基于多閾值判斷的單線激光雷達(dá)草叢識別方法

龔鵬， 徐勤博， 張晏悅， 姬書得

(1.沈陽航空航天大學(xué)機(jī)電工程學(xué)院， 沈陽 110136； 2.沈陽航空航天大學(xué)航空宇航學(xué)院， 沈陽 110136)

從目前智能駕駛領(lǐng)域的發(fā)展情況來看，無人駕駛是發(fā)展的熱門方向[1-5]。在無人駕駛這一研究框架下，無人車輛在行駛過程中的障礙物識別是研究的重點(diǎn)。目前的主流研究是結(jié)構(gòu)化路面的障礙物檢測，在非結(jié)構(gòu)化道路(如越野路面)障礙物檢測方面，草叢、樹枝等柔性障礙物識別是不可避免的，而且有較高的技術(shù)難度。在無人車輛避障系統(tǒng)中，有效的識別出草叢等障礙物(可通過或不可通過)會給避障決策提供更多有效、準(zhǔn)確的信息?；趩文肯鄼C(jī)[6]的視覺識別有著諸多優(yōu)勢，成本低、配置與標(biāo)定簡易，能夠提供較為豐富的環(huán)境信息，但是單目相機(jī)的最大缺點(diǎn)是對環(huán)境光照特別敏感，極容易受到天氣、環(huán)境光等影響，當(dāng)環(huán)境光照比較強(qiáng)(會出現(xiàn)過度曝光)或較暗時(shí)，會使視覺識別的準(zhǔn)確性與檢測速度急劇下降[7-10]。相比于視覺識別來說，激光雷達(dá)可以獲得極高的角度、距離和速度分辨率，具有抗有源干擾能力強(qiáng)、體積小、質(zhì)量輕等優(yōu)勢[10-11]。目前中外無人駕駛領(lǐng)域?qū)τ趩尉€激光雷達(dá)的應(yīng)用主要在障礙物測距、測速等基礎(chǔ)領(lǐng)域，對草叢等柔性障礙物識別的研究很少。劉樂等[2]利用兩個(gè)單線激光雷達(dá)對靜止或移動障礙物進(jìn)行識別判定，李僑輝等[12]通過對激光雷達(dá)放置不同俯仰角測取數(shù)據(jù)，再采用貝葉斯概率法對草叢障礙物進(jìn)行識別，識別效率低。

為此，基于單線激光雷達(dá)開展對草叢障礙物的識別研究，以單線激光雷達(dá)采集的點(diǎn)云為原始數(shù)據(jù)，通過多閾值草叢識別算法對點(diǎn)云數(shù)據(jù)進(jìn)行處理、識別，識別結(jié)果將對無人駕駛技術(shù)提供更好的幫助和借鑒意見。

1 基于單線激光雷達(dá)的草叢特征分析

1.1 激光雷達(dá)的選型

激光雷達(dá)分為兩種類型，多線激光雷達(dá)和單線激光雷達(dá)。多線激光雷達(dá)在障礙物檢測上有著諸多優(yōu)勢，可以對障礙物進(jìn)行更好的建模，但同時(shí)多線激光雷達(dá)的點(diǎn)云數(shù)據(jù)龐大、成像速度慢、處理時(shí)間長。相比之下，單線激光雷達(dá)點(diǎn)云數(shù)據(jù)量小，處理時(shí)間短、成像速度快，有著較強(qiáng)的魯棒性、實(shí)時(shí)性，并且單線激光雷達(dá)在成本上相比多線激光雷達(dá)也有著較大優(yōu)勢，因此選用單線激光雷達(dá)作為草叢識別傳感器。單線激光雷達(dá)的參數(shù)如表1所示。

表1 RPLIDAR S1的技術(shù)參數(shù)Table 1 Technical parameters of RPLIDAR S1

1.2 草叢特征分析

通過分析草叢激光雷達(dá)點(diǎn)云深度信息的分布規(guī)律，對原始點(diǎn)云信息進(jìn)行處理，最終實(shí)現(xiàn)草叢特征的判斷。

當(dāng)單線激光雷達(dá)掃描在草叢側(cè)面時(shí)，有一部分掃描線打在靠前草葉的表面，另一部分掃描線打在更深處的草葉表面，即雷達(dá)點(diǎn)云數(shù)據(jù)具有不同的深度信息。單線激光雷達(dá)的草叢掃描示意圖如圖1所示。

