基于3D激光雷達(dá)的無(wú)人水面艇海上目標(biāo)檢測(cè)

李小毛,張?chǎng)?王文濤,瞿棟,祝川

(上海大學(xué)機(jī)電工程與自動(dòng)化學(xué)院,上海 200072)

基于3D激光雷達(dá)的無(wú)人水面艇海上目標(biāo)檢測(cè)

李小毛,張?chǎng)?王文濤,瞿棟,祝川

(上海大學(xué)機(jī)電工程與自動(dòng)化學(xué)院,上海 200072)

無(wú)人水面艇(unmanned surface vehicle,USV)實(shí)現(xiàn)自主導(dǎo)航避障需要實(shí)時(shí)感知周?chē)沫h(huán)境信息,檢測(cè)出威脅無(wú)人水面艇航行的障礙物,而3D激光雷達(dá)在無(wú)人系統(tǒng)障礙檢測(cè)中起重要作用.提出了一種基于3D激光雷達(dá)的障礙檢測(cè)算法,即將一個(gè)周期內(nèi)的3D激光點(diǎn)云投影到2.5D柵格地圖中,對(duì)障礙物進(jìn)行聚類(lèi)分割；對(duì)柵格中的原始點(diǎn)云數(shù)據(jù)進(jìn)行特征提取,表示為橢圓障礙物.而多幀激光數(shù)據(jù)采用最近鄰數(shù)據(jù)關(guān)聯(lián)識(shí)別出其中的動(dòng)態(tài)障礙物,并用卡爾曼濾波實(shí)時(shí)跟蹤.基于電子海圖的仿真激光數(shù)據(jù)驗(yàn)證了該方法在無(wú)人水面艇障礙檢測(cè)中的有效性.

無(wú)人水面艇;激光雷達(dá);障礙檢測(cè);柵格地圖;橢圓表示

無(wú)人水面艇(unmanned surface vehicle,USV)是一種智能化的小型水面平臺(tái),可以代替有人水面艇在特定水域完成一些繁瑣的、復(fù)雜的甚至危險(xiǎn)的任務(wù).如果要在多變的、復(fù)雜的海況下安全自主地完成各項(xiàng)任務(wù),則無(wú)人水面艇必須具備良好的環(huán)境感知能力,其中準(zhǔn)確穩(wěn)定的障礙物檢測(cè)能力是無(wú)人水面艇實(shí)現(xiàn)自主導(dǎo)航避障的前提和關(guān)鍵技術(shù).

無(wú)人水面艇障礙物檢測(cè)法按所用傳感器的不同可以分為被動(dòng)檢測(cè)法和主動(dòng)檢測(cè)法[1].被動(dòng)檢測(cè)法是指利用單目視覺(jué)或立體視覺(jué)傳感器感知環(huán)境信息的方法,這種方法是文獻(xiàn)[2-5]中最常見(jiàn)的障礙物檢測(cè)方法,其主要特點(diǎn)是可以獲得豐富的顏色特征,通常是利用邊緣檢測(cè)算法提取出海天交界線,然后在海天交界線下方搜索感興趣的目標(biāo)特征.但是,單目視覺(jué)檢測(cè)法往往難以獲得目標(biāo)精確的深度信息,且圖像極易受光照變化的影響;而立體視覺(jué)檢測(cè)法數(shù)據(jù)量較大,較難實(shí)現(xiàn)實(shí)時(shí)處理的需求.主動(dòng)檢測(cè)法是利用激光雷達(dá)、海事雷達(dá)等距離傳感器檢測(cè)無(wú)人水面艇周?chē)恼系K物.海事雷達(dá)主要用于遠(yuǎn)距離的海上目標(biāo)檢測(cè)與跟蹤,但是通常只能提供目標(biāo)的位置和速度信息,無(wú)法識(shí)別出目標(biāo)的形狀特征,且雷達(dá)在近距離范圍內(nèi)存在一定盲區(qū).Almeida等[6]、Blaich等[7]和Hermann等[8]分別提出了基于雷達(dá)的障礙檢測(cè)方法,較好地實(shí)現(xiàn)了無(wú)人水面艇遠(yuǎn)距離的目標(biāo)檢測(cè).

