中的動(dòng)態(tài)點(diǎn)，將三維點(diǎn)云數(shù)據(jù)投影至二維柵格圖，根據(jù)柵格內(nèi)點(diǎn)云屬性劃分出障礙物點(diǎn)云簇，再由候選目標(biāo)點(diǎn)云簇特點(diǎn)找到動(dòng)態(tài)目標(biāo)點(diǎn)云簇，完成動(dòng)態(tài)目標(biāo)點(diǎn)云的快速識別與濾除。

設(shè)點(diǎn)云集合為P，其中某一點(diǎn)Pi的坐標(biāo)為（xi，yi，zi），在激光雷達(dá)坐標(biāo)系的XOY平面中劃分柵格，柵格尺寸G為0.5 m，整個(gè)柵格圖在x、y坐標(biāo)軸上的偏移量為（gridx，gridy），則激光雷達(dá)坐標(biāo)系中點(diǎn)Pi到二維柵格圖的投影轉(zhuǎn)換公式為

柵格圖中每個(gè)柵格存儲原始點(diǎn)云的全部信息，如三維坐標(biāo)與反射率等。通過將柵格內(nèi)點(diǎn)云與最低點(diǎn)的高度差與閾值進(jìn)行比較，可以劃分出地面點(diǎn)云與非地面點(diǎn)云，濾除地面點(diǎn)云后，對每個(gè)柵格判斷其屬性來劃分障礙物與非障礙物點(diǎn)云柵格。具體做法是，遍歷柵格圖中每個(gè)柵格里的點(diǎn)，計(jì)算柵格內(nèi)點(diǎn)與點(diǎn)之間的最大高度差H_max和柵格中點(diǎn)的數(shù)量point_num，如果柵格內(nèi)H_max大于閾值T1的同時(shí)point_num大于閾值T2，那么認(rèn)為此柵格為障礙物柵格。這種考慮高度差和點(diǎn)云數(shù)量的判定方法可以進(jìn)一步消除殘余地面點(diǎn)影響，降低環(huán)境噪聲帶來的干擾，在保留點(diǎn)云簇原始幾何特征的同時(shí)也降低了計(jì)算存儲量。

障礙物柵格中包含靜態(tài)與動(dòng)態(tài)目標(biāo)，環(huán)境中的動(dòng)態(tài)目標(biāo)主要考慮行人和車輛，根據(jù)行人、車輛點(diǎn)云簇的特點(diǎn)從候選目標(biāo)柵格中確定其對應(yīng)的柵格。上述候選目標(biāo)點(diǎn)云簇表示為［l，w，h，0；cluster{i}］，主要包括點(diǎn)云簇的長、寬、高尺寸信息與點(diǎn)云簇中每個(gè)點(diǎn)的位置坐標(biāo)（x，y，z）和強(qiáng)度信息。本文根據(jù)車輛、行人點(diǎn)云簇的輪廓信息、幾何信息和材質(zhì)信息來區(qū)分出車輛點(diǎn)云簇和行人點(diǎn)云簇。文中提取了點(diǎn)云簇的寬高比、點(diǎn)云強(qiáng)度信息的均值和方差作為特征向量，從候選目標(biāo)點(diǎn)云簇中識別車輛與行人目標(biāo)點(diǎn)云。

2.2 位姿變換矩陣計(jì)算

從歷史幀到當(dāng)前幀的位姿變換矩陣的計(jì)算主要包括載體運(yùn)動(dòng)畸變?nèi)コ?、點(diǎn)云特征提取和點(diǎn)云配準(zhǔn)三部分。因?yàn)榧す饫走_(dá)傳感器位于載體汽車上，隨著汽車的運(yùn)動(dòng)，激光雷達(dá)所發(fā)射的激光線束掃描完成一圈后，其起點(diǎn)與終點(diǎn)會發(fā)生偏移，產(chǎn)生點(diǎn)云畸變，為精確實(shí)現(xiàn)點(diǎn)云位姿變換，需要先計(jì)算畸變因子，消除因載體運(yùn)動(dòng)產(chǎn)生的點(diǎn)云畸變。假設(shè)激光雷達(dá)點(diǎn)云所在的三維空間坐標(biāo)系為L，第k幀點(diǎn)云表述為pLk，該幀點(diǎn)云掃描的起始與終止時(shí)刻分別為tk、tk+1，對于幀內(nèi)的某一點(diǎn)i，其對應(yīng)的畸變因子fi的計(jì)算公式為

