非鋪裝道路凹凸不平特征語(yǔ)義分割方法研究*

伍文廣，田雙岳，張志勇，張 斌

（長(zhǎng)沙理工大學(xué)汽車(chē)與機(jī)械工程學(xué)院，長(zhǎng)沙 410114）

前言

不同于平整的鋪裝道路，非鋪裝道路的凹凸不平特征將增加自動(dòng)駕駛車(chē)輛路徑規(guī)劃和主動(dòng)控制的難度，同時(shí)影響車(chē)輛安全性和舒適性，因此凹凸不平特征的分類(lèi)識(shí)別對(duì)自動(dòng)駕駛汽車(chē)在非鋪裝道路上行駛具有重要意義。由于非鋪裝道路存在表面起伏不定、道路特征紋理復(fù)雜等問(wèn)題，以往應(yīng)用于鋪裝道路的路面特征識(shí)別方法難以應(yīng)用。現(xiàn)有的路面識(shí)別策略包括間接識(shí)別方法與直接識(shí)別方法。前者主要基于車(chē)輛的動(dòng)態(tài)響應(yīng)，可分為基于模型的方法與基于數(shù)據(jù)驅(qū)動(dòng)的方法；后者通過(guò)專(zhuān)用儀器或傳感器直接識(shí)別路面。

基于模型的方法是指通過(guò)建立數(shù)學(xué)模型并推導(dǎo)路面輸入與車(chē)輛響應(yīng)之間的數(shù)學(xué)關(guān)系來(lái)識(shí)別路面特征的方法。Liu 等［1］基于1/4 車(chē)輛模型得到路面輸入與簧下質(zhì)量加速度之間的傳遞關(guān)系，實(shí)現(xiàn)路面不平度等級(jí)的在線(xiàn)估計(jì)。Hassen 等［2］提出一種獨(dú)立分量分析方法（ICA）應(yīng)用于3 種不同的車(chē)輛模型實(shí)現(xiàn)路面輪廓識(shí)別。劉浪等［3］提出了一種考慮車(chē)輛加速度、基于增廣卡爾曼濾波算法的路面識(shí)別方法。綜上，基于模型的方法雖然能直觀表示出模型輸出與輸入之間的數(shù)學(xué)關(guān)系，但識(shí)別準(zhǔn)確性依賴(lài)于模型參數(shù)?；跀?shù)據(jù)驅(qū)動(dòng)的方法無(wú)須具體的數(shù)學(xué)分析過(guò)程，而是基于算法模型自主學(xué)習(xí)信號(hào)的潛在信息。應(yīng)用最為廣泛的算法模型包括長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM）［4-5］、概率神經(jīng)網(wǎng)絡(luò)（PNN）［6］、支持向量機(jī)（SVM）［7］、人工神經(jīng)網(wǎng)絡(luò)（ANN）［8-9］等?？傊g接識(shí)別方法依賴(lài)于車(chē)輛動(dòng)力學(xué)響應(yīng)，因此前瞻性往往不足且僅能獲取車(chē)輛車(chē)輪行駛部分的道路情況，難以用于自動(dòng)駕駛汽車(chē)的路徑規(guī)劃。