激光雷達(dá)根據(jù)其掃描激光束的數(shù)量分為2D激光雷達(dá)和3D激光雷達(dá).由于測(cè)量精度高,抗干擾能力強(qiáng),故激光雷達(dá)非常適用于無(wú)人水面艇中遠(yuǎn)距離的障礙檢測(cè).Peng等[9]提出了一種基于2D激光雷達(dá)的障礙檢測(cè)算法(障礙物表示為圓形),由于傳感器的限制,其檢測(cè)距離只有50 m,且在無(wú)人水面艇劇烈晃動(dòng)時(shí)會(huì)出現(xiàn)丟失目標(biāo)的情況.

使用3D激光雷達(dá)可以較好地解決上述問(wèn)題.3D激光雷達(dá)檢測(cè)距離遠(yuǎn),水平、垂直視場(chǎng)大,為此被廣泛應(yīng)用于無(wú)人水面艇、無(wú)人車(chē)等無(wú)人平臺(tái)的目標(biāo)檢測(cè)和環(huán)境感知中.3D激光雷達(dá)的數(shù)據(jù)表示方法有點(diǎn)云表示法、基于特征的表示法和基于柵格的表示法[10],其中基于柵格的表示法將空間離散成較小的柵格單元(cell),每個(gè)柵格中存儲(chǔ)了相應(yīng)位置的傳感器數(shù)據(jù).該方法計(jì)算效率高,易于實(shí)施且不依賴(lài)于預(yù)先定義的特征,故非常適用于對(duì)實(shí)時(shí)性要求較高的無(wú)人系統(tǒng).基于柵格的表示法按照柵格劃分的維度又可以分為2D柵格地圖、2.5D柵格地圖和3D體素柵格,其中2.5D柵格地圖是2D柵格地圖在第3維度上的擴(kuò)展,將激光點(diǎn)云數(shù)據(jù)投影到柵格中后,只保留其最大最小高度值表示柵格的高度,這樣相當(dāng)于對(duì)3D點(diǎn)云數(shù)據(jù)作了降維處理,這種柵格地圖可以較好地處理懸掛結(jié)構(gòu).

本工作提出了一種基于3D激光雷達(dá)和2.5D柵格地圖的障礙檢測(cè)與跟蹤方法,本方法不同于常規(guī)的柵格表示法,其主要表現(xiàn)為在障礙物的特征提取和動(dòng)態(tài)障礙物判定時(shí),不直接對(duì)柵格進(jìn)行處理,而是提取出每個(gè)柵格中保存的原始激光點(diǎn)云,根據(jù)海上目標(biāo)的形狀特點(diǎn)表示為橢圓障礙物,并對(duì)橢圓特征進(jìn)行最近鄰關(guān)聯(lián)和卡爾曼濾波跟蹤.本方法在基于電子海圖的仿真界面中取得了較好的效果.

1 傳感器配置

本工作使用的激光雷達(dá)是Velodyne 16線激光雷達(dá)(見(jiàn)圖1).該激光雷達(dá)不同于同種類(lèi)型的32線或64線激光雷達(dá),是一款混合固態(tài)激光雷達(dá)(其旋轉(zhuǎn)部件在雷達(dá)內(nèi)部),受外界環(huán)境干擾小,非常適用于惡劣的海上環(huán)境.

圖1 Velodyne 16線激光雷達(dá)Fig.1 Velodyne 16-layers Lidar

Velodyne 16線激光雷達(dá)是一個(gè)360°全方位激光雷達(dá),其有效探測(cè)距離為100 m,垂直視場(chǎng)為30°,在垂直方向共有16條掃描線,每秒可以獲取30萬(wàn)個(gè)激光點(diǎn)云數(shù)據(jù).除了能獲得目標(biāo)的距離方位信息外,該雷達(dá)還可以獲得目標(biāo)的反射強(qiáng)度信息,這些信息對(duì)于雜波的濾除和目標(biāo)的分類(lèi)具有重要作用.Velodyne 16線激光雷達(dá)的詳細(xì)技術(shù)參數(shù)如表1所示.

