基于時空連續補償的礦山可通行區域識別方法

關鍵詞：露天礦山；無人駕駛礦卡；可通行區域識別；區域連通性濾波；時空連續補償；點云分割

中圖分類號：TD67 文獻標志碼：A

0引言

隨著自動駕駛技術的不斷進步及人們對智能化和自動化需求的日益增長，無人駕駛礦用卡車（礦卡）技術迅速落地使用[1]。與城市結構化道路場景相比，礦山非結構化道路場景具有一定特征，包括激光雷達點云特征稀疏、道路邊界模糊不清及路面平坦度不一致，這些差異給礦山場景自動駕駛技術帶來了很多挑戰。

無人駕駛礦卡的高效運行依賴于對道路可行駛區域的精確提取，這不僅是其感知和規劃能力的核心，也是實現車輛安全運行[2-3]的基礎。三維激光雷達憑借其高精度、廣泛的感知范圍和強大的魯棒性，在點云分割任務中變得尤為重要[4]。而礦山道路場景崎嶇不平，道路邊界不清且路面平坦度不一，使得基于單一平面擬合的傳統可通行區域識別方法效果較差。加之激光雷達高線束化產生的大量數據，對點云分割方法的實時處理能力提出了更高的要求。因此，有必要開發一種能夠準確迅速地從礦山道路環境中分割提取可通行點的方法。

近年來，許多學者對三維激光雷達道路可通行區域識別問題進行了研究。文獻[5-6]提出基于高斯過程的方法，使用非恒定分辨率的地面模型進行處理，提供了連續的概率表面或基于范圍圖像結構構建的地形網格，用于表示地面可通行性。文獻[7-8]提出了基于馬爾可夫隨機場的方法，考慮了傳感器姿態和測量不確定性、測量與地圖關聯及單元內測量融合，通過最大似然估計來估計地形粗糙度參數，進而獲取地面可通行性。以上方法都取得了較好的可通行區域識別效果，但這些方法計算復雜度較高，在礦車上搭載的計算平臺難以實現實時運行。文獻[9]提出了RangeNet++模型，將三維點云投影為二維距離圖像作為網絡的輸入，實現了準確高效的可通行區域識別結果。然而，礦山場景中路面結構不規則，點云語義標簽標注難度大，難以構建足以供網絡訓練的大規模數據集，因此該類方法在此場景下較難應用。文獻[10]將三維點云投影為帶有高程信息的二維柵格地圖，并設定高程閾值來判斷柵格的可通行性。 文獻[11]在文獻[10]的基礎上為每個柵格添加了平均高度及協方差信息，豐富了柵格的可通行性評價指標。然而，礦山場景下道路常常存在坡度，會導致單一平面擬合效果變差，造成可通行區域識別錯誤。文獻[12-13]的多平面擬合方法通過對扇形柵格內的點云擬合直線獲取地面信息，進而實現柵格內的可通行點云提取。但該方法因使用的直線模型較為簡單，分割效果易受崎嶇路面影響。文獻[14]將點云沿X 軸分成3 個部分，并假設斜坡通常沿此軸變化，但這一假設在崎嶇道路或復雜交叉口的情況下可能不成立。為了解決這一問題，文獻[15]引入了一種斜坡魯棒性方法，該方法利用掃描數據中連續的環形模式及沿徑向方向的區域來估計平面的連續性。然而，該方法沒有考慮激光雷達在不同距離及不同入射角條件下的差異。針對該問題，文獻[16]開發了一種基于點云密度或入射角度的自適應方法來設置網格大小，進一步提升了文獻[15]的高程估計精度。文獻[17]提出了一種基于區域的可通行區域識別方法，根據激光雷達的距離，使用近密遠疏的同心區域模型進行地面分割，然而該方法測量噪聲存在一些異常值。在文獻[17]的基礎上，文獻[18]優化了基于反射噪聲原理的異常值移除方法，并增強遺漏點云的恢復。然而，該方法對于崎嶇度多變的場景難以實現魯棒的地面分割。