直接識(shí)別方法是指采用路面輪廓儀、視覺(jué)傳感器、激光雷達(dá)等設(shè)備直接獲取路面特征信息的方法。Lushnikov 等［10］研究了幾種用于測(cè)量路面縱向粗糙度的輪廓儀特性及其測(cè)量路面粗糙度的精度。路面輪廓儀雖能達(dá)到較高的識(shí)別精度，但其移植能力差，無(wú)法廣泛應(yīng)用于常規(guī)車(chē)輛，主要用于道路養(yǎng)護(hù)工作?；诘统杀?、高質(zhì)量和易于使用的視覺(jué)傳感技術(shù)在過(guò)去得到快速發(fā)展［11］。Yousaf 等［12］通過(guò)尺度不變特征變換（SIFT）來(lái)建立路面圖像詞匯表并基于SVM對(duì)路面圖像單詞直方圖進(jìn)行訓(xùn)練和測(cè)試，實(shí)現(xiàn)坑洞檢測(cè)，但僅能解決路面是否存在坑洞的二分類(lèi)問(wèn)題。Tedeschi 等［13］開(kāi)發(fā)了一種基于OpenCV 庫(kù)的自動(dòng)路面故障識(shí)別系統(tǒng)并將其嵌入到移動(dòng)應(yīng)用程序中，能夠識(shí)別3 種常見(jiàn)的路面故障：坑洞、縱向-橫向裂縫和疲勞裂縫。卷積神經(jīng)網(wǎng)格（CNN）由于其能直接輸入圖像而無(wú)需復(fù)雜的圖像預(yù)處理過(guò)程，被廣泛運(yùn)用于圖像識(shí)別領(lǐng)域［14-16］。沙愛(ài)民等［17］設(shè)計(jì)了3 種CNN，分別用于病害識(shí)別、裂縫特征提取和坑槽特征提取。CNN 通常使用滑動(dòng)窗口掃描整張圖像，因而實(shí)時(shí)性較差，為此Ren 等［18］提出Faster R-CNN，其采用區(qū)域建議網(wǎng)絡(luò)（PRN）來(lái)生成候選區(qū)域，大大提高了算法實(shí)時(shí)性能。Li［19］等基于雙目立體視覺(jué)獲取路面坑洼的圖像信息，并對(duì)圖像進(jìn)行特征點(diǎn)匹配、視差計(jì)算等處理實(shí)現(xiàn)坑洼的三維重建和形態(tài)特征提取。總之，基于視覺(jué)方法雖能有效識(shí)別出道路特征，但由于受環(huán)境光線(xiàn)影響較大，在雨霧場(chǎng)景中識(shí)別性能受到較大影響。激光雷達(dá)由于其更遠(yuǎn)的掃描距離、更高的掃描精度被廣泛搭載于自動(dòng)駕駛汽車(chē)、飛行器等平臺(tái)用于環(huán)境感知、測(cè)繪工作［20-22］。Zhao 等［23］通過(guò)激光雷達(dá)掃描路面，預(yù)覽路面高程信息。劉家銀等［24］設(shè)計(jì)了一種具有互補(bǔ)能力的多激光雷達(dá)安裝方式，并通過(guò)距離閾值與點(diǎn)密度閾值對(duì)凹坑進(jìn)行識(shí)別。近年來(lái)，基于點(diǎn)云的深度學(xué)習(xí)得到快速發(fā)展［25］，Qi等［26］開(kāi)創(chuàng)性地提出以點(diǎn)云為直接輸入的網(wǎng)絡(luò)模型PointNet，并進(jìn)一步改進(jìn)提出了具有局部特征學(xué)習(xí)能力的網(wǎng)絡(luò)模型PointNet++［27］，能較好地完成點(diǎn)云分類(lèi)、部件分割、語(yǔ)義分割等任務(wù)。當(dāng)前公開(kāi)點(diǎn)云數(shù)據(jù)集主要針對(duì)城市道路場(chǎng)景，如SemanticKITTI［28］、Waymo［29］、nuScenes［30］等，針對(duì)非鋪裝道路場(chǎng)景，由于缺乏相關(guān)數(shù)據(jù)集，深度學(xué)習(xí)的應(yīng)用研究較少［31］。此外，由于非鋪裝道路環(huán)境復(fù)雜，路面狀況惡劣，加大了非鋪裝道路點(diǎn)云數(shù)據(jù)集采集、標(biāo)注的難度和成本。據(jù)統(tǒng)計(jì)［32］，一個(gè)職業(yè)點(diǎn)云標(biāo)注者標(biāo)注ScanNet數(shù)據(jù)集中的1 201個(gè)點(diǎn)云場(chǎng)景，平均每個(gè)點(diǎn)云場(chǎng)景標(biāo)注時(shí)長(zhǎng)68 s，耗費(fèi)總時(shí)長(zhǎng)為2 周（10 天，每天工作6 h），因此通過(guò)實(shí)驗(yàn)制作大型的非鋪裝道路點(diǎn)云數(shù)據(jù)集需耗費(fèi)的人力和時(shí)間成本過(guò)高。

總之，間接識(shí)別方法前瞻性不足，難以適用于復(fù)雜多變的非鋪裝道路；基于視覺(jué)方法對(duì)目標(biāo)三維特征信息感知不強(qiáng)且受環(huán)境光線(xiàn)影響較大，難以對(duì)非鋪裝道路的凹凸不平特征進(jìn)行準(zhǔn)確表達(dá)。相比之下，激光雷達(dá)探測(cè)距離遠(yuǎn)、受環(huán)境光線(xiàn)影響較小且能獲取準(zhǔn)確的路面三維信息，但目前基于激光雷達(dá)的路面識(shí)別方法一方面主要針對(duì)鋪裝道路場(chǎng)景，在非鋪裝道路場(chǎng)景下難以直接適用；另一方面路面凹凸不平特征信息表達(dá)方法復(fù)雜，算力要求大且難以用于自動(dòng)駕駛汽車(chē)的識(shí)別。為此，本文首先構(gòu)建了基于高斯函數(shù)的凹凸不平特征表達(dá)模型，并提出了一種非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法；其次，構(gòu)建了包含仿真與真實(shí)數(shù)據(jù)的非鋪裝道路點(diǎn)云數(shù)據(jù)集，解決了非鋪裝道路點(diǎn)云數(shù)據(jù)集缺乏、制作成本高的問(wèn)題；最后，提出了一種非鋪裝道路凹凸不平特征語(yǔ)義分割方法，通過(guò)對(duì)路面凹凸不平特征進(jìn)行標(biāo)簽分類(lèi)，實(shí)現(xiàn)路面凹凸不平特征信息的簡(jiǎn)化表達(dá)，滿(mǎn)足自動(dòng)駕駛汽車(chē)在非鋪裝道路場(chǎng)景進(jìn)行路徑規(guī)劃、決策與控制的需求。

