道路空間特征與測量距離相結(jié)合的LiDAR道路邊界點提取算法

續(xù) 東, 柳景斌, 花向紅, 陶武勇

1. 武漢大學(xué)測繪遙感信息工程國家重點實驗室，湖北 武漢 430079； 2. 武漢大學(xué)測繪學(xué)院，湖北 武漢 430079

在城市環(huán)境中實現(xiàn)完全無人駕駛依賴于準(zhǔn)確的環(huán)境感知算法，獲取道路邊界點是環(huán)境感知算法的重要任務(wù)[1]。精確的道路邊界不僅為無人駕駛汽車提供安全的可通行區(qū)域，而且可以用于無人駕駛汽車的定位與建圖[2]。

城市道路邊界大部分(直道、彎道)具有全局連續(xù)性特征，結(jié)合多種局部特征，邊界可以被穩(wěn)健地探測到，已有多種方法達(dá)到了較好的效果。在這些方法中使用的傳感器包括：單目攝像頭[3-4]、單線激光雷達(dá)[5-6]及多線激光雷達(dá)[7]。多線激光雷達(dá)與其他傳感器相比具有以下優(yōu)點[8]：①相對于視覺傳感器[9]，對環(huán)境的光照變化不敏感；②能夠?qū)崟r、精確地獲取車輛周圍環(huán)境的3D信息。因此，多線激光雷達(dá)近年來被廣泛應(yīng)用于無人駕駛汽車的環(huán)境感知任務(wù)。目前，無人駕駛汽車上常用的多線激光雷達(dá)有16線、32線和64線3種，其中64線和32線激光雷達(dá)使用最多，公開的數(shù)據(jù)集大部分也是使用這兩種激光雷達(dá)，如KITTI數(shù)據(jù)集[10]、NCLT數(shù)據(jù)集[11]等。隨著激光測量技術(shù)的發(fā)展，16線激光雷達(dá)因為其有競爭力的價格被越來越多的車企、創(chuàng)業(yè)公司以及高校采用。實現(xiàn)適用于16線激光雷達(dá)的道路邊界點提取算法，對推廣無人駕駛技術(shù)有積極的意義。

國內(nèi)外對基于多線激光雷達(dá)的道路邊界點提取方法有深入的研究，目前主要研究成果分為兩類：計算單一尺度空間特征的道路邊界點提取方法[12-14]和計算多尺度空間特征的道路邊界點提取方法[15-16]。第1類研究主要有：文獻(xiàn)[12]將3D點云映射到2D柵格中，利用3種局部特征(柵格內(nèi)高程差、相鄰柵格梯度和法向量)提取道路邊界柵格，獲取道路邊界點。柵格映射是道路邊界探測中常用的方法，然而由于多線激光雷達(dá)獲取的點云分布不均勻，導(dǎo)致許多柵格為空，浪費(fèi)了存儲和計算資源。此外，柵格尺寸大小的設(shè)置需要根據(jù)掃描數(shù)據(jù)的特性進(jìn)行多次試驗：柵格過大，容易丟失細(xì)節(jié)，損失探測精度；柵格過小，如果數(shù)據(jù)稀疏，常常探測不到道路邊界點。文獻(xiàn)[13]對路面點進(jìn)行平面擬合，根據(jù)道路邊界高度進(jìn)而獲取候選道路邊界點，最后通過對候選道路邊界點進(jìn)行曲線擬合獲得道路邊界點。該方法基于道路邊界高度特征進(jìn)行道路邊界點的提取，但是由于道路邊界特征多樣性(草叢路邊、石頭路邊)和路內(nèi)障礙物遮擋，很難建立固定模型對道路邊界進(jìn)行準(zhǔn)確、可靠的識別。文獻(xiàn)[14]首先根據(jù)光線傳播方法對點云進(jìn)行分割得到多個部分，然后采用滑動窗口方式逐線提取道路邊界點。該方法主要根據(jù)道路邊界點之間空間特征與非道路邊界點之間空間特征的區(qū)別，提取道路邊界點。該方法僅考慮點之間空間特征而忽略了道路趨勢信息，容易將非道路邊界點識別為道路邊界點，方法精確率不高。第2類是計算多尺度空間特征的道路邊界點提取方法，目前研究主要有：文獻(xiàn)[15]在利用基于滑動窗口的光線傳播方法將道路分割成多個部分后，先利用最小二乘擬合平面模型計算大尺度空間特征，隨后計算點與點之間的小尺度空間特征，進(jìn)而提取道路邊界點。文獻(xiàn)[16]首先利用小尺度空間特征選取后續(xù)道路邊界點，再利用候選道路邊界點進(jìn)行道路邊界擬合，對候選道路邊界點進(jìn)行濾波，提取道路邊界點。第1類方法通過計算單一尺度空間特征提取道路邊界點，計算速度快但提取道路邊界點的精確率較低。第2類方法兼顧了計算大中尺度和小尺度空間特征的優(yōu)點，但選擇的大中尺度和小尺度空間特征，對道路邊界點的提取結(jié)果會造成較大影響。

