低速無人駕駛汽車適用的目標(biāo)識別感知控制算法

一、諸論

（一）研究背景

伴隨著人工智能的高速發(fā)展，為解決交通堵塞、通行效率低的問題，自動駕駛汽車取得了前所未有的發(fā)展。

汽車作為重要的運(yùn)載工具，通過車載傳感器（車規(guī)級傳感器設(shè)備），可視設(shè)備，控制器，執(zhí)行器等電子設(shè)備，形成一種可以在任意地點(diǎn)，任意時(shí)刻，能夠接入任意信息的模式，為汽車提供智能環(huán)境的支持，達(dá)到提高車輛安全性的目的。目標(biāo)識別感知及控制系統(tǒng)目前已經(jīng)成為汽車智能化的亮點(diǎn)和賣點(diǎn)。

2015年，工信部發(fā)布的《中國制造2025》明確提出，到2025年，我國將掌握自動駕駛的總體技術(shù)以及各項(xiàng)關(guān)鍵技術(shù)，要建立起比較完善的智能網(wǎng)聯(lián)汽車的自主研發(fā)體系，生產(chǎn)配套體系以及產(chǎn)業(yè)群，要基本完成汽車產(chǎn)業(yè)的轉(zhuǎn)型升級。所以在政策和市場的共同作用下，我國的智能汽車技術(shù)發(fā)展迅猛，智能汽車領(lǐng)域相關(guān)系統(tǒng)以及應(yīng)用軟件的開發(fā)已經(jīng)初步成形。

本論文以溫州大學(xué)甌江學(xué)院智能車綜合開發(fā)控制系統(tǒng)臺架為平臺，以LS-C161A型16線激光雷達(dá)為研究對象，充分運(yùn)用Apollo、51Simone綜合仿真系統(tǒng)，以傳感器技術(shù)、多傳感器融合為基礎(chǔ)，解決了傳統(tǒng)激光雷達(dá)測試成本高、仿真效果差、訓(xùn)練集單一的缺點(diǎn)，對基于激光雷達(dá)的目標(biāo)識別感知控制算法提出了改進(jìn)措施；并對基于低速無人駕駛車輛上的目標(biāo)識別進(jìn)行了深入的研究；最后，基于多傳感器融合的確定性目標(biāo)關(guān)聯(lián)算法，實(shí)現(xiàn)了特殊道路場景下不確定數(shù)目的多個(gè)車輛目標(biāo)的跟蹤，為汽車的主動防撞及自動駕駛奠定堅(jiān)實(shí)的基礎(chǔ)。

（二）激光雷達(dá)的定義和關(guān)鍵技術(shù)

激光雷達(dá)又稱光學(xué)雷達(dá)（LiDAR，Light Detection And Ranging），是一種先進(jìn)的光學(xué)遙感技術(shù)。激光雷達(dá)可以用于測量物體距離和表面形狀，其測量精度可達(dá)厘米級。

圖1-1 激光雷達(dá)工作原理

激光雷達(dá)，是以發(fā)射激光束探測目標(biāo)的位置、速度等特征量的綜合雷達(dá)系統(tǒng)。其工作原理是向目標(biāo)發(fā)射探測信號(激光束),然后將接收到的從目標(biāo)反射回來的信號(目標(biāo)回波)與發(fā)射信號進(jìn)行比較,作適當(dāng)處理后,就可獲得目標(biāo)的有關(guān)信息,如目標(biāo)距離、方位、高度、速度、姿態(tài)、甚至形狀等參數(shù),從而對目標(biāo)車輛等目標(biāo)進(jìn)行探測、跟蹤和識別。

本論文研究的LS-161A型激光雷達(dá)采用混合固態(tài)激光雷達(dá)方式，集合了 16 個(gè)激光收發(fā)組件，測量距離高達(dá) 150 米，測量精度+/- 2cm 以內(nèi)，出點(diǎn)數(shù)高達(dá) 300,000 點(diǎn)/秒，水平測角 360°，垂直測角 -15°~15°。LS-161A通過 16 個(gè)激光發(fā)射組件快速旋轉(zhuǎn)的同時(shí)發(fā)射高頻率激光束對外界環(huán)境進(jìn) 行持續(xù)性的掃描，經(jīng)過測距算法提供三維空間點(diǎn)云數(shù)據(jù)及物體反射率，可以讓機(jī)器看到周圍的世界，為定位、導(dǎo)航、避障等提供有力的保障。

