自动驾驶传感器 | 激光雷达(二)

激光雷达的认知处理过程就是点云处理过程。

激光雷达算法概论

道路中主要环境对象可分为可通行区域、道路边界以及可通行区域上的路上静态、动态障碍物,道路边界确定了可通行以及不可通行区域,障碍物确定了可通行区域的避让区域。

对于激光雷达来说,认知过程一般是先找出道路边界,再在可行驶区域内区分路面点和障碍物点,之后区分静态和动态障碍物,并确定具体障碍物。激光雷达在自动驾驶系统中主要算法有车道线识别,可行驶区域分析,车辆识别与跟踪,行人识别与跟踪等。

在具体处理对象方面,就行驶路径而言,激光雷达可以用于车道线、道路边缘、道路隔离物的识别,就周边物体而言,激光雷达可识别车辆、行人以及其他影响车辆行驶的静态与动态障碍物。对于交通标志的识别,如红绿灯、限速牌等目前主要还是由摄像头完成。

在具体算法方面,对于物体的识别会先进行障碍物聚类,然后在训练集里通过特定的分类器完成识别。

具体激光雷达算法介绍

车道线检测

车道线的特征核心依据之一标线和周围路面所用材料不同。目前的主要算法分为两类,其一是关注车道线和泊车位线材料的反射强度,其二是利用激光雷达的特殊性,先检测出路沿,再结合导读宽度信息确定车道线的位置。

车道线和泊车位线的材料一般是选择热熔划线工艺。热熔型标线是主要选取的材料。对于该种涂料,由于需要经受恶劣的环境,其附着能力较强,且耐磨性要超过一般涂料。就反射强度值一般在12-30之间。

由于车道线材料和路面材料反射强度的不同,因此以此为特征可以轻松区分开车位线和道路路面。实际在进行道路检测时,得到的数据时圆环形状的点云,当检测到圆环出现断裂,即表明反射强度发生了突变,通过标注这些点出现的位置,就可以锁定车道线和泊车位线的位置。

路沿检测

激光雷达的一个功能特点是可以进行路沿检测,它主要关注的是高度特征,常见的路沿有路牙、交通隔离栏、植物带等,另外在实际的自动驾驶环境中还有充电桩、交通标志牌、垃圾桶等中等高度对象。除此之外,道路中还有交通路灯、树木等较高的对象。整体上高度可被划分为三个层次。通过栅格图并结合特征算子可以检测出较低层次的对象。

一般使用的高度特征是最大最小值高度差特征,即设无人平台能够通过的障碍物高度下限为$Z_{min}$,平台可通过的最低悬垂高度为$Z_{max}$,低于$Z_{min}$的可认为是道路平面,而高于$Z_{max}$的障碍物不对无人平台的自主通过造成干扰,如无人平台可正常穿过桥洞、林间路等。但是随着距离增大,点云的稀疏程度增大,单一栅格中难以形成有效高度差,特别是对于低矮障碍物有漏检的风险。因为其阈值设定的问题,其还可能对高程信息进行误判,错误地把树枝等作为障碍物处理。

车辆、行人检测

对激光雷达来说,车辆、行人都可以当做障碍物处理,障碍物可分为路内和路外障碍物。操作的基本思想是先对点云进行聚类,然后通过研究有效的几何模型进行目标检测。

车辆属于刚体模型,外观特征稳定,不随时间发生形变。剔除地面点云的栅格地图中,车辆在雷达二维俯视图中的形态主要呈现为正反“L”型,部分情况下呈现出“一”型或“U”型。利用这一局部特征,通过聚类分析和跟踪器对动态车辆进行速度预测,可有效检测动态车辆。行人由于其服装,体型的差别,点云特征更难被获取,目前主要采用基于机器学习的分类法进行处理。

对车辆和行人识别的本质在于聚类,聚类的基础在于被测对象点云数据的完整性。若对象反射率过低或某个物体局部反射率过低,则可能存在无法识别有效对象的问题。若被测对象互相之间遮盖严重,也会使对象点云数据的完整性受到影响,可能存在将单个物体分割为几个聚类的现象。另外聚类关注的是点云之间的距离和形态,当有与车辆行人相似的其他对象以及与它们距离较近时,也容易发生聚类的误判。

0%