基于雙多線激光雷達的低矮道邊檢測?

石庭敏 蔡云飛 閆 明

（南京理工大學計算機科學與技術學院 南京 210094）

基于雙多線激光雷達的低矮道邊檢測?

石庭敏 蔡云飛 閆 明

（南京理工大學計算機科學與技術學院 南京 210094）

低矮道邊檢測是無人駕駛汽車環境感知的重要課題，其感知的效果直接影響著自動駕駛的性能。針對城市低矮道邊檢測問題提出了一種新的基于雙多線激光雷達的道邊檢測與提取方法。方法首先通過梯度一致性特征將原始雷達點云分成路面點與障礙物點兩類；其次，利用柵格地圖對障礙物點進行過濾、聚類處理；然后利用路面點與柵格地圖提取候選路邊點；最后使用改進的RANSAC算法實現道邊的提取。方法已成功運用在無人車上，實驗表明，方法具有良好的檢測效果。

環境感知；激光雷達；點云分割；道邊檢測

1 引言

道邊檢測是無人自主車進行自主導航與行駛的關鍵，是環境感知領域研究的重點內容，準確而穩定的道邊檢測是無人駕駛車安全可靠的重要保障。以往無人車的道邊檢測主要基于視覺與激光雷達兩種檢測方式［1～3］。基于視覺的道邊檢測，對于具有紋理與輪廓信息的道邊具有很好的檢測效果，但是不足之處在于道邊沒有明顯的紋理邊界，或是行人、障礙阻擋的情況下，比較難于檢測。另一類基于激光雷達的道邊檢測則是利用了激光雷達可以獲取深度信息的特性，對于具有一定落差輪廓的道邊可實現有效的檢測。

道邊在不同的環境下有不同的定義，在非結構化環境下，道邊可能是路邊草叢與水泥地面的分界線，對于結構化或半結構化環境，道邊一般指與路面存在一定高度落差的邊緣區域。本文主要研究的是城市環境下的低矮道邊的檢測與提取，對于彎道等不規則道邊可以進行檢測，但是由于不適合進行多次函數擬合所以用當前道邊的切線方向作為道邊的延伸方向。

2 相關工作研究

單線激光雷達由于其數據量小，處理速度快，近年來得到了快速的發展［4］。Yuan等針對單線雷達提出了一種應用于結構化和半結構化環境的路面提取算法。運用了最大熵原理的模糊聚類方法提取路面。通過比較連續幾幀雷達數據，確定正常路面的參考平面，進一步提取出路面上的障礙物［5］；

多線激光雷達是在單線激光雷達基礎上發展起來的，能夠滿足地面機器人快速方便的采集環境信息的需求。李永志，汪洋［6］等通過計算三維激光點云相鄰點之間的相似度，將三維點云轉化為二維相似度圖像，再用圖像處理的方法實現結構化道路的檢測。相似度圖像中主要包含了場景中地面和障礙的信息，可以較好地檢測出地面和道邊。Yu［7］等提出了一種基于非閉合Snakes的序貫路邊濾波模型，主要研究對多個路邊點的擬合和濾波，并取得了很好效果，但其假定路邊具有連續性，這在很多情況下不具有可行性。

3 激光雷達安裝

通常激光雷達采用垂直的安裝方式，基于這樣的安裝方式可以最大程度的利用激光雷達的視野。然而，激光雷達本身存在距離越遠點云越稀疏的特性，而雷達點云密度越稀疏也意味著感知能力較弱。

3.1 32線激光雷達介紹

Velodyne 32線激光雷達（圖1（b））是目前無人駕駛車常用的多線全向激光雷達之一。雷達分為上下兩個部分，上半部分是激光測距單元，由一組激光發射器與接收器組成，從上至下共有32根掃描線，角度跨度為-30.67°～10.67°，垂直角分辨率為1.33°，32根掃描線構成一個垂直掃描面。下半部分是機械轉臺，順時針轉動，用以實現雷達360°全向數據采集，每旋轉0.16°采集一組掃描面的信息，當轉完一圈即可獲得全向的環境信息，工作周期10Hz。