表1 Velodyne 16線激光雷達(dá)技術(shù)參數(shù)Table 1 Specifcation of Velodyne 16-layers Lidar

值得一提的是,為了獲得360°全方位的目標(biāo)信息,最好將Velodyne 16線激光雷達(dá)安裝在無(wú)人水面艇的最高處,且在使用激光點(diǎn)云數(shù)據(jù)時(shí)首先將其從激光坐標(biāo)系轉(zhuǎn)換到船體坐標(biāo)系,具體的轉(zhuǎn)換關(guān)系根據(jù)激光雷達(dá)的實(shí)際安裝位置而定.

2 激光雷達(dá)數(shù)據(jù)預(yù)處理

2.1 坐標(biāo)轉(zhuǎn)換和無(wú)效點(diǎn)云濾除

3D激光雷達(dá)的點(diǎn)云數(shù)據(jù)大多是以球坐標(biāo)形式(ρ,α,ω)存儲(chǔ)的.為了方便起見(jiàn),首先將點(diǎn)云轉(zhuǎn)換為3D笛卡爾坐標(biāo)系形式(x,y,z).坐標(biāo)轉(zhuǎn)換所用的幾何關(guān)系如下:

式中,ρ,α,ω分別為球坐標(biāo)中的球徑、方位角和高度角.

平靜的水面幾乎不會(huì)產(chǎn)生激光回波[11],但激光點(diǎn)云中仍然有很多無(wú)效數(shù)據(jù),這些無(wú)效數(shù)據(jù)主要有無(wú)人水面艇本身反射的激光點(diǎn)、有效范圍外的點(diǎn)和環(huán)境中返回的雜波點(diǎn),如海浪的激光回波等.對(duì)于第一類(lèi)無(wú)效點(diǎn)云,可以指定一個(gè)激光點(diǎn)云的有效范圍,將該范圍外的點(diǎn)云濾除.如距離激光雷達(dá)較近的點(diǎn)很可能是無(wú)人水面艇本身的反射回波,而激光有效檢測(cè)范圍外的點(diǎn)往往不可靠,故可以事先濾除掉;對(duì)于第二類(lèi)無(wú)效點(diǎn)云,其反射強(qiáng)度通常較低,根據(jù)這一條件也即可濾除.

2.2 點(diǎn)云畸變校準(zhǔn)

無(wú)人水面艇的運(yùn)動(dòng)和激光雷達(dá)的掃描延時(shí)會(huì)導(dǎo)致產(chǎn)生的激光點(diǎn)云發(fā)生一定程度的畸變[12],利用慣導(dǎo)數(shù)據(jù)可以較好地解決激光點(diǎn)云的畸變問(wèn)題.

假設(shè)激光雷達(dá)的旋轉(zhuǎn)頻率為f,則可以計(jì)算出激光雷達(dá)旋轉(zhuǎn)一定角度?所用的時(shí)間為

然后從慣導(dǎo)數(shù)據(jù)中得到當(dāng)前無(wú)人水面艇的橫滾角α、俯仰角β和偏航角γ.為了校準(zhǔn)每個(gè)激光點(diǎn)的位置,需要得到t時(shí)刻無(wú)人水面艇的平移矩陣和旋轉(zhuǎn)矩陣.由于激光掃描頻率很快,因此t

時(shí)刻無(wú)人水面艇的橫滾角α(t)、俯仰角β(t)和偏航角γ(t)可以通過(guò)線性插值估計(jì)出來(lái):

從而可得到旋轉(zhuǎn)矩陣?R(t).進(jìn)一步地,為獲得平移矩陣,假設(shè)無(wú)人水面艇沿全局坐標(biāo)系的x軸方向運(yùn)動(dòng),則x方向的基向量為

無(wú)人水面艇沿x方向的速度可以表示為

對(duì)速度進(jìn)行積分,得到無(wú)人水面艇的航跡矢量x(t):

將初始條件代入式(6)可以求得平移矩陣T(t).最終根據(jù)點(diǎn)云的平移矩陣和旋轉(zhuǎn)矩陣求得修正后的每個(gè)激光點(diǎn)的位置,即式中,pi表示第i個(gè)激光點(diǎn)的位置,p′i表示校正后激光點(diǎn)的位置.

