基于64线激光雷达的智能车辆道路障碍物感知算法

摘要

基于64线激光雷达传感器，提出了具有效率和实时的对象检测和分类算法。首先，使用多因素和多层激光雷达点图来分离道路，障碍和悬架物体。然后，采用带动态距离阈值的网格聚类算法对障碍物网格进行聚类。然后结合相邻两帧的运动状态信息对聚类结果进行校正。最后，SVM分类器用于对群集对象位置和姿态特征进行分类障碍。通过实验证明了算法的良好精度和实时性能，可以满足智能车辆的实时要求。

1.介绍

道路目标检测与分类是无人驾驶车辆安全行驶的重要组成部分，特别是在复杂的城市道路上[1］．在众多传感器中，64线激光雷达由于其高分辨率和高精度而受到研究人员和工业开发人员的广泛关注。与视觉和毫米雷达不同，64线激光雷达需要处理的数据量要大得多，在10hz频率下每秒可处理100多万个3D点，对环境感知算法的实时性有严格的要求。

目前主流的点云数据处理方法有两种。一种是直接基于点云处理[2那3.]，另一种基于网格地图[4.-6.］．前者需要对每一个激光点进行处理和分类，非常耗时;后者将三维激光点转移到多个二维网格中，然后对新生成的网格进行分类，大大降低了分类计算成本。传统的网格图构建方法包括平均高度图等几种类型[7.]、最高高度图及最低高度图[8.］．但是，使用单一阈值的方法很难区分不同高度和形状的障碍物[9.那10.］．例如，他们不能区分斜坡、低障碍和路边，他们经常认为悬挂的物体是障碍，如高于车辆高度的树枝。

在激光点聚类中，现有的聚类算法如K-means聚类、密度聚类[11.那12.，分层聚类[13.那14.是O(m)， O(m)²)和O (m²日志米)，它直接与点数相关米．上述聚类算法会增加计算时间，难以满足无人驾驶车辆的实时性要求。

动态环境下的障碍物目标分类对无人驾驶车辆的路径规划和行为预测也非常重要。在 [15.]，将激光雷达获取的点云投影到网格上，通过全局最近邻(GNN)进行聚类，并对每个候选点云计算特征向量，采用基于径向基函数核的支持向量机(SVM)进行分类。在 [16.]，车辆和行人使用高斯混合模型分类器(GMM分类器)进行分类。在 [17.Point云投影到2D网格上，并通过RPN网络提取并对网格图中的包络矩形块的特征进行提取。在 [18.]，支持向量机结合反射强度概率分布、纵向高度等值线分布、位置与姿态相关特征对激光雷达点云特征进行分类。文献[19.]结合点云的基本特征和上下文语义环境，构造点云的原始特征向量和扩展特征向量，利用支持向量机进行目标识别。

本文提出了一种既有效又实时的目标检测与分类算法。该算法利用多特征多层高程图分离道路、障碍物和悬架物体。然后，采用带动态距离阈值的网格聚类算法对障碍物网格进行聚类。然后结合相邻两帧的运动状态信息对聚类结果进行校正。最后，SVM分类器用于对群集对象位置和姿态特征进行分类障碍。

2.网格地图建设

本文采用多特征多层高程图提取激光雷达点云数据。多特征多层高度图是基于多尺度高度图的一种变体，将车辆周围空间划分为三层。第一层是路面层，表示车辆能够行驶的路面。第二层为障碍物层，包括车辆、行人、建筑物、交通标志、树木等各种障碍物。最后一层为悬挂物层，表示障碍物高度大于车辆安全高度，且不影响车辆行驶，但被激光雷达探测到。算法流程如图所示1．

２.１.网格点云分割

将位于同一网格内的激光点按高度从小到大排序，得到数据点列表。设置两点间隔高度阈值为 ．当上点与下点的间距大于间距高度阈值时，这两个点属于不同的平面块。重复这个过程，遍历整个网格地图，形成所有的平面块 ．对于网格中有几个激光点的每个平面块，它包含五个特征:最大高度 那最小的高度 那高度的意思 那强度是指 那和强度方差 ．其中，最大高度、最小高度和平均高度表征了平面块内点云的几何特征，其他两个则反映了点云的反射强度特征。

