道路檢測(cè)是無人駕駛智能車進(jìn)行自主導(dǎo)航的一個(gè)重要研究?jī)?nèi)容，它將道路區(qū)域與周圍環(huán)境進(jìn)行區(qū)分，為無人車提供道路的可行區(qū)域。 在高速公路、市區(qū)環(huán)境下，特殊的道路邊界等已作為一種障礙物成為新的研究?jī)?nèi)。 現(xiàn)有的道路檢測(cè)方法大部分都基于灰度或彩色圖像 [1-2] ，視覺技術(shù)信息量比較豐富，可以實(shí)現(xiàn)對(duì)道路邊界的識(shí)別。 但視覺易受光照條件變化的影響，若環(huán)境復(fù)雜時(shí)，當(dāng)?shù)缆穮^(qū)域存在陰影、裂縫、水跡等干擾因素時(shí)，對(duì)道路邊界的提取將是非常困難的，上述方法將難以得到正確的道路邊界檢測(cè)結(jié)果。 目前，使用較多的測(cè)距傳感器，如雷達(dá)傳感器或激光傳感器 [3] ，可以直接給出距離信息，且對(duì)環(huán)境和氣候的變化有較強(qiáng)的適應(yīng)能力，我們注意到路與非路區(qū)域的交界處通常存在的道路邊界，例如道路兩側(cè)的道沿、生成的雜草、矮墻等，由于激光測(cè)距雷達(dá)幾乎不受外界因素影響，為此本文選用 UTM-30LX-EW 激光雷達(dá)進(jìn)行道路邊界的檢測(cè)。
1 UTM-30LX-EW 激光雷達(dá)的成像原理
激光雷達(dá)測(cè)距基本原理是：由于激光雷達(dá)在空氣中速度
與三維激光雷達(dá)相比，二維激光測(cè)距儀屬于單線型激光雷達(dá)，按照一般方法安裝時(shí)只能得到測(cè)量環(huán)境某個(gè)平面上的距離數(shù)據(jù)，無法直接采集環(huán)境的三維信息，但可以通過人工手段來彌補(bǔ)。 本文主要測(cè)量無人車在行駛過程中車體到道路左側(cè)邊界的距離，為無人車在進(jìn)行左側(cè)超車、避障時(shí)，判斷左側(cè)是否有足夠?qū)挼牡缆房尚袇^(qū)域，所以采用的策略是將二維激光測(cè)距儀側(cè)著安裝在無人車左側(cè)前車輪上方車架上(如圖1 所示)，這樣激光雷達(dá)掃描的平面就是垂直于地面的，在激光測(cè)距儀固定不能轉(zhuǎn)動(dòng)的情況下，為了得到道路邊界表面輪廓數(shù)據(jù)，需要無人車在試驗(yàn)中前進(jìn)的配合，這樣無人車在行進(jìn)過程中不僅可以得到距離道路邊界障礙物信息也可以得到道路邊界障礙物的高度信息。
本文中，我們將 UTM-30LX-EW 激光雷達(dá)設(shè)置為以水平面垂直向下 32° 為掃描范圍，角分辨率 0.25° ，激光雷達(dá)安裝高度距離地面 390 mm ， 對(duì)于一般道路邊界高度大于 30 mm小于 390 mm 的障礙物，都可以準(zhǔn)確測(cè)得，配合無人車在行進(jìn)過程中進(jìn)行道路邊界的檢測(cè)。
2 道路模型
由于無人車行駛的道路情況復(fù)雜多變，為了簡(jiǎn)化處理問題的難度和便于描述算法，本文假設(shè)所處理的道路路面滿足以下幾點(diǎn)要求 :
1 )道路路面區(qū)域基本平坦，道路區(qū)域的高度一致性高于道路區(qū)域和非道路區(qū)域之間的高度一致性。
2 )道路區(qū)域和非道路區(qū)域之間具有一定的高度落差。 即道路邊界有人造路沿、圍墻或者種植的綠色植被等。
3 )道路的邊界線為直線或規(guī)則的曲線。
