基于激光雷達(dá)感知的場(chǎng)景重構(gòu)方法研究

邢雨 劉亞彬 韓康 劉宇 劇學(xué)銘

（北京歐百拓信息科技發(fā)展有限公司，北京 100102）

主題詞：激光雷達(dá) 環(huán)境感知 場(chǎng)景重構(gòu) 測(cè)評(píng)系統(tǒng) 自動(dòng)標(biāo)注

1 前言

隨著自動(dòng)駕駛技術(shù)的發(fā)展，越來越多種類的環(huán)境感知模塊得到應(yīng)用，其涉及到的傳感器包括激光雷達(dá)、毫米波雷達(dá)、單目或雙目相機(jī)等[1]。準(zhǔn)確地感知周邊環(huán)境是環(huán)境感知模塊的首要任務(wù)[2-3]。要進(jìn)一步提升其相關(guān)性能，則必須先對(duì)周邊環(huán)境進(jìn)行精確重構(gòu)。在現(xiàn)有環(huán)境感知模塊中，激光雷達(dá)環(huán)境感知模塊具有良好的綜合性能，但在國(guó)內(nèi)使用的過程中暴露出了諸如分類錯(cuò)誤較多、目標(biāo)跟蹤時(shí)間短等問題。針對(duì)類似問題，林學(xué)秋通過機(jī)載二維激光雷達(dá)對(duì)三維場(chǎng)景重構(gòu)方法進(jìn)行了研究[4]，趙明波通過多角度激光雷達(dá)數(shù)據(jù)融合來實(shí)現(xiàn)遮蔽目標(biāo)的檢測(cè)[5]，閆利等人對(duì)激光雷達(dá)與全景影像的融合方法進(jìn)行了研究[6]，段建民等人通過激光雷達(dá)數(shù)據(jù)對(duì)地面狀況信息的獲取方法進(jìn)行了研究[7]，鄒斌等人通過車載三維激光雷達(dá)對(duì)道路的可通行區(qū)域提取算法進(jìn)行了研究[8]。這些研究大多集中在部分要素重構(gòu)算法優(yōu)化，或與其他類型傳感器的數(shù)據(jù)融合方面，對(duì)于如何通過融合多種算法來提升激光雷達(dá)自身場(chǎng)景重構(gòu)精度的研究較少，為此，本文提出了一套新的場(chǎng)景重構(gòu)方法，通過融合多種算法對(duì)數(shù)據(jù)進(jìn)行逐步處理，同時(shí)對(duì)目標(biāo)分類進(jìn)行跟蹤和回溯，從而提升環(huán)境重構(gòu)精度。

2 硬件平臺(tái)搭建

全面且精確的信息收集是進(jìn)行精確場(chǎng)景重構(gòu)的重要前提，為此，首先進(jìn)行硬件平臺(tái)的搭建。在現(xiàn)有的各類傳感器中，激光雷達(dá)在測(cè)量精度與測(cè)量距離等方面的綜合性能較好，且技術(shù)較為成熟，因此選擇以激光雷達(dá)為主要傳感器，進(jìn)行硬件平臺(tái)搭建，設(shè)備實(shí)際安裝部署如圖1所示。

通過在車輛四周布置6個(gè)4線激光雷達(dá)傳感器實(shí)現(xiàn)對(duì)車身周邊環(huán)境信息的全面收集；同時(shí)，通過2臺(tái)SICK LMS511激光雷達(dá)實(shí)現(xiàn)對(duì)地面信息的精確收集。此外，為收集車輛姿態(tài)及位置信息，在系統(tǒng)中加裝了GPS設(shè)備與慣性測(cè)量單元（Inertial Measurement Unit，IMU），如圖2所示。

圖1 設(shè)備安裝部署示意

圖2 硬件平臺(tái)實(shí)物

3 數(shù)據(jù)處理流程

對(duì)場(chǎng)景進(jìn)行重構(gòu)的核心環(huán)節(jié)是對(duì)關(guān)鍵環(huán)境要素進(jìn)行重建。通過追加后處理算法，對(duì)激光雷達(dá)環(huán)境感知模塊收集到的周邊環(huán)境點(diǎn)云進(jìn)行處理與驗(yàn)證，最終通過比對(duì)分析對(duì)結(jié)果進(jìn)行完善，具體處理過程為：