２.２.路面层检测

与大多数算法不同，该算法仅使用用于路面层分割的高度特征，在这项工作中均使用点云的高度和强度信息。

2.2.1。高度信息

采用平面块体高度的最大值和最小值作为路面分类特征。由于激光雷达标定存在误差，采用两步法对地面层进行判断。

对于每个平面块 那 ．如果 那这个平面障碍物被认为是障碍物。如果 那该平面块被认为是路面平面。如果 那由于仅仅依靠高度特征很难确定平面块体是障碍物还是人行道，因此将引入强度特征。在这里,和是一个门槛一种会更小将会更大。

2.2.2。强度信息

当 那该块可能是坡度较大的道路，也可能是垂直高度较小的物体，因此需要强度信息进行进一步判断。

激光雷达回波的强度值在0到255之间。在这里，我们取大量的样本，计算它们的强度值。本文得到200辆汽车、200名行人与沥青、水泥路面的激光雷达强度值概率分布曲线如图所示2．可以看出，无论车辆还是行人，它的强度方差都是较大的，因为它的表面材料和颜色通常不均匀。另一方面，路面特性相对均匀，因此其强度分布相对规则，方差小。基于此，如果块的强度方差小于方差阈值 那该块将被视为路面平面，否则将被视为障碍物。

２.３.障碍物层和悬浮层检测

在得到所有铺装层后，就可以得到平均高度所有的铺装层。然后，可以设置悬浮物体层的高度如下: 在哪里无人驾驶飞行器的高度是多少为驾驶时人为设置的障碍物距车顶的高度。

因此，平面块的高度大于将被视为悬架层，而其余的是障碍物层。

3.障碍网格聚类

由于在之前的网格图构建步骤中，我们已经将激光雷达点云投影到网格图中，得到了障碍网格，此时聚类时间复杂度降为O( ），在哪里为障碍物网格的数目，比原始激光雷达点的数目少千倍。

由于LIDAR光束角的固定分辨率，随着距离的增加，其分辨率将导致将远距离障碍物分解为多个离散部件并考虑多个障碍物。为了避免这种情况，我们将两个相邻帧的障碍物运动状态信息组合以校正空间聚类结果。聚类算法流程图如图所示3.．

针对同一帧内不同距离的网格聚类，选取不同距离阈值对离散网格进行聚类。网格聚类阈值设置为 那在哪里是网格尺寸和为半径参数。对于每个网格，在的区域内相邻的网格将被视为一个障碍对象。

在半径参数设置方面，Borges提出了一种利用距离值计算半径参数的方法[20.，如图所示4.．

的计算公式是 在哪里为障碍物网格的中心坐标距离，是LIDAR传感器测量误差，和是LIDAR的水平角度分辨率。

为了进一步提高聚类的准确率，采用了一种基于目标关联匹配的聚类校正方法。它在时间点对空间聚类结果中距离最近的障碍块进行配对和通过四个参数:障碍物中心坐标、运动方向、速度和强度均值。

4.目标分类

在这项工作中，道路环境中的动态障碍分为四类：机动车辆，非凡车辆（自行车），行人等。基于这四类障碍物的运动特性和几何轮廓特性，提出了一种基于SVM的目标分类方法，如图所示5.．

4．1.目标的特性

由于每个障碍物的信息数据都保存为框模型，因此也从框模型中提取特征。对于每个目标盒模型，它有以下几组特征:(1)点X，点Y，点Z，和α即目标的位置和态度特征;(2)长、宽、高、和三角洲这是目标的轮廓特征。在这里,α为相对观测角，其范围为( ），如图所示6.．

4．2.支持向量机分类器

本文选择SVM分类器对障碍物进行分类，对小样本和非线性样本分类问题有较好的效果。

为了解决非线性分类问题，SVM分类器使用内核功能来将低维空间分类问题映射到高维特征空间以构造用于分类的线性函数。使用径向基础内核功能（RBF）：

5.实验和分析

5.1。聚类实验和分析

将该聚类算法与固定距离阈值下的八连通聚类算法和基于密度的噪声应用空间聚类(DBSCAN)算法进行了比较。我们使用这三种方法对200辆目标车辆在道路环境中进行了实验。通过实验分析，障碍物目标的聚类准确率如表所示1．基于分区的方法，如k-means，需要提前知道聚类的数量，所以不适合无人驾驶车辆，我们不将其纳入比较。该算法的平均时间约为15毫秒。