針對礦山道路場景特點，本文提出了一種基于時空連續補償的礦山可通行區域識別方法。分別利用區域生成方法和基于密度的噪聲應用空間聚類方法，對初始可通行區域進行區域級別連通性濾波及點級別連通性濾波，并根據濾波結果得到符合空間連通性的可通行區域。基于時間區域一致性對不同點云幀中可通行性不一致的不穩定區域進行濾除，根據正態分布變換方法構建柵格地圖，再利用時間穩定權重判斷柵格穩定性，最終通過區域柵格投影實現不穩定區域的濾除。

1方法概述

基于時空連續補償的礦山可通行區域識別方法包括自適應平面擬合、連通性地面濾波、時序地面濾波3 個部分，如圖1 所示。三維激光雷達點云為輸入數據，經過可通行區域識別后得到可通行點云和不可通行點云2 種輸出數據。

1.2連通性地面濾波

初始可通行區域識別結果中存在一些距離車輛較遠的點，盡管滿足了高程、垂直度及平坦度的要求，被分類為可通行點，但是這些點被不可通行點完全包裹住，車輛實際上并不能到達此類可通行點，因此將此類點劃分為不可通行點。連通性地面濾波方法可分為區域濾波及點濾波2 部分。

1.2.1區域濾波

設所有符合垂直度和平坦度閾值的可通行區域組成區域集合Z。對于集合Z中的每一個可通行區域元素，使用區域生長方法獲取區域與車輛之間的連通性。

在初始化階段，任取區域集合Z中的一個可通行區域z_i，查詢當前區域上下左右4 個鄰域的可通行性，將其中可通行的鄰域加入區域集合L中，并繼續迭代遍歷集合L中的元素，在遍歷全部區域元素后，若集合內存在車輛所在區域，則將全部區域標記為連通區域，否則標記為非連通區域。然后，繼續任選區域集合Z中未被連通標記過的可通行區域z_j，并重復初始化操作，直到遍歷區域集合Z中的全部元素。對于不符合連通性要求的所有非連通區域，將該區域更改為不可通行區域，區域中所有點標記為不可通行點。

1.2.2點濾波

在對可通行點進行區域級別濾波后，還需對符合連通性的可通行區域進一步進行點級別的地面濾波操作。

首先，將區域濾波得到的全部連通區域中的點構建為點集C；然后，使用基于密度的噪聲應用空間聚類（Density-Based Spatial Clustering of Applicationwith Noise， DBSCAN）方法[20]遍歷點集中的所有點，劃分出不符合密度要求的離群點。該類點周圍相鄰點密度較小，連通性較低，因此將其歸類為不可通行點，其余中心點仍保存為可通行點。

1.3時序地面濾波

在自適應平面擬合后，被分類為可通行的區域可能是時序不穩定的。在連續幾幀激光點云中（時間小于1 s），理論上一個區域的幾何特征不會發生較大變化，該區域的可通行性也應保持不變。因此，一旦出現在連續幾幀激光點云中方法對于同一個區域的可通行性判斷發生變化，則稱該方法出現了時序不穩定問題。

時序不穩定問題主要與方法的自適應閾值調整有關。為了提高方法對于礦山崎嶇道路的適應性，在設置區域各參數閾值時，會根據區域周圍鄰域的平整條件自適應更新。這種方法雖然實現了單幀點云分割效果對于不同崎嶇程度路面的適應性，但由于車輛運動，導致以車體為中心的區域劃分結果改變，造成同一區域鄰域的粗糙度發生變化，進而在自適應閾值調整后導致閾值更改。因此，對于同一區域不同時間戳的道路可通行區域識別結果出現分歧，從而形成不穩定區域。

為濾除不穩定區域，首先，通過激光里程計Fast?LIO[21]估計相鄰幀間點云的位姿變換關系，并使用正態分布變換方法（Normal Distribution Transform，NDT）[22]構建高程可通行柵格地圖。然后，根據時間衰減公式計算每個柵格的穩定性，并將小于穩定性閾值s_τ的區域分類為不穩定柵格。最后，通過區域柵格投影獲取區域中穩定性柵格所占比例q，將小于比例閾值q_τ的區域視為不穩定區域，即將該區域中的所有點標記為不可通行點。