2.3 動(dòng)態(tài)目標(biāo)平移

根據(jù)位姿變換矩陣將歷史幀點(diǎn)云投影至當(dāng)前幀完成點(diǎn)云初步融合，對于歷史幀中的動(dòng)態(tài)目標(biāo)，其在從歷史幀到當(dāng)前幀的時(shí)間間隔內(nèi)存在運(yùn)動(dòng)偏移情況，參考文獻(xiàn)［12］完成動(dòng)態(tài)目標(biāo)點(diǎn)云的提取與平移，與文獻(xiàn)［12］不同，本文無須限制障礙物的長寬，可直接利用預(yù)處理獲得動(dòng)態(tài)目標(biāo)點(diǎn)云簇。首先將預(yù)處理階段得到的動(dòng)態(tài)目標(biāo)點(diǎn)云簇進(jìn)行歐氏聚類［15］，并對聚類出的點(diǎn)云簇計(jì)算出最小外接矩形框，矩形框的中心為動(dòng)態(tài)目標(biāo)點(diǎn)云簇的中心。

將歷史幀與當(dāng)前幀點(diǎn)云的聚類結(jié)果進(jìn)行最近鄰搜索，設(shè)置最大搜索距離閾值為0.3 m，在閾值內(nèi)搜索到的進(jìn)行匹配，將歷史幀中對應(yīng)的聚類目標(biāo)平移至當(dāng)前幀中目標(biāo)所在的位置，使得動(dòng)態(tài)目標(biāo)矩形框的中心重合。通過上述動(dòng)態(tài)目標(biāo)平移降低動(dòng)態(tài)目標(biāo)點(diǎn)云偏移問題，得到更精確的融合點(diǎn)云幀。

2.4 三維目標(biāo)檢測算法

基于點(diǎn)云的3D目標(biāo)檢測任務(wù)，輸入是點(diǎn)云（N，3+C），輸出是場景中目標(biāo)的3D包圍框（3D bounding box，3D Bbox）。3D Bbox是在真實(shí)三維世界中包圍目標(biāo)物體的最小長方體，其主要包含物體中心位置距離自車的原點(diǎn)距離坐標(biāo)（cx，cy，cz），物體的長、寬、高（dx，dy，dz）以及物體在鳥瞰圖上的朝向（heading），即物體的移動(dòng)方向，自動(dòng)駕駛場景下是車頭的方向。因此自動(dòng)駕駛中的三維目標(biāo)檢測也是一個(gè)目標(biāo)物體7自由度預(yù)測問題。

基于深度學(xué)習(xí)的點(diǎn)云目標(biāo)檢測算法根據(jù)特征提取方式分為基于點(diǎn)point-based、基于體素voxel-based、基于鳥瞰圖BEV-based等；根據(jù)檢測方式分為基于錨定anchor-based與無錨定anchor-free；根據(jù)階段劃分可以分為一階段one-stage和兩階段two-stage。三維目標(biāo)檢測算法流程如圖4所示。

本文選擇基于點(diǎn)的、無錨定兩階段檢測網(wǎng)絡(luò)PointRCNN［14］用于識別環(huán)境中車輛并定位車輛的三維框。PointRCNN網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示，第一階段是從原始點(diǎn)云中自底向上生成3D提案，即從每一個(gè)前景點(diǎn)中生成三維候選框；第二階段進(jìn)行三維框細(xì)化，通過點(diǎn)云區(qū)域池化來回歸目標(biāo)準(zhǔn)確的3D包圍框和分類置信度。

3 實(shí)驗(yàn)結(jié)果與分析

本文利用16線和40線激光雷達(dá)分別采集實(shí)際行駛路況的點(diǎn)云數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，測試本文的多幀點(diǎn)云融合算法在不同線束激光雷達(dá)點(diǎn)云數(shù)據(jù)上的融合效果，驗(yàn)證算法的魯棒性；同時(shí)進(jìn)行三維目標(biāo)檢測實(shí)驗(yàn)，驗(yàn)證點(diǎn)云稠密化對目標(biāo)檢測算法性能的提升，證明本文算法能夠增強(qiáng)稀疏點(diǎn)云密度，在較低成本的激光雷達(dá)上實(shí)現(xiàn)較好的環(huán)境感知效果。

