基于距離與能量的復雜場景下ALV 可行域認知*

張 昊，李 擎

(高動態(tài)導航技術北京市重點實驗室，北京100101)

0 引 言

為了獲取自主車(ALV)行車區(qū)域，通常使用激光雷達、攝像頭等傳感器來進行環(huán)境認知。攝像頭易受環(huán)境影響，且在圖像處理中計算量大［1］，相比之下，激光雷達具有更好的抗干擾性，可以有效避免光照、陰影等因素造成的負面影響，所以，越來越多的ALV 采用激光雷達進行環(huán)境認知。

針對使用激光雷達實現(xiàn)環(huán)境認知的研究主要有兩類:基于二維或三維激光雷達的環(huán)境認知［2～9］。如Oscar C Barawid Jr 等人將一個二維激光雷達水平地固定在拖拉機前端離地70 cm 處，使用Hough 變換方法提取果園中的樹線［2］，該方法較好地提取了大范圍內的行車參考線，但是由于大部分民用車輛底盤較低，水平放置的方式造成掃描平面下方區(qū)域的漏掃會對行車安全帶來極大的隱患。朱株等人使用HDL—64E，提出了一種適用于多類場景的實時三維激光雷達地面分割算法［5］，雖然使用三維多線激光雷達可以獲得全面豐富的三維信息，但高昂的價格限制了其廣泛應用。在環(huán)境數(shù)據(jù)處理方面，趙一兵等人，利用距離信息結合探測物的結構特征，例如:凹凸性、多孔性等，識別凹凸區(qū)域及前方灌木等［8］;雖然通過算法可以從單一類型數(shù)據(jù)中提取障礙和出可行區(qū)域，但面對區(qū)域內的再劃分問題，例如:在沒有明顯特征的道路中，使用單一類型的數(shù)據(jù)很難出色地完成行車道路的獲取任務。

為了低成本，高效地完成可行域認知，實現(xiàn)區(qū)域的再劃分，在數(shù)據(jù)處理中，本文提出了距離與能量組合判據(jù)的方法實現(xiàn)ALV 可行域認知，解決了由于判據(jù)單一造成的道路錯分等不穩(wěn)定現(xiàn)象。

1 基于距離的環(huán)境特征獲取

將激光雷達固定在車輛上方的鐵架上，并置于車輛中心。調節(jié)雷達角度，使得雷達的掃描平面傾斜向下與地面成一定夾角。這一設備的安置方式也是為了避免二維激光雷達水平放置造成的漏掃這一弊端。

激光雷達選用LMS151 激光雷達，設置角度分辨率為0.5°，掃描范圍180°，頻率50 Hz。由于激光雷達返回數(shù)據(jù)為極坐標形式，將各個點轉換為激光雷達坐標系坐標，變換公式如下或掃描窗口中存在障礙，會影響道路高度值的提取，導致邊緣誤提取現(xiàn)象，如圖1 所示。為了進一步解決此類誤提取現(xiàn)象，需引入能量值進一步篩選道路特征。

其中，di為第i 個掃描點的距離，θi為第i 個激光點的掃描角度:θi=0.5i，xi，yi為激光雷達坐標系下第i 個點坐標(i=0，1，2，…，360)。將激光雷達獲取的每一幀數(shù)據(jù)先進行坐標系轉換，利用轉換后的坐標數(shù)據(jù)提取道路特征。

道路特征選為邊緣跳變特征以及其他具有代表性的特征并將其篩選表示出來，從而減少數(shù)據(jù)量的同時具有道路邊緣提取的高可靠性。

選取路面中心一段掃描窗口，選取該區(qū)域時其寬度應大于載體寬度。為了消除噪聲帶來的影響，在此先對窗口間的點進行了滑動平均濾波處理，得到更加平穩(wěn)的高度數(shù)據(jù)

圖1 含有障礙物的道路Fig 1 Road containing obstacle

2 基于能量的環(huán)境特征獲取

通過激光雷達反射能量對掃描到的物體進行辨析。因為不同物體材質不同，所以，對激光的反射能力也各不相同，因此，可以通過雷達返回的能量值數(shù)據(jù)對環(huán)境進行特征提取。

對操場跑道進行掃描，以最中間被涂料涂成的白線為基準使載體向前移動，獲取了激光雷達反射能量，場景如圖2所示。

圖2 無道路特征場景Fig 2 Scene has no road characteristic

分析其能量強度分布情況如圖3 所示，其中，Z 軸表示能量相對強度。該區(qū)域反射能量分布均勻且白線特征明顯，凸起的五部分為白線所在位置。由于凸起部分的數(shù)據(jù)點分布較為松散，可通過計算相鄰點的距離并與設定閾值作比較，可將五類數(shù)據(jù)代表點提取出。

