無(wú)人駕駛車前方不確定障礙物檢測(cè)方法仿真

田國(guó)紅，關(guān)亮亮

(遼寧工業(yè)大學(xué)汽車與交通工程學(xué)院，遼寧 錦州 121001)

1 引言

隨著科技的不斷進(jìn)步，人工智能已經(jīng)在生產(chǎn)、科研等領(lǐng)域被廣泛應(yīng)用。無(wú)人駕駛車輛[1]作為汽車生產(chǎn)的新型技術(shù)，是當(dāng)今前沿科技的重要發(fā)展方向。它不僅包括理論方法與關(guān)鍵科技技術(shù)的突破，同時(shí)涉及大量工程試驗(yàn)問(wèn)題，社會(huì)關(guān)注度極高。由于無(wú)人駕駛車輛使用范圍多為軍事、航空航天等高端領(lǐng)域，工作環(huán)境復(fù)雜不確定，所以在研制無(wú)人駕駛車輛，提升車輛駕駛控制系統(tǒng)，對(duì)駕駛前方的障礙物實(shí)施有效的檢測(cè)[2]，是保障該類車輛安全運(yùn)行的關(guān)鍵。

文獻(xiàn)[3]方法提出一種融合密度聚類與區(qū)域生長(zhǎng)算法的快速障礙物檢測(cè)方法。該方法依據(jù)區(qū)域生長(zhǎng)算法對(duì)點(diǎn)云柵格標(biāo)記聚類；再通過(guò)參數(shù)自適應(yīng)算法完成障礙物的目標(biāo)細(xì)化；最后通過(guò)對(duì)障礙物的二次聚類實(shí)現(xiàn)對(duì)智能車行駛過(guò)程中的障礙物檢測(cè)。文獻(xiàn)[4]方法提出基于車載16線激光雷達(dá)的障礙物檢測(cè)方法。該方法根據(jù)八叉樹(shù)以及抽樣一致性算法完成路面的地面點(diǎn)去除；再將路面投影點(diǎn)映射至二維網(wǎng)格上，提取障礙物的結(jié)構(gòu)，建立兩級(jí)網(wǎng)絡(luò)模型；最后通過(guò)該模型完成無(wú)人車障礙物的檢測(cè)。文獻(xiàn)[5]方法提出基于激光測(cè)距雷達(dá)和機(jī)器視覺(jué)的障礙物檢測(cè)。該方法依據(jù)激光雷達(dá)以及車載相機(jī)獲取汽車行進(jìn)圖像；再通過(guò)對(duì)圖像與激光雷達(dá)數(shù)據(jù)的融合結(jié)果，完成障礙物的準(zhǔn)確識(shí)別。

上述方法由于未能在障礙物檢測(cè)時(shí)，對(duì)激光雷達(dá)圖像實(shí)施消噪處理，導(dǎo)致上述方法在檢測(cè)障礙物時(shí)檢測(cè)效果較差。為解決上述無(wú)人行駛車輛障礙物檢測(cè)方法中存在的問(wèn)題，提出不確定環(huán)境下無(wú)人駕駛車前方障礙物檢測(cè)方法。

2 建立道路邊界模型

在對(duì)無(wú)人駕駛汽車前方障礙物開(kāi)展障礙物檢測(cè)前，需要建立汽車行駛前方的道路邊界模型，確定無(wú)人駕駛車行駛過(guò)程的道路邊界點(diǎn)以及道路邊界擬合。

2.1 獲取道路激光雷達(dá)點(diǎn)云圖像

無(wú)人駕駛汽車[6]在行進(jìn)過(guò)程中，使用三維激光雷達(dá)對(duì)無(wú)人駕駛汽車前方道路展開(kāi)掃描。選取三維激光雷達(dá)時(shí)，一般選用激光掃描線64條、輸出133萬(wàn)三維點(diǎn)的激光雷達(dá)。掃描后，激光雷達(dá)獲取的道路掃描數(shù)據(jù)如下式所示

(1)

式中，激光雷達(dá)掃描點(diǎn)為Ox，y，獲取的激光雷達(dá)數(shù)據(jù)為Uv，i、j為常數(shù)。

設(shè)定激光雷達(dá)[7]的掃描角度為δb.j，獲取過(guò)程如下式所示

(2)

式中，激光數(shù)據(jù)的三維坐標(biāo)位置為[x，y，z]，數(shù)據(jù)信息為ε，屬性為s。最后設(shè)定道路激光雷達(dá)圖像尺寸為[M×N]，通過(guò)數(shù)據(jù)映射算法[8]獲取無(wú)人駕駛汽車前方道路激光雷達(dá)圖像，過(guò)程如下式所示

