基于車載4線激光雷達的前方道路可行駛區(qū)域檢測*

段建民　李龍杰　鄭凱華

（北京工業(yè)大學(xué)北京市交通工程重點實驗室，北京100124）

?

基于車載4線激光雷達的前方道路可行駛區(qū)域檢測*

段建民李龍杰鄭凱華

（北京工業(yè)大學(xué)北京市交通工程重點實驗室，北京100124）

【摘要】通過分析大量激光雷達數(shù)據(jù)，提出了改進的DBSCAN算法對雷達數(shù)據(jù)進行聚類，以使智能汽車獲得前方道路和障礙物信息。根據(jù)不同的密度參數(shù)，多次調(diào)用該算法完成多密度聚類。結(jié)合提出的道路邊沿、路面和障礙物等信息提取方法，在結(jié)構(gòu)化或半結(jié)構(gòu)化的城市道路中對提出的方法進行實車試驗，結(jié)果表明該算法可實時準確的提取智能汽車的可行駛區(qū)域信息。

1　前言

智能汽車利用可通行區(qū)域信息來保障其在道路區(qū)域內(nèi)安全行駛，防止側(cè)翻和碰撞等危險狀況發(fā)生。車輛可通行區(qū)域的主要信息有邊界的位置信息（路沿、路口）和道路內(nèi)的障礙物信息等。用于環(huán)境信息檢測的傳感器主要有攝像頭和激光雷達等。由于攝像頭采集數(shù)據(jù)時受環(huán)境影響較大，因此本文研究其中一種受環(huán)境因素影響較小的車載傳感器——激光雷達。激光雷達具有全天候、遠距離、不受光線影響等優(yōu)點，可以得到汽車前方環(huán)境的高精度距離和方位數(shù)據(jù)構(gòu)成的深度信息。

目前使用激光雷達提取道路信息的研究成果可參考文獻[1]～文獻[4]，從中可以看出，對雷達掃描數(shù)據(jù)進行處理的方法主要使用聚類分析，其被廣泛運用于數(shù)據(jù)挖掘技術(shù)中，是一種常用的模式識別方法。常用的聚類方法有基于劃分的聚類、基于層次聚類、基于密度的聚類、基于網(wǎng)格的聚類、基于神經(jīng)網(wǎng)絡(luò)的聚類、基于統(tǒng)計學(xué)的聚類和高維可視化數(shù)據(jù)聚類等。K-均值算法一般實現(xiàn)比較簡單，適合用來處理大量數(shù)據(jù)甚至是高維數(shù)據(jù)，但是K-均值算法具有需要預(yù)先給定K值和對外部噪聲敏感等缺點[4]。ISODATA算法在這兩個方面作了改進，但是同時也增加了許多限制條件，而這些限制條件在實際應(yīng)用中難以滿足。根據(jù)激光雷達的數(shù)據(jù)特點，當激光雷達掃描到物體表面時數(shù)據(jù)點會呈現(xiàn)密集分布特性，因此基于密度的方法更適合處理雷達數(shù)據(jù)。本文改進了基于密度的DBSCAN聚類算法，運用一維核密度估計和加權(quán)歐式距離來解決參數(shù)Eps和Minpts的選取問題，改進搜索范圍來提高運行速度，再提出可行駛區(qū)域方法。試驗結(jié)果表明，該算法可以很好的提取道路信息和得到可通行區(qū)域信息。

2　激光雷達數(shù)據(jù)特點和坐標轉(zhuǎn)換

2.1激光雷達數(shù)據(jù)特點分析

本文采用德國生產(chǎn)的IBEO-LUX-2010型號4線激光雷達，它是一種三維的4層激光雷達，利用多層技術(shù)可以獲得高度信息，與單線激光雷達相比具有數(shù)據(jù)量大、檢測精度高、探測距離遠、范圍廣等優(yōu)點。雖然與64線激光雷達相比還有一定差距，但是對于智能汽車而言，4線激光雷達性價比較高，在數(shù)據(jù)量和實時性方面能很好的滿足實際需求。該型號雷達垂直視場角度為2.4°，4條掃描線在垂直方向以不同的俯仰角同時在水平方向上構(gòu)成4個掃描面，相鄰的掃描面之間夾角為0.8°，水平視場寬，最大掃描角度范圍約為110°，掃描頻率為12.5 Hz，水平分辨率為0.125°，距離分辨率為4 cm，測量范圍為0.3～200 m，性能穩(wěn)定，具有全天候的工作特性，其具體參數(shù)如表1所列。