二、基于激光雷達(dá)的目標(biāo)識別

（一）引言

激光雷達(dá)是一種主動探測傳感器，其受環(huán)境干擾小，精度高、速度快的特點(diǎn)，廣泛適用于移動機(jī)器人、AGV等的目標(biāo)檢測和識別方面。

關(guān)于激光雷達(dá)的目標(biāo)檢測，主要集中在行人和障礙物方面，針對以上兩種目標(biāo)，重點(diǎn)在于如何研究高效的控制模型。對于自動駕駛汽車來說，從高清圖像中檢測出特征物體尤為重要，例如不易被發(fā)現(xiàn)的紅綠燈、行人等。

目標(biāo)識別的難點(diǎn)在于以下幾個(gè)方面

l 無法準(zhǔn)確無誤的分割目標(biāo)物體，特別是目標(biāo)特征不顯著的物體；

l 不同的物體在不同角度的探測結(jié)果不同；

l 環(huán)境對目標(biāo)物體信息的干擾；

（二）基于激光雷達(dá)的環(huán)境感知

自動駕駛的四大核心技術(shù)包括環(huán)境感知、精度定位、路徑規(guī)劃和線控執(zhí)行四大部分，環(huán)境感知是實(shí)現(xiàn)自動駕駛的先決和必要條件，越來越多的研究表明，僅僅依靠視覺的環(huán)境感知很難達(dá)到自動駕駛要求的。

環(huán)境感知主要包括路面、靜態(tài)物體和動態(tài)物體三個(gè)方向。自動駕駛汽車對于動態(tài)物體的感知，不僅要檢測物體，還要對其軌跡進(jìn)行追蹤，從而預(yù)計(jì)車輛的行駛軌跡。對于市區(qū)道路尤其中國的復(fù)雜市區(qū)必不可少。

圖2-1 激光雷達(dá)環(huán)境感知

（三）激光雷達(dá)目標(biāo)數(shù)據(jù)預(yù)處理

通常激光雷達(dá)在工作時(shí)，每一束激光對應(yīng)一個(gè)目標(biāo)物體的三維立體坐標(biāo)（靜態(tài)位姿），但實(shí)際上目標(biāo)物體是在不斷運(yùn)動和變化的，在運(yùn)動和變化的過程中會發(fā)生物體的形狀畸形變化，為了保證目標(biāo)數(shù)據(jù)的穩(wěn)定和可靠，我們要去除物體畸形變化。

由激光雷達(dá)原始產(chǎn)生的目標(biāo)數(shù)據(jù)，可以獲取每一束激光打在障礙物上的激光點(diǎn)距的絕對距離值和角度值。轉(zhuǎn)換為目標(biāo)距離值和角度值,去畸變之后,轉(zhuǎn)化為新的數(shù)據(jù)重新發(fā)布。

首先我們要先假設(shè)一個(gè)自動駕駛車輛模型，使得模型車輛做勻速直線運(yùn)動，然后將每一個(gè)時(shí)間的數(shù)據(jù)存儲在隊(duì)列里面。

以下是數(shù)據(jù)預(yù)處理的操作過程和源代碼：

l 主函數(shù)
#初始化LidarMotionCalib節(jié)點(diǎn)
ros::init(argc,argv,"LidarMotionCalib");
#構(gòu)建一個(gè)tf監(jiān)聽者對象
tf::TransformListener tf(ros::Duration(10.0));
#構(gòu)建 LidarMotionCalibration 對象 , 把tf作為構(gòu)造函數(shù)的參數(shù)傳入
LidarMotionCalibrator tmpLidarMotionCalib(&tf);
#進(jìn)入回調(diào)函數(shù)
ros::spin();
l 點(diǎn)云類
public: 
    tf::TransformListener* tf_; 
    ros::NodeHandle nh_; 
    ros::Subscriber scan_sub_;
    ros::Publisher points_pub_;

l 點(diǎn)云類的構(gòu)造函數(shù)

LidarMotionCalibrator( tf::TransformListener* tf )
    {
        tf_ = tf;
        scan_sub_ = nh_.subscribe("/scan", 10, &LidarMotionCalibrator::ScanCallBack, this);
        points_pub_ = nh_.advertise("/cloud", 10);
    }
    ~LidarMotionCalibrator()
    {
        if(tf_!=NULL)
            delete tf_;
    }

（四）激光雷達(dá)數(shù)據(jù)可視化

Pcl Visualizer是cloud Viewer的后端可視化工具，但它在單線程中運(yùn)行，若要使用PCLVisualizer類必須使用調(diào)用函數(shù),這樣可以避免可視化的并發(fā)問題。