根據(jù)式(2)而得到的一系列數(shù)據(jù)，其隨機誤差由于平均的作用得到了抑制，從而使得數(shù)據(jù)隨機起伏的幅值相對于原始數(shù)據(jù)有了大幅度的降低。

由濾波后的高度數(shù)據(jù)均值Have作為路面高度的基準值。由于激光雷達角度分辨率為0.5°，一幀有361 個掃描點，因此，選取雷達第180 個掃描點為中心點，根據(jù)載體實際寬度，左右各浮動50 個點。從第180 點分別向左向右進行遍歷并分別與Have做差，獲得差值Dval，將Dval與閾值Hthr做比較。當Dval＞Hthr時停止遍歷，提取此時數(shù)據(jù)點的下標，并構造出一個新的向量用于存儲該下標，跳變點特征的提取工作完成。

僅僅基于距離數(shù)據(jù)的跳變點特征提取具有一定局限性，如果道路中存在障礙，道路邊緣的跳變點會被誤提取，

圖3 能量強度示意圖Fig 3 Diagram of energy intensity

其步驟為:

1)獲取一幀掃描數(shù)據(jù)(0，1，2，…，i，…，n);

2)計算相鄰兩個激光點的距離

3)判斷距離D 與閾值T 的大小，當滿足條件Di，i+1＞T，則記錄此時刻的i 值至數(shù)組Zref 中;

4)更新點i=i+1;

5)重復步驟(2)直至該幀數(shù)據(jù)遍歷結束;

6)通過類內距離小于類間距離原則，設定閾值Tz，遍歷數(shù)組Zref 中數(shù)據(jù)，再次計算相鄰點距Dz，z+1(0，1，2，…，z);

7)將Dz，z+1與Tz相比較，若Dz，z+1＞Tz，點z+1 為新的一類，存入新數(shù)組，遍歷整個Zref 數(shù)組，將數(shù)據(jù)分為五類;

8)將五類數(shù)據(jù)化簡，獲取每類代表點Xref坐標

式中 n 為每類中包含點的個數(shù)。

經處理后，白線提取情況如圖4 所示。

圖4 白線提取效果Fig 4 Effect of extraction of white line

基于能量可以良好地提取出道路的白線特征，但反射能量隨角度變化呈現(xiàn)衰減現(xiàn)象，僅依靠能量來獲取道路特征得出可行域是不夠的。由于距離與能量可獲取不同的道路特征，將兩者互補可獲得完整的道路特征信息。

3 距離與能量組合判據(jù)的可行域認知

如圖5 場景中，陽光透過楊樹在走廊上形成了各種形狀的亮斑，通過繪制出反射能量圖像由圖6 所示，發(fā)現(xiàn)在有亮斑的情況下，雷達反射能量值并未有奇異的不規(guī)則部分出現(xiàn)，障礙物所在區(qū)域能量突出，道路能量分布均勻，說明環(huán)境的光照強度并不會對反射能量值造成影響。可以結合反射能量和距離數(shù)據(jù)對道路邊緣提取并對載體的可行域進行劃分。

圖5 光照不均勻且含障礙場景Fig 5 Scene contain uneven illumination and obstacle

針對道路中存在障礙或當障礙物處于掃描窗口這種情況，在計算路面高度基準值時會誤算入障礙物的高度，從而使道路高度基準值升高，導致誤報、漏報現(xiàn)象，如圖7 所示。

首先，在獲取道路基準高度值時，若掃描窗口中存在障礙物，若僅使用距離來選取參考點就會出現(xiàn)問題。當障礙物在載體中間部位時，依靠距離可以檢測出障礙邊緣處的跳變點，從而將其剔除獲取參考點。但是如果障礙物出現(xiàn)在窗口邊緣，其掃描點很有可能分布密集，依靠相鄰點距離無法檢測出跳變點，這時，就會將障礙的信息帶入到道路基準高度值的計算當中，從而對后續(xù)的區(qū)域認知帶來極大的隱患。

圖6 復雜道路能量分析Fig 6 Energy analysis on complex road

圖7 障礙在道路中的分布Fig 7 Distribution of obstacle on road

通過分析，反射能量的大小取決于物體本身的反射能力，與光照等外界影響無關。障礙與道路的反射能量差異又很大，所以，將反射能量值作為第二判據(jù)引入到數(shù)據(jù)遍歷之中可以有效地區(qū)分出障礙區(qū)域，此時有