2測試設置

目前公開數據集中沒有礦山道路場景，因此，本文采用無人駕駛礦卡測試平臺在露天礦山場景下錄制了礦山場景數據集。

2.1測試平臺介紹

用于采集礦山場景數據集的無人駕駛礦卡測試平臺如圖2 所示。礦卡在車輛前方和后方共配置了2 臺Livox?HAP 固態激光雷達，用于車輛感知，并使用Nvidia Orin 作為上位工控機。

2.2測試數據采集與真值標注

礦山鏟裝區域中石塊等障礙物較多，路面較主路更加崎嶇，對礦山可通行區域識別方法更具挑戰性，因此將該場景作為數據集的目標場景。礦山鏟裝區區域如圖3所示。

本文方法的應用場景為礦山鏟裝區，其道路往往缺少清晰邊界且崎嶇不平，自動化真值標注方法的標注質量不佳。因此，根據礦山實際生產經驗，使用點云處理工具CloudCompare 對礦山鏟裝區域點云數據集進行可通行性語義真值標注。標注后的點云如圖4（俯視圖）、圖5（正視圖）所示，其中橙色山體點云和綠色挖機點云為不可通行點云，藍色地面部分代表可通行點云。數據集共標注點云20幀。

3方法測試

本文進行方法測試的計算平臺配置： i7?12700H 處理器、RTX 3060 顯卡及40 GiB 內存，系統環境為Ubuntu 20. 04。

為定量評估對比各方法的分割精度，本文采用精度（Precision）和召回率（Recall）2 個指標進行分析，精度和召回率越高，說明方法的可通行區域識別效果越好。

選取多平面擬合方法Patchwork++[18]和單平面擬合方法RANSAC[23]與本文方法進行對比。為評估各可通行區域識別方法在礦山數據集中的平均表現效果，對所有點云幀的精確率P和召回率R取平均值，并計算點云分割的平均時間，對比結果見表1 。

由表1 可看出，本文方法的精度較Patchwork++方法提升了2.27%，召回率提升了8.26%，方法處理每幀點云的平均耗時為49 ms，滿足場景可通行區域識別的實時性要求。

為驗證本文方法在連通性濾波部分的優化效果，選取數據集中點云感知道路區域存在不連通問題的場景進行驗證，如圖6 所示。從圖6（a）可看出，紫色框區域中點云與當前車輛位置并不連通。 本文方法將紫色框中所有點云均判定為不可通行點，而Patchwork++方法和RANSAC 方法在紫色框中均出現錯檢情況，證明了本文方法在道路不連通區域仍能實現準確的可通行區域識別。

3種方法的時序穩定性對比如圖7 所示。選取圖7 中紫色框區域的點云為主要研究對象。由于時序不穩定問題是因多平面擬合方法的不合理區域劃分導致，基于單平面擬合的RANSAC 方法不會出現時序穩定性問題，因而本測試的主要對比對象為基于多平面擬合的Patchwork++方法。從圖7（a）可看出，紫色框區域在3 幀點云中（即0.3 s 時間內）均為可通行。Patchwork++方法檢測結果在第2 幀中將紫色框中的點云識別為不可通行，即出現了不穩定的檢測效果。本文方法將3 幀點云中紫色框區域點云識別為可通行，實現了穩定的檢測效果，證明了本文方法為時序穩定的多平面擬合方法。

4結論

1） 提出了一種基于時空連續補償的礦山可通行區域識別方法。該方法首先對激光點云進行自適應平面擬合，得到初始可通行區域識別結果；然后基于空間連通性對可通行區域進行區域濾除和點濾除；最后基于時間區域一致性對不穩定的可通行區域進行濾除。

2） 經礦山實地測試，基于時空連續補償的礦山可通行區域識別方法的精確率為93.44%，較現有主流方法提升2.27%；召回率為99.14%，較現有主流方法提升8.26%。

3） 通過連通性測試驗證了基于時空連續補償的礦山可通行區域識別方法對非連通場景的魯棒性。

4） 通過穩定性測試驗證了基于時空連續補償的礦山可通行區域識別方法對平坦度變化劇烈場景的魯棒性。