表1　IBEO-LUX-2010型激光雷達技術(shù)參數(shù)

IBEO-LUX-2010每次掃描采集到的數(shù)據(jù)包含周圍物體的距離、位置和掃描層數(shù)等信息，通過以太網(wǎng)進行數(shù)據(jù)信息的傳遞，以1幀數(shù)據(jù)為單位進行數(shù)據(jù)處理。

在給定的初始化條件下，通過對采集的單幀數(shù)據(jù)進行分析，得到如下特點：

a.激光雷達數(shù)據(jù)為三維數(shù)據(jù)，掃描點自左向右順序排列，掃描方式為周期掃描，每幀的返回數(shù)據(jù)點數(shù)目相差不大；

b.激光雷達返回的掃描數(shù)據(jù)時刻隨著行駛環(huán)境的變化而變化，因為需要根據(jù)智能汽車周圍環(huán)境進行聚類，所以聚類的數(shù)目不確定，形狀也是任意的，這就要求在實際聚類時聚類算法能根據(jù)數(shù)據(jù)特性對聚類數(shù)目有自適應(yīng)性；

c激光雷達掃描到道路路面上的點在x、y軸方向上基本為均勻緊密分布，距離很??；掃描到路沿（一般道路方向與車輛行駛方向同向）上的點為同一層中相鄰的點，x軸方向分布稀疏、y軸方向分布特別緊密，局部呈直線形；

d.激光雷達掃描到前方物體上的點，在相同掃描角度方向上，隨著障礙物距離的增大，返回的相鄰數(shù)據(jù)點間距變大，呈現(xiàn)正相關(guān)性；等距離情況時，隨著掃描到障礙物上的點與y軸夾角（0°～90°）的增大而增大，同樣也呈現(xiàn)正相關(guān)性。

根據(jù)雷達數(shù)據(jù)的掃描和分布特性，本文對道路信息提取時，主要使用最低的兩層數(shù)據(jù)來提取車輛前方的路面寬度和車輛所處位置等信息，而最高和次高層數(shù)據(jù)則用來探測較遠處的路面、丁字路口和阻擋物等信息，將4層數(shù)據(jù)融合處理后的結(jié)果與實際場景、高程數(shù)據(jù)信息等多特征比對，以保證提取的信息可靠。

2.2坐標轉(zhuǎn)換

從車輛的安全角度出發(fā)，為保證激光雷達對前方道路觀察的全面和準確，將4線激光雷達安裝在智能汽車正前方的中間位置，距離地面高度h為0.846 m，安裝示意圖如圖1所示。

圖1　激光雷達安裝示意圖

車體坐標系是以車輛后軸中心為坐標原點，前進方向為xv軸，水平向左為yv軸，豎直向上為zv軸。建立臨時坐標系以激光雷達在地面的投影中心為坐標原點OT，水平向前為xT軸，水平向左為yT軸，垂直于xoy平面豎直向上為zT軸。激光雷達坐標系以激光雷達的中心為坐標原點，取第1層藍層為xoy平面，水平向前為xL軸，水平向左為yL軸，垂直于藍層豎直向上為zL軸，如圖2所示。為保證在水平地面時能有兩條掃描線掃描到路面，以準確對道路信息進行提取，故安裝雷達時向下傾斜α>2.4°，如圖2所示?；谥悄芷嚨膽?yīng)用需要將傳感器坐標轉(zhuǎn)換到車體坐標系中，IBEO-LUX-2010激光雷達的垂直掃描精度為固定值θ0=0.8°，所以本文使用一種分層轉(zhuǎn)換4線激光雷達坐標的方法[5,6]，關(guān)系式為：

