基于稀疏點(diǎn)云的ADAS三維地圖構(gòu)建方法

姚 遠(yuǎn)，王 玥*，胡慶武

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

基于稀疏點(diǎn)云的ADAS三維地圖構(gòu)建方法

姚 遠(yuǎn)1，王 玥1*，胡慶武1

（1.武漢大學(xué) 遙感信息工程學(xué)院，湖北 武漢 430079）

提出了一種基于機(jī)載LiDAR稀疏點(diǎn)云與已有道路二維導(dǎo)航地圖快速構(gòu)建ADAS三維地圖的方法。通過(guò)稀疏點(diǎn)云與導(dǎo)航地圖拓?fù)浏B加分析和三維空間關(guān)系檢驗(yàn)，實(shí)現(xiàn)了對(duì)復(fù)雜道路結(jié)構(gòu)的高程平滑和面向ADAS的道路三維地圖構(gòu)建。以香港地區(qū)ADAS地圖為例，采用該方法進(jìn)行了三維地圖構(gòu)建。結(jié)果表明，該方法合理且效率高，精度滿足先進(jìn)自動(dòng)駕駛?cè)S地圖要求。

ADAS；機(jī)載LiDAR；三維地圖；高程平滑

谷歌的智能駕駛是基于導(dǎo)航技術(shù)的，它結(jié)合地圖數(shù)據(jù)、GPS數(shù)據(jù)以及在行駛過(guò)程中對(duì)周圍環(huán)境的探測(cè)來(lái)決定如何行駛[1]。精確的地圖數(shù)據(jù)在智能駕駛的實(shí)現(xiàn)中非常重要，利用地圖數(shù)據(jù)可預(yù)知前方道路狀況以決定是否需要增減油門[2]，并可在高程約束下選擇最優(yōu)路徑。地圖數(shù)據(jù)作為一種新的傳感器，在ADAS中應(yīng)用廣泛，LI Kang[3]等提出實(shí)時(shí)構(gòu)建道路曲率以支持ADAS應(yīng)用的思路；Thomas B[4]等構(gòu)建了一種實(shí)時(shí)更新與測(cè)試ADAS地圖的方法；LU Meng[5]等研究了在ADAS的使用中如何利用地圖有效減少交通事故的發(fā)生；李德毅[6]提出的智能駕駛需要高精度三維導(dǎo)航地圖，但現(xiàn)存導(dǎo)航地圖多以二維為主，缺少高程信息，實(shí)用性不強(qiáng)。

近年來(lái)，機(jī)載LiDAR作為精確、快速獲取三維數(shù)據(jù)的技術(shù)正得到廣泛認(rèn)同[7]。通過(guò)高速激光掃描測(cè)量的方法，大面積快速獲取被測(cè)對(duì)象表面的三維坐標(biāo)數(shù)據(jù)，可快速采集城市三維信息[8]。LiDAR點(diǎn)云的存在為利用現(xiàn)存的二維導(dǎo)航地圖生成三維地圖提供了可能。本文提出一種基于機(jī)載LiDAR稀疏點(diǎn)云和已有道路二維導(dǎo)航地圖來(lái)快速構(gòu)建ADAS三維地圖的方法。

1 算法框架

本文基于LiDAR稀疏點(diǎn)云的ADAS三維地圖構(gòu)建在統(tǒng)一的地理參考下，通過(guò)稀疏點(diǎn)云與導(dǎo)航地圖平面拓?fù)浏B加分析和三維空間關(guān)系檢驗(yàn)，將稀疏點(diǎn)云的高程信息無(wú)縫平滑地轉(zhuǎn)移到二維導(dǎo)航地圖上，以此實(shí)現(xiàn)導(dǎo)航地圖中道路的三維構(gòu)建，如圖1所示。

