彭羅曼，張海洋，王文鑫，白莎莎，劉炫，趙長(zhǎng)明

（1.光電成像技術(shù)與系統(tǒng)教育部重點(diǎn)實(shí)驗(yàn)室，北京 100081；2.信息光子技術(shù)工業(yè)和信息化部重點(diǎn)實(shí)驗(yàn)室，北京 100081；3.北京理工大學(xué) 光電學(xué)院，北京 100081）

引言

隨著5G 技術(shù)與無(wú)人駕駛技術(shù)的快速發(fā)展，對(duì)周?chē)h(huán)境的可靠感知是無(wú)人駕駛領(lǐng)域的重要任務(wù)[1-3]，環(huán)境感知分為地面濾除[4]、ROI 提取[5]、聚類(lèi)分割[6,7]、檢測(cè)識(shí)別[8]四大模塊，其中物體的精準(zhǔn)聚類(lèi)是后續(xù)障礙物檢測(cè)良好效果的基礎(chǔ)保障[9-11]。單獨(dú)分割相鄰障礙物是環(huán)境感知的重要問(wèn)題，車(chē)輛和行人為園區(qū)送貨車(chē)等低速無(wú)人駕駛感知的主要對(duì)象，激光雷達(dá)數(shù)據(jù)空間分布不均勻[12]，稀疏點(diǎn)云的相鄰障礙物聚類(lèi)分割效果不佳，無(wú)法區(qū)分靠近車(chē)的行人以及相近的遠(yuǎn)距離行人，會(huì)給駕駛帶來(lái)安全隱患。

國(guó)內(nèi)外關(guān)于激光雷達(dá)點(diǎn)云的分割主要有深度學(xué)習(xí)和基于聚類(lèi)兩種方法[13-14]。PointNet++雖然相比PointNet 對(duì)點(diǎn)云的局部特征提取性能有所提升，但實(shí)時(shí)性方面仍然欠缺[15]?；谏疃葘W(xué)習(xí)的點(diǎn)云分割雖然檢測(cè)精度高，但存在訓(xùn)練數(shù)據(jù)集難以獲取、對(duì)計(jì)算單元性能要求高等問(wèn)題，且對(duì)稀疏點(diǎn)云適用性有限[16-17]。而基于聚類(lèi)的分割則避免了上述問(wèn)題，具有穩(wěn)定、快速等優(yōu)點(diǎn)。文獻(xiàn)[18]基于點(diǎn)云射線(xiàn)角度約束改進(jìn)歐式聚類(lèi)實(shí)現(xiàn)對(duì)一定范圍內(nèi)障礙物的分割與聚類(lèi)，但其聚類(lèi)半徑閾值是根據(jù)不同區(qū)域劃分，沒(méi)有實(shí)現(xiàn)自適應(yīng)，不夠靈活。文獻(xiàn)[19]基于KD-Tree 和歐式聚類(lèi)結(jié)合行人幾何約束實(shí)現(xiàn)越野環(huán)境下的多人行人點(diǎn)云聚類(lèi)提取，但能夠聚類(lèi)的行人相距很遠(yuǎn)。文獻(xiàn)[20]基于64 線(xiàn)激光雷達(dá)和RTK-GPS(real-time kinematic global positioning system)、INS(inertial navigation system)多幀融合后的數(shù)據(jù)進(jìn)行障礙物的聚類(lèi)檢測(cè)，但不同障礙物相近時(shí)，存在被聚類(lèi)成一個(gè)簇的問(wèn)題。文獻(xiàn)[21]通過(guò)點(diǎn)云去畸變和距離閾值自適應(yīng)的歐式聚類(lèi)，實(shí)現(xiàn)較近和較遠(yuǎn)障礙物的聚類(lèi)，但去畸變方法使得該算法的實(shí)時(shí)性較差。文獻(xiàn)[22]二次多項(xiàng)式擬合獲取不同距離下的歐式聚類(lèi)半徑，但該方法用于聚類(lèi)低線(xiàn)激光雷達(dá)采集的遠(yuǎn)處障礙物時(shí)，存在縱向過(guò)分割的問(wèn)題。