a.點(diǎn)云類別判定。采集系統(tǒng)中融合了多種傳感器，因此需要對(duì)不同傳感器收集到的數(shù)據(jù)進(jìn)行判定，根據(jù)點(diǎn)云所屬設(shè)備特性進(jìn)行相應(yīng)的后處理。例如，不同的激光雷達(dá)會(huì)對(duì)不同高度的目標(biāo)進(jìn)行掃描和感知，它們分別負(fù)責(zé)掃描對(duì)應(yīng)的高度層，這些高度信息對(duì)于之后的篩選和聚類具有非常重要的意義。同時(shí)，點(diǎn)云不具有速度信息，所以若想要判別對(duì)應(yīng)目標(biāo)的運(yùn)動(dòng)屬性，需要對(duì)比不同幀中同一目標(biāo)對(duì)應(yīng)點(diǎn)云的位置。

b.點(diǎn)云篩選。在實(shí)際使用過程中，并非所有點(diǎn)都會(huì)參與到后續(xù)的處理過程中，因此應(yīng)首先根據(jù)范圍和相應(yīng)的條件，剔除不符合需求的點(diǎn)，獲取較為純凈的點(diǎn)云。例如，因系統(tǒng)中融合了SICK雷達(dá)，因此在對(duì)地面要素進(jìn)行提取的過程中，將重點(diǎn)采用此設(shè)備所收集到的點(diǎn)云數(shù)據(jù)，而不再需要其他激光雷達(dá)的輔助。

c.點(diǎn)云聚類。通過DBSCAN算法對(duì)環(huán)境感知模塊初步處理后的點(diǎn)云數(shù)據(jù)進(jìn)行二次聚類，重點(diǎn)處理其未聚類的點(diǎn)云，從而提高聚類精度并獲得更為詳細(xì)的物體數(shù)量與位置。例如，大型車輛點(diǎn)云處理過程中，在第1次聚類時(shí)，只會(huì)將部分點(diǎn)云聚類成一個(gè)物體，會(huì)出現(xiàn)將一個(gè)物體的點(diǎn)云聚類成多個(gè)物體以及剩余點(diǎn)云的情況，針對(duì)這種情況，二次聚類時(shí)進(jìn)行碰撞檢測(cè)并聚類，最終將相關(guān)點(diǎn)云聚類成一個(gè)物體，從而提升聚類精度。但在聚類過程中，由于遠(yuǎn)、近位置的點(diǎn)云數(shù)量不同，所以在使用DBSCAN的過程中會(huì)根據(jù)與本車的距離修改算法中的最小點(diǎn)數(shù)，以此提高DBSCAN算法在對(duì)不同距離點(diǎn)云處理的適用性，此外，考慮到在車輛行駛方向上漏識(shí)物體會(huì)帶來極大的安全隱患，因此車輛行駛方向點(diǎn)云聚類過程中會(huì)降低算法中允許的最小點(diǎn)數(shù)，從而提高聚類精度，盡管這樣可能出現(xiàn)多識(shí)別的情況，但可以根據(jù)碰撞檢測(cè)及二次聚類等方法進(jìn)行修正。

d.目標(biāo)物跟蹤。指對(duì)不同數(shù)據(jù)幀之間的物體進(jìn)行跟蹤，因此在完成物體聚類的基礎(chǔ)上，首先利用匈牙利算法對(duì)前、后幀中的物體進(jìn)行匹配。但系統(tǒng)和設(shè)備存在不可避免的誤差，所以匹配后通過卡爾曼濾波算法來對(duì)結(jié)果進(jìn)行輔助修正，以提升跟蹤精度，從而實(shí)現(xiàn)對(duì)各目標(biāo)物的跟蹤，跟蹤過程中，根據(jù)不同目標(biāo)物的運(yùn)動(dòng)特性等信息確定物體類別，并對(duì)存在錯(cuò)誤分類的物體類別進(jìn)行修正，從而得出最終結(jié)果。需要說明的是，由于在卡爾曼算法中使用到的系統(tǒng)噪聲屬于先驗(yàn)性參數(shù)，因此需要根據(jù)試驗(yàn)經(jīng)驗(yàn)確定。

e.道路邊線提取。在動(dòng)態(tài)目標(biāo)物提取完成后，對(duì)道路邊線進(jìn)行提取，通過點(diǎn)云網(wǎng)格化與區(qū)域增長(zhǎng)相結(jié)合的方法進(jìn)行聚類，之后通過各格網(wǎng)的高差特性獲取邊線點(diǎn)集，最后采用最佳數(shù)學(xué)模型并通過最小二乘法進(jìn)行道路邊線擬合，得出最終結(jié)果。

