級聯式非結構化道路負障礙物檢測*

朱建新, 唐升平, 辛 濤, 吳 鈧

(1.中南大學 高性能復雜制造國家重點試驗室，湖南 長沙 410083;2.山河智能裝備股份有限公司國家級企業技術中心，湖南 長沙 410100;3.中國人民解放軍32181部隊,陜西 西安 710032)

0 引 言

地面無人車輛(unmanned ground vehicle,UGV)是具有自主執行運輸任務的平臺，而環境識別是自主執行運輸任務的重要前提；在非結構道路環境識別研究中，地形分類、路徑規劃及和道路分類已經受到廣泛的關注[1]；障礙物檢測與識別是可行區域檢測及環境重建的基礎，在非結構化道路自主行駛中最危險的場景之一就是負障礙物[2]，探測負障礙物也是感知中最困難的問題之一[3]。

早期負障礙物檢測大多基于相機，2001年,Witus G等人提出基于相機[4]的負障礙物檢測方法，依靠太陽光投射在負障礙物上存在陰影和非陰影的特點來感知負障礙的方法，陰影增強了立體視覺感知能力。2003年,Matthies L與Rankin A等人發現夜晚時負障礙物底部溫度比周圍高，提出基于熱紅外相機[5]障礙物檢測方法，將顯著的強度區域標記為潛在的負障礙物區域，然后通過核對多幀圖像數據來確認負障礙物，但此法很容易受到天氣變化的影響。

由于激光雷達不會受到光照強弱影響，且測距精度高，國防科技大學Shang E等人在文獻[6,7]中,提出了一種新的使用雙HDL—32 LiDAR的安裝方法，有利于大幅縮小激光雷達檢測盲區，提高地面無人車輛前方點云密度；南京理工大學劉家銀等人[8]設計了一種具有互補能力的多激光雷達安裝方式，采用貝葉斯融合多特征。

本文提出的負障礙物檢測方法包括基于角度特征的廣度優先搜索和負障礙物評價兩個過程，這兩個過程形成了級聯式負障礙物檢測系統；基于角度特征的廣度優先搜索可快速獲得潛在負障礙物；結合激光雷達垂直水平角度分辨率差異、負障礙物處局部點云缺失、負障礙物后沿壁點云密集、環間距與高度特征之間的關系等幾何特征來最終確定負障礙物。

1 總體框架

本文提出的檢測方法的總體框架如圖1所示。

圖1 總體框架

2 負障礙物檢測原理

2.1 激光雷達配置

1)激光雷達參數

算法使用禾賽科技Pandar 64線機械式激光雷達來獲取點云數據，下面對該雷達的技術參數進行簡單的介紹。探測距離為0.3～200 m，水平視場角為360°，水平角分辨率為0.2°(10 Hz)，垂直視場角為40°(-25°～15°)，最小垂直角分辨為0.167°(-6°～+2°)[9]。

2)激光雷達配置對負障礙物檢測影響

至少有一束激光射入負障礙物內時，負障礙物才可能被檢測到；假設激光雷達發射中心高度為H，第i束激光在水平面形成的環半徑為ri，相鄰環半徑差為Δr，第i束激光的俯仰角為φ，則有

(1)

由式(1)可知，在距離車體指定距離L處，可檢測的負障礙物的最小寬度wmin與安裝高度H及垂直角Δφ分辨率有關，如圖2所示，理論上在區間[5,40]m內可檢測到2 m的負障礙物。

圖2 最小檢測寬度與距離的關系

2.2 基于激光雷達負障礙物檢測原理

2.2.1 激光雷達掃描模型

激光雷達傳感器數據格式為pi=(di,φi,θi)T，俯仰角φ和偏航角θ確定了激光束間的相互位置關系，如圖3所示，也即

θ0i=θ1i=θ2i=θ3i,φi0=φi1=φi2=φi3,i=0,1,2,3

(2)

由于點云集合具有無序性，單幀點云有18萬個點，極大增加了數據處理復雜度。為充分利用激光束之間的相互位置關系，采用文獻[10]采取的方法，把64線雷達傳感器原始數據從雷達坐標系映射到的矩陣數據結構中，并統計元素處的點，記元素處的點集合為，具體如下

?pk=(dk,φk,θk)T∈P→mij

Sij+=pk，θstep=360°/cols

(3)