1 總體框架

圖1 所示為具有凹凸不平特征的非鋪裝道路，自動(dòng)駕駛汽車(chē)的路徑規(guī)劃與主動(dòng)控制須考慮各類(lèi)凹凸不平特征對(duì)車(chē)輛通過(guò)性、安全性與舒適性的影響。為簡(jiǎn)化表達(dá)非鋪裝道路凹凸不平特征，本文提出了一種非鋪裝道路凹凸不平特征語(yǔ)義分割方法，整體框架如圖2所示，可分為3個(gè)部分。（1）非鋪裝道路點(diǎn)云數(shù)據(jù)集構(gòu)建。基于非鋪裝道路仿真模型構(gòu)建仿真路面點(diǎn)云數(shù)據(jù)集，以及通過(guò)實(shí)驗(yàn)采集數(shù)據(jù)構(gòu)建真實(shí)路面點(diǎn)云數(shù)據(jù)集。（2）凹凸不平特征語(yǔ)義分割。構(gòu)建基于Pointnet++的凹凸不平特征語(yǔ)義分割模型，輸入仿真路面點(diǎn)云數(shù)據(jù)集訓(xùn)練學(xué)習(xí)得到最優(yōu)性能模型。（3）仿真與實(shí)驗(yàn)驗(yàn)證及魯棒性驗(yàn)證?；诟髟u(píng)價(jià)指標(biāo)對(duì)訓(xùn)練結(jié)果進(jìn)行分析，驗(yàn)證模型在真實(shí)路面點(diǎn)云數(shù)據(jù)下的適用性以及對(duì)不同場(chǎng)景的魯棒性。

圖1 非鋪裝道路

圖2 非鋪裝道路凹凸不平特征語(yǔ)義分割整體框架

2 非鋪裝道路點(diǎn)云數(shù)據(jù)集構(gòu)建

非鋪裝道路環(huán)境復(fù)雜，路面狀況惡劣，加大了非鋪裝道路點(diǎn)云數(shù)據(jù)集采集構(gòu)建的難度和成本。為此，本文提出一種非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法，如圖3 所示。首先，構(gòu)建基于高斯函數(shù)的路面凹凸不平特征表達(dá)模型，并基于隨機(jī)的形狀、范圍、位置種子參數(shù)實(shí)現(xiàn)路面凹凸不平特征模型的表達(dá)；其次，基于凹凸不平特征高程差計(jì)算對(duì)點(diǎn)云數(shù)據(jù)進(jìn)行自動(dòng)標(biāo)注；最后，采用點(diǎn)云三維剛體平移方法拼接得到指定寬度長(zhǎng)度的路面點(diǎn)云數(shù)據(jù)。為驗(yàn)證本文提出的非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法的可行性，采集實(shí)際路面點(diǎn)云數(shù)據(jù)對(duì)結(jié)果進(jìn)行驗(yàn)證。

圖3 非鋪裝道路仿真數(shù)據(jù)集生成與標(biāo)注流程

2.1 非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法

非鋪裝路面凹凸不平特征的分布具有隨機(jī)性，且凹凸不平特征的深度、高度、平緩程度、范圍大小均不相同，引入高斯函數(shù)構(gòu)建凹凸不平特征表達(dá)模型，如式（1）和圖4 所示。通過(guò)改變函數(shù)參數(shù)值A(chǔ)、B±C、B、C，可表達(dá)出凹凸不平特征的深度、高度、范圍、分布位置、平緩程度。非鋪裝道路表面布滿(mǎn)泥土、沙礫、石子等，十分粗糙，為此在凹凸不平特征表達(dá)模型中加入隨機(jī)噪聲來(lái)表達(dá)路面粗糙。如圖3 所示，沿y軸方向位置i處路面點(diǎn)云通過(guò)如式（2）所示的函數(shù)Fi(x)表示。

圖4 高斯函數(shù)

式中：i為函數(shù)F(x)沿y軸方向的位置編號(hào)；Ai、Bi、Ci為高斯函數(shù)參數(shù)值；ω(x)為均勻分布的隨機(jī)函數(shù)。

路面凹凸不平特征的高程差、范圍、位置對(duì)車(chē)輛行駛安全性、通過(guò)性有不同程度的影響，其中最為重要的參數(shù)是特征的高程差，影響車(chē)輪跳動(dòng)量［33］、車(chē)輛通過(guò)性等性能。為此，本文選擇以凹凸不平特征深度/高度作為標(biāo)簽的分類(lèi)基準(zhǔn)以簡(jiǎn)化對(duì)非鋪裝道路凹凸不平特征的表達(dá)，制定如表1 所示的分類(lèi)標(biāo)準(zhǔn)。

