1. 首页
  2. 自习室
  3. 【自动驾驶技术解析】激光雷达(四)关键技术:道路提取

【自动驾驶技术解析】激光雷达(四)关键技术:道路提取

KITTCAMP,与新科技共成



POINT

上篇文章中,我们对激光雷达的关键技术——点云分割进行了介绍【传送门→激光雷达(三)关键技术:点云分割】本次文章,我们将围绕激光雷达关键技术——道路提取展开。介绍道路提取的意义并重点介绍几种道路提取的数据算法。

1.png

(图片源于网络)


//

关键技术2:道路提取

//

实时获得行驶过程中的周围环境信息是自动驾驶汽车感知环节的核心内容,也是汽车进行后续路径规划的前提。道路形状相对于障碍物更加规则,且同一背景条件下,具有明显的差异性。自动驾驶汽车在进行路径跟踪时,不仅要分析自身的运动学、动力学约束和路径的走向,还要考虑所行驶道路的坡度。

 

坡度检测算法的性能将极大的影响后续道路跟踪算法的结果,因此在进行道路信息提取时,对坡度的检测算法就显得至关重要。按照激光雷达的线数特征,坡度的检测算法可分为基于单线激光雷达的方法和基于多线激光雷达的方法。


2.png

(图片源于网络)

基于单线激光雷达的道路提取


自动驾驶汽车常用的道路提取方法,是在室外环境中,基于直线、圆形或椭圆形特征进行道路边界的提取,从判断可通行的区域。在道路特征提取过程中,最常用的方法是基于卡尔曼滤波的方法( KF-based,KFBS)和基于距离的方法( Point-distance-based,PDBS)。

 

此类方法的理想模型如下,可以看到,这种方法具有模型简单、运算速度快的有点。但同时,也存在着对直线拟合参数的的敏感性和无法应对复杂的非结构道路变化的情况。


3.png

(理想道路模型示意图)


为了更好的提高坡度检测的实时性和准确性,国内外的专家学者也都提出了相应的算法方案:


①  周智在最小二乘法(LSM)和连续边缘跟踪算法SEF的基础上,通过引入回退机制、逻辑推理和特征合并的方法,提出了一种改进的直线特征提取算法。这种算法能够快速准确的检测合并道路边界,给出可通行区域。

 

② G. A. Borges提出了一种利用二维距离图像进行线段提取的分割合并算法,使用了使用了基于模型的模糊聚类算法。这种算法不需要事先知道模型种类的数量,在动态地图生成过程中取得了较好效果。


③ Borges GA对结构化道路中的直线,圆弧等特征的激光雷达数据进行了分析,通过建立的相邻点之间约束关系,完成了路边检测和跟踪。

 

除此之外,还有基于多帧激光雷达数据的方法、基于小波变换以及加快运算过程的基于GPU的方法等。在坡度检测算法的研发方面,还有大量的专家学者卯足了劲儿在不断的进行相关研究。


以上这些方法充分利用了单线激光雷达在检测道路过程中所获取的信息特征,如道路边沿的高度差、道路的走向、路沿的直线或曲线特征等。在自动驾驶汽车进行低速行驶、结构环化环境道路情况下能得到较好的应用。但在非结构化的环境、道路颠簸、道路边缘不明显等情况下,仅采用单线激光雷达,无法适应复杂的行驶环境。



4.png

(图片源于网络)
基于多线激光雷达的道路提取


多线激光雷达所获取的信息较单线激光雷达的更为丰富,相应的信息处理算法需求也更为复杂。通常要经过点云分析、数据聚类、特征提取等阶段。

 

段建民及其同事提出了一种基于多线激光雷达的道路检测算法:

 在海量点云数据中提取出路沿数据集

② 根据COBWEB算法将聚类后的路沿数据集分为左侧路沿和右侧路沿

③ 用最小二乘法对路沿进行拟合。根据激光雷达不同扫描层上的路面数据点的相对位置关系,提取出道路坡度信息。

 

