基于激光雷達的道路環(huán)境障礙物檢測方法?

杜 芳 任明武

（南京理工大學(xué)計算機科學(xué)與工程學(xué)院 南京 210094）

1 引言

近年來，隨著科技發(fā)展，人們對智能交通的關(guān)注度持續(xù)上升，關(guān)于移動機器人、自主導(dǎo)航車以及高級輔助駕駛系統(tǒng)（Advanced Driver Assistant Systems，ADAS）的研究與應(yīng)用日益增多，道路環(huán)境的感知成為其研究的重要組成部分［1］。激光雷達以其較高的測距精度及角度分辨率，在道路環(huán)境感知中發(fā)揮了重要的作用。目前激光雷達在智能交通環(huán)境理解領(lǐng)域的研究主要集中在障礙物檢測、道邊檢測以及可通行區(qū)域信息提取等方面［2］。

根據(jù)文獻［3～4］可知，采用激光雷達檢測障礙物主要根據(jù)障礙物的高度信息進行判定。本文結(jié)合多層激光雷達的特點，使用二維信息，根據(jù)雷達數(shù)據(jù)點在物體表面呈密集分布的特征，提出了一種基于數(shù)據(jù)凹凸性分布的改進多密度DBSCAN算法的快速障礙檢測方法（Convexity and Multi Density-Based Spatial Clustering of Applications with Noise，CM-DBSCAN）以及一種基于幀間慣導(dǎo)信息匹配的動態(tài)障礙物檢測方法，本文方法能夠很好地提取道路環(huán)境中的障礙物信息，實現(xiàn)障礙物檢測。

2 激光雷達

與傳統(tǒng)攝像頭相比，在環(huán)境感知應(yīng)用上，激光雷達受環(huán)境光影響很小且穩(wěn)定性高［5］。本文采用德國生產(chǎn)的IBEO-LUX-2010型號四線激光雷達，它是一種三維多層激光雷達，與單線激光雷達相比，其數(shù)據(jù)量大、檢測精度高、探測范圍廣，可以很好地滿足實際應(yīng)用中的實時性以及有效性的要求［6］。

從實際應(yīng)用角度出發(fā)，為保證激光雷達對前方道路觀察的全面和準確，將四線激光雷達安裝于汽車正前方的中間位置。如圖1所示，車體坐標系以車輛的慣導(dǎo)中心為坐標原點，用Ov表示，激光雷達坐標系以激光雷達的中心為坐標原點，用Ol表示。雷達掃描方式?jīng)Q定了掃描距離ρ和掃描角度唯一確定雷達點P(x ，y，z) 的位置［7］，故本文使用一種基于掃描角度劃分的分層式雷達坐標轉(zhuǎn)換方法。其中，Vres是其垂直掃描精度為固定值0.8°，θv表示各層雷達數(shù)據(jù)點垂直方向的掃描角度，θh表示水平方向的掃描角度，AngleTics為固定值11520，c為常量，根據(jù)雷達屬性確定c值。關(guān)系式為

式（3）中 i=0，1，2，3分別表示對應(yīng)的四層數(shù)據(jù)。由于安裝固定后的雷達與車體的姿態(tài)一致，因此利用車輛的位姿傳感器測量車輛姿態(tài)，由車體運動的航向角，俯仰角和翻滾角得到旋轉(zhuǎn)變換矩陣R［8］。 x′、y′、z′表示從激光雷達坐標系到車體坐標系的偏移。結(jié)合式（1）、式（2），將雷達采集到的數(shù)據(jù)轉(zhuǎn)換到車輛坐標系下，并進行姿態(tài)校正，可以克服道路結(jié)構(gòu)及車體運動導(dǎo)致的數(shù)據(jù)漂移情況。由于本文中的實驗只需二維信息，故將得到的三維點云數(shù)據(jù)投影至二維平面內(nèi)。