基于以上分析，本文提出一種道路空間特征和測量距離相結(jié)合的道路邊界點提取方法：通過計算多種空間特征，結(jié)合激光雷達(dá)測量距離，能夠準(zhǔn)確穩(wěn)定地從16線激光雷達(dá)獲取的稀疏點云中提取道路邊界點。由于汽車多行駛在城市環(huán)境中，本文著重探究城市環(huán)境下結(jié)構(gòu)化道路邊界點的提取。圖1為本文道路邊界點提取方法流程。

圖1 本文道路邊界點提取方法流程Fig.1 The workflow of road curb points extraction method proposed in this paper

1 數(shù)據(jù)預(yù)處理

利用16線激光雷達(dá)進(jìn)行道路邊界點提取，首先需要對激光雷達(dá)獲取的數(shù)據(jù)進(jìn)行預(yù)處理。預(yù)處理步驟包括16線激光雷達(dá)的標(biāo)定和數(shù)據(jù)修正。

本文所采用的16線激光雷達(dá)從上至下共有16根掃描線，豎直角度跨度為-15°～15°，豎直角度分辨率為2°，每根掃描線對應(yīng)的豎直角度見表1。16線激光雷達(dá)的其他參數(shù)為：水平角度跨度為360°，水平角度分辨率為0.2°；掃描頻率為10 Hz；測距精度為±3 cm，最小測程為0.5 m，最大測程為150 m。

表1 16線激光雷達(dá)掃描線與對應(yīng)垂直角度

1.1 16線激光雷達(dá)標(biāo)定

圖2 16線激光雷達(dá)側(cè)視圖和俯視圖Fig.2 Side view and top view of 16-ray LiDAR

車輛正前方為載體坐標(biāo)系Y軸正方向，車輛右側(cè)為X軸正方向，載體坐標(biāo)系原點為激光雷達(dá)中心。16線激光雷達(dá)安裝在車輛頂部，安裝后激光雷達(dá)與車輛保持水平，如圖3所示。因為本文未使用其他傳感器進(jìn)行邊界點提取，且在安裝上確保了激光雷達(dá)與車體保持水平，本文描述的16線激光雷達(dá)標(biāo)定消除了激光雷達(dá)球坐標(biāo)水平0°方向與載體Y軸方向之間的夾角?。本文采用的標(biāo)定方法參考了文獻(xiàn)[17—20]。