式中，ρ是雷達原點到掃描點的距離值；θ是激光雷達掃描過的角度值；i分別代表4層激光雷達的層號；ρ1(θ=0° )是智能汽車在水平地面上第1層掃描線掃描角度θ=0°時雷達坐標原點到地面距離值；R3×3為安裝旋轉(zhuǎn)矩陣；T1×3為平移矩陣，代表從臨時坐標系的原點到車輛坐標系的坐標原點的平移量，可由實際測量得到。

圖2　雷達數(shù)據(jù)的坐標轉(zhuǎn)換

由于雷達安裝固定后與車體的姿態(tài)時刻一致，因此利用車輛的位姿傳感器（如陀螺儀等）測量車輛姿態(tài)，得到旋轉(zhuǎn)矩陣R′，利用式（1）對雷達采集到的數(shù)據(jù)進行預(yù)處理，可以很好的處理車輛俯仰及道路結(jié)構(gòu)導(dǎo)致的激光雷達相對俯仰角起伏變化情況。

3　激光雷達數(shù)據(jù)處理

3.1DBSCAN算法

DBSCAN[7]聚類算法是一種經(jīng)典的基于密度的聚類算法。該算法首先遍歷數(shù)據(jù)集中的每個數(shù)據(jù)對象，若該數(shù)據(jù)對象的半徑鄰域內(nèi)包含的對象個數(shù)不少于給定的閾值，則將該數(shù)據(jù)對象標記為核心對象點，迭代尋找其附近密度可達的數(shù)據(jù)對象，標記為同類號形成一個簇，否則將剩余的點標記為噪聲點。DBSCAN算法的優(yōu)點是能夠發(fā)現(xiàn)任意形狀的簇，且對噪聲數(shù)據(jù)點不敏感。該算法需要預(yù)先給定領(lǐng)域搜索半徑Eps和領(lǐng)域內(nèi)成為核心對象的最小數(shù)據(jù)個數(shù)MinPts。傳統(tǒng)的DBSCAN算法描述為[8]：

a.檢查輸入的數(shù)據(jù)集合D中未被檢查過的數(shù)據(jù)點p，假如p未被處理過（未標記為某一類或歸為噪聲），檢查p的Eps領(lǐng)域內(nèi)數(shù)據(jù)點個數(shù)是否大于MinPts，若是，p標記為核心對象，且建立新簇C，將其領(lǐng)域內(nèi)的直接密度可達點歸入此簇。

b.檢查C中所有未被處理的數(shù)據(jù)點p′的Eps領(lǐng)域，若包含不少于MinPts個數(shù)據(jù)點，則將其領(lǐng)域中未處理的數(shù)據(jù)點歸入簇C中。

c.重復(fù)步驟b直至沒有新的對象加入簇C中，然后進行下一步。

d.重復(fù)上述3步驟，形成最大密度相連對象的集合，中間包含有一些密度可達對象集合的合并等操作。直到所有數(shù)據(jù)都被處理完畢，最后輸出帶有簇號或噪聲標記的數(shù)據(jù)集D′。

3.2一維核密度估計方法

基于前述激光雷達數(shù)據(jù)特征分析，本文選用一維核密度估計方法對一幀數(shù)據(jù)的數(shù)據(jù)特性進行初步統(tǒng)計，以提取需要的數(shù)據(jù)集。核密度估計是由Rosenblatt[9]和Parzen[10]等人提出的一種非參數(shù)估計方法，該方法可以不依賴于數(shù)據(jù)分布的先驗知識，從數(shù)據(jù)本身出發(fā)得到數(shù)據(jù)的分布特性。將激光雷達數(shù)據(jù)點的某一維度看作是一組服從獨立同分布的隨機變量x1,x2,……,xn，假設(shè)隨機變量服從同一概率密度函數(shù)f(x )，那么定義:

核函數(shù)都滿足Mercer定理，很容易確定。常用的核函數(shù)有Uniform、Triangular、Epanechnikov和Gaussian等，這些單個核函數(shù)與坐標軸形成的面積為1。本文采用常用的Epanechnikov核函數(shù)，其表達式如下:

該核密度函數(shù)不僅形式簡單，而且在所有核函數(shù)中其效率也是接近最優(yōu)的。在核密度估計中窗寬的選擇也很重要，若窗寬選擇過小，容易出現(xiàn)波動，呈現(xiàn)不規(guī)則形態(tài)，可能會掩蓋f(x)的重要特性；若窗寬選擇過大則經(jīng)壓縮后使得平均作用突出，會使(x)過于平穩(wěn)，減小靈敏性。結(jié)合經(jīng)驗和理論分析，運用交叉驗證策略選擇合適的窗寬h來平衡這兩種效應(yīng)[11]，本文選擇的窗寬為:

式中，σ?為待估計數(shù)據(jù)標準差的無偏估計。

由于相鄰多幀間數(shù)據(jù)相似度較大，結(jié)合當前幾幀待估計數(shù)據(jù)的σ?和n的中間值來進行計算，以防止出現(xiàn)突變值。經(jīng)試驗驗證所得的h能滿足實際應(yīng)用要求。

3.3加權(quán)歐式距離

加權(quán)歐式距離可以看作是對簡單歐式距離方法的一種改進，可以利用權(quán)重值將數(shù)據(jù)各個維度的重要性區(qū)別開來。設(shè)n維向量p1(x11,x12,……,x1n)、p2(x21,x22,……,x2n),加權(quán)歐式距離的表達公式如下：

式中，當λk=1時，為歐式距離；當λk≠1時，為加權(quán)歐式距離；當n=2時，dij為平面內(nèi)兩點的距離；當n=3時，dij為空間內(nèi)兩點間的距離。

對雷達數(shù)據(jù)進行核密度估計后提取各個峰值區(qū)域的點集，計算其橫、縱坐標的標準差值，對標準差較大的維度賦予較大的權(quán)重值。為了計算方便，將λ2進行歸一化處理，λ值的確定可根據(jù)當前幀核密度估計的峰值區(qū)域點集的橫縱坐標標準差求得，若σ′≠0，則；否則σ′=ε（很?。?。從而可以對掃描到路沿的點的x、y賦予不同權(quán)重值，而對于掃描到障礙物上的點，也可以采用此類辦法進行更精確的聚類。

3.4最小二乘法的擬合道路邊界

根據(jù)雷達的掃描數(shù)據(jù)特點，掃描到道路邊沿上的點一般都是呈線性分布，因此本文采用最小二乘法對聚類產(chǎn)生的數(shù)據(jù)點進行擬合，得出被掃描的道路邊沿表面輪廓。

最小二乘法常用于直線段y=kx+b擬合，其k、b的表達式為：

式中，n表示待擬合的點的個數(shù)；(xi,yi) 為待擬合點的坐標值；k代表斜率；b代表截距。

4　道路信息的提取方法

4.1改進的DBSCAN聚類算法

DBSCAN聚類方法能夠在存在噪聲的空間中發(fā)現(xiàn)任意數(shù)目和任意形狀的簇，但該聚類算法還存在以下不足[12,13]：

a.聚類時必須預(yù)先手工對Eps（半徑鄰域）和MinPts（核心對象鄰域內(nèi)的最少點數(shù)）兩個參數(shù)進行賦值，由于DBSCAN的聚類效果受這兩個參數(shù)準確性的影響嚴重，因此根據(jù)待處理數(shù)據(jù)的特征對這兩個參數(shù)值的自適應(yīng)確定至關(guān)重要；

b.通用的DBSCAN算法僅對這兩個參數(shù)進行一次賦值，只能對一個全局的單一密度聚類，而在處理密度多變的數(shù)據(jù)集時，往往得不到理想的聚類效果；