3 2.5D柵格表示法

3.1 柵格投影

2.5D柵格地圖又稱(chēng)為高度圖[13],是無(wú)人車(chē)領(lǐng)域比較成熟的3D激光傳感器柵格表示法[14].本工作的柵格表示基于該方法進(jìn)行了一些改進(jìn).

首先,根據(jù)激光雷達(dá)的檢測(cè)范圍建立2D柵格地圖,無(wú)人水面艇位于柵格地圖的原點(diǎn)(見(jiàn)圖2),其中R為激光的檢測(cè)范圍.柵格的尺寸選取不同于常用的柵格表示法,而是將無(wú)人水面艇可通行寬度w表示為柵格的邊長(zhǎng),這樣可以保證障礙物不會(huì)被過(guò)度分割.

接著,對(duì)一個(gè)周期內(nèi)的激光點(diǎn)云進(jìn)行遍歷,根據(jù)每個(gè)點(diǎn)的坐標(biāo)將其投影到相對(duì)應(yīng)的柵格中,柵格中的點(diǎn)云計(jì)數(shù)器加1.3D激光點(diǎn)存于柵格中的雙向鏈?zhǔn)綌?shù)據(jù)結(jié)構(gòu)中,該結(jié)構(gòu)記錄所有點(diǎn)云的最小高度.

可以將柵格按其點(diǎn)云數(shù)據(jù)的屬性分為障礙柵格和非障礙柵格,判斷為障礙柵格的條件有:①柵格中的激光點(diǎn)數(shù)不小于2;②所有點(diǎn)云的最小高度小于無(wú)人水面艇的可通行高度.前者是為了濾除點(diǎn)云中的孤立點(diǎn),后者則是為了避免懸掛結(jié)構(gòu)(如橋梁等)對(duì)無(wú)人水面艇行駛的影響.

圖2 2D柵格地圖Fig.2 2D grid map

3.2 障礙柵格聚類(lèi)

對(duì)于障礙柵格聚類(lèi)即障礙物點(diǎn)云的聚類(lèi),本工作采用的是圖像處理領(lǐng)域的二值連通域區(qū)域標(biāo)記算法,其本質(zhì)是一種基于距離的聚類(lèi)算法.

首先遍歷柵格地圖,找到第一個(gè)未標(biāo)記的障礙柵格,將其標(biāo)記為O1,接著在該障礙柵格的8鄰域內(nèi)尋找其他的障礙柵格,同樣標(biāo)記為O1,反復(fù)標(biāo)記障礙柵格的鄰域,直到該連通域內(nèi)所有障礙柵格都被成功標(biāo)記為止,記錄該連通域內(nèi)所有障礙柵格的位置.接著重復(fù)上述操作找到柵格地圖中其余連通域,并標(biāo)記.最終得到若干個(gè)連通區(qū)域即柵格地圖中的若干個(gè)障礙物,這時(shí)可以將同一連通域中每個(gè)障礙柵格存儲(chǔ)的激光點(diǎn)云合并,得到同一障礙物的所有激光點(diǎn)云.

為了加快連通域標(biāo)記算法的速度,本工作采用了文獻(xiàn)[15]中提出的一種快速二值圖像連通域區(qū)域標(biāo)記算法,該算法綜合了線標(biāo)記法和區(qū)域增長(zhǎng)法的優(yōu)點(diǎn),即只需對(duì)二值圖像掃描就可以依次標(biāo)記出所有的連通區(qū)域,能大幅提高算法的計(jì)算效率.圖3為障礙柵格聚類(lèi)的結(jié)果,其中黑色柵格為障礙柵格,白色柵格為非障礙柵格,柵格中的數(shù)字為障礙柵格所屬的連通域的標(biāo)號(hào),即柵格地圖中障礙物的序號(hào).