一组直观的对比如图所示7.．数字7（a）图3所示为所提聚类算法的效果7 (b)为八连通聚类算法，图7 (c)是DBSCAN。可以看出，在远处，八个连接的聚类算法将一个对象标记为多个对象，DBSCan比我们的方法仍然良好的时间更好。

5.2。分类实验与分析

该实验使用了台湾大学 - Libsvm教授开发的软件[21.］．此外，使用KITTI数据集和BDD100K进行分类测试[22.那23.］．共有5217个样本，其中汽车样本4091个，自行车样本417个，行人样本573个，其他样本136个。在这里，我们取样本总数的70%左右作为训练样本，其余的作为测试样本。通过网格优化算法，确定参数惩罚因子 那的参数 那最优识别率为88.31%，如表所示2．

一组分类实验如图所示8.．绿框、黄框、红框分别表示车辆、自行车、行人，总体分类时间为10 ms /帧。

6.结论

针对64线激光雷达数据量大影响无人驾驶车辆实时性的问题，提出了一种既有效又实时性好的目标检测与分类算法。该算法利用多特征多层高程图分离道路、障碍物和悬架。然后，采用基于动态距离阈值的网格聚类算法对障碍物进行聚类，并结合相邻两帧的运动状态信息对聚类结果进行校正。最后，利用支持向量机对障碍物进行分类。实验结果表明，该算法具有较好的障碍物检测与分类精度和较好的实时性，满足了无人驾驶汽车在道路上行驶时的实时性要求。在实验中，我们还发现对自行车和行人的检测率相对较低。这可能是因为激光雷达只能扫描离自动驾驶汽车很远的一小部分行人和自行车，而这些部分往往被滤波算法过滤掉，或者我们使用的特征并不能很好地区分行人和自行车。所以在未来的工作中，我们会对滤波算法进行改进，获取更多的障碍物信息，增加新的特征，比如速度，来更好的区分行人和自行车。

数据可用性

这项工作的数据源来自公共数据集KITTI。

的利益冲突

作者声明他们没有利益冲突。

致谢

国家重点研发计划(no . 2018YFB0105003);国家自然科学基金项目(no . U1764264, no . 61601203, no . U1664258, no . U1764257, no . 61773184);江苏省自然科学基金项目(no . BK20180100);江苏省战略性新兴产业发展重点项目(2016-1094、2015-1084)和镇江市重点研发计划项目(GY2017006)。