圖3 16線激光雷達(dá)安裝示意Fig.3 Installation diagram of 16-ray LiDAR

本文中激光雷達(dá)的標(biāo)定原理為：根據(jù)同名點在激光雷達(dá)坐標(biāo)系的坐標(biāo)和載體坐標(biāo)系下的坐標(biāo)計算夾角?。具體步驟為：①將載體駛?cè)胗忻黠@標(biāo)志物的標(biāo)定場地，在該場地內(nèi)可以獲取標(biāo)志物在載體坐標(biāo)系下的坐標(biāo)；②保存16線激光雷達(dá)數(shù)據(jù)，獲取標(biāo)志物在激光雷達(dá)坐標(biāo)系下的坐標(biāo)；③計算旋轉(zhuǎn)平移矩陣，并轉(zhuǎn)為歐拉角，獲得夾角?。

(1)

1.2 16線激光雷達(dá)數(shù)據(jù)修正

16線激光雷達(dá)測量數(shù)據(jù)修正主要包括以下方面：首先，在激光雷達(dá)的一個掃描周期內(nèi)，無人駕駛汽車的移動使得激光雷達(dá)原點的位置發(fā)生顯著位移，如果不修正無人駕駛汽車行駛過程中對測量數(shù)據(jù)的影響，會使得在一個掃描周期內(nèi)的同一條激光線上的測量點出現(xiàn)局部扭曲；其次，在一個掃描周期內(nèi)，汽車的姿態(tài)變化也會對道路邊界檢測產(chǎn)生較大影響。為了保證道路邊界檢測的準(zhǔn)確性，必須對16線激光雷達(dá)測量的原始數(shù)據(jù)進(jìn)行修正。圖4展示了車輛姿態(tài)角γ、β和α。

圖4 掃描周期內(nèi)車輛姿態(tài)變化Fig.4 Schematic of vehicles posture changing under vehicle motion condition

16線激光雷達(dá)掃描一幀所需要的時間較短，可以認(rèn)為同一幀內(nèi)車輛的位置和姿態(tài)(位姿)變化近似線性變化，因此一幀內(nèi)每一時刻車輛的位姿可以通過前后兩幀車輛的位姿插值獲得。通過無人駕駛汽車上的傳感器可以獲得每一幀的位置變化量(Xframe，Yframe，Zframe)和姿態(tài)變化量(γframe，βframe，αframe)，當(dāng)前幀的位姿與上一幀的位姿相減獲得位姿變化量。每一幀中每一時刻的位姿變化量可通過線性插值獲得，將位姿變化量進(jìn)行轉(zhuǎn)換可得到矯正車輛移動的平移向量T和旋轉(zhuǎn)矩陣R。假設(shè)當(dāng)前幀的起始水平旋轉(zhuǎn)角為φ1，多線激光雷達(dá)掃描到φ2時，Tφ2和Rφ2通過式(2)獲得

(2)

(3)

16線激光雷達(dá)數(shù)據(jù)修正結(jié)果如圖5所示。

2 道路邊界點提取

圖6展示了結(jié)構(gòu)化道路屬性信息，基于多線激光雷達(dá)的道路邊界點提取即在點云中提取紅色掃描點。本文采用多種空間特征，并結(jié)合道路邊界點的測量模型提出了一種適用于16線激光雷達(dá)數(shù)據(jù)的道路邊界點提取算法。

2.1 基于大尺度空間特征的道路外區(qū)域點濾波

為了保證道路邊界點提取方法的實時性和精度，首先對原始點云進(jìn)行初步處理，去除大量道路外區(qū)域的點。初步處理過程如下：選用RANSAC算法進(jìn)行平面擬合[21]獲得平面模型參數(shù)，設(shè)定高程閾值為0.25 m，將所有點代入平面模型中，保留低于高程閾值的點。RANSAC算法是從一組含有噪聲的數(shù)據(jù)中正確估計數(shù)學(xué)模型參數(shù)的迭代算法。該算法步驟如下：①隨機(jī)選取可以估計出模型的最小數(shù)據(jù)集；②計算模型參數(shù)；③將所有數(shù)據(jù)代入模型，計算內(nèi)點(符合當(dāng)前模型的數(shù)據(jù))數(shù)目；④比較當(dāng)前模型和之前推出的最好的模型的內(nèi)點數(shù)量，記錄最大內(nèi)點數(shù)的模型參數(shù)和內(nèi)點數(shù)；⑤重復(fù)①—④步，直到迭代結(jié)束或當(dāng)前模型符合迭代終止條件。RANSAC算法可以從包含道路外區(qū)域點的點云中，精確估計道路平面模型參數(shù)。相對于利用最小二乘方法獲取道路平面模型參數(shù)，RANSAC算法具有更強(qiáng)的穩(wěn)健性[22]。處理結(jié)果如圖7所示，初步處理剔除了大部分道路外區(qū)域點，在保留點中存在著部分非道路邊界點。后續(xù)步驟中通過計算小尺度空間特征，逐步剔除非道路邊界點，最后提取到正確的道路邊界點。

