姚蔚利

（中國中煤能源集團(tuán)有限公司，北京 100120）

0 引言

采礦業(yè)是我國國民經(jīng)濟(jì)的基礎(chǔ)和支柱產(chǎn)業(yè)。近年來，隨著傳感器、人工智能、計(jì)算平臺(tái)等技術(shù)領(lǐng)域的突破，應(yīng)用自動(dòng)駕駛技術(shù)是當(dāng)前采礦業(yè)發(fā)展的重要趨勢(shì)。由于礦山的作業(yè)環(huán)境惡劣、危險(xiǎn)度高，采用自動(dòng)駕駛技術(shù)可保護(hù)人員安全，且能大幅提升工作效率，更加經(jīng)濟(jì)、節(jié)能和環(huán)保［1］。應(yīng)用自動(dòng)駕駛技術(shù)可對(duì)周圍環(huán)境進(jìn)行實(shí)時(shí)感知，然后自主規(guī)劃路徑進(jìn)行行駛或采礦作業(yè)。

自動(dòng)駕駛技術(shù)通過相機(jī)、激光雷達(dá)、組合導(dǎo)航等傳感器對(duì)周圍環(huán)境進(jìn)行實(shí)時(shí)感知，以獲得周圍環(huán)境的障礙物信息，這是保證自動(dòng)駕駛車輛安全可靠行駛的前提。相較于相機(jī)，激光雷達(dá)具有感知精度高、不受光照影響的優(yōu)點(diǎn)，受到學(xué)者們的廣泛關(guān)注［2］。

國內(nèi)外學(xué)者對(duì)利用激光雷達(dá)的障礙物檢測(cè)技術(shù)進(jìn)行了許多的研究工作。Vu等［3］利用柵格地圖的方法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，并通過貝葉斯公式推理由傳感器誤差造成的柵格狀態(tài)不一致性，來檢測(cè)運(yùn)動(dòng)目標(biāo)，但沒有對(duì)更新后的后驗(yàn)概率進(jìn)行修正。Azim等［4］基于八叉樹網(wǎng)格法來檢測(cè)運(yùn)動(dòng)物體，然后用密度聚類算法進(jìn)行障礙物檢測(cè)，但其網(wǎng)格繪制過程復(fù)雜，導(dǎo)致難度加大。Frederik等［5］提出點(diǎn)云數(shù)據(jù)實(shí)時(shí)分割算法，利用激光雷達(dá)垂直于水平分辨角，將聚類的歐幾里得距離特性在保留三維測(cè)量信息的同時(shí)，利用圖像距離公式將數(shù)據(jù)縮小到二維，從而加快計(jì)算，并引入跳躍檢測(cè)法來改進(jìn)過分割問題和部分遮擋問題。Yin等［6］提出VoxelNet檢測(cè)網(wǎng)絡(luò)，將特征提取和邊界框預(yù)測(cè)統(tǒng)一到單階段的端到端深度網(wǎng)絡(luò)中，其將點(diǎn)云劃分為等間距的3D體素，通過引入體素特征編碼，并將其連接到網(wǎng)絡(luò)，從而生成檢測(cè)算法。VoxelNet算法對(duì)行人及騎自行車的人具有較好的識(shí)別效果，但該算法對(duì)原始數(shù)據(jù)比較敏感，且實(shí)時(shí)性較差。此外，現(xiàn)有研究中障礙物檢測(cè)技術(shù)多是面向城市結(jié)構(gòu)化場(chǎng)景，對(duì)地下礦井場(chǎng)景的研究并不全面。

針對(duì)以上問題，本研究提出一種面向地下礦井環(huán)境的基于激光雷達(dá)的障礙物檢測(cè)方法。使用激光雷達(dá)時(shí)，先對(duì)點(diǎn)云進(jìn)行地面分割，提取高程障礙物點(diǎn)云，再利用改進(jìn)的DBSCAN算法對(duì)障礙物進(jìn)行聚類，并對(duì)目標(biāo)的三維邊界框進(jìn)行擬合。利用公開的數(shù)據(jù)集及地下礦井點(diǎn)云數(shù)據(jù)進(jìn)行模擬試驗(yàn)，從而驗(yàn)證本研究所提出的算法能實(shí)現(xiàn)準(zhǔn)確、穩(wěn)定、實(shí)時(shí)的障礙物檢測(cè)。

1 地面分割

先進(jìn)行點(diǎn)云地面分割，由于地下礦井環(huán)境多為比較平整的路面，且一般存在坡度。因此，本研究采用基于多平面擬合的地面分割算法來提取高程障礙物點(diǎn)云。