c.聚類算法在進行確立核心對象運算時，通常采用遍歷法，且隨著數(shù)據(jù)的遍歷核心對象不斷增多，會導(dǎo)致運算速度較慢且內(nèi)存耗費很大。

針對DBSCAN算法的缺點結(jié)合激光雷達數(shù)據(jù)的特點，本文提出了以下改進措施：

a.針對參數(shù)敏感且無法適用于多密度數(shù)據(jù)集聚類的缺點，運用一種改進的基于一維估計分析的多密度聚類算法[13]來對激光雷達數(shù)據(jù)進行聚類。即對一幀激光雷達數(shù)據(jù)進行一維核密度估計分析，估計激光雷達數(shù)據(jù)的特征分布，結(jié)合加權(quán)歐式距離，得到估計的峰值點附近的數(shù)據(jù)密度和估計的4-dist值（4最近鄰點的距離），對4- dist值從低到高進行排序[sort0,sort1,……，sortP]；在聚類時，先聚類出密度大的數(shù)據(jù)，再依次聚類出密度小的數(shù)據(jù)，從而作為DBSCAN的輸入?yún)?shù)進行多密度聚類，針對不同障礙物數(shù)據(jù)會有不同的密度輸入和處理提取方法。

b.為了降低算法的搜索復(fù)雜度，根據(jù)激光雷達掃描特性，運用采用峰值近鄰域掃描+分步處理的方法來代替常規(guī)DBSCAN方法中的遍歷法。現(xiàn)將KDE核密度估計的值高于一定密度值的區(qū)域[作為待處理區(qū)域，ζ表示核密度估計的鄰域范圍[12]。分步處理是將4線激光雷達分為兩部分，最低和次低的兩層由于直接掃描到路面上，主要用來提取橫向道路（如邊界等）信息，而最高和次高層由于掃描射程較遠，主要用來提取路面前方縱向道路（如障礙物等）信息（必要時可利用局部4層數(shù)據(jù)）。這樣兩層結(jié)合處理，既可以大大降低由于單層激光雷達處理時的虛警和誤報，又可以更好的探測車輛前方足夠大的行駛區(qū)域，同時降低了算法復(fù)雜度。

4.2道路邊沿信息提取算法

首先對1層雷達數(shù)據(jù)的橫坐標y進行一維核密度估計分析，尋找密度估計的峰值點，作為DBSCAN算法的核心對象，再對峰值點附近滿足式（7）條件的密度數(shù)據(jù)點區(qū)域進行提取：

這樣可以最大限度的保留掃描到路沿上的點，同時將一些散亂點數(shù)據(jù)濾除，如掃到的花草等。將提取出的目標區(qū)域數(shù)據(jù)點按密度從高到低進行排序，以聚類出密度大的簇，再依次對剩余的數(shù)據(jù)進行聚類，以把不同密度的數(shù)據(jù)點聚成不同的類別。而在對目標區(qū)域聚類前，首先結(jié)合加權(quán)歐式距離計算峰值點的4-dist近鄰點距離，作為DBSCAN的Eps參數(shù)輸入；然后將自適應(yīng)產(chǎn)生的參數(shù)輸入到改進的DBSCAN算法中，從而將線形分布的路沿數(shù)據(jù)點聚成若干簇，再運用最小二乘法擬合出道路邊沿線若干條。同理，對次低層數(shù)據(jù)進行同樣的分析操作，得到若干條道路邊沿線，保留距離車輛最近的左右兩邊各一條道路邊沿線。利用得到的高程信息z值對提取出的路沿點高度（一般為20 cm左右）特征進行驗證，再結(jié)合場景圖像實際對比和試驗驗證本方法可以很好的提取出道路邊沿線。