(3)

式中，獲取的激光雷達(dá)圖像為(Em，n，Vm，n)，像素坐標(biāo)原點(diǎn)為(Δm，Δn)，映射系數(shù)為A。

2.2 道路點(diǎn)云數(shù)據(jù)預(yù)處理

獲取無(wú)人駕駛汽車前方道路邊界點(diǎn)之前，需要依據(jù)雙邊濾波算法剔除激光雷達(dá)圖像中的離群點(diǎn)數(shù)據(jù)，以提升障礙物檢測(cè)精度。

雙邊濾波屬于非線性的空域?yàn)V波算法，該方法能夠在保留圖像邊緣信息的同時(shí)極大程度地濾除點(diǎn)云圖像中的噪聲。設(shè)定無(wú)人駕駛汽車行駛道路激光雷達(dá)圖像的高斯噪聲圖像模型為f(m，n)，獲取流程如下式所示

f(m，n)=d(m，n)+b(m，n)

(4)

式中，激光雷達(dá)圖像的無(wú)噪聲圖像為d(m，n)，激光雷達(dá)圖像的零均值高斯噪聲為b(m，n)，噪聲干擾的激光雷達(dá)圖像為f(m，n)。噪聲圖像獲取后，通過(guò)局部加權(quán)平均算法對(duì)噪聲圖像中的高斯噪聲實(shí)施去噪處理[9]，過(guò)程如下式所示

(5)

式中，圖像的中心像素點(diǎn)(m，n)的鄰域范圍為Am，n，區(qū)域內(nèi)像素點(diǎn)權(quán)值為q(i，j)，像素灰度值為f(i，j)。

根據(jù)上述噪聲消除結(jié)果，完成無(wú)人駕駛汽車的激光雷達(dá)圖像中離群點(diǎn)的濾除。

2.3 搜索道路邊界點(diǎn)

圖像去噪后，使用自適應(yīng)邊界搜索算法對(duì)激光雷達(dá)圖像展開(kāi)搜索，確定無(wú)人駕駛汽車前方道路上的邊界點(diǎn)，流程如下：

1)基于去除離群點(diǎn)的激光雷達(dá)數(shù)據(jù)建立無(wú)人駕駛汽車坐標(biāo)系，并設(shè)定坐標(biāo)原點(diǎn)，從左右兩側(cè)展開(kāi)搜索。

2)以起始點(diǎn)為坐標(biāo)原點(diǎn)，設(shè)定搜索范圍，尋找并記錄道路兩側(cè)的邊界點(diǎn)位置。

3)若尋找到道路邊界點(diǎn)，依據(jù)固定的距離向左右兩端移動(dòng)，繼續(xù)尋找汽車前方道路邊界點(diǎn)。

4)重復(fù)上述搜索過(guò)程，直至完成道路兩側(cè)所有待搜索區(qū)域的道路邊界點(diǎn)的搜索。

2.4 邊界點(diǎn)曲線擬合

道路邊界點(diǎn)完成搜索后，對(duì)所有邊界點(diǎn)展開(kāi)曲線擬合。道路邊界點(diǎn)擬合形狀通常為直線或曲線，所有邊界點(diǎn)擬合時(shí)，可通過(guò)道路邊界模型，完成道路邊界點(diǎn)信息的表達(dá)。

由于現(xiàn)今城市道路分布較為規(guī)則，所以道路邊界點(diǎn)擬合時(shí)，使用最小二乘法[10]對(duì)道路邊界點(diǎn)展開(kāi)計(jì)算，通過(guò)獲取的最小誤差平方，獲取邊界點(diǎn)數(shù)據(jù)的最佳匹配函數(shù)，過(guò)程如下式所示

(6)

2.5 建立道路邊界模型

基于上述確定的各項(xiàng)參數(shù)，建立無(wú)人駕駛汽車前方道路邊界模型。在建立道路邊界模型時(shí)，需要依據(jù)上述確定的道路邊界點(diǎn)，建立模型的相關(guān)約束條件，結(jié)果如下式所示

(7)

式中，車道寬度為dis，車道寬度比為Ocentern，道路邊界擬合曲線邊長(zhǎng)比為ratio，高度差為ΔZ，最大高度差以及最小高度差分別為Zmax、Zmin，道路邊界點(diǎn)最大擬合曲線為[Mmax，Nmax]，最小擬合值為[Mmin，Nmin]。

