鄒 斌 譚 亮 侯獻軍

(武漢理工大學(xué)現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室 武漢 430070)

基于激光雷達的道路可行區(qū)域檢測*

鄒 斌 譚 亮 侯獻軍

(武漢理工大學(xué)現(xiàn)代汽車零部件技術(shù)湖北省重點實驗室 武漢 430070)

針對無人駕駛智能車道路檢測問題，基于單線激光雷達的路面可行區(qū)域提取方法．依據(jù)激光雷達掃描點在可行路面的連續(xù)性，首先用相鄰掃描點間的歐氏距離對點聚類，然后用加權(quán)移動平均值對每類點平滑濾波，再利用斜率將數(shù)據(jù)點分割成多段近似直線段，用最小二乘法對線段進行擬合．最后根據(jù)線段的斜率和長度、高程信息從多條線段中選取可行路面．實驗結(jié)果證明，算法可以實時有效的從激光雷達掃描點中提取路面可行區(qū)域．

可行駛區(qū)域；激光雷達；聚類；平滑濾波；最小二乘擬合

0 引 言

道路檢測是智能汽車環(huán)境感知中的重要內(nèi)容，國內(nèi)外有不少機構(gòu)對道路特征提取進行了研究．Zhang[1]將單線激光雷達的數(shù)據(jù)分解成高程信息和投射到水平面上的點，先用高程信息識別道路候選區(qū)域，并通過模式識別技術(shù)判斷候選區(qū)是不是道路段；然后將地面投射線和簡單道路俯視模型對比確定候選區(qū)是道路或者路邊．算法在2007年的DARPA城市挑戰(zhàn)賽中得到驗證，但是其假設(shè)路邊比路面高的條件對很多場景并不適用．陳得寶等[2]的研究中利用單幀激光雷達的數(shù)據(jù)的模糊聚類并預(yù)測的方法檢測道路邊界，取得了一定的成效，需要精確的方向角和電子地圖道路寬度．處理過程復(fù)雜，并且受環(huán)境限制大．俞先國等[3]嘗試用單幀單線雷達數(shù)據(jù)的檢測結(jié)果對非閉合Snakes模型進行初始化，提出了一中序貫路邊檢測模型，可以有效減少路邊檢測的錯誤和誤差．

Alexandre等[4]利用局部點數(shù)據(jù)擬合平面的法線和地面法線的夾角作為特征對路邊進行檢測，并利用卡爾曼濾波器模型進行預(yù)測．在巴黎的道路網(wǎng)絡(luò)的大部分路段進行了驗證，可以有效的處理有障礙物的道路邊界檢測問題．Kumar等[5]對傳統(tǒng)主動輪廓模型進行改進，將GVF主動輪廓模型與氣球主動輪廓模型結(jié)合，經(jīng)驗選取模型參數(shù)，在多種不同的道路場景中處理三維激光雷達數(shù)據(jù)成功提取了道路邊界．但是Snake曲線收斂需要的時間很長，實時性差．劉梓等[6]利用三維激光雷達道路邊界進行提?。鶕?jù)道路區(qū)域與非道路區(qū)域之間存在的高度跳變的特性，首先提取道路的可通行區(qū)域，然后把得到的障礙網(wǎng)格圖利用線性鑒別分析分類的思想劃分出最佳的左右非道路區(qū)域，進而擬合得到道路的邊界信息．

許華榮等[7]對圖像處理，利用Canny 邊緣檢測算法提取道路邊緣，然后使用最小二乘法擬合道路標(biāo)識線，然后利用道路標(biāo)識線計算道路中心線．郭春釗等[8]基于立體視覺對道路可行區(qū)域進行檢測，基于立體視覺平面單應(yīng)性，建立了1個隱馬爾科夫模型，應(yīng)用Viterbi 算法，并提出1種巧妙的狀態(tài)序列的觀測概率函數(shù)，尋找道路非道路邊界的最優(yōu)狀態(tài)序列．實現(xiàn)了穩(wěn)定的道路邊界檢測．

從上訴研究中可以看出，對道路特征檢測主要基于視覺傳感器和激光雷達傳感器．視覺傳感器容易受光照、陰影、紋理等特征的影響，并且處理的數(shù)據(jù)量較大而導(dǎo)致實時性較差．激光雷達精度相對較高，并且不易受到周圍環(huán)境因素的干擾，在智能車上的使用越來越廣泛．使用三維激光雷達可以準(zhǔn)確獲取車輛周圍環(huán)境信息，但是三維激光雷達在車輛附近存在較大的盲區(qū)．單線激光雷達數(shù)據(jù)量小，很難處理復(fù)雜環(huán)境下的道路環(huán)境理解，但是掃描頻率高，可以實時穩(wěn)定的對三維激光雷達盲區(qū)的道路信息進行補償．

