厚勢按
：針對現有環境感知模組的目標識別演算法在實際應用中誤識、漏識等問題，透過搭建基於鐳射雷達的測評系統，並根據場景重構的結果完成對其他型別感知模組的評測。該測評系統透過增加後處理演算法，對鐳射雷達感知模組的資料進一步最佳化處理，有效提升環境重構範圍及各類目標標註的準確率，提升其作為測評系統的評測能力和置信度。
本文來自 2018 年 8 月 24 日出版的《
汽車技術
》，作者是
北京歐百拓資訊科技發展有限公司
邢雨、劉亞彬、韓康、劉宇和劇學銘。
厚勢聯合中汽產培推出多門自動駕駛方向、新能源汽車方向培訓課程，歡迎點選連結報名：
自動駕駛：「培訓報名：自動駕駛和智慧網聯汽車技術體系及其資訊系統」
燃料電池：「培訓報名：燃料電池關鍵技術開發與測試」
工業 機器人：「培訓報名：人工智慧機器人和工業 4。0—全面解讀未來製造業」
1。 前言
隨著自動駕駛技術的發展，越來越多種類的環境感知模組得到應用，其涉及到的感測器包括鐳射雷達、毫米波雷達、單目或雙目相機等 ［1］。準確地感知周邊環境是環境感知模組的首要任務 ［2-3］。要進一步提升其相關效能，則必須先對周邊環境進行精確重構。
在現有環境感知模組中，鐳射雷達環境感知模組具有良好的綜合性能，但在國內使用的過程中暴露出了諸如分類錯誤較多、目標跟蹤時間短等問題。針對類似問題，林學秋透過機載二維鐳射雷達對三維場景重構方法進行了研究 ［4］，趙明波透過多角度鐳射雷達資料融合來實現遮蔽目標的檢測 ［5］，閆利等人對鐳射雷達與全景影像的融合方法進行了研究 ［6］，段建民等人透過鐳射雷達資料對地面狀況資訊的獲取方法進行了研究 ［7］，鄒斌等人透過車載三維鐳射雷達對道路的可通行區域提取演算法進行了研究 ［8］。
這些研究大多集中在部分要素重構演算法最佳化，或與其他型別感測器的資料融合方面，
對於如何透過融合多種演算法來提升鐳射雷達自身場景重構精度的研究較少
。為此，本文提出了一套新的場景重構方法，透過融合多種演算法對資料進行逐步處理，同時對目標分類進行跟蹤和回溯，從而提升環境重構精度。
2。 硬體平臺搭建
圖 1 裝置安裝部署示意
全面且精確的資訊收集是進行精確場景重構的重要前提
，為此，首先進行硬體平臺的搭建。在現有的各類感測器中，鐳射雷達在測量精度與測量距離等方面的綜合性能較好，且技術較為成熟，因此選擇以鐳射雷達為主要感測器，進行硬體平臺搭建，裝置實際安裝部署如圖 1 所示。
圖 2 硬體平臺實物
透過在車輛四周佈置 6 個 4 線鐳射雷達感測器實現對車身周邊環境資訊的全面收集；同時，透過 2 臺 SICK LMS511 鐳射雷達實現對地面資訊的精確收集。此外，為收集車輛姿態及位置資訊，在系統中加裝了 GPS 裝置與慣性測量單元（Inertial Measurement Unit，IMU），如圖 2 所示。
3。 資料處理流程
對場景進行重構的核心環節是對關鍵環境要素進行重建。透過追加後處理演算法，對鐳射雷達環境感知模組收集到的周邊環境點雲進行處理與驗證，最終透過比對分析對結果進行完善，具體處理過程為：
a. 點雲類別判定
。採集系統中融合了多種感測器，因此需要對不同感測器收集到的資料進行判定，根據點雲所屬裝置特性進行相應的後處理。例如，不同的鐳射雷達會對不同高度的目標進行掃描和感知，它們分別負責掃描對應的高度層，這些高度資訊對於之後的篩選和聚類具有非常重要的意義。同時，
點雲不具有速度資訊
，所以若想要判別對應目標的運動屬性，需要對比不同幀中同一目標對應點雲的位置。
b. 點雲篩選
。在實際使用過程中，並非所有點都會參與到後續的處理過程中，因此應首先根據範圍和相應的條件，
剔除不符合需求的點，獲取較為純淨的點雲
。例如，因系統中融合了 SICK 雷達，因此在對地面要素進行提取的過程中，將重點採用此裝置所收集到的點雲資料，而不再需要其他鐳射雷達的輔助。
c. 點雲聚類
。透過 DBSCAN 演算法對環境感知模組初步處理後的點雲資料進行
二次聚類
，重點處理其未聚類的點雲，從而提高聚類精度並獲得更為詳細的物體數量與位置。例如，大型車輛點雲處理過程中，在第 1 次聚類時，只會將部分點雲聚類成一個物體，會出現將一個物體的點雲聚類成多個物體以及剩餘點雲的情況，針對這種情況，二次聚類時進行碰撞檢測並聚類，最終將相關點雲聚類成一個物體，從而提升聚類精度。但在聚類過程中，由於遠、近位置的點雲數量不同，所以在使用 DBSCAN 的過程中會根據與本車的距離修改演算法中的最小點數，以此提高 DBSCAN 演算法在對不同距離點雲處理的適用性。此外，考慮到在車輛行駛方向上漏識物體會帶來極大的安全隱患，因此車輛行駛方向點雲聚類過程中會降低演算法中允許的最小點數，從而提高聚類精度，儘管這樣可能出現多識別的情況，但可以根據碰撞檢測及二次聚類等方法進行修正。