1.1 基于多平面擬合的地面分割

點(diǎn)云數(shù)據(jù)包括點(diǎn)空間坐標(biāo)( )x,y,z。算法先根據(jù)點(diǎn)云數(shù)據(jù)的距離分成三個(gè)區(qū)域，然后利用RANSAC算法分區(qū)域進(jìn)行地面分割。RANSAC算法通過反復(fù)選擇數(shù)據(jù)中的一組隨機(jī)子集來完成目標(biāo)。算法的流程如下。①在設(shè)置的迭代次數(shù)內(nèi)，每次隨機(jī)選取3個(gè)點(diǎn)來確定一個(gè)平面方程。②將所有點(diǎn)依次代入該平面方程中，根據(jù)設(shè)定的距離閾值進(jìn)行判定，若在閾值范圍內(nèi)，則認(rèn)為該點(diǎn)屬于該平面的內(nèi)點(diǎn)，否則為外點(diǎn)。遍歷所有點(diǎn)后，統(tǒng)計(jì)內(nèi)點(diǎn)個(gè)數(shù)。③在迭代次數(shù)內(nèi)，內(nèi)點(diǎn)數(shù)量最多的平面方程即為地面方程，該地面方程下的內(nèi)點(diǎn)就是地面點(diǎn)云集，外點(diǎn)就是障礙物點(diǎn)云集。

迭代中對(duì)3個(gè)點(diǎn)進(jìn)行平面擬合，采用的線性平面模型關(guān)系式見式（1）、式（2）。

式中：n=（a，b，c）T為平面的法向量；d為平面擬合模型常數(shù)；X=（x，y，z）T，通過代入3個(gè)點(diǎn)坐標(biāo)（x，y，z）求解n。

通過分區(qū)域多平面擬合地面分割，實(shí)現(xiàn)對(duì)地下礦井存在坡度的地面與高程障礙物點(diǎn)云分割，提高地面分割的準(zhǔn)確度。

2 障礙物檢測(cè)

2.1 目標(biāo)聚類

本研究采用DBSCAN［7］密度聚類算法，并根據(jù)點(diǎn)云密度隨距離變化的特征，采用自適應(yīng)閾值的改進(jìn)方法。DBSCAN算法是一個(gè)具有代表性的基于密度的聚類算法，與劃分層次聚類方法不同的是，其將簇定義為密度相連的點(diǎn)的最大集臺(tái)，能把具有足夠高密度的區(qū)域劃分為簇，并在有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的聚類。DBSCAN算法是由密度可達(dá)關(guān)系導(dǎo)出的最大密度相連的樣本集合。按照距離選擇不同的鄰域閾值來搜索核心對(duì)象，以此來適應(yīng)點(diǎn)云的空間分布特點(diǎn)。

DBSCAN算法有兩個(gè)主要參數(shù)，即鄰域半徑ε、簇最小點(diǎn)數(shù)MinPts。算法的流程如下，在點(diǎn)云數(shù)據(jù)集中任選一點(diǎn)作為起始點(diǎn)，按照給定的ε和MinPts，查找所有從這一點(diǎn)密度可達(dá)的點(diǎn)。算法根據(jù)點(diǎn)云密度隨距離降低的特點(diǎn)，引入距離參數(shù)，在距離增大時(shí)，ε會(huì)隨之增大，而MinPts隨之減小，以此來保證在不同探測(cè)距離上，算法能自適應(yīng)找到合理的參數(shù)組合。

DBSCAN算法對(duì)數(shù)據(jù)集中的異常點(diǎn)不敏感，根據(jù)距離特征來選擇不同的鄰域閾值，從而有效解決其欠分割與過分割問題。參數(shù)的匹配對(duì)聚類的效果影響很大，本研究通過對(duì)鄰域閾值以及鄰域樣本數(shù)閾值進(jìn)行聯(lián)合調(diào)參，在地下礦井場(chǎng)景中的夯道環(huán)境中，對(duì)近處及遠(yuǎn)處的目標(biāo)均能獲得良好的聚類效果。

2.2 目標(biāo)三維邊界框擬合

在獲得障礙物的點(diǎn)云聚類簇后，為更準(zhǔn)確地描述目標(biāo)的特征信息，要對(duì)聚類簇進(jìn)行三維邊界框擬合，從而獲得目標(biāo)的尺寸、位置、朝向等特征。由于地下礦井場(chǎng)景中目標(biāo)多為礦用車輛、礦工等，采用凸包矩形迭代擬合的方法來獲得目標(biāo)的三維邊界框。

