面向自動駕駛碾壓作業車的障礙物檢測研究

鄒 斌，余升林，王科未

(1.武漢理工大學 現代汽車零部件技術湖北省重點實驗室,湖北 武漢 430070;2.武漢理工大學 汽車零部件技術湖北省協同創新中心,湖北 武漢 430070)

隨著自動駕駛技術的迅猛發展，碾壓作業車自動駕駛正成為當下研究的熱點。與結構化的城市道路不同，碾壓作業車的施工環境復雜，地面起伏，存在正障礙物(如行人與作業車輛)、負障礙物(如深坑)與坡道等障礙物。為實現碾壓作業車自動駕駛過程中主動避開障礙物，需要對碾壓作業面中各類障礙物進行準確的檢測。

國內外諸多學者對障礙物檢測進行了研究，主要是基于攝像頭[1]和激光雷達[2]的方法。通過攝像頭采集道路圖像并分析道路圖像的各項特征，檢測出障礙物。Jia等[3]根據兩連續幀之間運動特征差異，采用兩連續幀(two consecutive frames,TCF)模型有效區分出障礙物與道路陰影及道路標志。Levi等[4]利用卷積神經網絡對圖像進行障礙物檢測，該方法對結構化的道路環境檢測效果較好，但對于復雜道路環境檢測表現較差。攝像頭采集圖像信息，受光線影響較大。相比于攝像頭而言，激光雷達不受光照條件影響，能實時檢測車輛周圍環境，對障礙物的檢測更精確及可靠，因而激光雷達廣泛用于障礙物檢測[5]。于春和等[6]利用四線激光雷達進行非結構化道路的障礙物檢測，先對激光雷達干擾數據進行濾波處理，后進行候選障礙點的提取及聚類分割等操作，試驗結果表明，激光雷達能對一定坡度道路的障礙物進行有效檢測。Morton等[7]采用激光雷達采集障礙物信息，分析障礙物的HLD(height length density)特征信息，通過預先訓練好的分類器將凸凹障礙物進行有效分類，檢測出障礙物。劉家銀等[8]對非結構化環境下負障礙物檢測問題，提出基于多激光雷達與組合特征的方法，對64線及32線激光雷達采集到的障礙物特征點信息，先采用貝葉斯法則進行融合，后采用DBSCAN(density based spatial clustering of applications with noise)進行聚類與過濾，最后進行柵格化檢測出負障礙物。

綜上所述，對非結構化環境下的障礙物檢測，激光雷達優于攝像頭，且當下鮮少有學者采用三維激光雷達面向自動駕駛碾壓作業車進行障礙物檢測研究。因此，為解決碾壓作業面的障礙物檢測問題，對某型號碾壓作業車進行智能化改造，構建車輛障礙物檢測平臺。針對非結構化的碾壓作業面環境，深入分析施工作業面障礙物的實際特點，采用D-S證據理論融合相對高度差、單線徑向距離跳變、局部區域雙梯度閾值等方法，對正障礙物、負障礙物和坡道進行檢測。采用D-S證據融合檢測方法，避免單一檢測方法存在的弊端，有效提高碾壓作業面障礙物檢測的準確性。

1 車載激光雷達安裝及標定

1.1 車載激光雷達安裝

筆者采用Velodyne公司的VLP-16三維激光雷達。由于碾壓作業車車身高度相對較高，且VLP-16激光雷達線束較少，若采用單激光雷達且水平安裝于車頂，存在點云數據分布較稀疏，出現較大檢測盲區。因此，為最大程度感知車輛周圍環境，采用雙激光雷達方案，將兩激光雷達分別向下傾斜30°安裝在車頂正前方與正后方(以車輛行進方向為前方)的固定支座上。

碾壓作業車一般來回對施工面進行碾壓作業，此工作特點決定了雙激光雷達的安裝方式與檢測功能是相同的，為避免重復討論，下面僅闡述車輛正前方的激光雷達。正前方激光雷達傾斜安裝如圖1所示。