圖3 障礙柵格聚類(lèi)結(jié)果Fig.3 Clustering results of obstacle grid

4 橢圓特征提取

通常,無(wú)人車(chē)領(lǐng)域激光目標(biāo)用一個(gè)封閉盒子[16]表示,考慮到海上的船只等障礙物的形狀類(lèi)似于橢圓形,故本工作考慮將激光檢測(cè)到的障礙物用橢圓表示,并提取橢圓的特征參數(shù).

為了得到橢圓障礙物的方向,本工作采用了一種主成分分析(principal component analysis,PCA)法,其本質(zhì)是一種降維思路,該方法可以將m個(gè)變量轉(zhuǎn)化為n個(gè)主成分(m≥n),這些主成分能夠最大程度地反映出原始變量的信息,且每個(gè)主成分都是原始變量的線性組合.對(duì)于2D平面上的激光點(diǎn)云來(lái)說(shuō),其幾何解釋就是計(jì)算這些點(diǎn)云的主要和次要特征方向向量,即橢圓的長(zhǎng)軸和短軸方向向量.

計(jì)算激光點(diǎn)云主成分的步驟如下.

(1)從3.2節(jié)所描述的連通域中取出所有的激光點(diǎn)云,記Xi和Yi分別為第i個(gè)激光點(diǎn)的x,y坐標(biāo).

(2)計(jì)算Xi和Yi的協(xié)方差矩陣.

(3)計(jì)算協(xié)方差矩陣的特征向量和特征值.

計(jì)算協(xié)方差矩陣的特征值λ1,λ2和對(duì)應(yīng)的特征向量ζ1,ζ2,其中較大的特征值對(duì)應(yīng)的特征向量為橢圓長(zhǎng)軸方向向量,較小的特征值對(duì)應(yīng)的特征向量為橢圓短軸方向向量(見(jiàn)圖4).

圖4 點(diǎn)云數(shù)據(jù)主成分Fig.4 Principal components of point cloud

得到點(diǎn)云的主成分方向向量后,將所有數(shù)據(jù)在這兩個(gè)方向投影,得到邊界點(diǎn),可確定橢圓長(zhǎng)軸的長(zhǎng)度和短軸的長(zhǎng)度,即能確定橢圓障礙物的唯一位置和形狀.橢圓障礙物的特征參數(shù)主要有中心點(diǎn)位置、短半軸長(zhǎng)度、長(zhǎng)半軸長(zhǎng)度和長(zhǎng)軸方向等.對(duì)所有連通域內(nèi)的激光點(diǎn)云進(jìn)行上述相同的操作,便可以將柵格地圖上所有的障礙物表示成橢圓,并得到其特征參數(shù).

5 動(dòng)態(tài)障礙物跟蹤

針對(duì)單幀激光點(diǎn)云數(shù)據(jù)的處理,只能得到靜態(tài)場(chǎng)景下某一時(shí)刻無(wú)人水面艇周?chē)恼系K物.為了滿足海上動(dòng)態(tài)環(huán)境需求,需要關(guān)聯(lián)多幀激光數(shù)據(jù),提取出周?chē)膭?dòng)態(tài)障礙物信息,并對(duì)這些動(dòng)態(tài)障礙物的位置和速度進(jìn)行預(yù)測(cè)和跟蹤.

考慮到海上目標(biāo)較少,且分布比較分散,故本工作采用最近鄰數(shù)據(jù)關(guān)聯(lián)方法關(guān)聯(lián)多幀激光數(shù)據(jù)中的障礙物,并用經(jīng)典卡爾曼濾波預(yù)測(cè)動(dòng)態(tài)目標(biāo)的位置和速度.

