基于三維激光雷達(dá)的智能車輛目標(biāo)參數(shù)辨識*

王 肖，李克強(qiáng)，王建強(qiáng)，徐友春

(1.清華大學(xué)，汽車安全與節(jié)能國家重點實驗室，北京 100084; 2.軍事交通學(xué)院軍用車輛系，天津 300161)

2016179

基于三維激光雷達(dá)的智能車輛目標(biāo)參數(shù)辨識*

王 肖1,2，李克強(qiáng)1，王建強(qiáng)1，徐友春2

(1.清華大學(xué)，汽車安全與節(jié)能國家重點實驗室，北京 100084; 2.軍事交通學(xué)院軍用車輛系，天津 300161)

智能車周圍車輛目標(biāo)參數(shù)(位姿、運(yùn)動速度和幾何形狀)對智能車路徑規(guī)劃和決策算法而言至關(guān)重要。選取三維激光雷達(dá)作為傳感器，對車輛目標(biāo)位置、航向角、速度和幾何形狀進(jìn)行計算和濾波。針對車輛目標(biāo)點云受觀測點位置和自遮擋等因素的影響，提出一種動態(tài)參考點模型用于計算目標(biāo)速度；對于目標(biāo)航向角，采用先點云分塊聚類后主成分?jǐn)M合的思路來提高航向角精度；提出一種基于幾何形狀變化速率的濾波算法來解決幾何形狀不易測量和復(fù)雜多變等問題。分別就車輛目標(biāo)速度、航向角和幾何形狀進(jìn)行實驗分析，結(jié)果證明基于本文方法的參數(shù)計算結(jié)果能獲得較高精度，滿足智能車環(huán)境感知要求。

智能車輛；三維激光雷達(dá)；參數(shù)辨識；動態(tài)參考點；幾何形狀變化速率

前言

三維激光雷達(dá)能捕獲目標(biāo)物基本形狀特征和豐富局部細(xì)節(jié)，且具有可靠性和測量精度高等優(yōu)點，被廣泛應(yīng)用在智能車輛環(huán)境感知中。作為感知的重要內(nèi)容，車輛目標(biāo)的位姿、運(yùn)動速度和幾何形狀是智能車輛路徑規(guī)劃和決策算法的基礎(chǔ)。由于三維激光雷達(dá)固有特性，目標(biāo)點云分布受到觀測點位置和自遮擋等因素的影響，使參數(shù)難以精確計算。

國內(nèi)外學(xué)者對車輛目標(biāo)參數(shù)計算做了許多研究。文獻(xiàn)[1]中綜合利用盒子模型和點模型對動態(tài)障礙目標(biāo)進(jìn)行形狀及運(yùn)動學(xué)屬性描述，其中盒子模型主要用于車輛目標(biāo)，其參數(shù)包括目標(biāo)位置、行駛方向和速度等，而點模型用于描述行人等非車輛目標(biāo)。文獻(xiàn)[2]中建立了描述車輛目標(biāo)長、寬和中心點位置的幾何模型，考慮到觀測位置改變對目標(biāo)點云帶來的影響，提出一種中心點更新算法來進(jìn)行校正。文獻(xiàn)[3]在以上基礎(chǔ)上建立了包含目標(biāo)中心點位置、形狀、行駛方向和速度的盒子模型，同樣采用中心點更新算法來彌補(bǔ)觀測位置變化和遮擋可能帶來的影響。

以上研究主要集中于目標(biāo)中心位置計算上，而未涉及目標(biāo)姿態(tài)的計算。文獻(xiàn)[4]在柵格單元和連通區(qū)域標(biāo)記基礎(chǔ)上，提出一種二維包圍體(Bounding-box)來容納所有各個連通區(qū)內(nèi)柵格單元，而后采用主成分分析計算包圍體內(nèi)點云的特性向量，選用對應(yīng)特征值較大的特征向量方向作為包圍體的行駛方向。文獻(xiàn)[5]在此基礎(chǔ)上，改進(jìn)采用定向包圍體來對目標(biāo)進(jìn)行描述。首先采用統(tǒng)計分析方法去除異值點云，而后找出剩余點云主要成分分布方向。考慮目標(biāo)自遮擋特性，主成分分析算法往往不能獲得目標(biāo)真實運(yùn)動方向，因此采用隨機(jī)抽樣一致性算法來擬合點云分布的直線模型。該方法關(guān)鍵步驟在于如何去除異值點云，但文中沒有給出具體步驟。