4.3可行駛區(qū)域的檢測

根據(jù)前述提取出的路沿信息，可以橫向界定可行駛區(qū)域范圍，為車輛橫向控制提供依據(jù)，同時需要進一步在此范圍內(nèi)對車輛縱向行駛區(qū)域進行檢測。其過程可分為道路路面的檢測提取和對路面上凹凸障礙物信息的提取兩部分。為了減小計算復(fù)雜度，根據(jù)路面上掃描點之間緊密連續(xù)排列的數(shù)據(jù)特點，將預(yù)處理后的雷達三維數(shù)據(jù)在xoy、yoz的二維平面中進行投影。在yoz平面內(nèi)，結(jié)合高程信息，可以將雷達各掃描層掃描到路面點部分提取出來。在一定范圍內(nèi)，路面具有一定的連續(xù)性，因此其高度也應(yīng)該在一定范圍內(nèi)變化。設(shè)當前車輛所處位置高度為he，由于地面起伏不平造成的局部高度差極值為τ，則激光雷達所掃描到的部分道路高度[2]應(yīng)滿足[he-τ,he+τ]。由于路面上的點彼此間距相差不大，且連續(xù)密集分布，在xoy平面內(nèi)，可以進一步將剩余路面點滿足式（8）條件標記為路面點：

式中，i，j為同一掃描層相鄰的點的序號；α為比例系數(shù)；θs為雷達各層的水平分辨率。

在濾除道路以外和路面的掃描點數(shù)據(jù)后，剩余的道路內(nèi)數(shù)據(jù)點聚類后主要分為兩種情況：凹障礙物，具有負高度值，如坑洼地區(qū)等，對智能汽車的行駛有一定安全隱患；凸障礙物，具有正高度值，如行人、車輛、路口的路肩或墻壁等。當這兩類障礙物出現(xiàn)在道路范圍內(nèi)后，需要對它們的信息進行提取。因為雷達掃描方式是自左向右，在掃描過程中只掃到同角度且距離雷達近的物體表面，所以對道路內(nèi)最高兩層（必要時局部4層）激光雷達的數(shù)據(jù)y值運用改進后的DBSCAN算法，對道路內(nèi)的障礙物進行不同密度的聚類。在yoz平面利用高程值提取出凸凹障礙物的最大高（深）度信息。通過障礙物高（深）度信息可以判斷出此障礙物所屬的類別，從而可以得到道路區(qū)域內(nèi)的障礙物屬性信息表示object= {distance,center_x,center_y,object_width,angle}。

前方道路被分割成若干部分，通過計算其與左右路沿的距離，可通行區(qū)域表示如下：

式中，i代表左、右路沿；ζ表示車輛通行的寬度安全系數(shù)。

5　實車試驗與結(jié)果分析

5.1道路路沿、路面檢測和提取試驗

為了驗證本文所提算法檢測路沿和路面的效果，在以下道路場景中進行試驗。試驗平臺為BJUT-IV自主研發(fā)的智能汽車平臺，裝備有型號為IBEO-LUX-2010 的4線激光雷達，前向安裝俯仰角角度約為2.88°，橫滾角約為-1.1°，正常行駛時保證在水平地面上有兩條掃描線掃描到路沿上。試驗場景1是校園內(nèi)一條雙向單車道的結(jié)構(gòu)化道路；試驗場景2是一條沒有標準車道和道路邊沿的道路。試驗場景1和場景2進行道路邊沿提取和路面提取。

圖3a所示為校園內(nèi)一條結(jié)構(gòu)化的雙向單車道道路，具有標準高度的路沿作為道路分界，道路兩邊有人行道，遠近道路寬度近似一致。圖3b是對原始一幀雷達數(shù)據(jù)的第0、1層進行一維（y坐標值）核密度估計（KDE）結(jié)果，可以看出掃描到路沿的點的密度估計值較大。由于人行道左側(cè)墻壁的干擾最低和次低層利用最小二乘法共擬合出5條路沿線（圖3c中的橢圓形標示路沿點），將距離較近的進行合并，再提取出距離車體位置最近的左右兩條路沿線（直線標示）。通過將提取出的數(shù)據(jù)點投影到y(tǒng)oz平面，進一步通過高度信息對比，對所提取的路沿進行確認，高度約為0.2 m，符合一般結(jié)構(gòu)化道路的路沿特征。