以下是實(shí)現(xiàn)數(shù)據(jù)可視化的代碼：

include  //類 CloudViewer 頭文件聲明
include  //標(biāo)準(zhǔn)輸入輸岀頭文件聲明
include  //I/O 相關(guān)頭文件聲明
include  //PCD 文件讀取頭文件聲

下面函數(shù)作為回調(diào)函數(shù)，在主函數(shù)中注冊后只執(zhí)行一次，函數(shù)具體實(shí)現(xiàn)對可視

化對象背景顏色設(shè)置等。

void
 
-
staticunsigned count = 0 
std：: stringstream ss；
 
//FIXMES possible race condition here：
 
viewerPsycho (pci：:visualization：:PCLVisualizer& viewer)
ss? Once per viewer loop：VV count + + >
viewer. removeShape (Mtext" , 0)；
viewer. addText (ss. str(), 2009 300, "text" t 0)；
下面函數(shù)是主函數(shù)，首先加載點(diǎn)云文件到點(diǎn)云對象，并初始化可視化對象vie-wer, 注冊上面定義的回調(diào)函數(shù)，執(zhí)行循環(huán)直到收到關(guān)閉 viewer的消息退出程序。
main
pci：:PointCloucKpci：: PointXYZRGBA>:: Ptr cloud (new pci：:PointCloud)?
pci?s io：：loadPCDFile ("maize, ped", * cloud)} //加載點(diǎn)云文件
pci：: visual izat ion:: CloudViewer viewer ("Cloud Viewer")；//創(chuàng)建 viewer 對象
//showCloud函數(shù)是同步的，在此處等待直到渲染顯示為止
viewer.showCloud(cloud)
//該注冊函數(shù)在可視化時(shí)只調(diào)用一次
//在此處可以添加其他處理
user_data + + ；
}
return；

編譯并運(yùn)行程序，得到點(diǎn)云數(shù)據(jù)圖。

（五）激光雷達(dá)濾波處理

PCL中總結(jié)了幾種需要進(jìn)行點(diǎn)云濾波處理的情況，這幾種情況分別如下：

(1) 點(diǎn)云數(shù)據(jù)密度不規(guī)則需要平滑。

(2) 因?yàn)檎趽醯葐栴}造成離群點(diǎn)需要去除。

(3) 大量數(shù)據(jù)需要進(jìn)行下采樣(Downsample)。

(4) 噪聲數(shù)據(jù)需要去除。

對應(yīng)的方法如下：

(1) 按具體給定的規(guī)則限制過濾去除點(diǎn)。

(2) 通過常用濾波算法修改點(diǎn)的部分屬性。

(3) 對數(shù)據(jù)進(jìn)行下采樣。

雙邊濾波算法是通過取鄰近采樣點(diǎn)的加權(quán)平均來修正當(dāng)前采樣點(diǎn)的位置，從而達(dá)到濾波效果。同時(shí)也會有選擇剔除部分與當(dāng)前采樣點(diǎn)“差異”太大的相鄰采樣點(diǎn)，從而達(dá)到保持原特征的目的。

pcl.filters庫提供了對噪聲點(diǎn)和離群點(diǎn)去除的具體實(shí)現(xiàn)# filters模塊利用32個(gè)類與5個(gè)函數(shù)實(shí)現(xiàn)了利用filters對點(diǎn)云數(shù)據(jù)進(jìn)行不同的濾波以達(dá)到除去不需要的點(diǎn)的目的，其依賴于 pci：: common,pci：:sample.consensus、pci：:search、pci：:kdtree、pci：：octree 模塊。

（六）激光雷達(dá)點(diǎn)云構(gòu)建深度圖像

深度圖像(Depth Images)也被稱為距離影像(Range Images),是指將從圖像采集器到場景中各點(diǎn)的距離(深度)值作為像素值的圖像，它直接反映了景物可見表面的幾何形狀，利用它可以很方便的解決3D目標(biāo)描述中的許多問題。深度圖像經(jīng)過坐標(biāo)轉(zhuǎn)換可以計(jì)算為點(diǎn)云數(shù)據(jù)，有規(guī)則及必要信息的點(diǎn)云數(shù)據(jù)也可以反算為深度圖像數(shù)據(jù)。

因?yàn)橛涗浘嚯x信息的方式的差異性，所以在英文文獻(xiàn)中對深度圖像的表達(dá)呈現(xiàn)出很強(qiáng)的多樣性。使用較多的表達(dá)是：range image。Arman和Aggarwal在對三維目標(biāo)識別技術(shù)進(jìn)行綜述時(shí)指出depth map、dense~depth map、depth image、rangepicture^3D imagesurface height map都是等價(jià)的表示術(shù)語。除此以外的常見表達(dá)還有：dense-range image、depth aspect image、2. 5D image、3D data、xyz mapssur-face profiles 等。