車輛目標(biāo)速度是目標(biāo)跟蹤研究的重要內(nèi)容。跟蹤算法主要研究點為運(yùn)動模型、數(shù)據(jù)關(guān)聯(lián)和濾波算法。常速度模型是最簡單、應(yīng)用最廣泛的運(yùn)動模型[2-3,6]，其線性特性使之可直接應(yīng)用卡爾曼濾波器進(jìn)行數(shù)據(jù)預(yù)測和更新[3]。而粒子濾波由于其適用于非線性運(yùn)動模型非單高斯?fàn)顟B(tài)假設(shè)中，也得到一定應(yīng)用[2,6]。數(shù)據(jù)關(guān)聯(lián)算法主要包括最近鄰(NN)[7]、全局最近鄰(GNN)[8]、聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)(JPDA)[9]和多假設(shè)跟蹤算法(MHT)[10]等，其中最近鄰算法由于其簡單高效，適合于應(yīng)用在目標(biāo)稀疏場景中，而聯(lián)合概率數(shù)據(jù)關(guān)聯(lián)和多假設(shè)跟蹤算法雖能提高復(fù)雜場景下關(guān)聯(lián)準(zhǔn)確率，但其效率和資源耗費(fèi)等問題突出。

以上研究結(jié)果表明：(1)車輛目標(biāo)位置通常利用包圍體中心點來表示，但由于觀測點位置和自遮擋因素影響，使中心點位置難以精確計算，這導(dǎo)致后續(xù)目標(biāo)速度計算誤差較大；(2)車輛目標(biāo)航向角研究較少，由于點云分布的復(fù)雜性，常規(guī)擬合方法效果較差；(3)車輛幾何形狀通常采用固定的先驗參數(shù)。

針對以上問題，本文中提出一種動態(tài)參考點模型來計算目標(biāo)速度，相對于中心點，該模型參考點具有可直接觀測、動態(tài)切換等優(yōu)點；在目標(biāo)航向角計算中，采用分塊聚類、主成分?jǐn)M合的方法來提高參數(shù)精度；提出一種幾何形狀變化速率方法，并結(jié)合卡爾曼濾波器來估計車輛實時幾何參數(shù)。最后基于最近鄰關(guān)聯(lián)算法和在線卡爾曼濾波器對目標(biāo)參數(shù)進(jìn)行跟蹤優(yōu)化。通過速度、航向角和幾何形狀3組實驗對以上方法進(jìn)行驗證和分析。

1 參數(shù)表示

車輛目標(biāo)采用矩形定向包圍體(oriented bounding box, OBB)表示，如圖1所示。在雷達(dá)坐標(biāo)系Oxy下，t時刻目標(biāo)參數(shù)可表示為Bt=(Xt,vt,Gt)，其中Xt=(xrt,yrt,φt)為位姿模型，xrt,yrt表示目標(biāo)參考點坐標(biāo)，航向角φt為行駛方向同x軸夾角；vt=(vxt,vyt)表示目標(biāo)沿兩個坐標(biāo)軸行駛速度；Gt=(lt,wt,xct,yct)為目標(biāo)幾何形狀模型，其中l(wèi)t和wt為t時刻測量的包圍體長和寬，xct和yct為包圍體中心點坐標(biāo)。

圖1 定向包圍體參數(shù)示意圖

2 參數(shù)計算

2.1 位姿計算

已知t時刻目標(biāo)位姿表示為Xt=(xrt,yrt,φt)，其中參考點xrt,yrt用于計算目標(biāo)速度。通常參考點選取包圍體中心，但由于受觀測點位置和遮擋等因素影響，中心點坐標(biāo)往往無法精確計算，這使后續(xù)以中心點位置差分方法計算出的目標(biāo)速度嚴(yán)重失真。為此提出一種不受觀測位置和目標(biāo)自遮擋影響的動態(tài)參考點模型。