圖4所示為校園內(nèi)一條半結(jié)構(gòu)化的道路，一側(cè)具有標準的道路邊界，而另一側(cè)為具有一定高度的圍墻，并且距離車輛較近的道路寬度較窄，而較遠處較寬（道路中部凹陷是因為中部有排水設(shè)施）。同樣進行圖3的操作，可以得到兩條路沿擬合線。

圖3　結(jié)構(gòu)化城市道路試驗結(jié)果

圖4　半結(jié)構(gòu)化城市道路試驗結(jié)果

在提取的道路邊沿范圍內(nèi)對路面點進行提取，由于路面點高度在參考平面附近，且掃描到路面上的點為同一層連續(xù)緊密排列的點，因此先利用高度條件提取出部分路沿點集，再利用式（7）來將符合特征的點歸為路面點集中。從對結(jié)構(gòu)化和半結(jié)構(gòu)化的道路路面提取試驗可以證明，所提出的路面提取方法可以很好的提取路面點，如圖3c和4c中的路面點標示。再與圖3d、4d的高度信息作對比，高度在參考水平面附近，符合一般道路的路面特征。

5.2道路可行駛區(qū)域信息檢測與提取

在對道路橫向邊沿和路面進行提取后，進一步對道路內(nèi)剩余的4層雷達數(shù)據(jù)點提取道路縱向信息，進而得出智能汽車的可行駛區(qū)域。本次試驗分為兩種情形的信息提取，第一是對前方道路阻斷情形檢測（如丁字路口）；第二是對道路中凹凸障礙物信息的提取，得到更具體的可行駛區(qū)域。

對路面行駛區(qū)域的界定，包括橫向和縱向行駛區(qū)域界定。圖5是一個丁字路口情形。利用本文提出的算法提取出兩條道路邊沿線，再分別提取道路寬度、車輛中心距離左右道路邊沿的距離和前方路口距離信息。圖5表明，當前道路寬度為3.71 m，實際測量為3.80 m，誤差為9 cm，車輛距離左側(cè)路沿距離為2.65 m，右側(cè)為1.07 m，當前車輛距離前方丁字路口邊界距離為39.81 m。圖6是一個直道情形，當前道路寬度為10.56 m，實際測量為10.51 m，誤差僅為5 cm，車輛距離左側(cè)路沿距離為5.97m，右側(cè)為4.61 m，當前行駛方向無路口。

圖5　丁字路口檢測

由于最高和次高層掃描到較遠地方和入射角度的原因，一般沒有路面回波，而當前方出現(xiàn)障礙物時才會在路面范圍內(nèi)具有一維投影且具有一定的高度值。利用上述特性對凸障礙物進行檢測。圖6檢測到前方有兩個行人、1輛車和1個垃圾桶共4個障礙物，具體信息為{distance，center_x，center_y，width，angle}，在圖6的下方顯示，并用方框標識。

圖6　直路和凸障礙物檢測

對于凹陷區(qū)域，主要采用提取路面區(qū)域的斷點區(qū)域，利用最低兩層的掃描點數(shù)據(jù)找到凹障礙物，如圖7左側(cè)圖顯示為路面中一個凹陷的坑洼，對應(yīng)圖7右側(cè)圖激光雷達檢測到黑色橢圓所標記區(qū)域，凹障礙物寬度為1.22 m，深度為-0.11 m，坐標位置為（20.23,0.62），距離車體坐標原點為20.24 m，相對車輛前進方向（x軸）夾角為1.75°。