圖5 16線激光雷達(dá)數(shù)據(jù)修正Fig.5 16-ray LiDAR data correction

圖6 結(jié)構(gòu)化道路屬性信息Fig.6 Structured road geometry description

2.2 基于小尺度空間特征和測量距離的道路邊界點提取

16線激光雷達(dá)掃描得到的道路邊界點存在很多不同于道路表面點的空間特征，例如道路邊界點高度高于道路表面點、同條掃描線中道路邊界點之間的水平距離大于道路表面點之間的水平距離以及道路邊界點之間的高度變化較大等。本文基于每條掃描線中點與點之間空間特征，并結(jié)合道路邊界點的測量模型，設(shè)計了4種指標(biāo)來提取道路邊界點，如圖8所示。

圖7 初步處理后的結(jié)果Fig.7 The result of preliminary process

圖8 小尺度空間特征Fig.8 Interpretation of small-scale spatial features

(1) 水平連續(xù)性指標(biāo)：相鄰兩點間的水平距離閾值δxy,i

(4)

式中，h為16線激光雷達(dá)安裝高度(本文中h=2 m)；θi為16線激光雷達(dá)中Laser ID為i對應(yīng)的激光線的垂直角度；φ為水平角度分辨率(在本文中φ=0.2)。如果激光掃描在道路邊界上，得到的點之間的水平距離大于δxy,i。

(2) 垂直連續(xù)性指標(biāo)：相鄰兩點間的高度閾值δz，δz設(shè)置為固定值(本文中δz=0.02 m)。

(3) 測量距離：最小距離閾值disti_min和最大距離閾值disti_max

(5)

式中，h_curb為道路邊界高度(本文中設(shè)置為0.15)；ε為測量誤差，根據(jù)16線激光雷達(dá)的參數(shù)得知，ε=0.03 m。如圖8所示，當(dāng)16線激光雷達(dá)掃描到道路邊界最下方時，達(dá)到測量到道路邊界的最大距離，當(dāng)16線激光雷達(dá)掃描到道路邊界最上方時，達(dá)到測量到道路邊界的最小距離。因此測量距離也可以作為一個空間特征加以利用，進(jìn)而提取道路邊界點。

(4) 相鄰點構(gòu)成的水平面向量夾角ρi,j

(6)

輸入：Laser ID為0、2、4、6、8、10的激光測量的點云P1，迭代次數(shù)K，閾值t，閾值δz

輸出：道路邊界點P2

(7)

(8)

圖9展示了本文提出的道路邊界點提取方法的流程以及每一步處理完的效果。從步驟1到步驟5，每次都對候選的道路邊界點進(jìn)行了篩選，直到提取出道路邊界點。

圖9 各步驟處理結(jié)果Fig.9 The results of each step

3 試驗及結(jié)果分析

為了充分評價本文提出的道路邊界點提取方法表現(xiàn)，試驗選擇包含典型交通場景的城區(qū)道路環(huán)境作為試驗區(qū)域，5種道路邊界點提取方法同本文中提出的道路邊界點提取方法進(jìn)行比較，這5種方法為文獻(xiàn)[12]、文獻(xiàn)[13]、文獻(xiàn)[14]、文獻(xiàn)[15]、文獻(xiàn)[16]中的方法。