目標(biāo)航向角φt同樣受觀測位置和自遮擋的影響，為此提出一種先分塊聚類、后主成分?jǐn)M合的方法來提高航向角精度。

2.1.1 動態(tài)參考點模型

點云分布特性導(dǎo)致難以使用包圍體中心作為參考點，但無論目標(biāo)處于什么位置，總可以找到一個可直接觀測的包圍體角點并將此作為參考點(暫不考慮目標(biāo)間相互遮擋的影響)，同時隨著位置的改變該參考點可以動態(tài)更新，這便是動態(tài)參考點模型的基本原理[11]。

參考點選擇和更新的基本思想見圖2。將雷達(dá)坐標(biāo)系識別區(qū)域分為A1,A12,A2,A23,A3,A34,A4和A148個矩形子區(qū)域。可知在Ai=1,2,3,4區(qū)域包圍體由于自遮擋導(dǎo)致部分尾部和側(cè)部數(shù)據(jù)丟失，稱此區(qū)域為自遮擋區(qū)。而在區(qū)域A12和A34則能夠獲取較準(zhǔn)確的車輛長度參數(shù)，區(qū)域A14和A23則能夠獲取較準(zhǔn)確寬度參數(shù)，稱此區(qū)域為半自遮擋區(qū)。動態(tài)參考點選擇遵循以下準(zhǔn)則。

圖2 動態(tài)參考點選擇示意圖

(1) 初始化動態(tài)參考點 當(dāng)t時刻目標(biāo)車輛位于Ai=1,2,3,4區(qū)時，選擇定向包圍體與自車最近鄰角點作為參考點(xrt,yrt)，如圖中位于A1區(qū)中的角點p1。

(2) 參考點保持 當(dāng)定向包圍體當(dāng)前時刻仍處于自遮擋區(qū)時，則參考點(xrt,yrt)仍為上一時刻包圍體角點；當(dāng)包圍體上一時刻和當(dāng)前時刻皆位于自遮擋區(qū)時，則參考點(xrt,yrt)仍為上一時刻包圍體角點，如圖中A1～A12參考點保持不變。

(3) 參考點切換 當(dāng)包圍體進(jìn)入新的自遮擋區(qū)時，則更新動態(tài)參考點。例如當(dāng)包圍體從A12至A2時，參考點從p1更換為p2，同理當(dāng)從A14至A4時，參考點從p1更換為p4。

2.1.2 基于分塊聚類、主成分?jǐn)M合的航向角計算

在復(fù)雜行駛環(huán)境中，目標(biāo)經(jīng)常出現(xiàn)切入、轉(zhuǎn)向等行為，這要求智能車必須能夠快速、準(zhǔn)確地識別其行駛航向角。

目標(biāo)航向角計算有兩種思路：一是利用參考點變化方向來計算；二是根據(jù)點云分布特征來分析。第一種方法缺點是無法分析靜態(tài)和低速目標(biāo)，且難以適用于車輛轉(zhuǎn)向場景中。

本研究采用第二種方法進(jìn)行研究，其主要思路是轉(zhuǎn)化為二維平面上點云主成分方向直線擬合問題。采用隨機(jī)抽樣一致性算法[5]來擬合點云的直線模型，但該方法受點云分布影響較大。考慮到車輛點云平面形狀主要呈“L”和“I”型，如圖3所示，如果能夠?qū)⒈碚骱较蚪堑闹饕糠痔崛〕鰜碜鳛楦信d趣區(qū)域(ROI)，并基于該區(qū)域進(jìn)行擬合，這無疑比利用整體點云擬合精度更高。

圖3 “L”和“I”型點云感興趣區(qū)域

基于此思想提出先利用混合高斯(GMM)算法將點云分成兩部分并從中選取感興趣區(qū)域，而后采用隨機(jī)抽樣一致性(RANSAC)算法對感興趣區(qū)域點云進(jìn)行擬合，最后再計算航向角。圖4為計算過程示意圖。具體算法如表1所示。