圖1 三維激光雷達安裝

1.2 車載激光雷達標定

激光雷達的內參數一般在雷達出廠時已標定完成，故不用重復標定。對于外參數標定，主要獲取激光雷達相對車輛的位置轉換關系，即平移矩陣和旋轉矩陣。激光雷達坐標系XLYLZL與車輛坐標系XVYVZV在三維空間中的幾何位置關系如圖2所示，ΔZ為兩坐標系沿Z軸方向的縱向高度差，俯仰角β、側傾角α、橫擺角γ分別為兩坐標系沿XL、YL、ZL軸方向的旋轉角度偏差。

圖2 車輛及激光雷達坐標系

激光雷達坐標系與車輛坐標系的橫向和縱向平移量可通過現場直接測量得到，而激光雷達與地面的高度ΔZ、俯仰角β、側傾角α的測量，采用傳統方法會存在測量誤差，且費時費力，筆者參考文獻[9]所提出的標定算法，通過程序自動計算得出。但對于橫擺角γ的測量，文獻提出的標定方法，不適用于碾壓作業面環境。因此，采用在車輛XV軸前方已知位置處放置標定物，經人工標定自動計算出橫擺角γ。

1.3 雷達點云數據預處理

在獲取激光雷達點云數據后，需要對雷達原始點云數據進行預處理。根據碾壓作業車實際作業情況和規劃路徑的檢測任務需求，選取感興趣區域位于碾壓作業車正前方，XV軸方向為0～30 m處，YV軸為-10～10 m。

在碾壓作業車坐標系下構建柵格地圖大小為長L為29.9 m、寬W為20 m(XV軸為0～29.9 m，YV軸為-10～10 m)。設置柵格單元在長度與寬度方向上的分辨率為0.1 m，將柵格地圖劃分成300×201個小柵格，其中每個小柵格為正方形。

2 碾壓作業面障礙物檢測

2.1 相對高度差柵格地圖

碾壓作業車的工作路面較為粗糙，且路面起伏較大，與一般將柵格內激光點云距地高度Hcloud作為柵格屬性判斷的方法相比，相對高度差方法能適應碾壓作業車工作時有較大和較頻繁的俯仰和側傾，且可以對地面正常起伏進行有效區分，故能減少障礙誤判率，對施工環境下正障礙的檢測具有高精度、高適應性的效果。統計每個柵格中的激光點云距地高度值，將柵格中激光點云距地高度最大值與距地高度最小值之間的差值作為該柵格相對高度差ΔZ，當此柵格相對高度差值ΔZ大于設定閾值ΔZthr時，則表明此處存在明顯的高度變化，則將此柵格標記為障礙物柵格[10]。

2.2 單線距離跳變柵格地圖

針對圖3(a)中負障礙物(深土坑)場景，隨著檢測距離增大，激光雷達檢測到障礙物的有效高度差將變小，由于施工環境復雜，地面起伏較大，且碾壓作業車自身震動及偏航等因素會造成高度差計算錯誤，相對高度差方法不適用于負障礙物檢測。

圖3(b)為土坑激光雷達點云數據掃描圖，由于土坑顯著低于地面，激光雷達將直接掃描到土坑的后沿壁。對于后沿壁上的激光點，其距離返回值相較于前方相鄰的激光點顯著增加，即在土坑的后沿壁上出現一個階躍，如圖3(b)圓圈所示。

若車輛處于理想情況下的水平地面，對單線激光掃描束而言，其返回的相鄰激光點云之間是連續且不中斷。當單激光束掃到障礙物時，其返回的點云的距離值會發生跳變，障礙物的寬度越寬，則激光掃描束的跳變越明顯。激光雷達點云經坐標轉換及預處理后，對單激光掃描束中的每個掃描點，分別計算其與上一個掃描點的距離變化差值Δr：

(1)