凸包矩形迭代擬合方法的算法流程如下。①將點(diǎn)云聚類簇投影到二維平面，并獲得其凸包多邊形［8］。②對(duì)凸包多邊形的相鄰兩點(diǎn)進(jìn)行矩形擬合，矩形的對(duì)邊通過距離相鄰兩點(diǎn)連線最遠(yuǎn)的凸包點(diǎn)，并計(jì)算投影點(diǎn)云中的所有點(diǎn)到矩形四條邊的距離，比較得到四個(gè)距離的最小值，并求和。③對(duì)凸包所有的相鄰點(diǎn)進(jìn)行矩形擬合，選擇最小距離和最小的矩形作為最終的矩形擬合框。④結(jié)合點(diǎn)云聚類簇的z方向高度值來獲得目標(biāo)最終的三維邊界擬合框。計(jì)算公式見式（3）、式（4）。

經(jīng)過凸包矩形迭代擬合，從而獲得障礙物的位置、尺寸、朝向等空間特征，實(shí)現(xiàn)了完整、準(zhǔn)確、可靠的障礙物檢測(cè)。

3 試驗(yàn)結(jié)果

3.1 KITTI公開數(shù)據(jù)集

本研究采用KITTI的檢測(cè)數(shù)據(jù)集［9］，KITTI數(shù)據(jù)集是由德國卡爾斯魯厄理工學(xué)院和豐田美國技術(shù)研究院聯(lián)合創(chuàng)辦。KITTI數(shù)據(jù)集的數(shù)據(jù)采集平臺(tái)裝配有2個(gè)灰度攝像機(jī)、2個(gè)彩色攝像機(jī)、1個(gè)Velodyne 64線3D激光雷達(dá)、4個(gè)光學(xué)鏡頭以及1個(gè)GPS導(dǎo)航系統(tǒng)。本研究選擇激光雷達(dá)點(diǎn)云數(shù)據(jù)進(jìn)行測(cè)試。

本研究所提出的算法的障礙物檢測(cè)效果鳥瞰可視化效果圖如圖1所示。其中，網(wǎng)格中心處為車輛原點(diǎn)位置（激光雷達(dá)位置），包圍框表示障礙物檢測(cè)結(jié)果。環(huán)境中運(yùn)動(dòng)目標(biāo)較多，場(chǎng)景多樣，運(yùn)動(dòng)復(fù)雜度較高，顯示了該算法障礙物檢測(cè)結(jié)果較為可靠，驗(yàn)證了該算法的可行性與有效性。

圖1 障礙物檢測(cè)效果鳥瞰圖

3.2 地下礦井?dāng)?shù)據(jù)集試驗(yàn)

經(jīng)過離線的仿真算法驗(yàn)證，本研究再利用地下礦井?dāng)?shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證，數(shù)據(jù)集由搭載激光雷達(dá)和組合導(dǎo)航的礦用車輛在地下礦井進(jìn)行錄制采集，具有與實(shí)車測(cè)試幾乎相同的試驗(yàn)條件。

在地下礦井?dāng)?shù)據(jù)集試驗(yàn)中，選擇典型場(chǎng)景對(duì)障礙物檢測(cè)的結(jié)果進(jìn)行可視化展示，如圖2所示。在這兩個(gè)場(chǎng)景中，環(huán)境中的目標(biāo)均為礦用車輛。其中，網(wǎng)格中心處表示數(shù)據(jù)采集車輛原點(diǎn)，包圍框表示障礙物檢測(cè)結(jié)果。由圖2可以看出，障礙物檢測(cè)算法對(duì)地下礦井環(huán)境中目標(biāo)的擬合效果較好，對(duì)礦用車輛等進(jìn)行了較為準(zhǔn)確的擬合。此外，本研究提出算法的實(shí)時(shí)性也得到了驗(yàn)證，經(jīng)過仿真試驗(yàn)與地下礦井?dāng)?shù)據(jù)集試驗(yàn)驗(yàn)證，本研究提出的地下礦井障礙物檢測(cè)算法滿足可行性與有效性，得出了較為準(zhǔn)確的障礙物檢測(cè)結(jié)果。

圖2 地下礦井?dāng)?shù)據(jù)集檢測(cè)結(jié)果

4 結(jié)語

本研究對(duì)基于激光雷達(dá)的地下礦井障礙物檢測(cè)算法進(jìn)行了研究，重點(diǎn)研究多平面擬合地面分割算法對(duì)坡度路面有較高的魯棒性。同時(shí)，采用改進(jìn)的自適應(yīng)閾值的DBSCAN聚類算法進(jìn)行障礙物檢測(cè)，再利用凸包矩形迭代擬合方法進(jìn)行三維邊界框擬合，完成對(duì)地下礦井障礙物檢測(cè)算法流程。經(jīng)過仿真及實(shí)車數(shù)據(jù)集試驗(yàn)分析，本研究提出的算法滿足可行性與有效性，能實(shí)時(shí)準(zhǔn)確地實(shí)現(xiàn)對(duì)地下礦井環(huán)境中障礙物的檢測(cè)。