圖4 “L”和“I”型點云航向角計算過程

在點云類型計算中(CalculateType函數(shù))，考慮到點云分布主要受目標(biāo)位姿影響，則可用如下概率來描述：

p(Mt|Xt)=p(Mt|xrt,yrt,φt)

(1)

式中：Mt為目標(biāo)分布類型(“L”或“I”)；Xt為t時刻目標(biāo)位姿。基于目標(biāo)位置與航向角獨(dú)立性假設(shè)，可得

表1 基于GMM和RANSAC

p(Mt|Xt)=p(Mt|xrt,yrt)p(Mt|φt)

(2)

由于此時刻目標(biāo)方位φt未知，因此采用點云分布方差之比τt來近似替代，視點云為二維高斯分布，則有

(3)

式中σmax和σmin分別為最大和最小正態(tài)方差。則可得

p(Mt|Xt)=p(Mt|xrt,yrt)p(Mt|τt)

(4)

對于p(Mt|xrt,yrt)，由于難以用概率密度函數(shù)來精確表示，因此采用如下離散經(jīng)驗值：

式中：R1為圖2中的并集A14∪A23；R2為剩余區(qū)域。

對于p(M|τt)同樣采用如下經(jīng)驗值：

最終計算兩種目標(biāo)類型的概率：

(5)

(6)

如果p(M=“L”)>p(M=“I”)則選擇“L”模型，反之選擇“I”模型。

在第二步聚類算法中，首先采用Kmeans算法進(jìn)行初始聚類，而后利用GMM算法提升聚類精度。在第三步中則采用RANSAC算法對聚類出的兩部分進(jìn)行直線擬合。最終結(jié)合點云類型在擬合直線基礎(chǔ)上計算出目標(biāo)航向角：如對于“L”模型點云，則直接選擇較扁平部分(可以兩部分高斯模型的方差比作為選擇依據(jù))的擬合直線作為航向角方向；對于“I”模型，可選擇近鄰部分?jǐn)M合直線的正交直線作為航向角方向。

2.2 速度計算

目標(biāo)速度可直接利用前后時刻的參考點位置進(jìn)行差分：

vxt=(xrt-xrt-1+δ(t-tc)(±l))/T

(7)

vyt=(yrt-yrt-1+δ(t-tc)(±w))/T

(8)

式中T為時刻間隔。為防止參考點切換造成速度突變，設(shè)置單位沖擊函數(shù)項δ(t-tc)，其中tc為參考點更換時刻。

2.3 幾何形狀參數(shù)

車輛幾何形狀參數(shù)難以用精確的模型進(jìn)行描述，需要依靠濾波算法進(jìn)行優(yōu)化，在3.3節(jié)將對幾何參數(shù)濾波進(jìn)行研究，本節(jié)首先引入幾何形狀變化速率的概念。

幾何形狀變化速率表示單位時間內(nèi)幾何參數(shù)的變化程度，如圖5所示。假定車輛真實幾何尺寸由t-1時刻的實線和虛線兩部分組成，受觀測位置影響，在t-1時刻觀測長寬分別為lt-1和wt-1，t時刻觀測長寬分別為lt和wt，則車輛長、寬變化速率分別為

vl=(lt-lt-1)/T

(9)

vw=(wt-wt-1)/T

(10)

圖5 幾何形狀變化速率示意圖

3 參數(shù)濾波

3.1 數(shù)據(jù)關(guān)聯(lián)

數(shù)據(jù)關(guān)聯(lián)是將當(dāng)前時刻某一觀測目標(biāo)同上一時刻建立的目標(biāo)航跡集合中相似度最大的目標(biāo)進(jìn)行匹配的過程，通常采用目標(biāo)位置作為相似度判斷準(zhǔn)則。本研究采用簡單、高效的最近鄰方法作為實現(xiàn)算法。

最近鄰方法的基本思想是將與被跟蹤目標(biāo)預(yù)測位置最近的有效回波作為候選回波：

(11)