Deepi為單線激光雷達(dá)的第i條掃描線； 相鄰兩條掃描線之間的夾角為θi圖1 激光雷達(dá)草叢掃描示意圖Fig.1 Diagram of grass by LiDAR scan

從掃描示意圖(圖1)可以觀察出，打在草叢上的點(diǎn)云是錯(cuò)落無序的，點(diǎn)云深度變化較大。

對于地面、石頭、墻體建筑物等連續(xù)體障礙物來說，如圖2、圖3所示，當(dāng)單線激光雷達(dá)掃描到其上時(shí)，相鄰兩個(gè)點(diǎn)云之間的深度不會有很大的變化。這兩種截然不同的深度特征變化規(guī)律信息可以將草叢和其他剛體障礙物區(qū)分開。

由圖3、圖4可以看出，隨著單線激光雷達(dá)向兩側(cè)掃描，障礙物距離激光雷達(dá)中心越來越遠(yuǎn)時(shí)，掃描線的長度也會急劇增加，因此對草叢進(jìn)行檢測識別時(shí)，如果只將深度變化作為判定依據(jù)，容易造成準(zhǔn)確性的下降。因此不只是將深度信息變化作為判定唯一依據(jù)，還將相應(yīng)角度信息作為判定依據(jù)，得到相鄰激光點(diǎn)云之間的斜率信息，對斜率信息的分析結(jié)果作為草叢判定的依據(jù)。

單線激光雷達(dá)點(diǎn)云數(shù)據(jù)的存儲形式為極坐標(biāo)系形式，因此從單線激光雷達(dá)點(diǎn)云原始數(shù)據(jù)可以獲取每一個(gè)點(diǎn)云的極徑和極角。

設(shè)掃描一周的掃描線數(shù)目為m，則點(diǎn)云數(shù)據(jù)的極徑矩陣、極角矩陣分別為

ρ=[ρ1,ρ2,…,ρm-1,ρm]

(1)

θ=[θ1,θ2,…,θm-1,θm]

(2)

圖2 墻體連續(xù)體掃描示意圖Fig.2 Schematic diagram of wall continuum scan

θi為相鄰兩條掃描線之間的夾角；ki為相鄰兩點(diǎn)云間的斜率值圖3 圓柱連續(xù)體掃描示意圖Fig.3 Schematic diagram of cylindrical continuum scan

圖4 極坐標(biāo)示意圖Fig.4 Polar Coordinate System diagram

式中：ρm為第m條掃描線的極徑；θm為第m條與m-1條掃描線所夾的夾角；ρ為單線激光雷達(dá)點(diǎn)云極徑矩陣；θ為單線激光雷達(dá)點(diǎn)云極角矩陣。

2 草叢點(diǎn)云數(shù)據(jù)的分析

2.1 極坐標(biāo)與笛卡爾坐標(biāo)的轉(zhuǎn)化

極坐標(biāo)系是指在平面內(nèi)由極點(diǎn)、極軸和極徑組成的坐標(biāo)系。在平面上取一點(diǎn)O，稱為極點(diǎn)。從O出發(fā)引一條射線Ox，稱為極軸。再取定一個(gè)單位長度，通常規(guī)定角度取逆時(shí)針方向?yàn)檎?，如圖5所示，平面上任一點(diǎn)M的位置就可以用線段OM的長度ρ′以及從Ox到OM的角度θ′來確定，有序數(shù)對(ρ′,θ′)稱為M點(diǎn)的極坐標(biāo)，記作M(ρ′,θ′)，其中，ρ′為M點(diǎn)的極徑，θ′為M點(diǎn)的極角。

Mi(ρi,θi)為點(diǎn)云的極坐標(biāo); Mi(xi)、Mi(yi)分別為點(diǎn)云極 坐標(biāo)轉(zhuǎn)換到笛卡爾坐標(biāo)后的橫坐標(biāo)值和縱坐標(biāo)值； Δx、Δy分別為兩點(diǎn)云在x方向差值和兩點(diǎn)云在 y軸方向差值；ki為相鄰兩點(diǎn)云間的斜率值圖5 草叢點(diǎn)云特征幾何關(guān)系圖Fig.5 Geometric relation diagram of grass point cloud features