為了解決上述問(wèn)題，基于16 線(xiàn)激光雷達(dá)獲取道路上人/人、人/車(chē)相鄰場(chǎng)景的稀疏點(diǎn)云數(shù)據(jù)，提出了基于多幀融合的相鄰障礙物聚類(lèi)分割方法，在提高遠(yuǎn)距離人/人、人/車(chē)點(diǎn)云密度的同時(shí)，提高相鄰人/人、人/車(chē)聚類(lèi)分割效果。

1 多幀融合

低線(xiàn)激光雷達(dá)點(diǎn)云數(shù)據(jù)稀疏，隨著物體和傳感器之間距離的增加，相鄰點(diǎn)之間的歐式距離增加，導(dǎo)致遠(yuǎn)距離物體聚類(lèi)困難，相鄰物體變得更加難以分割。因此，提出將多幀融合應(yīng)用于聚類(lèi)前的數(shù)據(jù)處理，增加遠(yuǎn)距離物體點(diǎn)云密度，便于后續(xù)聚類(lèi)分割。

基于IMU 獲取LIDAR 的位姿變化，實(shí)現(xiàn)多幀點(diǎn)云數(shù)據(jù)融合。LIDAR 和 IMU 頻率均設(shè)為10 Hz，根據(jù)ROS 多傳感器時(shí)間同步機(jī)制實(shí)現(xiàn)兩者時(shí)間同步。LIDAR 和 IMU 都有自身的坐標(biāo)系，在進(jìn)行數(shù)據(jù)融合前，需要將兩者輸出的信息統(tǒng)一到同一坐標(biāo)系下，實(shí)現(xiàn)空間同步。由于LIDAR 和IMU 在安裝完成后保持固定，所以對(duì)LIDAR 和 IMU 進(jìn)行聯(lián)合標(biāo)定，得到兩者之間的外參關(guān)系，將點(diǎn)云數(shù)據(jù)統(tǒng)一到IMU 坐標(biāo)系進(jìn)行多幀融合。

聯(lián)合標(biāo)定需要確定LIDAR 和IMU 之間的6 自由度的轉(zhuǎn)換關(guān)系，即={R,t}，R為旋轉(zhuǎn)參數(shù)，t為平移參數(shù)。LIDAR/IMU 的聯(lián)合標(biāo)定具體原理步驟如下：

1）將LIDAR 數(shù)據(jù)根據(jù)當(dāng)前假設(shè)的狀態(tài)變量變換到IMU 坐標(biāo)系下；

2）構(gòu)建KD-Tree 結(jié)構(gòu)，對(duì)每一次掃描時(shí)的數(shù)據(jù)，在下一次掃描中尋找最近鄰的點(diǎn)并計(jì)算距離，將每個(gè)點(diǎn)的鄰近誤差作為優(yōu)化目標(biāo)進(jìn)行優(yōu)化；

3）當(dāng)總距離最小時(shí)，可認(rèn)為完全匹配。最終得到的轉(zhuǎn)換矩陣如式（1）：

完成IMU 和LIDAR 的外參標(biāo)定后，通過(guò)上述的外參轉(zhuǎn)換矩陣將點(diǎn)云數(shù)據(jù)由LIDAR 坐標(biāo)系轉(zhuǎn)換到IMU 坐標(biāo)系下。

讀取的IMU 數(shù)據(jù)為GPFPD 格式，解析出前后兩幀的偏航角(heading)、俯仰角(pitch)、橫滾角(roll)、東向速度(Ve)、北向速度(Vn)、天向速度(Vu)，得到各方向的角速度和加速度變化量，記為?gx、?gy、?gz、?ax、?ay、?az。通過(guò)IMU 得到前后兩幀旋轉(zhuǎn)矩陣、平移矩陣，分別為M、T，f為雷達(dá)頻率10 Hz。

通過(guò)上述旋轉(zhuǎn)平移矩陣得到兩幀點(diǎn)云的位姿變換，建立多幀點(diǎn)云融合模型如下，實(shí)現(xiàn)多幀融合。

2 改進(jìn)的歐式聚類(lèi)

