基于路侧激光雷达的障碍物目标检测方法_杨建华.pdf

北大中文核心期刊国外电子测量技术 D O I:1 0.1 9 6 5 2/j.c n k i.f e m t.2 2 0 4 4 9 1基于路侧激光雷达的障碍物目标检测方法*杨建华 赵 轩 郭全民 方园园 吴萍萍(西安工业大学电子信息工程学院 西安 7 1 0 0 2 1)摘 要:针对现有障碍物检测方法在复杂道路场景下存在地面分割欠精准、计算量大以及不同距离下的目标聚类困难问题,提出了一种基于路侧激光雷达的障碍物检测方法。在地平面分割方面,提出基于圆柱坐标系的改进扇形栅格模型以及最低点代表法优化种子点的选取,采用多地平面模型并通过随机采样一致性算法(R AN S A C)实现地面拟合及分割。在障碍物聚类方面,构建K D T r e e加速聚类过程,提出划分区域及阈值自适应的方式改进欧氏聚类算法。实验结果表明,该方法在4种典型道路场景下对地面点的分割准确率均达到8 6%以上,且针对不同距离下的障碍物目标聚类准确率提升明显。关键词:路侧激光雷达;障碍物检测;地平面分割;目标聚类;栅格模型中图分类号:TN 2 4 9;TN 9 5 8.9 8文献标识码:A国家标准学科分类代码:5 1 0.2 0O b s t a c l e t a r g e t d e t e c t i o n m e t h o d b a s e d o n r o a d s i d e L i D A RY a n g J i a n h u a Z h a o X u a n G u o Q u a n m i n F a n g Y u a n y u a n W u P i n g p i n g(E l e c t r o n i c I n f o r m a t i o n E n g i n e e r i n g,X i a n T e c h n o l o g i c a l U n i v e r s i t y,X i a n 7 1 0 0 2 1,C h i n a)A b s t r a c t:A i m i n g a t t h e p r o b l e m s o f t h e e x i s t i n g o b s t a c l e d e t e c t i o n m e t h o d s i n c o m p l e x r o a d s c e n e s,s u c h a s i n a c c u r a t e g r o u n d s e g m e n t a t i o n,l a r g e a m o u n t o f c a l c u l a t i o n a n d d i f f i c u l t t a r g e t c l u s t e r i n g a t d i f f e r e n t d i s t a n c e s,a r o a d s i d e L i D A R b a s e d o b s t a c l e d e t e c t i o n m e t h o d w a s p r o p o s e d.I n t h e a s p e c t o f g r o u n d p l a n e s e g m e n t a t i o n,t h e i m p r o v e d f a n-s h a p e d g r i d m a p b a s e d o n c y l i n d r i c a l c o o r d i n a t e s y s t e m a n d t h e l o w e s t p o i n t r e p r e s e n t a t i o n m e t h o d a r e p r o p o s e d t o o p t i m i z e t h e s e l e c t i o n o f s e e d p o i n t s.T h e g r o u n d f i t t i n g a n d s e g m e n t a t i o n a r e r e a l i z e d b y u s i n g m u l t i-p l a n e m o d e l a n d r a n d o m s a m p l e c o n s e n s u s a l g o r i t h m(R AN S A C).I n t h e a s p e c t o f o b s t a c l e c l u s t e r i n g,K D T r e e i s c o n s t r u c t e d t o a c c e l e r a t e t h e c l u s t e r i n g p r o c e s s,a n d t h e E u c l i d e a n c l u s t e r i n g a l g o r i t h m i s i m p r o v e d b y d i v i d i n g t h e r e g i o n a n d t h r e s h o l d a d a p t i v e.