圖1

3.2 雷達安裝與分析

與大多數激光雷達垂直安裝方式所不同是，本文將兩個激光雷達對稱的水平安裝在無人駕駛車的兩側如圖1（a）中所示。此種安裝方式可大大提高激光雷達在車體前方進方向上的點云密度。兩種安裝方式的比較如圖2所示。

圖2

由圖2（a），在垂直安裝方式下，激光雷達點距有如下關系式：

其中h是雷達架設高度，α是雷達最下方掃描線的掃描角度，▽α為雷達的垂直角分辨率，d表示最下方掃描線到雷達的水平距離，di表示第i根掃描線在地上的水平投影距離。第23至31根掃描線在水平面以上，不予以考慮。

由圖2（b），在水平安裝方式下，有如下關系式：

圖3 點云密度分布示意圖

d與h是雷達安裝參數，h是雷達架設高度，α為起始掃描角，di表示零度掃描線在i時刻在水平面上的投影距離。▽β是雷達的水平角分辨率，i*▽β可由雷達直接獲取。

圖3給出了兩種安裝方式下的點間距變化情況，可以明顯的看出在車體前方不同距離下，垂直安裝方式下的點云密度要遠大于水平安裝方式。水平安裝方式下，點云分布間隔變化小，對于環境的描述更為具體。

4 道邊點檢測與提取

4.1 梯度一致性的雷達點分割

圖4（a）給出了道路的基本模型以及雷達掃描線在道邊的變化示意圖。當路面大致規整的情況下，由于雷達掃描線在路面上大致是一條直線段，即同一掃描角度上的點應離散分布在線段周圍，但是由于道邊與路面存在一定的落差，使得掃描線彎折，如圖中P，Q所在的位置。雷達點分割就是通過檢測P，Q點實現路面點與道邊點的分割。

圖4（b）、4（c）是雙雷達的其中幾個角度上的掃描線分布，圖（b）是在平地上的點云分布，每條掃描線上的點大致落在同一直線上。圖（c）是在道路上的點分布，由于道邊的存在，掃面線彎折，彎折的地方則是有可能的道邊點，點云分布與道路模型中體現的變化一致。

圖4

圖5 是雷達點分割示意圖，對于任一一個雷達點，定義其梯度為與其相鄰點的一階導數，用與其相鄰的兩段線段之間的夾角表示該雷達點的變化程度，顯然雷達點變化越明顯，其相鄰線段之間的夾角越大。

圖5 特征點檢測示意圖

設雷達連續的三個掃描點分別為Pi-1，Pi，Pi+1，線段 Pi-1Pi與 PiPi+1之間的夾角為α，兩條線段的斜率為Ki-1，Ki則

由于α與tan(α)是一一對應的（除直角外），為了方便計算與表示，用tan(α)來表征α。

由于雷達在掃描到障礙物時也會產生類似的突變，所有通過上述特征進行分割得到的點不僅包含道邊點也包含障礙物點以及由于系統誤差所致的噪點。如圖6，圖（a）是真實環境場景，圖（b）是原始雷達點分布，圖（c）是通過上述特征篩選下的點，不僅有道邊點也有噪聲點、障礙物點。

圖6

4.2 候選道邊點提取

道邊點的提取是為了進行后續邊界線的提取。在進行點云分割時本文使用LT（Line trace）算法［8～9］對同一掃描線上的多個雷達點進行分割，取其中最長的線段中間點作為路面種子點，算法的具體步驟如下：