依據(jù)建立的相關(guān)約束條件，建立無(wú)人駕駛車前方道路邊界模型，結(jié)果如下式所示

(8)

3 無(wú)人駕駛汽車前方障礙物檢測(cè)方法

基于建立的道路邊界模型，提取無(wú)人駕駛汽車行進(jìn)過(guò)程中障礙物特征，構(gòu)建障礙物模型，完成無(wú)人駕駛車前方障礙物的檢測(cè)。

3.1 提取障礙物特征

通過(guò)上述建立的道路邊界模型，提取無(wú)人駕駛車前方障礙物特征值[11]。由于采集的激光雷達(dá)數(shù)據(jù)是依據(jù)順時(shí)針順序排列的，道路邊界模型中的激光雷達(dá)點(diǎn)包含道路的角度、距離以及反射的脈沖信號(hào)，因此，使用距離方法對(duì)激光雷達(dá)圖像中的激光點(diǎn)展開(kāi)聚類分割，從而提取障礙物的特征。具體特征提取流程如圖1所示。

圖1 障礙物特征提取流程

無(wú)人駕駛汽車前方障礙物包含在道路邊界模型中，所以需要通過(guò)距離方法設(shè)定相關(guān)閾值，若計(jì)算出的激光點(diǎn)距離超出設(shè)定的閾值，可直接認(rèn)定該組激光點(diǎn)中存在拐角點(diǎn)，通過(guò)計(jì)算拐角兩邊的線性度完成障礙物拐角邊沿的特征提取。

3.2 建立障礙物模型

依據(jù)上述提取的障礙物特征，建立無(wú)人駕駛汽車的障礙物模型[12]，過(guò)程如下式所示

Zm=(w，l，x，y)

(9)

式中，障礙物寬度為w，長(zhǎng)度為l，障礙物位置為(x，y)。模型中，障礙物用框和點(diǎn)兩種形式展開(kāi)描述，依據(jù)建立的障礙物模型獲取模型中框、點(diǎn)的運(yùn)動(dòng)狀態(tài)，結(jié)果如下式所示

(10)

障礙物的邊沿特征與拐角特征能夠確定障礙物形狀，由于城市內(nèi)的道路環(huán)境影響，無(wú)人駕駛車的障礙物尺寸通常不會(huì)超出20米，所以建立障礙物模型時(shí)可直接將障礙物超出20米的障礙物剔除。

3.3 障礙物檢測(cè)

為有效檢測(cè)無(wú)人駕駛車[13]行進(jìn)前方障礙物類型，在障礙物匹配過(guò)程中，通過(guò)獲取的障礙物位置、長(zhǎng)度、寬度等參數(shù)構(gòu)建障礙物相似變量，計(jì)算障礙物之間的相似值建立全局相似矩陣，過(guò)程如下式所示：

zi，j=α(1/(mi-mj)2+(ni-nj)2)+

β(1/(li-lj)2+(wi-wj)2)+

χ(1/(liwi-ljwj))+δ(1/(xi-xj))

(11)

式中，建立的障礙物相似矩陣為zi，j。

障礙物完成匹配后，計(jì)算不同障礙物模型中障礙物運(yùn)動(dòng)狀態(tài)值，使用支持向量機(jī)對(duì)障礙物運(yùn)動(dòng)狀態(tài)值分類[14]，通過(guò)分類結(jié)果確定障礙物類型，完成無(wú)人駕駛車前方障礙物的檢測(cè)。

設(shè)定障礙物模型的時(shí)空特征系數(shù)為ρ，獲取流程如下式所示：

ρ=({kt}Y，Zm，M)

(12)

式中，障礙物關(guān)鍵點(diǎn)數(shù)據(jù)為{kt}Y，障礙物圖像數(shù)量為Y，障礙物的特征集合為Zm。最后基于支持向量機(jī)對(duì)障礙物特征系數(shù)實(shí)施分類，通過(guò)分類結(jié)果完成障礙物檢測(cè)，結(jié)果如下式所示

c=fTρ-b

(13)

式中，障礙物特征系數(shù)分類結(jié)果為c，分類向量為fT，b為常量。

無(wú)人駕駛車前方障礙物檢測(cè)[15]流程如圖2所示。

圖2 無(wú)人駕駛車前方障礙物檢測(cè)流程

4 實(shí)驗(yàn)