3.1 傳感器介紹

本文使用速騰聚創(chuàng)RS-LiDAR-16型號的16線與禾賽科技Pandar40P型號的40線激光雷達(dá)分別采集環(huán)境信息，傳感器為車頂對心安裝。選用NVIDIA Jetson TX2嵌入式計(jì)算機(jī)作為主控板實(shí)時(shí)接收環(huán)境信息，軟件系統(tǒng)為Ubuntu 16.04和ROS（robot operation system），采集場景為兩個(gè)高校和兩個(gè)科技園區(qū)。RoboSense-16與Pandar40P 激光雷達(dá)性能參數(shù)如表1、2所示。

3.2 實(shí)驗(yàn)平臺

本文的實(shí)驗(yàn)基于Ubuntu服務(wù)器和PyTorch深度學(xué)習(xí)框架，實(shí)驗(yàn)平臺具體配置介紹如表3所示。

3.3 多幀點(diǎn)云融合結(jié)果

本文基于16線和40線激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行了融合實(shí)驗(yàn)，通過處理前后的效果對比圖，可視化展示了激光雷達(dá)點(diǎn)云的稠密化效果。

圖6為RoboSense-16的融合效果對比圖，中間黑色圓圈是搭載激光雷達(dá)傳感器采集車所在的位置，點(diǎn)云從采集車發(fā)散出去，距離激光雷達(dá)越遠(yuǎn)，點(diǎn)云數(shù)量越少，越稀疏。其中，（a）是16線激光雷達(dá)的單幀點(diǎn)云數(shù)據(jù)；（b）是三幀融合后的點(diǎn)云數(shù)據(jù)?？梢钥闯?，歷史幀點(diǎn)云可以較好地增強(qiáng)當(dāng)前幀的點(diǎn)云信息。

激光雷達(dá)40線的點(diǎn)云融合效果對比如圖7所示，其中自車的前進(jìn)方向?yàn)閳D中由左至右，整個(gè)行駛場景點(diǎn)云圖展示出遠(yuǎn)距離、大范圍的點(diǎn)云融合效果。

圖8為動(dòng)態(tài)目標(biāo)“行人”的點(diǎn)云融合效果對比圖，是Pandar40P激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)。由圖可知，算法通過歷史幀中點(diǎn)云信息豐富了當(dāng)前幀點(diǎn)云，較好地解決了動(dòng)態(tài)目標(biāo)點(diǎn)云偏移問題，增強(qiáng)了運(yùn)動(dòng)目標(biāo)的點(diǎn)云密度，便于后續(xù)檢測。

本文算法融合效果與迭代最近點(diǎn)算法（iterative closest point，ICP）融合效果的對比如圖9所示。為便于觀察融合效果，使用Pandar40P激光雷達(dá)采集的點(diǎn)云數(shù)據(jù)。由圖可知，針對動(dòng)態(tài)目標(biāo)“車輛”，本文算法相較于迭代最近點(diǎn)算法，可以較好地降低動(dòng)態(tài)目標(biāo)點(diǎn)云的偏移誤差，改善動(dòng)態(tài)目標(biāo)融合效果。

由實(shí)驗(yàn)結(jié)果可知，本文提出的多幀點(diǎn)云融合算法可以適應(yīng)不同線束激光雷達(dá)點(diǎn)云數(shù)據(jù)，能夠降低動(dòng)態(tài)目標(biāo)點(diǎn)云引起的定位偏差與融合幀點(diǎn)云偏移問題，對于動(dòng)態(tài)環(huán)境中的點(diǎn)云有較好的融合效果。

接下來進(jìn)行算法耗時(shí)性分析，本文采集16線點(diǎn)云數(shù)據(jù)共1 050幀，融合算法共耗時(shí)76.65 s，平均每幀耗時(shí)0.073 s，激光雷達(dá)以10 Hz輸出點(diǎn)云，本文設(shè)計(jì)的算法能夠滿足實(shí)時(shí)性要求。