選定合適大小的窗口W，從預處理后激光雷達第一個數據點開始，向后依次選取s個數據點，同時判斷選取的這些初始點是否能構成一條直線。對這s個數據點進行最小二乘直線擬合，得到一條直線，并依次計算這s個點到該擬合直線的距離，判斷是否大于閾值DT。若有任何一點到擬合直線的距離大于DT，說明所選s個數據點不能構成一條直線，窗口右移一位。若s個數據點到擬合直線的距離均小于DT，說明所選s個數據點能構成一條直線，記錄其中第一個數據點為線段開始點，接著依次計算后續激光雷達數據點到該擬合直線的距離是否小于閾值DT，若是，將該點加入所選s個數據點中，并重新擬合直線；若否，則認為成功找到一條直線，記錄該數據點前一個數據點為該直線的結束點。重復以上過程，直到循環結束，找到所有直線。

當確定路面點后，在柵格地圖中從路面點開始向兩端搜索，將找到的第一個有效柵格位置標記為道邊點。道邊點的選取示意圖如圖7，右圖是實際的道邊點提取的結果效果圖，綠色是左道邊點，藍色是又道邊點。

圖7 候選道邊點選取示意圖

5 道路邊界提取

道邊提取是道邊檢測的重要部分，提取后的道邊一方面便于無人車的航跡規劃，另一方面便于道邊進行幀間關聯與跟蹤。RANSAC算法多用于圖像匹配與拼接，它能夠根據一組包含異常數據的樣本數據集中通過多次迭代，計算出數據的數據模型，對噪聲的抑制能力比較強［10～12］。

RANSAC算法的參數選擇很大程度上影響著算法的結果，實際適用中需要根據實際情況確定最小抽樣集S的大小m以及閾值t。本文對RANSAC算法進行改進以期滿足無人駕駛車的要求。

1）優化樣本選取，按照一定的約束條件選取樣本點而不是完全隨機選取。由于城市道邊大多較為規整，高度較為一致，可以先對道邊點按照高度進行歸類，優先選取高度較為一致的道邊點作為樣本。

2）當通過樣本集估算出總體模型后，并不對剩下所有樣本點進行模型檢驗，只取剩下樣本中的部分進行模型檢驗，當樣本達到總體一定比例后則任務模型符合真實結果。

3）對每次迭代的結果進行判斷，設定一定的閾值，當內點達到一定比例則迭代結束，并不一定要完全迭代k次。

6 實驗與分析

本章節針對城市低矮道邊，對上述提出的道邊點檢測算法與道邊擬合算法進行實驗與分析。實驗場景中的道邊高度落差在10cm左右，路寬3m～4m，路面起伏較小，比較平坦。實驗分為三個不同測試場景，包括有障礙物的直道、彎道、以及岔道口。

圖8（a）實驗場景一是校園環境下的一條低矮窄道，道路邊界與路面存在一定落差，路面較為平坦，特殊的是路中間有兩個隔離樁，但是隔離樁導致的錯誤道邊點比較少并沒有對提取的結果產生影響。圖（a）右是用改進的RANSAC算法擬合的道邊結果，其中綠色的表示左道邊候選點，藍色的為右道邊候選點，紅色線為提取出的道邊線。

圖8（b）實驗場景二是一個Y型岔路口，由于車體偏右，左側車道不在雷達視野區域，只有右側車道的道邊點被準確的提取出來了。雖然存在一定的錯誤道邊點，但是對改進的RANSAC算法影響并不大，擬合的道邊符合實際的情況。

圖8 實驗結果對比

圖9 是實驗場景一下連續180幀數據道邊擬合的時間分布，算法運行的時間很大程度上取決于候選道邊點的個數，算法運行的平均時間是17ms。能夠滿足無人車環境感知的實際需求。

7 結語

本文針對城市低矮道邊檢測與提取問題展開研究，通過分析雷達點空間分布提出基于梯度一致性的點云分割方法，該方法將雷達點云分割為路面點與障礙物點。通過柵格地圖對分割后的點云進行簡單的聚類與過濾后通過分割出的路面點與柵格地圖確定候選道邊點。最后通過改進的RANSAC算法實現道邊提取，并在城市環境下對提出的檢測算法進行實驗與分析。通過實驗表明，改進的RANSAC算法具有較好的抗噪性，在存在一定錯誤道邊點的情況下也能夠很好的提取道邊。算法具有較好的實時性能夠滿足無人車的實際需求。

圖9 連續180幀，算法運行時間（ms）分布

［1］Jamal H，Sami-ud-din，Habib H A.Road Boundary Detec?tion in Night Video Sequence：A Novel Technique for Au?tonomous Vehicles［C］//The，International Conference on Microelectronics，2006：264-267.

