基于激光雷达感知的场景重构方法研究

针对现有环境感知模块的目标识别算法在实际应用中误识、漏识等问题，通过搭建基于激光雷达的测评系统，并根据场景重构的结果完成对其他类型感知模块的评测。该测评系统通过增加后处理算法，对激光雷达感知模块的数据进一步优化处理，有效提升环境重构范围及各类目标标注的准确率，提升其作为测评系统的评测能力和置信度。

本文来自 2018 年 8 月 24 日出版的《 汽车技术 》，作者是北京欧百拓信息科技发展有限公司邢雨、刘亚彬、韩康、刘宇和剧学铭。

1. 前言

随着自动驾驶技术的发展，越来越多种类的环境感知模块得到应用，其涉及到的传感器包括激光雷达、毫米波雷达、单目或双目相机等 [1]。准确地感知周边环境是环境感知模块的首要任务 [2-3]。要进一步提升其相关性能，则必须先对周边环境进行精确重构。

在现有环境感知模块中，激光雷达环境感知模块具有良好的综合性能，但在国内使用的过程中暴露出了诸如分类错误较多、目标跟踪时间短等问题。针对类似问题，林学秋通过机载二维激光雷达对三维场景重构方法进行了研究 [4]，赵明波通过多角度激光雷达数据融合来实现遮蔽目标的检测 [5]，闫利等人对激光雷达与全景影像的融合方法进行了研究 [6]，段建民等人通过激光雷达数据对地面状况信息的获取方法进行了研究 [7]，邹斌等人通过车载三维激光雷达对道路的可通行区域提取算法进行了研究 [8]。

这些研究大多集中在部分要素重构算法优化，或与其他类型传感器的数据融合方面，对于如何通过融合多种算法来提升激光雷达自身场景重构精度的研究较少。为此，本文提出了一套新的场景重构方法，通过融合多种算法对数据进行逐步处理，同时对目标分类进行跟踪和回溯，从而提升环境重构精度。

2. 硬件平台搭建

图 1  设备安装部署示意

全面且精确的信息收集是进行精确场景重构的重要前提，为此，首先进行硬件平台的搭建。在现有的各类传感器中，激光雷达在测量精度与测量距离等方面的综合性能较好，且技术较为成熟，因此选择以激光雷达为主要传感器，进行硬件平台搭建，设备实际安装部署如图 1 所示。

图 2  硬件平台实物

通过在车辆四周布置 6 个 4 线激光雷达传感器实现对车身周边环境信息的全面收集；同时，通过 2 台 SICK LMS511 激光雷达实现对地面信息的精确收集。此外，为收集车辆姿态及位置信息，在系统中加装了 GPS 设备与惯性测量单元（Inertial Measurement Unit，IMU），如图 2 所示。

3. 数据处理流程

对场景进行重构的核心环节是对关键环境要素进行重建。通过追加后处理算法，对激光雷达环境感知模块收集到的周边环境点云进行处理与验证，最终通过比对分析对结果进行完善，具体处理过程为：

a. 点云类别判定。采集系统中融合了多种传感器，因此需要对不同传感器收集到的数据进行判定，根据点云所属设备特性进行相应的后处理。例如，不同的激光雷达会对不同高度的目标进行扫描和感知，它们分别负责扫描对应的高度层，这些高度信息对于之后的筛选和聚类具有非常重要的意义。同时，点云不具有速度信息，所以若想要判别对应目标的运动属性，需要对比不同帧中同一目标对应点云的位置。

b. 点云筛选。在实际使用过程中，并非所有点都会参与到后续的处理过程中，因此应首先根据范围和相应的条件，剔除不符合需求的点，获取较为纯净的点云。例如，因系统中融合了 SICK 雷达，因此在对地面要素进行提取的过程中，将重点采用此设备所收集到的点云数据，而不再需要其他激光雷达的辅助。

c. 点云聚类。通过 DBSCAN 算法对环境感知模块初步处理后的点云数据进行二次聚类，重点处理其未聚类的点云，从而提高聚类精度并获得更为详细的物体数量与位置。例如，大型车辆点云处理过程中，在第 1 次聚类时，只会将部分点云聚类成一个物体，会出现将一个物体的点云聚类成多个物体以及剩余点云的情况，针对这种情况，二次聚类时进行碰撞检测并聚类，最终将相关点云聚类成一个物体，从而提升聚类精度。但在聚类过程中，由于远、近位置的点云数量不同，所以在使用 DBSCAN 的过程中会根据与本车的距离修改算法中的最小点数，以此提高 DBSCAN 算法在对不同距离点云处理的适用性。此外，考虑到在车辆行驶方向上漏识物体会带来极大的安全隐患，因此车辆行驶方向点云聚类过程中会降低算法中允许的最小点数，从而提高聚类精度，尽管这样可能出现多识别的情况，但可以根据碰撞检测及二次聚类等方法进行修正。