式中：f為經試驗所得的距離系數；(xi，yi，zi)為該計算掃描點的屬性值；(xi-1，yi-1，zi-1)為該計算掃描點上一個掃描點的屬性值。

若距離差值Δr大于設定閾值ΔRthr，表明此處掃描點距離存在跳變，則判定此處存在障礙物，將點云數據距離r較小的掃描點標記為障礙物。依此規則，分別對16根激光線束進行處理，將標記的障礙物數據點投射到柵格地圖中，得到負障礙物柵格地圖如圖3(d)所示，從圖3(d)可看出，采用單線激光束徑向距離跳變的方法，有效檢測出土坑負障礙物，如圖中箭頭所示。作為對比，圖3(c)為采用相對高度差方法得到的障礙物柵格地圖，從圖3(c)可看出，該方法僅檢測出具有一定高度的土堆，未能有效檢測出負障礙物。

圖3 障礙物檢測結果圖

2.3 局部雙梯度閾值柵格地圖

對于正障礙物和負障礙物，采用上述兩檢測方法均可以有效檢測出，但在實際碾壓工作環境中，對于如圖4(a)中的坡道，上述各檢測方法均不能有效檢測。其原因在于：在離車距離較近區域內的坡道，其不存在明顯相對高度差，因此較近區域內的坡道不會被檢測出，而離車距離較遠處的坡道，由于激光雷達掃描點在遠處較為稀疏，相對高度差方法所采用的計算柵格尺寸太小，導致較遠處坡道柵格內可能沒有激光雷達掃描點。當坡道所處位置的高度值超過給定絕對高度閾值時，此處坡道被檢測到，而離車距離較近區域內的坡道，其高度值不明顯，較近區域內的坡道不會被檢測到，絕對高度方法檢測效果如圖4(b)所示。針對離車距離較近區域的坡道，由于其變化幅度不大，單線徑向跳變檢測方法同樣檢測不出坡道。

對如圖4(a)坡道的檢測，筆者提出了一種局部雙梯度閾值方法。考慮到16線激光雷達掃描點較為稀疏，且激光雷達點云預處理所選用的柵格尺寸太小，導致部分柵格內不存在激光點云。因此，針對激光雷達點云中某一掃描點A，以A為中心構建一定長度Llength的局部區域，分析計算該局部區域的雙梯度屬性。根據式(2)和式(3)計算該局部區域的雙梯度值，掃描點A處的梯度值KA和局部區域的梯度值Klocal。

(2)

(3)

式中：ZA為掃描點的高度值；Zmax、Zmin分別為局部區域內點云距地高度最大值與最小值。

根據碾壓作業面的實際環境，分別定義KthrA為掃描點A處的梯度閾值，Kthr為該局部區域的梯度閾值，兩梯度閾值可通過坡道坡度計算得出。若滿足以下條件時：Klocal>Kthr且Kthr>KthrA，則判斷掃描點A處屬于障礙物。通過對激光雷達所有掃描點進行局部雙梯度閾值方法處理，得到障礙物柵格地圖，局部雙梯度閾值檢測效果如圖4(c)所示，從障礙物柵格圖中可看出，柵格內雙梯度閾值方法有效檢測出坡道障礙物。

圖4 坡道場景檢測結果圖

3 D-S證據理論數據融合

3.1 D-S證據理論

D-S證據理論由Dempster提出，并由其學生Shafer進一步發展起來的一種可以處理不確定性推理問題的數學方法[11]。D-S理論通過合成規則將來自兩個或多個證據信息融合為一個最終的決策依據。筆者采用D-S組合規則對相對高度差、單線徑向距離跳變、局部雙梯度閾值等方法檢測出的結果進行數據融合，并做出最終決策，得到全面的施工環境障礙物柵格地圖。