表1 標(biāo)簽分類(lèi)標(biāo)準(zhǔn)

本文通過(guò)如式（3）所示的點(diǎn)云三維剛體平移方法拼接路面點(diǎn)云，實(shí)現(xiàn)不同范圍大小的路面點(diǎn)云數(shù)據(jù)生成。

式中：x、y、z為變換后點(diǎn)云坐標(biāo)；x′、y′、z′為變換前點(diǎn)云坐標(biāo)；xT、yT、zT為點(diǎn)云沿X、Y、Z軸平移量。

為避免由于仿真路面點(diǎn)云坐標(biāo)單一，使訓(xùn)練模型過(guò)擬合，對(duì)路面點(diǎn)云進(jìn)行隨機(jī)的旋轉(zhuǎn)與平移。其中點(diǎn)云三維剛體平移方法如式（3）所示，點(diǎn)云三維剛體旋轉(zhuǎn)方法如式（4）所示。

α、β、θ分別為繞X、Y、Z軸旋轉(zhuǎn)的角度。

本文處理數(shù)據(jù)設(shè)備采用型號(hào)為i9-12900KF 的處理器，圖形顯卡為RTX 3060Ti 8G。圖5 所示為采用本文方法測(cè)試10 次生成5 000 組非鋪裝道路仿真點(diǎn)云數(shù)據(jù)并完成自動(dòng)標(biāo)注的時(shí)間，得到平均值為523.73 s，平均每個(gè)道路場(chǎng)景生成和自動(dòng)標(biāo)注時(shí)間為0.105 s，而一個(gè)職業(yè)點(diǎn)云標(biāo)注者標(biāo)注ScanNet 數(shù)據(jù)集平均每個(gè)場(chǎng)景耗時(shí)68 s，盡管本文數(shù)據(jù)集場(chǎng)景和ScanNet場(chǎng)景不同，但可以說(shuō)明的是采用本文方法能極大減少非鋪裝道路點(diǎn)云數(shù)據(jù)集采集和標(biāo)注的時(shí)間以及人力成本。

圖5 數(shù)據(jù)集生成時(shí)間

2.2 實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)采集

在實(shí)驗(yàn)室環(huán)境下搭建實(shí)驗(yàn)沙盤(pán)用于模擬非鋪裝道路場(chǎng)景，圖6 所示為實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)采集設(shè)備和實(shí)驗(yàn)場(chǎng)景。實(shí)驗(yàn)設(shè)備包括Velodyne VLP-16激光雷達(dá)、Apollo D-Kit 自動(dòng)駕駛開(kāi)發(fā)小車(chē)、電子傾角儀、工控機(jī)等。其中激光雷達(dá)用于采集點(diǎn)云數(shù)據(jù)，電子傾角儀用于測(cè)量激光雷達(dá)傾角，其技術(shù)參數(shù)如表2 所示。本文共搭建30 個(gè)非鋪裝道路場(chǎng)景，不同場(chǎng)景中凹凸不平特征數(shù)量、大小、位置等均存在差異，以盡可能體現(xiàn)出非鋪裝道路的復(fù)雜性，車(chē)輛與沙盤(pán)模型距離大約4 m，面向模型以約為1 m/s的速度行駛。

表2 技術(shù)參數(shù)

圖6 實(shí)驗(yàn)設(shè)備和場(chǎng)景

由于激光雷達(dá)水平安裝導(dǎo)致路面點(diǎn)云數(shù)據(jù)量較少，傾斜安裝將增加路面點(diǎn)云數(shù)據(jù)。實(shí)驗(yàn)數(shù)據(jù)采集具體流程如圖7 所示。首先，基于點(diǎn)云累計(jì)方法將多幀點(diǎn)云合成，提高點(diǎn)云數(shù)據(jù)密度；然后，基于點(diǎn)云三維剛體旋轉(zhuǎn)方法，將點(diǎn)云坐標(biāo)系轉(zhuǎn)換至激光雷達(dá)傾斜前的坐標(biāo)系；最后，基于直通濾波方法實(shí)現(xiàn)路面點(diǎn)云提取。