式中 Di，i+1為相鄰點間距離，Zi，i+1反映了相鄰點的反射能量差異。在Di，i+1滿足條件的基礎上還要看Zi，i+1的值是否也符合要求。在遍歷中設立flag，flag 的值為0 或1，將其初值為0，每當Zi，i+1＞Tz時，將flag 的值反轉，當flag 為0 時，將當前時刻下標i 存入數(shù)組PartA［j］，當flag 為1 時，將當前時刻下標i+1 存入數(shù)組PartB［k］且i=i+1。該掃描窗口遍歷完成后，一幀數(shù)據(jù)就被分到了兩個數(shù)組當中。若遍歷完成后PartB［k］中包含0 個數(shù)據(jù)，就說明掃描窗口內無障礙物。可直接通過PartA［j］中數(shù)據(jù)求解道路基準高度值Have。就本文實驗場景來做分析，從圖6 中可以看出:障礙物反射能量遠大于道路反射能量，通過計算得出兩個數(shù)組內數(shù)據(jù)的平均能量值，進而就分別得到了保存著道路區(qū)域與障礙物區(qū)域的數(shù)組。

利用在掃描窗口中提取出的道路區(qū)域求出可靠的道路基準高度值Have后，從第180 點分別向左向右進行遍歷，此過程包括反射能量的遍歷和高度值的遍歷。用每一點的高度值分別與Have做差，獲得差值Dval，將Dval與閾值Hthr做比較，同時綜合反射能量的遍歷，當滿足Dval＞Hthr并且滿足Zi，i+1=|Zi+1－Zi|＞Tz時，該點為障礙物而并非道路邊緣，通過反轉標志位將障礙物數(shù)據(jù)記錄到數(shù)組中，繼續(xù)遍歷，直到遍歷到某一點，使得Dval＞Hthr，且Zi，i+1≤Tz，該點為道路邊緣的跳變點，開辟新數(shù)組將其存入其中。當一幀數(shù)據(jù)遍歷完成后，會得到四個數(shù)組，分別保存著道路左邊緣、道路右邊緣、非障礙物區(qū)域以及障礙物區(qū)域。對圖5 所示場景進行多幀數(shù)據(jù)處理，并將邊緣數(shù)據(jù)、道路區(qū)域和障礙物區(qū)域用不同顏色的點表示，其效果如圖8 所示。

圖8 復雜場景下可行區(qū)域提取效果Fig 8 Effect of feasible region extraction in complex scenes

4 結 論

通過距離數(shù)據(jù)提取環(huán)境特征，由于其判據(jù)單一，不能很好解決可行域認知問題。又通過對反射能量提取環(huán)境特征做了驗證，驗證能量數(shù)據(jù)可以作為環(huán)境特征提取的第二判據(jù)，從而準確區(qū)別道路和障礙物。因此，在求解道路高度基準值的算法中融入了反射能量形成了雙判據(jù)。使得獲得的道路高度基準值更加穩(wěn)定準確。最后通過第二判據(jù)的引入對道路邊緣的提取和道路可行域認知算法做了改進，獲得了載體的可行域并區(qū)別出了障礙物的所在區(qū)域，完成了道路邊緣內區(qū)域的再劃分，出色地完成了可行域認知任務。

［1］ 付永春.單目視覺結構化道路車道線檢測和跟蹤技術研究［D］.南京:南京理工大學，2012.

［2］ Oscar C Barawid Jr，Akira Mizushima，Kazunobu Ishii.Development of an autonomous navigation system using a two－dimensional laser scanner in an orchard application［J］.Biosystems Engineering，2007，96(2):139－149.

［3］ Csaba Benedek.3D people surveillance on range data sequences of a rotating lidar［J］.Pattern Recognition Letters，2014，50:149－158.

［4］ 孫 宇，項志宇，劉濟林.未知室外環(huán)境下移動機器人的三維場景重建［J］.浙江大學學報，2007，41(12):1949－1954.

［5］ 朱 株，劉濟林.基于馬爾科夫隨機場的三維激光雷達路面實時分割［J］.浙江大學學報，2015，49(3):464－469.

［6］ 梁 雄.車載單線激光雷達成像分割及噪聲檢測算法［J］.計算機應用研究，2011，28(5):1975－1977.

［7］ Carlos Fernández，Vidal Moreno，Belen Curto.Clustering and line detection in laser range measurements［J］.Robotics and Autonomous Systems，2010，58:720－726.

［8］ 趙一兵，王榮本，李琳輝.基于激光雷達的無人駕駛車前方障礙物檢測［J］.交通與計算機，2007，25(2):9－12.

［9］ 楊象軍，項志宇，劉濟林.基于四線激光雷達的校園道路的檢測與跟蹤［J］.傳感器與微系統(tǒng)，2013，32(9):134－138.