多幀融合一定程度彌補(bǔ)了低線(xiàn)激光雷達(dá)分辨率低的缺點(diǎn)，但針對(duì)道路環(huán)境中并排行走的行人以及靠近車(chē)輛的行人等相鄰障礙物場(chǎng)景，傳統(tǒng)聚類(lèi)分割效果欠佳。因此，結(jié)合上述問(wèn)題對(duì)傳統(tǒng)歐式聚類(lèi)提出以下分割指標(biāo)的改進(jìn)，實(shí)現(xiàn)針對(duì)相鄰人/車(chē)、人/人的聚類(lèi)分割。

激光雷達(dá)點(diǎn)云具有近密遠(yuǎn)稀的特點(diǎn)，傳統(tǒng)歐式聚類(lèi)依賴(lài)固定閾值[23]，對(duì)不同距離的掃描范圍采用固定的聚類(lèi)閾值，閾值設(shè)置過(guò)小會(huì)使近距離的同一目標(biāo)被過(guò)度劃分為多個(gè)點(diǎn)簇，過(guò)大會(huì)使遠(yuǎn)距離的不同物體聚類(lèi)到同一簇。傳統(tǒng)的歐式聚類(lèi)無(wú)法針對(duì)相鄰人/車(chē)、人/人場(chǎng)景精準(zhǔn)分割。

提出自適應(yīng)聚類(lèi)半徑閾值的分割指標(biāo)，分割原理如下：考慮到實(shí)際中處在相同水平位置而不同高度的點(diǎn)云一般屬于同一物體，因此將點(diǎn)云投影到XOY水平面，避免同一物體因不同高度聚類(lèi)閾值不同而過(guò)分割的情況。

式中：λ為閾值系數(shù)，本文取0.32；? θ為水平角分辨率。

建立KD-Tree 結(jié)構(gòu)，對(duì)點(diǎn)i進(jìn)行K鄰域搜索，計(jì)算近鄰點(diǎn)j與點(diǎn)i的歐式距離 dis(i,j)。當(dāng)dis(i,j)rt時(shí)，j與i不在同一類(lèi)。

采用上述自適應(yīng)聚類(lèi)閾值分割標(biāo)準(zhǔn)，能分割水平投影歐式距離較大的物體，以及部分近距離相鄰障礙物，但僅靠自適應(yīng)聚類(lèi)閾值這一個(gè)分割標(biāo)準(zhǔn)并不能準(zhǔn)確分割遠(yuǎn)距離相鄰障礙物。因此針對(duì)上述問(wèn)題，加入向量夾角這一約束條件，提出進(jìn)一步的歐式聚類(lèi)改進(jìn)，具體實(shí)現(xiàn)原理如下：障礙物表面點(diǎn)云分布一般成凸?fàn)睿噜徴系K物交界處點(diǎn)云分布為凹狀，通過(guò)計(jì)算某一點(diǎn)與兩側(cè)點(diǎn)的矢量和向量與該點(diǎn)到激光雷達(dá)原點(diǎn)向量的夾角來(lái)描述該特性。如圖1，藍(lán)點(diǎn)、綠點(diǎn)分別代表兩個(gè)相鄰障礙物，假設(shè)激光雷達(dá)為原點(diǎn)O，OB、OC分別為打在障礙物的兩條激光束。選擇B點(diǎn)兩側(cè)相鄰兩點(diǎn)A、C，計(jì)算單位向量VBA、VBC：

圖1 向量角度約束Fig.1 Vector angle constraints

通過(guò)VBA、VBC矢量和的單位向量VBM與B點(diǎn)指向激光雷達(dá)原點(diǎn)坐標(biāo)的向量VBO的向量積來(lái)區(qū)分A、B、C3 點(diǎn)屬于同一障礙物還是不同障礙物，表示如下：

當(dāng)向量積VBMVBO<0，點(diǎn)C與點(diǎn)B屬于同一類(lèi)；VBMVBO>0，將點(diǎn)C標(biāo)記為不同類(lèi)。圖1中，VBMVBO<0，點(diǎn)C與點(diǎn)B屬于同一類(lèi)；VCMVCO>0，則點(diǎn)D屬于不同類(lèi)。