為了驗(yàn)證上述障礙物檢測(cè)方法的整體有效性，需要對(duì)此方法測(cè)試。

4.1 實(shí)驗(yàn)結(jié)果及分析

分別采用不確定環(huán)境下無(wú)人駕駛車前方障礙物檢測(cè)方法(所提方法)、一種融合密度聚類與區(qū)域生長(zhǎng)算法的快速障礙物檢測(cè)方法(文獻(xiàn)[3]方法)、基于車載16線激光雷達(dá)的障礙物檢測(cè)方法(文獻(xiàn)[4]方法)展開(kāi)測(cè)試。在開(kāi)展無(wú)人駕駛汽車障礙物檢測(cè)過(guò)程中，檢測(cè)性能的高低是證明檢測(cè)方法有效性的關(guān)鍵。采用檢測(cè)效果作為測(cè)試障礙物檢測(cè)性能的指標(biāo)，以此測(cè)試所提方法、文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法的檢測(cè)性能。

在開(kāi)展障礙物檢測(cè)的過(guò)程中，檢測(cè)效果能夠直接反映檢測(cè)方法的檢測(cè)性能。選取正檢率、誤檢率以及漏檢率作為障礙物檢測(cè)效果測(cè)試指標(biāo)，以此測(cè)試3種障礙物檢測(cè)方法的檢測(cè)效果。正檢率、誤檢率以及漏檢率計(jì)算公式如下式所示

(14)

式中，參與檢測(cè)的障礙物數(shù)量為Msum，障礙物的檢測(cè)正確數(shù)量為Mzj，障礙物誤檢數(shù)量為Mwj，未正確分類障礙物數(shù)量為Mws，未檢測(cè)出的障礙物數(shù)量為Mzs，正檢率為Qzj，誤檢率為Qwj，漏檢率為Qlj。依據(jù)上述計(jì)算結(jié)果，測(cè)試3種障礙物檢測(cè)方法的正檢率、誤檢率以及漏檢率，結(jié)果如圖3、圖4所示。

圖3 不同檢測(cè)方法的正檢率測(cè)試結(jié)果

分析圖3可知，隨著檢測(cè)次數(shù)的增加，3種檢測(cè)方法的正檢率均出現(xiàn)不同程度的下降趨勢(shì)。但是，所提方法測(cè)試出的障礙物檢測(cè)正檢率高于其 它兩種方法。

圖4 不同檢測(cè)方法誤檢率、漏檢率測(cè)試結(jié)果

分析圖4中的實(shí)驗(yàn)數(shù)據(jù)可知，隨著檢測(cè)次數(shù)的增加，3種檢測(cè)方法的檢測(cè)結(jié)果均出現(xiàn)不同程度的上升趨勢(shì)。其中，所提方法測(cè)試出的誤檢率與漏檢率是3種方法中最低的，這主要是因?yàn)樗岱椒ㄔ谡系K物檢測(cè)時(shí)，對(duì)激光雷達(dá)圖像實(shí)施了消噪處理，所以該方法在障礙物檢測(cè)時(shí)的檢測(cè)效果好。

基于上述測(cè)試結(jié)果，選用固定的無(wú)人駕駛汽車，開(kāi)展障礙物檢測(cè)，測(cè)試3種方法的障礙物全局檢測(cè)效果，結(jié)果如圖5所示。

圖5 不同方法的障礙物全局檢測(cè)效果

分析圖5可知，所提方法能夠在遠(yuǎn)距離情況下，精準(zhǔn)地檢測(cè)出前方障礙物位置，而文獻(xiàn)[3]方法和文獻(xiàn)[4]方法檢測(cè)出障礙物時(shí)，車輛與障礙物之間距離接近，從而無(wú)法及時(shí)避障。

綜上所述，所提方法在開(kāi)展無(wú)人駕駛汽車障礙物檢測(cè)過(guò)程中，檢測(cè)效果良好，證明該方法檢測(cè)性能較好。

5 結(jié)束語(yǔ)

隨著無(wú)人駕駛汽車的流行，無(wú)人駕駛汽車障礙物檢測(cè)方法變得尤為重要。針對(duì)傳統(tǒng)障礙物檢測(cè)方法中存在的問(wèn)題，提出不確定環(huán)境下無(wú)人駕駛車前方障礙物檢測(cè)方法。該方法基于提取的障礙物特征建立障礙物模型，通過(guò)對(duì)障礙物模型時(shí)空特征系數(shù)的分類，完成障礙物類型的識(shí)別。該方法由于在搜索道路邊界點(diǎn)時(shí)存在問(wèn)題，今后會(huì)針對(duì)該項(xiàng)缺陷繼續(xù)對(duì)該方法優(yōu)化，直至方法完善。