實(shí)現(xiàn)ADAS三維地圖構(gòu)建的關(guān)鍵是稀疏點(diǎn)云高程數(shù)據(jù)到道路對(duì)象的準(zhǔn)確轉(zhuǎn)換[9]。一方面，稀疏點(diǎn)云來(lái)自機(jī)載LiDAR掃描，點(diǎn)云數(shù)據(jù)含有粗差；另一方面，點(diǎn)云密度與道路對(duì)象分割不匹配，在同一路段內(nèi)道路點(diǎn)云高程存在變化，如圖2所示，路段1、2內(nèi)的點(diǎn)云存在高程差異，路段1和路段2結(jié)合處點(diǎn)云也存在高程差異，還有部分點(diǎn)云在路段的邊界附近，這些都給基于LiDAR稀疏點(diǎn)云的道路高程賦值帶來(lái)困難。因此，需要對(duì)稀疏點(diǎn)云粗差進(jìn)行預(yù)處理，并通過(guò)空間一致性檢驗(yàn)來(lái)解決點(diǎn)云到道路對(duì)象的合理賦值。因此，本文設(shè)計(jì)的算法流程為：首先對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理并構(gòu)建格網(wǎng)；然后將構(gòu)網(wǎng)的數(shù)據(jù)和二維導(dǎo)航地圖數(shù)據(jù)疊加賦予高程信息生成三維導(dǎo)航數(shù)據(jù)；再對(duì)生成的三維導(dǎo)航數(shù)據(jù)進(jìn)行平滑處理并進(jìn)行一致性檢驗(yàn)，最后得到符合要求的三維導(dǎo)航地圖（圖3）。

圖2 點(diǎn)云與道路對(duì)象匹配問(wèn)題

2 ADAS三維地圖構(gòu)建算法

基于稀疏點(diǎn)云和二維導(dǎo)航地圖疊置構(gòu)建三維地圖的方法包括點(diǎn)云數(shù)據(jù)預(yù)處理、二維導(dǎo)航地圖疊置分析、高程平滑和空間關(guān)系校驗(yàn)等。點(diǎn)云數(shù)據(jù)預(yù)處理包括點(diǎn)云數(shù)據(jù)的坐標(biāo)轉(zhuǎn)換、不同航帶點(diǎn)云的拼接和點(diǎn)云粗差過(guò)濾，以減少點(diǎn)云在后續(xù)疊置分析中對(duì)精度的影響。

圖 3 算法流程

2.1 二維導(dǎo)航地圖疊置分析

利用點(diǎn)云數(shù)據(jù)和二維導(dǎo)航地圖數(shù)據(jù)構(gòu)建三維導(dǎo)航地圖需要將二者進(jìn)行疊加分析。然而，機(jī)載點(diǎn)云的數(shù)據(jù)量很大，直接進(jìn)行疊加分析運(yùn)算量大且耗時(shí)，尋找有效算法加快處理的速度很重要。本文根據(jù)高程賦值的特點(diǎn)將點(diǎn)云數(shù)據(jù)按照范圍構(gòu)建格網(wǎng)，再將格網(wǎng)和二維導(dǎo)航地圖進(jìn)行疊加分析，主要步驟如下：

1）稀疏點(diǎn)云格網(wǎng)構(gòu)建。計(jì)算稀疏點(diǎn)云所有點(diǎn)所在的平面范圍：（Xmin，Ymin）和（Xmax，Ymax），根據(jù)平面范圍生成0.1×0.1的點(diǎn)云格網(wǎng)[10]。格網(wǎng)點(diǎn)的高程值取格網(wǎng)范圍內(nèi)所有點(diǎn)高程值的最小值hmin。

2）空間疊置。將點(diǎn)云格網(wǎng)與二維導(dǎo)航地圖進(jìn)行空間疊置分析。

3）高程賦值。對(duì)于二維導(dǎo)航地圖上的點(diǎn)P（x，y），統(tǒng)計(jì)以此點(diǎn)為中心，10×10格網(wǎng)內(nèi)所有點(diǎn)的高程值，將最小值Minh作為該點(diǎn)的高程值。