從數(shù)學(xué)模型上看，深度圖像可以看做是標(biāo)量函數(shù)j 在集合K上的離散采樣，得到圖像，其中旳Er為二維網(wǎng)格（矩陣）的索引e￡R,/={1 ,???盤}，如下圖所示：

（七）激光雷達(dá)點(diǎn)云關(guān)鍵點(diǎn)

NARF(Normal Aligned Radial Feature)關(guān)鍵點(diǎn)是為了從深度圖像中識別物體而提出的，關(guān)鍵點(diǎn)探測的重要一步是減少特征提取時(shí)的搜索空間，把重點(diǎn)放在重要的結(jié)構(gòu)上，對NARF關(guān)鍵點(diǎn)提取過程有以下要求：

①提取的過程必須考慮邊緣以及物體表面變化信息在內(nèi)；

②關(guān)鍵點(diǎn)的位置必須穩(wěn)定的可以被重復(fù)探測，即使換了不同的視角；

③關(guān)鍵點(diǎn)所在的位置必須有穩(wěn)定的支持區(qū)域，可以計(jì)算描述子和進(jìn)行唯一的估計(jì)法向量。為了滿足上述要求，提出以下探測步驟來進(jìn)行關(guān)鍵點(diǎn)提?。?/p>

(1) 遍歷每個(gè)深度圖像點(diǎn)，通過尋找在近鄰區(qū)域有深度突變的位置進(jìn)行邊緣檢測。

(2) 遍歷每個(gè)深度圖像點(diǎn)，根據(jù)近鄰區(qū)域的表面變化決定一測度表面變化的系數(shù)，以及變化的主方向。

(3) 根據(jù)第二步找到的主方向計(jì)算興趣值，表征該方向與其他方向的不同，以及該處表面的變化情況，即該點(diǎn)有多穩(wěn)定。

(4) 對興趣值進(jìn)行平滑過濾。

(5) 進(jìn)行無最大值壓縮找到最終的關(guān)鍵點(diǎn)，即為NARF關(guān)鍵點(diǎn)。

（八）激光雷達(dá)特征提取

3D點(diǎn)云特征描述與提取是點(diǎn)云信息處理中的最基礎(chǔ)也是最關(guān)鍵的一部分，點(diǎn)云的識別、分割、重采樣、配準(zhǔn)、曲面重建等處理大部分算法，都嚴(yán)重依賴特征描述與提取的結(jié)果。從尺度上來分，一般分為局部特征描述和全局特征描述，例如局部的法線、等幾何形狀特征的描述，全局的拓?fù)涮卣髅枋?，都屬?D點(diǎn)云特征描述與提取范疇。在PCL中，目前已有很多基本的特征描述子與提取算法，相信在社區(qū)的快速增長下會集成和添加更多特征描述子和提取算法。

利用描述子建立曲面間的對應(yīng)點(diǎn)在3D物體識別領(lǐng)域有廣泛應(yīng)用。采用一個(gè)向量描述曲面上指定點(diǎn)及其鄰域的形狀特征，通過匹配向量的值來建立不同曲面間點(diǎn)的對應(yīng)關(guān)系，此冋量即為指定點(diǎn)的描述子，經(jīng)典描述子3D形狀內(nèi)容描述子構(gòu)造簡單，辨別力強(qiáng)，且對噪聲不敏感。其構(gòu)造方法為：在以指定點(diǎn)p為中心的球形支撐域內(nèi)，沿徑向、方向角和俯仰角3個(gè)坐標(biāo)方向劃分成網(wǎng)格，統(tǒng)計(jì)落入網(wǎng)格內(nèi)的點(diǎn)數(shù)，構(gòu)造向量Vo V的每個(gè)元素與支撐域內(nèi)的一個(gè)網(wǎng)格對應(yīng)，元素的值為對應(yīng)網(wǎng)格中的點(diǎn)數(shù)，向量V即為點(diǎn)P的描述子。

三、總結(jié)

本論文通過對激光點(diǎn)云數(shù)據(jù)的綜合處理，得出了一種低速無人駕駛汽車適用的目標(biāo)識別感知控制算法。對低速自動駕駛汽車研究提供了理論依據(jù)，也為低速自動駕駛Demo研究提供了數(shù)據(jù)支持。

編輯：黃飛

?