目標(biāo)下一時刻位置需要利用運(yùn)動模型進(jìn)行預(yù)測，這將在下節(jié)進(jìn)行研究。

3.2 目標(biāo)姿態(tài)與速度濾波

車輛運(yùn)動模型包括常速度、常加速度和協(xié)調(diào)式轉(zhuǎn)向模型等。為簡化計算，本研究將車輛運(yùn)動視為質(zhì)點平移，不考慮轉(zhuǎn)向運(yùn)動的影響，采用常速度模型作為基本研究模型，則有

(12)

對于目標(biāo)方位角，采用常橫擺角速度模型，則有

(13)

在線濾波基本步驟為：(1)狀態(tài)預(yù)測，基于上一時刻的觀測和式(12)，對當(dāng)前時刻目標(biāo)位置進(jìn)行預(yù)估，可通過調(diào)節(jié)噪聲方差來改變預(yù)估值；(2)目標(biāo)前后幀關(guān)聯(lián)，基于最近鄰關(guān)聯(lián)方法，查找同目標(biāo)預(yù)估位置最近的當(dāng)前觀測，可通過設(shè)置適當(dāng)?shù)年P(guān)聯(lián)門限來提高效率和關(guān)聯(lián)準(zhǔn)確率；(3)狀態(tài)更新，通過調(diào)節(jié)增益值來獲取最優(yōu)濾波結(jié)果。

3.3 目標(biāo)幾何形狀參數(shù)的濾波

基于2.3節(jié)提出的幾何形狀變化速率模型，可建立狀態(tài)方程：

(14)

同樣可利用線性卡爾曼濾波器對各參數(shù)進(jìn)行濾波。需要注意的是，vl和vw大于0說明目標(biāo)觀測長寬遞增變化，這意味著觀測值越來越接近真實值；而vl和vw小于0則意味著由于自遮擋影響而導(dǎo)致失真。因此目標(biāo)幾何形狀的卡爾曼濾波適用于幾何形狀變化速率大于0的情況下，當(dāng)變化速率小于0時，應(yīng)采取形狀參數(shù)的保優(yōu)操作以確保逼近真實值，如圖6所示。

圖6 幾何參數(shù)濾波邏輯

4 實驗分析

圖7為實驗平臺，其中傳感器包括1臺Velodyne HDL-64E三維激光雷達(dá)、4個外置和1個內(nèi)置相機(jī)。相機(jī)用于記錄車外和駕駛員圖像，雷達(dá)用于采集環(huán)境數(shù)據(jù)，其基本參數(shù)為：水平視場360°，垂直視場26.8°，角度分辨率0.09°，測量距離約120m。

圖7 實驗平臺

實驗主要通過目標(biāo)的速度、航向角和幾何形狀計算來驗證本文所提方法，其中涉及的算法參數(shù)和預(yù)設(shè)值如表2所示。

4.1 速度實驗分析

由于對未知速度的車輛進(jìn)行分析無法得到定量的實驗結(jié)果，因此本實驗設(shè)置包含定速運(yùn)動目標(biāo)和靜止目標(biāo)兩組實驗場景，如表3所示。

圖8為場景1實驗結(jié)果。圖中上方為目標(biāo)車輛 分別位于智能車左后側(cè)、左側(cè)和左前側(cè)的相機(jī)和雷達(dá)圖，雷達(dá)圖中心實心矩形表示智能車；圖中下方為實驗曲線。由圖可見，車輛目標(biāo)估計速度總體平穩(wěn)，數(shù)值在67～74km/h范圍內(nèi)浮動，誤差控制在7%以內(nèi)。值得注意的是，當(dāng)目標(biāo)從左后側(cè)行駛至左前側(cè)時，參考點發(fā)生了改變，但如圖中虛線橢圓中標(biāo)注，目標(biāo)速度仍非常平穩(wěn)，未發(fā)生大的突變。

表2 算法參數(shù)和預(yù)設(shè)值

表3 速度實驗場景設(shè)置

圖8 場景1實驗結(jié)果

圖9為場景2實驗結(jié)果。由圖可見：車輛目標(biāo)估計速度總體平穩(wěn)，數(shù)值在-2～3km/h范圍內(nèi)浮動，基本可認(rèn)為車輛處在靜止?fàn)顟B(tài)；同時由虛線橢圓標(biāo)注處可知，在參考點切換時刻車輛速度估計仍能夠保持平穩(wěn)。