將分別采用直接疊置分析和構(gòu)建格網(wǎng)后進(jìn)行疊置分析的運(yùn)行時(shí)間進(jìn)行對(duì)比，結(jié)果如表1所示?？梢?，本文構(gòu)建格網(wǎng)的疊置分析方法能夠?qū)Ⅻc(diǎn)云和二維導(dǎo)航圖疊置分析的效率提高1 000倍以上，解決了利用大數(shù)據(jù)量稀疏LiDAR點(diǎn)云構(gòu)建三維導(dǎo)航地圖的運(yùn)算效率問(wèn)題。

表1 不同疊置分析方法效率對(duì)比

2.2 高程平滑

通過(guò)稀疏點(diǎn)云與二維導(dǎo)航圖直接疊置分析生成的三維導(dǎo)航地圖中，每個(gè)點(diǎn)的高程值都是基于點(diǎn)云孤立生成的，沒有考慮道路要素內(nèi)部的拓?fù)湟恢滦裕虼舜嬖诟叱掏蛔兒透叱藤x值錯(cuò)誤，影響在ADAS中的使用。一種常見高程異常為高架橋道路，受制于點(diǎn)云密度和精度，道路面上的高程點(diǎn)存在部分是路面上LiDAR點(diǎn)云高程值，部分是橋梁下方點(diǎn)云高程值，以最小高程值作為道路面高程疊置賦值，會(huì)導(dǎo)致道路面高程錯(cuò)誤[11]。因此，需通過(guò)道路內(nèi)部的拓?fù)浣Y(jié)構(gòu)進(jìn)行高程平滑，改正高程突變和高程賦值錯(cuò)誤。本文采用二次曲面擬合進(jìn)行高程平滑。

二次曲面方程為：

式中，（x，y）為平面坐標(biāo)；f（x，y）為高程值。

道路要素內(nèi)部所有點(diǎn)的高程值h1，h2，h3，…，hn中，若某一點(diǎn)高程值hk相對(duì)應(yīng)的高程殘差vk滿足下列條件：

根據(jù)以上算法原理，本文采用基于二次曲面擬合進(jìn)行高程異常點(diǎn)改正，實(shí)現(xiàn)高程平滑。

設(shè)三維導(dǎo)航數(shù)據(jù)中道路要素編號(hào)依次為（p1，p2，…，pn），n為道路要素的總個(gè)數(shù)，高程平滑步驟如下：

1）提取道路要素。取出第i個(gè)道路要素pi。

2）計(jì)算標(biāo)準(zhǔn)差。針對(duì)取出的道路要素pi，統(tǒng)計(jì)pi中所有點(diǎn)h1，h2，…，hm（m為點(diǎn)個(gè)數(shù)）的高程之和Sumh，根據(jù)點(diǎn)的個(gè)數(shù)求平均值，計(jì)算標(biāo)準(zhǔn)差的估計(jì)量σ。

3）找到異常數(shù)據(jù)。取出pi中點(diǎn)hk與3σ比較大?。捍笥诖酥?，進(jìn)入下一步；小于此值，跳過(guò)這個(gè)點(diǎn)，計(jì)算下個(gè)點(diǎn)。

4）高程異常值修改。根據(jù)異常值hk前后6個(gè)點(diǎn)的非零高程值，由式（1）擬合一個(gè)二次曲面函數(shù)。根據(jù)擬合的曲面函數(shù)計(jì)算異常點(diǎn)的高程值，存入數(shù)據(jù)中，返回3）。

5）中止。當(dāng)k=m時(shí)道路要素pi平滑完成，道路要素內(nèi)部過(guò)程中止；當(dāng)i=n時(shí)所有道路要素高程平滑過(guò)程中止。

2.3 空間關(guān)系檢驗(yàn)