参考文献

1. “基于显著性的远红外图像行人检测方法研究”，IEEE访问， vol. 5, pp. 5013-5019, 2017。视图:谷歌学术搜索
2. C. R. Qi，H. Su，K. Mo和L. J.Guibas，注意：3D分类和分割点的深度学习，“IEEE计算机视觉与模式识别会议论文集，页77-85，拉斯维加斯，内华达州，美国，2016年12月。视图:谷歌学术搜索
3. H. Gao，B. Cheng，J. Wang，K.Li，J. Zhao和D. Li，使用CNN的视力和激光器融合的对象分类在自主车辆环境中，“工业信息学学报第14卷第2期9，第4224-4231页，2018。视图:出版商的网站|谷歌学术搜索
4. S. Goga和S. Nedevschi，“一种使用多体网格结构分割3D激光雷达数据的方法”智能计算机通信与处理论文集(ICCP)，页309-315,Cluj-Napoca，罗马尼亚，2017年9月。视图:谷歌学术搜索
5. “基于三维激光雷达点云的道路交叉口识别技术”，《中国公路学报》，2018年第4期2012 IEEE智能汽车研讨会论文集(四)， pp. 456-461, IEEE，马德里，西班牙，2012年6月。视图:谷歌学术搜索
6. Y. Liu, S. T. Monteiro，和E. Saber，“空中彩色图像和机载激光雷达数据的车辆检测”，在2016 IEEE国际地球科学与遥感研讨会论文集， pp. 1384-1387, IEEE，中国，2016年7月。视图:谷歌学术搜索
7. H. Li, M. Tsukada, F. Nashashibi, M. Parent，“多车协作局部地图:基于占用网格地图合并的方法”，IEEE智能交通系统汇刊，第15卷，第5期。5, pp. 2089-2100, 2014。视图:出版商的网站|谷歌学术搜索
8. S. Thrun, M. Montemerlo, H. Dahlkamp等人，“斯坦利:赢得DARPA重大挑战的机器人，”野外机器人学报，第23卷，第2期。9，第661-692页，2006。视图:出版商的网站|谷歌学术搜索
9. 彭勇，曲东，钟勇，“基于二维激光雷达的障碍物检测与避障算法”，工程科学与技术，2017,36 (5):457 - 4612015 IEEE信息与自动化国际会议论文集， pp. 1648-1653，中国丽江，2015年8月。视图:谷歌学术搜索
10. “基于多尺度对比度的显著性目标检测”，“基于多尺度对比度的显著性目标检测”，神经网络，卷。101，pp。47-56,2018。视图:出版商的网站|谷歌学术搜索
11. L. Bai，X. Cheng，J. Liang，H. Shen和Y. Guo，“基于K-Means算法的快速密度聚类策略”模式识别， vol. 71, pp. 375-386, 2017。视图:出版商的网站|谷歌学术搜索
12. K. Yamazaki，“额外数据对贝叶斯聚类的影响”，神经网络， vol. 94, pp. 86-95, 2017。视图:出版商的网站|谷歌学术搜索
13. 张旭东，“基于密度和层次密度的不确定数据聚类算法”，神经网络，卷。93，pp。240-255,2017。视图:出版商的网站|谷歌学术搜索
14. A. A.刘，Y.T.Su，W.Z.Nie和M. Kankanhalli，“联合人体行动分组和认可的分层聚类多任务学习”模式分析与机器智能学报第39卷第3期1, pp. 102-114, 2017。视图:出版商的网站|谷歌学术搜索
15. M. Darms, P. Rybski，和C. Urmson，“在城市环境中自动驾驶的多传感器动态物体分类和跟踪”2008 IEEE智能汽车研讨会论文集，PP。1197-1202，Auburn Hills，MI，USA，2008年2月。视图:谷歌学术搜索
16. C. Premebida, G. Monteiro, U. Nunes，和P. Peixoto，“一种基于激光雷达和视觉的行人和车辆检测和跟踪方法”2007年IEEE智能交通系统会议，pp.1044-1049，西雅图，WA，美国，2007年9月。视图:谷歌学术搜索
17. J.Phley，V. Steinhage和A. Cremers，“基于激光的段分类，使用袋式袋”的混合“智能机器人与系统国际会议论文集，第4195-4200页，东京，日本，2013年11月。视图:谷歌学术搜索
18. P.Babahajiani，L.Fan和M.Gabbouj，“城市街道场景3D点云中的对象识别”亚洲计算机视觉会议论文集施普林格，Cham，瑞士，2014年11月。视图:谷歌学术搜索
19. S. Wirges, T. Fischer, J. B. Frias，和C. Stiller，“使用深度卷积网络的占用网格地图中的目标检测和分类”，2018，http://arxiv.org/abs/1805.08689．视图:谷歌学术搜索
20. P. Skrzypczynski，“利用红外测距仪数据构建环境几何地图”，智能自治系统，pp.408-412,1995。视图:谷歌学术搜索
21. Lin C. J. Chang， " LIBSVM:一个支持向量机的库，"美国计算机学会智能系统与技术汇刊，第2卷，第2期3, pp. 1-27, 2011。视图:出版商的网站|谷歌学术搜索
22. A. Geiger, P. Lenz, C. Stiller, R. Urtasun，《视觉与机器人相遇:KITTI数据集》，国际机器人研究杂志，第32卷，第2期11, pp. 1231-1237, 2013。视图:出版商的网站|谷歌学术搜索
23. 陈宇等，BDD100K:具有可扩展注释工具的多样化驾驶视频数据库， arXiv预印本arXiv:1805.04687, 2018。

版权

版权所有©2018王海等。这是一篇发布在创意公共归因许可证，允许在任何媒介上不受限制地使用、传播和复制，但必须正确引用原作。