試驗區(qū)域為典型的城市交通場景(圖10)，道路長度為5 km。該區(qū)域包括直道、“T”形路口和“Y”形路口場景，場景中存在大貨車、小汽車、自行車和人等主要交通參與者。試驗平臺為吉利電動車，采集數(shù)據(jù)時車輛的行駛速度為40 km/h。總計采集數(shù)據(jù)本文16線激光雷達(dá)測量數(shù)據(jù)2400幀， 選取了不連續(xù)的80幀作為驗證道路邊界點提取方法性能的數(shù)據(jù)集 (直道場景50幀，T”形路口場景和“Y”形路口場景各15幀)，并對獲取數(shù)據(jù)中的道路邊界點進(jìn)行人工標(biāo)注。每幀16線激光雷達(dá)數(shù)據(jù)包含約3萬個點。

圖10 試驗場景Fig.10 The experimental scene

3.1 評價指標(biāo)

本文評價道路邊界點提取方法性能的指標(biāo)參考了機(jī)器學(xué)習(xí)中評價分類器性能的指標(biāo)。在機(jī)器學(xué)習(xí)中，對于二分類問題常用的評價度量是精確率和召回率[23]。精確率表示判斷為正例的例子中，真正為正例的比例；召回率表示所有正例中，被判斷為正例的比例。在評價多個分類器性能時，可能存在某個分類器召回率很高，精確率很低，另一個分類器精確率很高，召回率很低，此時僅使用單一的性能度量，不能很好地評價分類器性能。為了解決如何判斷分類器性能的問題，文獻(xiàn)[24]設(shè)計了一些綜合考慮精確率和召回率的性能度量，例如F1得分，它是精確率和召回率的調(diào)和值。因此本文選用精確率Precision、召回率Recall以及F1得分作為評價道路邊界提取方法的指標(biāo)，3種指標(biāo)可通過式(9)計算得到

(9)

式中，TP為道路邊界點提取方法識別正確的道路邊界點數(shù)目；FP為道路邊界點提取方法識別錯誤的道路邊界點數(shù)目；FN為道路邊界提點取方法未提取到的邊界點數(shù)目。

3.2 試驗結(jié)果分析

表2列出了5種現(xiàn)有道路邊界點提取方法和本文方法在每種場景下的平均評價指標(biāo)結(jié)果和標(biāo)準(zhǔn)差及3種場景的總平均結(jié)果。

表2 道路邊界點提取結(jié)果

由表2可以看出，在精確率方面，本文提出的方法取得了最好的結(jié)果。因為文獻(xiàn)[12]的方法、文獻(xiàn)[13]的方法和文獻(xiàn)[14]的方法是計算單一尺度空間特征的道路邊界點提取方法，所以這3種方法在精確率上表現(xiàn)較差。文獻(xiàn)[15]的方法和文獻(xiàn)[16]的方法是計算多尺度空間特征的道路邊界點提取方法，這兩種方法相對于計算單一尺度空間特征的方法在準(zhǔn)確率上有一定的提升。在召回率方面，計算大尺度空間特征可以從稀疏的16線激光雷達(dá)數(shù)據(jù)中保留更多的道路邊界點，因此，文獻(xiàn)[13]的方法獲得了最高的召回率。但計算大尺度空間特征也保留了很多非道路邊界點，需要結(jié)合其他空間特征對保留的點進(jìn)行進(jìn)一步篩選，否則會降低道路邊界點提取方法的精確率。只計算單一空間特征是造成文獻(xiàn)[13]的方法精確率最低的原因。本文方法結(jié)合了多尺度空間特征，同時考慮了道路邊界點的測量模型，相對于現(xiàn)有道路邊界點提取方法，在確保較好召回率的同時提升了精確率。F1得分是精確率和召回率的調(diào)和值，本文提出的方法以精確率和召回率為評價度量時，都取得了最好或較好的表現(xiàn)，所以F1得分高于其他方法。