最近鄰數(shù)據(jù)關(guān)聯(lián)算法是最簡(jiǎn)單且易實(shí)現(xiàn)的數(shù)據(jù)關(guān)聯(lián)方法,其基本思想[17]是首先以量測(cè)值的預(yù)測(cè)位置為中心建立相關(guān)波門(mén),如果落入相關(guān)波門(mén)內(nèi)的量測(cè)值只有1個(gè),則該值即為匹配值;如果有多個(gè)量測(cè)值落入相關(guān)波門(mén)內(nèi),此時(shí)則需要統(tǒng)計(jì)距離最小的量測(cè)值并將其作為匹配值:

式中,z為(k+1)時(shí)刻的量測(cè)值,︿z(k+1|k)為(k+1)時(shí)刻量測(cè)的預(yù)測(cè)值,S?1(k+1)為信息協(xié)方差.

利用最近鄰關(guān)聯(lián)和卡爾曼濾波跟蹤動(dòng)態(tài)障礙物的步驟如下.建立一個(gè)動(dòng)態(tài)障礙物列表,將k時(shí)刻的所有障礙物加入該列表,每個(gè)障礙物有一個(gè)存在置信度.利用最近鄰數(shù)據(jù)關(guān)聯(lián)方法關(guān)聯(lián)第(k+1)時(shí)刻的障礙物,關(guān)聯(lián)結(jié)果有3種情況[18]:①障礙物在動(dòng)態(tài)障礙物列表中,但(k+1)時(shí)刻沒(méi)有找到匹配目標(biāo)的障礙物,將其存在置信度減1;②在(k+1)時(shí)刻新出現(xiàn)而在動(dòng)態(tài)障礙物列表中不存在的障礙物,將其加入到動(dòng)態(tài)障礙物列表,存在置信度賦初值;③(k+1)時(shí)刻出現(xiàn)的障礙物與動(dòng)態(tài)障礙物列表中的障礙物成功匹配,將其存在置信度加1,并利用卡爾曼濾波預(yù)測(cè)其位置和速度.另外,將速度小于1 m/s的障礙物視為靜態(tài)障礙物,移出動(dòng)態(tài)障礙物列表;當(dāng)動(dòng)態(tài)障礙物列表中某一障礙物的存在置信度小于特定值時(shí),判定該障礙物已經(jīng)消失,將其從動(dòng)態(tài)障礙物列表中移除.

6 實(shí)驗(yàn)結(jié)果

6.1 實(shí)驗(yàn)設(shè)置

本算法的實(shí)驗(yàn)驗(yàn)證是在基于電子海圖的仿真程序中進(jìn)行的.本仿真程序可以模擬海上場(chǎng)景,為無(wú)人水面艇規(guī)劃路徑,并在無(wú)人水面艇周?chē)O(shè)置若干個(gè)模擬障礙物,其中障礙物以球形表示.

圖5 仿真程序中障礙物的設(shè)置Fig.5 Setup of obstacles in simulation program

柵格地圖的范圍設(shè)置為X(?100,100),Y(?100,100),其中無(wú)人水面艇的位置設(shè)置在柵格地圖的中心點(diǎn).柵格大小設(shè)置為5 m×5 m,激光數(shù)據(jù)的采集頻率為5 Hz.

為了驗(yàn)證障礙物檢測(cè)法在不同環(huán)境下的檢測(cè)和跟蹤效果,本工作建立了兩個(gè)不同的場(chǎng)景:單個(gè)運(yùn)動(dòng)障礙物沿直線運(yùn)動(dòng)的場(chǎng)景和多個(gè)障礙物的場(chǎng)景(其中一部分是靜態(tài)障礙物,其余是動(dòng)態(tài)障礙物,動(dòng)態(tài)障礙物沿任意曲線運(yùn)動(dòng)).

6.2 實(shí)驗(yàn)結(jié)果

圖6為設(shè)置單個(gè)動(dòng)態(tài)障礙物的檢測(cè)和跟蹤結(jié)果,圖中綠色圓形表示激光的檢測(cè)范圍,其中障礙物的半徑設(shè)置為6 m,速度為2 m/s,沿水平方向向右運(yùn)動(dòng).由圖6可以看出,障礙物檢測(cè)法可以有效地檢測(cè)出障礙物的位置,不會(huì)出現(xiàn)丟幀現(xiàn)象.障礙物中心的檢測(cè)位置和實(shí)際位置始終有一個(gè)固定偏差(見(jiàn)圖7),該偏差大約在3 m左右,這是由于激光雷達(dá)只能檢測(cè)到物體局部表面,該誤差可能根據(jù)障礙物的形狀、方位的不同而發(fā)生改變,但是對(duì)無(wú)人水面艇的導(dǎo)航避障結(jié)果影響很小.