3.4 三維目標(biāo)檢測結(jié)果

為驗(yàn)證點(diǎn)云融合算法對后續(xù)三維目標(biāo)檢測算法的影響，本文分別在單幀點(diǎn)云和融合幀點(diǎn)云中使用PointRCNN算法進(jìn)行三維目標(biāo)檢測，對比其檢測結(jié)果中目標(biāo)識別的準(zhǔn)確率與三維框的定位精度。

圖10為RoboSense-16的三維目標(biāo)檢測效果對比。圖中綠色三維框?yàn)椤败囕v”，每個(gè)三維框右上角的數(shù)值為判別其是該類目標(biāo)的置信度，三維框中含有×標(biāo)記的一面為車頭方向。由對比圖可知，融合幀點(diǎn)云可以識別出更遠(yuǎn)處的“車輛”，提高16線激光雷達(dá)的目標(biāo)檢測效果。

基于Pandar40P的三維目標(biāo)檢測效果對比如圖11所示。其中藍(lán)色三維框?yàn)椤靶腥恕?，可以看出，相較于融合幀，單幀點(diǎn)云難以識別出遠(yuǎn)距離、有遮擋、小目標(biāo)的障礙物。

上述是分別針對不同線束的激光雷達(dá)點(diǎn)云進(jìn)行三維目標(biāo)檢測效果對比，圖12是對比不同融合算法的檢測效果。由圖12可知，基于ICP的點(diǎn)云融合算法在靜態(tài)環(huán)境中效果較好，但在動(dòng)態(tài)環(huán)境中，動(dòng)態(tài)目標(biāo)點(diǎn)云會引起定位誤差，且位姿變換后動(dòng)態(tài)目標(biāo)點(diǎn)云會產(chǎn)生偏移，影響三維目標(biāo)檢測的檢測精度。圖12中，（a）顯示不能檢測到遠(yuǎn)處的目標(biāo)，（b）則能很好地檢測出遠(yuǎn)處的目標(biāo)。

由實(shí)驗(yàn)結(jié)果對比可知，融合幀可以較好地提升低線束激光雷達(dá)單幀點(diǎn)云的三維目標(biāo)檢測精度，即本文算法能夠增強(qiáng)稀疏點(diǎn)云密度，改善低成本激光雷達(dá)的環(huán)境感知效果。

4 結(jié)束語

本文從降低成本、加快技術(shù)落地、提高算法檢測性能的角度出發(fā)，使用低線束激光雷達(dá)進(jìn)行環(huán)境感知，為改善稀疏點(diǎn)云的三維目標(biāo)檢測效果，提出一種動(dòng)態(tài)環(huán)境中多幀點(diǎn)云融合算法，通過識別動(dòng)態(tài)目標(biāo)來降低點(diǎn)云幀的定位誤差與融合幀的點(diǎn)云偏移，讓歷史幀點(diǎn)云更精確地融合進(jìn)當(dāng)前幀，最后使用融合幀點(diǎn)云進(jìn)行三維目標(biāo)檢測。實(shí)車實(shí)驗(yàn)證明，該方法能夠適用于不同線束激光雷達(dá)點(diǎn)云數(shù)據(jù)，改善低成本激光雷達(dá)的環(huán)境感知能力。

參考文獻(xiàn)：

［1］張茜.無人駕駛系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)［J］.電子技術(shù)與軟件工程，2019（18）：103-104.（Zhang Qian.Design and implementation of unmanned driving system［J］.Electronic Technology amp; Software Engineering，2019（18）：103-104.）

［2］劉少山，唐潔，吳雙，等.第一本自動(dòng)駕駛技術(shù)書［M］.北京：電子工業(yè)出版社，2017.（Liu Shaoshan，Tang Jie，Wu Shuang，et al.The first handbook of autonomous driving technology［M］.Beijing：Publishing House of Electronics Industry，2017.）

［3］陳篤廉.無人駕駛客車的發(fā)展現(xiàn)狀及展望［J］.機(jī)電技術(shù)，2017（3）：109-112.（Chen Dulian.Development status and prospect of driverless buses［J］.Mechanical amp; Electrical Technology，2017（3）：109-112.）

［4］Wu Yutian，Wang Yueyu，Zhang Shuwei，et al.Deep 3D object detection networks using LiDAR data：a review［J］.IEEE Sensors Journal，2021，21（2）：1152-1171.