d. 目标物跟踪。指对不同数据帧之间的物体进行跟踪，因此在完成物体聚类的基础上，首先利用匈牙利算法对前、后帧中的物体进行匹配。但系统和设备存在不可避免的误差，所以匹配后通过卡尔曼滤波算法来对结果进行辅助修正，以提升跟踪精度，从而实现对各目标物的跟踪。跟踪过程中，根据不同目标物的运动特性等信息确定物体类别，并对存在错误分类的物体类别进行修正，从而得出最终结果。需要说明的是，由于在卡尔曼算法中使用到的系统噪声属于先验性参数，因此需要根据试验经验确定。

e. 道路边线提取。在动态目标物提取完成后，对道路边线进行提取，通过点云网格化与区域增长相结合的方法进行聚类，之后通过各格网的高差特性获取边线点集，最后采用最佳数学模型并通过最小二乘法进行道路边线拟合，得出最终结果。

4. 系统平台及算法验证

采用场景重构的方式对硬件平台的可靠性进行验证：

• 首先，选取场景较为简单的高速公路路段数据进行重构，此场景中车辆以约 107 km/h 的速度行驶，实际场景如图 3a 所示，原始数据经处理后的结果如图 3b 所示，从图 3b 可知，在此情况下可对前方约 230 m 范围内的车辆进行识别；

图 4  城区路段场景重构

• 其次，选取场景较为复杂的城区路段数据进行重构，实际场景如图 4a 所示，测试车辆处于驻车状态，原始数据经过处理后的结果如图 4b 所示，从图中可以看到，由于场景中存在众多物体，所以极易造成远处物体因被遮挡而暂时丢失的情况，但是近处物体均可被精确地识别。

根据两种场景下的重构结果可以看出，本硬件平台具有良好的识别精度。

图 5  聚类算法效果

选取某一高速路段数据进行测试，去除地面后的点云分布如图 5a 所示，聚类处理结果如图 5b 所示。从图 5 可以看到，经过聚类后可以找出主要目标物，由于未对数据进行点云筛选且其中包含了道路边缘及绿化带，所以在图中存在较大长方形物体，下一步只需要在此基础上进一步处理即可得到运动目标。

图 6  跟踪算法效果

以某十字路口数据为例进行分析，聚类后的点云如图 6a 所示，对该点云进行一定帧数的跟踪之后，效果如图 6b 所示。只能跟踪运动目标物，因此静态目标物在图 6b 中用点表示。由图 6 可以看出，所有目标物均被正确跟踪。

图 7  道路边线提取过程

以某一直线路段数据为例，初始点云如图 7a 所示。首先对点云网格化并进行聚类处理，从而获得包含 2 条边线的点集，结果如图 7b 所示。

然后，分别采用边线点集进行直线拟合获取道路边线：

ρ = x·cosθ + y·sinθ （1）

式中，ρ 为直线到原点的垂直距离；(x，y) 为点的坐标；θ 为 x 轴与直线垂线的角度。

最终拟合的道路边线如图 7c 所示。在道路边线提取过程中，完成道路两侧边线点的准确聚类尤为关键。因此在聚类中，通过限定处理范围并进行点云格网化、格网区域生长等处理来完成道路两侧边线点的提取。

5. 结论

本文针对激光雷达环境感知模块识别精度不佳的问题，提出了完整的优化流程。此流程在已有算法的基础上，通过 DBSCAN 算法、匈牙利算法等一系列数据处理过程，实现对点云的聚类与跟踪，最终实现对目标的分类及回溯。

考虑到激光雷达无法提供物体颜色等信息，可通过融合视觉等其他传感器模块来进一步丰富重构信息。本文主要针对现有的激光雷达环境感知模块的算法进行研究与优化，适用领域较窄，此问题将会在未来的研究中予以解决。

参考文献

[1] 黄武陵. 激光雷达在无人驾驶环境感知中的应用[J]. 单片机与嵌入式系统应用，2016, 16(10): 3-7

[2] 何承坤，宋娟，周唯. 汽车自动驾驶测评方法研究[J] . 工业技术创新，2016, 3(2): 108-114

[3] 马佃波. 无人驾驶汽车环境感知技术综述[J]. 汽车与驾驶维修（维修版），2017(5): 122-123

[4] 林学秋. 基于二维激光数据对准的三维场景重构[D]. 大连: 大连理工大学， 2014

[5] 赵明波. 激光成像雷达地面遮蔽目标检测方法研究[D]. 长沙: 国防科学技术大学，2013

[6] 闫利，索一凡，曹亮. 车载激光雷达点云与全景影像的自动配准[J]. 测绘科学，2016, 41(4): 113-117+123

[7] 段建民，李龙杰，郑凯华. 基于车载 4线激光雷达的前方道路可行驶区域检测[J]. 汽车技术，2016(2): 55-62

[8] 邹斌，饶阳，侯献军，等. 基于三维激光雷达的道路可通行区域分割提取方法[J]. 汽车技术，2017(6): 17-23