圖9 場景2實驗結(jié)果

由以上兩組實驗可知，結(jié)合動態(tài)參考點模型和濾波算法的速度估計在準(zhǔn)確度和平穩(wěn)性方面均能取得較滿意效果，能夠較好地反映目標(biāo)真實運(yùn)動速度；另外參考點切換時刻速度沒有跳變現(xiàn)象，這說明式(7)和式(8)中沖擊函數(shù)項起到關(guān)鍵作用。

4.2 航向角分析

航向角實驗場景設(shè)置見表4。

表4 航向角實驗場景

圖10 目標(biāo)車輛換道切入場景航向角實驗結(jié)果

圖10為實驗結(jié)果。由圖可見：在目標(biāo)車輛切入過程中，航向角絕對值從0開始逐漸增大(實驗中右轉(zhuǎn)航向角為負(fù)，左轉(zhuǎn)為正)；當(dāng)目標(biāo)逐漸進(jìn)入智能車所在車道時，航向角開始變小；當(dāng)目標(biāo)車輛完全進(jìn)入目標(biāo)車道并直行時，其航向角又回歸為0，整個過程的航向角變化同實際情況基本相符。在目標(biāo)處于切入的各個階段中，其點云形狀雖然發(fā)生較大變化，但基于本研究提出的分塊聚類、主成分?jǐn)M合的方法依然能夠得出較理想的結(jié)果。同時整個切入過程的航向角比較平滑，證明濾波算法能夠有效地去除識別噪聲干擾。

4.3 幾何形狀分析

幾何形狀實驗場景采用表3中1號場景，即目標(biāo)車輛從智能車左后側(cè)逐漸行駛至左前側(cè)。

圖11為實驗結(jié)果曲線。由圖可見：當(dāng)目標(biāo)處于側(cè)后方時，由于受自遮擋影響，其長寬尚不能反映目標(biāo)真實情況，隨著目標(biāo)逐漸靠近智能車，遮擋影響變小，其長寬也逐漸增加；當(dāng)?shù)竭_(dá)第25幀左右，寬度值基本達(dá)到最理性觀測值，到達(dá)50幀左右，長度也達(dá)到最理想觀測值；當(dāng)車輛繼續(xù)向前時，由于自遮擋現(xiàn)象再次出現(xiàn)，長寬觀測值將變小，但由于算法的保優(yōu)機(jī)制，避免了車輛形狀由大變小的邏輯錯誤，長寬值將保持不變。值得注意的是，車輛寬度開始保持不變點(25幀)早于長度保持不變點(50幀)出現(xiàn)，這是由于當(dāng)目標(biāo)位于自遮擋區(qū)(圖2中A1區(qū))時便能夠獲取較精確的寬度，而繼續(xù)前進(jìn)至半遮擋區(qū)(圖2中A12區(qū))才能獲取較精確的長度，這也從另一方面驗證了計算結(jié)果的合理性。

圖11 目標(biāo)車輛換道切入的幾何形狀實驗結(jié)果

5 結(jié)論

本文中主要對基于三維激光雷達(dá)的車輛目標(biāo)參數(shù)進(jìn)行研究。在參數(shù)計算中，提出動態(tài)參考點模型來計算目標(biāo)速度，以消除中心參考點方法受點云分布復(fù)雜性影響；對于目標(biāo)航向角，提出一種先分塊聚類，后主成分?jǐn)M合的方法來提高精度；采用線性卡爾曼濾波器對目標(biāo)位置、速度和航向角進(jìn)行優(yōu)化。針 對目標(biāo)幾何形狀難以精確計算的問題，提出幾何形狀變化速率模型并應(yīng)用至濾波中。分別就車輛目標(biāo)速度、航向角和幾何形狀進(jìn)行實驗分析，結(jié)果表明：運(yùn)動目標(biāo)速度估計誤差控制在7%范圍內(nèi)，靜態(tài)目標(biāo)速度估計接近于0；目標(biāo)換道切入整個過程的航向角變化同實際情況基本相符，同時整個過程的航向角比較平滑；目標(biāo)幾何形狀參數(shù)能夠逐步逼近于真實值，保優(yōu)機(jī)制能夠保證獲得穩(wěn)定形狀參數(shù)。

