1. 首页
  2. 自习室
  3. 【自动驾驶技术解析】激光雷达(六)关键技术:障碍物探测与跟踪(图)

【自动驾驶技术解析】激光雷达(六)关键技术:障碍物探测与跟踪(图)

KITTCAMP,与新科技共成

3.gif



POINT



上篇文章中,我们对激光雷达的关键技术——环境建模进行了介绍【传送门→激光雷达(五)关键技术:环境建模】本次文章,我们将围绕激光雷达关键技术——障碍物探测与跟踪展开。将从障碍物探测与跟踪的意义、障碍物识别的模块、激光雷达的实际应用等进行介绍。

1.gif

(图片源于网络)

轮式机器人

从机器学的角度出发,自动驾驶汽车可被视为轮式移动机器人。依靠车内的计算机系统进行相关的数据收集、分析、计算、操控,从而实现预期的行驶目标。

 

自动驾驶车辆行驶过程中,散落在路面的石块、从对面行驶而来的车辆、正在横穿马路的行人等,都可视作其需要进行避让的障碍物。只有有效的进行障碍物探测与跟踪,才能制定相应的控制方案,即实现车辆的路径规划。

 

激光雷达具有探测范围广、抗干扰能力强、高精度测距等优点,在障碍物探测与跟踪过程中,不仅能获取目标的位置,还可获得目标的速度、大小、方向等特征属性,因此,利用激光雷达进行自动驾驶车辆的障碍物探测与跟踪,是不错的选择。(在不考虑成本的情况下,当前也有很多企业开始研发目光转向低成本的激光雷达,具体可见→激光雷达(一)发展历程及应用场景


1.jpg

(图片源于网络)

检测模块

障碍物识别包括了捕获图像信息、图像信息预处理、障碍物识别、道路检测、距离测量、传感器输出计算等模块。

1

捕获图像信息


光雷达通过点云数据,可实时为自动驾驶汽车提供周围事物的相关信息。在道路规划过程中,若汽车将发生碰撞或路径偏离,计算机可根据激光雷达提供的相关数据进行实时的调整。


2

图像预处理


指将激光雷达获取的数据通过点云分割等方法,将数据分割成不同的模块进行识别,初步获取障碍物的特征。再根据障碍物的特征提取、匹配等,简化计算机对不同障碍物的识别难度。


3

障碍物识别


自动驾驶汽车对障碍物检测的方法一般分为三类,分别是基于先验知识、立体视觉、运动学。

a. 先验知识——指利用已有的先验知识,如障碍物的颜色、文理、边缘轮廓等特征,对图像进行处理,之后进行快速匹配,从而快速识别障碍物。

b. 立体视觉——主要指利用摄像头(双目或三目)进行障碍物的检测,通过对不同视觉图像的计算,从而获取对象的位置及相关信息。

c. 运动学——指根据目标对象传送回来的数据,更为精准的测量障碍物的运动方向、运动速度等。



4

距离测量



使用激光雷达可以实时计算出自动驾驶车辆与障碍物之间的距离。其测距原理公式为:


2.jpg

详见→激光雷达(二)工作原理及特点


1.gif

微信图片_20190315231957.gif

(图片源于网络)

单一场景&复杂场景

自动驾驶车辆行驶过程中,当周围环境比较单一时,可应用基于二维激光雷达的障碍物探测技术,对显而易见的障碍物进行探测与规避。但在相对复杂的行驶环境下,需得到全面的周围环境模型,就需要利用三维激光雷达数据对障碍物进行探测与跟踪。

 

目前,大部分学者采用基于障碍栅格的检测方法,将三维点云进行投影。之后根据每个栅格落入数据点的情况进行属性的判断,最后再进行目标的识别或分类。


目标跟踪的两种假设

使用激光雷达进行目标跟踪的过程主要有两种假设方法,分别是基于几何模型和运动模型。可理解为对选取的目标与上一帧目标进行数据关联,再利用卡尔曼滤波等算法进行跟踪。


学者苏致远利用三维激光雷达相邻扫描点的距离特征将地面分割出来,然后利用 DBSCAN 方法聚类得到初始障碍物信息,为识别障碍物中的车辆目标,利用 IEPF算法提取障碍物的轮廓曲线,结合多个判据实现了城市快速路环境下的车辆目标检测和识别。

 

但上述方法使用了笛卡尔坐标系栅格投影,无法适应三维激光雷达数据近处稠密远处稀疏的缺点,存在因数据点稀疏造成车辆目标漏检的现象。为克服此缺点,学者刘伟利用极坐标栅格对稠密和稀疏的激光雷达数据点区别对待,充分利用三维激光雷达数据空间分布信息,提出空间椭球近邻聚类的障碍分割算法,然后在三个层次上进行点云特征描述,进而提出了基于特征子空间纠错的多类障碍物识别算法,在三维激光雷达多类识别中取得较好结果。



2.jpg

(图片源于网络)

探测负障碍物

激光雷达进行障碍物探测与跟踪过程中,还会出现负障碍物,如水坑、壕沟、斜坡等,这些负障碍物给自动驾驶车辆的行驶路线带去了大量的潜在威胁,因此不容小觑。

 

为让激光雷达能检测出负障碍,学者Larson采用了基于几何模型的负障碍探测方法( NODR) 和支持向量机算法( SVM) ,在实验中,根据 UGV 的越障能力和负障碍的大小形状来设定阈值,因为负障碍的存在会造成激光数据点在测量高度上的突变,利用这一特征将可能的负障碍作为候选,然后基于几何模型算法和 SVM 算法甄别出真正存在的负障碍物。

 

上述方法的检测效果受三维激光雷达数据点的稀疏影响很大。为在使用相同数量激光雷达传感器的条件下,增加车辆前方近距离范围内的激光数据点的稠密程度,Shang E,An XJ,Wu T等人采用倾斜安装多个激光雷达设备的方式,提出了基于数学模型的自适应匹配滤波算法( AMFA) ,进行负障碍物的检测,同时对多个雷达、多帧数据信息采用特征融合算法( FFA) ,降低了虚警率,同时计算时间也降低了许多,算法流程如图所示。


3.jpg

(FFA 特征融合算法流程示意图)


此外,由于地面无人车辆的颠簸、障碍的遮挡等原因,利用激光雷达进行实时障碍物测量时可能存在较大误差,为克服这一缺点,借鉴视觉处理过程中目标跟踪算法,学者于春和提出了基于卡尔曼滤波经典理论的障碍物检测算法,对激光雷达数据依次进行候选障碍点提取、非障碍扫描点滤除和聚类分割获取障碍信息,然后利用卡尔曼滤波算法对目标进行跟踪。


研究过程中于春和及他的小伙伴们采用了一种基于车辆观测模型和粒子滤波的动态车辆跟踪算法,提高了激光雷达障碍物检测的实时性,这一想法在中国智能车未来挑战赛得到了验证。



下期预告:激光雷达关键技术:多传感器信息融合

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 

4.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?