文中提出了一種結(jié)合線性擬合和高度閾值的路面點提取方法．首先在單線激光雷達掃描平面內(nèi)對點進行一次距離聚類，用移動加權(quán)平均值對聚類的數(shù)據(jù)分別進行平滑處理，利用最小二乘法擬合點n-k到n+k得到斜率作為第n點的斜率，利用連續(xù)2點之間的斜率差值將數(shù)據(jù)點分割，對分割的結(jié)果進行最小二乘法擬合得到多條直線，根據(jù)直線的斜率選取可能的路面點；然后將數(shù)據(jù)點轉(zhuǎn)換到三維坐標(biāo)系中，計算高度信息從可能的路面點中選取路面點，算法的結(jié)果在試驗中的到驗證．

1 路面點提取

算法旨在利用路面的連續(xù)性對激光類數(shù)據(jù)點進行分割，需要利用連續(xù)幾個掃描點的擬合直線斜率，激光雷達的測量誤差相對與于較遠的測量距離較小，但是在利用少數(shù)點進行擬合時，誤差會對擬合結(jié)果有很大影響，必須進行濾波．激光雷達數(shù)據(jù)點本身可能不連續(xù)，直接濾波，將不連續(xù)的點當(dāng)作連續(xù)點處理，會破環(huán)原始數(shù)據(jù)的特征．因此，文中采用先對數(shù)據(jù)聚類，然后平滑濾波，再利用斜率分割的方法，最后從分割結(jié)果中選擇路面點．

1.1 傳感器的選型和安裝

實驗選用HOKUYO公司的UTM-30LX-EW二維激光雷達，測量距離范圍0.1～30 m，測距精度±30 mm，掃描角度范圍-45°～225°，角度分辨率0.25°，掃描頻率40 Hz，通信接口Ethernet 100BASE-TX，專用指令．

實驗將激光雷達向前傾斜安裝，見圖1．傾角為θ，激光發(fā)射點距地面高度h，使用指令將掃描角度調(diào)整為0° ～180°，每幀掃描數(shù)據(jù)用時25 ms．

圖1 激光雷達安裝示意圖

1.2 掃描點聚類

激光雷達每一幀有N=721個數(shù)據(jù)點，每個掃描點Pn由角度ωn、距離rn和反射強度in三部分構(gòu)成．激光雷達的內(nèi)部算法中，沒有接收到反射光信號的點的反射強度返回值為0，距離返回值為60 m．在對點進行聚類前，要從原始數(shù)據(jù)中剔除無效點，將點的距離信息大于30 m的點刪除．點聚類選取距離聚類的方法，相鄰掃描點間的空間距離d(n,n-1)見圖2．

圖2 相鄰掃描點的距離示意圖

距離d(n,n-1)的計算式為

式中：Δω為相鄰點的夾角，Δω=0.25°．

設(shè)置距離閾值Tn，距離閾值Tn的選取按照距離rn計算，即

(2)

式中：e為經(jīng)驗選取．利用距離聚類的過程見圖3．

圖3 聚類程序流程圖

圖4為取e=10，對1幀數(shù)據(jù)的聚類結(jié)果，聚成36類，相鄰類分別用 “.”和“*”表示．

圖4 點聚類結(jié)果

1.3 平滑濾波

對聚類后的每類點分別平滑處理，空間域的平滑濾波一般采用簡單的平均濾波法進行，對任意2k+1個連續(xù)的點，將它們最中間的點的值替換為其他點的平均值，鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但鄰域過大，平滑會使邊緣信息損失的越大．直接采用移動平均法時，在數(shù)據(jù)波動較大時會產(chǎn)生突變．可以通過使用加權(quán)移動平均法來避免這個問題，越靠近平滑窗口邊緣的點權(quán)值越?。褂眉訖?quán)平均值，進入平滑窗口的點都是逐漸地計入平均值中，在逐漸移除，其計算式為

(3)

圖5 平滑濾波局部放大圖

1.4 數(shù)據(jù)點分割

將數(shù)據(jù)點的位置信息由極坐標(biāo)系轉(zhuǎn)換到直角坐標(biāo)系中，以激光發(fā)射點作為直角坐標(biāo)系原點，0°方向作為X軸正方向，90°方向作為Y軸正方向，轉(zhuǎn)換過程為