4 系統(tǒng)平臺(tái)及算法驗(yàn)證

4.1 系統(tǒng)平臺(tái)測(cè)試

采用場(chǎng)景重構(gòu)的方式對(duì)硬件平臺(tái)的可靠性進(jìn)行驗(yàn)證：首先，選取場(chǎng)景較為簡(jiǎn)單的高速公路路段數(shù)據(jù)進(jìn)行重構(gòu)，此場(chǎng)景中車輛以約107 km/h的速度行駛，實(shí)際場(chǎng)景如圖3a所示，原始數(shù)據(jù)經(jīng)處理后的結(jié)果如圖3b所示，從圖3b可知，在此情況下可對(duì)前方約230 m范圍內(nèi)的車輛進(jìn)行識(shí)別；其次，選取場(chǎng)景較為復(fù)雜的城區(qū)路段數(shù)據(jù)進(jìn)行重構(gòu)，實(shí)際場(chǎng)景如圖4a所示，測(cè)試車輛處于駐車狀態(tài)，原始數(shù)據(jù)經(jīng)過處理后的結(jié)果如圖4b所示，從圖中可以看到，由于場(chǎng)景中存在眾多物體，所以極易造成遠(yuǎn)處物體因被遮擋而暫時(shí)丟失的情況，但是近處物體均可被精確地識(shí)別。根據(jù)兩種場(chǎng)景下的重構(gòu)結(jié)果可以看出，本硬件平臺(tái)具有良好的識(shí)別精度。

圖3 高速路段場(chǎng)景重構(gòu)

4.2 聚類算法驗(yàn)證

選取某一高速路段數(shù)據(jù)進(jìn)行測(cè)試，去除地面后的點(diǎn)云分布如圖5a所示，聚類處理結(jié)果如圖5b所示。從圖5可以看到，經(jīng)過聚類后可以找出主要目標(biāo)物，由于未對(duì)數(shù)據(jù)進(jìn)行點(diǎn)云篩選且其中包含了道路邊緣及綠化帶，所以在圖中存在較大長(zhǎng)方形物體，下一步只需要在此基礎(chǔ)上進(jìn)一步處理即可得到運(yùn)動(dòng)目標(biāo)。

4.3 跟蹤算法驗(yàn)證

以某十字路口數(shù)據(jù)為例進(jìn)行分析，聚類后的點(diǎn)云如圖6a所示，對(duì)該點(diǎn)云進(jìn)行一定幀數(shù)的跟蹤之后，效果如圖6b所示。只能跟蹤運(yùn)動(dòng)目標(biāo)物，因此靜態(tài)目標(biāo)物在圖6b中用點(diǎn)表示。由圖6可以看出，所有目標(biāo)物均被正確跟蹤。

圖4 城區(qū)路段場(chǎng)景重構(gòu)

圖5 聚類算法效果

圖6 跟蹤算法效果

4.4 道路邊線提取

以某一直線路段數(shù)據(jù)為例，初始點(diǎn)云如圖7a所示。首先對(duì)點(diǎn)云網(wǎng)格化并進(jìn)行聚類處理，從而獲得包含2條邊線的點(diǎn)集，結(jié)果如圖7b所示。

然后，分別采用邊線點(diǎn)集進(jìn)行直線擬合獲取道路邊線：

式中，ρ為直線到原點(diǎn)的垂直距離；(x,y)為點(diǎn)的坐標(biāo)；θ為x軸與直線垂線的角度。

最終擬合的道路邊線如圖7c所示。在道路邊線提取過程中，完成道路兩側(cè)邊線點(diǎn)的準(zhǔn)確聚類尤為關(guān)鍵。因此在聚類中，通過限定處理范圍并進(jìn)行點(diǎn)云格網(wǎng)化、格網(wǎng)區(qū)域生長(zhǎng)等處理來完成道路兩側(cè)邊線點(diǎn)的提取。

圖7 道路邊線提取過程

5 結(jié)論

本文針對(duì)激光雷達(dá)環(huán)境感知模塊識(shí)別精度不佳的問題，提出了完整的優(yōu)化流程。此流程在已有算法的基礎(chǔ)上，通過DBSCAN算法、匈牙利算法等一系列數(shù)據(jù)處理過程，實(shí)現(xiàn)對(duì)點(diǎn)云的聚類與跟蹤，最終實(shí)現(xiàn)對(duì)目標(biāo)的分類及回溯。考慮到激光雷達(dá)無法提供物體顏色等信息，可通過融合視覺等其他傳感器模塊來進(jìn)一步豐富重構(gòu)信息。本文主要針對(duì)現(xiàn)有的激光雷達(dá)環(huán)境感知模塊的算法進(jìn)行研究與優(yōu)化，適用領(lǐng)域較窄，此問題將會(huì)在未來的研究中予以解決。