本研究尚未考慮目標(biāo)間相互遮擋場景，此時目標(biāo)點云分布將更加復(fù)雜，從而導(dǎo)致參考角點將難以獲取，幾何形狀變化無規(guī)律等問題。下一步將重點對此問題進(jìn)行研究、完善。

[1] FERGUSON D, DARMS M, URMSON C, et al. Detection, prediction, and avoidance of dynamic obstacles in urban environments[C]. Intelligent Vehicles Symposium,2008 IEEE. IEEE,2008:1149-1154.

[2] PETROVSKAYA A, THRUN S. Model based vehicle detection and tracking for autonomous urban driving[J]. Autonomous Robots,2009,26(2-3):123-139.

[3] 楊飛,朱株,龔小謹(jǐn),等.基于三維激光雷達(dá)的動態(tài)障礙實時檢測與跟蹤[J].浙江大學(xué)學(xué)報(工學(xué)版),2012,46(9).

[4] HIMMELSBACH M. LIDAR-based 3D object perception[C]. Proceedings of 1st International Workshop on Cognition for Technical Systems,2008: Munich.

[5] HIMMELSBACH M, WUENSCHE H. Tracking and classification of arbitrary objects with bottom-up/top-down detection[C]. Intelligent Vehicles Symposium (IV),2012 IEEE.

[6] 諶彤童.三維激光雷達(dá)在自主車環(huán)境感知中的應(yīng)用研究[D].長沙:國防科技大學(xué),2011.

[7] LI X R, BAR-SHALOM Y. Tracking in clutter with nearest neighbor filters: analysis and performance[J]. Aerospace and Electronic Systems, IEEE Transactions on,1996,32(3):995-1010.

[8] BLACKRNAN S, HOUSE A. Design and analysis of modern tracking systems[M]. Boston, MA: Artech House,1999.

[9] BAR-SHALOM Y, DAUM F, et al. The probabilistic data association filter[J]. Control Systems, IEEE,2009,29(6):82-100.

[10] BLACKMAN S S. Multiple hypothesis tracking for multiple target tracking[J]. Aerospace and Electronic Systems Magazine, IEEE,2004,19(1):5-18.

[11] 王肖,王建強(qiáng),李克強(qiáng),等.智能車輛3-D點云快速分割方法[J].清華大學(xué)學(xué)報(自然科學(xué)版),2014,54(11).

Parameter Identification of Intelligent Vehicle Target Based on 3D Laser Radar

Wang Xiao1,2, Li Keqiang1, Wang Jianqiang1& Xu Youchun2

1.TsinghuaUniversity,StateKeyLaboratoryofAutomotiveSafetyandEnergy,Beijing100084;2.AutomobileEngineeringDepartment，MilitaryTransportationUniversity,Tianjin300161

The parameters of vehicle targets surrounding intelligent vehicle, including the position and pose, movement velocity and geometric shape are important for the path planning and decision making algorithms of intelligent vehicle. With 3D laser radar chosen as sensor, the position, azimuth angle, velocity and geometric shape of vehicle targets are calculated and filtered. In view of that the point cloud of vehicle targets is affected by the position of observation point and self-occlusion, a dynamic reference point model is proposed for calculating target velocity. A scheme of block clustering first then principal component fitting is adopted for increasing the accuracy of azimuth angle, and a filtering algorithm based on the changing rate of geometric shape is proposed to tackle the problem that geometric shape is complex, changeable and difficult to measure. Finally experimental analyse are conducted on the speed, azimuth angle and geometric shape of vehicle targets repsectively with a result verifying that with the parameters calculated by the method proposed, the higher accuracy can be achieved and the requirements of environmental perception for intelligent vehicle can be met.

intelligent vehicle; 3D laser radar; parameter identification; dynamic reference point; changing rate of geometric shape

*國家自然科學(xué)基金(51175290)資助。

原稿收到日期為2015年7月20日，修改稿收到日期為2015年8月28日。