不同于上述算法,zhao G等人提出了另一种算法:

① 将地面点从 3D 激光点云中分割出来

② 利用 3 个时间空间条件,高度差,梯度值和法向量将路沿提取出来

③ 利用短时存储方法剔除障碍物

④ 利用Parabola模型和粒子滤波方法进行路沿滤波和平滑计算

基于这个想法,他们在 Velodyne 数据集上进行了实验,部分实验结果如下图。


5.png

(路沿提取算法实验结果)


借鉴计算机视觉信息的表示与处理方法,Li等人在对2D和3D激光雷达数据的特征提取过程中,将在图像处理中的常用的特征提取方法KT角点检测技术进行改进,提出多尺度KT角点检测算法,并用类似SIFT样式的描述方式对物体角点进行描述,能够适应物体大小形状的变化。他们的想法同样在Velodyne激光雷达数据集上进行了相关的验证。



目前,越来越多的道路提取算法被研发出来,基于不同的场景和硬件,在实践过程中,可根据需求,选择最适宜的方式,以获得道路信息提取的最优结果。


下期预告:
激光雷达关键技术3:环境建模


参考文献:

1、DAI Yongjiang. Principles of laser radar[M]. Beijing: National Defence Industry Press,2002. ( in Chinese)戴永江. 激光雷达原理[M]. 北京: 国防工业出版社,2002.

2、Nitzan D,Brain A,Duda R. The measurement and use of registered reflectance and range data in scene analysis[J]. Proceedings of the IEEE,1977,65( 2) : 206 - 220.

3、YANG Fei,ZHU Zhu,G0NG Xiaojin. Real-time dynamic obstacle detection and tracking using 3D LIDAR[J].Journal of Zhejiang University: Engineering Science,2012,46( 9) : 1565 - 1571. ( in Chinese)杨飞,朱株,龚小谨. 基于三维激光雷达的动态障碍实时检测与跟踪[J]. 浙江大学学报: 工学版,2012,46( 9) : 1565 - 1571.

4、Himmelsbach M,Muller A,Luttel T. LIDAR-based 3D object perception[C]/ / Proceedings of 1st International Workshop on Cognition for Technical Systems,Munich,Germany,2008.

5、Xin Y,Liang H,Mei T,et al. A new occupancy grid of the dynamic environment for autonomous vehicles[C]/ /Intelligent Vehicles Symposium Proceedings,2014 : 787 - 792.

6、Moosmann F,Pink O,Stiller C. Segmentation of 3-D LIDAR data in non - flat urban environments using a local convexity criterion[C]/ /2009 IEEE Intelligent Vehicles Symposium,Xi'an,China,2009: 215 - 220.

7、Klasing K,W Ollherr D,Buss M. A clustering method for efficient segmentation of 3-D laser data[C]/ /2008 IEEE Internationa1 Conference on Robotics and Automation,Pasadena,CA,USA,2008: 4043 - 4048.

8、Savant S. A Review on edge detection techniques for image segmentation[J]. International Journal of Computer Science & Information Technology,2014,5 ( 4 ) :5898 - 5900.

9、Wassenberg J,Middelmann W,Sanders P. An efficient parallel algorithm for graph-based image segmentation[J ]. Springer Berlin Heidelberg, 2009, 5702:1003 - 1010.

10、 Felzenszwalb P F,Huttenlocher D P. Efficient graphbased image segmentation[J]. International Journal of Computer Vision,2004,59( 2) : 167 - 181.

 更 多 精 彩 

小车公号广告.jpg


kittcamp,与新科技共成长



作者:icejade

微信关注“KITTCAMP自动驾驶学院”获取更多学习资料

文章系KITTCAMP自动驾驶学院原创,转载需写明出处

相关推荐
发表评论
访客的头像
请先 登录 再评论,若不是会员请先 注册
留言列表

    还没有留言,还不快点抢沙发?