整體算法流程見(jiàn)下文，流程圖如圖2 所示。

圖2 改進(jìn)歐式聚類(lèi)算法Fig.2 Improved Euclidean clustering algorithm

1）建立KD-Tree 數(shù)據(jù)結(jié)構(gòu)存放點(diǎn)云數(shù)據(jù)P(p1,p2,···,pn) ；

2）聚類(lèi)集合C(c1,c2,···,cm)，隨機(jī)選擇pn點(diǎn)放入；

3）遍歷P(p1,p2,···,pn)

a）計(jì)算pn點(diǎn)的自適應(yīng)聚類(lèi)閾值；

b）尋找pn點(diǎn)的k個(gè)近鄰點(diǎn)Q(q1,q2,···,qk)，計(jì)算近鄰點(diǎn)到pn點(diǎn)的歐式距離 ；

c）dis(pn,qk)>rt，將qk聚 類(lèi)到不同點(diǎn)集cm；dis(pn,qk)

4）判斷P中是否還有未聚類(lèi)的p，有就重復(fù)步驟(3，沒(méi)有則進(jìn)行下一步；

5）當(dāng)點(diǎn)云遍歷完畢，算法結(jié)束，完成聚類(lèi)分割。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境及準(zhǔn)備

本研究選用無(wú)人實(shí)驗(yàn)車(chē)作為移動(dòng)平臺(tái)在復(fù)雜環(huán)境下進(jìn)行數(shù)據(jù)采集，該實(shí)驗(yàn)車(chē)配備的傳感器包括星網(wǎng)宇達(dá)XW-GI5651 慣性導(dǎo)航系統(tǒng)（圖3 左）和Velodyne VLP-16 LIDAR（圖3 右）。另外，為驗(yàn)證算法可行性及優(yōu)化效果，不同聚類(lèi)方法及本文所提出的基于多幀融合的相鄰障礙物聚類(lèi)分割方法將在Intel Core-i7,8 GB 內(nèi)存的Ubuntu18.04 操作系統(tǒng)利用 C++編程語(yǔ)言進(jìn)行算法開(kāi)發(fā)，算法開(kāi)發(fā)過(guò)程中運(yùn)用多種開(kāi)源軟件庫(kù)，如點(diǎn)云處理庫(kù)pcl等，在提高運(yùn)行效率的同時(shí)簡(jiǎn)化代碼架構(gòu)并減少代碼量。

圖3 慣性導(dǎo)航系統(tǒng)和激光雷達(dá)Fig.3 IMU and LIDAR

3.2 數(shù)據(jù)采集及分析方法

基于上述實(shí)驗(yàn)平臺(tái)，在校園等復(fù)雜環(huán)境（場(chǎng)景中包含多個(gè)車(chē)輛、行人等）下采集了多組點(diǎn)云數(shù)據(jù)集進(jìn)行測(cè)試驗(yàn)證實(shí)驗(yàn)，不同復(fù)雜場(chǎng)景點(diǎn)云數(shù)據(jù)集如圖4 所示。

圖4 部分不同復(fù)雜場(chǎng)景點(diǎn)云數(shù)據(jù)集Fig.4 Some cloud data sets of different complex scenarios

由于IMU 積分時(shí)間越長(zhǎng)，誤差越大，根據(jù)每間隔0.1 s 的IMU 數(shù)據(jù)信息融合多幀點(diǎn)云。實(shí)驗(yàn)中分別選取不同距離場(chǎng)景將單幀傳統(tǒng)歐式聚類(lèi)、多幀傳統(tǒng)歐式聚類(lèi)與本方法對(duì)比，聚類(lèi)完成以后，得到以點(diǎn)云簇為單位的聚類(lèi)結(jié)果，使用包圍盒將聚類(lèi)結(jié)果包裹起來(lái)呈現(xiàn)最終的障礙物聚類(lèi)分割效果。