圖7 實(shí)驗(yàn)數(shù)據(jù)采集流程

3 凹凸不平特征語(yǔ)義分割模型

3.1 道路凹凸不平特征語(yǔ)義分割

如圖8 所示，在道路凹凸不平特征語(yǔ)義分割任務(wù)中，Pointnet++基于距離插值和跨層跳躍鏈接的分層傳播策略將凹凸不平特征從下采樣點(diǎn)傳播至原始點(diǎn)。首先，在一個(gè)特征傳播層次中，通過(guò)在Nl-1個(gè)點(diǎn)坐標(biāo)處插值Nl個(gè)點(diǎn)的特征值f來(lái)實(shí)現(xiàn)特征傳播，其中Nl-1與Nl（Nl≤Nl-1）分別為凹凸不平特征提取層l的輸入和輸出點(diǎn)集大小，插值函數(shù)f為基于k個(gè)最近鄰的反距離加權(quán)平均，如式（5）所示。然后，將Nl個(gè)點(diǎn)上的插值特征與跳躍連接點(diǎn)特征進(jìn)行拼接，并將級(jí)聯(lián)后的特征通過(guò)"Unit Pointnet"進(jìn)行類(lèi)似于CNN 中的逐個(gè)卷積處理。最后，使用少數(shù)幾個(gè)共享的全連接層和ReLU 層更新每個(gè)點(diǎn)的特征向量，重復(fù)這個(gè)過(guò)程，直到將特征傳播到原始點(diǎn)集［27］。

圖8 Pointnet++語(yǔ)義分割流程

圖9 所示為道路凹凸不平特征語(yǔ)義分割流程，首先，通過(guò)非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法制作不同點(diǎn)云密度以及不同路面范圍的仿真點(diǎn)云數(shù)據(jù)集，采樣選取其中部分?jǐn)?shù)據(jù)集作為訓(xùn)練集，并輸入至Pointnet++道路語(yǔ)義分割模型進(jìn)行訓(xùn)練，對(duì)模型訓(xùn)練準(zhǔn)確率進(jìn)行評(píng)估，保留性能最優(yōu)的模型。然后，輸入不同點(diǎn)云密度數(shù)據(jù)集與不同路面范圍數(shù)據(jù)集驗(yàn)證模型在不同工況下的魯棒性。最后，輸入實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)集至最優(yōu)模型進(jìn)行預(yù)測(cè)，驗(yàn)證模型分割性能。

圖9 道路語(yǔ)義分割流程

3.2 訓(xùn)練過(guò)程

訓(xùn)練集包括3 500 組道路場(chǎng)景，測(cè)試集包含1 000 組道路場(chǎng)景，驗(yàn)證集包含500 組道路場(chǎng)景，用于模型訓(xùn)練的超參數(shù)如表3 所示，采用表中模型訓(xùn)練超參數(shù)，模型訓(xùn)練最終收斂至準(zhǔn)確率Acc為95.30%，Loss為0.12。圖10所示為訓(xùn)練集標(biāo)簽占比情況，道路中大部分為較為平坦的路面，因此大部分?jǐn)?shù)據(jù)標(biāo)簽為0，而其它標(biāo)簽占比較低。

表3 模型訓(xùn)練超參數(shù)設(shè)置

圖10 數(shù)據(jù)集標(biāo)簽占比

4 仿真與實(shí)驗(yàn)結(jié)果分析

4.1 評(píng)價(jià)指標(biāo)

一般基于模型的準(zhǔn)確率Acc（accuracy）、精準(zhǔn)率p（precision）、召回率r（recall）、mIoU（平均聯(lián)合交集）來(lái)評(píng)估深度學(xué)習(xí)語(yǔ)義分割模型性能。但以上評(píng)價(jià)指標(biāo)針對(duì)全局模型性能，在深度學(xué)習(xí)中常存在類(lèi)不平衡問(wèn)題，即不同類(lèi)別數(shù)據(jù)比例不平衡、數(shù)據(jù)量差異較大，導(dǎo)致數(shù)據(jù)量多的類(lèi)別準(zhǔn)確率高于數(shù)據(jù)量少的類(lèi)，模型的全局準(zhǔn)確率不能反映各個(gè)類(lèi)別的準(zhǔn)確率。在本文中，由于路面大部分?jǐn)?shù)據(jù)為較為平緩路面，導(dǎo)致類(lèi)別0 的數(shù)據(jù)量顯著高于其它類(lèi)別，因此若采用全局的評(píng)價(jià)指標(biāo)，不能準(zhǔn)確反映各個(gè)類(lèi)別的分割性能。為此，本文引入局部的準(zhǔn)確率Acci、精準(zhǔn)率pi和召回率ri值來(lái)評(píng)估模型各類(lèi)別分割性能，通過(guò)mIoU、全局準(zhǔn)確率Acc來(lái)評(píng)估模型的整體性能。具體如式（7）～式（9）所示。

式中：TPi為真陽(yáng)性，代表實(shí)際為真，預(yù)測(cè)也為真；TNi為真陰性，代表實(shí)際為假，預(yù)測(cè)也為假；FPi為假陽(yáng)性，代表實(shí)際為假，預(yù)測(cè)為真；FNi為假陰性，代表實(shí)際為真，預(yù)測(cè)為假；i為類(lèi)別；k為類(lèi)別數(shù)。