本文實(shí)驗(yàn)所選擇的道路場(chǎng)景是城市道路，其道路滿足上述道路要求。 無人車在正常運(yùn)動(dòng)中，近似呈直線分布，圖 2 是一個(gè)理想的結(jié)構(gòu)化道路模型，在這個(gè)模型中，道路區(qū)域即 CD表現(xiàn)出典型的呈類直線分布特點(diǎn)， 且在無障礙情況下 CD 段能保持比較穩(wěn)定的連續(xù)寬度， 其中線段 BC 與 DE 代表道路邊界和路沿的高度。
在城市道路環(huán)境中，路沿、灌木叢良好的幾何特性為道路邊界和形狀提供了重要信息。 因此，基于激光雷達(dá)檢測(cè)出來的障礙信息，再進(jìn)行道路邊界的檢測(cè)較為可行，不會(huì)受到陰影的影響。
3 深度數(shù)據(jù)的邊界檢測(cè)算法
3.1 單幀激光雷達(dá)數(shù)據(jù)的邊界檢測(cè)
如圖 3 所示路面與非路面邊界存在高度的跳變信息 [4-5] ，激光雷達(dá)安裝在固定高度 H=390 mm ， AB 為路沿高度， OA ，OB 為測(cè)量的距離信息， 由于激光雷達(dá)的掃描范圍設(shè)定為水平向下 32° ，掃描精度為 0.25° ，掃描周期 25 ms ，所以在一個(gè)掃面周期 32° 范圍內(nèi)有 128 條激光束對(duì)邊界進(jìn)行掃描檢測(cè)，起始步長(zhǎng) 412 ，終止步長(zhǎng) 540 (水平方向)，可以通過激光雷達(dá)測(cè)得的障礙物極坐標(biāo)計(jì)算出路沿的高度。
由于道路邊界有明顯的高度差，道路可行區(qū)域靠近道路邊界處可能會(huì)存在小石子、小雜草等干擾，這些我們不作為影響無人車正常通行的障礙物考慮， 所以我們采取去除 h<30 mm 的障礙物點(diǎn)，只提取 h>30 mm 的障礙物點(diǎn)。 由于我們需要獲得的是無人車在道路行駛的可行區(qū)域，故我們只需要知道單幀激光雷達(dá)數(shù)據(jù)中道路邊界距離無人車最近的點(diǎn)即可， 再對(duì)大于 30 mm 的障礙物返回點(diǎn)信息中進(jìn)行分析篩選，只保留最近的障礙物返回點(diǎn)信息，這樣就去除了非路區(qū)域的障礙物信息，如非路區(qū)域障礙物 C 點(diǎn)的信息是我們所不需要的，這樣簡(jiǎn)化了數(shù)據(jù)量，又滿足無人車對(duì)邊界測(cè)量信息的要求，提高了數(shù)據(jù)的處理速度。
3.2 多單幀激光雷達(dá)數(shù)據(jù)的邊界檢測(cè)
在復(fù)雜道路中，邊界區(qū)域存在其他因素的干擾，而單幀激光雷達(dá)所能獲取的環(huán)境信息很少，因此僅僅依靠單頓激光雷達(dá)數(shù)據(jù)提取道路邊界點(diǎn)有時(shí)會(huì)存在錯(cuò)誤。 無人車在運(yùn)動(dòng)過程中采集數(shù)據(jù)是一個(gè)持續(xù)的過程，各幀之間的激光雷達(dá)數(shù)據(jù)在空間和時(shí)間上是關(guān)聯(lián)的，利用多幀激光雷達(dá)數(shù)據(jù)之間的關(guān)聯(lián)特性提高道路邊界檢測(cè)的準(zhǔn)確性。
文中提出了一種基于激光雷達(dá)的距離差與角 度差 雙閾值結(jié)合均值濾波的提取算法[6] ，該檢測(cè)方法只針對(duì)無人車感興趣的道路邊界區(qū)域， 減少對(duì)非道路區(qū)域的檢測(cè)時(shí)間，減少數(shù)據(jù)點(diǎn)的檢測(cè)，提高了系統(tǒng)實(shí)時(shí)性，同時(shí)對(duì)檢測(cè)出的障礙物點(diǎn)進(jìn)行均值濾波，再次消除噪聲干擾，提高檢測(cè)準(zhǔn)確度。 用該算法檢測(cè)路面時(shí)，只要道路邊界和路面具有激光激光雷達(dá)能探測(cè)出的高度差，無論路邊是規(guī)則的幾何形狀還是不規(guī)則形狀，都可分割出道路區(qū)域與非道路區(qū)域的邊界。