圖6 單個(gè)障礙物檢測(cè)和跟蹤結(jié)果Fig.6 Detection and tracking result of single obstalce

圖7 動(dòng)態(tài)障礙物檢測(cè)距離誤差Fig.7 Detection distance errors of dynamic obstacles

圖8為設(shè)置多個(gè)障礙物的檢測(cè)和跟蹤結(jié)果,圖中設(shè)置兩個(gè)靜態(tài)障礙物和一個(gè)動(dòng)態(tài)障礙物.兩個(gè)靜態(tài)障礙物的半徑分別為10和6 m,動(dòng)態(tài)障礙物的半徑為7 m,沿任意曲線運(yùn)動(dòng),速度為5 m/s.由圖8可以看出,本算法可以有效地檢測(cè)和跟蹤隨機(jī)動(dòng)態(tài)目標(biāo).由于激光雷達(dá)檢測(cè)的局部性,靜止的障礙物在檢測(cè)結(jié)果中也有運(yùn)動(dòng)的趨勢(shì),但是其位置變化很小,且速度通常會(huì)小于

設(shè)定的閾值,故可根據(jù)上述方法將其從動(dòng)態(tài)障礙物列表中有效剔除.

圖8 多個(gè)障礙物檢測(cè)和跟蹤結(jié)果Fig.8Detection and tracking results of multi-obstalces

7 結(jié)束語(yǔ)

本工作以無(wú)人水面艇的環(huán)境感知為背景,提出了一種基于多線激光雷達(dá)和2.5D柵格地圖的海上目標(biāo)檢測(cè)算法.本算法利用3D激光點(diǎn)云數(shù)據(jù)可以較大地提高目標(biāo)的檢測(cè)效率,同時(shí)將點(diǎn)云數(shù)據(jù)的預(yù)處理投影到2D空間進(jìn)行,可以有效地減少計(jì)算時(shí)間,提高算法的實(shí)時(shí)性.此外,對(duì)障礙物實(shí)施數(shù)據(jù)關(guān)聯(lián)和卡爾曼濾波可以準(zhǔn)確地獲得障礙物的位置、速度大小和運(yùn)動(dòng)方向,為無(wú)人水面艇的自主導(dǎo)航、自主避障提供了數(shù)據(jù)支持.本算法在基于電子海圖的仿真程序中顯示出較好的效果.同時(shí),本算法擬應(yīng)用在上海大學(xué)“精海5號(hào)”無(wú)人水面艇上.

[1]LIu Z,ZHANG Y,Yu X,et al.Unmanned surface vehicles:an overview of developments and challenges[J].Annual Reviews in Control,2016,41:71-93.

[2]WANG H,WEI Z,WANG S,et al.Real-time obstacle detection for unmanned surface vehicle[C]//IEEE Defense Science Research Conference and Expo.2011:1-4.

[3]WANG H,MOu X,MOu W,et al.Vision based long range object detection and tracking for unmanned surface vehicle[C]//IEEE International Conference on Cybernetics and Intelligent Systems.2015:101-105.

[4]LI C,CAO Z,XIAO Y,et al.Fast object detection from unmanned surface vehicles via objectness and saliency[C]//IEEE Chinese Automation Congress.2015:500-505.

[5]KRIsTAN M,PERˇs J,STLIˇC V,et al.A graphical model for rapid obstacle image-map estimation from unmanned surface vehicles[C]//ACCV.2014:391-406.

[6]ALMEIDA C,FRANCO T,FERREIRA H,et al.Radar based collision detection developments on USV ROAZⅡ[C]//Oceans.2009:1-6.

[7]BLAICH M,SCHusTER M,REuTER J.Collision avoidance for vessels using a low-cost radar sensor[C]//Proc of the Ifac World Congress.2014:9673-9678.