4.2 結(jié)果分析

4.2.1 仿真數(shù)據(jù)集結(jié)果分析

將仿真點(diǎn)云數(shù)據(jù)集輸入至非鋪裝道路凹凸不平特征語(yǔ)義分割模型中進(jìn)行訓(xùn)練，模型超參數(shù)如表3所示，在驗(yàn)證集上測(cè)試模型是否發(fā)生過(guò)擬合，在測(cè)試集上測(cè)試網(wǎng)絡(luò)的準(zhǔn)確率Acc，結(jié)果如表4 所示，表明訓(xùn)練的網(wǎng)絡(luò)整體上有較好的性能。圖11 所示為測(cè)試集部分預(yù)測(cè)結(jié)果，其中左側(cè)為真實(shí)標(biāo)簽，右側(cè)為預(yù)測(cè)標(biāo)簽，可知大部分預(yù)測(cè)類(lèi)別與實(shí)際類(lèi)別一致，錯(cuò)誤預(yù)測(cè)的類(lèi)別相差等級(jí)較小。如圖11（a）所示，部分預(yù)測(cè)標(biāo)簽結(jié)果為8，而實(shí)際標(biāo)簽為7；圖11（b）預(yù)測(cè)標(biāo)簽為3，而實(shí)際標(biāo)簽為4。

表4 不同數(shù)據(jù)集準(zhǔn)確率

圖11 仿真數(shù)據(jù)集預(yù)測(cè)結(jié)果

測(cè)試集的混淆矩陣結(jié)果如圖12 所示，其中圖右側(cè)對(duì)應(yīng)各類(lèi)別召回率ri，下側(cè)對(duì)應(yīng)各類(lèi)別的精準(zhǔn)率pi。從結(jié)果可以看出，類(lèi)別0的召回率與精準(zhǔn)率遠(yuǎn)遠(yuǎn)高于其它類(lèi)別，原因是設(shè)定的路面模型中絕大部分為較為平緩路面（標(biāo)簽為0），因此對(duì)于類(lèi)別0的學(xué)習(xí)數(shù)據(jù)量最多，訓(xùn)練效果最好。此外，其它類(lèi)別的召回率與精準(zhǔn)率相差不大，分布在70%～80%范圍內(nèi)，這些特征類(lèi)別識(shí)別效果差于標(biāo)簽0，一方面是特征與路面連接處實(shí)際較為平緩，模型將其預(yù)測(cè)為標(biāo)簽為0 的平緩路面，另一方面是相鄰標(biāo)簽間存在差別不顯著的情況，如標(biāo)簽1最大幅值范圍為0.05～0.15 m，標(biāo)簽2最大幅值范圍為0.15～0.25 m，當(dāng)數(shù)據(jù)在0.15附近時(shí)兩者相差很小，導(dǎo)致模型預(yù)測(cè)結(jié)果較差。在混淆矩陣圖中可以更好地體現(xiàn)上述原因，類(lèi)別1～8錯(cuò)誤預(yù)測(cè)結(jié)果中大約一半將標(biāo)簽預(yù)測(cè)為0，另外一半預(yù)測(cè)結(jié)果與實(shí)際標(biāo)簽相差±1?？傊?，模型整體在各數(shù)據(jù)集下有較高的預(yù)測(cè)準(zhǔn)確率，且通過(guò)分析各類(lèi)別的精準(zhǔn)率與召回率，盡管類(lèi)別1～8 預(yù)測(cè)效果稍差于類(lèi)別0，但其召回率與精準(zhǔn)率依舊能保持在70%～80%范圍內(nèi)，且極少出現(xiàn)預(yù)測(cè)結(jié)果類(lèi)別與實(shí)際類(lèi)別差異很大情況（在近500 000個(gè)數(shù)據(jù)點(diǎn)的預(yù)測(cè)結(jié)果中僅有4 個(gè)數(shù)據(jù)點(diǎn)將真實(shí)標(biāo)簽為凸起預(yù)測(cè)為凹坑），因此模型在仿真數(shù)據(jù)集下表現(xiàn)有較優(yōu)的性能，可通過(guò)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行進(jìn)一步的驗(yàn)證。

圖12 仿真測(cè)試數(shù)據(jù)集混淆矩陣

4.2.2 實(shí)驗(yàn)數(shù)據(jù)集結(jié)果分析

將實(shí)驗(yàn)點(diǎn)云數(shù)據(jù)集輸入至訓(xùn)練后的語(yǔ)義分割模型，得到實(shí)驗(yàn)點(diǎn)云的預(yù)測(cè)分割結(jié)果。圖13 所示為部分非鋪裝道路實(shí)驗(yàn)場(chǎng)景的路面特征分割結(jié)果，圖左側(cè)為實(shí)驗(yàn)得到的路面點(diǎn)云數(shù)據(jù)高程圖，右側(cè)為模型預(yù)測(cè)語(yǔ)義分割結(jié)果。