障礙物狀態判斷的識別框架可定義為Θ={E,O}，其中E表示不存在障礙物(empty)，O表示存在障礙物(obstacles)。

若m(S)為識別框架Θ上的基本概率分配函數BPA(basic probability assignment)，則m(S)表示證據信息對命題S的支持程度。分別定義m1，m2，…，mn為同一識別框架Θ上對不同證據依照某規則所建立的基本概率分配函數，若不同證據對命題的支持相互獨立，可運用D-S證據合成公式對其組合得到新的融合結果，基本概率分配函數m，D-S證據合成公式如(4)所示。

(4)

式中：φ為空集。

3.2 基于D-S判決融合的障礙物檢測

采用上述3種檢測方法得到的柵格地圖，彼此之間相互獨立，利用D-S證據理論融合不同檢測方法得到結果，采用D-S判決規則對融合結果進行決策，得出最終作業面障礙物柵格地圖。

在作業面障礙物的檢測過程中，由于上述3種檢測方法得到的柵格地圖均為0-1柵格地圖，而若采用D-S證據理論進行融合，要求輸入的柵格屬性是概率值。因此，為了構造證據信息的基本概率分配值BPA，采用以下函數對各檢測方法對柵格屬性進行概率輸出。公式如式(5)所示。

(5)

式中：B(l,w)為在車輛坐標系下l行w列處的柵格屬性值；Athr為針對各檢測方法所設置的相應閾值；C0為歸一化參數值。

基于D-S證據的多檢測方法信息融合框架如圖5所示。

圖5 多檢測方法信息融合

為驗證D-S證據融合效果，選取碾壓作業面場景如圖6所示，該碾壓作業面包含土堆(正障礙物)、土坑(負障礙物)及坡道等道路場景。分別采用式(5)對各檢測方法處理后的柵格屬性進行概率輸出，圖7分別為相應檢測方法的概率輸出結果圖，通過柵格中顏色的深淺來表征該柵格屬于障礙物的程度，柵格的顏色越深，表明此柵格屬于障礙物的概率越大；柵格的顏色越淺，表明此柵格屬于障礙物的概率越小。

圖6 復雜環境作業面場景

圖7(a)為相對高度差方法概率輸出結果圖，在土堆的中心處，土堆高度差變化明顯，經相對高度差方法檢測后，其為障礙物的可能性最大，顯示黑色較多。圖7(b)為單線徑向距離跳變方法概率輸出結果圖，在土坑處，存在激光線束距離的巨大跳變，經單線距離跳變方法檢測后，此處為障礙物可能性較大，顯示較多黑色；在坡道的頂端，由于在坡道上端與高平面之間存在距離跳變，此處被檢測為障礙物，在坡道頂端顯示黑色障礙物；在土堆處，由于激光線束掃描到土堆，也存在部分距離跳變，此處也顯示部分黑色障礙物。圖7(c)為局部雙梯度閾值概率輸出結果圖，圖7(c)中顯示出坡道障礙物形狀；在土堆處，土堆也存在一定的坡面，因此在土堆處也顯示出障礙物。

將上述3檢測方法得到的每個柵格基本概率分配值帶入式(4)中，計算得出3個證據聯合作用下的每個柵格最終合成的融合結果。針對D-S證據融合結果，通過特定的判決規則對最終概率值進行最后決策，判決規則如下：若m(o)≥m(e)時，即該柵格融合概率值較大時，則判決該柵格屬于障礙物，若m(o)

圖7 復雜作業面障礙物檢測結果對比圖

4 結論

采用D-S證據理論融合多檢測方法實現施工作業面的障礙物檢測，有效避免單一檢測方法存在的檢測不全面問題。針對碾壓作業車施工作業面環境，分別采用相對高度差、單線徑向距離跳變、局部區域雙梯度閾值等檢測方法進行障礙物檢測，獲得障礙物柵格地圖，然后將不同檢測方法獲得的柵格地圖作為獨立證據分別進行概率輸出，再利用D-S證據理論去融合不同證據信息，最后采用D-S判決規則對融合結果進行決策，獲得全面的碾壓作業面障礙物柵格地圖。融合檢測方法有效實現碾壓作業面的障礙物檢測，滿足實際工程應用的需求。