并以Sij中d值最大點作為元素mij處的代表點pr。

2.2.2 點云預處理

基于M(64×cols)數據結構，結合負障礙物的幾何特征可快速定位潛在的負障礙物，算法基于負障礙物的必要條件初步篩選潛在負障礙物；在負障礙物處可發現如下必要條件：取出M(64×cols)數據結構中每一列中的代表點，依次連線得線段pi,cpi+1,c，計算連線pi,cpi+1,c與水平方向的夾角得αi，在負障礙物處一系列相鄰點的角度α會比周邊更大，最大值近90°；如圖3所示，M(64×cols)數據結構中連續相鄰的4束激光束形成的點云示意圖，連線得線段pi,cpi+1,c，pi+1,cpi+2，c，pi+2,cpi+3，c，計算角度分別得αi，αi+1，αi+2，其中角度最大值接近90°。

為方便后續描述，定義角度矩陣為

Mα=[αij]∈R63×cols

αij=arctan(Δzi,i+1/Δri,i+1)

(4)

其中

Δzi,i+1=|zi-zi+1|=|disinφi-di+1sinφi+1|

Δri,i+1=|ri-ri+1|=|dicosφi-di+1cosφi+1|

圖3 負障礙物必要條件示意

圖4為包含3個彈坑的角度矩陣子塊，對30幀連續點云的角度矩陣負障礙物處最大值統計得圖5，由圖可知，可通過負障礙物必要條件篩選潛在負障礙物。

圖4 負障礙物處角度統計

圖5 包含3個彈坑的角度

以角度矩陣Mα作為負障礙物檢測算法的輸入數據，避免直接處理無序的3D點云數據；使用廣度優先搜索可快速提取潛在的負障礙物，此時負障礙物使用在Mα中的索引來描述，即使用集合s={(i,j)|0

2.2.3 基于角度的廣度優先搜索[11]

算法中使用廣度優先搜索算法是為了快速獲得負障礙物索引對集合，即圖4框選區域；算法關注重點是地面的負障礙物，地面點往往在M(64×cols)數據結構中行索引更大的位置，所以執行廣度優先搜索算法時從(63,1)開始遍歷。

綜上所述，所設置的遙感因子包括：B1、B2、B3、B4、B5、B7、B5/7、KT1、KT2、KT3、B(5+7-2)/(5+7+2)、B4*5/7、B(4+5-2)/(4+5+2)、B5/4、B3/B(1+2+3+4+5+7)、B4*3/7共16個遙感因子。

由于使用負障礙物必要條件初步檢測，所以檢測后得到的集合Sneg_possible中包含非負障礙物，結合文獻[8]提及的后沿壁數據局部密集性、局部點云缺失及激光雷達水平垂直角分辨率差異對局部點云進一步篩選，可濾除大量非負障礙物。

由于激光雷達水平角分辨率為0.2°(10 Hz)，垂直角分辨率最小為0.167°(-6°～+2°)，假設負障礙物為彈坑類型，即在半徑方向和圓周方向尺寸幾乎相等，則由圖2可知在任意距離處可檢測的負障礙物寬度w≥0.624 9 m，對于直徑為d的負障礙物至多有d/0.624 9環激光束落入負障物內，即Mα數據結構中至多有rows=d/0.624 9行相鄰數據是代表負障礙物；而在周向至多有

(5)

束激光落入負障礙物內，算法中取cols=900，即在數據結構中指至多有cols=143.239 4d/D列相鄰數據代表負障礙物，針對40 m范圍內的負障礙物，綜上可知cols/rows=89.510 3/D>2;圖6為負障礙物在M(64×cols)數據結構圖，灰色點表示在負障礙內，黑色點表示在負障礙物外，其中rows=3,cols=14。

文獻[8]中提及到負障礙物后沿壁數據局部密集特征，即激光雷達掃描到負障礙物后壁前方區域的激光束全落在后壁上，造成點云密度較大，如圖6所示。

圖6 障礙物處點云示意

灰色點區域為密集區域；算法采用局部點云柵格密度估計，把局部點云投影在水平面上并柵格化，負障礙物處局部點云缺失也是用柵格統計來表征，具體操作如下:

1)rect區域膨脹

2)柵格化點云密度估計

圖7 負障礙物柵格

由于激光雷達激光束發射方式的特殊性，激光束會在水平面形成圓環，圓環半徑差被稱為環間距Δr，環間距Δr與傳感器安裝高度及激光束俯仰角φi有關，當存在負障礙物時，環間距會變大，然后急劇變小；當環間距變小的同時也會出現局部最小高度值zmin，如圖8所示，Δr′i,Δr′i+1,Δr′i+2為地面環間距，對比可知

(6)

設深度矩陣為D=[dij]64×cols，dij為M(64×cols)中代表值的距離信息。

圖8 負障礙物環間距與高度值關系

設環半徑矩陣為r=cos(φ)×D，高度值矩陣Z=sin(φ)×D，設各環俯仰角構成對角矩陣為

φ=diag[φ,φ2,…,φ64]

(7)

故環間距矩陣為

Δr=r(1∶rows-1)-r(2∶rows)∈R63×cols

(8)

由于非結構道路地面起伏更大，負障礙物處地面高度與車體處地面高度存在差異，在計算Δr′i時，取集合Sneg_possible中潛在負障礙物點云zmax作為負障礙物處地面高度，環間距公式計算如下

(9)

由于非結構化道路處理時存在不確定性，無法保證任何角度處都滿足式(6)負障礙物評價規則，故按如下計算置信度：

1)提取局部環間距最大值索引

在集合Sneg_possible中獲取潛在負障礙物矩形區域rect′，并在環間距矩陣Δr與高度值矩陣Z獲取對應局部環間距矩陣Δrlocal與局部高度值矩陣Zlocal，按式(9)計算最大環間距的索引。

2)統計滿足負障礙物的列

以最大值索引為起始遍歷點，判斷該列是否滿足式(6)，記c為滿足式(6)的列數，計算置信度

P(rect′)=c/clos(Δr′local)

(10)

當P(rect′)>Pthres即可作為最終負障礙物，其中Pthres的設定與rect區域膨脹有關。

3 實驗與分析

在非結構化道路上進行實驗，非結構化道路類型包括了土路負障礙物場景與草地負障礙物場景，分別標記為U1和U2；激光雷達為禾賽Pandar 64，傳感器垂直安裝高度為2.24 m，有效掃描角度為360°，車體前進方向為X軸，水平向左為Y軸。

實驗1 一組非結構化道路土路負障礙物場景U1，如圖9左圖所示。包含3個圓形負障礙物，其直徑分別為1.8，1.8，2.0 m；方法針對圓形負障礙物，采用最小二乘法擬合圓形邊界；繪制連續幀負障礙物擬合圓如圖10所示，由圖可知，當負障礙物與車體的距離在區間[20.35,37.91]m時，可穩定檢測負障礙物，此時召回率為0.944 1。其中召回率計算公式為

Precall=TP/(TP+TN)

(11)

式中TP為正確檢測到的負障礙數量，TN為未檢測到的負障礙數量。

圖9 非結構化道路場景

圖10 連續幀負障礙物檢測效果

實驗2一組非結構化道路草地負障礙物場景U2，如圖9右圖所示。包括了1個邊長為1.8 m的方形負障礙物；圖11為車體接近負障礙物過程中4幀負障礙物檢測結果，距離區間在[20.35,37.91]m時，能夠檢測到明顯的負障礙物；由于激光雷達近距點云稀疏，車體近處的負障礙物未能被檢測到。

圖11 草地負障礙檢測效果

為進一步提高方法的實時性能，從兩個方面縮短用時；一方面以激光雷達原始距離數據作為算法預處理輸入數據，而不是直接處理三維點云，將數據映射到柱面坐標系；另一方面只檢測車體前方|y|≤6 m區域的數據，或以地面分割處理后的地面點作為輸入數據，這也可以極大地減少非結構化道路負障礙物虛警現象。

4 結 論

1)本文提出了一種新的級聯式負障礙物檢測的方法。利用級聯短路效應，可以在負障礙物提取前期淘汰非負障礙物，提高實時性；

2)負障礙物處角度特征顯著，故基于角度的廣度優先搜索可快速獲得潛在負障礙物，同時完成了負障礙物的聚類工作；

3)對負障礙物建立確定性的描述，結合激光雷達垂直水平角度分辨率差異、局部點云缺失、后沿壁點云密集、環間距與高度特征關系等幾何特征來計算負障礙物置信度；

4)實驗表明,在非結構化道路中，當距離在區間[20.35，37.91]m時，能可靠檢測到負障礙物。