圖7　凹障礙物檢測

6　結(jié)束語

根據(jù)4線激光雷達掃描特性，提出了一種改進的DBSCAN算法。該算法通過一維核密度估計方法對雷達的原始數(shù)據(jù)進行統(tǒng)計分析，對不同維度進行密度估計，再結(jié)合4-dist提取峰值附近的加權(quán)歐式距離值，從而解決了原始DBSCAN聚類方法全局單一參數(shù)問題，能夠根據(jù)數(shù)據(jù)特征自適應(yīng)的對參數(shù)Eps和MinPts進行調(diào)整，同時解決了原聚類算法只能對單一密度區(qū)域進行聚類的問題。根據(jù)道路中不同物體的特性，提出了可行駛區(qū)域信息提取方法，并且在規(guī)則和半規(guī)則化城市道路中的實車試驗中得到驗證。同時還可以根據(jù)得到的可行駛區(qū)域信息進行建立局部地圖，結(jié)合智能汽車全局的路徑規(guī)劃進行導(dǎo)航工作，對道路內(nèi)的障礙物進行識別、跟蹤，進一步完善車輛周圍的局部地圖，也可以作為未來的研究方向。

參考文獻

1史鵬波.基于單線激光雷達的道路特征檢測:[學(xué)位論文].南京:南京理工大學(xué), 2013.

2袁夏,趙春霞.一種激光雷達可通行區(qū)域提取算法.兵工學(xué)報,2010（12）: 1702～1707.

3周俊靜，段建民，楊光祖.基于雷達測距的車輛識別與跟蹤方法.汽車工程,2014（11）: 1415～1420.

4吳維一，劉大學(xué)，戴斌.一種處理激光雷達數(shù)據(jù)的聚類分析方法.計算機仿真,2007（08）:236～240.

5萬忠濤.基于激光雷達的道路與障礙檢測研究:[學(xué)位論文].長沙:國防科學(xué)技術(shù)大學(xué), 2010.

6楊象軍.基于四線激光雷達的道路檢測與跟蹤:[學(xué)位論文].杭州:浙江大學(xué),2013.

7 Martin Ester, Hans-Peter Kriegel, Jorg Sander,Xiaowei Xu. A density- based algorithm for discovering clusters in large spatial databases with noise.The 2nd International Confer?ence On Knowledge Discovery and Data Ming,1996: 226～231.

8李雙慶，慕升弟.一種改進的DBSCAN算法及其應(yīng)用.計算機工程與應(yīng)用,2014（08）: 72～76.

9 Rosenblatt M. Remarks on some nonparametric estimates of a density function. Annals of Mathematical Statistic,1956,27 （6）: 832～837.

10ParzenE. On estimation of a probability density function and mode．Annals of Mathematical Statistics,1962,33 (8): 1065～1076．

11 Christoph Heinzand, Bernhard Seeger. Cluster Kernels: Re?source- Aware Kernel Density Estimators over Streaming Data. IEEE Transactions on Knowledge and Data Engineer?ing, 2008（20）:884～885.

12關(guān)超華，陳泳丹，陳慧巖，龔建偉.基于改進DBSCAN算法的激光雷達車輛探測方法.北京理工大學(xué)學(xué)報,2010 （06）: 732～736.

13錢美旋，葉東毅.利用一維投影分析的無參數(shù)多密度聚類算法.小型微型計算機系統(tǒng),2013（08）:1866～1871.

（責(zé)任編輯簾青）

修改稿收到日期為2015年9月1日。

Preceding Drivable Area Detection Based on Four-layer Laser Radar

Duan Jianmin, Li Longjie，Zheng Kaihua
（Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124）

【Abstract】By analyzing a large number of laser radar’s data, a modified Density Based Spatial Clustering of Applications with Noise (DBSCAN) algorithm is proposed to obtain the information on roads and obstacles for intelligent vehicle. According to different density parameters, this algorithm is called to complete multiple density clustering. Also, methods for extracting the information on road edge, road surface and obstacles etc., are proposed, which are tested on vehicle on structured and semi- structured urban roads. The results show that the methods can real- time extract the accurate information on drivable area for intelligent vehicle.

Key words:Four- layer Laser Radar, DBSCAN Algorithm, Weighted Euclidean Distance, Drivable Area

中圖分類號:U463.6

文獻標識碼:A

文章編號:1000-3703（2016）02-0055-07

*基金項目：北京市屬高等學(xué)校人才強教計劃資助項目（038000543115025）。

主題詞:4線激光雷達DBSCAN算法加權(quán)歐式距離可行駛區(qū)域