d. 目標物跟蹤。指對不同資料幀之間的物體進行跟蹤
，因此在完成物體聚類的基礎上，首先利用匈牙利演算法對前、後幀中的物體進行匹配。但系統和裝置存在不可避免的誤差，所以匹配後透過卡爾曼濾波演算法來對結果進行輔助修正，以提升跟蹤精度，從而實現對各目標物的跟蹤。跟蹤過程中，根據不同目標物的運動特性等資訊確定物體類別，並對存在錯誤分類的物體類別進行修正，從而得出最終結果。需要說明的是，由於在卡爾曼演算法中使用到的系統噪聲屬於先驗性引數，因此需要根據試驗經驗確定。
e. 道路邊線提取
。在動態目標物提取完成後，對道路邊線進行提取，透過點雲網格化與區域增長相結合的方法進行聚類，之後透過各格網的高差特性獲取邊線點集，最後採用最佳數學模型並透過最小二乘法進行道路邊線擬合，得出最終結果。
4。 系統平臺及演算法驗證
4.1 系統平臺測試
採用場景重構的方式對硬體平臺的可靠性進行驗證：
首先，
選取場景較為簡單的高速公路路段資料進行重構
，此場景中車輛以約 107 km/h 的速度行駛，實際場景如圖 3a 所示，原始資料經處理後的結果如圖 3b 所示，從圖 3b 可知，在此情況下可對前方約 230 m 範圍內的車輛進行識別；
圖 4 城區路段場景重構
其次，
選取場景較為複雜的城區路段資料進行重構
，實際場景如圖 4a 所示，測試車輛處於駐車狀態，原始資料經過處理後的結果如圖 4b 所示，從圖中可以看到，由於場景中存在眾多物體，所以
極易造成遠處物體因被遮擋而暫時丟失的情況
，但是近處物體均可被精確地識別。
根據兩種場景下的重構結果可以看出，本硬體平臺具有良好的識別精度。
4.2 聚類演算法驗證
圖 5 聚類演算法效果
選取某一高速路段資料進行測試，去除地面後的點雲分佈如圖 5a 所示，聚類處理結果如圖 5b 所示。從圖 5 可以看到，
經過聚類後可以找出主要目標物，由於未對資料進行點雲篩選且其中包含了道路邊緣及綠化帶，所以在圖中存在較大長方形物體
，下一步只需要在此基礎上進一步處理即可得到運動目標。
4.3 跟蹤演算法驗證
圖 6 跟蹤演算法效果
以某十字路口資料為例進行分析，聚類後的點雲如圖 6a 所示，對該點雲進行一定幀數的跟蹤之後，效果如圖 6b 所示。只能跟蹤運動目標物，因此靜態目標物在圖 6b 中用點表示。由圖 6 可以看出，所有目標物均被正確跟蹤。
4.4 道路邊線提取
圖 7 道路邊線提取過程
以某一直線路段資料為例，初始點雲如圖 7a 所示。首先對點雲網格化並進行聚類處理，從而獲得包含 2 條邊線的點集，結果如圖 7b 所示。
然後，分別採用邊線點集進行直線擬合獲取道路邊線：
ρ = x·cosθ + y·sinθ （1）
式中，ρ 為直線到原點的垂直距離；（x，y） 為點的座標；θ 為 x 軸與直線垂線的角度。
最終擬合的道路邊線如圖 7c 所示。
在道路邊線提取過程中，完成道路兩側邊線點的準確聚類尤為關鍵
。因此在聚類中，透過限定處理範圍並進行點雲格網化、格網區域生長等處理來完成道路兩側邊線點的提取。
5。 結論
本文針對鐳射雷達環境感知模組識別精度不佳的問題，提出了完整的最佳化流程
。此流程在已有演算法的基礎上，透過 DBSCAN 演算法、匈牙利演算法等一系列資料處理過程，實現對點雲的聚類與跟蹤，最終實現對目標的分類及回溯。
考慮到鐳射雷達無法提供物體顏色等資訊，可透過融合視覺等其他感測器模組來進一步豐富重構資訊
。本文主要針對現有的鐳射雷達環境感知模組的演算法進行研究與最佳化，適用領域較窄，此問題將會在未來的研究中予以解決。
參考文獻
［1］ 黃武陵。 鐳射雷達在無人駕駛環境感知中的應用［J］。 微控制器與嵌入式系統應用，2016， 16（10）： 3-7
［2］ 何承坤，宋娟，周唯。 汽車自動駕駛測評方法研究［J］ 。 工業技術創新，2016， 3（2）： 108-114
［3］ 馬佃波。 無人駕駛汽車環境感知技術綜述［J］。 汽車與駕駛維修（維修版），2017（5）： 122-123
［4］ 林學秋。 基於二維鐳射資料對準的三維場景重構［D］。 大連： 大連理工大學， 2014
［5］ 趙明波。 鐳射成像雷達地面遮蔽目標檢測方法研究［D］。 長沙： 國防科學技術大學，2013
［6］ 閆利，索一凡，曹亮。 車載鐳射雷達點雲與全景影像的自動配準［J］。 測繪科學，2016， 41（4）： 113-117+123
［7］ 段建民，李龍傑，鄭凱華。 基於車載 4線鐳射雷達的前方道路可行駛區域檢測［J］。 汽車技術，2016（2）： 55-62
［8］ 鄒斌，饒陽，侯獻軍，等。 基於三維鐳射雷達的道路可通行區域分割提取方法［J］。 汽車技術，2017（6）： 17-23
編輯整理：厚勢分析師蓋布林
轉載請註明來自厚勢和厚勢公號：iHoushi