圖13 實(shí)驗(yàn)數(shù)據(jù)集預(yù)測(cè)結(jié)果

從結(jié)果可以看出，在各場(chǎng)景下模型均有較準(zhǔn)確的預(yù)測(cè)分割結(jié)果，在圖13（a）中存在一個(gè)凹坑A3 和多個(gè)凸起A2、A5、A6、A8，預(yù)測(cè)結(jié)果中將A3 分割為較大凹坑（標(biāo)簽7），將凸起分割為較小凸起（標(biāo)簽2）和較大凸起（標(biāo)簽3）；在圖13（b）中存在一個(gè)凹坑B2和多個(gè)凸起B(yǎng)3、B4，預(yù)測(cè)結(jié)果中將B2 分割為較小凹坑（標(biāo)簽6），將B3、B4 分割為較小凸起（標(biāo)簽2）；圖13（c）中存在一個(gè)凸起區(qū)域C2，在預(yù)測(cè)結(jié)果中將C2中間較高部分識(shí)別為最大凸起等級(jí)（標(biāo)簽4），而邊緣靠近C3區(qū)域部分由于與周?chē)鷧^(qū)域高程差減小，預(yù)測(cè)結(jié)果中識(shí)別為較大凸起（標(biāo)簽3）；圖13（d）存在兩個(gè)凸起區(qū)域D1 和D3，由于這兩個(gè)區(qū)域與周?chē)鷧^(qū)域存在較大的高程差，在預(yù)測(cè)結(jié)果中將凸起D1 和D3識(shí)別為最大凸起等級(jí)（標(biāo)簽4）。

此外，在圖13（a）的A4、A7 區(qū)域，圖13（c）的C3區(qū)域，圖13（d）的D4區(qū)域雖然高程差較大，但由于坡度較平緩，因此將其識(shí)別為正常平緩路面；在圖13（b）的B1區(qū)域即使高程差較低，但由于較為平緩，因此將其識(shí)別為正常平緩路面；在圖13（c）的C1 區(qū)域雖然坡度較低，但由于存在一定的凸起，因此將其部分識(shí)別為凸起高度較小的標(biāo)簽1，其余部分識(shí)別為正常平緩路面?？傊?，訓(xùn)練后的道路凹凸不平語(yǔ)義分割模型能在實(shí)驗(yàn)點(diǎn)云中具有良好的語(yǔ)義分割性能，能將圖13 中各非鋪裝道路場(chǎng)景下的凹坑與凸起進(jìn)行合理預(yù)測(cè)分類(lèi)，將有較大高程差的區(qū)域能準(zhǔn)確預(yù)測(cè)為凹凸不平特征并分類(lèi)為合理的等級(jí)，同時(shí)對(duì)高程差較小的區(qū)域也能準(zhǔn)確預(yù)測(cè)為平緩路面，證明通過(guò)仿真路面點(diǎn)云數(shù)據(jù)訓(xùn)練得到的模型能較好地適用于非鋪裝道路場(chǎng)景，完成凹凸不平特征語(yǔ)義分割任務(wù)。

4.3 魯棒性分析

在不同環(huán)境條件下算法的性能可能受到不同程度的影響，為驗(yàn)證本文非鋪裝道路凹凸不平特征語(yǔ)義分割方法的魯棒性，分別考察不同路面點(diǎn)云數(shù)據(jù)密度、路面范圍的魯棒性。

4.3.1 點(diǎn)云數(shù)據(jù)密度

在實(shí)際路面點(diǎn)云數(shù)據(jù)采集過(guò)程中，由于激光雷達(dá)采樣頻率、數(shù)據(jù)量和通道數(shù)不同，以及車(chē)輛行駛速度的不同都會(huì)影響點(diǎn)云數(shù)據(jù)密度，因此本文研究點(diǎn)云數(shù)據(jù)密度對(duì)模型性能的影響。訓(xùn)練集設(shè)定為路面點(diǎn)云范圍為10 m×4 m的路面，點(diǎn)云數(shù)據(jù)量為3 200，測(cè)試集設(shè)定為在與訓(xùn)練集相同路面點(diǎn)云范圍情況下點(diǎn)云數(shù)據(jù)量為2 200～4 200 的仿真數(shù)據(jù)集，數(shù)據(jù)量越大點(diǎn)云的密度越大。如圖14 所示，在不同的采樣點(diǎn)數(shù)目下，通過(guò)已訓(xùn)練網(wǎng)絡(luò)進(jìn)行驗(yàn)證，在各個(gè)采樣點(diǎn)數(shù)目下準(zhǔn)確率均在94%以上，且隨采樣點(diǎn)數(shù)目無(wú)明顯的變化趨勢(shì)，結(jié)果表明模型對(duì)點(diǎn)云數(shù)據(jù)密度有較優(yōu)的魯棒性。