［5］Geiger A，Lenz P，Urtasun R.Are we ready for autonomous driving？The KITTI vision benchmark suite［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.Washington DC：IEEE Computer Society，2012：3354-3361.

［6］Geiger A，Lenz P，Stiller C，et al.Vision meets robotics：the KITTI dataset［J］.International Journal of Robotics Research，2013，32（11）：1231-1237.

［7］Caesar H，Bankiti V，Lang A H，et al.nuScenes：a multimodal dataset for autonomous driving［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：11621-11631.

［8］Sun Pei，Kretzschmar H，Dotiwalla X，et al.Scalability in perception for autonomous driving：Waymo open dataset［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2020：2446－2454.

［9］張佳鵬.基于時(shí)空融合的激光雷達(dá)障礙物檢測與運(yùn)動(dòng)目標(biāo)跟蹤［D］.杭州：浙江大學(xué)，2019.（Zhang Jiapeng.Obstacle detection and moving object tracking based on spatial-temporal fusion of LiDAR［D］.Hangzhou：Zhejiang University，2019.）

［10］蘇天楚，潘博，倪俊.基于低線束雷達(dá)的低矮障礙物優(yōu)化檢測［C］//2018中國汽車工程學(xué)會年會論文集.北京：機(jī)械工業(yè)出版社，2018：177-182.（Su Tianchu，Pan Bo，Ni Jun.Optimal detection of low obstacles based on low beam radar［C］//Proc of Society of Automotive Engineers-China Congress.Beijing：China Machine Press，2018：177-182.）

［11］張艷國，李擎.基于慣性測量單元的激光雷達(dá)點(diǎn)云融合方法［J］.系統(tǒng)仿真學(xué)報(bào)，2018，30（11）：4334－4339.（Zhang Yanguo，Li Qing.Multi-frame fusion method for point cloud of LiDAR based on IMU［J］.Journal of System Simulation，2018，30（11）：4334－4339.）

［12］劉輝席，陳文浩，劉守印.基于IMU和動(dòng)態(tài)目標(biāo)檢測的多幀點(diǎn)云融合算法［J］.計(jì)算機(jī)應(yīng)用研究，2021，38（7）：2179－2182.（Liu Huixi，Chen Wenhao，Liu Shouyin.Multi-frame point cloud fusion algorithm based on IMU and dynamic target detection［J］.Application Research of Computers，2021，38（7）：2179－2182.）

［13］張濤，張晨，魏宏宇.動(dòng)態(tài)環(huán)境下融合激光雷達(dá)和IMU的激光里程計(jì)設(shè)計(jì)［J］.導(dǎo)航定位與授時(shí)，2022，9（3）：70-78.（Zhang Tao，Zhang Chen，Wei Hongyu.Design of LiDAR Odemeter integrating LiDAR and IMU in dynamic environment［J］.Navigation Positioning and Timing，2022，9（3）：70-78.）

［14］Shi Shaoshuai，Wang Xiaogang，Li Hongsheng.PointRCNN：3D object proposal generation and detection from point cloud［C］//Proc of IEEE/CVF Conference on Computer Vision and Pattern Recognition.Piscataway，NJ：IEEE Press，2019：770-779.

［15］陳向陽，楊洋，向云飛.歐氏聚類算法支持下的點(diǎn)云數(shù)據(jù)分割［J］.測繪通報(bào)，2017（11）：27－31，36.（Chen Xiangyang，Yang Yang，Xiang Yunfei.Measurement of point cloud data segmentation based on Euclidean clustering algorithm［J］.Bulletin of Surveying and Mapping，2017（11）：27－31，36.）

收稿日期：2022－05－15；修回日期：2022－07－12

作者簡介：王理嘉（1993－），女，河南鹿邑人，碩士研究生，主要研究方向?yàn)樽詣?dòng)駕駛、三維目標(biāo)檢測；于歡（1991－），男（土家族），湖南慈利人，博士研究生，主要研究方向?yàn)槎嘣锤兄c定位在自動(dòng)駕駛里面的應(yīng)用；劉守?。?964－），男（通信作者），河南周口人，教授，博士，主要研究方向?yàn)闊o線通信、物聯(lián)網(wǎng)、機(jī)器學(xué)習(xí)（syliu@mail.ccnu.edu.cn）．