(4)

對距離聚類結(jié)果中點的數(shù)目大于m的類Cj，計算Cj中點Pn處的曲線斜率，取點Pn及其前后各m個點(xn-m，yn-m)到(xn+m，yn+m)，用最小二乘法進行直線擬合，設(shè)其直線方程為

(5)

記

(6)

求α1，α2使J達到最?。镁仃囘\算，記

(7)

(8)

(9)

則有

(10)

使用矩陣運算，算出α1，α2的值，其中α1即為點Pn的斜率kn，比較kn和kn-1，如果以kn和kn-1為斜率的直線夾角超過某一角度值α，則在Pn處將點分割；距離聚類中點的數(shù)目不大于m的類Cj，在數(shù)據(jù)分割時仍作為一段處理．圖6為以α=45°為閾值，對圖5中數(shù)據(jù)點進行分割的結(jié)果，分割成63段，分割后的線段都為近似直線，相鄰兩段分別用 “.”和“*”表示．

圖6 數(shù)據(jù)點分割

1.5 可通行區(qū)域的選擇

對點分割后，每一段數(shù)據(jù)點都呈近似直線的連續(xù)分布．可以用最小二乘法對包含多于兩個數(shù)據(jù)點的數(shù)據(jù)段進行直線擬合，擬合計算過程和點分割中的擬合方法相同，最終得到各段直線段的斜率k1．由激光雷達的安裝示意圖可以看出，以激光雷達激光投射點為原點的直角坐標(biāo)系，X軸與路面在理論上平行，即路面在該坐標(biāo)系中的理論斜率為零．利用該條件可以從多條近似直線段中選擇斜率在[-Δk1，Δk1]之間的可能路面線段．圖7為以斜率Δk1=0.259為閾值，從圖6中選擇的線段，選出的線段與X軸的夾角不超過15°．

圖7 可能路面點

多條可能路面線段中，再根據(jù)高度和線段長度信息進行篩選．將激光雷達數(shù)據(jù)點轉(zhuǎn)換到三維坐標(biāo)系X1Y1Z1中，坐標(biāo)原點為激光投射點，激光雷達0°方向為X軸正方向，激光雷達90°方向在水平面的投影為Y軸正方向，豎直向上為Z軸正方向，其轉(zhuǎn)換過程為

(11)

在三維直角坐標(biāo)系中計算線段的長度，選取長度大于1 m的線段中高度最低的1段L1作為路面；將其他線段的高度、斜率和選取的線段的高度信息對比，選出其他路面線段，在路面有凸起或凹陷障礙物時，該方法可以成功的將障礙物從路面中剔除，提取出多段可行路面點．圖8為通過線段的擬合斜率、長度和高度信息選取的3段最終路面點，可以直接得到車輛前方的可通行路面和邊界信息，融合多幀數(shù)據(jù)，即可得到可通行區(qū)域．

圖8 路面點選取

2 實驗結(jié)果分析

為了驗證所提的算法在路面可行區(qū)域檢測中的效果，將激光雷達安裝在智能小車平臺上，激光投射點距離地面h=670 mm，向前傾斜角度θ=7.5°，在Ubuntu系統(tǒng)安裝機器人操作系統(tǒng)(ROS)，編寫ROS程序：用C++編寫傳感器節(jié)點，向激光雷達發(fā)送命令，接收激光雷達原始數(shù)據(jù)，將原始數(shù)據(jù)解析為順序點距離數(shù)組發(fā)布；用Python編寫數(shù)據(jù)處理節(jié)點，訂閱傳感器節(jié)點發(fā)布的距離數(shù)組，用提取算法進行處理．處理程序最大耗時0.015 s，低于激光雷達掃描1幀的時間0.025 s，可以實現(xiàn)實時提取．

在校園的一段結(jié)構(gòu)化道路中，路沿的高度為12 cm，算法可以穩(wěn)定分割路面和邊界，得到路面可行區(qū)域；在路邊有障礙物時，障礙物和路面接觸的地方會有突變，和處理路沿相同，將障礙物點從掃描點中去除；在道路中間有障礙物時，算法會將障礙物點去除，這種情況下聚類的時候道路會被分成幾段，在最終的選擇時，比閾值短的路面線段會被剔除掉；在道路兩邊為草叢的非結(jié)構(gòu)化道路上，激光雷達掃描點不連續(xù)，在聚類和分割后時分成很多單點或者幾個點組成的很短一段，在后面的選取過程中會被直接剔除．