3.3 結(jié)果與討論

選用如下VLP-16 錄制的復(fù)雜場(chǎng)景點(diǎn)云對(duì)比了本文方法相較于歐式聚類(lèi)的優(yōu)越性，圖5(a)為示例場(chǎng)景圖，其中地面分割標(biāo)記為紫色。如圖5(b)，傳統(tǒng)歐式聚類(lèi)雖然對(duì)部分物體也能提供正確的分割，但對(duì)近處的物體則存在分割不足的情況和對(duì)遠(yuǎn)處稀疏的車(chē)輛點(diǎn)云沒(méi)法聚類(lèi)的問(wèn)題。圖5(c)中，本文的方法能夠?qū)ο噜彽能?chē)輛行人以及相鄰行人實(shí)現(xiàn)很好的分割，對(duì)點(diǎn)云車(chē)輛聚類(lèi)也更為完整。

圖5 復(fù)雜場(chǎng)景下不同聚類(lèi)方法對(duì)比圖Fig.5 Comparison diagram of different clustering methods in complex scenarios

由于近距離的相鄰人/車(chē)點(diǎn)云密集，這里對(duì)比單幀傳統(tǒng)聚類(lèi)和本文改進(jìn)的歐式聚類(lèi)效果。借助激光測(cè)距儀實(shí)現(xiàn)精準(zhǔn)測(cè)距，我們分別對(duì)7 m、11 m、15 m 和19 m 處的人車(chē)目標(biāo)進(jìn)行聚類(lèi)分割測(cè)試。在傳統(tǒng)歐式聚類(lèi)處理過(guò)程中，如果固定閾值過(guò)小會(huì)出現(xiàn)過(guò)分割的情況，如圖6(a)所示；而如果固定閾值過(guò)大會(huì)出現(xiàn)欠分割的情況，如圖6(b)所示。另外，圖6(d)、圖6(e)、圖6(f)分別對(duì)應(yīng)圖6(a)、圖6(b)、圖6(c)中目標(biāo)（車(chē)輛和人）的聚類(lèi)結(jié)果圖。結(jié)合圖7 所展現(xiàn)的不同距離下的人體外型，可直觀(guān)發(fā)現(xiàn)，在圖6（d）中將同一車(chē)輛目標(biāo)誤分割為3 個(gè)目標(biāo)，出現(xiàn)過(guò)分割，在圖6（e）中將車(chē)輛和人員歸類(lèi)為同一目標(biāo)，出現(xiàn)欠分割，而在圖6（f）中，本文所提方法可正確區(qū)分出車(chē)輛和人員兩種不同目標(biāo)，實(shí)現(xiàn)準(zhǔn)確分割相鄰人/車(chē)的目的。

圖6 相鄰人車(chē)(7 m 單幀)聚類(lèi)效果對(duì)比Fig.6 Clustering effect comparison of adjacent pedestriancar (7 m single frame)

圖7 不同距離下VLP-16 掃描的人點(diǎn)云示例Fig.7 Example of human point cloud for VLP-16 scans at different distances

如圖7 所示，行人離傳感器越遠(yuǎn)，相對(duì)點(diǎn)云就越稀疏。如圖8 中(a)、(b)、(c)和圖9 中(a)、(b)、(c)所示，在距離激光雷達(dá)11 m、15 m處，單幀傳統(tǒng)歐式聚類(lèi)、多幀傳統(tǒng)歐式聚類(lèi)均能聚類(lèi)相鄰人人，但是欠分割。圖8 和圖9 中的(d)、(e)、(f)分別為(a)、(b)、(c)中目標(biāo)的聚類(lèi)結(jié)果圖。由圖可知，本文方法能夠?qū)崿F(xiàn)相鄰人/人的聚類(lèi)分割。

圖8 相鄰人人(11 m)聚類(lèi)效果對(duì)比Fig.8 Clustering effect comparison of adjacent pedestrianpedestrian (11 m)

圖9 相鄰人人(15 m 兩幀)聚類(lèi)效果對(duì)比Fig.9 Clustering effect comparison of adjacent pedestrianpedestrian (15 m)