3.3 道路邊沿的判定
道路邊界具有連續(xù)性，根據(jù)多幀激光雷達(dá)數(shù)據(jù)之間的關(guān)聯(lián)性可對(duì)相鄰幀間的雷達(dá)數(shù)據(jù)建立約束關(guān)系，可以對(duì)道路邊界點(diǎn)產(chǎn)生指導(dǎo)作用，排除一些不符合要求的道路邊界點(diǎn)候選點(diǎn)，從而提高邊界檢測(cè)的準(zhǔn)確性。 在使用單幀雷達(dá)數(shù)據(jù)檢測(cè)道路邊界點(diǎn)時(shí)，記錄已檢測(cè)過的道路邊界點(diǎn)信息，基于這些邊界點(diǎn)信息對(duì)當(dāng)前時(shí)刻的邊界點(diǎn)進(jìn)行約束：
1 )相鄰邊界點(diǎn)之間的距離差不能超過一個(gè)距離上限。
2 )道路邊界線上一段小范圍內(nèi)的 3 個(gè)點(diǎn)之間的斜率基本相同。
假設(shè)第 i 幀單線激光雷達(dá)的邊界點(diǎn)坐標(biāo)為( xi， yi， zi)， x 為無人車前進(jìn)的方向， y 障礙物點(diǎn)到無人車的方向， z 障礙物點(diǎn)高度方向，為了加快計(jì)算速度，直線特征分析在二維空間進(jìn)行，將三維空間點(diǎn)投影到 XOY 平面搜索直線。 則該點(diǎn)坐標(biāo)必須滿足以下約束 :
b 時(shí)，繼續(xù)檢測(cè)下一幀數(shù)據(jù)，如果連續(xù)幾幀距離差都大于給定閾值，則認(rèn)為這幾幀數(shù)據(jù)是噪聲干擾，將其去除。 通過上述雙閾值的判別，記錄滿足閾值要求的點(diǎn)信息，進(jìn)行下一步濾波處理。
如圖 4 所示，是無人車行駛過程中激光雷達(dá)測(cè)得的經(jīng)過閾值處理后的 n 個(gè)邊界數(shù)據(jù)點(diǎn)，將數(shù)據(jù)點(diǎn)的距離信息 y 存放在數(shù)組 A ()中，則：
下面是對(duì)無人車行駛中所采集的一段時(shí)間內(nèi)邊界數(shù)據(jù)點(diǎn)，本文僅對(duì)道路邊界距離進(jìn)行數(shù)據(jù)處理，說明該檢測(cè)方法的可行性可靠性。處理結(jié)果如圖 6 所示， * 點(diǎn)是無人車行駛過程中的激光雷的所測(cè)得原始邊界點(diǎn)數(shù)據(jù)， △ 是經(jīng)過雙閾值處理后的數(shù)據(jù)，·點(diǎn)代表均值濾波后數(shù)據(jù)，可已看出經(jīng)過處理后邊界點(diǎn)噪聲明顯減少了，更加平滑趨于線性。
4 直線道路邊界的擬合
在基于多頓激光雷達(dá)數(shù)據(jù)相關(guān)性分析的基礎(chǔ)上，確定出每一頓單線激光雷達(dá)數(shù)據(jù)的道路邊界點(diǎn)之后，然后就可以基于該道路邊界點(diǎn)數(shù)據(jù)檢測(cè)出道路邊界的具體位置。 本文假設(shè)道路的邊界為常見的直線模型。 本文分別采用基于直線的最小二乘法對(duì)直線道路邊界進(jìn)行擬合，以進(jìn)一步提高道路邊界檢測(cè)的準(zhǔn)確率和精度。
直線擬合的應(yīng)用非常廣泛，主要完成對(duì)給定的若干個(gè)目標(biāo)點(diǎn)，找出一條能反映這些點(diǎn)分布規(guī)律的直線方程。 為了簡(jiǎn)化計(jì)算過程，提高道路邊界檢測(cè)的速度，本文僅處理平面的直線擬合，計(jì)算出的道路邊界點(diǎn)從空間坐標(biāo)映射到 XOY 面，即去掉高度信息，然后進(jìn)行平面直線擬合。
直線擬合基本原理如下：