16線激光雷達(dá)掃描的頻率通常設(shè)置為10 Hz[25]，即0.1 s完成1幀點云的掃描。在0.1 s時間內(nèi)，無人駕駛汽車的多個系統(tǒng)需要協(xié)同合作完成下一步?jīng)Q策，道路邊界提取只是環(huán)境感知中比較重要的一個環(huán)節(jié)，因此，在0.01 s內(nèi)完成道路邊界點提取是比較合理的實時性要求[26]。本文提出的道路邊界點提取方法對500幀點云的處理時間如圖11所示，其平均運(yùn)行時間為3.713 ms，最大運(yùn)行時間為7.894 ms，滿足實時性要求。

圖12、圖13和圖14分別展示了6種方法在不同場景下的邊界點提取結(jié)果。

圖11 本文算法處理500幀點云運(yùn)行時間Fig.11 Runtime of curb points extraction with proposed algorithm for 500 frames

圖12 直道道路邊界點提取結(jié)果Fig.12 The results of curb points extraction in straightaway

由圖12、圖13和圖14中可以看出，本文的方法相對于其他5種方法取得了較好的效果，但是存在部分不足。首先在不平整道路上，道路邊界探測效果不佳，經(jīng)過分析得出通過原始的測量距離篩選道路邊界點依賴于局部相對平整的道路環(huán)境。其次對于掃描間隔緊湊的道路邊界點沒有取得較好的探測結(jié)果，該類邊界點之間雖然存在一定的高度差，然而其點間高差和點間水平間距較小，與道路表面點近似，本文中設(shè)置的水平距離閾值和高差閾值不能很好地將其與道路表面點區(qū)分開，會將這類邊界點識別為非道路邊界點進(jìn)而去除，如果將高差閾值和點間距閾值設(shè)置較小，可以保留掃描間隔緊湊的道路邊界點，其夾角特征與其他道路邊界點的夾角特征相同，結(jié)合測量距離，可以完成該類型道路邊界點的提取。雖然將高差閾值和點間距閾值設(shè)置較小可以完成掃描間隔緊湊的道路邊界點的提取，但也造成了道路表面點的錯誤識別，降低了算法的精確率。當(dāng)掃描間隔緊湊的道路邊界點不滿足文中設(shè)置的水平距離閾值和高差閾值的情況下，考慮到該類邊界點存在持續(xù)的高度增加或高度減少過程，結(jié)合測量距離閾值和起始于一點的水平向量夾角閾值，可以完成該類道路邊界點的提取。

圖13 “Y”形路口道路邊界點提取結(jié)果Fig.13 The results of curb points extraction in Y-shape intersection

圖14 “T”形路口道路邊界點提取結(jié)果Fig.14 The results of curb points extraction in T-shape intersection

圖15 掃描間隔緊湊的道路邊界點Fig.15 Compact road curb points

4 結(jié) 論

針對目前基于多線激光雷達(dá)的道路邊界點提取方法在數(shù)據(jù)較稀疏的16線激光雷達(dá)數(shù)據(jù)中提取道路邊界點精確率較低的問題，本文提出了一種穩(wěn)健的道路空間特征和測量距離相結(jié)合的道路邊界點提取方法，并在實際道路環(huán)境下進(jìn)行了試驗測試。試驗結(jié)果表明，本文方法在數(shù)據(jù)稀疏的16線激光雷達(dá)數(shù)據(jù)中，能夠準(zhǔn)確提取出道路邊界點。相對于現(xiàn)有方法，本文方法提高了精確率，并且能夠滿足無人駕駛汽車實時性要求。該方法在結(jié)構(gòu)化道路環(huán)境下具有較好的穩(wěn)健性，但是當(dāng)?shù)缆愤吔绮痪哂懈叱屉A躍的特性時，會導(dǎo)致結(jié)果不穩(wěn)定，下一步工作將研究多傳感器融合以解決該問題。