如圖10 所示，在距離激光雷達(dá)19 m處，由于單幀遠(yuǎn)距離相鄰人/人點(diǎn)云稀疏，傳統(tǒng)歐式聚類(lèi)無(wú)法聚類(lèi)。數(shù)據(jù)采集小車(chē)低速前進(jìn)，兩幀融合后環(huán)境輪廓基本重合，但遠(yuǎn)距離行人點(diǎn)云密度顯著提高，能很好地補(bǔ)充單幀遠(yuǎn)距離物體稀疏的點(diǎn)云。兩幀融合后傳統(tǒng)方法能夠聚類(lèi)相鄰人/人，但依舊欠分割。對(duì)比本方法在兩幀融合與三幀融合后的相鄰障礙物分割效果，本文方法均能對(duì)較遠(yuǎn)距離的并排行人有很好的聚類(lèi)分割效果。表1 對(duì)圖10 中不同幀數(shù)的耗時(shí)以及分割效果進(jìn)行了對(duì)比，三幀融合點(diǎn)云數(shù)據(jù)量增加，但分割效果沒(méi)有明顯優(yōu)于兩幀融合，計(jì)算耗時(shí)顯著增加。結(jié)合實(shí)際測(cè)試結(jié)果，為平衡算法算力需求與聚類(lèi)分割效果，選擇兩幀融合輸入聚類(lèi)分割為最佳。

表1 本方法幀數(shù)優(yōu)化選擇Table 1 Frame number selection optimized by our method

圖10 相鄰人人(19 m 兩幀)聚類(lèi)效果對(duì)比Fig.10 Clustering effect comparison of adjacent pedestrianpedestrian (19 m)

采用F度量指標(biāo)來(lái)量化評(píng)估本方法對(duì)相鄰障礙物的分割效果。小于1 m 界定為兩障礙物相鄰，選取1200 幀點(diǎn)云數(shù)據(jù)，共有障礙物1020個(gè)，其中相鄰障礙物占580 個(gè)。F度量指標(biāo)計(jì)算公式如下，a結(jié)合實(shí)際情況取1。

式中：P=正確分割數(shù)目/聚類(lèi)但錯(cuò)誤分割的相鄰障礙物數(shù)目；R=正確分割數(shù)目/實(shí)際總的相鄰障礙物數(shù)數(shù)目（580）。

由式（15）可知，F(xiàn)越高證明分割效果越好。考慮到激光雷達(dá)對(duì)于太近物體存在盲區(qū)，從4 m 外的障礙物開(kāi)始，每3 m 記錄相鄰障礙物，對(duì)比單幀傳統(tǒng)歐式聚類(lèi)、多幀傳統(tǒng)歐式聚類(lèi)、本文方法3 種情況，結(jié)果如表2、圖11、圖12 所示。

表2 相鄰障礙物在不同距離的分割效果Table 2 Segmentation effect of adjacent obstacles at different distances

圖11 3 種方法對(duì)比Fig.11 Comparison of three methods

圖12 不同聚類(lèi)方法耗時(shí)對(duì)比圖Fig.12 Time-consuming comparison plots of different clustering methods

由上述圖表可知，多幀融合在提高聚類(lèi)效果上有一定作用，本文提出的方法在遠(yuǎn)距離的相鄰障礙物聚類(lèi)分割上優(yōu)化效果更明顯，且耗時(shí)相對(duì)更短，在實(shí)時(shí)性也具有一定優(yōu)勢(shì)。F度量相比單幀傳統(tǒng)歐式聚類(lèi)方法提升30.7%，對(duì)于VLP-16 等低分辨率激光雷達(dá)在后續(xù)障礙物檢測(cè)等方面有很大的用途。

4 結(jié)論

本文針對(duì)稀疏點(diǎn)云中相鄰障礙物分割效果不佳的問(wèn)題，提出了一種高效有用的相鄰障礙物聚類(lèi)分割方法，設(shè)計(jì)了基于自適應(yīng)閾值和向量角度約束的改進(jìn)歐式聚類(lèi)算法，在基于IMU 和LIDAR傳感器多幀融合后的數(shù)據(jù)里實(shí)現(xiàn)聚類(lèi)分割。實(shí)驗(yàn)結(jié)果證明本文提出的基于多幀融合的相鄰障礙物聚類(lèi)分割方法具有較大的提升和較高的準(zhǔn)確度，可以應(yīng)用于低線(xiàn)激光雷達(dá)的相鄰障礙物聚類(lèi)分割中，為園區(qū)送貨車(chē)等低速無(wú)人駕駛車(chē)輛的低成本化提供一種可行性方案。