圖1 坐標系關(guān)系示意圖

3 基于凹凸性分布的多密度DB?SCAN快速障礙檢測方法

3.1 基于凹凸性分布的數(shù)據(jù)預(yù)處理

本實驗只考慮車前30m內(nèi)的障礙物，故除去距離大于30m的雷達點。對于同一層雷達線，雷達數(shù)據(jù)掃描時的障礙返回點與其他點相比，整個數(shù)據(jù)分布呈凹凸性。根據(jù)DBSCAN原始聚類方法特點可知，縮小核心點的選取范圍是降低時間復(fù)雜度、改進搜索速度的有效途徑之一［9］。因此本實驗根據(jù)數(shù)據(jù)分布的凹凸特性，計算同一掃描角度θh出發(fā)的第i層雷達點相對于其它三層（用 j表示）雷達點的距離表示:

本方法只需知道同一角度掃描的點距雷達的最近距離distmin，對于同一角度出發(fā)的點，只要distmin小于特定閾值則為障礙候選點。得出中所有接近distmin的對應(yīng)點，認為其為初步濾取的障礙點。

3.2 基于多密度雷達數(shù)據(jù)的改進DBSCAN算法

DBSCAN是經(jīng)典的基于密度的聚類算法，密度相連點的最大集合即為簇，該方法將具有足夠高密度的區(qū)域劃分為簇，可發(fā)現(xiàn)任意形狀的聚類［10～11］。DBSCAN需要兩個參數(shù):掃描半徑Eps和最小包含點數(shù)MinPts，這兩個參數(shù)值在大多數(shù)情況下是人為給定的，其中參數(shù)Eps的值在很大程度上影響最終的聚類結(jié)果［12］。因此確定參數(shù)Eps的值是DBSCAN算法獲得較好聚類結(jié)果的關(guān)鍵。

因此，本文基于雷達數(shù)據(jù)特性，在3.1節(jié)數(shù)據(jù)預(yù)處理的基礎(chǔ)上針對參數(shù)敏感且無法適用于多密度數(shù)據(jù)集聚類的缺點［13］，提出了一種快速的基于多密度雷達數(shù)據(jù)的動態(tài)參數(shù)DBSCAN聚類方法CM-DBSCAN。

由于該雷達為分層式對稱掃描，故Eps參數(shù)確定如下:

其中Ce為聚類半徑系數(shù)，θhres為水平方向的掃描角分辨率。完整的基于凹凸性分布的多密度聚類算法流程如下:

1）同一角度掃描出發(fā)的點 pi，i表示為第i層的點，判斷點 pi與其它層的同一角度出發(fā)的點的最小距離，若最小距離小于閾值ε，則認為其是候選點point；

2）設(shè)定MinPts:=4，根據(jù)掃描角度和距離確定Eps的值；

3）判斷輸入點point是否為核心對象；

4）找出核心對象的E鄰域（即Eps范圍）中的所有直接密度可達點；

5）Until所有輸入點都判斷完畢；

6）Repeat；

7）針對所有核心對象的E鄰域內(nèi)所有直接密度可達點找到最大密度相連對象集合，中間涉及到一些密度可達對象的合并；

8）Until所有核心對象的E領(lǐng)域都遍歷完畢。

4 基于慣導(dǎo)信息匹配的動態(tài)障礙物檢測

在無人駕駛車輛行駛過程中，動態(tài)障礙物如車輛、行人帶來的安全隱患非常大［14］。根據(jù)文獻［15］可知，目前研究的障礙物檢測方法大多都是基于單幀數(shù)據(jù)來進行處理的，無法判斷障礙物的狀態(tài)。文獻［16～17］中，Aftatah M、陸興華等解釋了慣性導(dǎo)航系統(tǒng)（簡稱慣導(dǎo)）是一種不依賴于外部信息、以牛頓力學(xué)定律為基礎(chǔ)的自主式導(dǎo)航系統(tǒng)，其通過測量載體在慣性參考系的加速度，將它對時間進行積分，且把它變換到導(dǎo)航坐標系中，就能夠得到在導(dǎo)航坐標系中的速度、偏航角和位置等信息。因此本文根據(jù)車體運動信息，提出了一種基于慣導(dǎo)信息的動態(tài)障礙物檢測方法。該方法在實車試驗中得到了驗證。根據(jù)第3章實驗方法可以得出單幀數(shù)據(jù)中的障礙物檢測結(jié)果，對相鄰幀的檢測結(jié)果進行障礙物匹配，得出匹配結(jié)果。具體的匹配方法如下:

1）計算候選障礙物質(zhì)心的位置:通過雷達數(shù)據(jù)點的距離平均值和角度平均值計算。

2）對檢測出的障礙物結(jié)果進行標號，根據(jù)車體運動信息即車輛的位移矢量可知，若滿足相鄰幀的障礙物位移矢量與車體位移矢量之差η0＜Δd＜η1，且相鄰幀的障礙物點數(shù)之差 Δn＜η2、面積之差Δs＜η3則為動態(tài)障礙物。

5 實驗結(jié)果分析

本文中的實驗平臺是南京理工大學(xué)無人駕駛車平臺。根據(jù)獲得的實驗數(shù)據(jù)，利用上文中所提出的激光雷達數(shù)據(jù)預(yù)處理方法、障礙檢測方法以及動態(tài)障礙檢測方法進行了實驗，且不考慮道路邊沿為障礙。實驗結(jié)果表明在結(jié)構(gòu)化道路環(huán)境中，單幀數(shù)據(jù)中的障礙物以及幀間的動態(tài)障礙物的檢測結(jié)果能夠很好地滿足準確性和實時性要求。

5.1 實驗結(jié)果

本文的實驗場景如圖2所示。表1為算法改進前后的實驗場景中對應(yīng)的連續(xù)20幀數(shù)據(jù)的搜索時間統(tǒng)計表。單幀雷達數(shù)據(jù)的障礙檢測結(jié)果如圖3、圖4所示，其中圖3為DBSCAN算法改進前的檢測結(jié)果，圖4表示改進算法后的檢測結(jié)果，白色矩形表示單幀數(shù)據(jù)障礙物。圖5為基于幀間數(shù)據(jù)的靜態(tài)、動態(tài)障礙物檢測實驗結(jié)果，淺色矩形表示靜態(tài)障礙物，深色矩形表示動態(tài)障礙物。

圖2 實驗場景

圖3 改進前原始DBSCAN算法檢測結(jié)果

圖4 改進后CM-DBSCAN算法檢測結(jié)果

表1 算法改進前后搜索時間（單位：ms）比較

圖5 幀間動態(tài)障礙物檢測結(jié)果

5.2 結(jié)果分析

由5.1實驗結(jié)果可知，基于凹凸性分布的多密度障礙檢測方法以及基于慣導(dǎo)信息匹配的動態(tài)障礙物檢測方法得到了很好的驗證。實驗表明，利用數(shù)據(jù)的凹凸性分布進行數(shù)據(jù)預(yù)處理可以極大地提高后續(xù)聚類算法的搜索速度。由表1可知，改進后的CM-DBSCAN算法的搜索時間相對于改進前縮短了45.23%。障礙檢測準確率方面，根據(jù)圖3、圖4和圖5可以看出基于CM-DBSCAN算法的障礙物檢測數(shù)目更加符合實際場景，且檢出率更高。基于慣導(dǎo)信息匹配檢測算法可成功檢測出場景中的動態(tài)障礙物，多次實驗得出單幀數(shù)據(jù)的障礙物檢測成功率可達92.32%，動態(tài)障礙物檢測成功率為89.79%，由此可知，CM-DBSCAN算法具有較高的檢測準確率。

6 結(jié)語

本文基于四線激光雷達來檢測道路環(huán)境中的障礙物，提出了一種基于數(shù)據(jù)凹凸性分布多密度DBSCAN的快速障礙檢測方法（CM-DBSCAN）。該算法通過雷達數(shù)據(jù)的凹凸性分布得出障礙候選點，縮小搜索范圍，從而加快了搜索速度。本文根據(jù)雷達點的密度分布，提出了一種多密度DBSCAN聚類方法，該算法能夠根據(jù)數(shù)據(jù)特征自適應(yīng)地調(diào)整參數(shù)Eps，解決了原始DBSCAN聚類方法的單一參數(shù)問題以及只能對單一密度區(qū)域進行聚類的問題。另外，本文還提出了一種基于慣導(dǎo)信息的動態(tài)障礙物檢測方法。該方法根據(jù)相鄰幀的障礙物檢測結(jié)果，結(jié)合車體運動信息進行障礙物匹配，得出障礙檢測結(jié)果。根據(jù)得到的障礙檢測和道邊檢測的結(jié)果建立局部地圖，可作為未來的研究方向之一。