[8]HERMANN D,GALEAZZI R,ANDERsEN J C,et al.Smart sensor based obstacle detection for highspeed unmanned surface vehicle[C]//Ifac Conference on Manoeuvring and Control of Marine Craft.2015:190-197.

[9]PENG Y,Qu D,ZHONG Y,et al.The obstacle detection and obstacle avoidance algorithm based on 2-D lidar[C]//IEEE International Conference on Information and Automation.2015:1648-1653.

[10]AsVADI A,PREMEBIDA C,PEIXOTO P,et al.3D lidar-based static and moving obstacle detection in driving environments[J].Robotics&Autonomous Systems,2016,83(S1):299-311.

[11]HALTERMAN R,BRuCH M.Velodyne hdl-64e lidar for unmanned surface vehicle obstacle detection[C]//SPIE Defense,Security,and Sensing.International Society for Optics and Photonics, 2010:76920D.

[12]HIMMELsBACH M,M¨uLLER A,LuETTEL T,et al.LIDAR-based 3D object perception[C]// Proceedings of 1st International Workshop on Cognition for Technical Systems.2008:1.

[13]DOuILLARD B,UNDERWOOD J,MELKuMYAN N,et al.Hybrid elevation maps:3D surface models for segmentation[C]//2010 IEEE/RSJ International Conference on Intelligent Robots and Systems(IROS).2010:1532-1538.

[14]AsVADI A,PEIXOTO P,NuNEs U.Detection and tracking of moving objects using 2.5D motion grids[C]//IEEE International Conference on Intelligent Transportation Systems.2015:788-793.

[15]高紅波,王衛(wèi)星.一種二值圖像連通區(qū)域標(biāo)記的新算法[J].計(jì)算機(jī)應(yīng)用,2007,27(11):2776-2777.

[16]CHO H,SEO Y W,KuMAR B V K V,et al.A multi-sensor fusion system for moving object detection and tracking in urban driving environments[C]//IEEE International Conference on Robotics and Automation.2014:1836-1843.

[17]何友,修建娟,關(guān)欣.雷達(dá)數(shù)據(jù)處理及應(yīng)用[M].2版.北京:電子工業(yè)出版社,2009:120-121.

[18]辛煜,梁華為,梅濤,等.基于激光傳感器的無(wú)人駕駛汽車(chē)動(dòng)態(tài)障礙物檢測(cè)及表示方法[J].機(jī)器人, 2014,36(6):654-661.

3D Lidar-based marine object detection for USV

LI Xiaomao,ZHANG Xin,WANG Wentao,QU Dong,ZHU Chuan
(School of Mechatronic Engineering and Automation,Shanghai University,Shanghai 200072,China)

To realize autonomous navigation and avoidance,it is necessary for an unmanned surface vehicle(USV)to perceive the surrounding environment in real time,and detect obstacles threatening its sailing.Three dimensional Lidar plays an important role in unmanned system obstacle detection.In this paper,an obstacle detection algorithm based on 3D Lidar is proposed.The 3D laser point cloud is projected onto a 2.5D grid map in one period.The obstacles are clustered and segmented.The elliptical feature of obstacles is extracted from the raw laser point.Dynamic obstacles are found and tracked using the nearest neighbor data association and a Kalman flter.The simulation data based on the electronic chart verifes efectiveness of the method in USV obstacle detection.

unmanned surface vehicle(USV);Lidar;obstacle detection;grid map;elliptical representation

TP 242.6

A

1007-2861(2017)01-0027-10

10.3969/j.issn.1007-2861.2016.07.022

2017-01-11

國(guó)家自然科學(xué)基金資助項(xiàng)目(61673254);上海市自然科學(xué)基金資助項(xiàng)目(13ZR1454300);上海市科委能力建設(shè)資助項(xiàng)目(14500500400)

李小毛(1981—),男,研究員,研究方向?yàn)閳D像處理、雷達(dá)數(shù)據(jù)處理、無(wú)人艇環(huán)境感知、導(dǎo)航和控制及其總體技術(shù).E-mail:lixiaomao@shu.edu.cn