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e s e g m e n t a t i o n a c c u r a c y o f t h i s m e t h o d f o r g r o u n d p o i n t s i n f o u r t y p i c a l r o a d s c e n e s i s m o r e t h a n 8 6%,a n d t h e c l u s t e r i n g a c c u r a c y o f o b s t a c l e t a r g e t s a t d i f f e r e n t d i s t a n c e s i s s i g n i f i c a n t l y i m p r o v e d.K e y w o r d s:r o a d s i d e L i D A R;o b s t a c l e d e t e c t i o n;g r o u n d p l a n e s e g m e n t a t i o n;t a r g e t c l u s t e r i n g;r a s t e r m o d e l 收稿日期:2 0 2 2-1 1-0 9*基金项目:陕西省重点研发计划项目(2 0 2 2 G Y-1 1 2)资助0 引 言在自动驾驶及智慧交通领域中,障碍物目标检测的准确性直接关系到行车安全以及路况精确感知1。近年来,国内外学者围绕基于机器视觉与毫米波雷达的障碍物检测方法展开了广泛的研究。但视觉传感器容易受到外部环境光的干扰,毫米波雷达针对静止障碍物目标的检测效果较差。三维激光雷达则凭借其感知范围广、抗干扰能力强,且携带有目标的深度信息等特点,对复杂道路环境下的障碍物检测有着先天的优势。通常地,基于激光雷达的障碍物目标检测可分为激光点云预处理,地平面分割以及障碍物聚类3个步骤。由于原始点云中存在大量无关目标的冗余地面点会影响障碍物检测的准确性,需要将其进行分割及滤除。目前针对地平面分割方法的研究主要分为基于几何特征2、基于模型拟合3、基于栅格地图4以及基于深度学习5等方面。汪世财等6通过将点云投影至栅格地图中,采用几何特征设定固定高度阈值的方法实现地面点的滤除,算法简单但容易造成实际地面点云的欠分割。李青云等7采用单一平面模型的方法在原始点云中选取种子点进而拟合地平面,31 国外电子测量技术北大中文核心期刊但该方法针对复杂道路平面时计算量大、分割精度不高。邱佳月等8提出了一种基于先验信息采样一致性拟合及小型障碍物剔除的方法实现对复杂环境地面模型的准确估计及分割,但方法实时性较差。孔维迪等9提出了一种基于单边雅可比变换的点云平面拟合方法,但该方法不适用于复杂道路平面的拟合。P a i g w a r等1 0提出了 一种G n d N e t的深度神经网络架构,通过端对端的方式直接对地平面进行分割,但过于依赖训练集环境导致算法鲁棒性较差。障碍物检测方法主要包括有K-m e a n s聚类算法1 1、D B S C AN聚类算法以及欧氏聚类算法等。其中,K-m e a n s聚类算法需要先验的确定聚类个数,而道路中的实时障碍物数量无从提前得知。李研芳等1 2通过D B S C AN聚类算法对四线激光雷达采集到的点云数据进行聚类,但该方法未能考虑到较远处目标的聚类效果,且算法实时性不高。张浩等1 3采用欧氏聚类算法对目标进行聚类,但该方法存在单一阈值无法准确聚类不同距离下障碍物的问题,不适用于全局障碍物的检测。本文针对复杂道路场景下的地平面分割欠精准以及单一距离阈值难以适应不同距离的障碍物目标聚类问题,提出一种基于路侧激光雷达的障碍物检测方法。利用激光雷达点云数据的三维特征信息,将其投影至依据点云分布特性所改 进 的 扇形 栅 格 模 型中,设 计 最低 点 代 表法(L P R)优化种子点的选取,采用多地平面模型拟合以实现复杂道路地平面的准确分割;根据点云近密远疏的特性划分聚类区域以及自适应阈值,实现不同距离下障碍物目标的准确聚类。1 激光雷达点云降采样经过多线激光雷达回波产生的原始点云数据中存储着大量道路及周边环境信息,如图1所示。原始点云保留的道路信息完整,但在三维条件下冗余点云数据量过大,对目标的快速感知造成干扰。由于障碍物目标检测的实时性要求,需要对原始点云进行降采样处理。图1 道路点云数据示意图传统网格降采样算法将原始点云所处的空间划分为一系列均匀大小的网格,通过从各网格内随机选择一个点来近似体素内的其他点。该方法在降低点云密度的同时能保留障碍物目标的部分结构特征,但针对数据量巨大的道路场景,依据每个网格随机获取数据会损失较多原始点云的局部形状特征。基于此本文采用基于V o x e l G r i d的方法对原始点云进行降采样,计算所有非空网格中的质心Pc e n t e r,可表示为:xc e n t e r=mi=1ximyc e n t e r=mi=1yimzc e n t e r=mi=1zim|(1)式中:m为三维体素中的点云数量。通过计算质心来代替体素中的其他点,以保持原始点云的形状特征。均等体素的边长表示为Rv o x e l,如图2所示。图2 V o x e l G r i d示意图V o x e l G r i d降采样算法对原始点云的处理结果如图3(b)所示。降采样前平均每帧点云的数量为5 6 6 3 8,取均等体素网格的边长Rv o x e l=0.5 m,降采样后每帧点云的数量为8 2 5 1,对比图3(a)与(b)可知,算法大幅降低了冗余点云的数量,并且较好保留了障碍物目标的形状特征;同时算法处理每帧点云数据的的平均耗时为2 0 8.4 3 m s,符合障碍物检测的实时性要求。图3 降采样前后效果对比2 改进的地平面分割方法提出的改进地平面分割方法主要由3个模块组成:1)改进栅格模型;2)种子点集选取;3)多地平面拟合及分割。流程如图4所示。41北大中文核心期刊国外电子测量技术 图4 改进的地平面分割方法流程2.1 三维栅格模型建立 三维栅格模型通过划分空间栅格以保持点云的有序性。但随着距离增大、目标点云稀疏造成栅格空置率升高,使得传统栅格模型效率随之降低。因此,依据点云分布符合累积分布函数描述的特点4,结合扇形盒模型1 4以及极坐标栅格方法,提出一种基于圆柱坐标系的改进扇形栅格模型优化点云配置,如图5所示。图5 基于圆柱坐标系的改进扇形栅格模型将降采样后的点云映射到以激光雷达为