圖14 實(shí)驗(yàn)數(shù)據(jù)集預(yù)測(cè)結(jié)果

4.3.2 路面范圍

非鋪裝道路路面寬幅變化大，激光雷達(dá)型號(hào)、安裝方式的不同會(huì)導(dǎo)致激光雷達(dá)掃描到路面的范圍不同。為研究模型對(duì)不同路面范圍變化的魯棒性，設(shè)計(jì)如表5 所示的不同尺寸路面點(diǎn)云作為測(cè)試集，將測(cè)試集編號(hào)為2、4、7、9 的路面點(diǎn)云數(shù)據(jù)集分別選取3 500個(gè)路面數(shù)據(jù)組合為訓(xùn)練集，模型訓(xùn)練超參數(shù)如表3所示。

表5 不同尺寸路面點(diǎn)云測(cè)試集

圖15 所示為路面范圍魯棒性預(yù)測(cè)結(jié)果，其中Acc為整體預(yù)測(cè)準(zhǔn)確率；Acc1～8表示標(biāo)簽1～8的平均準(zhǔn)確率；mIoU為平均聯(lián)合交集。從結(jié)果可以看出，各測(cè)試集下Acc都高于93%，說(shuō)明模型整體預(yù)測(cè)結(jié)果較為準(zhǔn)確。在各測(cè)試集下的Acc1～8值低于Acc值，但都高于60%，其主要原因有以下兩點(diǎn)：（1）在凹凸特征邊緣處錯(cuò)誤識(shí)別為正常平緩路面（標(biāo)簽0）；（2）將凹凸特征錯(cuò)誤識(shí)別為相鄰標(biāo)簽。各測(cè)試集mIoU在1～8 測(cè)試集都在0.6 以上，9～10 兩個(gè)測(cè)試集在0.5 以上。模型整體對(duì)路面范圍具有一定的魯棒性，但會(huì)隨著路面長(zhǎng)度的增加，其識(shí)別準(zhǔn)確率降低，如測(cè)試集1 至測(cè)試集5，當(dāng)路面長(zhǎng)度由6 依次增加至14 m 時(shí)，模型的Acc、Acc1～8、mIoU分別從95.68%、73.74%、0.672 6 下降至94.35%、66.86%、0.588 9。此外，路面寬度也會(huì)影響模型識(shí)別準(zhǔn)確率，如圖15 中測(cè)試集1～5 的Acc、Acc1～8、mIoU都高于對(duì)應(yīng)的測(cè)試集6～10，說(shuō)明模型識(shí)別準(zhǔn)確率隨著路面寬度增加而降低?？傊?，模型對(duì)路面范圍具有一定的魯棒性，但應(yīng)結(jié)合實(shí)際情況，選取盡可能小范圍的路面點(diǎn)云數(shù)據(jù)作為模型的輸入，以實(shí)現(xiàn)最佳的識(shí)別準(zhǔn)確率。

圖15 路面范圍魯棒性預(yù)測(cè)結(jié)果

5 結(jié)論

本文構(gòu)建了非鋪裝道路點(diǎn)云數(shù)據(jù)集，提出了一種非鋪裝道路凹凸不平特征語(yǔ)義分割方法。研究結(jié)果提高了非鋪裝道路點(diǎn)云數(shù)據(jù)集標(biāo)注效率，實(shí)現(xiàn)了非鋪裝道路凹坑和凸起等典型特征的精確識(shí)別和簡(jiǎn)單化表達(dá)，有助于自動(dòng)駕駛汽車(chē)非鋪裝道路場(chǎng)景下的路徑規(guī)劃與主動(dòng)控制。本文相比于現(xiàn)有研究，主要貢獻(xiàn)有：

（1）構(gòu)建了包含仿真與真實(shí)數(shù)據(jù)的非鋪裝道路點(diǎn)云數(shù)據(jù)集，用于非鋪裝道路凹凸不平特征語(yǔ)義分割模型的訓(xùn)練與驗(yàn)證，彌補(bǔ)了該領(lǐng)域的空白。

（2）提出了一種非鋪裝道路仿真點(diǎn)云生成與標(biāo)注方法，通過(guò)提出的非鋪裝道路凹凸不平特征表達(dá)模型，生成與標(biāo)注一個(gè)非鋪裝道路場(chǎng)景平均僅需0.105 s，實(shí)現(xiàn)了仿真點(diǎn)云數(shù)據(jù)集的快速低成本建立。

（3）首次提出了基于Pointnet++的非鋪裝道路凹凸不平特征語(yǔ)義分割方法，實(shí)現(xiàn)非鋪裝道路凹凸不平特征的準(zhǔn)確簡(jiǎn)化表達(dá)，結(jié)果表明該方法有較高精度、效率和魯棒性。