［2］Oniga F，Nedevschi S，Meinecke M M.Curb Detection Based on a Multi-Frame Persistence Map for Urban Driv?ing Scenarios［C］//International IEEE Conference on Intel?ligent Transportation Systems，2008：67-72.

［3］Zhao G，Yuan J.Curb detection and tracking using 3D-LI?DAR scanner［J］.2012：437-440.

［4］Kodagoda K R S，Wijesoma W S，Balasuriya A P.Road curb and intersection detection using a 2D LMS［C］//Ieeersj International Conference on Intelligent Robots and Systems，2002：19-24.

［5］X.Yuan，C.X.Zhao，and H.F.Zhang，“Road Detection and Corner Extraction Using High Definition Lidar，”Informa?tion Technology Journal，vol.9，pp.1022-1030，2010.

［6］Li Y Z，Wang Y，Liu T.A Method of Road-boundary De?tection Algorithm Using Laser Radar Data［J］.Shipboard electronic countermeasure，2012，35（1）：55-59.

［7］Yu X G，Liu D X，Dai B.Road Edge Detection and Filter?ing Based on Unclosed Snakes and 2D LIDAR Data［J］.Robot，2013，35（4）：425-431.

［8］Borges G A，Aldon M J.Line extraction in 2D range imag?es for mobile robotics［J］.Journal of Intelligent and Robot?ic Systems，2004，40（3）：267-297.

［9］Borges G A，Aldon M J.A split-and-merge segmentation algorithm for line extraction in 2D range images［C］//15th International Conference on Pattern Recognition，2000，1：441-444.

［10］Lin Y，Saripalli S.Road Detection and Tracking from Aerial Desert Imagery［J］.Journal of Intelligent and Ro?botic Systems，2012，65（1-4）：345-360.

［11］Fisher M A，Bolles R C.Random Sample Consensus：A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography［J］.Communica?tions of the Acm，1981，24（6）：726-740.

［12］Schnabel R，Wahl R，Klein R.Efficient RANSAC for Point-Cloud Shape Detection［J］.Computer Graphics Fo?rum，2007，26（2）：214-226.

Curb Detection Based On Double Multi-beam LiDAR

SHI Tingmin CAI YunfeiYAN Ming
（Department of Computer Science and Technology，Nanjing University of Science and Technology，Nanjing 210094）

Curb detection is an important issue in the environment perception of unmanned vehicle，the effects of perception directly affect the performance of automatic driving.A new curb detection algorithm based on double multi-beam LiDAR is pro?posed.By using the gradient consistency characteristics divide LiDAR points into surface points and obstacle points，then grid map is applied to cluster and filter obstacle points，curb points is extracted with the grid map and surface points.Finally，the curb is ex?tracted by using improved RANSAC algorithm.The method has been successfully used in our unmanned ground vehicle，the applica?tion shows the good detection.

environment perception，LiDAR，point segment，curb detection

Class Number TP391

TP391

10.3969/j.issn.1672-9722.2017.12.010

2017年6月8日，

2017年7月29日

國家自然基金青年項目（編號：61305134）；博士點基金項目（編號：20133219120035）資助。

石庭敏，男，碩士研究生，研究方向：環境感知。蔡云飛，男，講師，碩士生導師，博士，研究方向：多機器人協作、環境感知。閆明，男，碩士研究生，研究方向：環境感知。