在實驗中，智能車會不可避免的發(fā)生傾斜，傳感器的姿態(tài)也會隨之變化，實驗中將小車從Z1軸正方向往X1軸正方向傾斜10°時，算法可以仍然可以從激光雷達數(shù)據(jù)中提取出路面點，但是提取出的線段在X1Y1平面中的位置會發(fā)生傾斜，激光雷達向下傾斜一側(cè)點的y1n變小，另一側(cè)相反；側(cè)傾角超過15°時，由于角度超過線段選取的斜率閾值，不能提取出路面．小車在前后俯仰時，提取算法也可以從掃描數(shù)據(jù)中提取出路面點，但同樣提取的線段在X1Y1平面的位置會發(fā)生變化，小車前傾時，計算出的路面點與小車的距離比實際要小，小車后仰時則相反．出現(xiàn)該偏差的原因是坐標(biāo)轉(zhuǎn)換時沒有實時根據(jù)小車姿態(tài)的變化對傳感器的位姿進行補償．

3 結(jié) 束 語

文中對單幀激光雷達數(shù)據(jù)，先采用距離聚類的方法將掃描點聚類，對聚類后的點用加權(quán)移動平均值平滑濾波；然后利用最小二乘法擬合連續(xù)幾個點的斜率分割數(shù)據(jù)點，并擬合分割后的線段；最后通過線段的斜率、長度、高度信息從線段中選取路面區(qū)域．直接提取出路面，而不用通過道路邊界來確定．結(jié)果表明，本算法在結(jié)構(gòu)化道路和非結(jié)構(gòu)化道路上都可以完成路面提取，并且在道路中存在障礙物時，規(guī)避障礙物，提取出可通行路面區(qū)域，為局部實時路徑規(guī)劃提供有效的道路環(huán)境信息．算法簡單，運行速度塊，可以用于實時檢測．

[1]ZHANG W D. Lidar-based road and road-edge detection[C]. IEEE Intelligent Vehicles Symposium, Piscataway, USA: IEEE,2010.

[2]陳得寶,趙春霞,張浩峰,等.基于2維激光測距儀的快速路邊檢測[J]．中國圖象圖形學(xué)報,2007,12(9)：1604-1609.

[3]俞先國,劉大學(xué),戴斌.基于非閉合Snakes和單線激光雷達的路邊檢測與濾波[J].機器人,2013,35(4):425-431.

[4]HERVIEU A, SOHEILIAN B. Road side detection and reconstruction using LIDAR sensor[C].IEEE Intelligent Vehicles Symposium, Gold Coast, Australia IEEE,2013.

[5]PANKAJ K, CONOR P M, PAUL L, et al. An automated algorithm for extracting road edges from terrestrial mobile LiDAR data[J]．ISPRS Journal of Photogrammetry and Remote Sensing,2013,85:44-55.

[6]劉梓,唐振明,任明武.基于3D激光雷達的實時道路邊界檢測算法[J].華中科技大學(xué)學(xué)報(自然科學(xué)版),2011,39(增刊2):351-354.

[7]許華榮,王曉棟,方遒.基于B樣條曲線模型的結(jié)構(gòu)化道路檢測算法[J].自動化學(xué)報，2011，37(3)：270-275.

[8]郭春釗，山部尚孝，三田誠一．基于立體視覺平面單應(yīng)性的智能車輛可行駛道路邊界檢測[J].自動化學(xué)報,2013，39(4)：371-380.

Drivable Road Regions Detection Based on LiDAR

ZOU Bin TAN Liang HOU Xianjun

(HubeiKeyLaboratoryofAdvancedTechnologyofAutomotiveParts,WuhanUniversityofTechnology,Wuhan430070,China)

A drivable road regions detection method is proposed to identify the characteristics of the road for unmanned intelligent vehicles, which is mainly according to the continuity of LiDAR data on the road. First, the points are clustered by the distance between adjacent scanning points and using weighted moving average filter to smooth the points of each cluster. Then, the points are divided into several approximately straight line segments based on the slope from fitting a few consecutive points with the least square method, using the least square fitting line segments to obtain the slope of these line segments. Finally, the passable regions are selected from those line segments by means of their slope, length and elevation. Experimental results demonstrate that the proposed method provides real-time and reliable detection performance.

drivable road regions; LiDAR; cluster; least square fitting

2017-01-21

*國家自然科學(xué)基金項目資助(51405359)

TP242

10.3963/j.issn.2095-3844.2017.02.006

鄒斌(1977—)：男，博士，副教授，主要研究領(lǐng)域為智能汽車自動駕駛系統(tǒng)