二維導(dǎo)航地圖在賦予高程信息并平滑后生成的三維導(dǎo)航地圖需要檢驗(yàn)生成精度是否滿足要求。現(xiàn)場(chǎng)測(cè)量驗(yàn)證費(fèi)力耗時(shí)，可根據(jù)三維導(dǎo)航數(shù)據(jù)的空間拓?fù)湟恢滦院秃侠硇赃M(jìn)行校驗(yàn)。本文設(shè)計(jì)了2種空間關(guān)系校驗(yàn)方法。

2.3.1 導(dǎo)航地圖要素內(nèi)部檢驗(yàn)

由于單一要素內(nèi)部的高程變化不是很大，檢驗(yàn)采用高程的均方差。對(duì)于每個(gè)要素，計(jì)算其高程值的均方差，如果均方差超過(guò)給定閾值，則內(nèi)部檢驗(yàn)不合格，此要素標(biāo)記為錯(cuò)誤。

2.3.2 導(dǎo)航地圖要素之間檢驗(yàn)

要素之間的檢驗(yàn)采用鄰接性。本文定義鄰接性：相鄰要素之間具有相同的平面坐標(biāo)值時(shí)，高程值相同說(shuō)明鄰接性正常，反之則鄰接性不正常。如圖4所示，道路要素1的P1點(diǎn)和道路要素2的P2點(diǎn)滿足：x1=x2，鄰接性不正常，2個(gè)要素都標(biāo)記為錯(cuò)誤。

圖 4 鄰接性檢驗(yàn)示例

3 實(shí)驗(yàn)及分析

本文采用香港油尖旺區(qū)（街區(qū)道路）和觀塘區(qū)（高架橋道路）的三維ADAS導(dǎo)航地圖來(lái)驗(yàn)證構(gòu)建方法的有效性。道路部分分為機(jī)動(dòng)車輛道路要素、交叉道路要素和分割車道要素。稀疏點(diǎn)云來(lái)自機(jī)載LiDAR，點(diǎn)云數(shù)據(jù)經(jīng)過(guò)初步處理以及地面點(diǎn)和非地面點(diǎn)的分離，有效減少了點(diǎn)云高程賦值的工作量。

圖5 實(shí)驗(yàn)數(shù)據(jù)集

如圖5所示，實(shí)驗(yàn)數(shù)據(jù)中藍(lán)色要素為ADAS二維導(dǎo)航地圖，其他顏色要素為來(lái)自LiDAR地面點(diǎn)的稀疏點(diǎn)云。采用本文算法生成三維導(dǎo)航地圖，結(jié)果如圖6、 7所示，局部放大圖為全局圖紅圈標(biāo)注部分的放大圖。無(wú)論是一般的道路街區(qū)還是高架橋區(qū)域，采用本文算法，都能得到較好的道路三維導(dǎo)航圖，相鄰的道路要素高程過(guò)渡自然平滑，無(wú)明顯的高程階躍。

圖6 油尖旺區(qū)ADAS結(jié)果

為了進(jìn)一步定量評(píng)價(jià)本文算法的有效性，對(duì)該方法生成的道路三維ADAS導(dǎo)航圖進(jìn)行空間關(guān)系檢驗(yàn)，其結(jié)果如表2所示。2個(gè)實(shí)驗(yàn)數(shù)據(jù)集得到的三維道路ADAS導(dǎo)航圖外部鄰接性檢驗(yàn)結(jié)果都在97%以上，說(shuō)明三維導(dǎo)航地圖相鄰道路面高程過(guò)渡平滑，無(wú)明顯階躍；內(nèi)部均方差在0.5 m以內(nèi)的達(dá)到97%以上，說(shuō)明道路路段內(nèi)部高程賦值平穩(wěn)，與實(shí)際道路情況相符，因此本文算法是有效的。

表2 三維ADAS導(dǎo)航圖空間關(guān)系檢驗(yàn)結(jié)果

4 結(jié) 語(yǔ)