在極坐標(biāo)系中，以O(shè)為原點(diǎn)，Ox為x軸正方向建立平面笛卡爾坐標(biāo)系xOy。點(diǎn)M分別向x軸、y軸投影，由幾何關(guān)系可得

(3)

則轉(zhuǎn)換的笛卡爾為M(ρ′cosθ′,ρ′sinθ′)。

2.2 點(diǎn)云原始數(shù)據(jù)坐標(biāo)的轉(zhuǎn)化

由上節(jié)極坐標(biāo)與笛卡爾坐標(biāo)的轉(zhuǎn)化關(guān)系，如圖6所示，以草叢點(diǎn)云分析為例，Mi(ρi,θi)表示點(diǎn)云數(shù)據(jù)中任意一個(gè)點(diǎn)的極坐標(biāo)，其笛卡爾坐標(biāo)為

xi=ρicosθi

(4)

yi=ρisinθi

(5)

則由此可以得到任意點(diǎn)云的笛卡爾坐標(biāo)Mi(xi,yi)。在笛卡爾坐標(biāo)系xOy中，點(diǎn)Mi、Mi+1在x軸、y軸方向的差值分別為

Δxi=ρicosθi-ρi+1cosθi+1

(6)

Δyi=ρisinθi-ρi+1sinθi+1

(7)

將Mi、Mi+1連接(圖6中的紅色箭頭線)，則相鄰兩點(diǎn)Mi、Mi+1連接線的斜率為

(8)

式(8)中：Δxi、Δyi分別為點(diǎn)Mi、Mi+1在x軸、y軸方向的差值。

圖6 候選框示意圖Fig.6 Candidate box schematic

分析可知，草叢障礙物與其他障礙物的特征區(qū)別在于相鄰點(diǎn)云之間的斜率變化。從圖5中的點(diǎn)云連接線的斜率分布情況可以看出，從左到右，斜率不斷在突變，因此相鄰點(diǎn)云連接線的斜率差值比較大，對于其他連續(xù)體障礙物來說，斜率雖有變化，但是突變情況很少，因此對于這類障礙物的斜率差值變化就比較小。通過這一特征規(guī)律，斜率差值可以作為草叢障礙物和其他連續(xù)體障礙物的根本區(qū)別。相鄰兩紅色連接線間的斜率差值為

Ki=|ki+1-ki|

(9)

由式(9)得到點(diǎn)云的斜率差值矩陣為

K=[K1,K2,…,Km-3,Km-2]

(10)

式(10)中：K為單線激光雷達(dá)點(diǎn)云的斜率差值矩陣。

3 多閾值草叢特征識別算法

3.1 算法描述

基于以上草叢特征和草叢點(diǎn)云數(shù)據(jù)的分析，提出一種多閾值草叢特征識別算法。所提算法將斜率差值信息矩陣分解為若干候選框(子集)，判斷每一個(gè)候選框中的斜率差信息是否滿足對應(yīng)閾值，若滿足閾值要求則保留該候選框，若不滿足，則舍棄該候選框，最終，整合保留下來的候選框，由整合的斜率差值信息所映射的點(diǎn)云即為草叢障礙物點(diǎn)云，候選框的示意圖如圖7所示。

3.2 算法中閾值的選擇

3.2.1 候選框(子集)閾值的選取

首先，依據(jù)單線激光雷達(dá)的角度分辨率與點(diǎn)云數(shù)量，選取閾值A(chǔ)為候選框的長度，即候選框(子集)中的元素的個(gè)數(shù)為A。再選取候選框步長閾值B，即相鄰兩個(gè)候選框首個(gè)元素下角標(biāo)之差。

3.2.2 草叢判定閾值的選取

選取草叢判定斜率閾值為Q，將候選框中的每一個(gè)元素依次與閾值Q進(jìn)行比較，當(dāng)元素值與閾值Q的關(guān)系滿足式(10)時(shí)，即初步判定該元素符合草叢信息的特征，進(jìn)行保留，累計(jì)得出該候選框中被保留元素的個(gè)數(shù)，記為W。

Ki≥Q

(11)

再選取閾值E。將上一步得到的W值與閾值E進(jìn)行比較，若滿足式(11)則判定該候選框中點(diǎn)云為草叢點(diǎn)云。

W≥E

(12)