最小二乘法是一種常用的擬合技術(shù)， 根據(jù)擬合函數(shù)模型， 通過計(jì)算數(shù)據(jù)的實(shí)際值和對(duì)應(yīng)的函數(shù)擬合值誤差平方，使該誤差平方和的值最小化來確定待擬合函數(shù)的最合適參數(shù)。 假設(shè)待擬合的數(shù)據(jù)點(diǎn)為( xi， yi)， i 從 1 到 n ，擬合后的直線模型為 Yi =axi+b ，其中 a 、 b 為任意實(shí)數(shù)。 實(shí)際觀測(cè)值和擬合值之間的誤差平方和可以表示如下 :
誤差函數(shù)為：
5 結(jié) 論
文中根據(jù)路面與非路面之間的高度差，提出一種基于激光雷達(dá)數(shù)據(jù)的道路邊界檢測(cè)方法。 首先針對(duì)單幀激光雷達(dá)數(shù)據(jù)，提取出距離無人車的最近道路邊界點(diǎn)，然后再對(duì)多幀激光雷達(dá)數(shù)據(jù)采取道路邊界點(diǎn)距離、 角度雙閾值約束處理，再進(jìn)行均值濾波提取邊界點(diǎn)， 最后進(jìn)行了邊界擬合等幾個(gè)部分。 實(shí)驗(yàn)結(jié)果表明，該邊界檢測(cè)算法可靠性強(qiáng)，穩(wěn)定性高，能夠準(zhǔn)確完成道路邊界檢測(cè)任務(wù)，為無人車在道路的正常行駛提供安全保障。
參考文獻(xiàn)：
[1] Tan C ,Hong T, Chang T. Color model based real time learning for road following [C]//Proc of the IEEE Intellingent Transportation Systems Conference. Toronto: IEEE ， 2006: 939-944.
[2] dahlkamp H ,Kaehler A , Bradski G. Self supervised monocular road detection in desert terrain [C]//Proc of the Robotics Science and Systems Conference. Philadelphia: MIT Press,2006:115-121.
[3] 李斌 . 智能車輛前方車輛探測(cè)及安全車距控制方法的研究 [D]. 長(zhǎng)春 : 吉林大學(xué)， 2001.
[4] Lalonde J,Vandapel N ,Hebert M. Natural terrain classification using three dimensional ladar data for ground robot mobility[J]. Journal of Field Robotics ,2006 , 23 ( 10 ) :839-861.
[5] Sappa A, Devy M.Fast range image segmentation by an edge detection strategy [C]//Proceedings of the 3rd International Conference on 3D Digital Imaging and Modeling. Quebec:IEEE , 2001:292-299.
[6] Peter X Liu ， Max Q H. online data driven fuzzy clustering with applications to realtime robotic tracking [J]. IEEE Transactions on Fuzzy System,2004,12 ( 4 ) :516-523.