本文提出利用機(jī)載激光點(diǎn)云數(shù)據(jù)結(jié)合二維導(dǎo)航地圖生成三維導(dǎo)航地圖的方法，通過(guò)稀疏點(diǎn)云與導(dǎo)航地圖拓?fù)浏B加分析和三維空間關(guān)系檢驗(yàn)，實(shí)現(xiàn)面向ADAS的道路三維地圖構(gòu)建，為ADAS提供了基礎(chǔ)三維道路信息，便于司機(jī)對(duì)道路狀況的預(yù)判，進(jìn)行最優(yōu)路徑規(guī)劃和減少能源的消耗。香港地區(qū)ADAS地圖構(gòu)建結(jié)果表明，本文方法能有效解決利用已有數(shù)據(jù)生成三維導(dǎo)航地圖的問(wèn)題，可降低基于車載三維激光掃描移動(dòng)測(cè)量系統(tǒng)制作ADAS三維導(dǎo)航圖的工作量。需要進(jìn)一步解決的是要素內(nèi)部LiDAR點(diǎn)云密度不夠時(shí)高程賦值精度的問(wèn)題。

[1] Hillel A B, Lerner R, Levi D, et al. Recent Progress in Road and Lane Detection: a Survey[J].Machine Vision and Applications,2014,25(3):727-745[2] Etsion I, Sher E. Improving Fuel Efficiency with Laser Surface Textured Piston Rings[J].Tribology International,2009,42(4): 542-547

[3] LI K, TAN H, Misener J A, et al. Digital Map as a Virtual Sensor-dynamic Road Curve Reconstruction for a Curve Speed Assistant[J]. Vehicle System Dynamics,2008,46(12):1 141-1 158

[4] Thomas B, Lowenau J, Durekovic S, et al. Test Results and Validation of the Feed Map Framework with ADAS Applications[C]. International IEEE Conference on Intelligent Transportation Systems,Beijing, 2008

[5] LU M, Wevers K, WANG J. Implementation Road Map for In-vehicle Safety Systems in China[J].Transportation Research Record: Journal of the Transportation Research Board, 2010(2148):116-123

[6] 李德毅.大數(shù)據(jù)時(shí)代的位置服務(wù)[J]. 測(cè)繪科學(xué), 2014(8): 3-6

[7] Manandhar D, Shibasaki R. Vehicle-borne Laser Mapping System(VLMS)-a New Observation System for 3D Mapping of Urban Areas[C].IEEE/ISPRS Joint Workshop on Remote Sensing and Data Fusion over Urban Areas, Rome,2001

[8] Grinstead B, Koschan A, Page D, et al. Vehicle-borne Scanning for Detailed 3D Terrain Model Generation[C]. Commercial Vehicle Engineering Congress and Exhibition, Chicago, 2005

[9] WANG J, Lawson G, SHEN Y. Automatic High-fidelity 3D Road Network Modeling Based on 2D GIS Data[J]. Advances in Engineering Software,2014,76: 86-98

[10] SHI W Z, LI B J, LI Q Q. A Method for Segmentation of Range Image Captured by Vehicle-borne Laser Scanning Based on the Density of Projected Points[J]. Acta Geodaetica Et Cartographic Sinica, 2005,34:95-100

[11] Cavegn, Stefan, Stephan Nebiker. Automated 3D Road Sign Mapping with Stereovision-based Mobile Mapping Exploiting Depth Information from Dense Stereo Matching[J]. Photogrammetrie Fernerkundung Geoinformation, 2012(5):631-645

P28

B

1672-4623（2016）07-0059-03

10.3969/j.issn.1672-4623.2016.07.018

姚遠(yuǎn),碩士研究生，研究方向?yàn)榈貓D學(xué)與地理信息系統(tǒng)。

2015-06-02。

項(xiàng)目來(lái)源：國(guó)家自然科學(xué)基金資助項(xiàng)目（41271452）。（*為通訊作者）