基于多閾值草叢識別算法流程過程如圖7所示。由于草叢形狀的不規(guī)則性，當(dāng)單線激光雷達(dá)掃描草叢時(shí)，會出現(xiàn)相鄰幾個(gè)點(diǎn)云的連線斜率差值較小的現(xiàn)象，此時(shí)若判定該處不是草叢，就會出現(xiàn)誤判。因此A、B、Q、E的選取在很大程度上影響著識別結(jié)果，合理的閾值選取能夠大大提高識別的準(zhǔn)確率。

圖7 多閾值草叢識別算法流程圖Fig.7 Flow chart of multi-threshold grass recognition algorithm

閾值A(chǔ)即為候選框中斜率差值信息的個(gè)數(shù)，A值如果過大，則候選框中的元素過多，剛拾取到草叢邊緣點(diǎn)云時(shí)的候選框會大概率不滿足閾值條件而被舍棄所以容易在識別過程中導(dǎo)致過多損失草叢邊緣，A值如果過小則會使候選框(子集)過多，計(jì)算量增大，增加處理時(shí)間。

閾值B即相鄰兩個(gè)候選框中首個(gè)元素下角標(biāo)之差，B值如果過大則在候選框的移動時(shí)會漏掉點(diǎn)云。原則上B值小于等于候選框的長度A，當(dāng)B值小于候選框的長度A時(shí)，雖然子集中元素會出現(xiàn)重疊，但是識別率會會有提升。B值過小同樣會引起計(jì)算量的增加。

閾值Q、E的選取決定了草叢的最終判定，因此這兩個(gè)閾值的選取需要慎重，若選取的閾值Q過大或者過小，都會導(dǎo)致大量的草叢點(diǎn)云會被舍棄，閾值E如果過大，也同樣會導(dǎo)致含有草叢點(diǎn)云候選框被舍棄，造成草叢的遺漏，識別率的下降。

4 試驗(yàn)驗(yàn)證

以戶外3種類型草叢作為試驗(yàn)對象，采用了激光波長為905 nm的RPLIDAR S1單線激光雷達(dá)作為試驗(yàn)設(shè)備，通過Python3.6的Pycharm平臺對點(diǎn)云數(shù)據(jù)處理，完成草叢障礙物的識別。搭建的硬件平臺設(shè)備如圖8所示。

試驗(yàn)記錄：單線激光雷達(dá)與草叢障礙物之間的距離為2 m，單線激光雷達(dá)水平高度約為1.7 m。3種類型草叢如圖9所示。

針對于不同類型草叢，選取不同閾值進(jìn)行草叢特征識別，各類型草叢選取閾值如表2所示。

經(jīng)過單線激光雷達(dá)掃描得到的基礎(chǔ)點(diǎn)云圖如圖10所示。

各類型草叢識別率如表3所示。將點(diǎn)云數(shù)據(jù)通過多閾值草叢識別算法識別后得到圖11所示的最終結(jié)果。

圖8 硬件平臺設(shè)備Fig.8 Hardware platform equipment

圖9 3種類型草叢Fig.9 Three types of grass

表2 各閾值選取值Table 2 Select values of each threshold

圖10 單線激光雷達(dá)掃描得到的基礎(chǔ)點(diǎn)云圖Fig.10 Basic point cloud obtained by single-line LiDAR

表3 各類型草叢識別率Table 3 Identification rate of each type of grass

圖11 多閾值草叢識別算法訓(xùn)別結(jié)果Fig.11 Identification results of multi-threshold grass feature recognition algorithm

5 結(jié)論

針對戶外視覺識別容易受到光照等環(huán)境因素影響識別速度和準(zhǔn)確性，以及多線激光雷達(dá)數(shù)據(jù)量龐大、處理耗時(shí)等問題，通過對草叢特征的分析提 出了一種基于單線激光雷達(dá)的多閾值草叢識別方法，通過試驗(yàn)驗(yàn)證該算法能夠準(zhǔn)確地識別草叢特征，對典型草叢的識別率達(dá)到93.44%，并且識別速度快，處理耗時(shí)短，識別用時(shí)平均約為30 ms。所提出的多閾值草叢識別算法，對于非結(jié)構(gòu)環(huán)境下草叢等柔性障礙物的識別具有一定的借鑒意義，有效擴(kuò)展了單線激光雷達(dá)的應(yīng)用范圍。